Principe de fonctionnement d’un système de recherche d’images

Principe de fonctionnement d’un système de recherche
d’images

De nos jours, les collections électroniques d’images sont nombreuses et diverses. Ceci est dû à la progression des dispositifs de stockage, à l’augmentation de leur capacité ainsi qu’à la baisse des prix des dispositifs d’acquisition tels que les appareils photos, les caméras, les téléphones cellulaires, etc. En outre, le partage des images numériques est de plus en plus facile et rapide. En effet, une personne peut partager ses images personnelles avec ses amis à l’ aide d’une clé USB, d’un disque dur externe, par courrier électronique, via une panoplie de réseaux sociaux tels que Facebook ou Twitter, ou bien avec Microsoft Skydrive. Cette énorme progression technologique a permis d’ augmenter le nombre d’images sur le web, dans les bases de données personnelles et professionnelles.

Prenons l’exemple du nombre d’images partagées sur Facebook. Selon Planetoscope, toutes les secondes plus de 2 263 photos sont mises en ligne sur Facebook, soit 2716000 photos toutes les 20 minutes et plus de 71 milliards photos par an .

Cette disponibilité d’information a permis d’ouvrir un nouveau champ d’investigation qui s’intéresse à organiser cette quantité d’information de façon automatique et à localiser les images désirées en un temps raisonnable. D’où l’ apparition des moteurs de recherche d’images, appelés également systèmes de recherche d’images. Plusieurs chercheurs, dont des chercheurs de notre équipe, se sont intéressés à cette question au cours des dernières années, ce qui a donné naissance à un certain nombre de moteurs. Finalement, notons que divers domaines s’intéressent à la recherche d’images, dont la médecine, l’ architecture, la géographie et les sciences du territoire, la sécurité, l’édition, la numérisation des livres anciens, la mode, etc.

Principe de fonctionnement d ‘un système de recherche d ‘images

Le moteur donne la main à l’utilisateur pour qu’il entre sa requête. Ce dernier formule sa requête soit en saisissant un texte contenant un ensemble de mots clés qui décrivent ce qu’il cherche, soit en choisissant une ou plusieurs image(s) exemple parmi un échantillon d’images exposées. Ensuite, le moteur effectue sa recherche. Il compare cette requête avec les images de la base de données, puis retourne à l’utilisateur les images qui correspondent le plus à sa requête.  Pour pouvoir effectuer la recherche, le moteur procède comme suit:
./ Extraction de caractéristiques .
./ Calcul de la similarité (ex. distance) entre la requête et les images de la BD .
./ Tri des images selon la similarité .
./ Affichage des images résultantes

Moteurs basés sur le texte

Le moteur de recherche donne la main à l’utilisateur pour saisir une description textuelle de ce qu’il cherche. L’utilisateur peut alors saisir une liste de mots clés connectés avec des connecteurs logiques, ou bien il peut exprimer ses besoins d’une façon naturelle avec une phrase simple. La pratique actuelle d’indexation des images repose en grande partie sur les descripteurs de textes ou codes de classification. En dépit de sa familiarité, la requête textuelle a des limites, dont on peut citer:
./ La dépendance du texte vis-à-vis de la langue .
./ L’impossibilité de l’utiliser quand il n’y a pas de texte qui accompagne les images .
./ La subjectivité d’annotation des images. Exemple: L’image de la figure 2 peut être annotée avec des mots-clés différents par des utilisateurs différents, dépendarnment de l’intérêt de chacun. Ainsi, elle peut être annotée avec: Manhattan, New York, Skyline, Gratte-ciel, Mer, Navire, Ciel, Pont, Arbres, Urbanisme .
./ La subjectivité de texte figurant parfois sur l’image.

Moteurs basés sur le contenu des images 

Cette méthode est apparue pour résoudre les limitations de la recherche par le texte précédemment annoncées. Elle consiste à permettre à l’ utilisateur de formuler sa requête en utilisant des images et à trouver des images de la base de données qui leurs ressemblent. Il s’ agit d’une recherche d’images par le contenu ou CBIR (Content-Based Image RetrievaT). Dans le cadre de notre recherche, nous nous sommes intéressés à la recherche par le contenu, et plus particulièrement à la «Recherche par image exemple ».

Choix de Zoom 

Afin d’analyser la précision des résultats rapportés par les moteurs de recherche existants, il a fallu faire plusieurs expériences sur les moteurs de recherche d’images développés par notre équipe et ceux développés par d’autres chercheurs. Nous avons constaté que la précision de leurs résultats reste très discutable, dans le sens où :
• ils peuvent donner de très bons résultats avec une requête donnée comme ils peuvent présenter des résultats médiocres avec une autre requête,
• ils peuvent réussir à bien organiser une collection d’images donnée mais échouer complètement avec une autre collection,
• etc.
Suite à une analyse approfondie, nous avons découvert que cette irrégularité est essentiel.lement due au choix des caractéristiques, des mesures de similarité, du choix de la recherche locale versus la recherche globale (ou choix du zoom), etc. Pour permettre au lecteur de bien comprendre la problématique, nous allons commencer par expliquer les notions de caractéristiques, de mesures de similarité, et de zoom de recherche; ensuite, nous parlerons de l’effet de la sélection de ces ingrédients sur la précision de la recherche.

Notion de caractéristique (ou descripteur) 

Une étape de prime importance dans la représentation du contenu des Images est l’extraction des caractéristiques visuelles de ces dernières. Ces caractéristiques peuvent être classifiées en celles qui décrivent:
• La couleur: incluant les histogrammes, les moments, etc.
• La texture: incluant la matrice de cooccurrence, le filtre de Gabor, l’autocovariance, etc.
• La forme: incluant les moments invariants, les descripteurs de Fourier, les points de contour, etc.
Les caractéristiques doivent être extraites ojJline, puis enregistrées dans un fichier créé à cet effet. Cette étape permettra d’accélérer énormément la recherche. Évidemment, la recherche reviendra tout simplement à comparer le vecteur descripteur de la requête et celle de chaque image de la BD.

Notion de mesure de similarité 

La mesure de similarité est le critère sur lequel se base la comparaison entre le vecteur descripteur de la requête et le vecteur correspondant à chaque image de la BD. On peut citer la distance Euclidienne, la distance LI , ou encore la distance de Mahalanobis.

 Le choix des mesures de similarité
Le choix des mesures de similarité est semblable au choix des caractéristiques. En effet, certaines mesures de similarité fonctionnent dans certaines situations, alors que d’autres mesures fonctionnent mieux dans d’autres situations. Il s’agit donc de détecter et utiliser les mesures qui conviennent à chaque situation.

Le choix du zoom
Notre travail dans ce mémoire se focalise justement sur le choix du zoom, donc nous allons expliquer cet élément en détail. Mentionnons d’abord que le zoom peut être choisi explicitement par l’ utilisateur, comme il peut être choisi implicitement par le moteur. Dans ce qui suit, nous allons expliquer chacun de ces deux scénarios.

Nous avons vu que la disponibilité d’information, due à l’augmentation considérable du nombre d’images que ce soit sur le Web ou dans les collections personnelles, a donné naissance aux moteurs de recherche d’images. Ensuite, nous avons constaté que la précision . des moteurs existants est très variable. Dans notre investigation, nous mène à conclure, entre autres, que dans certaines situations, la recherche globale donne les meilleurs résultats, alors que dans d’ autres situations, c’ est la recherche locale qui est la plus appropriée.

Conclusion 

Nous avons vu que l’augmentation considérable du nombre d’images, que ce soit sur le Web ou dans les collections personnelles, a motivé l’émergence des moteurs de recherche d’images. Ensuite, nous avons constaté que la précision des moteurs existants est très variable. L’investigation que nous avons menée nous a dévoilé que cette précision dépend énormément de la situation dans laquelle le moteur se trouve. Nous nous sommes focalisés sur la question du zoom, et nous avons découvert que dans certaines situations la recherche globale donne de meilleurs résultats, alors que dans d’autres situations, c’est la recherche locale qui est la plus appropriée.

Table des matières

Chapitre 1 – Introduction 
1.1 Mise en contexte
1.2 Recherche d’images
1.2. 1 Principe de fonctionnement d’un système de recherche
d’images
1.2.2 Types de moteurs de recherche d’images
1.3 État de l’art
1.3.1 Exemple des travaux en recherche globale
1.3.2 Exemple des travaux en recherche Locale
1.4 Choix de Zoom
1.4.1 Introduction
1.4.2 Quelques notions
1.4.3 Détails de la problématique
1.4.4 Solution proposée
1.5 Conclusion
Chapitre 2 – Article 
Chapitre 3 – Conclusion

Télécharger le rapport complet