Indexation des images basees automates cellulaires et agents

Les sources d’images numériques appareils photos, téléphone ou webcams sont présentés dans les foyers et produisent des quantités importantes de nouvelles collections. Le développement des ordinateurs puissants dans le calcul et le stockage des informations a supprimé le besoin du tri et d’élimination. Ces données volumineuses rendent l’humain incapable de les traiter manuellement, si on cherche une photo alors on est obligé de parcourir aléatoirement des dossiers contenant des milliers d’images. Cette tâche est devenue difficile pour l’être humain alors l’outil informatique s’impose pour l’automatiser. L’indexation d’une image consiste à stocker l’information qui la décrit, cette information est appelée index, une fois la collection des images est indexée alors se pose la question de la recherche d’images.

Dans la suite de cette thèse, nous nous focaliserons sur l’indexation basée contenu, regardant le processus d’indexation, classiquement il se base sur ces étapes majeures :

● Le traitement d’image qui se base sur l’extraction des caractéristiques de l’image comme la couleur ou la texture afin d’extraire la signature de l’image.
● Une comparaison de la signature fournie par l’utilisateur avec l’ensemble des signatures de la base afin de trouver une liste d’images jugées pertinentes par rapport à ce que recherche l’utilisateur du système.
● Une étape optionnelle qui consiste à une interaction avec l’utilisateur, par exemple si l’utilisateur n’est pas satisfait de la réponse du système alors il peut raffiner le résultat par une interaction afin d’avoir une réponse pertinente.

Le développement des ordinateurs puissants dans le calcul et le stockage des informations a favorisé fortement la production d’images médicales numériques attachées à diverses modalités comme l’IRM, la mammographie… Dans ce cas plusieurs problèmes se posent alors : la structuration des bases d’images organisation, indexation, la recherche d’une image particulière fouille d’images et la compression, transfert des images entre utilisateurs le codage et la sécurisation.

Le médecin souhaite un enrichissement de son diagnostic en consultant des cas correspondant à des images semblables. Le système de fouille d’images est un outil d’amélioration de la connaissance. L’imagerie médicale est très importante dans le dépistage du cancer du sein, ce type de cancer est la localisation cancéreuse la plus fréquente et la première cause de mortalité par cancer chez la femme dans le monde, l’Algérie se situe parmi les pays du nord Afrique à plus forte incidence pour le cancer du sein et présente environ 50.70% du cancer comparativement avec 9 autres cancers les plus répandus.

Les outils utilisés pour la réalisation d’un système CBIR appliqué aux images médicales

Les Automates Cellulaires 

C’est en s’intéressant à l’évolution de construction graphique produite avec des règles simples que le mathématicien Stanislas Ulam donna naissance aux AC (Automates Cellulaires). Le point de départ est de construire un réseau régulier avec deux états finis (allumé et éteint), pour construire la configuration de départ Ulam commence à allumer aléatoirement quelques cellules. A partir de cette configuration dans le temps (?0), la configuration qui suit (? + 1) va être déterminée en fonction du voisinage de cette cellule générée par les règles locales. Par exemple si on prend une cellule éteint à côté de deux cellules allumées dans ?0 alors cette cellule s’allumera dans ? + 1 sinon elle s’éteint, à partir de ça Ulam constate que a partir des règles très simples on peut construire des structures complexes et que ce mécanisme simple peu conduire à générer des figures très complexe qui peuvent être dans certains cas répliqués. Les premiers automates cellulaires bidimensionnels ont été construits sur des grilles carrées avec des graphes de 4 à 8 voisins. Chaque région est constituée de cellules binaires et chaque cellule correspond à un emplacement possible constituant la grille, le contenu de la cellule prend une valeur 1 lorsqu’elle est occupée et prend 0 lorsqu’elle est vide (libre) [Heudin, 1994]. Ce contenu est libre par exemple de présenter des molécules en cours de réaction, le développement d’une épidémie, une population biologique, des particules élémentaires d’un liquide, d’un gaz ou encore des données de différents types. La structure des automates cellulaires permet d’accéder directement à un emplacement bien défini dans cette espace à deux dimensions, ce point constitue le principal avantage des automates cellulaires. L’évolution des automates cellulaires est basée sur une application de transformation locale entre les cellules. A partir d’un état initial les opérateurs de l’automate sont appliqués séquentiellement dans un processus itératif. Toutes les cellules du réseau changent leurs états avec un traitement simultané et une application du même nombre des règles d’évolution .

Historique

La théorie des automates cellulaires est née en 1948 de la tentative de J. Von Neumann , il a pensé à concevoir une machine pouvant générer des comportements complexes et variés à partir de lois simples de fonctionnement et d’imiter le fonctionnement du cerveau humain en s’inspirant de la biologie. Tout d’abord, Von Neumann a pensé à la machine auto- reproductrice, cette machine est conçue pour puiser des pièces dans un bac de composants simples, il suffit de monter ces composants d’une manière à former une machine identique à elle-même une fois la mise en marche de la machine-fille [Neumann, 1966]. Von .Neumann a abordé le problème par des moyens techniques mais ce projet été irréalisable, avec une collaboration avec son collègue S. Ulam lui suggéra de travailler sur un monde abstrait pour s’affranchir des contraintes posées par les lois de la physique, Von Neumann décide alors d’examiner la question dans un espace mathématique simple qui serait une métaphore du monde réel. Cette espace est représenté par une grille des cellules et chaque cellule a un état choisi dans un ensemble des états finis. Chaque cellule mise à jour son état selon le voisinage perçu, dans le modèle Von Neumann la mise à jour est limité par l’état de la cellule elle-même et à celui des quatre cellules adjacentes (Nord, Sud, Est, Ouest). Ensuite le concept d’automate a été utilisé sous des terminologies différentes, dans des contextes disciplinaires divers (ingénierie, l’analyse d’images, etc.).

La popularisation de ces modèles trouve son origine dans le jeu de la vie introduit par le mathématicien J. Conway en 1970 [Gardner, 1970]. La motivation pour cette automate cellulaire est d’exhiber une règle simple engendrant un comportement complexe. La valeur 0 désigne une cellule morte, la valeur 1 une cellule vivante, le voisinage est le site lui-même et ses 8 voisins. Ce jeu prend sa place sur un réseau bidimensionnel, à chaque pas de temps chaque cellule change son état en fonction du sien et de celui des huit cellules adjacentes.

Caractéristiques d’automates cellulaires

La structure et la dynamique des automates cellulaires révèlent des propriétés fondamentales, quelques propriétés sont présentées ci-dessous.

Auto-organisation
Est un phénomène permettant l’émergence d’une structure, d’un motif, d’un arrangement dans un système dynamique. Elle permet l’organisation d’un système sans qu’une contrainte extérieure ou globale au système impose cette organisation, ainsi l’évolution d’automate cellulaire conduit à des structures complexes.

Auto- reproduction
L’auto- reproduction est à l’origine de la vie…le but de Von Neumann été de réaliser un mécanisme copiant la vie dans le sens où il pourrait se reproduire de lui même. Ainsi, cette propriété particulière permet pour certains automates cellulaires de produire des copies d’euxmêmes. Ce point permet de classer les automates cellulaires en deux grandes catégories :

A. Les automates cellulaires actifs
Les automates cellulaires actifs sont des auto- reproducteurs dans le sens où ils contiennent une sous-configuration qui se comporte en copieur universel dirigeant activement la réplication par l’intermédiaire d’une fonction de transition [Abdellaoui, 2003].

B. Les automates cellulaires passifs
La reproduction des automates cellulaires passifs est provoqué par la règle de transition et non pas par les caractéristiques de la configuration initiale, nous pouvons citer Le Jeu de la Vie comme un type d’automate cellulaire passif.

Table des matières

Introduction
Objectifs et guide de thèse
Chapitre I : Les Automates Cellulaires
1.1. Introduction
1.2. Historique
1.3. Définition
1.4. Propriétés
1.4.1. L’espace cellulaire
1.4.2. Voisinage
1.4.3. Ensemble d’états
1.4.4. Règle locale de transition
1.4.4.1. Règles déterministes
1.4.4.2. Règles probabilistes
1.4.4.3. Les conditions ou limites périodiques
1.4.4.4. Les conditions aux limites réflexives
1.4.4.5. Les conditions aux limites fixes
1.1.4.6. Configuration initiale
1.5. Classification des automates cellulaires
1.5.1. Autres classes d’automates cellulaires
1.5.1.1. Automates cellulaires asynchrones
1.5.1.2. Automates cellulaires à mémoires
1.5.1.3. Automates cellulaires non-stationnaires
1.5.1.4. Automates cellulaires flous
1.5.1.5. Automates cellulaires hiérarchiques
1.5.1.6. Jeu de la vie
1.5.1.7. L’automate de Fredkin
1.5.1.8. L’automate de Brian’s Brain
1.5.1.9. L’automate stochastique
1.5.1.10. L’automate cellulaire continu
1.5.1.11. L’automate cellulaire totalistique
1.5.1.12. Automate cellulaire à une dimension
1.6. Caractéristiques d’automates cellulaires
1.6.1. Auto-organisation
1.6.2. Auto- reproduction
1.6.3. Auto- similarité
1.6.4. Inversibilité
1.6.5. Indécidabilité
1.6.6. Discrétisation
1.6.7. La non linéarité
1.7. Utilisation et applications des automates cellulaires
1.8. Conclusion
Chapitre II : les Système Multi-agents
2.1. Introduction
2.2. Le système multi agent et le paradigme agent
2.2.1.Définition système multi-agents
2.2.2.Les caractéristiques d’un système multi-agents
2.2.3.Ouverture et perturbation du système
2.2.4.Décentralisation
2.2.5.Environnement
2.3. Architecture interne d’un agent
2.3.1.Agent cognitive
2.3.2.Agent réactive
2.3.3.Agent hybride
2.4. Le comportement
2.5. Interaction entre agents
2.5.1. Situation d’inférence
2.5.2.Situation de coopération
2.5.2.1. Collaboration simple
2.5.2.2. Encombrement
2.5.2.3. Collaboration coordonnées
2.5.3. Situations d’antagonisme
2.5.3.1. Compétition individuelle pure
2.5.3.2. Conflit individuelle pour les ressources
2.5.3.3. Compétition collective pure
2.5.3.4. Conflits collectifs pour des ressources
6.2. Communication entre agents
2.6.1. Communication indirecte
2.6.2. Communication directe
2.6.2.1. Par partage d’information
2.6.2.2. Par envoi de messages
6.3. Actes de langage
6.4. L’auto-organisation dans les SMA
6.5. Emergence
6.5.1.L’émergence au sein des SMA
6.5.2.Caractéristiques d’un phénomène émergent
6.5.3. Emergence dans les phénomènes naturels
6.6. Agents d’inspiration éthologique
2.10.1. Algorithme d’optimisation
6.7. Utilisation et application des SMA
6.8. Conclusion
Chapitre III : Indexation et Recherche d’images
3.1. Introduction
3.2. Méthodes d’indexation
3.2.1. Indexation selon le partitionnement de l’espace
3.2.2. Indexation selon le caractère statique et dynamique
3.2.3. Méthode hiérarchique dynamique
3.3. Recherche d’images
3.3.1. Recherche par cible
3.3.2. Recherche par catégorie
3.3.3. Recherche par association
3.4. Architecture du système
3.4.1. Segmentation
3.4.2. Caractéristique visuelles
3.4.2.1. Descripteur globale
3.4.2.2. Descripteur locale
3.4.3. Représentation des données
3.4.3.1. La Signature
3.4.3.2. La similarité
3.4.4. Requête
3.4.4.1. Requête textuelle
3.4.4.2. Requête image
3.4.5. Affichage des résultats
3.4.6. Le bouclage de pertinence
3.4.6.1. Bouclage de pertinence par modèle d’apprentissage
3.4.6.2. Bouclage de pertinence par modèle vectoriel
3.4.6.3. Bouclage de pertinence par modèle probabilistique
3.4.7. Quelque systèmes de recherche existants
3.3. Classification
3.3.1. Méthodes de classification supervisée
3.3.2. Méthodes de classification non supervisées
3.4. Evaluation des résultants
3.5. Conclusion
Conclusion

Lire le rapport complet