Soutenance Thèse de Mohamed Alimoussa, « Descripteur hybride compact multi-espace couleur pour la classification de textures »

Résumé :
La texture comme la couleur sont des éléments saillants de la vision humaine qui nous aident à reconnaître les objets qui nous entourent et à comprendre les scènes que nous observons. L’analyse de textures couleur est, par conséquent, largement utilisée dans de nombreuses applications de vision par ordinateur telles que la synthèse, la segmentation ou la classification d’images. Dans ce contexte, la classification de textures couleur est le processus visant à prédire la classe d’une donnée d’entrée parmi un ensemble de catégories par l’analyse de sa couleur et de sa texture. Afin de représenter les différentes classes de textures, ce processus repose sur le codage de l’information couleur dans des espaces de représentation adéquats et sur l’utilisation de descripteurs discriminants permettant de restituer les relations de connexité entre les pixels voisins par des attributs qui tiennent compte de la répartition spatiale des couleurs dans l’image.
La classification de textures couleur est ainsi un domaine de recherche qui a connu une forte évolution depuis les premières méthodes proposées par Haralick dans les années 1970 jusqu’aux approches récentes basées sur l’intelligence artificielle et les réseaux de neurones. Dans la plupart des approches traditionnelles, ces descripteurs sont utilisés avec un réglage prédéfini de leurs paramètres et calculés à partir d’images codées dans un espace couleur initialement choisi. Le choix préalable d’un espace couleur, d’un descripteur et de son réglage adapté à une application donnée est un problème crucial qui impacte fortement les résultats de la classification mais qui reste difficile. En effet, ce choix dépend de différents facteurs comme l’échelle d’observation, l’orientation ou l’éclairage qui modifient l’apparence des textures observées mais doit aussi tenir compte des variations d’apparence intra et inter classes de ces textures.
Pour aborder cette problématique, cette thèse propose une représentation des textures couleur qui combine plusieurs configurations de différents descripteurs calculés à partir d’images codées dans plusieurs espaces couleur. Étant donné que le nombre d’attributs de texture couleur générés à partir de cette représentation est élevé, une méthode de réduction de dimension par sélection séquentielle d’attributs basée sur un regroupement par similarité est proposée pour fournir un descripteur hybride compact multi-espace couleur.
Dans le cadre des travaux menés, cette approche originale combine plus particulièrement des indices d’Haralick extraits de matrices de cooccurrence chromatiques et des attributs extraits de motifs bi- naires locaux couleur avec différents ajustements des paramètres de ces deux descripteurs ainsi que cinq espaces couleur représentatifs de différentes familles. L’approche proposée est appliquée sur plusieurs bases de données de texture couleur de référence et ensuite comparée à d’autres approches de l’état de l’art telles que des approches par apprentissage profond et des méthodes sans sélection d’attributs. Les résultats expérimentaux détaillés dans cette thèse montrent que la combinaison de différentes configurations améliore toujours le taux de classification par rapport à une config- uration prédéterminée. Ils montrent également l’apport de la sélection d’attributs sur la qualité de la représentation. Ils révèlent enfin que l’approche proposée offre des performances équivalentes aux approches d’apprentissage profond basées sur des réseaux de neurones convolutifs pré-entrainés, voire supérieures, notamment quand l’ensemble de données d’entrée est de taille réduite.