Classification Multi Vues D Un Objet Immerg Partir D Images Sonar Et De Son Ombre Port E Sur Le Fond
Download Classification Multi Vues D Un Objet Immerg Partir D Images Sonar Et De Son Ombre Port E Sur Le Fond PDF/ePub or read online books in Mobi eBooks. Click Download or Read Online button to get Classification Multi Vues D Un Objet Immerg Partir D Images Sonar Et De Son Ombre Port E Sur Le Fond book now. This website allows unlimited access to, at the time of writing, more than 1.5 million titles, including hundreds of thousands of titles in various foreign languages.
Classification multi-vues d'un objet immergé à partir d'images sonar et de son ombre portée sur le fond
La classification sur ombre de mines sous-marines peut être effectuée à partir d'images sonar haute résolution. Cependant, la classification mono-vue admet des limites du fait de leur forme géométrique parfois complexe. Une manière de s'affranchir des ambiguïtés consiste à effectuer une classification multi-vues. Dans un premier temps, il convient d'assimiler les spécificités de l'imagerie sonar. D'un côté, les propriétés statistiques des pixels et le principe d'acquisition des images sont des connaissances avantageusement prises en compte lors de l'étape de segmentation. D'un autre côté, les distorsions géométriques qui affectent l'ombre portée du fait des performances du sonar et de la prise de vue doivent être considérées. En matière de reconnaissance de formes, les données sonar segmentées peuvent être diversement résumées suivant qu'on s'attache à définir des grandeurs indépendantes des positions relatives objet-sonar et/ou de la résolution du sonar ou bien, autorisant une reconstruction du contour et la conservation de l'orientation de la forme associée. Ces diverses considérations du problème mono-vue ont préparé l'élaboration de processus plus complexes de classification multi-vues. D'une part, on manipule les attributs issus d'un traitement image par image. Deux cas se présentent : par utilisation des déformations de l'ombre au cours de la trajectoire du sonar ou, au contraire, en s'en affranchissant. Dans le premier cas, on caractérise de manière globale l'ensemble des valeurs successives prises par des attributs sensibles aux déformations de l'ombre. Dans le second cas, sans connaissance précise des conditions d'acquisition, les attributs extraits sont fusionnés et présentés à l'opérateur sous forme de mesures pour l'aide à la décision. Par la logique floue d'autre part, les outils de reconnaissance de formes calculés sur des données binaires ont été étendus au cas de données en niveaux de gris pour la caractérisation d'une nouvelle image multi-vues.
Détection et classification de cibles posées sur le fond marin par réseaux de neurones en imagerie sonar
Le sonar est largement utilise dans le domaine militaire pour localiser les mines sous-marines. L’acquisition d'images permet à des operateurs d'examiner les fonds avant le passage d'un bâtiment par exemple. Toutefois, cette tache est très délicate en raison de la présence d'un important bruit de spécule sur les images sonar. Notre travail consiste à développer un système d'aide à la décision offrant une image simplifiée de la scène et une pré-classification des objets détectes. La difficulté pour modéliser un tel problème nous a conduits à développer des méthodes originales de traitement d'image utilisant les réseaux de neurones. Ces techniques nécessitent la construction d'une base d'apprentissage contenant un grand nombre d'exemples. Pour pallier le manque de données réelles propre a l'application, nous avons tout d'abord développe un algorithme de synthèse d'images simulant la propagation de l'onde acoustique. Par ailleurs, la reconnaissance d'une cible sur une image sonar est possible par l'étude de la forme de son ombre portée qui résulte de l'absence de signal rétrodiffuse derrière l'objet. L’image est alors segmentée en deux classes : ombre et réverbération. Cette segmentation est réalisée par un réseau de neurones de type Kohonen associe a une procédure d'estimation (ECI) de la proportion d'ombre dans l'image. Un apprentissage non supervise réalise a partir des pixels de l'image permet a un petit nombre de neurones de se spécialiser pour détecter les pixels de la classe ombre. Les tests montrent que la méthode est fiable et conduit à des résultats tout a fait comparables à une segmentation markovienne. L’étape suivante consiste à construire, a partir des images segmentées, une base de données pour l'apprentissage du classifier neuronal perceptron multicouche. Chaque ombre est alors caractérisée par un vecteur constitue de descripteurs de Fourier et de paramètres spécifiques qui détectent les régularités du contour. Pour compléter ce travail, nous montrons que malgré les modestes dimensions de la base d'apprentissage, il est possible d'améliorer les taux de reconnaissance, en particulier sur les images inconnues, par l'élimination des poids les moins significatifs. Ainsi, âpres une analyse de la méthode d'élagage optimal borain damage, nous proposons une variante qui réalise une sélection plus rigoureuse des poids à éliminer.
FUSION MULTISOURCE APPLIQUEE A LA RECONNAISSANCE D'OBJETS DANS LE MILIEU SOUS-MARIN
LE TRAVAIL PRESENTE PORTE SUR L'APPORT D'UNE COOPERATION ENTRE PLUSIEURS VUES SONAR D'UNE SCENE SOUS-MARINE POUR L'AMELIORATION DES PERFORMANCES ACTUELLES DE CLASSIFICATION D'OBJETS. CETTE APPROCHE A POUR BUT DE REDUIRE LES IMPRECISIONS, LES INCERTITUDES ET LES AMBIGUITES LIEES A L'ENVIRONNEMENT SOUS-MARIN. LA DEMARCHE GENERALE A CONSISTE A ELABORER UNE STRUCTURE GLOBALE D'ANALYSE IMPLIQUANT UNE HIERARCHIE DE TRAITEMENTS, CHACUN CONTENANT UNE EXPERTISE APPROPRIEE POUR LA RESOLUTION D'UNE PARTIE DU PROBLEME POSE. LE TRAVAIL A DEBUTE PAR UNE ETUDE APPROFONDIE DU SONAR ET DE LA PROPAGATION SOUS-MARINE AFIN DE CERNER LES INFORMATIONS PERTINENTES DANS LES IMAGES ACOUSTIQUES ET LES PERTURBATIONS DUES AU CONTEXTE SOUS-MARIN. CETTE ETAPE A ETE REALISEE PARALLELEMENT AU DEVELOPPEMENT D'UN SIMULATEUR SONAR RENDU NECESSAIRE POUR PALIER AU MANQUE DE DONNEES REELLES DISPONIBLES. APRES AVOIR PRIS CONNAISSANCE DES DONNEES CARACTERISTIQUES DE LA PRESENCE D'OBJETS SUR LE FOND MARIN, LA SEGMENTATION DES IMAGES A PERMIS DE LES EXTRAIRE. CETTE APPROCHE REPOSE SUR UNE ADAPTATION DE TECHNIQUES DE FUZZY CLUSTERING FAISANT INTERVENIR A LA FOIS LE CONTEXTE DE L'IMAGE ET DES NOTIONS DE MORPHOLOGIE MATHEMATIQUE. COMPTE TENU DE LA STRATEGIE MULTI-VUES ADOPTEE, LA DEMARCHE SUIVANTE A CONSISTE A DEVELOPPER UNE PROCEDURE DE RECALAGE DES INFORMATIONS ISSUES DE SOURCES DIFFERENTES MAIS SPECIFIANT LE MEME ELEMENT SUR LE FOND MARIN. LE RECALAGE A ETE ACHEVE A L'AIDE D'UN RAISONNEMENT HYPOTHETIQUE MENE SOUS LA FORME D'UN ARBRE DE DECISION. L'APPARIEMENT DES DONNEES A CONDUIT A L'ANALYSE INDIVIDUELLE DES OMBRES SPECIFIANT LE MEME OBJET SUR LE FOND. CETTE ETAPE S'EST DONC PRESENTEE COMME UN PROBLEME CLASSIQUE DE RECONNAISSANCE DE FORME. UNE APPROCHE FONDEE SUR LES DESCRIPTEURS DE FOURIER A ETE ABORDEE POUR LAQUELLE UNE ADAPTATION DES TECHNIQUES USUELLES A ETE REQUISE AFIN DE PALIER AUX PHENOMENES DE DISTORSION LIES A L'ENVIRONNEMENT SOUS-MARIN. LE DERNIER TRAITEMENT DE LA STRUCTURE GLOBALE A ETE DEDIE A LA COMBINAISON DES CONNAISSANCES EXTRAITES AU FUR ET A MESURE DE LA PROGRESSION DANS LA HIERARCHIE. LA FUSION DE FAITS INCERTAINS A AINSI ETE REALISEE SUIVANT UNE REPRESENTATION POSSIBILISTE DES HYPOTHESES CONCERNANT LA NATURE DE L'OBJET IMAGE. UN PROCESSUS DE REVISION DES CROYANCES A PERMIS DE RENFORCER LA FIABILITE DE LA DECISION FINALE. LES RESULTATS OBTENUS ONT MIS EN EVIDENCE L'AMELIORATION DES TAUX DE CLASSIFICATION EN EXPLOITANT SIMULTANEMENT DIFFERENTES SOUCES PLUTOT QU'EN ANALYSANT CELLES-CI INDEPENDAMMENT.