Traitement et Modélisation d`images (plusieurs

Stage de Recherche (mars-septembre 2013) : Sujet n° 1
Titre : Traitement adaptatif et logarithmique d’images couleurs.
Lieu d’accueil : Ecole Nationale Supérieure des Mines de Saint-Étienne (ENSM-SE)
LGF, UMR CNRS 5307 - IFRESIS, SFR INSERM 143
Contact : Dr. Johan DEBAYLE ([email protected]) / Mathematical Imaging and Pattern Analysis Group
Financement : ENSM-SE/CIS
Profil du candidat : Elève ingénieur ou étudiant en master recherche avec une spécialisation en traitement d’image, et une
base solide en mathématique et également en physique.
Description du stage :
 Contexte général :
Le modèle LIP (Logarithmic Image Processing) [1] est un cadre mathématique qui fournit un ensemble spécifique
d’opérations algébriques et fonctionnelles pour le traitement non-linéaire d’images à tons de gris. Ce modèle est
compatible avec les lois physiques de formation d’images par transmittance et par réflectance, ainsi qu’avec les lois
visuelles de Weber et Fechner, le contraste psycho-physique et les caractéristiques de saturation de la perception visuelle
humaine [1]. Ce modèle a été récemment étendu aux images couleur via la définition et l’étude du CoLIP (Color
Logarithmic Image Processing) [2] pour le traitement non-linéaire d’images couleur (Figure 1).
(a) Image originale
(b) Sobel classique
(c) Sobel LIP
Figure 1 : Détection de contours d’une image présentant une dérive d’éclairement.
Figure 2 : Voisinages adaptatifs
généraux (image de droite) de deux
points (image de gauche) d’une image
de rétine humaine.
Par ailleurs, notre équipe de recherche a introduit une nouvelle caractérisation d’images à tons de gris (GANIP : General
Adaptive Neighborhood Image Processing) [3] par l’introduction de voisinages adaptatifs généraux définis en chaque
point de l’image étudiée (Figure 2). Les modèles LIP et GANIP ont été couplés pour définir le LANIP [4] (Logarithmic
Adaptive Neighborhood Image Processing) permettant de construire des opérateurs non-linéaires adaptatifs par rapport
aux structures spatiales de l’image et cohérents avec les lois de formation d’image et de la perception visuelle humaine.
Les avantages théoriques de ce modèle LANIP ont été confirmés en pratique dans de nombreux domaines du traitement
d’image : rehaussement, restauration, segmentation … L’objectif de ce stage est d’étendre le modèle LANIP, d’un point
de vue mathématique et physique, aux images couleurs.
 Objectifs :
Le candidat devra proposer une extension du modèle LANIP permettant de traiter de manière adaptative et logarithmique
des images couleurs. Il commencera par définir des opérateurs élémentaires tels que le filtre moyenne, la dilatation ou
l’érosion. En parallèle, une étude sera menée sur la compatibilité du modèle avec les lois de formation d’image et les lois
de la vision « couleur » humaine. De nombreux opérateurs usuels de restauration, rehaussement, … pourront être étendus
au modèle LANIP couleur. Le candidat devra alors comparer, de manière qualitative et quantitative, les transformations
d’images couleurs dites « classiques » et celles mises en place dans ce stage.
Références bibliographiques :
[1] M. Jourlin and J.C. Pinoli. Logarithmic Image Processing. AIEP, 115: 129-196, Elsevier, 2001.
[2] H. Gouinaud, Y. Gavet, J. Debayle, and J.C. Pinoli. Color Correction in the Framework of Color Logarithmic Image
Processing. In Proceedings of the 7th IEEE ISISPA, Dubrovnik, Croatia, pages 129--133, 2011.
[3] J. Debayle and J.C. Pinoli. Theory and Applications of General Adaptive Neighborhood Image Processing, AIEP, 167:
121-183, Elsevier, 2011.
[4] J.C. Pinoli and J. Debayle. Logarithmic Adaptive Neighborhood Image Processing (LANIP): Introduction,
Connections to Human Brightness Perception and Application Issues. EURASIP JASP, 2007: 36105, 22 pages, 2007.
Poursuite en thèse : Oui, avec un financement ENSM-SE possible.
Stage de Recherche (mars-septembre 2013) : Sujet n° 2
Titre : Modélisation et simulation d’agrégats particulaires multi-échelles par géométrie aléatoire
Lieu d’accueil : Ecole Nationale Supérieure des Mines de Saint-Étienne (ENSM-SE)
LGF, UMR CNRS 5307
Contact : Prof. Jean-Charles PINOLI ([email protected]) / Mathematical Imaging and Pattern Analysis Group
Financement : ENSM-SE
Profil du candidat : Elève ingénieur ou étudiant en master recherche avec une spécialisation en traitement d’image et/ou en
mathématiques appliquées, avec une base solide en physique.
Description du stage :
 Contexte général :
La compréhension des mécanismes d'agrégation de particules revêt une grande importance dans de nombreux domaines
d’application. Plus particulièrement, les processus de cristallisation de particules solides [1, 2] en suspension dans un
milieu liquide (exemples en Figures 1 et 2) sont une des préoccupations du LGF (UMR CNRS 5307).
Figure 1 : Cristaux d’oxalate d’ammonium (Imagerie optique)
Figure 2 : Sulfures de Zinc (Imagerie MEB)
La modélisation et la simulation de telles structures d’agrégats permettraient d’appréhender les différentes propriétés
géométriques de ces agrégats. La géométrie aléatoire (ou stochastique) offre de nombreux modèles (à partir d’éléments
géométriques simples) permettant de simuler un ensemble de formes aléatoires (images binaires 2D/3D) [3].
L’objectif de ce stage est donc de modéliser et simuler des agrégats multi-échelles complexes (tels que représentés dans
les figures 1 et 2) à l’aide d’outils de la géométrie aléatoire. Cette étude permettra d’obtenir les caractéristiques
géométriques individuelles des particules à partir de mesures globales sur les images.
 Objectifs :
Le candidat proposera un ou plusieurs modèles à base de géométrie aléatoire permettant de reproduire des agrégats
complexes sous forme d’images binaires ou à niveaux de gris. Ces modèles devront prendre en compte des paramètres
géométriques et morphologiques de la structure étudiée calculées par exemple à l’aide de la géométrie intégrale [4]. La
modélisation proposée devra tenir compte des différentes échelles présentes dans la structure étudiée.
Des simulations numériques permettront d’ajuster les modèles et de confronter les résultats aux données réelles.
Références bibliographiques :
[1] F. Gruy and S. Jacquier. Approximation of the scattering cross section for aggregated spherical particles, Journal of
Quantitative Spectroscopy and Radiative Transfer, 106: 133-144, 2007.
[2] M. Lagarrigue, S. Jacquier, J. Debayle, and F. Pinoli J. C.and Gruy. Approximation for the light scattering cross
section of optically hard aggregates. Journal of Quantitative Spectroscopy and Radiative Transfer, 113(9):704--714,
2012.
[2] M. Lagarrigue. Caractérisation optique et morphologique d’agrégats de sulfures de Zinc. Thèse de doctorat, ENSMSE, 2007-2010.
[3] D. Stoyan, W.S. Hendall and J. Mecke. Stochastic geometry and its applications. Wiley. (1987)
[4] K. Michielsen and H. De Raedt. Integral geometry morphological image analysis. Physical Reports, 347:461-538
(2001).
Poursuite en thèse : Oui, avec un financement LGF/CNRS possible.
Stage de Recherche (mars-septembre 2013) : Sujet n° 3
Titre : Caractérisation géométrique, morphologique et texturale d’images couleurs par méthodes adaptatives.
Application à l’analyse des mélanomes.
Lieu d’accueil : Ecole Nationale Supérieure des Mines de Saint-Étienne (ENSM-SE)
LGF, UMR CNRS 5307 - IFRESIS, SFR INSERM 143
Contact : Dr. Johan DEBAYLE ([email protected]) / Mathematical Imaging and Pattern Analysis Group
Financement : ANR DIAMELA
Partenaires : UMR CNRS LSIS / Marseille, Service de dermatologie de l’Hôpital de la Timone / Marseille
Profil du candidat : Elève ingénieur ou étudiant en master recherche avec une spécialisation en traitement d’image, et une
base solide en mathématique et également en physique.
Description du stage :
 Contexte général :
Le GANIP (General Adaptive Neighborhood Image Processing) [1] est un modèle mathématique pour le traitement et
l’analyse des images à ton de gris. Une image est représentée par un ensemble de voisinages adaptatifs généraux définis
en chaque point de l’image étudiée (Figure 1). Des mesures géométriques, morphologiques et texturales de ces
voisinages peuvent alors être définies [2] permettant une caractérisation d’image à niveaux de gris, sans étape préalable
de segmentation.
L’objectif de ce stage est d’étendre cette approche adaptative de caractérisation aux images couleurs. Les méthodes
mises en place dans ce stage seront appliquées à des images de mélanomes acquises par dermoscopie. Ce stage rentre
dans le cadre plus général du projet ANR DIAMELA sur l’analyse comparative pour le diagnostic du mélanome (cancer
de la peau se développant sur un naevus (grain de beauté) qui se modifie ou survenant sans naevus préexistant).
Figure 1 : Voisinages adaptatifs généraux (image de
droite) de deux points (image de gauche) d’une
image de rétine humaine.
Figure 2 :
mélanomes.
Différents
types
de
 Objectifs :
Le candidat devra proposer une extension du GANIP permettant d’analyser de manière adaptative des images couleurs.
Cette étape nécessite la définition de voisinages adaptatifs couleur. Plusieurs espaces couleurs tels que RGB, CIELAB,
HSV, HSL … seront étudiés. Par la suite, ces voisinages seront quantifiés par des mesures géométriques,
morphométriques et texturales via, par exemple, la géometrie intégrale [3] et les diagrammes de forme [4]. Ces
descripteurs seront appliqués sur une base d’images de naevus (fournie par le partenaire clinique) et alimenteront par la
suite des classifieurs (via le laboratoire partenaire LSIS) qui permettront d’identifier les naevus suspects ou mélanomes.
Références bibliographiques :
[1] J. Debayle and J. C. Pinoli. Advances in Imaging and Electron Physics, volume 167, chapter Theory and Applications
of General Adaptive Neighborhood Image Processing, pages 121--183. Elsevier, 2011.
[2] S. Rivollier, J. Debayle, and J. C. Pinoli. Integral Geometry and General Adaptive Neighborhood for
Multiscale Image Analysis. International Journal of Signal and Image Processing, 1(3):141--150, 2010.
[3] K. Michielsen and H. De Raedt. Integral geometry morphological image analysis. Physical Reports, 347:461-538
(2001).
[4] S. Rivollier, J. Debayle, and J. C. Pinoli. Shape diagrams for 2D compact sets - Part III: convexity discrimination for
analytic and discretized simply connected sets. Australian Journal of Mathematical Analysis and Applications, 7(2-5):1-18, 2010.
Poursuite en thèse : Non.
Stage de Recherche (mars-septembre 2013) : Sujet n° 4
Titre : Modélisation géométrique par diagrammes de Voronoï et leurs généralisations de l’endothélium
cornéen humain
Lieu d’accueil : Ecole Nationale Supérieure des Mines de Saint-Étienne (ENSM-SE)
LGF, UMR CNRS 5307 - IFRESIS, SFR INSERM 143
Contact : Dr. Yann GAVET ([email protected]) / Mathematical Imaging and Pattern Analysis Group
Financement : ENSM-SE
Profil du candidat : Etudiant en master recherche avec une spécialisation en traitement d’image ou en mathématiques
appliquées, avec de bonnes connaissances en informatique.
Description du stage :
 Contexte général :
La cornée est le hublot transparent situé à la face avant de l'œil. Elle contribue à la convergence des rayons lumineux vers la
rétine (capteur de la lumière). Elle peut être greffée après conservation en banque de cornée. Sa transparence est possible
grâce à la présence d'une monocouche cellulaire, l'endothélium, situé à sa face interne. Le nombre de cellules présentes est
donc capital en pratique médicale. Dans le cas de la greffe de cornée, le greffon est prélevé sur un donneur, et sa « bonne
qualité » est fonction de sa densité cellulaire et de la forme de l’assemblage cellulaire.
 Objectifs :
L’objectif principal est de modéliser et simuler l’endothélium cornéen humain (la mosaïque cellulaire), les structures
présentes dans les matériaux (joints de grains), ou toutes les structures présentant un partitionnement du plan. Pour cela, il
faudra exprimer l’endothélium cornéen humain comme un diagramme de Voronoï généralisé avec une carte de distance
aléatoire (et non euclidienne) dont les paramètres seront étudiés, pour se rapprocher le plus fidèlement possible de pavages
« naturels » d’un espace à deux dimensions.
Figure 2: Simulation d’une image de microscopie spéculaire de
l’endothélium cornéen humain.
Figure 1: Simulation de joints
de grains.
Références bibliographiques :
[1] P. Gain, G. Thuret, C. Chiquet et al. Automated analyser of organ cultured corneal endothelial mosaic.
Journal Français d’Ophtalmologie, 25(5) : 462-472, 2002
[2] Y. Gavet, J.C. Pinoli. Visual perception based automatic recognition of cell mosaics in human corneal endothelium
microscopy images. Image Analysis and Stereology, 27: 53-61, 2008.
[3] J.C. Pinoli, Y. Gavet. A geometric dissimilarity criterion between spatial Jordan mosaics in the n-dimensional
Euclidean space. Soumis.
Poursuite en thèse : Oui avec un financement CNRS acquis (projet ANR CorImMo 3D).
Stage de Recherche (mars-septembre 2013) : Sujet n° 5
Titre : Modélisation et caractérisation multi-échelles de surfaces par champs aléatoires et géométrie intégrale
Lieu d’accueil : Ecole Nationale Supérieure des Mines de Saint-Étienne (ENSM-SE)
LGF, UMR CNRS 5307 - IFRESIS, SFR INSERM 143
Contact : Dr. Yann GAVET ([email protected]) / Mathematical Imaging and Pattern Analysis Group
Financement : ENSM-SE
Profil du candidat : Etudiant en master recherche avec une spécialisation en traitement d’image ou en mathématiques
appliquées, avec de bonnes connaissances en informatique.
Description du stage :
 Contexte général :
La modélisation mathématique de surfaces en statique et surtout en dynamique (surfaces en évolution temporelle) et
leurs simulations visent à répondre à des enjeux à la fois scientifiques et industriels. D’un côté les méthodes multiéchelles (ondelettes, scales-spaces) ont depuis une vingtaine d’années pris leur essor et sont utilisées dans de nombreux
domaines applicatifs. D’un autre coté les méthodes probabilistes (champs aléatoires) se sont aussi développées, mais
elles restent nettement plus confidentielles du fait de leur plus grande difficulté mathématique. Ces dernières ont aussi
été associées aux méthodes géométriques [1] par seulement quelques équipes de recherche au niveau international.
L’association de ces approches présentent un fort potentiel pour l’étude des surfaces [2, 3, 4].
 Objectifs :
Ce stage de master consistera à développer un modèle stochastique gaussien et skew T-student multi-échelle
représentant une surface usée (l’application portera sur les prothèses de hanches). De plus, le stagiaire aura à intégrer la
géométrie du modèle proposé via la géométrie intégrale. Enfin, le stagiaire mettra en place les simulations informatiques
des modèles développés, et comparera avec les surfaces réelles observées.
Figure 1 : prothèse double mobilité
Figure 2 : Simulation d’une
microstructure
Figure3 : Comparaison simulation /
données réelles
Références bibliographiques :
[1] Adler, R. J. (1981). The Geometry of Random Fields, New-York: John Wiley.
[2] Ahmad O. & Pinoli J.-C., On the linear combination of the Gaussian and student’s t random field and the integral
geometry of its excursion sets, Statistics and Probability Letters (2012), To Appear.
[3] Ahmad O. & Pinoli J.-C., Lipschitz-Killing Curvatures of the Excursion Sets of Skew Student-t Random Fields,
Stochastic Models (2013), Accepted manuscript.
[4] Suleiman Ahmad O., Gavet Y., Geringer G.,and Pinoli J.-C., Statistical Analyses and Morphological Characterization
of Worn Surfaces Using Skew Student-t Random Field, Submitted to SIAM Journal of Imaging Sciences.
Poursuite en thèse : Non.
Stage de Recherche (mars-septembre 2013) : Sujet n° 6
Titre : Modélisation et simulation de textures sur des images en couleur et multispectrales.
Lieu d’accueil : Ecole Nationale Supérieure des Mines de Saint-Étienne (ENSM-SE)
LGF, UMR CNRS 5307 - IFRESIS, SFR INSERM 143
Contact : Prof. Jean-Charles PINOLI ([email protected]) / Mathematical Imaging and Pattern Analysis Group
Financement : ENSM-SE
Profil du candidat : Etudiant en master recherche avec une spécialisation en traitement d’image ou en mathématiques
appliquées, avec de bonnes connaissances en informatique.
Description du stage :
 Contexte général :
Dans les deux dernières décennies la modélisation, l’analyse, la caractérisation et la classification de textures d’images
en couleur ont fait l’objet de publications scientifiques par différentes approches appliquées seules et beaucoup plus
rarement conjointement : fréquentielles, structurales, morphologiques, probabilistes, statistiques, variationnelles, …
généralement dans l’espace de représentation des couleurs RGB (Red Green Blue) et plus récemment dans les espaces
de représentation de type HSL (Hue Saturation Lightness). L’utilisation conjointe de deux approches est beaucoup plus
rare et la représentation des couleurs dans les espaces de représentation de type HSL (Hue Saturation Lightness) ne date
que de quelques années. D’un point de vue théorique et pratique il apparaît très clairement que ceci s’avère
indispensable. L’extension de ces outils à des images multispectrales est elle aussi d’une grande importance et présente
la encore des enjeux méthodologiques difficiles. Les applications sont diverses puisque les images en couleurs sont
fréquemment utilisées dans de nombreux cas concrets, notamment dans le domaine de la santé (médical, biologie,
cosmétique, …), avec de forts enjeux.
 Objectifs :
Mettre en place un modèle à la fois probabiliste (champs aléatoires de Gibbs) et colorimétrique (espaces perceptuels de
type HSL, Lab, et Luv) permettant de simuler des textures en couleur. Identifier les paramètres du modèle afin de
corréler les textures simulées aux données réelles. Cette identification nécessitera la définition et l’étude de descripteurs
quantitatifs discriminants et de mesures comparatives (distance, dissimilarité, divergence).
Applications : Tester l'adéquation du modèle et des descripteurs et mesures, sur plusieurs applications en imagerie
couleur et multi-spectrale. Les tests seront réalisés sur des cas concrets en collaboration avec nos partenaires industriels
et hospitaliers.
Figure 1 : cellules de méningiome (CHU-SE)
Figure 2 : lymphocyte / données multispectrales (AMNIS)
Références bibliographiques :
[1] H. Permuter, J. Francos. I. Jermyn. A study of Gaussian mixture models of color and texture features for image
classification and segmentation, Pattern Recognition, 39 (4): 695–706, 2006.
[2] Z. Kato, T.C. Pong. A Markov random field image segmentation model for color textured images? Image and Vision
Computing, 24 (10): 1103–1114, 2006.
[3] I.U.H. Qazi, O. Alata, J.C. Burie, A. Moussa, C. Fernandez-Maloigne. Choice of a pertinent color space for color
texture characterization using parametric spectral analysis, Pattern Recognition, 44 (1): 16-31, 2011.
[4] L. Shi, B. Funt. Quaternion color texture segmentation, Computer Vision and Image Understanding, 107 (1–2): 88–
96, 2007.
[5] T. Mäenpää, M. Pietikäinen. Classification with color and texture: jointly or separately?, Pattern Recognition, 37
(8): 1629–1640, 2004.
Poursuite en thèse : Oui, avec un financement demandée à la Région Rhône-Alpes.