Département d'Automatique

Permanent URI for this collection

https://dspace.ummto.dz/handle/ummto/9

Browse

Browsing Département d'Automatique by Subject "Analyse de texture"

Now showing 1 - 3 of 3
  • Thumbnail Image
    Item
    Analyse de la texture à base de la transformée de Hermite
    (Université Mouloud Mammeri, 2016) Bagadi, Abderrahmane
    Le travail abordé dans ce mémoire traite le problème de la segmentation d’images texturées à base de la transformée de Hermite. Cette méthode parmi les méthodes de segmentation temps fréquence telle que les méthodes basées sur les filtres de Gabor, la transformée en ondelettes, la transformée de Huang-Hilbert. La transformée de Hermite est une transformée locale qui permet de décomposer un signal localisé en l’observant par morceaux à travers une fenêtre, dite d’analyse, que l’on positionne successivement en différents endroits du signal. La décomposition se fait par projection du signal observé à travers la fenêtre sur une base de polynômes orthogonaux de Hermite par rapport à la fenêtre en question. Elle possède des propriétés très voisines, mais plus précises que les filtres de Gabor. Ses fonctions d'analyse ont l'avantage d'être similaires aux dérivés des gaussiennes, qui correspondent aux profils des champs réceptives des mammifères et des systèmes visuels. Afin de caractériser chaque pixel par un ensemble d'attributs extraires à partir les images texturées filtrées par la transformée de Hermite. Les performances de cette approche proposée dépendent du nombre maximal de filtres utilisés, de l’étendue spatiale du filtre. de la taille de fenêtre de voisinage
  • Thumbnail Image
    Item
    Classification et segmentation d'images texturées basée sur la théorie des ensembles
    (Université Mouloud Mammeri, 2010) Haliche, Zohra
    L’objectif de notre travail, est d’étudier une approche d’analyse de la texture basée sur la théorie des ensembles. Cette approche consiste à extraire des attributs de texture à partir des matrices Aura de niveaux de gris (GLAM) dont le calcul dépend d’un ensemble appelé élément structurant. Cependant, cette procédure nécessite un temps de calcul assez long. Pour remédier à ce problème, nous avons implémenté deux techniques de programmation. La première est la technique des listes chaînée et la deuxième dite structure hybride qui combine à la fois la notion des listes chaînées et les tables de hachage. Ces deux techniques nous ont permis d’utiliser plusieurs éléments structurants en même temps. Plusieurs stratégies pour combiner plusieurs éléments structurants de la même forme et de tailles variables ont été ainsi proposées afin de segmenter une image texturée.
  • Thumbnail Image
    Item
    Décomposition Modale Empirique : Application à l'analyse de la texture
    (Université Mouloud Mammeri, 2013-12-01) Gada, Saliha
    L’objectif de notre travail, est d’analyser la texture d’une image à partir d’une nouvelle méthode d’analyse temps fréquence qui est la transformée de Hilbert-Huang (H.H.T) La transformée de Hilbert Huang a été introduite pour la première fois en 1998, par N. E. Huang et al. pour analyser des signaux provenant des systèmes non linéaires et non stationnaires. La THH consiste à décomposer, de façon adaptative, le signal en une somme de composantes oscillantes qui possède une seule fréquence à chaque échantillon, pour ensuite calculer la fréquence instantanée (FI) et l’amplitude instantanée (AI) de chacune de composantes en utilisant la transformée de Hilbert. La décomposition du signal en composante dite mono modale s’appelle la décomposition modale empirique (DME). Contrairement à la transformée de Fourier ou en Ondelettes, la base de la décomposition de la DME est propre au signal. Une des motivations du développement de la DME est la recherche d’une estimation de la fréquence instantanée du signal. En effet, l’approche classique de l’estimation de la FI basée sur la TH (transformée de Hilbert) est strictement limitée aux signaux mono composante. La DME a récemment été étendu en 2D (EMD 2D) dans le but de décomposer des images multi composantes en une somme d’images empiriques AM-FM mon composante.