Séminaire IMAGE : « Analyse de grandes banques d’images par Intelligence Artificielle et Morphologie Mathématique » (Guillaume Noyel)

Nous aurons le plaisir d’écouter Guillaume Noyel Enseignant-Chercheur à l’Université J. Monnet, St-Etienne, (Télécom St-Etienne, Labo. Hubert Curien).

Il donnera un séminaire IMAGE, le jeudi 04 mai 2023, à 14h00, en salle de séminaire F-200.

Avec l’intensification de l’imagerie numérique depuis quelques dizaines d’années, de grandes banques
d’images ont été constituées notamment en santé (Noyel et al., 2017), dans l’industrie (Noyel, 2021),
ou pour la détection satellitaire (Noyel, Angulo and Jeulin, 2010). L’intelligence artificielle s’avère très
utile pour l’analyse de ces banques d’images. Nous verrons qu’il est cependant nécessaire de prendre
quelques précautions avant d’appliquer de telles méthodes. En effet, les images de ces banques ont
un point commun : leur prise de vue est contrainte par les conditions d’acquisition comme le
mouvement, un éclairement non uniforme, les changements d’opacité de l’objet, le bruit d’acquisition,
etc. Ceci a pour conséquence de créer des variations inhomogènes et locales de contraste dans les
images. Peu de méthodes de traitement d’images y compris celles par intelligence artificielle prennent
en compte ces variations. Afin de résoudre ce problème, un modèle adapté aux images peu
contrastées, à savoir le Logarithmic Image Processing (LIP) sera présenté (Jourlin, 2016). Ce modèle
fondé sur la physique, possède de très bonnes propriétés optiques pour traiter ces images. Grâce au
modèle LIP, de nouvelles méthodes de détection de formes robustes à ces changements de contraste
seront introduites : à savoir, les métriques d’Asplund entre fonctions (Noyel and Jourlin, 2020). Or, il
existe un corpus mathématique bien établi pour l’analyse des fonctions : la Morphologie
Mathématique. Après un rappel des fondamentaux, ces méthodes seront reliées à ce corpus grâce à
des opérateurs morphologiques (Noyel, 2019). Nous montrerons ensuite comment introduire ces
opérateurs en intelligence artificielle (Noyel et al., 2022). Les méthodes d’apprentissage
statistique gagneront ainsi une propriété de robustesse intrinsèque aux variations de contraste avec
une cause physique ; ce qui sera très utile pour l’analyse des grandes banques d’images notamment
en santé.