Précédent : Indexation par arbres de décision Remonter : Indexation Suivant : Suivi 3D/2D de modèle dans

 

Recherche d'images par le contenu

Participants : Chahab Nastar, Yannick Marrec

 
Figure 10:   Résultat d'une recherche par analogie mécanique dans une base de 7562 visages. La similarité décroît de gauche à droite et de haut en bas. L'image-requête est encadrée, et seules les 15 images les plus similaires sont représentées. Notez que le système a retrouvé deux images du visage-requête portant des lunettes.

 
Figure 11:   Résultat d'une recherche par analogie géométrique dans une base de 1440 images.

Dans le cadre de la reconnaissance d'objets et la navigation intelligente dans les bases d'images fixes, nous nous intéressons à l'indexation d'images et à la recherche d'images par le contenu. Il s'agit de développer des outils permettant de sélectionner les images les plus pertinentes par leur contenu, comme c'est le cas pour les systèmes de recherche d'information.

Dans le cas assez général d'une recherche par similarité d'images (recherche par l'exemple), l'utilisateur choisit, fournit ou dessine une image-requête, et recherche dans la base des images disponibles ``les images qui ressemblent à l'image-requête''. Le système doit donc indexer les images par des techniques automatiques d'analyse d'images, en s'appuyant sur les attributs d'images tels que la couleur, la texture et la forme des objets.

Par exemple, nous avons récemment proposé de considérer une image à niveau de gris comme une surface d'intensité lumineuse, où l'élévation serait la valeur du pixel. Les variations de la surface dans les deux directions spatiales modifient l'arrangement spatial des objets dans l'image (contours), alors que la variation dans la direction de la cote affecte le profil de l'intensité de l'image (texture). Cette représentation a donc l'intérêt d'unifier les attributs ``contours'' et ``texture''. Ainsi, deux images se ressemblent lorsque leurs surfaces d'intensité lumineuse se ressemblent.

Nous avons proposé deux approches de la ressemblance de la surface d'intensité. La première approche est mécanique, et possède de bonne propriétés d'invariance dans le cas d'une base d'images spécialisée comportant des variations fines [7]. En modélisant la surface d'intensité comme une nappe déformable, la signature d'image est formée par les coefficients spectraux de l'énergie de déformation de la surface vers une surface de référence. Plus la déformation d'une surface en une autre nécessite de l'énergie, plus les deux images correspondantes sont dissemblables. Des considérations fréquentielles et statistiques permettent de donner plus de robustesse à cette méthode. Nous obtenons 97% de réussite sur une base de 7562 visages ; en d'autres termes, dans 97 requêtes sur 100, le visage le plus ressemblant au visage-requête est celui de la même personne (figure 10 ).

Nous travaillons actuellement à l'élaboration d'une approche géométrique de la ressemblance entre surfaces d'intensité, dont les premiers résultats sont montrés sur la figure 11. Cette seconde approche est invariante par translation/rotation et faible changement d'échelle de l'image. Pour en savoir plus : http://www-syntim.inria.fr/ nastar/.

Précédent : Indexation par arbres de décision Remonter : Indexation Suivant : Suivi 3D/2D de modèle dans