Classification et reconnaissance de formes (10h, coeff 1.5)

Master Mention ISTI, Spécialité PARI, UE Images et Vision (Parcours IV)
1/20
Fiche U.E.
Master PARI Semestre 3
INTITULE DE L’U.E. :
Image et Vision
RESPONSABLE :
Nom, prénom : Ernest Hirsch
Discipline : Vision par ordinateur et traitement des images
Adresse : ENSPS – LSIIT (UMR 7005) E-mail : [e-mail]
Bd. S. Brant
BP10413
67412 ILLKIRCH cedex
PROGRAMME : tronc commun (2 modules) puis 6 modules au choix parmi 10
Matières enseignées
CM
CI
TD
TP
Travail
perso
étudiant
Coeff
matière
CT*
CC*
TC1 : Outils fondamentaux en Vision par ordinateur
20
55
3
x
TC2 : Outils avancés en traitement des images et vision
par ordinateur
20
55
3
x
Modules d’initiation à la recherche
(6 modules au choix parmi 10)
M1- Méthodes connexionnistes et stochastiques
10
28
1,5
x
M2- Morphologie mathématique
10
28
1,5
x
M3- Classification et reconnaissance de formes
10
28
1,5
x
M4- Analyse de séquences d’images
10
28
1,5
x
M5- Traitement d’images médicales
10
28
1,5
x
M6- Traitement d’images astronomiques
10
28
1,5
x
M7- Problèmes inverses
10
28
1,5
x
M8- Physique de l’imagerie médicale
10
28
1,5
x
M9- Télédétection : modèles et images
10
28
1,5
x
M10- Analyse spectrale
10
28
1,5
x
* CT : contrôle terminal, CC contrôle continu
COMPETENCES A ACQUERIR :
Tronc commun à l’option Image et Vision :
Capacité à suivre l’évolution du domaine ;
Savoir de base pour concevoir une application et chiffrer les besoins associés en vision par ordinateur ;
Compréhension des modèles et/ou techniques d’analyses récemment développées en traitement d’images.
Modules d’initiation à la recherche :
M1 : connaître les bases du traitement statistique des images ;
M2 : connaissance des approches d’analyse d’images basées sur des techniques de morphologie mathématique ;
M3 : connaître les principaux algorithmes pour la classification et la reconnaissance des formes ;
M4 : compréhension des technologies de pointe dans le domaine de l’analyse de séquences d’images numériques ;
M5,8 : connaissance des principes physiques permettant d’optimiser les modalités d’acquisition et du traitement en
imagerie médicale ;
M6 : compréhension des outils d’analyse multiéchelles et multirésolutions d’images multispectrales astronomiques ;
M7 : situer et choisir une méthode parmi le spectre des méthodes d’inversion ;
M8 : Donner les bases physiques permettant de comprendre la signification des images médicales et d'optimiser leur
contraste en fonction des différents paramètres visualisés.
M9 : techniques de modélisations associées à l’observation de la Terre et problèmes d’échelle associés ;
M10 : savoir modéliser des signaux stationnaires au second ordre approximés par des processus ARMA et interpréter
les spectres associés.

2
TYPE D’ENSEIGNEMENT :
CM : h présentielles
CI : 100h présentielles
TD : h présentielles
TP : h présentielles
Autre : (spécifier, exposés, visites …) h présentielles
Charge horaire totale pour l’étudiant : ~ 378 h dont 100h en présentiel.
Crédits ECTS : 15
Les enseignements assurés par des intervenants extérieurs à l’ULP :
M1 : W. Pieczynski (Pr INT Evry), A. Joannic-Chardin (MdC, INT Évry)
M4 : P. Bouthemy (DR IRISA)
MUTUALISATION :
UE obligatoire pour le master :
OUI
au choix avec l’UE
Automatique et Robotique
Peut constituer une UE optionnelle
pour d’autres masters :
OUI
Peut constituer une UE libre :
NON

3
UE : IMAGE ET VISION
TC1 : OUTILS FONDAMENTAUX EN VISION PAR
ORDINATEUR
Semestre S3
ECTS : 3
COURS : 20 h
TD
TP
Projet
Total d’heures (HTD)
30 h
HIRSCH Ernest, Pr
Discipline : CNU 61e section (Génie informatique,
traitement de l’image et vision)
Unité de Recherche : LSIIT (UMR 7005)
Tél. : [phone]; fax : [phone]
E-mail : Ernest.Hirsc[email protected]-strasbg.fr
Module au choix : NON
Pré-requis : Traitement du signal bidimensionnel. Modalités d’imagerie et traitement d’images.
Informatique.
OBJECTIFS DE L’ENSEIGNEMENT
- Acquérir le savoir de base pour concevoir une application et chiffrer les besoins associés en vision par
ordinateur.
- Introduire les principes de base de la vision par ordinateur et les outils nécessaires à la construction
d’une description 3D du contenu des images.
- Proposer une méthode d’analyse et de conception pour les applications de la vision par ordinateur.
- La vision par ordinateur étant par définition pluridisciplinaire, mettre en évidence les liens avec les
autres enseignements de l’UE.
----------------------------------------------------------------------------------------------------------------------------------------------
PROGRAMME DÉTAILLÉ
- Introduction : Définition conceptuelle de la vision par ordinateur. Traitement et interprétation d'images
pour la vision : spécifications des contraintes. Segmentation des images : détection, extraction et
quantification des indices images et réduction des données. Association de primitives (description de
l'image). Interprétation des images : analyse des indices 3D, reconnaissance, interprétation et action.
Grille d’analyse.
- De l’image à l’action. Principe et définition, modélisation de la vision par ordinateur, l'image numérique
et son interprétation, modèles de traitement (modèles algorithmiques, modèles architecturaux).
- De l'espace 3D à l'image : Formation des images et transformations (Passage de l'espace 3D aux
coordonnées pixels). Acquisition (modèles géométriques des capteurs, étalonnage).
- De l’image à l’espace 3D : Reconstruction 3D (passage 2D-3D), stéréovision (modélisation du capteur,
géométrie épipolaire et mise en correspondance, contraintes géométriques), reconstruction 3D,
extension à l'approche trinoculaire.
----------------------------------------------------------------------------------------------------------------------------------------------
APPLICATIONS (TD ou TP)
Partiellement dans le cadre du stage du semestre S4. Partiellement dans le cadre des TPEs de
préparation au stage (recherche et analyse bibliographique).
----------------------------------------------------------------------------------------------------------------------------------------------
COMPÉTENCES ACQUISES
- Aptitude à concevoir et à chiffrer les besoins d’une application en fonction d’une grille d’analyse.
- Capacité à suivre l’évolution du domaine.
- Savoir de base pour concevoir une application en vision par ordinateur.
- Capacité d’auto-apprentissage.
----------------------------------------------------------------------------------------------------------------------------------------------
Dispositif d’évaluation des enseignements et modalités d'examen : Contrôle écrit en session d’examen

4
UE : IMAGE ET VISION
TC2 : OUTILS AVANCES EN TRAITEMENT DES
IMAGES ET VISION PAR ORDINATEUR
Semestre S3
ECTS : 3
COURS : 20 h
TD
TP
Projet
Total d’heures (HTD)
30 h
HIRSCH Ernest, Pr
COLLET Christophe, Pr
CNU 61e section
Unité de Recherche : LSIIT (UMR 7005)
Tél. : [phone]; fax : [phone]
E-mail : Ernest.Hirsc[email protected]-strasbg.fr
[e-mail]
Module au choix : NON
Pré-requis : Outils fondamentaux en vision par ordinateur. Modalités d’imagerie et traitement d’images
(modules M1 et M2), Outils fondamentaux en vision par ordinateur et traitement des images, modules MC1
et MC2 de l’UE Automatique, Signal et Télécom (S2).
OBJECTIFS DE L’ENSEIGNEMENT
 Introduire les concepts avancés utilisés en recherche & développement dans le domaine de la
vision par ordinateur ;
 Présenter une description conceptuelle de la vision par ordinateur multi-images et/ou cognitive ;
 Proposer une méthode d’analyse et d’évaluation pour les applications de la vision par ordinateur
exploitant des sources de connaissance variées ;
 Présenter les approches récentes de traitement statistique des images ;
 Donner les éléments nécessaires pour comprendre les schémas de réductions de données ;
 Aborder les techniques de régularisation pour la résolution de problèmes mal posés.
----------------------------------------------------------------------------------------------------------------------------------------------
PROGRAMME DÉTAILLÉ
1. Vision par ordinateur
- Introduction. Vision par ordinateur : modèle conceptuel et implémentation.
- Étapes du processus de traitement d’images. Approche descendante : interprétation d'images et action,
univers du discours et modélisation, analyse du signal image et modèles d'interprétation.
- Modélisation de la connaissance en vision par ordinateur. Bases de connaissance en vision.
- Outils avancés : géométrie projective, approches multi-vues, géométrie différentielle, intelligence
artificielle, systèmes intelligents, etc.
2. Traitement des images par inférence bayésienne
- Théorie de la détection : critères (MV, MAP, etc.), fonction de coût, minimisation du risque moyen
- Théorie de l’estimation : critères (min. de variance, médian, MAP), cas gaussien, algorithme EM dans le
cas de données manquantes
- Inférence bayésienne et traitement d’images : principes, segmentation par Maximum de Vraisemblance,
segmentation au sens du MAP, du MPM, etc. Modèles markoviens : hypothèse markovienne et
champs de Gibbs, voisinage, cliques etc. Modélisation du bruit. Simulation et optimisation d’un champ
de Markov : Echantillonneur de Gibbs / Métropolis, Recuit simulé, ICM. Intérêt et motivations pour les
approches hiérarchiques et multigrilles.
- Illustration en imagerie acoustique sous-marine :
 Algorithme markovien causal en échelle pour la segmentation du fond marin ;
 Algorithme markovien de détection de l’écho d’objets ;
 Algorithme de détection de prototypes déformables par algorithmes génétiques ;
 Algorithme markovien de classification des fonds marins.
----------------------------------------------------------------------------------------------------------------------------------------------
APPLICATIONS (TD ou TP)
Partiellement dans le cadre du stage du semestre S4. Partiellement dans le cadre des TPEs de
préparation au stage (recherche et analyse bibliographique). Projet en binôme à réaliser en dehors des
heures programmées, sous Matlab, pour la partie traitement d’images (contrôle continu).
----------------------------------------------------------------------------------------------------------------------------------------------
COMPÉTENCES ACQUISES
- Capacité à suivre l’évolution du domaine en recherche & développement.
- Capacité à analyser et situer une application en vision par ordinateur par rapport à l’état de l’art.
- Capacité d’auto-apprentissage.
- Capacité à comprendre et éventuellement mettre en oeuvre des approches statistiques en analyse

5
d’image (segmentation, détection, classification, restauration, etc. )
Dispositif d’évaluation des enseignements et modalités d'examen : Contrôle écrit en session d’examen