Présentation

Article

1 - GÉNÉRALITÉS ET DÉFINITIONS

  • 1.1 - Définitions
  • 1.2 - Caractéristiques générales des données
  • 1.3 - Fusion numérique/fusion symbolique
  • 1.4 - Systèmes de fusion et types d’architecture
  • 1.5 - Fusion en TDSI et fusion dans d’autres domaines

2 - SPÉCIFICITÉS DE LA FUSION D’INFORMATIONS EN TRAITEMENT DES IMAGES

  • 2.1 - Objectifs de la fusion en traitement des images
  • 2.2 - Les situations de fusion
  • 2.3 - Caractéristiques des données en fusion d’images
  • 2.4 - Contraintes
  • 2.5 - Aspects numériques et symboliques en fusion d’images

3 - FUSION PROBABILISTE ET BAYÉSIENNE

  • 3.1 - Mesures d’information
  • 3.2 - Modélisation et estimation
  • 3.3 - Combinaison dans un cadre bayésien
  • 3.4 - Combinaison vue comme un problème d’estimation
  • 3.5 - Décision

4 - FUSION DANS LA THÉORIE DES FONCTIONS DE CROYANCE

  • 4.1 - Modélisation
  • 4.2 - Estimation de fonctions de masse
  • 4.3 - Combinaison conjonctive
  • 4.4 - Autres modes de combinaison
  • 4.5 - Décision

5 - FUSION FLOUE ET POSSIBILISTE

  • 5.1 - Modélisation
  • 5.2 - Définition des fonctions d’appartenance ou des distributions de possibilités
  • 5.3 - Combinaison
  • 5.4 - Décision

6 - INTRODUCTION D’INFORMATIONS SPATIALES DANS LA FUSION

  • 6.1 - Au niveau de la modélisation
  • 6.2 - Au niveau de la décision
  • 6.3 - Au niveau de la combinaison

7 - CONCLUSION

Article de référence | Réf : TE5230 v1

Fusion dans la théorie des fonctions de croyance
Fusion en traitement d’images : spécificités et approches numériques

Auteur(s) : Isabelle BLOCH, Henri MAÎTRE

Date de publication : 10 mai 2002

Pour explorer cet article
Télécharger l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !

Sommaire

Présentation

Version en anglais En anglais

Auteur(s)

  • Isabelle BLOCH : École nationale supérieure des télécommunications - Département Traitement du signal et des images - CNRS URA 820

  • Henri MAÎTRE : École nationale supérieure des télécommunications - Département Traitement du signal et des images - CNRS URA 820

Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.

Lire l’article

INTRODUCTION

La fusion d’informations regroupe les techniques utilisées pour associer des informations variées sur un même problème. En traitement des images, la fusion d’informations se préoccupe de combiner au mieux des images d’origines différentes pour mieux connaître l’objet d’observation. La fusion est devenue un aspect important de traitement de l’information dans plusieurs domaines très différents, dans lesquels les informations à fusionner, les objectifs, les méthodes, et donc la terminologie, peuvent varier beaucoup, même si les analogies sont également nombreuses. L’ampleur que prend la fusion d’informations suit celle que prennent les technologies et le traitement de l’information en général.

Cet article vise à préciser le contexte et les concepts de la fusion dans le domaine du traitement du signal et des images (TDSI), à dégager des définitions et à présenter les grandes lignes des principales approches numériques. Nous ne présentons pas ici les approches à bases de règles, syntaxiques, logiques, ni les approches neuronales.

Le paragraphe 1 présente une définition générale, les caractéristiques des données à prendre en compte dans un système de fusion, ainsi que les principales étapes. Le paragraphe 2 est consacré de manière plus précise aux spécificités de la fusion en traitement des images, en soulignant ce qui la distingue de la fusion dans d’autres domaines. Les principales approches numériques sont ensuite exposées, dans les paragraphes 3 pour les approches probabilistes et bayésiennes, 4 pour la théorie des fonctions de croyance, et 5 pour les méthodes floues et possibilistes. Enfin dans le paragraphe 6, nous discutons du traitement de l’information spatiale en fusion d’images.

Cet article est réservé aux abonnés.
Il vous reste 95% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

DOI (Digital Object Identifier)

https://doi.org/10.51257/a-v1-te5230


Cet article fait partie de l’offre

Le traitement du signal et ses applications

(160 articles en ce moment)

Cette offre vous donne accès à :

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques

Des services

Un ensemble d'outils exclusifs en complément des ressources

Un Parcours Pratique

Opérationnel et didactique, pour garantir l'acquisition des compétences transverses

Doc & Quiz

Des articles interactifs avec des quiz, pour une lecture constructive

ABONNEZ-VOUS

Lecture en cours
Présentation
Version en anglais En anglais

4. Fusion dans la théorie des fonctions de croyance

La théorie des fonctions de croyance (ou théorie de Dempster-Shafer) date des années 1970 mais son utilisation en fusion d’images est relativement récente. Pourtant les premières applications sont prometteuses, et nous montrons dans ce paragraphe quelles sont les caractéristiques de cette théorie qui justifient que l’on s’y intéresse, aussi bien du point de vue de la représentation des connaissances et de leurs imperfections (imprécision, incertitude, ambiguïté, ignorance, conflit) que de leur combinaison.

4.1 Modélisation

La théorie des fonctions de croyance permet, de manière analogue à la théorie des possibilités comme nous le verrons dans le paragraphe 5, de représenter à la fois l’imprécision et l’incertitude, à l’aide de fonctions de masse m, de plausibilité Pls et de croyance Bel [66][108][112]. Les fonctions de masse sont définies sur tous les sous-ensembles de l’espace de discernement D (contenant par exemple...

Cet article est réservé aux abonnés.
Il vous reste 93% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

Cet article fait partie de l’offre

Le traitement du signal et ses applications

(160 articles en ce moment)

Cette offre vous donne accès à :

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques

Des services

Un ensemble d'outils exclusifs en complément des ressources

Un Parcours Pratique

Opérationnel et didactique, pour garantir l'acquisition des compétences transverses

Doc & Quiz

Des articles interactifs avec des quiz, pour une lecture constructive

ABONNEZ-VOUS

Lecture en cours
Fusion dans la théorie des fonctions de croyance
Sommaire
Sommaire

BIBLIOGRAPHIE

  • (1) - WHITE (F.E.) -   Data Fusion Lexicon, Data Fusion Subpanel of the Joint Directors of Laboratories Technical Panel for C 3.  -  1991.

  • (2) - ANDRESS (K.M.), KAK (A.C.) -   Evidence Accumulation and Low Control in a Hierarchical Spatial Reasoning System.  -  AI Magazine, p. 75-94, 1988.

  • (3) - APPRIOU (A.) -   Probabilités et incertitude en fusion de données multisenseurs.  -  Revue scientifique et technique de la défense, (11), p. 27-40, 1991.

  • (4) - APPRIOU (A.) -   Formulation et traitement de l’incertain en analyse multisenseurs.  -  Quatorzième Colloque GRETSI, p. 951-954, Juan-les- Pins, 1993.

  • (5) - AURDAL (L.), BLOCH (I.), MAÎTRE (H.), GRAFFIGNE (C.), ADAMSBAUM (C.) -   Continuous Label Bayesian Segmentation, Applications to medical Brain Images.  -  ICIP’97, vol. II, p. 128-131, 1997.

  • (6) - BALDWIN (J.F.) -   Inference...

Cet article est réservé aux abonnés.
Il vous reste 92% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

Cet article fait partie de l’offre

Le traitement du signal et ses applications

(160 articles en ce moment)

Cette offre vous donne accès à :

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques

Des services

Un ensemble d'outils exclusifs en complément des ressources

Un Parcours Pratique

Opérationnel et didactique, pour garantir l'acquisition des compétences transverses

Doc & Quiz

Des articles interactifs avec des quiz, pour une lecture constructive

ABONNEZ-VOUS