Your SlideShare is downloading. ×
UNIVERSITE MOHAMMED V - AGDAL                    Faculté des Sciences de Rabat  Master Informatique Appliquée au Dévelopem...
Plan de PrésentationIntroduction au Data MiningIntroduction à lImage MiningLes techniques de lImage MiningLes principaux F...
Introduction au Data Mining    Apparu au début des années 1990   Facteurs technologiques, économiques et sociopolitiques  ...
Introduction à lImage Mining   ●       Accumulation de données Multimédia dans les base de       données   ●       Besoin ...
Introduction à lImage Mining       LImage Mining a deux thèmes principaux:   ●       La fouille de grandes collections dim...
Introduction à lImage Mining     Domaines dapplication:        ●            reconnaissance militaire;        ●            ...
Introduction à lImage Mining   ●       Problèmes typiques de fouille de données:          Trouver des règles dassociation ...
Les techniques de lImage Mining      1. Reconnaissance des objets  ●      Utiliser des modèles dobjets qui sont connus  ● ...
Les techniques de lImage Mining      2. Recherche des images      Les images doivent être récupérées en fonction de      c...
Les techniques de lImage Mining      2. Recherche des images      Les images doivent être récupérées en fonction de      c...
Les techniques de lImage Mining      2. Recherche des images      Les images doivent être récupérées en fonction de      c...
Les techniques de lImage Mining      2. Recherche des images      Il existe trois schémas de requêtes pour la recherche   ...
Les techniques de lImage Mining     2. Recherche des images     Il existe trois schémas de requêtes pour la recherche     ...
Les techniques de lImage Mining        2. Recherche des images       Il existe trois schémas de requêtes pour la recherche...
Les techniques de lImage Mining         3. Classification et Regroupement dimages            3.1 Caractéristiques de coule...
Les techniques de lImage Mining         3. Classification et Regroupement dimages            3.2 Caractéristiques de textu...
Les techniques de lImage Mining         3. Classification et Regroupement dimages             3.3 Caractéristiques de form...
Les principaux Frameworks  ●      Une base de données dimages contenant des données      brutes de limage ne peut pas être...
Les principaux Frameworks          1. Frameworks guidés par les fonctions    Sert à organiser et clarifier les rôles et le...
Les principaux Frameworks            2. Frameworks guidés par linformation  ●      Vise à mettre en évidence le rôle de li...
Les principaux Frameworks           2. Frameworks guidés par linformation  ●      Vise à mettre en évidence le rôle de lin...
Les principaux Frameworks           2. Frameworks guidés par linformation  ●      Vise à mettre en évidence le rôle de lin...
Les principaux Frameworks           2. Frameworks guidés par linformation  ●      Vise à mettre en évidence le rôle de lin...
Quelques outils pour lImage Mining Data Mining          +             Image                        Mining Traitement   dim...
Quelques outils pour lImage Mining       Outil de traitement dimage: ImageJ●    Un logiciel libre de traitement dimages éc...
Quelques outils pour lImage Mining       Outil de data mining:         Weka    Weka = Waikato Environment for Knowledge An...
Quelques outils pour lImage Mining      Outil de data mining:       RapidMiner  Contient de nombreux outils pour traiter d...
Quelques outils pour lImage Mining   Outil de data mining:     RapidMiner (extensions)  Les extensions permetterons dajout...
Quelques outils pour lImage Mining      Data      Mining      ImageJ              +         Image                        M...
Merci de votre attention                           30
Upcoming SlideShare
Loading in...5
×

Image Mining

1,905

Published on

Présentation de l'Image Mining dans le cadre des Base de Données Avancées en Master Informatique Appliquée au Développement Offshore à l'Université Mohammed V - Agdal de Rabat.

Published in: Technology
0 Comments
2 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total Views
1,905
On Slideshare
0
From Embeds
0
Number of Embeds
1
Actions
Shares
0
Downloads
0
Comments
0
Likes
2
Embeds 0
No embeds

No notes for slide

Transcript of "Image Mining"

  1. 1. UNIVERSITE MOHAMMED V - AGDAL Faculté des Sciences de Rabat Master Informatique Appliquée au Dévelopement Offshore Base de Données Avancées Image Mining Présenté par: Encadré par:Mehdi EL KRARI Mohammed BENKHALIFA Novembre 2012
  2. 2. Plan de PrésentationIntroduction au Data MiningIntroduction à lImage MiningLes techniques de lImage MiningLes principaux FrameworksQuelques outils pour lImage Mining (Application) 2
  3. 3. Introduction au Data Mining Apparu au début des années 1990 Facteurs technologiques, économiques et sociopolitiques Besoin des entreprises de valoriser les données qu’elles accumulent dans leurs bases Réduire les coûts élevés de stockage de donnéesData Mining appliqué à limage ali.mhiri.perso.neuf.fr/sobie/ 3
  4. 4. Introduction à lImage Mining ● Accumulation de données Multimédia dans les base de données ● Besoin dextraire de nouvelles connaissances à partir dune collection dimages la recherche dimages basée sur le contenu Image la compréhension dimages Mining le Data Mining les bases de donnéesCarlos Ordonez & Edward Omiecinski - Image Mining: A New Approach for Data Mining 4
  5. 5. Introduction à lImage Mining LImage Mining a deux thèmes principaux: ● La fouille de grandes collections dimages Exemple: collection de images de satellites météorologiques Trouver si il y a une tendance qui existe entre les différentes villes ● Lextraction de données combinées de grandes collections dimages et de données alphanumériques associées. Exemple: limagerie médicale et les dossiers dun patient développer un diagnostic pour les deux données dimage (rayons X) et les données des patients (poids) ensemble pour trouver des liens intéressants.Carlos Ordonez & Edward Omiecinski - Image Mining: A New Approach for Data Mining 5
  6. 6. Introduction à lImage Mining Domaines dapplication: ● reconnaissance militaire; ● prévisions météorologiques; stockage et traitement ● gestion des ressources de la terre; de collections massives dimages ● enquêtes criminelles; ● imagerie médicale... Les techniques de fouille de données doivent être appliquéesCarlos Ordonez & Edward Omiecinski - Image Mining: A New Approach for Data Mining 6
  7. 7. Introduction à lImage Mining ● Problèmes typiques de fouille de données: Trouver des règles dassociation entre les éléments de données dans une base de données. Problème non posée pour les données explicites ! ● Le cas des bases de données dimages: Indexation exhaustives des images impossible Analyse du contenu de limage puis fouille sur les descripteurs générés: ● Couleur; ● Texture; ● Forme...Carlos Ordonez & Edward Omiecinski - Image Mining: A New Approach for Data Mining 7
  8. 8. Les techniques de lImage Mining 1. Reconnaissance des objets ● Utiliser des modèles dobjets qui sont connus ● Le système trouve des objets dans le monde réel à partir dune image ● Lextraction automatique des informations ne peut être réalisé que lorsque certains objets ont été identifiés par la machineJi Zhang, Wynne Hsu, Mong Li Lee Image Mining: Issues, Frameworks and Techniques 8
  9. 9. Les techniques de lImage Mining 2. Recherche des images Les images doivent être récupérées en fonction de certaines spécifications, et peuvent être classées en trois niveaux: ● Niveau 1: comprend les caractéristiques primitives dextraction dimages telles que la couleur, la texture, la forme. Récupérer les images contenant des étoiles bleues disposées en anneauJi Zhang, Wynne Hsu, Mong Li Lee Image Mining: Issues, Frameworks and Techniques 9
  10. 10. Les techniques de lImage Mining 2. Recherche des images Les images doivent être récupérées en fonction de certaines spécifications, et peuvent être classées en trois niveaux: ● Niveau 2: comprend la recherche dimages par des caractéristiques dérivées ou logiques dun type donné ou dobjets Récupérer les images dune table ronde Récupérer les images de JimmyJi Zhang, Wynne Hsu, Mong Li Lee Image Mining: Issues, Frameworks and Techniques 10
  11. 11. Les techniques de lImage Mining 2. Recherche des images Les images doivent être récupérées en fonction de certaines spécifications, et peuvent être classées en trois niveaux: ● Niveau 3: comprend la recherche dimages par attributs abstraits, impliquant une quantité importante de raisonnement de haut niveau Récupérer les images dun match de football Récupérer les images qui illustrent le bonheurJi Zhang, Wynne Hsu, Mong Li Lee Image Mining: Issues, Frameworks and Techniques 11
  12. 12. Les techniques de lImage Mining 2. Recherche des images Il existe trois schémas de requêtes pour la recherche dimages: ● Requête par attributs associés: Les images sont ajoutées en tant que champ supplémentaire La recherche est effectuée sur la base dautres attributs associés à lintérieur dune même table.Ji Zhang, Wynne Hsu, Mong Li Lee Image Mining: Issues, Frameworks and Techniques 12
  13. 13. Les techniques de lImage Mining 2. Recherche des images Il existe trois schémas de requêtes pour la recherche dimages: ● Requête par description: Stocker les descriptions (étiquettes) des images La recherche des images se fait en utilisant les descriptions Les descriptions sont générées manuellement Souffre des inconvénients du «problème de vocabulaire»Ji Zhang, Wynne Hsu, Mong Li Lee Image Mining: Issues, Frameworks and Techniques 13
  14. 14. Les techniques de lImage Mining 2. Recherche des images Il existe trois schémas de requêtes pour la recherche dimages: ● La recherche dimages basée sur le contenu: extraction de caractéristiques + indexation + récupération Les images sont indexées sur la base du contenu visuel (couleur, texture...) Elles peuvent être représentées par un vecteur multidimensionnel des caractéristiques Ce vecteur agit comme une signature de limageR. S. Dubey, N. Bhargava, R. Choubey Image Mining using Content Based Image Retrieval System 14
  15. 15. Les techniques de lImage Mining 3. Classification et Regroupement dimages 3.1 Caractéristiques de couleur ● Lune des caractéristiques les plus utilisées ● La couleur dune image est très robuste au contexte, à lorientation, à léchelle et à la texture de limage ● Toutes les couleurs sont générées par une combinaison de -Rouge Vert Bleu-R. S. Dubey, N. Bhargava, R. Choubey Image Mining using Content Based Image Retrieval System 15
  16. 16. Les techniques de lImage Mining 3. Classification et Regroupement dimages 3.2 Caractéristiques de texture ● Une caractéristique majeure: répétition dun(des) motif(s) sur une région dans une image ● Une propriété innée de presque toutes les surfaces (tissus, bois, papiers...) ● Contient des informations importantes concernant larrangement de la structure des surfaces dans une imageR. S. Dubey, N. Bhargava, R. Choubey Image Mining using Content Based Image Retrieval System 16
  17. 17. Les techniques de lImage Mining 3. Classification et Regroupement dimages 3.3 Caractéristiques de forme ● Cest la description dun objet par sa position, son orientation et sa taille ● Pour lutiliser en tant que caractéristique, il est essentiel de segmenter limage pour détecter lobjet ou les limites de la région ● Deux techniques de caractérisation: en utilisant le contour extérieur de la forme dun objet ou en utilisant la région entière formant de lobjetSushmita Mitra, Tinku Acharya Data Mining Multimedia, Soft Computing, and Bioinformatics 17
  18. 18. Les principaux Frameworks ● Une base de données dimages contenant des données brutes de limage ne peut pas être directement utilisé à des fins de fouille ● Les données brutes de limage doivent dabord être traitées pour générer linformation utilisable élaboration dun Framework adéquat pour accomplir la tâche ● On peut distinguer deux types de Frameworks: guidés par les fonctions guidés par linformationJi Zhang, Wynne Hsu, Mong Li Lee Image Mining: Issues, Frameworks and Techniques 18
  19. 19. Les principaux Frameworks 1. Frameworks guidés par les fonctions Sert à organiser et clarifier les rôles et les tâches à accomplir dans les fouilles dimage Ne parvient pas à mettre en évidence les différents niveaux de représentation de linformation La majorité des architectures des systèmes dImage Mining existantes échouent avec ces FrameworksJi Zhang, Wynne Hsu, Mong Li Lee Image Mining: Issues, Frameworks and Techniques 19
  20. 20. Les principaux Frameworks 2. Frameworks guidés par linformation ● Vise à mettre en évidence le rôle de linformation à différents niveaux de représentation ● distingue quatre niveaux dinformation: ● niveau pixel: comprend des informations dimage brute comme les pixels de limage et les caractéristiques primitives de limage telles que la couleur, la texture et la forme.Ji Zhang, Wynne Hsu, Mong Li Lee Image Mining: Issues, Frameworks and Techniques 20
  21. 21. Les principaux Frameworks 2. Frameworks guidés par linformation ● Vise à mettre en évidence le rôle de linformation à différents niveaux de représentation ● distingue quatre niveaux dinformation: ● niveau objet: traite de lobjet ou des informations de région sur la base des caractéristiques primitives du niveau pixelJi Zhang, Wynne Hsu, Mong Li Lee Image Mining: Issues, Frameworks and Techniques 21
  22. 22. Les principaux Frameworks 2. Frameworks guidés par linformation ● Vise à mettre en évidence le rôle de linformation à différents niveaux de représentation ● distingue quatre niveaux dinformation: ● niveau concept sémantique: place les objets identifiées dans le niveau objet dans le contexte des scènes représentées.Ji Zhang, Wynne Hsu, Mong Li Lee Image Mining: Issues, Frameworks and Techniques 22
  23. 23. Les principaux Frameworks 2. Frameworks guidés par linformation ● Vise à mettre en évidence le rôle de linformation à différents niveaux de représentation ● distingue quatre niveaux dinformation: ● niveau modèle et connaissances: intègre un domaine lié aux données alphanumériques et aux relations sémantiques découverts à partir des données dimageJi Zhang, Wynne Hsu, Mong Li Lee Image Mining: Issues, Frameworks and Techniques 23
  24. 24. Quelques outils pour lImage Mining Data Mining + Image Mining Traitement dimage 24
  25. 25. Quelques outils pour lImage Mining Outil de traitement dimage: ImageJ● Un logiciel libre de traitement dimages écrit en Java par le National Institute of Health● Développé initialement pour des applications biomédicales● Permet de faire des analyses de gels délectrophorèse, ou de la détection et analyse de tumeurs.● Possibilité de développer et/ou ajouter de nouveaux plugins ou Macros pour le logiciel 25
  26. 26. Quelques outils pour lImage Mining Outil de data mining: Weka Weka = Waikato Environment for Knowledge Analysis● Une suite de logiciels d’apprentissage automatique et d’exploration de données écrite en Java développée à l’université de Waikato en Nouvelle-Zélande TANAGRA Implémente une série de méthodes de fouilles de données issues du domaine de la statistique exploratoire, de lanalyse de données, de l’apprentissage automatique et des bases de données. 26
  27. 27. Quelques outils pour lImage Mining Outil de data mining: RapidMiner Contient de nombreux outils pour traiter des données : ● lecture de différents formats dentrée ● préparation et nettoyage des données ● statistiques ● tous les algorithmes de data mining ● évaluation des performances ● visualisations diverses Cest un logiciel ● Puissant ● Pas facile à manipuler au premier abord ● Qui permet de mettre en place rapidement une chaîne complète de traitement de données, de la saisie des 27 données à leur classifcation
  28. 28. Quelques outils pour lImage Mining Outil de data mining: RapidMiner (extensions) Les extensions permetterons dajouter de nouvelles fonctionnalités... Weka Reporting Text Web Image Mining (basé sur ImageJ) 28 Parallel Processing
  29. 29. Quelques outils pour lImage Mining Data Mining ImageJ + Image Mining + Fonctionnalités dextraction 29
  30. 30. Merci de votre attention 30

×