DESCRIPTIFS DES COURS DU M2 MVA MATH 'EMATIQUES VISION ...
37
pages
Français
Documents
Le téléchargement nécessite un accès à la bibliothèque YouScribe Tout savoir sur nos offres
37
pages
Français
Documents
Le téléchargement nécessite un accès à la bibliothèque YouScribe Tout savoir sur nos offres
DESCRIPTIFS DES COURS DU M2 MVA
´MATHEMATIQUES VISION APPRENTISSAGE
2009-2010
`TABLE DES MATIERES
Cours Maths/Vision, Trim1 3
Methodes´ d’optimisation et application en traitement d’images, JEAN-FRANC¸ OIS AUJOL ET MILA
NIKOLOVA 3
Introduction a` l’imagerie numerique´ , YANN GOUSSEAU ET JULIE DELON 4
Imagerie sous pixellique, LIONEL MOISAN 5
Les filtres iter´ es´ d’image et leur lien avec les equations´ aux deriv´ ees´ partielles, JEAN-MICHEL MOREL 7
´Representations´ parcimonieuses, estimation et compression par ondelettes, STEPHANE MALLAT 8
Vision et reconstruction 3D, RENAUD KERIVEN 9
Reconstruction d’objets et vision artificielle, JEAN PONCE 10
Cours Maths/Apprentissage/Signaux Biologiques, Trim 1 11
´ `Methodes MCMC et Applications, STEPHANIE ALLASSONIERE, ERIC MOULINES, GERSENDE FORT 11
Introduction a` l’apprentissage statistique, JEAN-YVES AUDIBERT 12
Modeles` graphiques probabilistes (reseaux´ bayesiens), FRANCIS BACH 13
´Apprentissage par Renforcement, REMI MUNOS 14
Modeles mathematiques pour les neurosciences, OLIVIER FAUGERAS 15` ´
´Acquisition et traitement numerique´ des images biomedicales´ (I), NICOLAS AYACHE ET GREGOIRE
MALANDAIN 16
Dynamique, controleˆ et robotique, KARINE BEAUCHARD, PIERRE ROUCHON 17
Cours Maths/Vision/Audio, Trim 2 18
`Methodes´ stochastiques pour l’analyse d’images, AGNES DESOLNEUX ET JULIE DELON 18
Compressed sensing, YVES MEYER 19
Modeles` deformables´ en analyse d’images et de surfaces, LAURENT COHEN ET GABRIEL PEYRE´ 20
Methodes´ ...
Voir
´MATHEMATIQUES VISION APPRENTISSAGE
2009-2010
`TABLE DES MATIERES
Cours Maths/Vision, Trim1 3
Methodes´ d’optimisation et application en traitement d’images, JEAN-FRANC¸ OIS AUJOL ET MILA
NIKOLOVA 3
Introduction a` l’imagerie numerique´ , YANN GOUSSEAU ET JULIE DELON 4
Imagerie sous pixellique, LIONEL MOISAN 5
Les filtres iter´ es´ d’image et leur lien avec les equations´ aux deriv´ ees´ partielles, JEAN-MICHEL MOREL 7
´Representations´ parcimonieuses, estimation et compression par ondelettes, STEPHANE MALLAT 8
Vision et reconstruction 3D, RENAUD KERIVEN 9
Reconstruction d’objets et vision artificielle, JEAN PONCE 10
Cours Maths/Apprentissage/Signaux Biologiques, Trim 1 11
´ `Methodes MCMC et Applications, STEPHANIE ALLASSONIERE, ERIC MOULINES, GERSENDE FORT 11
Introduction a` l’apprentissage statistique, JEAN-YVES AUDIBERT 12
Modeles` graphiques probabilistes (reseaux´ bayesiens), FRANCIS BACH 13
´Apprentissage par Renforcement, REMI MUNOS 14
Modeles mathematiques pour les neurosciences, OLIVIER FAUGERAS 15` ´
´Acquisition et traitement numerique´ des images biomedicales´ (I), NICOLAS AYACHE ET GREGOIRE
MALANDAIN 16
Dynamique, controleˆ et robotique, KARINE BEAUCHARD, PIERRE ROUCHON 17
Cours Maths/Vision/Audio, Trim 2 18
`Methodes´ stochastiques pour l’analyse d’images, AGNES DESOLNEUX ET JULIE DELON 18
Compressed sensing, YVES MEYER 19
Modeles` deformables´ en analyse d’images et de surfaces, LAURENT COHEN ET GABRIEL PEYRE´ 20
Methodes´ ...
DESCRIPTIFS DES COURS DU M2 MVA ´ MATHEMATIQUES VISION APPRENTISSAGE 2009-2010
TABLE DES MATI`ERES Cours Maths/Vision, Trim13 M´ethodesd’optimisationetapplicationentraitementd’images, JEAN-FRANC¸OISAUJOL ETMILA NIKOLOVA3 Introduction`al’imagerienume´rique, YANNGOUSSEAU ETJULIEDELON4 Imagerie sous pixellique, LIONELMOISAN5 Lesfiltresite´r´esd’imageetleurlienaveclese´quationsauxd´eriv´eespartielles, JEAN-MICHELMOREL7 Repre´sentations parcimonieuses, estimation et compression par ondelettes, STE´PHANEMALLAT8 Vision et reconstruction 3D, RENAUDKERIVEN9 Reconstruction d’objets et vision artificielle, JEANPONCE10 Cours Maths/Apprentissage/Signaux Biologiques, Trim 111 Methodes MCMC et Applications, ST´EPHANIEALLASSONI`ERE, ERICMOULINES, GERSENDEFORT11 Introduction a` l’apprentissage statistique, JEAN-YVESAUDIBERT12 Mode`les graphiques probabilistes (re´seaux bayesiens), FRANCISBACH13 Apprentissage par Renforcement, RE´MIMUNOS14 Mode`lesmath´ematiquespourlesneurosciences, OLIVIERFAUGERAS15 Acquisitionettraitementnum´eriquedesimagesbiome´dicales(I), NICOLASAYACHE ETGR´EGOIRE MAALDNAIN16 Dynamique,contrˆoleetrobotique, KARINEBEAUCHARD, PIERREROUCHON17 Cours Maths/Vision/Audio, Trim 218 Me´thodes stochastiques pour l’analyse d’images, AGN`ESDESOLNEUX ETJULIEDELON18 Compressed sensing, YVESMEYER19 Mod`elesdeformablesenanalysed’imagesetdesurfaces, LAURENTCOHEN ETGABRIELPEYR´E20 ´ M´ethodesvariationnellesetstatistiquesenanalysevid´eo, FRAN¸COISEDIBOS ETGEORGESKOEPFLER22 Advanced Mathematical Methods in Computer Vision, NIKOSPARAGIOS23 Traitement du signal sonore, analyse temps-fre´quence, EMMANUELBACRY24 Analyse des signaux audio-fre´quences, GA¨ELRICHARD/ YVESGRENIER25 Imagerie satellitaire, JEAN-MARIENICOLAS, ANDRESALMANSA, MARINECAMPEDEL, MICHEL ROUX, FLORENCETUPIN26 Cours Maths/Apprentissage/Signaux Biologiques, Trim 227 Apprentissage statistique ´NICOLASVAYATIS27 avance, Prediction, learning, and games, GABORLUGOSI28 Me´thodes a` noyau pour l’apprentissage, JEAN-PHILIPPEVERT29 Analysededonn´eesettechniquesneuronales, MARIECOTTREL30 Mode´lisation en neurosciences - et ailleurs, JEAN-PIERRENADAL31 Statistical Learning in Computational Biology, DONALDGEMAN33 Traitementdel’informationenbiotechnologie:Analysestatistiquedesdonn´eesdemicro-array, BERNARD CHALMOND34 G´eome´trieetespacedeformes, JOANGLAUNES, ALAINTROUVE´ETLAURENTYOUNES35 Analyseetsimulationdesimagesbiom´edicales(II), NICHOLASAYACHE, HERVE´DELINGETTE ET XAVIERPENNEC36 Date: 3 janvier 2010.
1
2
´ DESCRIPTIFS DES COURS DU M2 MVA MATHEMATIQUES VISION APPRENTISSAGE 2009-2010
Imageriefonctionellec´ere´brale ETBERTRANDTHIRION
et
interface
cerveau
machine,
T ´EO H
POPOULPADOA,
MAUREEN
CLERC
37
Cours Maths/Vision, Trim1 M´ethodesd’optimisationetapplicationentraitementd’images, JEAN-FRANC¸OISAUJOL ETMILANIKOLOVA ME´THODES D’OPTIMISATION ET APPLICATION EN TRAITEMENT D’ESIMAG JEAN-FRANC¸OISAUJOL ETMILANIKOLOVA OBJECTIF DU COURSamoresadgoalthridtseffo’urirnapn’objectifducoursL:clesquri´eumsnmetnemeuqissa utilis´esdanslesproble`mesdetraitementd’images. DESCRIPTIF DU COURSenceparltudecommtaoidnfemanimisi:e´’Lassnceuonnoitcnoidsellenntre´effavesblia contraintes.Oncontinueensuiteenpre´sentantlesm´ethodesnum´eriquespourtraiterlaminimisationdefonction-nellesnondiff´erentiables. L’ensembleducoursseraillustre´pardesTravauxPratiquespermettanta`l’e´tudiantdeseconfronter`aunevaste gammedeproble´matiquesdutraitementd’image(restaurationd’images,zoom,d´equantification,d´ecomposition d’images,inpainting...).Cestravauxpratiquesserontre´alis´esavecMatlab. MODE DE VALIDATION: Examen e´crit + comptes rendus de TP R ´ ´RENCES: EFE ´ PREREQUIS: LIEN WEB:
Introduction`al’imagerienume´rique, YANNGOUSSEAU ETJULIEDELON INTRODUCTION A`L’IMAGERIE NUM E´UEIQR YANNGOUSSEAU ETJULIEDELON OBJECTIF DU COURS: Cet enseignement constitue une premie`re approche de l’image nume´rique et a pour but desensibiliserles´etudiantsauxprincipauxingr´edientsdelastructuredesimages(g´eome´trie,texture,couleur, artefactsd’acquisition),ainsiquedeleurdonneruneconnaissancedesoutilslesplusclassiquesdel’am´elioration ou de l’analyse des images. Un deuxie`me objectif du cours est de confronter dans une approche the´matique divers outilsmath´ematiquesapprofondisparailleursdanslemaster(Ondelettes,EDP,approchesvariationnelles).Ce coursseraaussisouventquepossibleillustr´epardesexemplesd’applicationissusdesdomainesdel’imagerie ae´rienne,delaphotographienum´eriquegrandpublicoudel’archivagedupatrimoineculturel. DESCRIPTIF DU COURSill´´etaland:Pucedrsou: (1)Acquisitiondesimagesnum´eriques(Y.Gousseau,3h) ´ Echantillonnagebidimensionnel,filtragelinaire,bruit,introductionaud´ebruitageet`alade´convolution. (2) Radiome´trie (J. Delon, 4h30) Quantification, contraste, modifications de contraste, introduction aux techniques de transport optimal, espaces couleur, de´mosaiquage. (3) Geome´trie ´ –Contoursetr´egionsdanslesimages(J.Delon,4h30) D´etectionetrˆoledescontours(filtragedeCannyetvariantes,contoursactifs,lignesdeniveau),seg-mentationparzone(´ethodesparhistogramme,partageetr´eunion,croissancedere´gions,Mumford-s m Shah, Minimum Description Length) – Extraction et representation de formes (Y. Gousseau, 3h) ´ Extractiondeformesparam´etriques(moindrescarre´s,Hough,RANSAC),codagedescourbesde Jordan et roˆ le de la courbure, mise en correspondance de formes. (4) Textures (Y. Gousseau, 3h) Outils d’analyse (filtres de Gabor et ondelettes, matrices de coocurrences, champsdeMarkov,morphologiemathe´matique),me´thodesdesynthe`seadhoc(mod`elesder´eflexion,shot noise,fractals),me´thodesdesynth`esege´n´eriques(ondelettes,m´ethodesparr´ee´chantillonnageoucopier-coller, de´soccultation et inpainting) (5) Statistiques des images naturelles et mode´lisation (Y. Gousseau, 3h) : Non-gaussianite´, lois d’e´chelle, mode`les stochastiques pour les images naturelles, de´compositions d’images, espaces fonctionnels pour les images. MODE DE VALIDATION: Projet (rapport et soutenance) R ´ ´ EFERENCES: P ´Sibil´tserep,orabedeFouri:Analysirtaesl´´eenem REREQUI LIEN WEB: http ://www.tsi.enst.fr/∼gousseau/MVA
Imagerie sous pixellique, LIONELMOISAN IMAGERIE SOUS PIXELLIQUE LIONELMOISAN OBJECTIF DU COURSdeseesimentlcommagestameeuqinamslupiempd`eodsmleh´atA:olsruqbeaecuuo fonctionsde2variablesr´eelles,lare´alite´informatiquesous-jacenteestplusterre-a`-terre,puisquelesimages num´eriquesnesontin finemae´nalsledspexiinatnorded’umoirxdauleabstdeueqr.euprLal´obatemeuqiud passage du continu au discret (mise en oeuvre nume´rique des principes mathe´matiques) et celle du passage du discret au continu (extraction d’informations sous-pixelliques d’une image digitale) sont donc d’une grande im-portance dans le traitement mathe´matique des images. L’objectif de ce cours est d’aborder ces questions en allant desre´sultatsclassiques(th´eoriedel’´echantillonnagedeShannon,consistancedesche´masauxdiffe´rencesfinies, ...) jusqu’aux notions les plus re´centes, en soulignant au passage certains proble`mes encore ouverts actuellement. Lecoursseracomple´te´dese´ancesdetravauxpratiques,toutaussiessentiellesquelecourspourmaıˆtriserles nombreusesquestionspos´eesparlamiseenrelationdudiscretaucontinu. DESCRIPTIF DU COURS du cours :: Plan 1. Formation des images nume´riques Principedelacame´rast´enope´.Casdesce`nesplanes.Homographies.Approximationaffine.Probl´ematiquede lacalibration.Parame`tresintrinse`ques.Distortionsge´ome´triques.Distortionsoptiques:diffraction,d´efocalisation, astygmatisme,coma.Capteurset´echantillonnage.Th´eoriedeShannon.Interpre´tationdel’aliasing.Post-aliasing. Cas des capteurs couleur. Proble´matique du demosaıquage. ´ ¨ 2.Interpolationettransformationsg´eom´etriquessansperte Interpolation de Shannon. Sinus cardinal discret, FFT. Proble´matique de la pe´riodisation. Syme´trisation et DCT. De´composition ”periodic + smooth”. Interpolations directes et indirectes (splines). Unicite´ des translations sous-pixelliques. Rotations exactes. Zoom : zero-padding contre extrapolation de spectre. ´ 3.Echantillonnageettransformationsg´eom´etriquesavecperte ´ Echantillonnage : le compromis aliasing-ringing-flou-bruit. Filtrage gaussien, prolates. Approximation. Filtres zero-aliasing. Compromis flou-ringing. Classification des filtres par SR-curves. Utilisation des SR-filters. Filtres zero-ringing. Application aux transformations d’image avec perte : re´duction, affinite´s, homographies. Cas des transformations non rigides. 4. Ope´rateurs locaux Pixelinfinite´simaletope´rateursdiff´erentiels.Consistancedessch´emasauxdiff´erencesfinies.Convergencede certainsope´rateursite´re´s.Imple´mentationsdiscr`etesdufiltragegaussien.Interpr´etationspectraledesope´rateurs locaux.Aliasing.Op´erateurscompatiblesavecl’interpolationdeShannon.Casdelavariationtotalespectrale. Formulation variationnelle des operateurs locaux. ´ 5. Ge´ome´trie sous-pixellique ompo D´ecsitionradiom´etrique-ge´ome´triquedesimages.Manipulationsradiom´etriques:e´galisationd’histogramme, estimationd’unchangementdecontraste.Invarianceparchangementdecontrasteetth´eoriededeShannon.Pro-pri´et´esetcalculdeslignesdeniveau.Localisationsous-pixellique. 6.D´etectiondesartefactsdunume´rique Mesure de nettete´ par cohe´rence globale de phase. De´tection du ringing et de l’aliasing. MODE DE VALIDATION: diverses formes de projets au choix RE´F´ERENCES: L. Moisan,Modeling and Image Processing, http ://www.mi.parisdescartes.fr/˜moisan/mva/. G. Blanchet, L. Moisan, B. Rouge´, “A linear prefilter for image sampling with ringing artifact control”,pro-ceedings of the International Conference on Image Processing, vol. 3, pp. 577-580, 2005.
