Théorie de la détection et ses applications industrielles
Rafael GROMPONE
Image processingModelling

Objectif du cours

Préambule

Cela fait assez longtemps que notre équipe au Centre Borelli est confrontée à une majorité de problèmes industriels dont le but final est la détection d’objets ou d’événements dans des images ou des séries d’images. Nous avons de plus en plus d’élèves en thèse sur ce sujet, et 

nous sentons le besoin de proposer la formation adéquate dans le MVA, où le sujet n’est pas réellement traité. En effet les cours de reconnaissance des formes du MVA sont orientés vers la classification et l’apprentissage profond. Or classification n’est pas détection, la détection se caractérisant généralement par le défaut d’exemples en nombre suffisant pour se ramener à un problème classificatoire. C’est particulièrement le cas pour la détection d’anomalies dans les pièces industrielles,  ou la détection d’évènements inattendus dans une vidéo ou une série d’images satellitaires, sujets sur lesquels nous avons maintenant accès à une vaste gamme de problèmes réels.

 

Une classe très importante de cas que nous traitons sont liés à l’explosion de l’imagerie satellitaire récurrente, qui fournit des séries temporelles (lacunaires) de tout point de la terre. L’apprentissage par l’exemple est notoirement impossible en raison de la variabilité des séries, de leur nombre quand même limité et de l’impossibilité de disposer d’une annotation fiable. 

Pour donner une idée de la variété des partenaires industriels impliqués actuellement, mentionnons Kayrros (détection d’événements en imagerie radar et optique satellitaire), Tarkett et SURYS (anomalies d’impression), Visionairy (anomalies dans une vaste gamme de pièces industrielles, verres optiques, etc.), Office of Naval Research (détection de réflecteurs cohérents en imagerie SAR), Agence France Presse et Police Nationale (détection de falsifications d’images et vidéo). Précisons par exemple que l’application de la détection de falsification d’images par apprentissage profond est un échec, et que les méthodes que nous expliquerons dans le cours fonctionnent.

 

Positionnement dans le MVA: le cours Deep learning introduit à la classification et il en est de même du cours Object recognition and computer vision.  Le cours Méthodes stochastiques pour l’analyse d’images aborde les modèles a contrario dans la seconde partie d’une seule séance, donc il y aura un petit recouvrement avec le cours proposé. Les méthodes classiques de traitement d’images que nous utiliserons (recalage et flot optique par exemple) seront introduites avec plus ou moins de détail selon les connaissances des élèves, qui auront pu les acquérir en école ou dans les cours du MVA introduisant au traitement d’images, (par exemple le cours  Introduction à l’imagerie numérique)

 

Objectifs de formation

Le but du cours est d’entraîner les élèves à une discipline qui semble être une des applications les plus fréquentes de l’analyse d’images, de vidéo et de séries temporelles, la détection.  Celle-ci peut se décliner par exemple comme: 

 

-détection de structure géométrique spécifique (alignements, disques, ellipses, points de fuite)

-détection d’anomalie dans une pièce industrielle

-recalage d’images et reconnaissance des zones de visibilité

-détection de nuages en imagerie satellitaire

-détection d’événements disruptifs (chantiers, défrichements,…) dans une série temporelle d’images satellitaires

-détection de petits objets sur des fonds mouvants

-détection de bavures d’impression

-détection de falsifications d’images

 

Ces exemples applicatifs et d’autres seront traités dans le cours pour montrer qu’on peut passer directement à l’application réelle par l’usage flexible d’une théorie rigoureuse, impliquant toutefois une connaissance fine de la structure des images et vidéos.

 

Le cours enseignera donc  les éléments théoriques et la pratique du traitement d’images et de vidéo nécessaires pour mener à bien ce type de détection automatique (recalage, flot optique, échantillonnage, égalisation notamment).  La théorie de détection a contrario jouera un rôle central dans ce cours, comme l’indiquent les quelques 150 articles cités plus bas et l’utilisant pour la détection. En effet elle permet d’établir des seuils de détection prouvés a priori.

 

La difficulté de cette théorie qui mérite une formation, c’est que ses principes sont simples et facilement exposés, relevant d’éléments de statistique et de géométrie stochastique. Mais il faut apprendre à construire pour chaque problème de détection un modèle simple et adapté, appelé modèle de fond, ou modèle  a contrario. Il requiert systématiquement une analyse fine des données dites de fond du point de vue de leur échantillonnage, leur calibration, et de la validité de l’indépendance des variables stochastiques observées.  Aussi après un exposé des principes généraux, le cours s’appuiera sur une série d’études de cas détaillées. Le cours est propédeutique à la recherche et introduira aussi à des problèmes actuellement encore non résolus.

 

Organisation des séances

Programme du cours

1-Introduction: perception visuelle, théorie de la gestalt, discussion d’une définition de la vision humaine et animale

2-La nature discrète des images: échantillonnage, théorie de  Shannon, les limites de l’information présente: bruit et flou, la théorie d’Attneave.

3-Principes de statistique conduisant à la détection d’objets modélisables. Notion de p-value, de maximum de vraisemblance.  Exemples en reconnaissance des formes.

4-Théorie a contrario: notion de modèle de fond, de NFA, (son lien avec le PFER), modélisation gaussienne du fond et de la forme à détecter (sur quelques exemples).

5-Une problématique générique: la détection d’anomalies dans les images, les différentes théories en présence, l’apport de l’a contrario. On comparera notamment la théorie bayésienne basée sur des gaussiennes et mélanges gaussiens, la théorie basée sur la constitution de dictionnaires et l’hypothèse de parcimonie des données “normales”, et l’apport des méthodes non-locales pour réduire la complexité du problème.

6-En particulier on comparera  sur des exemples les théories classiques de la détection d’anomalies en imagerie hyperspectrale, partant de la méthode RX et de ses extensions.

7-Détection dans les séries temporelles: La problématique du recalage d’images et de la reconnaissance des répétitions.  Le recalage radiométrique.

8-Applications à l’imagerie satellitaire récurrente, qui est un domaine actuellement en pleine explosion: détection de nuages, détection et catégorisation temporelle des changements (récurrents, définitifs, temporaires). 

Déroulé du cours

 7 à 9 séances de trois heures décomposées en théorie + une analyse de cas. Les étudiants devront rendre régulièrement des exercices élucidant les points techniques du cours, faire des rapports expérimentaux (basés sur des articles IPOL avec démo en ligne), et ils devront aussi mener au moins une analyse approfondie d’un article de détection.

Références

Références du cours 

 

– F Attneave, « Some informational aspects of visual perception », Psychological review, 1954.

-C. E. Shannon. A mathematical theory of communication. ACM SIGMOBILE mobile computing and communications review, 2001, vol. 5, no 1, p. 3-55.

– A Desolneux, L Moisan, JM Morel, « From gestalt theory to image analysis: a probabilistic approach », Springer, 2007.

– R Grompone, « A Contrario Line Segment Detection », Springer, 2014.

– A Gordon, G Glazko, X Qiu, A Yakovlev, « Control of the mean number of false discoveries, Bonferroni and stability of multiple testing », The Annals of Applied Statistics 1 (1), 179-190, 2007.

– A Desolneux, L Moisan, JM Morel, « Meaningful alignments », International journal of computer vision 40 (1), 7-23, 2000.

– A Desolneux, L Moisan, JM Morel, « Edge detection by Helmholtz principle », Journal of mathematical imaging and vision 14 (3), 271-284, 2001.

– A Desolneux, L Moisan, JM Morel, « Maximal meaningful events and applications to image analysis », The Annals of Statistics 31 (6), 1822-1851, 2003.

– R Grompone, J Jakubowicz, JM Morel, G Randall, « LSD: A fast line segment detector with a false detection control », IEEE transactions on pattern analysis and machine intelligence 32 (4), 722-732, 2010.

– J Lezama, JM Morel, G Randall, R Grompone, « A contrario 2D point alignment detection », IEEE transactions on pattern analysis and machine intelligence 37 (3), 499-512, 2015.

– V Pătrăucean, P Gurdjos, R Grompone, « Joint A Contrario Ellipse and Line Detection », IEEE Transactions on Pattern Analysis and Machine Intelligence 39 (4), 788-802, 2017.

– A Almansa, A Desolneux, S Vamech, « Vanishing point detection without any a priori information », IEEE Transactions on Pattern Analysis and Machine Intelligence 25 (4), 502-507, 2003.

– J Lezama, R Grompone, G Randall, JM Morel, « Finding vanishing points via point alignments in image primal and dual domains », CVPR, 2014.

– T Ehret, A Davy, JM Morel, M Delbracio, « Image anomalies: A review and synthesis of detection methods », Journal of Mathematical Imaging and Vision 61 (5), 710-743, 2019.

– T Ehret, A Davy, M Delbracio, JM Morel, « How to Reduce Anomaly Detection in Images to Anomaly Detection in Noise », Image Processing On Line 9, 391-412, 2019.

– T Dagobert, JM Morel, C de Franchis, R Grompone, « Visibility Detection in Time Series of Planetscope Images », IGARSS 2019 – 2019 IEEE International Geoscience and Remote Sensing Symposium, 2019.

– R Grompone, C Hessel, T Dagobert, JM Morel, C de Franchis, « Temporal repetition detection for ground visibility assessment », XXIV ISPRS Congress, International Society for Photogrammetry and Remote Sensing, V-2-2020, 829-835, 2020.

– F Cao, J Delon, A Desolneux, P Musé, F Sur. « A unified framework for detecting groups and application to shape recognition », Journal of Mathematical Imaging and Vision 27 (2), 91-119, 2007.

– F Cao, JL Lisani, JM Morel, P Musé, F Sur, « A theory of shape identification », Springer, 2008.

– J Rabin, J Delon, Y Gousseau, « A statistical approach to the matching of local features », SIAM Journal on Imaging Sciences 2 (3), 931-958, 2009.

– R Grompone, V Pătrăucean, « A Contrario Patch Matching, with an Application to Keypoint Matches Validation », Image Processing (ICIP), 2015 IEEE International Conference on, 946-950, 2015.

– M Rodríguez, R Grompone, « Affine invariant image comparison under repetitive structures », 2018 25th IEEE International Conference on Image Processing (ICIP), 2018.

– A Davy, A Desolneux, JM Morel, « Detection of Small Anomalies on Moving Background », 2019 IEEE International Conference on Image Processing (ICIP), 2015-2019, 2019.

– T Nikoukhah, J Anger, T Ehret, M Colom, JM Morel, R Grompone, « JPEG grid detection based on the number of DCT zeros and its application to automatic and localized forgery detection », CVPR, 2019.

– Q Bammey, R Grompone, JM Morel, « Reliable Demosaicing Detection for Image Forensics », European Signal Processing Conference, EUSIPCO, 2019.

– T Ehret, « Robust copy-move forgery detection by false alarms control », arXiv preprint arXiv:1906.00649, 2019.

 

Autres références sur la théorie de la détection:

 

– A Desolneux, L Moisan, JM Morel, « A grouping principle and four applications », IEEE Transactions on Pattern Analysis and Machine Intelligence 25 (4), 508-513, 2003.

– A Desolneux, L Moisan, JM Morel, « Computational gestalts and perception thresholds », Journal of Physiology-Paris 97 (2-3), 311-324, 2003.

– A Desolneux, L Moisan, JM Morel, « Gestalt theory and computer vision », Seeing, Thinking and Knowing, 71-101, 2004.

– A Desolneux, L Moisan, JM Morel, « The non-accidentalness principle for visual perception », Handbook of Experimental Phenomenology: Visual Perception of Shape, Space and Appearance, 499-514, 2013.

– A Desolneux F Doré, « An anisotropic a contrario framework for the detection of convergences in images », Journal of Mathematical Imaging and Vision , Vol. 56(1), pp. 32-56, 2016.

– A. Desolneux, « When the a contrario approach becomes generative », International Journal of Computer Vision, Vol. 116(1), pp. 46-65, 2016.

– P Musé, F Sur, F Cao, Y Gousseau, JM Morel, « An A Contrario Decision Method for Shape Element Recognition », International Journal of Computer Vision 69 (3), 295-315, 2006.

– P Musé, F Sur, F Cao, Y Gousseau, JM Morel, « Shape recognition based on an a contrario methodology », Statistics and Analysis of Shapes, 107-136, 2006.

– F Cao, P Musé, F Sur, « Extracting meaningful curves from images », Journal of Mathematical Imaging and Vision 22 (2-3), 159-181, 2005.

– T Veit, F Cao, P Bouthemy, « An a contrario Decision Framework for Region-Based Motion Detection », International journal of computer vision 68 (2), 163-178, 2006.

– P Musé, F Sur, F Cao, Y Gousseau, « Unsupervised thresholds for shape matching », ICIP 2003.

– F Cao, « Application of the Gestalt principles to the detection of good continuations and corners in image level lines », Computing and Visualization in Science 7 (1), 3-13, 2004.

– T Veit, F Cao, P Bouthemy, « Probabilistic parameter-free motion detection », CVPR 2004.

– F Cao, « Good continuations in digital image level lines », ICCV 1, 440-448, 2003.

– T Veit, F Cao, P Bouthemy, « Space-time a contrario clustering for detecting coherent motions », Proceedings 2007 IEEE International Conference on Robotics and Automation, 33-39, 2007.

– T Veit, F Cao, P Bouthemy, « A maximality principle applied to a contrario motion detection », IEEE International Conference on Image Processing 2005 1, I-1061, 2005.

– F Cao, R Fablet, « Automatic morphological detection of otolith nucleus », Pattern Recognition Letters 27 (6), 658-666, 2006.

– F Cao, P Bouthemy, « A general principled method for image similarity validation », International Workshop on Adaptive Multimedia Retrieval, 57-70, 2006.

– P Musé, F Sur, F Cao, Y Gousseau, JM Morel, « Shape recognition based on an a contrario methodology », Statistics and Analysis of Shapes, 107-136, 2006.

– L Moisan, B Stival, « A probabilistic criterion to detect rigid point matches between two images and estimate the fundamental matrix », International Journal of Computer Vision 57 (3), 201-218, 2004.

– L Moisan, P Moulon, P Monasse, « Automatic Homographic Registration of a Pair of Images, with A Contrario Elimination of Outliers », Image Processing On Line (IPOL), 2012.

– A Robin, L Moisan, L Hégarat-Mascle, « An A-Contrario Approach for Subpixel Change Detection in Satellite Imagery », Pattern Analysis and Machine Intelligence, IEEE Transactions on, 32(11), 1977-1993, 2010.

– B Grosjean, L Moisan, « A-contrario detectability of spots in textured backgrounds », Journal of Mathematical Imaging and Vision 33 (3), 313-337, 2009.

– L Moisan, P Moulon, P Monasse, « Fundamental Matrix of a Stereo Pair, with A Contrario Elimination of Outliers », Image Processing On Line 6, 89-113, 2016.

– M Primet, L Moisan, « Point tracking: an a-contrario approach », preprint MAP5 n°2012-06, 2012.

– A Robin, L Moisan, L Hegarat-Mascle, « An unsupervised approach for subpixelic land-cover change detection », International Workshop on the Analysis of Multi-temporal Remote Sensing Images, 1-6, 2007.

– M Dimiccoli, JP Jacob, L Moisan, « Particle detection and tracking in fluorescence time-lapse imaging: a contrario approach », Machine Vision and Applications 27 (4), 511-527, 2016.

– F Espuny, P Monasse, L Moisan, « A New A Contrario Approach for the Robust Determination of the Fundamental Matrix », Proceedings of workshop Geometric Computation in Computer Vision, 2013.

– R Abergel, L Moisan, « Accelerated A-contrario Detection of Smooth Trajectories », EUSIPCO (European Signal Processing Conference), 2200-2204, 2014.

– V Vidal, M Limbert, T Ceillier, L Moisan, « Aggregated primary detectors for generic change detection in satellite images », IGARSS, 2019.

– L Moisan, B Stival, « Automatic detection of rigid point matches », Motion and Video Computing, 2002. Proceedings. Workshop on, 235-240, 2002.

– G Blanchet, L Moisan, B Rougé, « A-contrario ringing detection and Shannon-compliant images », preprint MAP5, 2009.

– B Coulange, L Moisan, « An aliasing detection algorithm based on suspicious colocalizations of fourier coefficients », IEEE International Conference on Image Processing, 2013-2016, 2010.

– J Delon, A Desolneux, JL Lisani, AB Petro, « A nonparametric approach for histogram segmentation », IEEE Transactions on Image Processing 16 (1), 253-261, 2006.

– J Rabin, J Delon, Y Gousseau, L Moisan, « MAC-RANSAC: a robust algorithm for the recognition of multiple objects », 2010.

– J Rabin, J Delon, Y Gousseau, « A contrario matching of SIFT-like descriptors », 2008 19th International Conference on Pattern Recognition, 1-4, 2008.

– F Dellinger, J Delon, Y Gousseau, J Michel, F Tupin, « Change detection for high resolution satellite images, based on SIFT descriptors and an a contrario approach », 2014 IEEE Geoscience and Remote Sensing Symposium, 1281-1284, 2014.

– G Liu, J Delon, Y Gousseau, F Tupin, « Unsupervised change detection between multi-sensor high resolution satellite images », 2016 24th European Signal Processing Conference (EUSIPCO), 2435-2439, 2016.

– B Mazin, J Delon, Y Gousseau, « Combining color and geometry for local image matching », Pattern Recognition (ICPR), 2012 21st International Conference on, 2012.

– F Dellinger, J Delon, Y Gousseau, J Michel, F Tupin, « SAR-SIFT: a SIFT-like algorithm for SAR images », IEEE Transactions on Geoscience and Remote Sensing 53 (1), 453-466, 2014.

– F Dellinger, J Delon, Y Gousseau, J Michel, F Tupin, « SAR-SIFT: A SIFT-like algorithm for applications on SAR images », 2012 IEEE International Geoscience and Remote Sensing Symposium, 3478-3481, 2012.

– T Hurtut, Y Gousseau, F Schmitt, « Adaptive image retrieval based on the spatial organization of colors », Computer Vision and Image Understanding 112 (2), 101-113, 2008.

– P Moulon, P Monasse, R Marlet, « Adaptive structure from motion with a contrario model estimation », Asian Conference on Computer Vision, 257-270, 2012.

– Y Salaün, R Marlet, P Monasse, « The Multiscale Line Segment Detector », International Workshop on Reproducible Research in Pattern Recognition, 167-178, 2016.

– V De Bortoli, A Desolneux, B Galerne, A Leclaire, « Patch redundancy in images: a statistical testing framework and some applications », SIAM Journal on Imaging Sciences 12 (2), 893-926, 2019.

– GS Xia, J Delon, Y Gousseau, « Accurate junction detection and characterization in natural images », International journal of computer vision 106 (1), 31-56, 2014.

– F Dellinger, J Delon, Y Gousseau, J Michel, F Tupin, « Change detection for high resolution satellite images, based on SIFT descriptors and an a contrario approach », 2014 IEEE Geoscience and Remote Sensing Symposium, 1281-1284, 2014.

– A Myaskouvskey, Y Gousseau, M Lindenbaum, « Beyond independence: An extension of the a contrario decision procedure », International journal of computer vision 101 (1), 22-44, 2013.

– A Newson, A Almansa, Y Gousseau, P Pérez, « Robust automatic line scratch detection in films », IEEE transactions on image processing 23 (3), 1240-1254, 2014.

– G Liu, Y Gousseau, F Tupin, « A Contrario Comparison of Local Descriptors for Change Detection in Very High Spatial Resolution Satellite Images of Urban Areas », IEEE Transactions on Geoscience and Remote Sensing 57 (6), 3904-3918, 2019.

– B Mazin, J Delon, Y Gousseau, « Combining color and geometry for local image matching », ICPR 2012.

– GS Xia, J Delon, Y Gousseau, « An accurate and contrast invariant junction detector », ICPR 2012.

– C Liu, R Abergel, Y Gousseau, F Tupin, « A line segment detector for sar images with controlled false alarm rate », IGARSS 2018.

– C Liu, R Abergel, Y Gousseau, F Tupin, « LSDSAR, a Markovian a contrario framework for line segment detection in SAR images », Pattern Recognition 98, 107034, 2020.

– N Sabater, JM Morel, A Almansa, « How accurate can block matches be in stereo vision? », SIAM Journal on Imaging Sciences 4 (1), 472-500, 2011.

– N Sabater, A Almansa, JM Morel, « Meaningful matches in stereovision », IEEE transactions on pattern analysis and machine intelligence 34 (5), 930-942, 2011.

– N Sabater, JM Morel, A Almansa, G Blanchet, « Discarding moving objects in quasi-simultaneous stereovision », 2010 IEEE International Conference on Image Processing, 2957-2960, 2010.

– N Sabater, JM Morel, A Almansa, « Sub-pixel stereo matching », 2010 IEEE International Geoscience and Remote Sensing Symposium, 3182-3185, 2010.

– N Sabater, G Blanchet, L Moisan, A Almansa, JM Morel, « Review of low-baseline stereo algorithms and benchmarks », Image and Signal Processing for Remote Sensing XVI 7830, 783005, 2010.

– L Igual, J Preciozzi, L Garrido, A Almansa, V Caselles, B Rougé, « Automatic low baseline stereo in urban areas », Inverse Problems and Imaging. 2007; 1 (2), 2007.

– A Almansa, M Gerschuni, A Pardo, J Preciozzi, « Processing of 2D electrophoresis gels », 1st International Workshop on Computer Vision Applications for Developing Regions in Conjunction with ICCV, 2007.

– M Tepper, F Gómez, P Musé, A Almansa, M Mejail, « Morphological shape context: semi-locality and robust matching in shape recognition », Iberoamerican Congress on Pattern Recognition, 129-136, 2009.

– M Tepper, P Musé, A Almansa, M Mejail, « Finding contrasted and regular edges by a contrario detection of periodic subsequences », Pattern recognition 47 (1), 72-79, 2014.

– M Tepper, P Musé, A Almansa, M Mejail, « Finding edges by a contrario detection of periodic subsequences », Iberoamerican Congress on Pattern Recognition, 773-780, 2012.

– M Tepper, P Musé, A Almansa, M Mejail, « Automatically finding clusters in normalized cuts », Pattern Recognition 44 (7), 1372-1386, 2011.

– C Aguerrebere, P Sprechmann, P Musé, R Ferrando, « A-contrario localization of epileptogenic zones in SPECT images », 2009 IEEE International Symposium on Biomedical Imaging: From Nano to Macro, 2009.

– A Cerri, D Giorgi, P Musé, F Sur, F Tomassini, « Shape recognition via an a contrario model for size functions », 2006.

– M Tepper, P Musé, A Almansa, « Meaningful clustered forest: an automatic and robust clustering algorithm », arXiv preprint arXiv:1104.0651, 2011.

– M Tepper, P Musé, A Almansa, « On the role of contrast and regularity in perceptual boundary saliency », Journal of mathematical imaging and vision 48 (3), 396-412, 2014.

– R Ferrando, C Aguerrebere, G Albín, A Gómez, A Fernández, F Miceli, A Mottini, P Musé, M Núñez, P Sprechmann, « Localization of epiloptogenic zones in SPECT images using an A-Contrario based algorithm. Evaluation with virtual phantoms and patients », Journal of Nuclear Medicine 51 (supplement 2), 494-494, 2010.

– M Tepper, G Sapiro, « A biclustering framework for consensus problems », SIAM Journal on Imaging Sciences 7 (4), 2488-2525, 2014.

– M Mottalli, M Tepper, M Mejail, « A contrario detection of false matches in iris recognition », Iberoamerican Congress on Pattern Recognition, 442-449, 2010.

– M Tepper, G Sapiro, « Intersecting 2D lines: A simple method for detecting vanishing points », 2014 IEEE International Conference on Image Processing (ICIP), 1056-1060, 2014.

– M Tepper, D Acevedo, N Goussies, J Jacobo, M Mejail, « A decision step for shape context matching », 2009 16th IEEE International Conference on Image Processing (ICIP), 409-412, 2009.

– P Negri, M Tepper, D Acevedo, J Jacobo, M Mejail, « Multiple clues for license plate detection and recognition », Iberoamerican Congress on Pattern Recognition, 269-276, 2010.

– R Grompone, J Jakubowicz, JM Morel, G Randall, « LSD: A line segment detector », Image Processing On Line 2, 35-55, 2012.

– R Grompone, J Jakubowicz, JM Morel, G Randall, « On straight line segment detection », Journal of Mathematical Imaging and Vision 32 (3), 313-347, 2008.

– R Grompone, J Jakubowicz, G Randall, « Multisegment detection », ICIP 2007.

– R Grompone, J Jakubowicz, « On computational Gestalt detection thresholds », Journal of Physiology-Paris 103 (1), 4-17, 2009.

– R Grompone, J Delon, JM Morel, « The collaboration of grouping laws in vision », Journal of Physiology-Paris 106 (5), 266-283, 2012.

– V Pătrăucean, P Gurdjos, R Grompone, « A parameterless line segment and elliptical arc detector with enhanced ellipse fitting », ECCV 2012, 572-585, 2012.

– V Pătrăucean, R Grompone, M Ovsjanikov, « Detection of mirror-symmetric image patches », Computer Vision and Pattern Recognition Workshops (CVPRW), 211-216, 2013.

– J Lezama, G Randall, R Grompone, « Vanishing Point Detection in Urban Scenes Using Point Alignments », IPOL Journal: Image Processing On Line 7, 131-164, 2017.

– J Lezama, G Randall, JM Morel, R Grompone, « Good continuation in dot patterns: A quantitative approach based on local symmetry and non-accidentalness », Vision research 126, 183-191, 2016.

– J Lezama, G Randall, JM Morel, R Grompone, « An unsupervised algorithm for detecting good continuation in dot patterns », IPOL: Journal Image Processing On Line, 2017, vol. 7, pp. 81–92, 2017.

– J Lezama, G Randall, JM Morel, R Grompone, « An unsupervised point alignment detection algorithm », Image Processing On Line 5, 296-310, 2015.

– J Lezama, R Grompone, G Randall, JM Morel, « A contrario detection of good continuation of points », 2014 IEEE International Conference on Image Processing (ICIP), 4757-4761, 2014.

– J Lezama, S Blusseau, JM Morel, G Randall, R Grompone, « Psychophysics, gestalts and games », Neuromathematics of vision, 217-242, 2014.

– S Blusseau, A Carboni, A Maiche, JM Morel, R Grompone, « Measuring the visual salience of alignments by their non-accidentalness », Vision research 126, 192-206, 2016.

– S Blusseau, A Carboni, A Maiche, JM Morel, R Grompone, « A psychophysical evaluation of the a contrario detection theory », 2014 IEEE International Conference on Image Processing (ICIP), 1091-1095, 2014.

– R Grompone, G Randall, « Unsupervised Smooth Contour Detection », IPOL Journal: Image Processing On Line 6, 233-267, 2016.

– E Bughin, A Almansa, R Grompone, Y Tendero, « Fast plane detection in disparity maps », Image Processing (ICIP), 2010 17th IEEE International Conference on, 2961-2964, 2010.    

– B Rajaei, R Grompone, JM Morel, « From line segments to more organized gestalts », 2016 IEEE Southwest Symposium on Image Analysis and Interpretation (SSIAI), 137-140, 2016.

– B Rajaei, R Grompone, « Gestaltic Grouping of Line Segments », IPOL Journal: Image Processing On Line 8, 37–50, 2018.

– B Rajaei, R Grompone, « A Contrario Elliptical Arc, Circular Arc and Line Segment Detection », 15th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications (VISAPP), 2020.

– B Rajaei, R Grompone, G Facciolo, JM Morel, « Straight subjective contour detector », 10th International Symposium on Image and Signal Processing and Analysis, 2017.

– Q Bammey, R Grompone, JM Morel, « Automatic detection of demosaicing image artifacts and its use in tampering detection », 2018 IEEE Conference on Multimedia Information Processing and Retrieval (MIPR), 424-429, 2018.

– T Nikoukhah, R Grompone, M Colom, JM Morel, « Automatic JPEG grid detection with controlled false alarms, and its image forensic applications », IEEE Conference on Multimedia Information Processing and Retrieval, 378–383, 2018.

– T Nikoukhah, M Colom, JM Morel, R Grompone, « Local JPEG Grid Detector via Blocking Artifacts, a Forgery Detection Tool », IPOL Journal: Image Processing On Line 10, 24-42, 2020.

– L Di Martino, A Fernández, R Grompone, F Lecumberry, J Preciozzi, « A statistical approach to reliability estimation for fingerprint recognition », BIOSIG 2016.

– L Di Martino, J Preciozzi, R Grompone, G Garella, A Fernandez, F Lecumberry, « An a-contrario Biometric Fusion Approach », IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), 2020.

– Á Gómez, G Randall, R Grompone, « A Contrario 3D Point Alignment Detection Algorithm », IPOL Journal: Image Processing On Line 7, 399–417, 2017.

– A Tadros, S Drouyer, R Grompone, L Carvalho, « Oil tank detection in satellite images via a-contrario clustering », IEEE International Geoscience and Remote Sensing Symposium, 2020.

– T Dagobert, R Grompone, JM Morel, C de Franchis, « Temporal Repetition Detector for Time Series of Spectrally Limited Satellite Imagers », IPOL Journal: Image Processing On Line 10, 62-77, 2020.

– J Kherroubi, E Meinhardt-Llopis, R Grompone, J Costes, G Facciolo, JM Morel, « Automatic Dip Picking in Borehole Images », US Patent 10121261B2, 2018.

– F Sur, N Noury, MO Berger, « Computing the uncertainty of the 8 point algorithm for fundamental matrix estimation », BMVC, 2008.

– N Noury, F Sur, MO Berger, « Fundamental matrix estimation without prior match », 2007 IEEE International Conference on Image Processing 1, I-513-I-516, 2007.

– F Sur, « An a-contrario approach to quasi-periodic noise removal », IEEE International Conference on Image Processing (ICIP), 2015.

– F Sur, « Robust matching in an uncertain world », 2010 20th International Conference on Pattern Recognition, 2350-2353, 2010.

– F Sur, N Noury, MO Berger, « Image point correspondences and repeated patterns », INRIA research report RR-7693, 2011.

– F Sur, N Noury, MO Berger, « An a contrario model for matching interest points under geometric and photometric constraints », SIAM Journal on Imaging Sciences 6 (4), 1956-1978, 2013.

– N Noury, F Sur, MO Berger, « Determining point correspondences between two views under geometric constraint and photometric consistency », INRIA research report RR-7246, 2010.

 

– E Meinhardt, E Zacur, AF Frangi, V Caselles, « 3D edge detection by selection of level surface patches », Journal of Mathematical Imaging and Vision 34 (1), 1, 2009.

– E Meinhardt-Llopis, « Edge detection by selection of pieces of level lines », 2008 15th IEEE International Conference on Image Processing, 613-616, 2008.

– J Cardelino, V Caselles, M Bertalmío, G Randall, « A contrario hierarchical image segmentation », 2009 16th IEEE International Conference on Image Processing (ICIP), 4041-4044, 2009.

– J Cardelino, V Caselles, M Bertalmio, G Randall, « A contrario selection of optimal partitions for image segmentation », SIAM Journal on Imaging Sciences 6 (3), 1274-1317, 2013.

– L Di Martino, J Preciozzi, F Lecumberry, A Fernández, « Face matching with an a contrario false detection control », Neurocomputing 173, 64-71, 2016.

– LD Di Martino, J Preciozzi, F Lecumberry, A Fernández, « An a-contrario Approach for Face Matching », ICPRAM, 377-384, 2014.

– JL Lisani, S Ramis, FJ Perales, « A contrario detection of faces: a case example », SIAM Journal on Imaging Sciences 10 (4), 2091-2118, 2017.

– JL Lisani, S Ramis, « A Contrario Detection of Faces with a Short Cascade of Classifiers », Image Processing On Line 9, 269-290, 2019.

– C Akinlar, C Topal, « EDLines: A real-time line segment detector with a false detection control », Pattern Recognition Letters 32 (13), 1633-1642, 2011.

– C Topal, C Akinlar, « Edge drawing: a combined real-time edge and segment detector », Journal of Visual Communication and Image Representation 23 (6), 862-872, 2012.

– C Akinlar, C Topal, « EDCircles: A real-time circle detector with a false detection control », Pattern Recognition 46 (3), 725-740, 2013.

– C Akinlar, C Topal, « Edlines: Real-time line segment detection by edge drawing (ed) », 2011 18th IEEE International Conference on Image Processing, 2837-2840, 2011.

– C Akinlar, C Topal, « EDPF: a real-time parameter-free edge segment detector with a false detection control », International Journal of Pattern Recognition and Artificial Intelligence, 2012.

– C Akinlar, C Topal, « Colored: color edge and segment detection by edge drawing (ed) », Journal of Visual Communication and Image Representation 44, 82-94, 2017.

– C Akinlar, C Tonal, « EDCircles: Real-time circle detection by Edge Drawing (ED) », ICASSP, 2012.

– X Lu, J Yao, K Li, L Li, « Cannylines: A parameter-free line segment detector », 2015 IEEE International Conference on Image Processing (ICIP), 507-511, 2015.

– A Joly, O Buisson, « Logo retrieval with a contrario visual query expansion », Proceedings of the 17th ACM international conference on Multimedia, 581-584, 2009.

– S Rodríguez-Jiménez, N Burrus, M Abderrahim, « A-contrario detection of aerial target using a time-of-flight camera », IET Digital Library, 2012.

– N Burrus, TM Bernard, JM Jolion, « Bottom-Up and Top-Down Object Matching Using Asynchronous Agents and a Contrario Principles », International Conference on Computer Vision Systems, 343-352, 2008.

– N Burrus, TM Bernard, JM Jolion, « Image segmentation by a contrario simulation », Pattern Recognition 42 (7), 1520-1532, 2009.

– G Simon, A Fond, MO Berger, « A-contrario horizon-first vanishing point detection using second-order grouping laws », Proceedings of the European Conference on Computer Vision (ECCV), 318-333, 2018.

– F Dibos, S Pelletier, G Koepfler, « Real-time segmentation of moving objects in a video sequence by a contrario detection », IEEE International Conference on Image Processing 2005 1, I-1065, 2005.

– G Koepfler, F Dibos, S Pelletier, B Boufama, « Real-time segmentation of moving objects in a video sequence by a contrario detection », Int. Conf. on Image Processing, 2005.

– F Rousseau, F Blanc, J De Seze, L Rumbach, JP Armspach, « An a contrario approach for outliers segmentation: Application to Multiple Sclerosis in MRI », Biomedical Imaging: From Nano to Macro, 2008. ISBI 2008. 5th IEEE International Symposium on, 2008.

– F Rousseau, S Faisan, F Heitz, JP Armspach, Y Chevalier, F Blanc, J de Seze, L Rumbach, « An a contrario approach for change detection in 3D multimodal images: Application to multiple sclerosis in MRI », Engineering in Medicine and Biology Society, 2007. EMBS 2007. 29th Annual International Conference of the IEEE, 2069-2072, 2007.

– G Palma, I Bloch, S Muller,  « Detection of masses and architectural distortions in digital breast tomosynthesis images using fuzzy and a contrario approaches », Pattern Recognition 47 (7), 2467-2480, 2014.

– S Tilie, L Laborelli, I Bloch, « A contrario false alarms removal for improving blotch detection in digitized films restoration », EURASIP 2007.

– G Palma, S Muller, I Bloch, R Iordache, « Detection of convergence areas in digital breast tomosynthesis using a contrario modeling », Medical Imaging 2009: Computer-Aided Diagnosis 7260, 72600P, 2009.

– X Huang, W Yang, H Zhang, GS Xia, « Automatic ship detection in SAR images using multi-scale heterogeneities and an a contrario decision », Remote Sensing 7 (6), 7695-7711, 2015.

– S Zair, L Hegarat-Mascle, E Seignez, « A-Contrario Modeling for Robust Localization Using Raw GNSS Data », IEEE Transactions on Intelligent Transportation Systems 17 (5), 1354 – 1367, 2016.

– S Zair, S Le Hégarat-Mascle, E Seignez, « A-contrario approach for outlier detection in GNSS positioning », 2015 International Conference on Location and GNSS (ICL-GNSS), 1-6, 2015.

– E Aldea, S Le Hégarat-Mascle, « Robust crack detection for unmanned aerial vehicles inspection in an a-contrario decision framework », Journal of Electronic Imaging 24 (6), 061119, 2015.

– M Ammar, S Le Hégarat-Mascle, « An a-contrario approach for object detection in video sequence », International Journal of Pure and Applied Mathematics 89 (2), 173-201, 2013.

– M Ammar, S Le Hégarat-Mascle, R Reynaud, A Robin, « Video scene object detection using an A Contrario approach », First Workshops on Image Processing Theory, Tools and Applications, 1-8, 2008.

– M Ammar, S Le Hégarat-Mascle, M Vasiliu, H Mounier, « An a-contrario approach for obstacle detection in assistance driving systems », International Conference Image Analysis and Recognition, 392-401, 2012.

– SL Hégarat-Mascle, A Robin, R Reynaud, « Simultaneous Localization and Object Detection using an a-contrario approach », Proceedings of the Seventh Indian Conference on Computer Vision, Graphics and Image Processing, 2010.

– N Widynski, M Mignotte, « A contrario edge detection with edgelets », ICSIPA 2011.

– A Flenner, L Peterson, J Bunk, TM Mohammed, L Nataraj, BS Manjunath, « Resampling forgery detection using deep learning and a-contrario analysis », Electronic Imaging 2018 (7), 212-1-212-7, 2018.

– A Flenner, G Hewer, « A Helmholtz principle approach to parameter free change detection and coherent motion using exchangeable random variables », SIAM Journal on Imaging Sciences 4 (1), 243-276, 2011.

– P Hellier, V Demoulin, L Oisel, P Pérez, « A contrario shot detection », 2012 19th IEEE International Conference on Image Processing, 3085-3088, 2012.

– A Robin, G Mercier, G Moser, S Serpico, « An a-contrario approach for unsupervised change detection in radar images », 2009 IEEE International Geoscience and Remote Sensing Symposium 4, IV-240-IV-243, 2009.

– D Nguyen, R Vadaine, G Hajduch, R Garello, R Fablet, « GeoTrackNet-A Maritime Anomaly Detector using Probabilistic Neural Network Representation of AIS Tracks and A Contrario Detection », arXiv preprint arXiv:1912.00682, 2019.

– C Maumet, P Maurel, JC Ferré, C Barillot, « An a contrario approach for the detection of patient-specific brain perfusion abnormalities with arterial spin labelling », 2016.

– C Maumet, P Maurel, E Bannier, JC Ferré, C Barillot, « A contrario detection of focal brain perfusion abnormalities based on an Arterial Spin Labeling template », 2012 9th IEEE International Symposium on Biomedical Imaging (ISBI), 1176-1179, 2012.

– F Galassi, O Commowick, E Vallee, C Barillot, « Voxel-Wise Comparison with a-contrario Analysis for Automated Segmentation of Multiple Sclerosis Lesions from Multimodal MRI », International MICCAI Brainlesion Workshop, 180-188, 2018.

– C Maumet, P Maurel, JC Ferré, C Barillot, « An a contrario approach for the detection of activated brain areas in fMRI », 2013.

– Y Wan, Y Zhang, X Liu, « An a-contrario method of mismatch detection for two-view pushbroom satellite images », ISPRS Journal of Photogrammetry and Remote Sensing, 153, 123-136, 2019.

– DL Almanza-Ojeda, M Devy, A Herbulot, « Active method for mobile object detection from an embedded camera, based on a contrario clustering », Informatics in Control, Automation and Robotics, 267-280, 2011.

– DL Almanza-Ojeda, M Devy, A Herbulot, « Incremental Detection and Tracking of Moving Objects by Optical Flow and a Contrario Method », VISAPP (1), 480-483, 2010.

– F Galassi, O Commowick, E Vallee, C Barillot, « Voxel-Wise Comparison with a-contrario Analysis for Automated Segmentation of Multiple Sclerosis Lesions from Multimodal MRI », International MICCAI Brainlesion Workshop, 180-188, 2018.

– F Xue, Q Liu, J Froment, « An a Contrario Approach for Parameters Estimation of a Motion-Blurred Image », International Workshop on Energy Minimization Methods in Computer Vision and Pattern Recognition, 2007.

– C Maumet, P Maurel, E Bannier, JC Ferré, C Barillot, « A contrario detection of focal brain perfusion abnormalities based on an Arterial Spin Labeling template », 2012 9th IEEE International Symposium on Biomedical Imaging (ISBI), 1176-1179, 2012.

– D Benarab, T Napoléon, A Alfalou, A Verney, P Hellard, « Swimmer’s Head Detection Based on a Contrario and Scaled Composite JTC Approaches », International Journal of Optics, 2020.

– Zhao, J., Chen, S., Zhao, D., Zhu, H., & Chen, X. « Unsupervised saliency detection and a-contrario based segmentation for satellite images », International Conference on Sensing Technology, pp. 678-681, 2013.

– D Peng, H Zhang, W Guo, W Yang, « Power Transmission Tower Series Extraction in PolSAR Image Based on Time-Frequency Analysis and A-Contrario Theory », Sensors 16 (11), 1862, 2016.

– G Liu, GS Xia, X Huang, W Yang, L Zhang, « A perception-inspired building index for automatic built-up area detection in high-resolution satellite images », IGARSS 2013.

– J Cheng, W Xiong, Y Wang, SC Chia, W Chen, J Du, Y Gu, VTS Kow, « Chord: Cascaded and a contrario method for hole crack detection », 2015 IEEE International Conference on Image Processing (ICIP), 3300-3304, 2015.

– J Gilles, K Heal, « A parameterless scale-space approach to find meaningful modes in histograms—Application to image and spectrum segmentation », International Journal of Wavelets, Multiresolution and Information Processing, 12(6), 2014.

– A Balinsky, H Balinsky, S Simske, « On the Helmholtz principle for data mining », Hewlett-Packard Development Company, LP, 2011.

– AA Balinsky, HY Balinsky, SJ Simske, « On helmholtz’s principle for documents processing », Proceedings of the 10th ACM symposium on Document engineering, 283-286, 2010.

– B Dadachev, A Balinsky, H Balinsky, S Simske, « On the helmholtz principle for data mining », 2012 Third International Conference on Emerging Security Technologies, 99-102, 2012.

– A Balinsky, H Balinsky, S Simske, « On the Helmholtz principle for data mining », Uncertainty Modeling, 15-35, 2017.

– Y Yang, M Song, N Li, J Bu, C Chen, « What is the chance of happening: a new way to predict where people look », ECCV, 2010.

– M Tutkan, MC Ganiz, S Akyokuş, « Helmholtz principle based supervised and unsupervised feature selection methods for text mining », Information Processing & Management 52 (5), 885-910, 2016.

– G Yu, JJ Slotine, « Visual grouping by neural oscillator networks », IEEE Transactions on neural Networks 20 (12), 1871-1884, 2009.

– M Song, D Tao, C Chen, J Bu, Y Yang, « Color-to-gray based on chance of happening preservation », Neurocomputing 119, 222-231, 2013.

– A Balinsky, H Balinsky, S Simske, « Rapid change detection and text mining », Proceedings of the 2nd Conference on Mathematics in Defence (IMA), Defence Academy, UK, 2011.

– N Xue, GS Xia, X Bai, L Zhang, W Shen, « Anisotropic-scale junction detection and matching for indoor images », IEEE Transactions on Image Processing 27 (1), 78-91, 2018.

– E Michaelsen, VV Yashina, « Simple gestalt algebra », Pattern recognition and image analysis, 2014.

– ÖE Yetgin, ÖN Gerek, « Cable and wire detection system for aircrafts », 2013 21st Signal Processing and Communications Applications Conference (SIU), 2013.

– SH Oh, SK Jung, « A Great Circle Arc Detector in Equirectangular Images », VISAPP (1), 346-351, 2012.

Thèmes abordés

Objectifs de formation

Le but du cours est d’entraîner les élèves à une discipline qui semble être une des applications les plus fréquentes de l’analyse d’images, de vidéo et de séries temporelles, la détection.  Celle-ci peut se décliner par exemple comme: 

 

-détection de structure géométrique spécifique (alignements, disques, ellipses, points de fuite)

-détection d’anomalie dans une pièce industrielle

-recalage d’images et reconnaissance des zones de visibilité

-détection de nuages en imagerie satellitaire

-détection d’événements disruptifs (chantiers, défrichements,…) dans une série temporelle d’images satellitaires

-détection de petits objets sur des fonds mouvants

-détection de bavures d’impression

-détection de falsifications d’images

 

Ces exemples applicatifs et d’autres seront traités dans le cours pour montrer qu’on peut passer directement à l’application réelle par l’usage flexible d’une théorie rigoureuse, impliquant toutefois une connaissance fine de la structure des images et vidéos.

 

Le cours enseignera donc  les éléments théoriques et la pratique du traitement d’images et de vidéo nécessaires pour mener à bien ce type de détection automatique (recalage, flot optique, échantillonnage, égalisation notamment).  La théorie de détection a contrario jouera un rôle central dans ce cours, comme l’indiquent les quelques 150 articles cités plus bas et l’utilisant pour la détection. En effet elle permet d’établir des seuils de détection prouvés a priori.

 

La difficulté de cette théorie qui mérite une formation, c’est que ses principes sont simples et facilement exposés, relevant d’éléments de statistique et de géométrie stochastique. Mais il faut apprendre à construire pour chaque problème de détection un modèle simple et adapté, appelé modèle de fond, ou modèle  a contrario. Il requiert systématiquement une analyse fine des données dites de fond du point de vue de leur échantillonnage, leur calibration, et de la validité de l’indépendance des variables stochastiques observées.  Aussi après un exposé des principes généraux, le cours s’appuiera sur une série d’études de cas détaillées. Le cours est propédeutique à la recherche et introduira aussi à des problèmes actuellement encore non résolus.

voir les autres cours du 2nd semestre