Télécharger la version PDF

MADA-ETI, ISSN 2220-0673, Vol.1, 2011 www.madarevues.gov.mg
Indexation et recherche d’images couleurs dans le domaine des Valeurs Singulières
Ramafiarisona M. H.1, Razafindradina H. B.2, Rakotomiraho S.3
Laboratoire de Télécommunication, d’Automatique, de Signal et d’Images (TASI)
Département Télécommunication – Ecole Supérieure Polytechnique Antananarivo
Université d’Antananarivo
BP 1500, Ankatso – Antananarivo 101 - Madagascar
1
[email protected], [email protected], [email protected]
Résumé :
Abstract:
Cet article représente une des applications de
This paper has applied theory of linear algebra
l’algèbre linéaire appelé : « Décomposition en
called “Singular Value Decomposition”, to digital
valeurs
d’images
image processing, especially to the one area of that
numériques, spécialement un thème a été investi et
is investigated and tested, this is the indexing and
testé : c’est la partie indexation et recherche
retrieval image ; SVD method can transform one
d’image par le contenu.
matrix into product
La SVD transforme une matrice en un produit de
refactoring a digital image in three matrices: the
matrices
qui nous permettrait de re-
using of singular values of such refactoring allows
factoriser l’image en trois matrices. L’utilisation
us to represent the image with smaller values;
des valeurs singulières pour chaque décomposition
witch can preserve useful features of the original
accéderait à représenter l’image avec de petits
image. To perform indexing image with SVD, we
valeurs, pourtant, la reconstruction de l’image
treated the image by ranging the maximum of their
originale. Nous avons traité l’image en rangeant le
components in R, G, B into the singular values
maximum d’informations en couleurs R, G, B de
after the decomposition. All test and experiments
l’image dans les valeurs singulières issues de la
are carried out by using Matlab as computing
décomposition
environment and programming language.
singulières»
SVD.
au
traitement
Tous
les
tests
et
which allows us to
programmation ont été effectués sous Matlab.
Mots clés: RVB, indexation, SRIC, SVD.
Keywords: RGB, indexing, CBIR, SVD.
30
MADA-ETI, ISSN 2220-0673, Vol.1, 2011 www.madarevues.gov.mg
1. Introduction
Swason et Twefik, utilisent les coefficients de
On décrit ici, une nouvelle méthode d’indexation
DWT combinée avec une représentation en B-
d’image couleur dans le domaine des valeurs
spline des contours des objets. [2]
singulières
intéresserons
Hu identifie sept moments caractérisant l’image.
uniquement à l’attribut couleur du fait de son haut
Milanese et Cherbuliez, utilise la norme de
pouvoir discriminant par rapport aux autres
Transformée de Fourrier Discrète (TFD) comme
attributs.
attribut ; cette valeur a l’avantage d’être robuste
Dans les dix dernières années, la reconnaissance de
aux transformations géométriques de l’image
forme, de motif, l’indexation et la recherche
(rotation, symétrie,…). [2]
d’image par le contenu a tiré de larges intentions
Pour l’indexation utilisant le critère forme, on s’est
des chercheurs après la vision par ordinateur, les
servi des théorèmes de Hough, de Fourrier, de
réseaux de neurones. L’application de l’indexation
Laplace ; le filtre de Gabor et les domaines de
comprend : reconnaissance des faces, contrôle
transformés pour la texture. [3] [4].
d’accès,
(DVS).,
sécurité
nous
nous
d’information,
l’interaction
Haralick a disposé l’utilisation de matrices de co-
homme-machine…
occurrences.
Aussi,
plusieurs
méthodes
Le domaine de l’indexation d’image a connu un
d’indexation dans le domaine des transformés en
essor très rapide ces dernières années sans que l’on
ondelettes discrètes (DWT) ont étés déjà présentés.
ait pu réellement voir émerger des services
Il y a aussi une représentation d’image basée sur la
opérationnels. Après une phase très largement
notion de chaînes de symboles, et de nombreux
exploratrice ;
utilisé
travaux en indexation d’images ont fait référence à
l’algorithme d’histogramme, les histogrammes
la notion de points d’intérêt comme base d’une
peuvent être construits dans plusieurs plages de
représentation [5].
Swain
et
Ballard
a
couleurs RVB. Un histogramme de couleur est un
Accéder à une information pertinente dans un
produit découpant les couleurs de l’image dans
contexte distribué et fortement dynamique, par
certains nombres de cases puis en comptant le
exemple le web, est un véritable chalenge. Définir
nombre de pixels dans chaque case : cela fournit
la pertinence selon les critères de l’utilisateur
une vue d’ensemble plus compacte des données
nécessite la création automatique de profils
dans une image. C’est un outil intéressant pour la
dynamiques représentant les centres d’intérêts de
reconnaissance d’objets ayant une position et une
l’utilisateur. Au début, on a indexé les documents
rotation inconnue par rapport à la scène. [1].
par la SVD, qui a pour but de classifier ces
Smith et Chang, utilisent des données statistiques:
derniers chacun étant caractérisé par un certain
moyenne, variance, extraites des sous bandes des
nombre de concepts ; de mesurer l’apport d’une
ondelettes afin de présenter les textures. [2]
décomposition en valeurs singulières par rapport à
31
MADA-ETI, ISSN 2220-0673, Vol.1, 2011 www.madarevues.gov.mg
une analyse robuste en prenant pour cas pratique
d’une nouvelle image dans tous les « espace de
une analyse de contenu. [6].
visage » [9].
Par Will en 1999, la SVD permet de dégager des
Il est donc indispensable de posséder des outils
concepts à partir d’éléments primitifs : les mots.
permettant de rechercher les images les plus
Cette observation est à la base de l’utilisation de la
pertinentes par leur contenu, comme c'est déjà le
décomposition SVD dans l’indexation sémantique
cas pour les systèmes de recherche de texte par
des documents [7] dans le but d’identifier les
mots clés [2]. Quel modèle mathématique pourrait-
tendances dans les relations entre les termes et
on utiliser afin de rendre efficace le système
concepts contenus dans une collection non
d’indexation et aussi pour la phase d’appariement ?
structurées du texte. Où
Dans ce travail, on a utilisé l’indexation d’image
: Représente une matrice
par une méthode de la décomposition en valeurs
« document- mots » . On suppose cette matrice de
dimension ∗
singulières.
. Cette matrice est décomposée
par une SVD en un produit de trois matrices dont
C’est une technique qui est utile pour le traitement
la matrice centrale
d’image (compression, indexation, classification de
est diagonale.
M d∗m =R d∗d ∗D d∗m
∗U m∗m
données). Le problème consiste à réduire le
(01)
dimensionnement d’un ensemble des données
Dès lors, la SVD représente une des méthodes de
(échantillon), en trouvant un nouvel ensemble de
quantification de l’image couleur, c'est-à-dire
variables plus petit que l’ensemble original des
quantifier la couleur par une modélisation/
variables, qui néanmoins contient la plupart de
égalisation de couleur ou encore: appariement ; la
l’information de l’échantillon. Les nouvelles
quantification a pour but de réduire le nombre de
variables, appelées Valeurs Singulières (VS)
pixels dans l’image afin de ne conserver que les
2. Matériels et méthodes
couleurs uniquement dominantes [8].
Nous
La SVD, du sens géométrique, est une matrice
avons effectués la programmation sous
Matlab pour tout le système, tant pour la méthode
carrée qui est une transformation de vecteur. Elle
d’indexation que pour l’étude de calcul de la
est employée couramment dans les statistiques et
similarité.
ici, on la lie avec l’analyse en composante
principale dans le traitement des signaux et
2.1 Théorie de la SVD
l’identification de modèle ; donc, on pourrait
La SVD est réputée être un sujet significatif dans
aisément l’utiliser pour une indexation d’image
l’algèbre linéaire par de nombreux renommés
dans le but de rechercher une image. Une autre
mathématiciens. Elle a de nombreuses pratiques et
approche de la SVD traitait un jeu de faces
valeurs techniques, la particularité spéciale de la
connues
SVD est qu’il peut être performant dans beaucoup
comme
vecteurs
dans
un
espace,
s’étendant par de petits groupes de faces. La
de
reconnaissance est perfectionnée par la projection
32
,
matrices réelles. Soit une matrice avec
et ≤
≤
par ordre décroissant et dans un minimum de
valeurs
couleur Rouge, Vert, Bleu. Chaque pixel,
MADA-ETI, ISSN 2220-0673, Vol.1, 2011 www.madarevues.gov.mg
lignes et
colonnes avec un rang
peut être factorisé en trois matrices :
= 1, 2, … , ;
Pour
sont
appelés
valeurs singulières car chaque image est en
!
≥
Les
#
≥ ⋯≥
'(
%
≥ 0'(
+, ,
chaque site
singulières de la matrice .
%)!
=
%)#
= ⋯ =
*
contient une information
couleur sur l’intensité du rouge, l’intensité du
=0
vert, l’intensité du bleu.
sont appelés : droite et gauche
Image originale
A
vecteurs singulières de . [10]
R
B
V
A
2.2 Propriétés de la SVD d’une image
Figure 01 : Division des composantes couleurs de
Les valeurs singulières sont les plus importants car
l’image
ils sont uniques, ce sont des plus importants
• Décomposition en SVD de chacune des
attributs de la matrice image et peut être utilisée
pour la reconnaissance des formes.
!, #, … , *
pas.
composantes couleurs de l’image :
sont uniques, mais '( ne les sont
- Le rang de la matrice
=
∗
leur valeurs singulières non nuls.
(02)
∗
∗
= -.! , .# , …, .% , .%)! , … , ./ 0
- Les V.S représentent l’énergie de l’image, c'est-à-
. , = 1, 2, … ,
dire que la SVD range le maximum d’énergie de
1
. .1 = 2 1 = 3
0
l’image dans un minimum de V.S [11]
- Les valeurs singulières d’une image ont une très
= - !,
bonne stabilité, c’est-à-dire, quand une petite
=4
6
≠4
# , … , % , %)! , … , * 0
7! , = 1, 2, … ,
perturbation est ajoutée à une image, les valeurs
1
singulières ne change pas significativement.
1
=2 1 = 3
0
!
8=9⋮
0
2.3 Méthode de la nouvelle approche avec SVD
Premièrement, la méthode d’indexation, c'est-à-
⋯
⋱
⋯
=4
6
≠4
0
⋮<
*
sontappelés EF'.G8
dire la phase de l’extraction des informations
= 1, 2, … ,
essentielles de l’image à présenter est divisée en
deux parties :
!
• Dissociation de la taille de l’image originale par
trois : Rouge, Vert, Bleu
=
A
est égale au nombre de
∗ ∗
≥
#
≥⋯≥
%
( ∗
(03)
(04)
(05)
(06)
(07)
(08)
H.F èG'8 de A Pour
>0
• Une fois qu’on ait pu extraire les informations
en ne conservant
maximales de l’image, et les avoir stockées dans
qu’un seul canal qui range le maximum
les minimums de VS ; on peut, à partir d’un
d’énergie de l’image dans les valeurs singulières
33
certain rang de la matrice , reconstituer
MADA-ETI, ISSN 2220-0673, Vol.1, 2011 www.madarevues.gov.mg
l’image originale, ici, ce rang nommé
l’analyse
est
d’une
caractéristique,
les
valeurs
singulières stockent l’énergie de l’image.
égale à la valeur 50. C'est-à-dire abandonner les
plus basses VS de la matrice .
On capture maintenant un exemple d’image
L’indexation a pour but de substituer à une image
requête et on recherche la similarité entre l’image
qui occupe une place non négligeable en
requête et celles se trouvant dans la base.
représentant moins encombrant qui la caractérise le
mieux possible et de ne travailler que sur ce
Les résultats seront affichés sur une figure
modèle, lors de la recherche. La difficulté réside et
illustrant l’image requête avec la liste des images
trouvées suivant un ordre décroissant
provient de la définition même du représentant,
selon la
c'est-à-dire quelles caractéristiques choisir pour
distance entre l’image requête et chacune des
quel résultat ?
images trouvées. Le nombre souhaité des images à
On applique la SVD, ici, comme une technique
trouver a été préalablement signalé dans le
d’extraction des informations de l’image, aussi
programme.
pour construire les signatures de l’image couleur;
Afin de calculer la similarité entre l’image requête
on utilise les informations issues du processus de la
et les images cibles dans la base d’images (indexée
décomposition, c’est ce qu’on appelle l’indexation
aussi), plus précisément, on calcule d’abord
par la signature. [11]
l’histogramme des valeurs singulières, une fois ces
La décomposition en valeurs singulières peut donc
,
être vue comme une technique de réduction de
dernières trouvées, notons ℎ 8(M N O , ℎ 8(M
O
ℎ 8(M P O ces histogrammes ; ℎ 8(Q N O ℎ 8(Q N O ,
dimensionnalité.
ℎ 8(Q N O ceux des images dans la base d’image. La
Afin d’évaluer la méthode choisie, on a essayé
similarité ici retourne la distance euclidienne
plusieurs types d’image requête suivant différentes
calculée entre les histogrammes de toutes les
valeurs
singulières
concernés,
formule
catégories dans la base d’images.
(02).
Pendant la phase de la recherche de similarité, on
2.4 Architecture du système
calcule la distance euclidienne des histogrammes et
Un utilisateur choisit une image requête. On
les trier par ordre de pertinence suivant le critère
calcule l’index c'est-à-dire SVD pour l’image
couleur de l’image.
inconnue. Le système mesure la similarité de
=R
ℎ 8(Q N O − ℎ 8(M N O
#
8(
+ ℎ 8(Q
,
P =
− ℎ 8(M
1.09
O
l’index inconnu avec les indices de la base. Le
O #
+ ℎ 8(Q PO − ℎ 8(M PO
#
système adresse les meilleures images au sens de la
mesure de similarité, c’est à dire par la distance
euclidienne [12]. Le principe de fonctionnement
La signature d’une image par la SVD conserve
un « résumé »
de
l’information
extraite
est illustré par la figure 02.
par
34
MADA-ETI, ISSN 2220-0673, Vol.1, 2011 www.madarevues.gov.mg
Indexation
Calcul des
système
valeurs
Base
Base
appariement
singulières
d’images
d’image
indexées
s
Image Requête
Image requête
utilisateur
indexée par SVD
Interprétation
et extraction
Présentation des
images résultats
Figure 02 : Architecture du SRIC utilisant SVD
2.5 Calcul de la similarité
images utilisées pour les tests en indexation sont
Au sens d’une métrique donnée, on propose ici, par
très diverses et sont, souvent, choisies en fonction
la distance euclidienne des histogrammes des
du critère utilisé pour la recherche (par la couleur,
vecteurs singulières de l’image requête et les images
forme, par la texture, etc…). La base utilisée pour
de la base, la phase de la recherche d’image. Ce
cette étude est une base générique, formée de 1250
calcul fournit : les images réponses. C'est-à-dire
images, composée de onze catégories d’images,
classer les images.
chacune composée de 100 images différentes. On
La question qui se pose c’est : Quelle est l’image de
peut y trouver toutes sortes d’images : des images
la base la plus similaire à la requête ? Le système
très colorées et des images texturées. Par exemple :
adresse les meilleures images au sens de la mesure
des imageries en télécommunication, des paysages
de similarité ;
enneigés, des images de bâtiments, des animaux,
Une distance nulle signifie que les images sont
des voitures, des fleurs, ….
similaires.
Comme cette base est hétérogène, elle est
généralement destinées au grand public, donc est
accessible
2.6 Choix de la base d’images
via
internet ;
donc
pour
une
Une base de données multimédia est un type de
interprétation subjective. Elle a été élaborée pour
base de données consacré au stockage et à
mettre en œuvre une recherche d’image par la
l'organisation de données multimédia : documents
couleur qui va répondre à l’exemple de l’image
sonores, images, vidéos [13]. Les bases de données
requête et dont l’évaluation est qualitative [7].
35
MADA-ETI, ISSN 2220-0673, Vol.1, 2011 www.madarevues.gov.mg
Figure 03 : Quelques extraits d’images dans la base de données
3. Résultats
Avec :
Etant donné que l’objectif est de sensibiliser au
∝ nombre de réponses pertinentes retrouvées
problème de l'évaluation des résultats de ce
β
système de recherche d'image et de familiariser
δ = nombre de réponses pertinentes dans la base
nombre de réponses retrouvées
avec les traditionnelles mesures de rappel et de
Pour évaluer la précision et le rappel, nous
précision.
considérons que les images retrouvées par le
C'est-à-dire,
dans
un
premier temps,
nous
système sont les 10 premières.
étudierons les variations de performance de ce
Le but est donc de trouver des images pertinentes
système en fonction des différentes images
à une requête, et donc utiles pour l'utilisateur. La
requêtes possibles.
qualité d'un système doit être mesurée en
comparant les réponses du système avec les
3.1 Définitions des mesures de rappel et
réponses idéales que l'utilisateur espère recevoir.
précision
Plus les réponses du système correspond à celles
La comparaison des réponses d'un système pour
que l'utilisateur espère, mieux est le système. Pour
une requête avec les réponses idéales nous permet
s’y faire, on doit connaître d'abord les réponses
d'évaluer les
idéales de l'utilisateur. Ainsi, l'évaluation d'un
deux
métriques
suivantes:
la
précision et le rappel.
système s'est faite souvent avec certains corpus de
La précision mesure la proportion de réponses
test. Dans un corpus de test, il y a:
pertinentes retrouvées parmi tous les réponses
- la liste des images pertinentes pour chaque
retrouvées par le système.
image requête.
Le rappel mesure la proportion de réponses
- un ensemble de base d’images (1100);
pertinentes retrouvées parmi toutes les réponses
- un ensemble de requêtes (pour l’évaluation, on a
pertinentes dans la base.
∝
Précision β
pris 30);
Rappel
Les deux métriques ne sont pas indépendantes. Il
y a une forte relation entre elles: quand l'une
∝
δ
augmente, l'autre diminue. Il ne signifie rien de
parler de la qualité d'un système en utilisant
seulement une des métriques.
36
MADA-ETI, ISSN 2220-0673, Vol.1, 2011 www.madarevues.gov.mg
documents en réponse, mais le rappel souffrira. Il
précision
1
0.9
faut donc utiliser les deux métriques ensemble.
0.8
Dans notre cas, on a obtenu un taux de 31% pour
0.7
le rappel et 45% pour la précision.
0.6
Pour une image requête nommée ‘fruit jpg’ par
0.5
0.4
exemple, les trois premières figures de la figure 1-
0.3
a et celles de la figure 1-b ci-dessous représentent
0.2
0.2
0.25
0.3
0.35
rappel
0.4
0.45
l’histogramme des valeurs singulières de l’image
0.5
requête
Figure 04 : Courbe de rappel/précision
dont
représentent
les
trois
chacune
premières
courbes
respectivement
les
En effet, il est facile d'avoir 100% de rappel: il
informations couleur en rouge, vert et bleu. Les
suffirait de donner toute la base comme la réponse
trois dernières figures de la Figure 1-a et celles de
à chaque requête. Cependant, la précision dans ce
la Figure 1- b, celles de des images candidates.
cas-ci serait très basse. De même, on peut
augmenter la précision en donnant très peu de
1000
1000
1000
1000
1000
1000
800
800
800
800
800
800
600
600
600
600
600
600
400
400
400
400
400
400
200
200
200
200
200
200
20
40
60
20
40
60
20
40
60
20
40
60
20
40
60
1000
1000
1000
1000
1000
1000
800
800
800
800
800
800
600
600
600
600
600
600
400
400
400
400
400
400
200
200
200
200
200
200
20
40
60
20
40
60
20
40
60
20
40
60
20
(a)
40
60
20
40
60
20
40
60
(b)
Figure 05 : Exemple d’une image requête : ‘fruit.jpg’
Pour toutes ces courbes, l’axe des ordonnées
donné que les informations utiles de l’image sont
correspond aux échantillons
toutes presque
d’histogrammes
effectués au cours des calculs des VS et leurs
stockées dans les premières
valeurs singulières.
histogrammes.
En second lieu, on obtient les images recherchées,
Il n’est pas nécessaire pour l’axe des abscisses de
affichées par ordre décroissante.
prendre des valeurs supérieures à 100 car, étant
37
MADA-ETI, ISSN 2220-0673, Vol.1, 2011 www.madarevues.gov.mg
Une fois que le système ait fini de comparer les
critère bas niveau de l’image et que si on place
histogrammes des VS (Valeurs Singulières) de
plusieurs images à peu près similaires à l’image
l’image requête avec tous les histogrammes de la
requête dans la base d’image.
base de données d’images en calculant leur
Nous avons proposé une méthode d’indexation
distance euclidienne.
qui extrait les informations couleurs dans les
En effet, pour deux images similaires, cette
matrices des valeurs singulières. En extrayant les
− è ' des rangs dans la matrice , nous avons
dernière est égale à zéro.
Le système va alors effectuer la recherche et
pu rechercher les images les plus similaires de
retourner les résultats par ordre de similarité
l’image requête dans la base.
décroissante.
Notons pourtant que la SVD reconnait l’image au
sens de la couleur à 75% si on ne se fie qu’au
Image requête
Résultats de la recherche
Im 1 : D = 0 ,00
Im 6 : D = 14,15
Im 2 : D = 12,5
Im 7 : D = 14,28
Im 3 : D = 12,9
Im 8 : D = 15,06
Im 4 : D = 13,4
Im 9 : D = 15,4
Im 5: D = 13,9
Im 10 : D = 15,88
l’image cible et celles trouvées est frappante, ceci
4. Discussions
est due à l’addition des couleurs rouge, vert, bleu.
On remarque bien que certaines images sont loin
Concernant cette méthode d’indexation, l’objectif
de ressembler à l’image requête alors que la
est de garder un maximum d’information des
distance entre les deux images se rapproche, et
que dans certains cas, la nuance de couleur entre
38
MADA-ETI, ISSN 2220-0673, Vol.1, 2011 www.madarevues.gov.mg
données initiales, et voire la possibilité de la
peuvent être complètement différents, pourtant
reconstitution de l’image à son état d’origine.
pouvant être valides, d’après un certain critère.
On a pu constater que la perte d’information est
Une image contient beaucoup d’informations, et
moindre.
peuvent avoir plusieurs interprétations. Tout ceci
fait que pour rechercher une image : il faut limiter
Quant aux résultats affichés, les images candidates
la recherche à un critère. La difficulté majeure
de la base sont ordonnées suivant leur score, Les
rencontrée dans le travail réalisé concerne
images de plus grand score étant considérées
l’interprétation des résultats. En effet, manipulant
comme les plus similaires.
les
images,
et
donc
leur
attribuant
4.1 Avantages de la SVD
automatiquement une signification (au sens de la
-Méthode objective, méthodique et linéaire.
couleur) pouvant être différente pour chaque
-Optimale dans le terme d’énergie.
personne, l’aspect qualitatif des résultats obtenus
-Efficacité
élevé
avec
le
niveau
de
non
demeure subjectif.
homogénéité.
Les V.S sont les plus importantes puisqu’elles
-Ordre de modèle réduit.
sont uniques. Cependant, avec l’expérience sur
4.2 Inconvénients de la SVD
l’échange de V.S de deux images, le résultat est
-Difficile extrapolation.
très intéressant et montre que les
-Taille de données devienne énorme
droite) sont tout aussi importants pour la
et
(gauche et
reconstruction de l’image originale.
5. Conclusions et perspectives
Les désavantages de la SVD c’est qu’il n’est pas
On remarque alors que la performance du système
rapide du point de vue machine, le problème sur
que nous avons utilisé dépend de la nature de la
lequel [13] son application est puissant, la
base de données d’images utilisée.
puissance conditionnelle de son application est
Si les images présentent une forte couleur, elle est
due aux travaux excessifs associés aux calculs.
adéquate. Pour les autres types images elle s’avère
Les résultats pour l’indexation et la recherche
assez inefficace.
d’image donnent une petite erreur de pourcentage
D’un autre côté, on a utilisé la décomposition en
comparée à la reconnaissance utilisant les
valeurs singulières car ils possèdent une propriété
dimensions de l’image originale.
qui permet d’extraire un niveau élevé de l’énergie
Beaucoup d’images sont simples, donc elles ont
seulement besoin de quelques V.S ( = 50 pour
de l’image.
obtenir une approximation, et la partie complexe a
Pour effectuer une recherche dans une base
besoin d’utiliser plus de valeur à maintenir leur
d’images, il faut s’entendre sur ; qu’est ce que
qualité.
deux images similaires : même forme, même
couleur, même sémantique, etc…. Les résultats
39
MADA-ETI, ISSN 2220-0673, Vol.1, 2011 www.madarevues.gov.mg
Nous pouvons conclure que l’image n’a pas
pp. 1-23, 2009.
[5]
besoin d’un même dans sa totalité.
M. K. Mandal, F. Idris, S. Panehanathan,
En générale, l’approche de la SVD est robuste,
« A criticical evaluation of image and video
simple, facile à implémenter. Il travaille aussi bien
indexing
dans des environnements contraignants.
domain », Image & vision computing
Cela fournit une solution pratique à l’image
journal, 1999.
compressée
et
ceux
des
problèmes
[6]
de
[7]
serait assez nombreuses, ne serait ce que combiner
(Proper
et
analyse
de
contenu »,
Berry, J. R. Smith, “Latent Semantic
Image processing, 2007.
passer à la sémantique de l’image. On peut aussi
POD
compressed
Image”, IEEE International Conference on
avec d’autres méthodes autre la couleur, ou encore
la
the
Visiosoft S.A & L.O : Pochon, IRDP, 2000.
L’optimisation de la recherche sur l’indexation
utiliser
in
A. Favre, « Decomposition en valeurs
singulières
reconnaissance.
technics
[8]
Orthogonal
P. Vannoorenberghe, C. Le Compte, P.
Miche, « Histogramme spatiaux couleur
Decomposition), et comparer ces différentes
optimisés pour l’indexation d’images par le
méthodes de quantifications d’informations afin
contenu »,
de relever leurs points forts et évaluer les résultats.
Laboratoire
perception
et
systèmes d’informations, CNRS, 2005.
6. Références
[1]
[9]
recognition using eigenface method », IEEE
M. Swain, D. Ballard, « Color indexing
Conference on computer vision and pattern
image retrieval », International journal of
recognition, pp. 586-591, 1991.
computer vision, Octobre 1991.
[2]
[10] G. Zeng, « Face recognition with singular
M. Vissac, J. L. Dugelay, « Un panorama
value decomposition », CISSE proceeding,
sur l’indexation d’images fixes », Institut
Eurocom,
Department
of
2006.
Multimedia
[11] Razafindradina
Communication Rouen, 2009.
[3]
Y.
Raoui,
M.
Devy,
H.
domaine
des
images
l’Informatique, Vietnam, Juillet 2005.
[13] P. Maheswary, N. Srivastava, « Retrieval of
Current techniques, processing direction
issues»,
Journal
singulières »,
de TIPE, Institut de la Francophonie pour
Rui., Huang., Chang., « Image retrieval:
open
valeurs
basée sur le contenu sémantique », Rapport
systèmes du CNRS, 2008.
and
des
[12] Nguyen H. L. T., « Recherche d’image
couleurs »,
Laboratoire d’analyse et d’architecture des
[4]
Randriamitantsoa
Laboratoire LASM, pp. 5-7, janvier 2010.
points d’intérêts par le détecteur de Harris
dans
H.B.,
P.A., « Tatouage robuste et aveugle dans le
Boyakhof,
« Reconnaissance d’objets : extraction de
Laplace
A. Matthew, Tuck, P. A. Pentland, « Face
Remote Sensing Images Using Colour &
of visual
Texture Attribute », IJCSI, Vol. 4, 2009.
Communication and Image Representation,
40
MADA-ETI, ISSN 2220-0673, Vol.1, 2011 www.madarevues.gov.mg
41