Recherche et indexation d’image

(Les TDs seront fait durant les séances de cours)

Exercice 1 : On calcule la similarité entre deux images par intersection

d’histogrammes de l’intensité. Donner la valeur de cette distance entre les deux
images ci-dessous :

Corrigé :

h1= [9 0 7 0 5 0 0 4], h2= [0 9 0 7 0 5 0 4]

Intersection (h1, h2) = 4 : la similarité est très faible.

Exercice 2 : Soit h1 le tableau représentant l’histogramme en intensité de l’image I1.

Formellement h1 [i] est le nombre de pixels ayant l’intensité i. On définit h1c
i
l’histogramme cumulé en intensité de l’image 1 par : h 1 c [ i ]=∑ h1 [ k ]
k =1

Donner la valeur de la similarité entre I1 et I2 par intersection des histogrammes

cumulés. Commenter les résultats.

Corrigé : h1c = [9 9 16 16 21 21 21 25], h2c= [0 9 9 16 16 21 21 25]

Intersection (h1c, h2c) = 0 + 9 + 9 + 16 + 16 +21 + 21 + 25 = 117
Si on considère que l’intensité 1 est proche de l’intensité 2, l’histogramme non
cumulé n’en tiendra pas compte et considérera ces valeurs comme étant différentes.
L’intersection de l’histogramme cumulé permet de prendre en compte cette notion de
proximité d’intensité en reportant les occurrences déjà rencontrées vers les niveaux
supérieurs. C’est un avantage de cette approche.
Remarque : le maximum possible de l’intersection entre histogrammes est de 25 (le
nombre de pixels). Il est obtenu à chaque fois que les histogrammes sont identiques.
Le maximum possible de l’intersection entre histogrammes cumulés est de 200. Il ne
peut être obtenu que lorsque tous les pixels ont l’intensité 1 dans les deux images. Si
tous les pixels ont l’intensité 8, l’intersection devient 25. Les différences sur les plus
faibles intensités sont plus pénalisantes que celles sur les grandes. Ceci rend la
seconde mesure difficilement exploitable pour la comparaison. C’est un inconvénient.

Exercice 3 : On veut maintenant estimer une distance (et non plus une similarité)
entre I1 et I2. Etudier la distance de Manhattan sur les histogrammes en intensités,
puis sur les histogrammes cumulés. Entre ces deux types d’histogrammes, lequel
semble le plus intéressant ? Justifiez votre réponse.

Corrigé : man (h1, h2) = 9 + 9 + 7 + 7 + 5 + 5 + 0 + 0 = 42

Man (h1c, h2c) = 9 + 0 + 7 + 0 + 5 + 0 + 0 + 0 = 21

A priori la seconde mesure produit une distance moins élevée. Mais il faut ici garder
les réserves formulées à la question précédente.

Exercice 4 : On utilise le code de Freeman pour décrire les contours d’objets. La

description s’effectue en progressant de pixels en pixels par connexité 8-voisins dans
le sens des aiguilles d’une montre. Soient les descripteurs de quatre objets.

Objet 1 : 0 0 2 2 0 0 6 6 0 0 6 6 4 4 4 4 4 4 2 2
Objet 2 : 3 3 3 1 1 7 7 1 1 7 7 5 5 7 7 5 5 3 3 3
Objet 3 : 0 6 4 4 4 2 0 2 0 6
Objet 4 : 0 0 2 2 0 0 6 6 6 6 6 6 4 4 2 2 4 4 2 2

a) Donner les courbes de ces quatre objets en se basant sur leurs descripteurs ci-
dessus.
b) Quelle sera le descripteur de l’objet 3 en lui faisant une dilatation d’un facteur
de 2.
c) Quelle sera le descripteur de l’objet 2 en lui faisant une réduction d’un facteur
de 3. Y a-t-il une distorsion ?
d) Montrer qu’en faisant tourner une courbe de kx2Π/n (dans le cas d’une chaîne
de Freeman en n connexités), on ajoute ou on retranche k modulo n à la
chaîne initiale.
 Codage dans le sens des aiguilles d’une montre
Durant la réduction on applique la simplification d’un chemin. Un chemin est
simplifié, si la suppression des détails ne change pas globalement sa forme. Cela
s’obtient en remplaçant des séquences de p codes de connexité par des codes de
connexité équivalents reliant les mêmes points.
• Exemple en 4-connexité : {012} → {1}
• Exemple en 8-connexité : {03} → {2}

Exercice 5 : Proposer un calcul de distance qui soit invariante a la rotation. Montrer,

en utilisant les exemples de la question 1, que l’invariance à la rotation est bien
respectée et que les propriétés suivantes des distances sont bien vérifiées :
- d(x, x) = 0
- d(x, y) est inférieure ou égale à d(x, z)+d(z, y)
- d(x, y)=d(y, x)

Corrigé : Ceci est une proposition :

TailleCode 1 TailleCode 2
min81 ∑ ∑ |Code 1k−mod ( Code 2mod ( k+l , TailleCode2 )+ i , 8 )|
k=1 l=1

Cette mesure teste tous les appariements successifs du deuxième code avec le
premier, et pour chaque appariement, les 8 orientations possibles de la seconde forme
en incrémentant progressivement le code (variable i). On compte le nombre de fois
que chaque partie du code 2 correspond au code 1 pour une orientation donnée.

Exercice 6: Distance couleur

Soient 2 images I1 et I2 de 4000 pixels chacune. L’image I1 comporte 2 couleurs C11
et C12. L’image I2 comporte également 2 couleurs C21 et C22. On calcule les
histogrammes de couleur sur I1 et I2 et on range les résultats dans les tableaux H1 et
H2.

On suppose que C11=C21 et que C12=C22, donner la valeur de la mesure de

similarité par intersection d’histogramme dans les trois cas suivants :

Cas 1 : H1(C11)=1000 ; H1(C12)=3000 ; H2(C21)=3000 ; H2(C22)=1000

Cas 2 : H1(C11)=2000 ; H1(C12)=2000 ; H2(C21)=2000 ; H2(C22)=2000
Cas 3 : H1(C11)=3000 ; H1(C12)=1000 ; H2(C21)=1000 ; H2(C22)=3000

Réponse :

Cas 1 : Intersection1(H1,H2)= 1000 + 1000 = 2000.

Cas 2 : Intersection2(H1,H2)= 2000 + 2000 = 4000.
Cas 3 : Intersection3(H1,H2)= 1000 + 1000 = 2000.
Exercice 7: Indexation par la texture
On dispose d’une image de 4x4 pixels. Ces pixels ont une intensité comprise entre 0
et 3. On identifie une relation spatiale R entre deux pixels P1(x1, y1) et P2(x2, y2) par
:
x2=x1+1 et y2=y1.
On calcule la matrice de cooccurrence selon cette relation.
Pour chaque matrice de cooccurrence suivante, donner un exemple de distribution des
intensités dans l’image correspondante, lorsque le cas est possible :
Exercice 8 : Décrire le processus de recherche et d’indexation basé sur les
descripteurs binaires des régions. Où fera-t-on les rotations de 180° et les opérations
des demi-tours horizontale et verticale. Et pourquoi ?

Corrigé : Voir les sections 3.7.8 et 3.7.6 sur « d'autres opérations sur la forme » et
« résumé du processus d’indexation et de recherche ».