- Fouille d'images
-
Exploration de données Articles principaux Exploration de données Fouille de données spatiales Fouille du web Fouille de flots de données Fouille de textes Fouille d'images Fouille audio Articles annexes Logiciels de fouille de données Algorithme de fouille de flots de données Aide Glossaire du data mining Contextes liés Probabilités et statistiques Information géographique Imagerie numérique Informatique Linguistique Internet La fouille d'images (« Image mining ») est le domaine de l'analyse et de l'extraction de connaissances appliquée aux images sous leurs diverses formes. Elle se situe à l'intersection de la vision par ordinateur, de la compréhension visuelle de l'image, de l'exploration de données, de l'intelligence artificielle et de l'algorithmique.
Les techniques utilisées sont :
- l'indexation ;
- la récupération de l'image ;
- la classification ;
- le clustering (regroupement hiérarchique ou partitionnement de données) ;
- les règles d'association[1].
Sommaire
Clustering
La segmentation est une tradition en data mining. Il n'est donc pas étonnant de retrouver des techniques permettant de segmenter des images.
Clustering hiérarchique
Définition
En utilisant[2],[3] les outils mis au point en théorie de l'Espace d'échelle, on peut segmenter hiérarchiquement une image. Si
est un mappage continue d'une image, on sait bâtir une famille de fonctions P(x,σ) = p(x) * g(x,σ) où 
est une gaussienne.
Pour chaque
pour lequel P(x,σ) atteint un maximum local, à un facteur d'échelle donné, on définit le Blob de lumière (« light blob ») de la manière suivante :-
étant une solution du système d'équation différentielle :
y est le centre du Blob de lumière, tous les blobs forment une partition de
. Les maximum locaux satisfont l'équation 
et forment une courbe simple.
L'algorithme de segmentation se déroule ainsi dans l'espace d'échelle[2] :- A l'échelle σ = 0, tous les points sont des centres des blobs de lumières.
- quand σ s’accroît continument, si le centre du blob de lumière suit la courbe des maximas et aucun autre centre de blob de lumière n'est absorbé par celle-ci, la segmentation ne change pas. Si au contraire un autre centre de blob de lumière est absorbé dans celle-ci les deux blobs de lumières fusionnent et une nouvelle segmentation est créée.
- L'algorithme s’arrête quand tous les points sont dans un seul blob de lumière.
Une segmentation par dendrogramme hiérarchique est ainsi créée avec pour hauteurs les facteurs d'échelle.
Critères d'évaluation
- la durée de vie[3] d'une classe : elle est mesurée par la différence entre l'échelle où la classe apparait et celle où elle disparait. Plus précisément :
.
Une classe est de qualité si sa durée de vie est importante.
- l'isolation[2] : traduit le fait que plus les classes sont éloignées, plus la segmentation est de qualité. L'isolation de la classe
se mesure par la formule :
- La densité : exprime que les éléments à l'intérieur d'une classe sont proches, et plus les classes sont compactes plus la segmentation est de qualité. On a :
où pi est le centre de la classe
.Clustering partitionnant
UNIQ701c88ca11621de5-math-00000045-QINU
Applications
Les applications de la fouille d'images concernent la lutte contre la pédophilie, la contrefaçon, la contrebande d'objets d'art[4], mais aussi dans la biométrie (la reconnaissance des visages, l'estimation universelle de l'age[5],[6]), en médecine (associé à l'IRM par exemple) pour le diagnostique ou la recherche[7]...
Acteurs
- LTU Technologies : LTU (Société franco-américaine) est un des leaders mondiaux en matière d'exploration d'images. Son expertise s'applique aussi bien dans le domaine de la lutte contre la délinquance, que l'e-commerce, et le suivi des parutions de pub[8].
Manifestations
Voir aussi
Liens internes
Notes
Références
- Ji Zhang, Wynne Hsu, Mong Li Lee,Image Mining: Issues, Frameworks and Techniques
- Yee Leung, Knowledge Discovery in Spatial Data, Springer, 2010, paragraphe 2.2
- Hongming Yang, A New Clustering Method for Partitioning Price Zone in Power Market Environment
- François Veltz, Image mining : voir plus vite
- Mohamed Y. Eldib, Hoda M. Onsi, Web Image Mining Age Estimation Framework
- Bingbing Ni, Zheng Song, Shuicheng Yan, Web Image Mining Towards Universal Age Estimator
- Ashraf Elsayed, Frans Coenen, Marta García-Fiñana and Vanessa Sluming, Segmentation for Medical Image Mining: A Technical Report
- LTU technologiesSite officiel
- International Workshop on Image Mining Site officiel
- Image Mining Symposium , Site officiel
Catégories :- Ingénierie décisionnelle
- Exploration de données
- Imagerie numérique
Wikimedia Foundation. 2010.
