Formalisme Multifractal fondé sur les Ondelettes
Transcription
Formalisme Multifractal fondé sur les Ondelettes
Formalisme Multifractal fondé sur les Ondelettes: Quelques Applications A. OUAHABI D. AIT AOUIT E. KURTARAN 1 Motivations • La détermination de singularités et de lois d’échelles. Outils • Analyse multifractale exploitant des techniques multirésolution fondées sur le concept d’ondelettes. Applications • L’autosimilarité des fractales exploitée par le concept d’ondelettes permet d’analyser des signaux et images complexes très variés (sciences de la nature et du vivant, sciences de l’ingénieur et sciences économiques…). 2 Introduction aux ondelettes Transformation en Ondelettes _ Wf (u, s ) = +∞ ∫ −∞ x (t ) 1 * t − u ψ dt s s _/s __/s TF{ø u , s } b) a) _/s0 TF{ø u , s 0 0 s0_t } _ u, s __0/s0 _u0, s0 0 0 u t u0 3 Les singularités et les irrégulières d’un signal sont d’informations pertinentes. structures porteuses • Exemple: Détection et caractérisation des discontinuités • • de l’intensité d’une image = contours d’une scène, ou des transitoires d’un électro-encéphalogramme pathologique. Pour caractériser ces structures singulières, il est nécessaire de quantifier la régularité d’un signal: exposant de Hölder. La décroissance de l’amplitude de la transformée en ondelettes en fonction de l’échelle est liée à la régularité du signal. Mesurer cette décroissance asymptotique revient à faire un «zoom» sur les structures du signal avec une échelle qui tend vers zéro. 4 Maxima de Modules de Transformée en Ondelettes • Détection de singularités par MMTO Les singularités sont détectées en cherchant les abscisses où convergent les modules maximaux d’ondelettes aux fines échelles. 5 Exemples de détection de singularités par MMTO 6 a) b) c) 7 a) b) c) 8 Ondelletes et Compression d’Images Biomédicales • Grace à la compressibilité élevée des images biomédicales, la compression de ces données est indispensable en transmission et en stockage. • La transformation en ondelletes propose une Une image MRI bonne localisation en temps (espace) et en fréquence (échelle). • L’approche « ondelletes » est un outil puissant pour la compression des données. Transformation d’ondelettes à l’échelle 3 9 Ondelletes et Classification • Dans le domaine médical, la classification d’images peut être réalisée selon deux approches : • Classification globale: distinguer les images avec lésions et sans lésion. • Classification locale: identifier une région ou un ensemble de pixels en représentant certains objets ( lésions, vaisseaux sanguins). • Un exemple de classification locale (une segmentation): lesions L’algorithme entoure plusieurs lesions possibles après avoir analysé la transformation en ondelettes des images MRI 10 Exemples de fractales 11 Dimension fractale objet dimension euclidienne objet dimension fractale 1 1<D<2 2 1<D<2 3 2<D<3 12 FRACTALS AND PHYSIOLOGY • Fractal characteristics: – Complex, patterned – Statistical self-similarity – Scale-invariant structure – Generated by simple iterative rules 2H+d – 1/ω spectral decay 13 Système cardio-vasculaire • Coeur Arbre artériel 14 Le cerveau : bio-fractal 15 Modèle fractal des bronches 16 Motivation for using wavelets • Wavelets provide basis functions that are self-similar [Mallat, 1998] • Wavelets approximately decorrelate • • statistically self-similar processes [Flandrin, 1992] Unlike Fourier exponentials, wavelets are jointly localized in space and frequency The basis functions themselves are fractals [Unser, 2002] Wavelets are prime candidates for processing fractal-like signals and images 17 Est-ce que le cortex cervical est une fractale ? • Un analyse géometrique multiéchelle (spatiale) du cortex images T-1 cérebral. • Le cortex possède une selfsimilarité (détails jusqu’à 3mm). • Les dimensions fractales Resultats de la procedure de segmentation La dimension fractale est un bon indicateur pour détecter les Sujets cortical extraits anomalies des formes cérébrales. Coupe axiale et sagittale 18 Nature fractale des données fMRI Brain Dimension fractale : Log-Log plot of spectral density D = 1 + d − H = 2.534 19 Analyse en Ondelettes des fMRI Avantages de la T. O. Wavelet transform Statistical test e ers rm v In sfo n tra – Orthogonal transformation – Decorrelates/whitens fMRI signal – Data compression – Increased signal-to-noise ratio (averaging effect) – Preserves space localization 20 Un exemple de stimulation auditive • fMRI 21 Détection de micro-calcifications Micro-calcifications représentent des signes importantes du cancer du sein. 22 Dense Gras Analyse par la MMTO de 2 mammo- grammes : (a-d) sein à tissu dense et (e-h) sein à tissu gras. L’ondelette analysante est l’ondelette isotrope d’ordre 1 (dérivée d’une gaussienne). (a) et (e) représentent les mammogrammes originaux. (b) et (f) représentent leur agrandissement respectif (zoom dans la partie centrale : 256°¡256 pixels). (c) et (g) montrent les modules de la TO et les chaînes de maxima à l’échelle s=39 pixels. En (d) et (h) sont montrées les chaînes de maxima locaux ainsi que leurs positions. 23 Comportement monofractal (discrimination entre les tissus gras et dense) 2 2 2 0 0 0.30 0.65 1 h Exposant de Hölder h=0.3 et h=0.65 Spectre de singularités de 49 images (512_512) superposées, sur 24 la gamme d’échelles 21≤ s ≤ 11 Détection des microcalcifications par MMTO (a) (b) (c) Détection des microcalcifications d’un amas (df = 2±0.05). (a) mammographie originale. (b) et (c) chaînes de maxima pointant sur les microcalcifications pour les échelles s=14 pixels et s=24 25 pixels. Application en microbiologie • • Détermination du nombre de cellules de levure dans une image numérisée. Le procédé de la détermination du nombre et de la taille des cellules est: 1. Application d’un masque pour l’ajustement de la couleur 2. Détermination de la dimension fractale et de la mesure fractale de l’image masquée comprenant l’interface du fond et l’interface des cellules • Cette expérimentation montre que l’analyse fractale constitue un outil prometteur de comptage et de mesure d’objets dans une image numérique. 26 Bacteriologie • Description par gé géomé ométrie fractale sert de modè modèles de croissance biologique. • La dimension fractale augmente avec la croissance. • Pour des micro-organismes d’ d’une grande variabilité variabilité et sous des conditions diffé différentes de croissance, la dimension fractale peut être utilisé utilisée comme une une caracté caractéristique morphologique importante importante de la croissance mycé mycélienne lienne.. Développement de la structure mycélienne de A. gossypii Dimension fractale en fonction du développement de A. gossypii 27 Analyse multifractale • Etude des signaux • dont la régularité change brutalement d’un point à un autre. Outils: Spectre multifractal en fonction de l’exposant de Hölder h 28 Multifractalité d’un indice boursier Densité spectrale Spectre multifracatal Evolution quotidienne d’un indice boursier (1987-2002) 29 Mutifractalité de l’écoulement sanguin cérébral Vitesse d’écoulement sanguin (artère cérébrale moyenne d’un sujet sain). Spectre multifractal calculé par MMTO. L’ondelette analysante est la dérivée seconde d’une gaussienne. Ce spectre est une moyenne de 10 enregistrements de 30 5 sujets. Structure multifractale d’une réplique sismique Densité spectrale Spectre multifracatal Magnitude d’une réplique sismique (axe vertical) 31 Problématique Modélisation et identification des d’endommagement de matériaux Objectif de l’étude Compréhension des mécanismes d’endommagement des matériaux de mécanismes fatigue et Démarche scientifique Recherche de Paramètres statistiques Multi-échelles Identification des mécanismes d’endommagement Amélioration de la tenue en fatigue du produit fini Corrélation avec les conditions de sollicitation 32 2 directio n of th e crack . propaga 1 tion Example of digitized fracture surface 0.02 0.1 1 0.01 2 0.05 0 0 -0.01 -0.05 -0.02 -0.1 -0.03 -0.15 -0.04 -0.2 -0.05 -0.06 -0.25 0 0.2 0.4 0.6 0.8 1 1.2 1.4 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1D fracture profiles, extracted from the digitized fracture surface 33 La densité spectrale des profils de rupture d’un matériau 24, 24 CR029-20%-8Hz CRO29-40%-5Hz CR029-20%-5Hz -(1-2_) 22, 22 PSD(f)∝f 20, 20 18, 18 log(PSD(f)) 16, 16 14, 14 12, 10, 12 8, 10 6, 8 -2 4, -3, -1 -2, 0 -1, 1 0, 2 1, 2, Fréquence 3 3, 4 4, 5 5, 6 6, 7, spatiale(mm-1) Décroissance en loi de puissance du spectre de Fourier Auto-affinité des profils (avec l’exposant de Hurst _=0.66) 34 Analyse temps-échelle des profils de rupture Analyse temps-fréquence par transformée en ondelette, calculée avec la dérivée seconde d’une gaussienne. 35 Spectres multifractals sur les trois zones, CR029-20%-5Hz 1.1 S 1 P 1 S P2 D(h) S 3 P S 4 P S 5 P 0.9 S 6 P S 7 P S P8 0.8 S 9 P S P10 S 11 P 0.7 S 12 P S 13 P S 14 0.6 P S 15 P S 16 P 0.5 S 17 P S P18 S 19 P 0.4 -0.1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 Hölder exponent h . Multifractal spectrum of different profiles 36 Bibliographie • Ouahabi, A. and D. Ait Aouit, “ondelettes et • • fractales pour l’analyse du signal et de l’image,” in optimisation en traitement du Signal et de l’Image , (IC2), Hermès-Lavoisier, 2007. Ouahabi, A., S. Jaffard, D. Ait Aouit and E. Kurtaran, “Wavelet based Multifractal Analysis in Fractography,” soumis à IEEE SP. T. Blu and M. Unser, “Wavelet,fractals, and Radial Basis Functions,”, IEEE SP, vol. 50, N°3, 2002. 37