télécharger - LISIC

Titre : Classification semi-supervisée; Application au filtrage de bruit dans les images
couleur de synthèse.
Financement prévu : co-tutelle (ULCO- UL, Université Libanaise)
Cofinancement éventuel :
(Co)-Directeur de thèse :A.Bigand
E-mail : [email protected]
Co-directeur de thèse : O.Bazzi
E-mail : [email protected]
Laboratoire : LISIC (ULCO) EA 4491
Equipe : EIA
Descriptif :
Durant les dix dernières années les méthodes d'apprentissage de données (« machine learning ») ont connu des développements
importants. Ces nouvelles méthodes (classification spectrale, méthodes à base de graphes, machines à noyaux, …) ont permis l'émergence
de nouvelles applications en reconnaissance de forme (« pattern recognition »). Cependant la réussite de ces applications dépend souvent
de la qualité d'une base d'apprentissage (apprentissage supervisé), et dont l'obtention est toujours coûteuse. De nouvelles méthodes
d'apprentissage semi-supervisé (« Semi-supervised learning » ou SSL dans la suite) sont donc apparues, mêlant les avantages de
l'apprentissage supervisé et non-supervisé (clustering). Appliquées aux méthodes précédemment évoquées (classification spectrale, …),
ceci permet le traitement de nouvelles applications (classification de séquences de protéines, segmentation d'images, …) pour lesquelles
les bases d'apprentissage sont réduites.
Initialement définies pour résoudre un problème de coupe de graphes, des travaux ont ensuite rapproché ces techniques de méthodes
d'analyse de données plus classiques (projection linéaires ou non-linéaires) ce qui leur confère une justification théorique plus étendue.
Ces algorithmes de classification sont actuellement principalement destinés à des données précises. Cependant, les données peuvent être
fortement bruitées. En particulier un travail de thèse a été mené (co-tutelle de thèse de H.Hijazi, soutenance prévue en 2013) dans ce sens
et a montré que le « SSL », associé à une projection non-linéaire, autorise une régression de données. Ceci est particulièrement intéressant
pour la restauration d'images bruitées (en niveaux de gris).
Cette intégration de l'apprentissage semi-supervisé dans les nouvelles méthodes de traitement de données peut donc apporter de nouvelles
solutions à des problèmes difficiles à résoudre en traitement des images. En particulier les images de synthèse pour lesquelles il est
difficile de définir la qualité perceptuelle. En effet les images de synthèse sont associées à un bruit qui n'est pas le bruit de capteur bien
connu en traitement d'images (bruit impulsionnel, bruit Gaussien, bruit de speckle) mais à un bruit « perceptuel » associé à la méthode de
génération (stochastique) de l'image.
Quelques approches supervisées ont aussi été développées, de façon à définir une métrique de qualité de ces images (et donc dégager un
modèle de bruit spécifique). Développer un modèle générique associé à ce bruit reste donc un verrou important dans le domaine de la
synthèse d'images.
Ces dernières années de nouvelles méthodes de traitement de données (basées sur la notion de parcimonie, « sparsity ») ont généré des
résultats intéressants dans le domaine de la restauration d'images et ont montré la pertinence de ce concept, dans le bas de bruits
« classiques » de capteurs d'images (bruit Gaussien,...). Concernant le bruit associé aux images de synthèse, nous proposons donc de
développer une nouvelle méthode d'apprentissage semi-supervisée de données bruitées, combinant méthodes spectrales et méthode de
régularisation (associée à la parcimonie des données) dans un contexte semi-supervisé. Cette nouvelle méthode, basée sur les premiers
résultats prometteurs des travaux de H.Hijazi, sera bien sûr comparée à la méthode générique proposée par pour évaluer le bénéfice
apporté en terme de restauration d'images.
Les principaux objectifs de la thèse sont les suivants :
•Mener une étude dans le domaine de la classification semi-supervisée avec une application en traitement des images (images de
synthèse)
•Chercher un nouvel algorithme de classification pour données bruitées
•Une comparaison du point de vue précision et minimisation de temps de calcul (calcul parallèle?) doit être effectuée entre cette
nouvelle technique et d'autres algorithmes équivalents .