Vous êtes sur la page 1sur 333

`

TH ESE DE DOCTORAT

pr´esent´ee par

Rachid BELAROUSSI

Ing´enieur E.S.P.C.I.

Pour obtenir le titre de

Docteur de l’Universit´e Pierre et Marie Curie

Sp´ecialit´e : Informatique

Localisation du visage dans des images et s´equences vid´eo couleur

Soutenue le 12 D´ecembre 2006 devant le jury compos´e de

M.

Jean DEVARS

Pr´esident du jury

Pr

PRC

UPMC

M.

Philippe BOLON

Rapporteur

Pr

LISTIC

Savoie

M.

Jack-G´erard POSTAIRE

Rapporteur

Pr

USTL

Lille

M.

Christophe GARCIA

Examinateur

Ch

FT R&D

Rennes

M.

Franck DAVOINE

Examinateur

CR

HEUDIASYC

Compi`egne

M.

Renaud SEGUIER

Examinateur

EC

SCEE Sup´elec

Rennes

M.

Maurice MILGRAM

Directeur de th`ese

Pr

PRC

UPMC

M.

Lionel PREVOST

Examinateur

MC

PRC

UPMC

R´esum´e

La localisation du visage est une ´etape pr´ealable a` de nombreux syst`emes de vision robotique ou d’interaction homme-machine. Le probl`eme trait´e consiste `a d´eterminer la position du visage d’une personne pr´esente dans une image en cou- leur. Notre approche est globale, elle op`ere une inspection de toutes les vignettes de l’image o`u le visage peut se trouver, pour d´eterminer celle qui le contient le plus vraisemblablement. Pour les images fixes, nous proposons d’exploiter trois repr´esentations diff´erentes de l’image, chacune ´etant trait´ee par un mod`ele sp´ecifique. Un mod`ele d’appa- rence est appris sur les traits internes au visage (les yeux, la bouche et le nez), caract´eris´es par un codage particulier de l’orientation des points de contour d’une vignette. C’est un mod`ele g´en´eratif, le Diabolo, qui est un r´eseau de neurones auto-associateur entraˆın´e sans contre-exemple. Un tel r´eseau est entraˆın´e `a fournir en sortie une image identique `a celle mise en entr´ee en r´ealisant une compression sp´ecialis´ee car la couche cach´ee comporte un nombre de cellules nettement inf´erieur `a celui de l’entr´ee ou de la sortie. Une image de non visage est en principe mal com- press´ee et donnera une erreur de reconstruction plus importante que dans le cas d’un visage. Un mod`ele g´eom´etrique d’ellipse s’appuyant sur une approche cumu- lative, la Transform´ee de Hough G´en´eralis´ee, est employ´e. Il traite l’orientation des contours de l’image, et l’accumulateur qui en r´esulte est exploit´e pour composer un mod`ele du contour ovale du visage. Un mod`ele de couleur de la peau est aussi impl´ementer au niveau du pixel, plusieurs approches sont propos´ees pour estimer cet attribut du visage. La fusion des trois mod`eles a une architecture parall`ele, et est op´er´ee par une somme pond´er´ee d´etermin´ee par une approche connexion- niste. D’autres approches de la combinaison de mod`eles sont aussi pr´esent´ees et compar´ees. Pour traiter le probl`eme de la d´etection et du suivi de visages dans une s´equence d’images en temps r´eel, un d´etecteur de visages issu de l’´etat de l’art, propos´e par Viola et Jones, est activ´e p´eriodiquement produisant les cibles a` poursuivre. La distribution de la teinte chair d’une cible est estim´ee par une approche non pa- ram´etrique. Afin d’´eviter les probl`emes de d´erive du mod`ele de teinte chair, celui-ci n’est pas adapt´e au cours de la s´equence mais renouvel´e lorsque le visage est d´etect´e avec certitude `a nouveau, ce qui permet au syst`eme impl´ement´e de s’adapter de mani`ere plus robuste aux conditions d’´eclairement. Le mod`ele de teinte chair est ensuite exploit´e pour d´eterminer la localisation du visage repr´esent´e par une el- lipse : une segmentation en composante connexe et une approche statistique, le Camshift coupl´e, introduit par Bradsky, sont compar´es en termes d’efficacit´e et de rapidit´e.

Mots cl´es : etection/localisation du visage, suivi en temps r´eel, combinaison d’experts, approche global, r´eseaux de neurones, mod`eles colorim´etriques, filtres dits de Haar, mean shift, Camshift.

Abstract

Face localization is the first stage in many vision based applications and in human-computer interaction. The problem is to define face location of a person in

a color image. Our approach is global, the face is searched at every location of the

image, to find the one with the highest likelihood. In still images, we process three different image representations, each one is treated by a specific expert. An appearance-based model is trained to model facial features (eyes, nose, mouth) represented by a specific coding of edge orientation of a sub-image. It is a generative model, called Diabolo, an auto-associator neural network trained without negative example. This network is trained to produce an output identical to its input by operating a specialized compression, as the hidden layer has much less unit than the input or output layer. A non face image would

be badly compressed and gives a reconstruction error higher than for a face image. An ellipse model based on the Generalized Hough Transform is built. It processes

the image orientation of the edges, and the resulting accumulator is used to model the elliptical shape of a face. A skin color model is also used at the pixel level and several approaches are proposed to estimate this visual cue. The combination of these three models is done in a parallel way, by a weighted sum built using

a neural approach. Other approaches of expert combination are also investigated

and compared. For face detection and tracking in real time, a state of the art face detector, de- velopped by Viola and Jones, is periodically activated across the sequence to define the targets to track. Skin color distribution is estimated using a non parametric approach. To avoid drifting in color estimate, this model is not updated during the sequence but renewed whenever the face is detected again, that gives the ability to our system to cope with different lighting conditions in a more robust way. Skin color model is then used to localize the face represented by an ellipse : connected component segmentation and a statistical approach, namely the coupled Camshift of Bradsky, are compared in terms of efficiency and speed.

face detection/ localization, real time tracking, experts combina-

tion, global approach, neural networks, color model, Haar-like filter, mean shift,

Camshift.

Keywords :

Remerciements

Je dois remercier Maurice Milgram pour m’avoir confi´e ce projet difficile, bien que l’image n’´etait pas ma sp´ecialit´e. Tu as su me donner tous les outils n´ecessaire `a sa r´ealisation : je connais peu de th´esard qui ont la chance d’avoir un directeur aussi actif, ayant autant de connaissances et n’h´esitant pas a` les mettre en oeuvre au service de ses prot´eg´es. Pour les nombreux missions aussi, je ne pourrais jamais

te les rendre, mais tu auras droit a` quelques photos ! Pour les nombreuses correc-

tions que tu as apport´e `a ce m´emoire, pour tout.

A ce propos je tiens a` remercier Lionel Prevost, `a qui pas une tournure fantaisiste

n’´echappe, j’ai bien r´ealis´e l’importance du travail de relecture que toi et Maurice avez fais, je vous exprime ici toute ma gratitude. Je tiens `a remercier Philippe Bolon et Jack-G´erard Postaire, pour me faire l’hon-

neur de rapporter ce travail et pour leur lecture attentive de ce manuscrit. Merci bien sˆur a` tous les membres de ce jury, pour avoir r´epondu `a mon invitation

et pour l’int´erˆet qu’ils ont port´e `a mes travaux : Renaud Seguier, pour le s´eminaire

qu’on a r´ealis´e ensemble `a Paris et ton invitation `a Rennes, Franck Davoine, pour

la journ´ee GDR-ISIS o`u j’ai eu l’occasion de me confronter a` une salle comble,

Christophe Garcia, pour nos balades a` Zagreb, et enfin Jean Devars, a` double titre, pour avoir accepter de pr´esider ce jury, et pour la confiance que tu m’as accord´e pour assurer les TP de traitements d’images. Ce m´emoire ne peut ˆetre que plus beau avec tous vos noms en couverture ! Merci `a Hamid Kokabi de m’avoir ouvert les portes de l’EPU, et `a Adrien Sentz pour m’avoir appris tout les secrets d’un micro-contrˆoleur, du timer a` la transmis- sion s´erie, merci milles fois pour ta patience, c’est un plaisir de travailler avec toi ! Merci `a Benoit Forget de m’avoir propos´e des enseignements en traitement du signal, Catherine Achard et Jean Luc Zarader pour le filtrage num´erique, cet en- seignement a n´ecessit´e un investissement que je n’aurais pas imagin´e, mais je suis bien content de l’assurer `a nouveau cette ann´ee. Merci Mohammed Chetouani pour m’avoir aid´e `a y voir plus clair dans cette mati`ere. Je gagne des points `a chaque fois que je te cite Maurice : merci pour les TP de compression d’images, et pour les longues explications sur la DCT. Enfin merci a` Jean Philippe pour tes conseils avis´es sur Latex, a` mon ex-voisin

edric pour ton amiti´e, et `a tous les autres membres du laboratoire pour ne pas vous fˆacher quand je ne viens pas manger avec vous !

Table des mati`eres

Introduction

1

1 Un mod`ele d’apparence du visage : le Diabolo

 

5

1.1 Approche globale de la d´etection et de la localisation du visage :

 

´etat de l’art

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

6

1.1.1 M´ethodes s’appuyant sur la d´etermination d’un sous espace

6

1.1.2 Approches exploitant une repr´esentation fr´equentielle de l’image 14

1.1.3 Approches bas´ees sur une s´election automatique de filtres

spatiaux

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

19

1.1.4 Les approches connexionnistes

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

24

1.2 Pr´esentation du d´etecteur de Viola&Jones

.

.

.

.

.

.

.

.

.

.

.

.

.

.

30

1.2.1 Repr´esentation de l’image : filtres spatiaux et classifieurs

faibles associ´es

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

30

1.2.2 Apprentissage d’une cascade de classifieurs forts

.

.

.

.

.

.

.

35

1.2.3 Classification et arbitrage entre d´etections multiples

 

40

1.3 Le Diabolo : un mod`ele d’apparence g´en´eratif

.

.

.

.

.

.

.

.

.

.

.

.

44

1.3.1 Analyse en Composante Principale, en Composante Non Lin´eaire

et r´eseaux Diabolo

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

45

1.3.2 Le r´eseau Diabolo appliqu´e `a la localisation de visage

 

51

1.3.3 Choix des entr´ees et de l’architecture du Diabolo

.

.

.

.

.

.

53

1.3.4 Discussion

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

60

2 Mod´elisation colorim´etrique

 

63

2.1 Classification de la teinte chair : ´etat de l’art

 

.

.

.

.

.

.

.

.

.

.

.

66

2.1.1 Les espaces colorim´etriques

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

67

2.1.2 Mod´elisation de la teinte chair

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

86

2.1.3 D´efinition explicite de la teinte chair

.

.

.

.

.

.

.

.

.

.

.

.

.

86

2.1.4 Mod`eles non-param´etriques de la couleur peau

.

.

.

.

.

.

90

2.1.5 Mod`eles param´etriques de la couleur peau

 

.

.

.

.

.

.

.

.

.

.

95

2.1.6 Discussion

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

97

2.2 D´etection de la peau

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

101

2.2.1 Apport d’une mod´elisation de la non-peau

.

.

.

.

.

.

.

.

.

.

102

2.2.2 Apport de l’information de luminance .

.

.

.

.

.

.

.

.

.

.

.

.

111

ii

`

TABLE DES MATI ERES

 

2.2.3

Conclusion .

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

115

2.3

Segmentation des l`evres par approche colorim´etrique

.

.

.

.

.

.

.

.

117

2.3.1 Analyse colorim´etrique

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

118

2.3.2 Mod´elisation de la couleur par un syst`eme d’inf´erences floues 123

2.3.3 Mod´elisation fine des contours de la bouche

 

.

.

.

.

.

.

.

.

.

128

2.3.4 R´esultats exp´erimentaux

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

131

2.3.5 Conclusions

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

136

3 M´ethodes de fusion pour la localisation du visage

 

137

3.1 Fusion d’information

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

138

3.1.1 G´en´eralit´es

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

138

3.1.2 Application a` la d´etection de visage : ´etat de l’art

.

.

.

.

.

.

140

3.2 Combinaison d’algorithmes pour la localisation du visage : pr´esentation

de l’approche

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

152

3.2.1 Mod`ele de la peau

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

153

3.2.2 Mod´elisation de l’ovale du visage par Transform´ee de Hough

G´en´eralis´ee

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

154

3.2.3 Pr´esentation g´en´erale de la fusion d’experts pour la locali-

sation du visage .

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

163

3.3 Algorithmes de fusion .

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

165

3.3.1 Mod`ele Bayesien : approches param´etrique et non-param´etrique166

3.3.2 Syst`eme d’inf´erences floues .

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

167

3.3.3 Approches neuronales et somme pond´er´ee

.

.

.

.

.

.

.

.

.

.

172

3.4 R´esultats exp´erimentaux

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

174

3.4.1 Mesure de performances sur la base d’images ECU

.

.

.

.

.

174

3.4.2 Comparaison des m´ethodes de fusion

.

.

.

.

.

.

.

.

.

.

.

.

.

178

3.4.3 Analyse de la fusion par somme pond´er´ee

.

.

.

.

.

.

.

.

.

185

3.4.4 Localisation du visage dans une s´equence d’image

.

.

.

.

.

.

189

3.4.5 Localisation de plusieurs visages dans une image .

.

.

.

.

.

.

190

3.4.6 Localisation du visage a` plusieurs ´echelles : comparaison avec

 

le d´etecteur de Viola&Jones

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

191

3.5 Conclusion .

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

201

4 D´etection et suivi de visages dans des s´equences d’images

 

207

4.1 Poursuite du visage .

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

208

4.1.1 Tour d’horizon du suivi de visage dans une s´equence

.

.

.

.

208

4.1.2 Suivi par d´etection ou localisation image par image

 

.

.

.

.

.

209

4.1.3 Suivi bas´e sur un mod`ele dynamique de la couleur peau

 

212

4.1.4 Suivi s’appuyant sur un mod`ele d’apparence

 

.

.

.

.

.

.

.

.

.

222

4.1.5 Suivi utilisant un mod`ele de la dynamique du visage

 

225

4.1.6 Suivi par combinaison de plusieurs attributs

 

.

.

.

.

.

.

.

.

.

228

4.1.7 Discussion et pr´esentation de l’approche impl´ement´ee

 

231

4.2 Choix du d´etecteur de visages

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

235

`

TABLE DES MATI ERES

iii

4.3 Poursuite du visage .

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

241

4.3.1 Choix de l’espace colorim´etrique

 

.

.

.

.

.

.

.

.

241

4.3.2 Suivi par segmentation en composantes connexes

.

.

.

.

.

.

252

4.3.3 Suivi de la teinte chair par Camshift coupl´e

 

.

.

.

.

.

.

.

.

.

258

4.3.4 Comparaison des deux approches sur les s´equences Microsoft 262

4.4 Conclusion .

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

269

Conclusion et Perspectives

 

273

Annexe

277

Table des figures

1.1 Mod´elisation des visages et des non visages dans l’espace image. La premi`ere ligne illustre le cas des visages, la seconde celui des

non visages. De gauche a` droite : base d’exemples `a partitionner, distribution des exemples dans l’espace image (repr´esent´ee en 3D), les 6 Gaussiennes apr`es la proc´edure de k-moyennes, et les 6 centres

correspondants.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

10

1.2 Sous espace F S associ´e `a un cluster : x p est la projection d’une vignette x sur F S. D 1 est la distance de Mahalanobis entre le centre du cluster et x p . D 2 est la distance euclidienne entre la vignette et sa projection (l’erreur de

11

1.3 D´ecomposition de niveau 1 : l’image est d´ecompos´ee en une image d’approximation et 3 sous bandes. D´ecomposition de niveau trois :

 

`a chaque niveau une transform´ee en ondelettes discr`ete de l’image d’approximation est op´er´ee pour obtenir les coefficients d’ondelettes

du niveau

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

16

1.4 Les 4 filtres de Gabor repr´esent´es dans le domaine des fr´equences

 

spatiales

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

18

1.5 Les trois angles et le rep`ere cart´esien d´efinissant la pose du visage. Les visages de la premi`ere ligne sont correctement d´etect´es par l’ap- proche de Viola&Jones, les visages de la seconde ligne, un peu plus

 

inclin´es, sont manqu´es.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

20

1.6 Ensemble ´etendu de filtres de Haar introduit par Lienhardt&Maydt

21

1.7 Exemples de visages d’apprentissage utilis´es par Li&Zhang, et struc-

 

ture de la pyramide de

 

.

.

.

.

.

.

.

.

.

.

.

.

23

1.8 Vue d’ensemble de l’approche neuronale de Rowley&al : (a) D´etection de visages frontaux, (b) Estimation de la pose du visage candidat, rotation dans le plan de la vignette suivi du d´etecteur de visages

 

frontaux

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

25

1.9 Architecture du r´eseau de neurones convolutionnel de Vaillant&al

.

26

1.10 Architecture du r´eseau de neurones convolutionnel de Garcia&Delakis 29

29

1.11 Architecture du r´eseau Diabolo de F´eraud&al

.

.

.

.

.

.

.

.

.

.

.

.

iv

TABLE DES FIGURES

1.12 Filtres rectangulaires dits de Haar mis en oeuvre par la cascade avec les poids ω associ´es aux rectangles blancs entiers et aux rectangles

gris qu’ils incluent

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

31

1.13 Un filtre rectangulaire est d´efini par sa forme, sa taille et sa position

 

dans la r´etine de recherche

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

32

1.14 II(x 0 , y 0 ) est, par d´efinition, la somme des niveaux de gris situ´es sous le rectangle A. La somme des pixels situ´es sous le rectangle Rect est la somme de ceux situ´es sous les quatres rectangles moins la somme des pixels sous les rectangles A et B, moins la somme des pixels sous les rectangles A et C, plus la somme des pixels sous le

 

rectangle A

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

34

1.15 Cascade de classifieurs boost´es : les classifieurs les plus simples et les plus rapides rejettent un maximum de fausses alarmes, les clas- sifieurs plus complexes se concentrent alors sur les zones de l’image les plus proche de l’apparence d’un visage

36

1.16 Nombre de classifieurs faibles contenus dans chacun des 25 classi-

 

fieurs boost´es de la cascade 24x24

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

37

1.17 Les neufs filtres de Haar du premier classifieur fort F 0 de la cascade

37

1.18 Les filtres de Haar du second ´etage F 1 de la cascade .

.

.

.

.

.

.

.

.

39

1.19 R´esultats du d´etecteur de visage, appliqu´e `a l’image r´eduite d’un

 

facteur 2 de la s´equence Antonio

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

42

1.20 (a) Les faux positifs sont isol´es, et le visage, trop inclin´e pour ˆetre d´etect´e, est manqu´e. (b) Un faux positif est isol´e, tandis que plusieurs vrais positifs sont d´etect´es dans un mˆeme voisinage de l’image : le rectangle rouge, moyenne de ces d´etections, constitue la

 

localisation finale du visage.

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

43

1.21 Architecture du r´eseau Diabolo : il impl´emente une compression sp´ecialis´ee des donn´ees car sa couche cach´ee contient beaucoup moins de cellules que les entr´ees ou les

48

1.22 Architecture d’un Diabolo : la sortie d´esir´ee est ´egale a` l’entr´ee, le corpus d’apprentissage est constitu´e d’exemples de visages unique-

 

ment (pas de contre-exemple)

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

52

1.23 Exemple de reconstruction d’images de visage et de non visage par un Diabolo entrain´e sur des images

53

1.24 Optimisation de l’entr´ee du Diabolo : r´ecapitulatif des manipulations 54

1.25 Construction du tableau DiaboloMap des erreurs de reconstruction sur l’image : les zones claires correspondent aux erreurs de recons- truction les plus faibles, les erreurs les plus ´elev´ees sont dans les

zones les plus sombres

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

55

1.26 Pr´e-traitement de la vignette appliqu´ee en entr´ee du Diabolo appris

sur des images de luminance

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

56

1.27 Estimation du gradient de l’image .

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

57

TABLE DES FIGURES

v

1.28

Second codage des entr´ees : le champ de gradient de la

 

58

1.29

Codage s’appuyant sur l’orientation des points de contour de la

 

vignette

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

59

2.1

eponse spectrale des trois types de cˆone et de pastille de phosphore

 

d’un tube cathodique

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

68

2.2

Repr´esentation conique des couleurs dans HSV .

.

.

.

.

.