- Domaine : Masters du domaine SCIENCES ET TECHNOLOGIES
- Diplôme : Master
- Mention : Informatique
- Parcours : M2 Image, développement et technologie 3D
- Unité d'enseignement : Modèles statistiques et fréquentiels pour l'image
Nombre de crédits de l'UE : 3
Code APOGEE : INF2322M
UE Libre pour ce parcours
UE valable pour le semestre 1 de ce parcours
Type d'enseignement
Nb heures *
Cours Magistraux (CM)
20 h
Travaux Pratiques (TP)
10 h
Durée de projet en autonomie (PRJ)
0 h
Effectif Cours magistraux (CM)
210 étudiants
Effectif Travaux dirigés (TD)
35 étudiants
Effectif Travaux pratiques (TP)
18 étudiants
* Ces horaires sont donnés à titre indicatif.
Pré-requis :
notions d'optimisation, d'analyse (dérivation, intégration), d'algèbre linéaire (matrices, décompositions en valeurs propres, vecteurs propres), probabilités, graphes.
Compétences attestées (transversales, spécifiques) :
- Maîtrise des transformations dans un espace fréquentiel des images (représentation, interprétation, traitement)
- Résolution de problèmes par des méthodes statistiques ou probabilistes.
Programme de l'UE / Thématiques abordées :
Partie fréquentielle
- Signaux élémentaires : Dirac, échelon, fonction porte.
- Notion de système (linéaire, invariant...), réponse impulsionnelle, indicielle, fonction de transfert
- Transformation de Fourier et ses propriétés
- Filtrage linéaire, produit de convolution
- Décomposition en ondelettes, algorithme FWT, Haar, Daubechies...
- Transformées de base utilisées en compression d'image (JPEG, JPEG2000)
- TP : effectués sous Matlab ou Octave pour illustrer les notions vues en cours et appréhender les transformations spectrales appliquées aux images. Illustration avec la compression d'images.
Partie statistique (contenu appelé à évoluer en fonction de ce qui sera fait en Machine Learning en L3 et M1)
- Champs de Markov: Synthèse de textures, Segmentation d’images par graph cuts
- Normes et Problèmes de Regression, RANSAC, IRLS
- Classification par K-moyennes, Expectation-Maximization, Maximisation de la variance
- Traitement d’images par patch: patchmatch, résumé visuel, non local means, méthodes parcimonieuses
- Introduction au half-toning
- TPs: 3 TPs à rendre sous matlab ou octave mais peut évoluer vers python (rapide sondage fait auprès des étudiants non concluant sur python vs matlab)
Liste des autres Parcours / Spécialité / Filière / Option utilisant cette UE :
Date de la dernière mise-à-jour : 14/05/2019
SELECT MEN_ID, `MEN_DIP_ABREVIATION`, `MEN_TITLE`, `PAR_TITLE`, `PAR_ID` FROM parcours INNER JOIN ue_parcours ON PAR_ID_FK=PAR_ID INNER JOIN mention ON MEN_ID = PAR_MENTION_FK WHERE PAR_ACTIVATE = 0 AND UE_ID_FK='16735' ORDER BY `MEN_DIP_ABREVIATION`, `MEN_TITLE`, `PAR_TITLE`
