Méthodologiques :
Modèles statistiques et fréquentiels pour l’image et la géométrie
– Modèles fréquentiels
- Analyse multi résolution
- Transformation de Fourier, Echantillonnage régulier, FFT, Shannon
- Flitre linéaire, produit de convolution
- Amélioration d'images (filtres passe bas, passe haut et passe bande)
- Décomposition en ondelettes, algorithme FWT, Haar, spline, Daubechies...
–Modèles statistiques
Modèles permettant de traiter des problèmes d'analyse d'images comme la classification et la détection, ou des problèmes de synthèse d'images, comme la synthèse de textures, le résumé visuel ou l'inpainting.
Introduction de différents concepts et de leur application à l'image.
Classification:
- K moyennes, Mean-shift, algorithme EM
- Histogrammes, mixtures de Gaussiennes
- Analyse en composantes principales
Synthèse:
- Champs de Markov
- Méthodes par patch pour la prise en compte de la similarité
- Histogrammes de couleur et Half-toning
Mise en correspondance d'images:
- Descripteurs géométriques et topologiques, moments d’inertie, descripteurs de contours
- Descriptions locales pour la mise en correspondance
- Algorithme RANSAC
Techniques :
TP en C++, Matlab, Eigen...
