{"id":72,"date":"2019-02-19T15:58:15","date_gmt":"2019-02-19T14:58:15","guid":{"rendered":"https:\/\/www.mines-stetienne.fr\/spin-fr\/?page_id=72"},"modified":"2022-03-31T15:57:45","modified_gmt":"2022-03-31T13:57:45","slug":"analyse-dimages","status":"publish","type":"page","link":"https:\/\/www.mines-stetienne.fr\/spin-fr\/domaines-de-recherche\/analyse-dimages\/","title":{"rendered":"Analyse d’images"},"content":{"rendered":"

Les images sont utiles pour caract\u00e9riser des mat\u00e9riaux ou des proc\u00e9d\u00e9s, en particulier lorsqu’ils impliquent des milieux dispers\u00e9s tels que des particules, gouttes, bulles ou pores.<\/p>\n\n\n\n\n
<\/a><\/td>\n<\/td>\n <\/a><\/td>\n<\/td>\n <\/a><\/td>\n<\/td>\n <\/a><\/td>\n<\/tr>\n
Agr\u00e9gat de sulfure de zinc<\/a><\/td>\n<\/td>\nEndoth\u00e9lium corn\u00e9e humain<\/a><\/td>\n<\/td>\nCristaux d’oxalate d’ammonium<\/a><\/td>\n<\/td>\nEcoulement diphasique<\/a><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Dans notre groupe, nous d\u00e9veloppons des m\u00e9thodes et outils pour traiter, analyser et mod\u00e9liser des images de milieux divis\u00e9s. Le traitement d’images simplifie l’image originale pour identifier les objets d’int\u00e9r\u00eat, par exemple par filtrage, seuillage, … L’analyse d’images r\u00e9alise des mesures morphologiques sur ces objets (taille, forme, dispersion,…). La mod\u00e9lisation g\u00e9om\u00e9trique vise \u00e0 g\u00e9n\u00e9rer des images de synth\u00e8se (jumeaux num\u00e9riques) qui poss\u00e8dent les m\u00eames propri\u00e9t\u00e9s statistiques que les images originales et, par comparaison et it\u00e9ration, extraire une information robuste sur leur taille et leur forme par exemple.<\/p>\n

Traitement d’images<\/h3>\n\n\n\n\n\n
<\/a><\/td>\n<\/td>\n\n

Logarithmic image processing (LIP)<\/h4>\n

Le traitement d’images logarithmique est un cadre math\u00e9matique introduit dans les ann\u00e9es 80, bas\u00e9 sur les math\u00e9matiques lin\u00e9aires abstraites. Il d\u00e9finit des op\u00e9rations alg\u00e9briques et fonctionnelles applicables aux images en niveau de gris.<\/td>\n<\/tr>\n

<\/td>\n<\/td>\n<\/td>\n<\/tr>\n
<\/a><\/td>\n<\/td>\n\n

Voisinages adaptatifs g\u00e9n\u00e9raux<\/h4>\n

Le traitement des images par voisinages adaptatifs g\u00e9n\u00e9raux est un cadre math\u00e9matique d\u00e9velopp\u00e9 pour les images en niveau de gris. Une image est repr\u00e9sent\u00e9e par un ensemble de voisinages locaux d\u00e9finis pour chaque pixel. Ces voisinages sont alors utilis\u00e9s comme fen\u00eatre op\u00e9rationnelle adaptative pour des transformations locales (filtres morphologiques) et pour des analyses locales (descripteurs locaux).<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Analyse d’images<\/h3>\n\n\n\n
<\/a><\/td>\n<\/td>\n\n

Analyse de forme<\/h4>\n

L’objectif est de donner une description morphologique quantitative des motifs d’int\u00e9r\u00eat. Les diagrammes de forme sont utilis\u00e9s pour repr\u00e9senter une forme par un point dans le carr\u00e9 unit\u00e9, ce qui permet une discrimination de forme. Pour des objets complexes tels que des agr\u00e9gats, des descripteurs sp\u00e9cifiques sont d\u00e9velopp\u00e9s.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Mod\u00e9lisation d’images<\/h3>\n\n\n\n\n\n
<\/a><\/td>\n<\/td>\n\n

Mod\u00e9lisation stochastique des images et formes<\/h4>\n

Pour acract\u00e9riser la g\u00e9om\u00e9trie de structures spatiales complexes, nous utiliser des processus stochastiques qui g\u00e9n\u00e8rent des images repr\u00e9sentatives des images r\u00e9elles. Par exemple, des mod\u00e8les bool\u00e9ens (union d’ensembles g\u00e9om\u00e9triques de base al\u00e9atoires) peuvent \u00eatre utilis\u00e9s pour caract\u00e9riser indirectement des structures complexes.<\/td>\n<\/tr>\n

<\/td>\n<\/td>\n<\/td>\n<\/tr>\n
<\/a><\/td>\n<\/td>\n\n

Mod\u00e9lisation et simulation de mosa\u00efques<\/h4>\n

Les diagrammes de Voronoi sont classiquement utilis\u00e9s pour mod\u00e9liser les motifs en mosa\u00efque comme les grains, les cellules d’une mousse, les pores ou des cellules biologiques. Ils peuvent \u00eatre combin\u00e9s avec l’\u00e9tude des champs al\u00e9atoires pour d\u00e9terminer les germes\/centres et les distances et ainsi g\u00e9n\u00e9rer des partitions spatiales 2D ou 3D.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Membres du groupe<\/h3>\n