, La base nécessiterait d'être ajustée, pour obtenir une variance plus faible sur les moyennes
, 2 appliqué au multi ou hyper-spectral Pour la proposition du détecteur couleur, nous employons le full-vector gradient. Celui-ci est indé-pendant du nombre de canaux, nous avons d'ailleurs montré des exemples de gradients mesurés sur des images multi et hyper-spectrales. Cette généricité s'étend aux détecteurs Harris M E et Harris S 2 que nous avons proposé. Cependant, aucune preuve de concept sur son emploi en multi ou hyperspectral n'a été présentée
, Compléter le full-vector gradient
, La proposition du full-vector gradient permet une mesure de direction spatiale du gradient, comportant une norme et une direction. Dans cette thèse nous n'avons exploité que les résultats de norme. L'étude de la direction spatiale du gradient via son angle reste à faire. De plus, certaines zones du cerveau permettant la vision
, De plus la proposition du full-vector gradient, ne présente qu'une analyse spatiale du gradient, nous perdons toute l'information sur la direction couleur du gradient. Or connaître cette direction (par exemple d'un rouge à un vert ou d'un rouge à un bleu) peut permettre d'associer des bords entre eux lors d'une mesure de segmentation par exemple. Il serait donc intéressant de retrouver cette information par un calcul de différence entre pixels par exemple
, En effet, malgré le support mathématique de notre approche, nous n'avons pas vérifié si les gradients mesurés dans l'espace CIELM S était en correspondance avec la perception humaine déficiente ou non. Pour évaluer cette correspondance, la présentation de l'image avec plusieurs choix de mesure de gradient peut être une approche. Demander à l'utilisateur de dessiner les bords, peut en être une autre, sans oublier pour autant que les gradients et les bords sont des éléments différents. Nous avons proposé d'employer la divergence de Kullback-Liebler comme mesure de similarité sur les données de type densité de probabilité. Cette utilisation montre des résultats concordants avec nos attentes et notre analyse de la perception. Cela n'en fait pas une preuve. Il serait nécessaire de prouver que cette mesure conserve l'ordonnancement perceptuel. Pour cela impossible d'employer des bases d'images réelles. En effet, l'observateur humain fera nécessairement une analyse du contenu et aura tendance à associer des images de contenu sémantique identique. Il faut donc une base d'images de synthèse. Puisque nous proposons de modéliser les données par une Gaussienne, une telle loi peut être utilisée pour la création de la base, Les travaux réalisés peuvent être complétés par plusieurs expériences psychovisuelles. L'écriture générique du full-vector gradient nous a amené à proposer son utilisation dans le domaine perceptuel au travers d'une étude sur la vision des daltoniens ou sur l'adéquation possible entre points d'inté-rêt et points saillants. Cela pourrait mener à des expériences visant à confirmer ou infirmer les hypothèses prises
, où I(x, c 2 ) correspond à la coordonnée luminosité et p est le coefficient de l'équation (A. )
, Pour le moment, aucun modèle de génération de texture n'existe dans le domaine spectral. Dans cette expérience, nous considérons des images générées en CIELAB. Cet espace couleur permet de contrôler les paramètres aléatoires en respectant la vision humaine tout en vérifiant que les couleurs appartiennent au gamut de l'espace CIERGB. Nous comparerons quatre gradients dans cette expérience : FVG, Sobel, Di Zenzo calculé dans CIERGB et dans l'espace CIELAB où sont générées les images. Nous attendons des résultats similaires à l'expérience en RGB. Di Zenzo en CIELAB devrait donner de meilleurs résultats que les autres quand les distributions sont sphériques. Le full-vector gradient devrait être meilleur dans les autres cas. La figure B. a montre que Di Zenzo en CIELAB donne de meilleurs résultats puisque l'espace CIELAB a été construit pour être orthogonal. Quand la distribution est plus complexe et que le taux de séparabilité diminue, les limites de l'approche apparaissent clairement (fig. B. b à B. d). Le full-vector gradient montre son potentiel sur les taux de séparabilité négatifs quand les distributions sont très entremêlées (fig. B. c et B. d). La distribution présentée figure, Comme dans le chapitre présentant les gradients couleur, nous reprenons les deux expériences évaluant l'impact de la forme de la distribution puis l'évaluation générale des gradients
, Nous retrouverons cette tendance sur toutes les courbes présentant la distribution de la figure . d présentées en annexe D. Ces figures présentent des résultats pour une paire de distributions à chaque sous-figure. Comme dans le chapitre , nous avons aussi effectué une analyse statistique sur 500 images (tab. B. ). Si l'on considère les approches qui ne se font pas dans l'espace CIELAB, le full-vector gradient est toujours le plus précis. Les écarts-type associés à ses résultats sont cependant les plus élevés. Comme nous l'attendions, la formulation de Di Zenzo dans l'espace CIELAB obtient de très bons résultat pour des taux de séparabilité élevé (r > 1) donc des images faciles à segmenter. Avec ces deux expériences, nous sommes face à un problème de validation. Pour évaluer la pré-cision de l'extraction du gradient, nous avons besoin de deux régions à segmenter et nous devons explorer le niveau de difficulté des distributions couleur. Cette difficulté peut se définir de différentes manières, par l'entropie ou l'organisation fractale par exemple. La question principale reste l'espace de génération des images. L'espace couleur idéal pour la génération de texture est le domaine spectral avec un spectre continu. Actuellement, aucune génération couleur permet cette contrainte. L'espace CIELAB est un espace où la différence de couleur est perceptuellement uniforme ce qui le rend intéressant, 'ellipsoïde étant très allongée, la variation couleur se fera majoritairement sur l'axe luminosité et la transformation en niveaux de gris requise par le gradient de Sobel dans notre protocole écrasera encore les différences qui auraient pu être présentes sur les axes couleur
, Une fois le signal fréquentiel créé, il suffit d'utiliser la transformée de Fourier inverse pour obtenir l'image couleur fractale souhaitée
, Construction de la base de données synthétiques fractales