Théorie des machines à vecteurs de support

Architecture et représentation de la méthode :

La détection des vertèbres dans les images radiographiques est une tâche difficile qui est due à leurs structures complexes, et aussi au manque de contraste entre les structures osseuses et les tissues musculaires. Dans ce chapitre nous allons décrire l‟architecture de la méthode proposée pour résoudre ce problème. Notre processus de détection est divisé en trois principales parties :
La première étape implique une procédure d‟amélioration de la qualité des images par
ajustement d‟intensité, afin de clarifier les régions à extraire. La deuxième étape qui est primordiale dans notre système, représente l‟extraction de caractéristiques des régions des vertèbres. La dernière étape met en œuvre un modèle de classification basée sur une méthode à base des machines à vecteur support –SVM – pour effectuer une bonne classification et renforcer la détection. Les résultats de cette étape sont ensuite raffinés par une méthode d‟estimation RANSAC.

Le prétraitement :

Le but de cette étape est d‟éliminer, le plus possible, les informations non pertinentes dues au bruit résultant de l‟acquisition de l‟image, et par conséquent, facilite l‟extraction des informations utiles à l‟analyse. Un traitement de rehaussement de contraste est appliqué aux images rayon X de notre base. Ce traitement consiste à accentuer les caractéristiques d‟une image afin de rendre son affichage plus convenable à l‟analyse.L‟objectif est d‟augmenter le contraste d‟images afin d‟accroitre la séparabilité des régions.

L’extraction des caractéristiques :

L‟analyse des images se focalise généralement autour des attributs de bas niveaux tels que la texture, la forme, et la couleur. Il y‟a principalement deux approches de caractérisation :

La première est la construction de descripteurs globaux à toute l‟image c.à.d. fournir des observations sur la totalité de l‟image. L‟avantage de ces descripteurs est la simplicité de leur mise en œuvre, ainsi que le nombre réduit d‟observations que l‟on obtient. Cependant leur inconvénient majeur est la perte de l‟information de localisation des éléments de l‟image.

La seconde approche est locale et consiste à calculer des attributs sur des portions restreintes de l‟image. L‟avantage des descripteurs locaux est de conserver une information localisée dans l‟image, évitant ainsi que certains détails ne soit noyés par le reste de l‟image. L‟inconvénient majeur de ces techniques est que la quantité d‟information produite est très grande. Le choix des caractéristiques extraites est souvent guidé par la volonté d‟invariance ou robustesse par rapport aux transformations de l‟image.

Le rapport de stage ou le pfe est un document d’analyse, de synthèse et d’évaluation de votre apprentissage, c’est pour cela chatpfe.com propose le téléchargement des modèles complet de projet de fin d’étude, rapport de stage, mémoire, pfe, thèse, pour connaître la méthodologie à avoir et savoir comment construire les parties d’un projet de fin d’étude.

Table des matières

Introduction
Chapitre I : Etat de l’art
Introduction
Les méthodes empiriques
Les modèles déformables
Les méthodes statistiques
Chapitre II : Méthodologie
Architecture et représentation de la méthode
Le prétraitement
Modification d’histogramme
L’égalisation d’histogramme
L’égalisation d’histogramme adaptative
L’extraction des caractéristiques
La représentation par la transformée d’ondelettes
Introduction à la théorie d’ondelettes
L’analyse en ondelettes
Le choix d’ondelettes
Ondelettes de Harr
Représentation par ondelettes proposée
La représentation par les moments invariants de HU
Les moments géométriques
Théorie des moments
Classification SVM
Notions sur l’apprentissage statistique
Généralités
Formulation d’un problème de classification
Minimisation du risque structurel
Théorie des machines à vecteurs de support
Introduction
Principe des machines à vecteurs de support
Cas des données linéairement séparables
Cas des données non linéairement séparables
Architecture d’un classificateur SVM
La fonction noyau
Sélection de modèle SVM
Estimation de l’erreur de généralisation
Détection par SVM
Coefficient de corrélation
Estimation par RANSAC
L’algorithme RANSAC
Sélection des paramètres
Chapitre III. Résultats Expérimentaux :
Base d’image
Etape de classification
Etape de test et validation
Etape de détection
Raffinement des résultats de détection
Elimination des fausses détections
Recouvrement des vertèbres manquantes
Conclusion
Perspectives et travaux
futur
Bibliographie