Amrouni S.

MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE
UNIVERSITE MOULOUD MAMMERI, TIZI-OUZOU
FACULTE DE GENIE ELECTRIQUE ET D’INFORMATIQUE

DEPARTEMENT AUTOMATIQUE
MEMOIRE DE MAGISTER
en Automatique
Option : Traitement d’Images et Reconnaissance de Formes
Présenté par
AMROUNI Samia
Ingénieur U.M.M.T.O.
Thème
Recherche et classement d’images dans une base de données de

grande taille à partir de requêtes relatives à leurs descripteurs
Mémoire soutenu le : devant le jury d’examen composé de :
HAMMOUCHE Kamal, Professeur à l’UMMTO Président.

DIAF Moussa, Professeur à l’UMMTO Rapporteur.
AMIROU Zahia, Maître de Conférences A à l’UMMTO Examinatrice.
ALKAMA Sadia, Maître de Conférences B à l’UMMTO Examinatrice.
Avant-propos
J’aimerai tout d’abord citer que l’élaboration de ce mémoire a été
effectuée au laboratoire LVAAS (Laboratoire Vison Artificielle et Automatique
des Systèmes » du département Automatique, FGEI, UMMTO.
J’aimerais, avant tout, exprimer mes remerciements à mon Directeur de
mémoire, Monsieur DIAF Moussa, Professeur à l’UMMTO, pour m’avoir encadrée
et donné la chance de me rapprocher du domaine du traitement d’images. Je le
remercie pour ses encouragements pour surmonter les moments difficiles tout le
long de ce travail.
Nous adressons nos remerciements les plus sincères à Monsieur
HAMMOUCHE Kamal, Professeur de l’UMMTO, pour avoir accepté de juger ce
travail en tant que président de jury.
Nos sincères remerciements s’adressent également à Madame AMIROU
Zahia, Maître de Conférences classe A, à l’UMMTO, pour avoir accepté de juger
notre travail en tant que examinatrice.
Nous ne manquerons pas de remercier Madame ALKAMA Sadia, Maître de
Conférences classe B, à l’UMMTO, pour nous avoir fait l’honneur d’accepter de
juger notre présent travail.
Nous tenons aussi à exprimer notre gratitude à toutes les personnes qui
ont contribués de près ou de loin pour nous avoir guidés et encouragés à
l’élaboration de ce travail.
Sommaire
Introduction générale ……………………………………………………….1
Chapitre I: Généralités sur la recherche d’images

par le contenu
1.1. Introduction…………………………………………………………………………3
1.2. Etat de l’art……………………………..…………………………………………….4
1.3. La recherche d’images par le contenu……………………….…………….……6
1.4. Systèmes de recherche d’images par le contenu…….……………………….7
1.4.1. Principales composantes d’un système RIC…………………………........8
La requête…………………………………………………………………………..8
Les bases d’image …………………………………………………………………9
1.4.2. L’indexation ………………………………………………………………………..9
1.4.3. La recherche ……………………………………………..………………………10
1.5. Attributs visuels …………………………………………………………………...11
Les attributs globaux …………………………………………………………..11
Les attributs locaux……………………………………………………………..11
1.5.1. La couleur ……………………………....................................................12
1.5.2 La texture ………………………………………..……………………………….12
1.5.3 La forme …………………………………….………………………….………….12
1.6. Stratégies de la recherche ……………………………………………………….12
1.7. Mesure de similarité entre images....................................................... 13
1.7.1 La distance de Minkowski ........................................................ 14
1.7.2 La distance quadratique .......................................................... 15
1.7.3 Distance de Mahalanobis.......................................................... 15
1.7.4 Intersection d’histogrammes .................................................... 16
1.7.5 Distance Earth Mover Distance (EMD) ..................................... 16
1.7.6 La distance de Kolmogorov Smirnov......................................... 17
1.7.7 La distance de Cramer Von Mises ..................................……….17
1.7.8 Distance de Kullback-Leibler…………………………………………..17
1.7.9 La Divergence de Jeffrey (JD)…………………………………….. ….18
1.8. Quelques systèmes RIC………………………………………………………….18
1.9. Domaines d’application…………………………………………………………..20
1.10. Conclusion…………………………………………………………………………21
Chapitre II : Méthodes d’indexation d’images

2.1. Introduction…………………………………………………………………………22
2.2 La description de la couleur …………………………………………………….22
2.2.1. L’espace couleur……………………………………………………………...23
2.2.2. Histogramme couleur ………………………………………………………26
2.2.3. Les moments statistiques…………………………………..………..…….27
2.2.4. Cohérence spatiale……………………………………………………………..27
2.2.5. Les couleurs moyennes ………………………………………………………. 28
2.2.6. Le corrélogramme………………..………………………………………………28
2.3.7. Le vecteur de cohérence de couleur ………………………………………..29
2.3.8. Les couleurs dominantes …………….……………………………………....29
2.3. La description de la texture …………………………………………………….30
2.3.1. Les Méthodes statistiques ……………………………………………………30
2.3.1.1. Les statistiques du premier ordre………………………….…...31
2.3.1.2. Les statistiques du second ordre …………………………….…31
1) Les matrices de cooccurrence …………………………………..32
2) La matrice de longueur de plages…………………….…………34
2.3.2. Les méthodes fréquentielles…………………………………………………..35
2.3.2.1. La transformée de Fourier …………………………………….……35
2.3.2.2. Les filtres de Gabor ……………………………….………………...36
2.3.2.3. La transformée en ondelettes …………….………………………..37
2.4 La description de la forme… …..………………………………………..……..38
2.4.1. Les descripteurs géométriques……………………………………………….38
2.4.2. Les moments géométriques……………………………………………………39
 Les moments de Hu …………………………………………………………….40
2.4.3. Les moments orthogonaux ……………………………………………………40
2.4.3.1 Les moments de Legendre ……………………………………..40
2.4.3.2 Les moments de Zernike ………………………………………..41
2.4.4. La matrice norme de gradient ……………………………………………….42
2.5. Conclusion……………………………………………………………………….….43
Chapitre III: Tests et résultats
3.1. Introduction…………………………………………………………………………44
3.2. Indexation de la couleur………………………………………………………….45
3.2.1. Histogramme couleur ………………………………………………………….45
3.2.2. Mesure de similarité entre histogramme…………………………………..46
3.3. Indexation de La texture ………………………………………………………..46
3.3.1. La transformée en ondelettes continue………….…………………..........47
3.3.2. Principe de la décomposition en ondelettes discrètes ………...………..47
3.3.3 Analyse Multirésolution ……………………………………………………….48
3.3.4. Mesure de similarité entre les vecteurs de texture………………………52
3.4. Indexation de la forme…………………………………………………………….52
3.4.1. Les moments de Hu …………………………………………………………….52
3.4.2. Mesure de similarité entre les vecteurs de forme………………………...54
3.5. Protocole d’évaluation d’un système de RIC………………………………….54
3.5.1. Le rappel(Recall)…………………………………………………………….…...54
3.5.2. La précision ……………………………………………………………….……..55
3.6 Les bases d’images utilisées………………………..…………………………56
La base ORL ……………………………………………………………………..56
La base COIL 100………………………………………………………………..56
La base cérébrale standard MR………………………………………………57
La base d’images de texture…………………………………………………..57
3.7. Tests et résultats ………………………………………………………………….58
3.7.1 La recherche d’images par histogramme ………………………………….58
3.7.2 La recherche d’images par les ondelettes……………………………….….60
3.7.3 La recherche d’images par la méthode des moments de Hu…………..62
3.8 La qualité des réponses ………………………………………………………….64
3.8.1 Principe de la méthode de TREC[63]………………………………………..65
3.8.1 Interprétation des résultats………………..………………………………….68
3.9 Le bruitage d’images……………………………………………………………….69
3.9.1 Interprétation des résultats……………………………………………………72
3.10 Conclusion ………………………………………………………………………..72
Conclusion générale………………..………………………………………..74
Introduction générale
Suite au développement de la technologie et la démocratisation de

l’informatique, les bases de données images représentent des volumes
d'informations de plus en plus considérables. Des outils de compression,
archivage et recherche sont nécessaires afin de gérer ces stocks numériques.
La recherche d’images est une technique qui consiste à identifier, parmi les
images de la base, des images désirées par un utilisateur. Elle représente un
domaine très vaste qui recouvre de nombreuses thématiques : le traitement
d'images, les bases de données, la reconnaissance de formes, l'intelligence
artificielle…
Le début était une problématique d’annotation textuelle par des mots
clés des images respectant une forte dépendance entre le contenu de ces
images et les étiquettes textuelles associées [1]. Le meilleur exemple est la
recherche d’images sur internet. La recherche revient donc à une recherche
textuelle sur ces mots-clés. Cette technique nécessite à l’utilisateur une
entrée manuelle des mots définissants les images. Malgré ses avantages, ce
type de caractérisation comporte des inconvénients, d’une part, la difficulté
de l’annotation textuelle pour le cas d’une base d’image de grande taille et
d’autre part le problème de la langue qui peut offrir des résultats qui sont
complètement hors sujet.
Pour éviter les problèmes de l’annotation textuelle, une autre
technique a été proposée au début des années 90, qui prend en
considération l’image et uniquement l’image pour effectuer les recherches.
Cette technique est connue sous le nom de la recherche d’image par le
contenu (Content Based Image Retrieval CBIR).
1
Dans les systèmes de recherche d’images par le contenu [2], le principe

général consiste à extraire de chaque image de la base un vecteur
descripteur stocké dans une base de données, qui représentera fidèlement
cette image lors de la recherche.
Dans ce travail nous nous intéressons de la recherche d’images par le
contenu visuel à l’aide d’une description bas niveau contenant la couleur, la
texture et la forme. Le contenu de ce mémoire comporte les étapes
suivantes :
 Dans le premier chapitre on a donnée quelques généralités sur la

recherche d’image par le contenu et les principales composantes
constituant un système de recherche d’image par le contenu visuel
ainsi les différentes distances de similarité à laquelle, un système de
recherche d’images, peut faire appel pour comparer des images.
 Au deuxième chapitre, nous avons cité les trois attributs bas niveau
utilisés dans notre travail qui sont la couleur, la texture et la forme,
ainsi les différentes techniques d’indexation pour chaque attribut et
l’influence que porte chaque attribut sur l’efficacité d’un système de
recherche d’image par le contenu.
 Le troisième chapitre est consacré pour les tests et les résultats
concernant la capacité des différentes méthodes choisies dans la
récupération d’images similaires. Ainsi nous avons bruité notre image
requête ensuite nous avons appliqué un filtre gaussien pour avoir une
image requête dégradée, dont l’objectif est de tester la sensibilité de
ces méthodes à la présence du bruit.
 Et à la fin, nous terminons par une conclusion générale, qui est
consacrée à une évaluation des résultats des méthodes choisies de
notre travail et leur sensibilité au bruit.
2
Chapitre I Généralités sur la recherche d’images par le contenu
Chapitre I
Généralités sur la recherche d’images par
le contenu
1.1 Introduction
Le premier moyen utilisé dans le domaine de la recherche d’images

était l’utilisation de mots clés qui sont associés aux images pour les
caractériser. Pour la recherche, il suffit de taper un mot-clé et l’image
correspondante va immédiatement apparaitre. Grâce à la facilité de son
utilisation, ce mode de recherche a été très appliqué. Désormais, malgré
ses avantages, ce type de caractérisation comporte un certain nombre
d’inconvénients. En effet, pour le cas des bases d’images de grandes
tailles, la description textuelle pour toutes les images de la base est une
opération longue, coûteuse et pénible pour l’utilisateur. De plus, le
principal inconvénient de cette recherche est que le mot clés dépend de la
langue et le résultat peut être complètement hors sujet. Comme exemple
le mot ‘avocat’ qui désigne un homme de loi et en même temps un fruit.
Afin d’échapper à de telles situations, une solution consiste à éviter la
procédure de l’utilisation des mots-clés et donc de passer à une autre
technique qui prend en considération l’image et uniquement l’image pour
effectuer les recherches. Cette méthode est dite la Recherche d’Images par
le Contenu (RIC ou CBIR, Content Based Image Retrieval).
3
Dans la suite de ce chapitre, nous présentons un état de l’art sur

les systèmes de recherche d’images par le contenu ainsi que les
principales composantes d’une telle recherche. Nous décrivons ensuite,
les attributs visuels et les différentes distances de similarité les plus
utilisées par les systèmes de recherche d’images. Après le rappel de
quelques systèmes de recherche d’image par le contenu et les domaines
d’application, nous terminons ce chapitre par une conclusion.
1.2 Etat de l’art

La recherche d’images est une technique qui consiste à identifier,
parmi les images d’une base, des images désirées par un utilisateur.
La méthode traditionnelle de la recherche d'images se résumait en une
problématique de recherche de mots en se basant sur les attributs
textuels des images tels que le nom du fichier [2]. Cette approche
nécessite de l’utilisateur une entrée manuelle des mots définissants
l'image (légende) et qui la représentent fidèlement lors de la recherche.
Cependant, cette méthode n’est pas toujours efficace suite aux problèmes
de langue comme la fusion de sens qui donne des résultats différents.
Deuxièmement, une requête par mots clés nécessite une longue et
couteuse phase manuelle d'indexation des images. Cette méthode est
devenue impraticable avec la taille toujours grandissante des bases de
données multimédia actuelles et pour dépasser ces problèmes, une autre
procédure a été proposée. C’est la recherche d’images par le contenu, en
anglais : Content Based Image Retrieval (CBIR). Elle a été proposée par
Kato au début des années 90 [3] et repose sur l’idée de chercher
directement dans le contenu visuel des images telle que : texture, couleur,
forme, les points d’intérêts... La recherche est exécutée à l’aide d’une
image exemple proposée par l’utilisateur appelée la requête.
A partir de là, plusieurs auteurs ont proposés leurs méthodes servant à
améliorer le domaine de la recherche d’images par le contenu. Le premier
travail et le plus référencé sur l'indexation utilisant la couleur est la
méthode d'intersection d'histogrammes proposée par Swain et Ballard [4].
4
Un histogramme 3D est construit pour chaque image de la base d'images.

Les images de cette base semblables à une image requête sont trouvées en
calculant l'intersection de l'histogramme de cette image avec ceux
présents dans la base.
Les techniques d’indexation de données multidimensionnelles que sont les
vecteurs descripteurs d’images sont décrites de façon exhaustive par
Berrani [5] dans sa thèse, dont il utilise une recherche approximative des
plus proches voisins afin de déterminer les images les plus proches de
l’image requête de l’utilisateur.
Dans [6], l’auteur propose une approche de distribution couleur et de
reconnaissance de contours d’objets en utilisant la distance EMD (Earth
Mover Distance) pour la recherche d’images par le contenu. Le principe de
son travail est basé sur les requêtes partielles dans lesquelles on cherche
des images par comparaison d’attributs de régions similaires.
Les méthodes basées sur les points d’intérêt ont elles-aussi, fait l’objet de
nombreuses recherches. Dans sa thèse, Loupias [7] propose une version
multirésolution des points d’intérêts.
Une méthode utilisant la logique floue a été introduite dans [8]. La
segmentation de l’image a plus de succès dans l’extraction des
caractéristiques bas niveau de l’image. Julien Fauqueur [9] a étudié la
recherche d’images par composition de catégories de régions issues de la
segmentation couleur des images.
Dans [10] les auteurs ont proposés un système d’indexation de base de
données images par le contenu, où chaque image est dans un premier
temps décrite par un ou plusieurs vecteurs descripteurs invariants par
rapport à certaines transformations. Ils ont proposé une classification
bayesienne des vecteurs d’attributs des images. Ces vecteurs sont stockés
sous forme arborescente.
Dans sa thèse, Jérôme Landré [11] a proposé une technique basée sur
une décomposition multirésolution des images de la base paléontologique
Trans’Tyfipal en utilisant l’analyse en ondelettes à l’aide de l’algorithme
lifting scheme. L’auteur utilise une classification automatique des images
afin de construire un arbre visuel de recherche.
5
Un autre système de recherche d’images par le contenu a été proposé par

Houria ABED et al [12]. Ce système permet de rechercher les images de la
base en fonction de leurs caractéristiques du bas niveau : la couleur et la
texture. Dans cette approche, chaque image de la base est représentée par
un descripteur qui stocke les descripteurs visuels des quadrants de
l’image, obtenus par une décomposition récursive de l’image en arbre
quaternaire selon un critère particulier (homogénéité de la couleur et la
texture). La similarité des images est calculée à partir d’une distance
notée Δ qui tient compte de la structure et des valeurs des nœuds des
arbres quaternaires.
Rostom, dans sa thèse [13], a proposé une méthode de sélection
adaptative des caractéristiques pertinentes et une méthode de
classification hiérarchique multi-modèle pour la recherche d’images dans
une base d’images hétérogènes.
Dans [14] les auteurs ont utilisé la transformée en ondelettes de
Daubechies pour extraire le vecteur des caractéristiques de l’image. Dans
[15], les auteurs ont proposé une technique de recherche d’images couleur
basée sur la texture. Cette méthode utilise la matrice de cooccurrence de
couleur pour extraire la caractéristique texture et mesure la similarité
entre les deux images couleurs.
1.3 La recherche d’images par le contenu

La RIC est une technique de recherche qui consiste à identifier des
images à partir de leur contenu sans aucune autre information. Dans les
systèmes de recherche d’images par le contenu, le principe général
consiste à calculer pour chaque image un vecteur descripteur d’une
dimension n stocké dans une base de données, qui représentera l’image
lors de la recherche. Notons que le calcul des descripteurs se fait hors
ligne afin de ne pas pénaliser l’utilisateur avec des calculs longs.
De cette forte utilisation et des problèmes rencontrés lors de la
manipulation de grandes quantités d’images (la structuration et le
stockage) en résulte un dynamisme de recherche dans le domaine de
l’indexation multimédia durant cette dernière décennie, donnant
6
naissance à de nombreuses méthodes d’indexation par le contenu, de

recherche interactive et de navigation dans des bases.
1.4 Systèmes de recherche d’images par le contenu

Un système de recherche d’images par le contenu est défini par
l’ensemble des différents éléments qui participent à la réalisation de la
recherche d’images (méthodes, logiciel, les bases d’images…). La
principale tâche d’un système de recherche d’images par le contenu est de
rechercher une ou plusieurs images se trouvant dans la base d’images les
plus similaires à une (ou plusieurs) requête(s) proposée(s) par l’utilisateur.
Le résultat sera affiché suivant une distance de similarité entre le vecteur
descripteur de l’image requête résumant son contenu et chaque vecteur
de la base de données images.
La recherche d’images par le contenu passe par deux phases essentielles.
La première est la phase d’indexation. C’est une étape durant laquelle le
système exploite toutes les images de la base à partir desquelles il extrait
les informations les plus intéressantes de leurs contenus visuels à savoir
la couleur, la texture et la forme. Chaque image est donc représentée par
un vecteur de caractéristiques qui soit le moins encombrant et qui la
caractérise le mieux. Cette phase est dite hors ligne (off-line).
La deuxième phase contient, d’une part, l’extraction du vecteur des
caractéristiques de l’image requête et, d’autre part, l’étape de la recherche.
Ceci se fait par une fouille dans la base d’images indexée. Le système
cherche, dans la base, les images qui vont être les plus ressemblantes à
l’image requête proposée par l’utilisateur. Cette phase est la phase de la
recherche et qui se fait en ligne (on-line). Le schéma de principe d’un
système de recherche d’images par le contenu est donné sur la figure (1).
7
hors ligne
en ligne
Fig.1. Architecture générale d’un système d’indexation et de recherche

d’images par le contenu.
1.4.1 Principales composantes d’un système de RIC

La requête : Dans tout système de recherche, l’utilisateur doit
exprimer ses souhaits, sous forme d’une requête au moteur de recherche
par l’intermédiaire de l’interface utilisateur. Pour ce faire, celui-ci a le
choix entre plusieurs types de requêtes dites par l’exemple, l’esquisse, par
caractéristiques ou combinant exemple et texte.
Dans ce cas de la requête par l’exemple, l'utilisateur propose une image
requête au système dont la recherche se fait par la comparaison du
vecteur descripteur de cette requête avec les vecteurs descripteurs des
images de la base. Le résultat sera une ou plusieurs images les plus
similaires à l’image requête suivant une certaine distance de similarité.
Dans la requête par esquisse (sketch), l’utilisateur spécifie sa requête par
un dessin très simple à base de contours et de couleurs. Comme la
recherche par image, ce type de requête demande l’indexation visuelle et
le modèle de recherche par le contenu. Pour la requête par
caractéristiques, l’utilisateur indique la ou les caractéristiques qu’il veut
8
utiliser pour trouver les images similaires comme, par exemple, la

recherche d’images contenant 30% de rouge et 40% de vert. La requête
combinant exemple et texte est une façon de renforcer l’image requête en
lui associant un texte afin d’accéder à un niveau d’abstraction supérieur.
Les bases d’images: Une base d’images ou une banque d’images est
définie par la donnée principale dans un système de recherche d’images
par le contenu. Les bases d’images varient par leurs tailles qui peuvent
atteindre un milliard d’images. Cette taille impose des contraintes sur la
complexité des traitements effectués sur chaque image. Les bases
d’images sont regroupées en deux grandes catégories pour la recherche et
l’indexation. La première catégorie est dite spécialisée. Comme son nom
l’indique, cette base d’images spécialisée contient des images d’un
domaine particulier comme la base d’images médicales, tel que le
dépistage du cancer du sein dans les bases mammographiques [16], et
l’authentification des individus dans les bases d’images d’iris [17] etc. La
deuxième catégorie est dite généraliste ou hétérogène. Les bases d’images
généralistes contiennent des catégories d’images de sujet très différents
comme par exemple le soleil, la montagne, la mer, les animaux etc.
Lors de la manipulation, la différence principale qui réside entre ces deux
catégories de bases spécialisées ou généralistes est que les bases
spécialisées ont le plus souvent un contenu sémantique homogène et la
recherche d’images dans de telles bases est un problème spécifique à un
domaine bien particulier.
Dans la catégorie de bases généralistes où les images ont des contenus
assez différents, la recherche nécessite une classification en familles
d’images spécialisées afin de passer aux étapes de l’indexation et de la
recherche [11].
1.4.2 L’indexation
Dans les bases de données d'images, représentants des volumes
d'informations de plus en plus considérables, une indexation automatique
des images basée sur le contenu est devenue la méthode la plus adaptée
9
pour gérer ces masses de données. L’image étant représentée sous forme
de matrice de pixels, son contenu brut ne peut être directement exploité
pour la représentation d’images car la manipulation de tous les pixels de
l’image est une opération pénible. Il est donc nécessaire de passer par une
étape d’extraction des caractéristiques visuelles de l’image. Ce qui permet
d’avoir une représentation plus facilement manipulable. Cette indexation
consiste en l’extraction, de chaque image, un descripteur qui va la
représenter fidèlement lors de la recherche et qui va être moins
encombrant, ce qui permet une meilleure organisation des données
images de la base, de limiter la quantité de données examinées durant
une recherche, d’y accéder rapidement et de confiner la recherche au
maximum. Cette étape est hors ligne car, durant cette phase l’utilisateur
n’est pas connecté à la base d’images.
1.4.3 La recherche
Une fois la base d’images indexée, le système passe à l’étape de la
recherche où l’utilisateur intervient avec sa requête. Cette dernière sera
indexée de la même manière que celles de la base et représentée par un
vecteur de caractéristiques. La recherche implique de fouiller dans la
base, trouver les plus proches voisins de la signature associée à l’image
requête. La performance d’un système RIC dépend essentiellement du
choix des descripteurs employés et des techniques associées à leur
extraction. La description des images peut être de bas niveau ou de haut
niveau.
La description bas niveau se focalise seulement sur le contenu de l’image
pour l’extraction des attributs visuels qui sont principalement la couleur,
la texture, la forme, les points d’intérêt etc. L’extraction se fait grâce à des
calculs mathématiques sur les pixels de l’image. C’est ce cas qui fera
l’objet de notre étude.
Par contre, la description de haut niveau s’intéresse non seulement à la
description visuelle du contenu de l’image mais aussi à l’interprétation du
contenu de l’image, d’où l’appellation de description sémantique.
10
1.5 Attributs visuels

Les attributs visuels sont extraits à partir de l’image selon trois
niveaux d’abstraction. Le premier niveau est basé sur une description
globale des images, le deuxième est le niveau régions et le troisième
représente la description par les points d’intérêt. Ces deux derniers
permettent une description locale des images.
On distingue donc deux types d’attributs : les attributs globaux, et les
attributs locaux.
 Les attributs globaux

Dans la recherche d’images par le contenu, la description globale
d’images permet une recherche d’images se basant sur des similarités
visuelles mesurées sur les images entières [18]. Une image est décrite
globalement est représentée par un seul vecteur d’attributs. Les
histogrammes de couleur ou de niveaux de gris sont des exemples de
descripteurs globaux [4].
 Les attributs locaux

La description locale par région est construite par un ensemble de
vecteurs d’attributs. Les attributs utilisées sont, généralement, extrait
pour chaque sous région dans l’image [19]. La similarité entre deux
images est calculée comme une combinaison des similarités entre les
régions constituantes de chaque image.
Une image peut aussi être décrite par des points d’intérêt qui est une
méthode qui effectue des recherches précises mais des temps de calcul
trop élevé. Plusieurs approches ont été proposées pour la détection de ces
points [20].
Dans notre travail, la recherche est effectuée par une description
globale de caractéristiques visuelles qui sont la couleur, la forme et la
texture.
11
1.5.1 La couleur
La couleur est un attribut largement utilisé dans les systèmes de
recherche d’image par le contenu. La couleur permet de faciliter
l’extraction et l’identification d’un objet dans une scène. Les travaux de
Swain et Ballard [4] relatifs à l’indexation de la couleur constituent la
référence et marquent les débuts de l’indexation de l’image. De nombreux
travaux et méthodes existent pour l’indexation de la couleur. Cela fera
l’objet d’une présentation détaillée dans le prochain chapitre.
1.5.2 La texture
La texture est une caractéristique facile à reconnaitre mais, en
même temps, très difficile à définir. Cependant, une texture est un
attribut représentant la distribution spatiale des niveaux de gris des
pixels d’une région. Elle se traduit aussi par un arrangement spatial des
pixels que la couleur, seule, ne suffit pas à décrire [21].
1.5.3 La forme
L'utilisation de descripteurs de forme n'a de sens que sur une image
segmentée. Pour extraire les descripteurs d'une forme, la première
opération consiste à définir sa fonction caractéristique. En général, elle est
représentée sous la forme d'un masque dans lequel chaque pixel est
représenté par le numéro de la région à laquelle il appartient [22]. C'est à
partir de cette fonction, que sont calculés la plupart des descripteurs de
forme, soit à partir de la région entière, soit à partir des contours
seulement.
1.6 Stratégies de la recherche

La recherche d’images par similarité visuelle, à partir d’une image
exemple, passe par la recherche des vecteurs voisins d’un vecteur q
représentant la requête. Cette opération peut se décliner en trois
stratégies à savoir, la recherche par les k plus proches voisins, La
recherche par intervalle et la recherche à ߝ près. La première stratégie est
12
de chercher les k vecteurs les plus proches de q, au sens de la mesure de

similarité associées aux vecteurs. Dans la recherche par intervalles, il
s’agit de chercher les vecteurs r dont les composantes r୧ sont tels que
|q ୧− r୧| < s୧ où {s୧} représentent les seuils associés à chaque dimension.
Dans la recherche à ߝ près, il s’agit de chercher les vecteurs se trouvant à
une distance inférieure ou égale à un seuil

ߝ, au sens de la mesure de
similarité. En effet, si la signature d’une image est représentée par un ou
plusieurs vecteurs, rechercher des images similaires revient à déterminer
les vecteurs les plus proches au sens de la similarité qui leurs est
associée.
La deuxième méthode concernant la recherche par intervalles n’a que très
peu d’applications en RIC. Par contre, celle des k plus proches voisins et
de la recherche à ߝ près sont les plus adaptées dans ce domaine.
Cependant, la première est la plus claire mais le résultat, peut parfois
contenir des vecteurs très éloignés, ce qui peut correspondre à des images
non pertinentes.
Dans ce présent travail, la recherche d’images désirées suit la
première stratégie. On cherche les douze vecteurs les plus proches du
vecteur caractéristique de la requête.
1.7 Mesure de similarité entre images

L’idée principale de la RIC consiste à associer, à chaque image, un
vecteur multidimensionnel représentant les caractéristiques de l’image en
utilisant des fonctions de distance entre les vecteurs. Cette fonction
quantifie la proximité des images dans l’espace des caractéristiques. Deux
images sont considérées ressemblantes si la distance entre leurs
descripteurs est faible. Cependant, pour mesurer cette similarité,
plusieurs types de distances métriques peuvent être utilisés. Parmi ces
distances, on peut citer celle de Minkowski, de Bhattacharya, de
Mahalanobis et la distance quadratique. Avant de donner les expressions
de ces distances, notons d’abord qu’un espace métrique K se définit
13
comme un ensemble non vide doté d’une application d, appelée distance,

de K*K dans ܴା et qui vérifie les trois axiomes suivants :
‫ݔ׊‬ǡ‫ݕ‬ǡ‫ܭ אݖ‬
1. ݀(‫ݔ‬ǡ‫ )ݕ‬ൌ Ͳ֞ ‫ ݔ‬ൌ ‫ݐ݅ݐ݊݁݀݅(ݕ‬±)
2.݀(‫ݔ‬ǡ‫ )ݕ‬ൌ ݀(‫ݕ‬ǡ‫ ݉ݕݏ( )ݔ‬±‫)݁݅ݎݐ‬ (1)
͵Ǥ݀(‫ݔ‬ǡ‫ )ݕ‬൅ ݀(‫ݕ‬ǡ‫ )ݖ‬൒ ݀(‫ݔ‬ǡ‫)ݖ‬ (݅݊±݈݃ܽ݅‫ݐ‬±‫)݁ݎ݈݅ܽݑ݃݊ܽ݅ݎݐ‬
Parmi les distances les plus connues, on cite :
1.7.1 Distance de Minkowski

Cette distance est une famille de distances vectorielles. Soient ‫ܫ‬ଵ , ‫ܫ‬ଶ
deux vecteurs de caractéristiques (vecteurs représentants de deux
images). La formule générale de Minkowski s’écrit :
భ
‫ܮ‬௣(‫ܫ‬ଵǡ‫ܫ‬ଶ) = (∑௡௜ୀଵ|‫ܫ‬ଵ(݅) െ ‫ܫ‬ଶ(݅)|௣)೛ p≥ 1 (2)
Où ‫ܫ‬ଵ(݅) , ‫ܫ‬ଶ(݅) représentent les i±୫ ୣୱ éléments des vecteurs ‫ܫ‬ଵ et ‫ܫ‬ଶ
respectivement, p définie le facteur de Minkowski ሺ‫ ݌‬൒ ͳሻ, n représente la
dimension de l’espace caractéristique.
 Pour p=1, on aura la distance de Manhattan (appelée city block) :
‫ܮ‬ଵ (‫ܫ‬ଵǡ‫ܫ‬ଶ) = ∑௡௜ୀଵ|‫ܫ‬ଵ(݅) െ ‫ܫ‬ଶ(݅)| (3)
 Pour p=2, on définit la distance Euclidienne :

భ
‫ܮ‬ଶ(‫ܫ‬ଵǡ‫ܫ‬ଶ) = (∑௡௜ୀଵ|‫ܫ‬ଵ(݅) െ ‫ܫ‬ଶ(݅)|ଶ)మ (4)
 Pour ‫ ݌‬՜ ൅λ , On définit la distance du maximum

೛
‫ܮ‬ஶ (‫ܫ‬ଵǡ‫ܫ‬ଶ) ൌ ݈݅݉ ௣՜ ஶ ඥ(∑௡௜ୀଵ|‫ܫ‬ଵ(݅) െ ‫ܫ‬ଶ(݅)|௣) ൌ ݉ ܽ‫ݔ‬௜௡ୀଵ|‫ܫ‬ଵ(݅) െ ‫ܫ‬ଶ(݅)| (5)
Les métriques de Minkowski sont simples d’utilisation. Par contre, leur

calcul est réalisé en considérant que chaque composante du vecteur
apporte la même contribution à la distance.
14
Afin de rendre compte de l’importance relative des composantes du

vecteur les unes par rapport aux autres, les distances de Minkowski
pondérées sont préférables.
భ
‫ܮ‬௪௣ (‫ܫ‬ଵǡ‫ܫ‬ଶ) = (∑௡௜ୀଵ ‫ ݓ‬௜|‫ܫ‬ଵ(݅) െ ‫ܫ‬ଶ(݅)|௣)೛ p≥1 (6)
où ‫׷ ݓ‬Le vecteur de pondération à n composantes.
1.7.2 Distance quadratique

Contrairement à la distance de Minkowski qui traite les éléments de
manière équitable, la distance quadratique favorise les éléments les plus
ressemblants. Hafner et al. [23] propose une formule qui permet de
déterminer une matrice de similarité A. Cette distance est donnée par
l’expression suivante :
D୕ ൌ ඥሺ‫ܫ‬ଵ െ ‫ܫ‬ଶ)୘ ሺ‫ܫ‬ଵ െ ‫ܫ‬ଶ) (7)
où A = [a୧୨] est la matrice de similarité. a୧୨, la distance entre deux

éléments des vecteurs ‫ܫ‬ଵ݁‫ܫݐ‬ଶ.
ୢ౟ౠ
a୧୨ = 1 − (8)
୫ ୟ୶ሺୢ౟ౠ)
d୧୨ est la distance dans l’espace considéré et max (d୧୨), le maximum global
de cette distance.
1.7.3 Distance de Mahalanobis

La distance de Mahalanobis permet de prendre en compte la
distribution des classes. En effet, l’amplitude des différents attributs peut
varier fortement, favorisant les valeurs des attributs élevés dans le calcul
de la distance. Elle est définie par l’expression suivante :
D୑ ୟ୦ ൌ ඥሺ‫ܫ‬ଵ െ ‫ܫ‬ଶ)୘ C ିଵሺ‫ܫ‬ଵ െ ‫ܫ‬ଶ) (9)

où C est la matrice de covariance entre l’ensemble des descripteurs
d’images. Dans le cas où les dimensions des caractéristiques sont
15
indépendantes, C ne comporte que la variance. Et la formule (9) se

simplifie comme suit:
మ
∑౤
౟సభ൫ூభ(୧)ିூమ(୧)൯
D୑ ୟ୦(‫ܫ‬ଵǡ‫ܫ‬ଶ) = ට ( ) (10)
େ౟
Si C est une matrice identité alors cette formule devient la distance

Euclidienne.
1.7.4 Intersection d’histogrammes

La méthode d’intersection d’histogrammes a été proposée par Swain
et Ballard [4]. Elle consiste en la mesure de la partie commune entre deux
histogrammes‫ܪ‬ଵ‫ܪ‬ଶ.
Elle est calculée par l’expression suivante :
∑౤ ሺୌ భ(୧)ǡு మ(୧))
౟సభ ୫ ୧୬
Dூ௡௧(‫ܪ‬ଵǡ‫ܪ‬ଶ) = ∑౤
(11)
౟సభ ୌ మሺ୧ሻ
où n est le nombre de valeurs de chaque histogramme. Deux images

présentant une intersection d’histogrammes proche de 1 sont considérées
similaires. Cependant cette mesure n’est pas une métrique parce qu’elle
est non symétrique.
1.7.5 Distance Earth Mover Distance

La distance Earth Mover Distance (EMD) [6], permet d’évaluer la
dissemblance entre deux distributions multidimensionnelles dans un
espace de fonctions. Elle consiste aussi à minimiser le coût de
transformation d’une signature en une autre sous certaines contraintes
de déplacement des classes de descripteurs. Elle est alors définie comme
suit :
౤
భ ∑ మ ୥ ୢ౤
∑౟సభ ౠసభ ౟ౠ ౟ౠ
Dாெ ஽ ሺ‫ܫ‬ଵǡ‫ܫ‬ଶ) = ౤
భ ∑ మ ୥
∑౟సభ
౤ (12)
ౠసభ ౟ౠ
où d୧୨ est la distance entre deux pixels d’indices݆݅, ݃௜௝ représente le flot
optimal entre deux distributions, dont le coût total est
‫ܫ( ܦ ܯܧ ܦ‬1 ǡ‫ܫ‬2 ) = ∑ni=1

1 ∑n2
j=1 gij dij (13)
16
Ce coût est minimal sous les contraintes suivantes :

݃௜௝ ൒ Ͳ‫݆ݐ݁݅׊‬ (14)
Cette contrainte n’autorise que des mouvements des composantes de

‫ܫ‬ଵ‫ܫ‬ଶ.
∑௡௜ୀଵ
భ
݃௜௝ ൑ ‫ܫ‬ଶ (݆)‫݆׊‬ (15)
∑௡௝ୀଵ
మ
݃௜௝ ≤ ‫ܫ‬ଵ(݅)‫݅׊‬ (16)
Ces deux contraintes limitent la quantité de composantes déplacées de I1

et la quantité de composantes reçues I2.
∑௡௜ୀଵ
భ
∑௡௝ୀଵ
మ
݃௜௝ ൌ ݉ ݅݊ሺ ‫ܫ‬ଵ(݅)ǡ‫ܫ‬ଶሺ݅ሻሻ. (17)
Cette formule exprime le maximum de déplacement de composantes

possibles.
1.7.6 La distance de Kolmogorov Smirnov

Cette distance est appliquée aux distributions cumulées‫ܫ‬ୡ(i) , elle
est définit par la formule suivante :
‫ܦ‬௄ௌ(‫ܫ‬ଵୡǡ‫ܫ‬ଶୡ) = max୧(|‫ܫ‬ଵୡ(i) െ ‫ܫ‬ଶୡ(i)|) (18)
1.7.7 La distance de Cramer Von Mises

Est une distance qui s’applique également sur les distributions
cumulées. Sa formule s’écrit :
‫ܦ‬஼௏ெ (‫ܫ‬ଵ௖ǡ‫ܫ‬ଶ௖) = ∑௜ሺ‫ܫ‬ଵ௖(݅) െ ‫ܫ‬ଶ௖(݅))ଶ (19)
1.7.8 Distance de Kullback-Leibler

Cette mesure exprime l’entropie relative de deux distributions et elle
s’exprime par la formule suivante :
ூభ(௜)
‫ܦ‬௄௅(‫ܫ‬ଵǡ‫ܫ‬ଶ) = ∑௜‫ܫ‬ଵ(݅)݈‫݃݋‬ (20)
ூమ(௜)
17
1.7.9 La Divergence de Jeffrey (JD)

Cette distance est une extension de la mesure de Kullback-Leiber, la
différence est que la divergence de Jeffrey est symétrique et stable.
ூభ(௜) ூమ(௜)
‫ܦ‬௃஽ (‫ܫ‬ଵǡ‫ܫ‬ଶ) = ∑௜ሺ‫ܫ‬ଵ(݅)݈‫݃݋‬ ෡ഢ
൅ ‫ܫ‬ଶ(݅)݈‫݃݋‬ ෡ഢ
) (21)
ூ ூ
෡ప représente la moyenne de ‫ܫ‬ଵ(݅) et‫ܫ‬ଶ(݅) , I෡ప = ሺூభ(௜)ାூమ(௜)

où ‫ܫ‬ ଶ
1.8 Quelques systèmes RIC

Depuis son début, le domaine de la recherche d’images par le
contenu a été l’objet d’études des groupes de recherche, ce qui a permis le
développement de ce domaine et des systèmes RIC. Ces systèmes se
différencient par leur mode de fonctionnement. Certains se basent sur les
descripteurs visuels tels que la couleur, la texture et la forme et d’autres
servent à classifier des images par catégories et même ceux capables
d’intégrer la sémantique dans leurs recherche. Dans cette partie nous
allons lister quelques systèmes les plus utilisés.
 QBIC (Query By Image Content) [24] est le premier système de

recherche d’images par le contenu visuel développé par IBM. Il combine
les techniques du domaine de la vision par ordinateur avec celles du
domaine des bases de données. La recherche est basée sur l’indexation
des textures des régions des images dans l’espace couleur de Munsell
amélioré. Elle est réalisée par le biais des procédures de reconnaissance
de formes, d'extraction des contours des objets de l'image, des textures et
de l’histogramme de couleurs.
 Virage [25] Développé par Virage Inc. Virage tel que QBIC est un
système de recherche d’images et propose des requêtes portant sur la
couleur, la localisation des couleurs, la texture et la structure de l’image.
18
 Netra [26] : Développé au sein de l’université de Santa Barbara. Il

emploie une description par région segmentée dont chacune est
caractérisée par la couleur, la texture et la forme. La caractérisation de la
texture est assurée par les filtres de Gabor et les ondelettes, pour
caractériser la forme, ce système utilise les courbures de forme. Pour la
mesure de similarité, ce système emploie la distance Euclidienne.
 Windsurf [27] :C’est un système basé sur la décomposition en
ondelettes des images, suivie par une segmentation des régions à l’aide
des nuées dynamiques et par l’extraction d’attributs colorimétriques et de
texture. La comparaison entre les régions de l’image requête et celles de la
base d’images est réalisée par la distance de Mahalanobis.
 Photobook [28] : Développé par MIT Media Laboratory, ce système

propose une recherche sur trois attributs essentiels la couleur, la texture
et la forme. Photobook est très adapté pour les bases d’images
spécialisées. Pour le calcul de la similarité il utilise un grand nombre de
méthodes telles que la distance Euclidienne et celle de Mahalanobis.
 Cortina [29] : La description des images est issue de la norme

MPEG-7 et des mots issus du texte autour des images dans les pages Web
pour construire son index d’images et la requête est effectuée soit par mot
clés ou par exemple. Le système Cortina est un système destiné aussi
pour la classification d’images en catégories dont le regroupement
d’images est réalisé avec l’algorithme des k plus proches voisins.
 Blobworld [30]: Est un système de recherche d’images par le
contenu qui repose sur les régions caractérisées par la couleur, la texture,
la forme et la localisation spatiale, en procédant à une recherche par
région exemple.
19
 VisualSeek [31]: Ce système repose sur des images segmentées.

Les caractéristiques sont un ensemble de couleurs définies dans l’espace
HSV, les ondelettes pour caractériser la texture ainsi que les relations
spatiales entre régions. Le système permet à l’utilisateur de crayonner les
régions d’intérêt et sélectionner la couleur appropriée puis paramétrer
les attributs de type spatial. Pour mesurer la similarité le système utilise
la distance quadratique et la distance Euclidienne.
 Ikona [32] : Le système Ikona est un système de recherche

d’images par le contenu développé par l’INRIA. La recherche effectuée par
ce système est basée sur une requête exemple utilisant les attributs
couleur, texture et forme, ainsi qu’un système de bouclage de pertinence
qui adapte la recherche suivant les modifications apportées aux résultats
par l’utilisateur au cours de la recherche.
 SIMPLIcity [19] : Les images de la base sont classifiées

automatiquement en catégories. La recherche s’effectue dans l’une de ces
catégories. Les images sont segmentées en régions, dont les ondelettes ont
pour rôle de caractériser chaque région.
La liste est encore ouverte et tous ces systèmes sont

malheureusement difficilement comparables parce qu’ils travaillent sur
des bases d’images différentes. Ces bases ne sont pas connues dans leur
intégralité par l’utilisateur ce qui rend impossible de calculer une
quelconque efficacité ou précision.
1.9 Domaines d’application

Les systèmes RIC deviennent plus en plus indispensables dans
certains domaines tels que :
- Le domaine judiciaire : Les services de police possèdent de grandes

collections d’indices visuels (visages, empreintes, …) qui vont être
20
exploitées par des systèmes de recherche d’images par le contenu afin

d’identifier la personne recherchée.
- Les agences de journalisme et de publicité : Les agences de journalisme
et de publicité est une autre application de la recherche d’images. Elles
maintiennent en effet de grosses bases d’images afin d’illustrer leurs
articles ou leurs supports publicitaires.
- Le domaine militaire : les systèmes de recherche d’images par le
contenu sont très utilisés dans les applications militaires, tel que la
reconnaissance d’engins ennemis via images radar, système de guidage
et identification de cibles via images satellite.
- D’autres applications telles que le diagnostic médical afin de détecter
les organes malades chez les patients, la gestion d’œuvres d’art pour
explorer et chercher les peintures similaires, les moteurs de recherche
d’images sur internet et la gestion de photos personnelles etc.
-
1.10 Conclusion
La recherche d’image est une branche en plein développement.
Dans ce chapitre, nous avons donné un état de l’art sur la recherche
d’images par le contenu et son importance dans le domaine de traitement
d’images. Ensuite, nous avons décrit le principe de fonctionnement des
systèmes de recherche d’images qui se compose essentiellement d’une
donnée principale qui est la base d’images dont l’utilisateur fouille pour
extraire une ou plusieurs images dépendamment de son choix, ainsi une
requête exposée par cet utilisateur qui soit sous forme d’une image,
esquisse ou une requête par caractéristiques. Nous avons présenté les
différentes distances employées pour la mesure de similarité entre images.
Et enfin, nous avons donné une liste de quelques systèmes existants.
21
Chapitre II Méthodes d’indexation d’images
Chapitre II
Méthodes d’indexation d’images
2.1 Introduction
Rappelons que la recherche d’images par le contenu (RIC ou CBIR)
est une technique de traitement d’images qui vise à rechercher des
images à l’aide d’une requête portant sur les caractéristiques visuelles
d’une image telle que la couleur, la texture et la forme. Le résultat de cette
recherche sera une image ou un ensemble d’images ordonnées dans
l'ordre croissant de la valeur de la distance. La construction d’une base
des index commence par l’extraction des caractéristiques appropriées des
images. La couleur, la forme et la texture sont des caractéristiques
importantes pour la description du contenu des images. Par conséquent,
beaucoup de recherches se font sur la couleur, la forme et la texture afin
de pouvoir les utiliser dans la reconnaissance et l'interprétation des
images.
2.2 La description de la couleur

La couleur est un attribut indispensable dans la grande majorité
des systèmes d’indexation et de recherche par le contenu [33].
Commencée par les travaux de Swain et Ballard [4] dont les auteurs ont
22
pu caractériser une couleur par son histogramme. De nombreux

descripteurs sont proposés dans la littérature et nous pouvons considérer
qu’ils forment deux grandes catégories. La première catégorie concerne les
descripteurs relatifs à l’espace couleur [34], où il s’agit de représenter les
principales couleurs d’une image, tout en fournissant des informations
sur leur importance, leur distribution colorimétrique. Dans la deuxième,
les descripteurs incluent des informations spatiales relatives à la
distribution dans le plan image de la couleur, à la connexité entre
couleurs. L’approche la plus courante et la plus rencontrée dans la
littérature est l’histogramme couleur. De très nombreux auteurs ont
proposé diverses manières d’utiliser l’histogramme comme descripteur.
Deb et. al [35] ont proposé un histogramme dans l’espace HSV pour
décrire la couleur. Ainsi que diverses distances associées qui permettent
de mesurer la similarité entre deux histogrammes. Dans [4], Swain et
Ballard ont décrit la couleur d’une image à l’aide de son histogramme
couleur et ont défini l’intersection d’histogrammes couleur comme mesure
de similarité entre deux images.
2.2.1 L’espace couleur

Une couleur est généralement représentée par trois composantes
qui définissent ce qu’on appelle un espace couleur [34]. Les espaces les
plus utilisés dans la recherche d’images par le contenu sont : l’espace
RGB, l’espace CIE L*a*b*, l’espace CIE L*u*v*, l’espace HSV (ou HSL,
HSB).
Espace RVB : Défini pour la première fois en 1931 par la compagnie

internationale de l’éclairage CIE. Il est le système couramment le plus
utilisé qui se base essentiellement sur trois couleurs fondamentales le
rouge, le vert et le bleu et dont toutes les autres couleurs dérivent.
Il se représente sous forme d’un cube de la figure (1).
23
Fig.1. Cube de l’espace RVB.
Cet espace couleur est sensible aux changements d'illumination, et ne

correspond pas au processus de perception humaine.
Espace HSV (HSI) (Hue-Saturation-value) : La projection d’une image dans
cet espace permet de séparer les trois informations relatives à la teinte (H),
qui représente la couleur pure (rouge, jaune, vert, bleu…etc.), la
saturation (S) qui donne des informations sur la quantité de blanc dans la
couleur pure et la valeur (V) correspondant à l’intensité lumineuse qui
indique si la couleur est claire ou sombre[11].
On représente cet espace par un cône, dont la teinte est représentée par
les angles du cône, la saturation est donnée par les rayons du cône et la
valeur est définie par la hauteur du cône, illustré par la figure (2).
Fig.2. L’espace couleur HSV.
24
Cet espace présente l’avantage de simuler le comportement visuel

humain. Mais il a l’inconvénient d’être non uniforme ce qui se traduit par
le fait que la distance entre deux couleurs visuellement proches calculée
dans cet espace peut être très grande.
Espace XYZ : La C.I.E. a défini un autre espace de représentation d’une

couleur qui prend en compte la sensibilité de l’œil. Il s’agit de l’espace
XYZ. Il s’obtient simplement à partir du système RGB et à l’aide d’une
matrice de passage [36]. La figure (3) donne une représentation de cet
espace, Y contient la luminance, X et Z l’information de chrominance. Cet
espace lui aussi n’est pas perceptuellement uniforme ce qui le rend
rarement utilisé dans les systèmes de recherches d’images. C’est-à-dire
que les différentes nuances d’une même teinte (par exemple vert) peuvent
être très éloignées dans l’espace.
Fig.3. L’espace couleur XYZ.
Espace CIE Luv : C’est un système perceptuellement uniforme que l’on

peut obtenir à partir du système XYZ. Il permet l’utilisation d’une distance
Euclidienne pour mesurer l’écart entre deux couleurs. La composante L
représente la réponse de l’œil à un niveau de luminance, u et v
représentent la chrominance.
Espace CIE Lab : C’est un espace couleur qui possède la bonne propriété
de respecter les distances entre les couleurs visuellement proches. Donc il
est perceptuellement uniforme. De même que le système précédent, il est
25
défini à partir de l’espace XYZ par des relations non-linéaires. Il est très
utilisé dans le domaine de la recherche d’image par le contenu. Dans [11]
Landré a fait sa représentation de couleur dans deux espaces couleur
l’espace HSV et l’espace CIE Lab pour avoir une meilleure description de
la couleur.
Fig.4. Espace CIE Lab.
Espaces YUV, YIQ et UCbCr : Ces espaces sont semblables. YUV est
utilisé pour le codage des couleurs dans le système de télévision PAL, YIQ
pour le système NTSC, dont Y représente l’intensité, UV et IQ sont les
deux composantes de chrominance. Pour Cr et Cb correspondent aux
complémentaires du rouge et du bleu.
2.2.2 Histogramme couleur

Une représentation pratique et la plus connue de la couleur est
l'histogramme. Cette méthode a été utilisée pour la première fois par
Swain et Ballard [4]. Hafner et al [37] ont défini un histogramme par le
nombre d'apparitions d'un élément dans un ensemble. Malgré que ce
descripteur donne une information sur la présence de chaque couleur
dans l’image, il ne tient pas en considération sa localisation spatiale.
Cette méthode sera utilisée dans notre travail pour la caractérisation de la
couleur et sera détaillée au chapitre suivant.
26
2.2.3 Les moments statistiques

Contrairement à la méthode d’histogramme qui utilise une
distribution complète de la couleur, cette approche permet de calculer
seulement des caractéristiques dominantes de couleur telles que la
moyenne, la variance et le moment du troisième ordre et qui sont donnés
par les formules suivantes.
1. La Moyenne :
ଵ
ߤ௜ = ∑ே௝ୀଵ ܲ௜௝ (1)
ே
2. Le contraste (contraste dans une image)
ଵ
ߪ௜ = ට ∑ே௝ୀଵሺܲ௜௝ െ ߤ௜)ଶ (2)
ே
3. Le moment d’ordre 3 désigne la quantité de la lumière dans une image.

భ
ଵ
ܵ௜ = ( ∑ே௝ୀଵሺܲ௜௝ െ ߤ௜)ଷ)య (3)
ே
ܲ௜௝ : La valeur du pixel j pour le canal i ( RGB), N : nombre de pixel de

l’image.
Dans [34] les auteurs ont même prouvé que les méthodes utilisant des
moments statistiques marchent plus vite et donnent des résultats
meilleurs que les méthodes d’histogrammes.
2.2.4 Cohérence spatiale

Contrairement à l’histogramme, ce descripteur sert à combler
l’absence de l’information spatio-colorimétrique de l’image. La cohérence
spatiale est calculée pour chaque classe de couleur identifiée. On définit
d’abord un histogramme de connexité donné par la formule suivante :
‫ܪ‬௦ሺܿሻൌ ∑ெ௜ୀ଴
ିଵ ே ିଵ
∑௝ୀ଴ δ( Iୱ(i, j), c) α(i, j) (4)
‫ܫ‬௦est une image segmentée de taille M*N, c est la couleur du pixel (i,j), δ
est le symbole de Kronecker et α(i, j) est définie par :
ଵୱ୧‫׊‬୩ǡ୩ᇲ∊(ି୛ ǡ୛ )୍౩(୧ା୩ǡ୨ା୩ᇲ)ୀ୍౩(୧ǡ୨).
α(i, j) = {଴ୱ୧୬୭୬ (5)
La fenêtre (2W+1)*(2W+1) représente le degré de compacité souhaitée.
27
La cohérence spatiale est donnée par le rapport suivant :
ுೞሺୡሻ
SCR(c) = (‫ ܪ‬: Histogramme des couleurs) (6)
ு ሺ௖ሻ
2.2.5 Les couleurs moyennes

Cette méthode sert à déterminer les différentes distributions
moyennes de couleur dans une image. Pour une image I représentée dans
l’espace RGB et comportant M*N pixels, la caractéristique couleur
moyenne est donnée par la formule suivante :
‫ݔ‬ҧൌ ሺܴത௠ ௢௬ ǡ‫ܩ‬௠̅ ௢௬ ǡ‫ܤ‬ത௠ ௢௬ )௧ (7)
ଵ
ܴത௠ ௢௬ = ∑ே௣ୀଵ
‫כ‬ெ
ܴሺ‫݌‬ሻ (8.a)
ே ‫כ‬ெ
ଵ
‫ܩ‬௠̅ ௢௬ = ∑ே௣ୀଵ
‫כ‬ெ
‫ܩ‬ሺ‫݌‬ሻ (8.b)
ே ‫כ‬ெ
ଵ
‫ܤ‬ത௠ ௢௬ = ∑ே௣ୀଵ
‫כ‬ெ
‫ܤ‬ሺ‫݌‬ሻ (8.c)
ே ‫כ‬ெ
R(p), G(p), B(p) sont les niveaux de couleur du pixel P dans chaque canal
le rouge, le vert et le bleu respectivement.
2.2.6 Le corrélogramme
L’idée principale de cette méthode est inspirée des matrices de
cooccurrence, développés au départ pour les images en niveaux de gris
[38]. Le Corrélogramme a pour rôle de représenter les corrélations
spatiales entre les niveaux de gris en fonction de la distance inter pixels
utilisant la norme L∞ .(voir la formule (9)). Les corrélogrammes ont été
utilisées dans [39] pour l'indexation et la recherche d’image par le
contenu.
|ܲଵ െ ܲଶ| ൌ ݉ ܽ‫ݔ‬
ሼ|‫ݔ‬ଵ െ ‫ݔ‬ଶ|, |‫ݕ‬ଵ െ ‫ݕ‬ଶ|} (9)
|ܲଵ െ ܲଶ| :La distance entre ܲଵ݁‫ܲݐ‬ଶ de coordonnées (‫ݔ‬ଵǡ‫ݕ‬ଵ)݁‫ݔ(ݐ‬ଶǡ‫ݕ‬ଶ).
Pour une distance ݇ ‫ͳ{ א‬ǡʹǡǥ ݀} fixée à priori, le corrélogramme de la
couleur ܿ௜ par rapport à la couleur ܿ௝ est défini par :
28
‫ݎ݋ܥ‬௜௞ǡ௝ ൌ ‫ܾ݋ݎ݌‬௣ଵ‫א‬ூ೎೔ሾܲʹ ‫ܫ א‬௖௝/|ܲଵ െ ܲଶ| ൌ ݇ሿ (10)
‫ܫ‬௖௜,‫ܫ‬௖௝ : Les ensembles de pixels dont la couleur est ܿ௜ et ܿ௝ respectivement.
Pour tout pixel de couleur c୧ dans une image I de dimension N*N,

Cor୧୩ǡ୨ exprime la probabilité de trouver un pixel de couleur c୨ à une
distance ݇.
Pour comparer deux images I et Iᇱ, la mesure de similarité proposée par
[40] est dérivée de la distance de Manhattan ‫ܮ‬ଵ.
2.2.7 Le vecteur de cohérence de couleur

Ce descripteur décrit par Pass et al. [41] représente une autre
variante, plus détaillée, de l’histogramme. Chaque rang de l’histogramme
peut être partitionné en cohérent et non cohérent. La formule de la
cohérence de couleurs est donnée par le vecteur suivant : [(ߙଵǡߚଵ), (ߙଶǡߚଶ),
…,(ߙே ǡߚே )], tel que la somme (ߙଵ ൅ ߚଵ, ߙଶ ൅ ߚଶ…,ߙே ൅ ߚே ) donnera
l’histogramme de couleurs de l’image. L’avantage qu’apporte cette
approche est l’ajout de l’information spatiale à l’histogramme et cela à
partir de leur raffinement. Mais, cette méthode présente l’inconvénient
d’amplifier la sensibilité aux conditions d’illumination.
2.2.8 Les couleurs dominantes

Les couleurs dominantes caractérisées par la signature s telle que
s ={‫ݏ‬௜ ൌ ሺ݉ ௜ǡ‫ ݓ‬௜)} est un ensemble de nuages de points. Chaque nuage est
représenté par son mode ݉ ௜ définissant le maximum local de sa densité de
probabilité, et le nombre ‫ ݓ‬௜ de pixels qui appartient au nuage.
Les signatures par couleurs dominantes, proposées dans [42], ne stockent
que les couleurs qui appartiennent à l’image, elles ne stockent pas les
cellules vides. La mesure de similarité la plus utilisée pour comparer ces
signatures est l’Earth Mover Distance ‘EMD’. La distance entre deux
distributions ‫ݏ‬ଵ‫ݏ‬ଶ est donnée par le cout minimum de travail
nécessaire pour transformer ‫ݏ‬ଵ‫ݏ‬ଶ. Les différents nuages de points, sont
déterminée par plusieurs méthodes dont la plus facile est celle basée sur
l’histogramme.
29
2.3 La description de la texture

La texture d’une image peut être interprétée comme la régularité
d’apparition de couples de niveaux de gris selon une distance donnée
dans l’image. La texture est un attribut très riche en information sur la
structuration des pixels dans l’image, ce qui a permis le développement de
beaucoup de méthodes pour extraire le maximum de ces informations. En
pratique, on distingue deux grandes classes de textures, qui
correspondent à deux niveaux de perception à savoir les macrotextures et
les microtextures.
Le but de l'analyse d’une texture est de formaliser les descriptifs de cette
dernière par des paramètres mathématiques qui serviraient à l'identifier.
Pour cet objectif, une multitude de méthodes, de variantes et de
combinaisons de méthodes sont proposées dans la littérature et éprouvées
en pratique. Elles sont classifiées en trois principales catégories qui sont
principalement : les méthodes structurelles, les méthodes statistiques et
les méthodes fréquentielles.
Le premier type tient compte de l'information structurelle et contextuelle
et est particulièrement bien adaptée pour le cas des textures
macroscopiques qui sont des textures construites sur une primitive bien
identifiable qui se répète sur une maille régulière. Les étapes d'analyse
sont d'abord l'identification des éléments constitutifs, puis la définition
des règles de placement.
2.3.1 Les Méthodes statistiques

Consistant à évaluer des propriétés statistiques d’une région ou
d’un certain voisinage autour d’un pixel (telle que la variance, la moyenne,
la corrélation, l’entropie…) en se basant sur la distribution des niveaux de
gris. On trouve les caractéristiques statistiques du premier ordre se
basant sur l’histogramme des niveaux de gris de l’image et les statistiques
du second ordre tenant compte des relations inter-pixels dans une image
en niveau de gris.
30
2.3.1.1 Les statistiques du premier ordre

Les caractéristiques statistiques du premier ordre sont des
méthodes ne tenant en compte qu’un pixel à la fois, utilisant les
propriétés de l’histogramme des niveaux de gris de l’image. Soit Ig une
image en niveau de gris correspondante à l’image I de N pixels.
L’histogramme des niveaux de gris est calculé comme suit :
ଵ
݄݅‫ = )݅(ݐݏ‬ே ∑ே௣ୀଵ ‫ )݌(݃ܫ‬ൌൌ ݅ (i ∊ {1,2,..,ng}) (11)
Les statistiques du premier ordre [43], permettent de donner une

certaine information sur les textures présentes dans cette image. Les
attributs extraits sont : la moyenne, l’écart type et la variance de la
distribution des niveaux de gris dans l’image. Donnés par les formules
(12), (13) et (14).
La moyenne :
ଵ
‫ ݕ݋ ܯ‬ൌ ∑௡௚
௜ୀଵ ݅‫ݐݏ݄݅כ‬ሺ݅ሻ (12)
௡௚
Ecart type:
ଵ
‫ܧ‬௧௬௣௘ = ට ∑௡௚
௜ୀଵ
(݅െ ݉ ‫)ݕ݋‬ଶ ݄݅‫)݅(ݐݏ‬ (13)
௡௚
La variance :
ଵ
ܸܽ‫ ݎ‬ൌ ∑ே௣ୀଵ(‫݃ܫ‬ሺ‫݌‬ሻെ ݉ ‫)ݕ݋‬ଶ (14)
ே
2.3.1.2 Les statistiques du second ordre

Ce sont celles qui exploitent les paires de pixels en incluant une
certaine dépendance spatiale. Elles sont très exploitables pour la
caractérisation de la texture. On se limite de citer les méthodes les plus
connues.
31
1) Les matrices de cooccurrence

Les matrices de co-occurrence des niveaux de gris [44] (Gray Level
Co-occurrence Matrix GLCM) est une méthode qui représente la référence
en analyse statistique de texture d’une image. Les matrices de
cooccurrence sont très riches en information de texture et servent souvent
de méthode comparative pour les nouvelles approches. Les matrices de
cooccurrence font l’objet de plusieurs recherches. Dans [45] les auteurs
ont donné une nouvelle technique pour un système de recherche d’image
par le contenu, utilisant les matrices de cooccurrence des motifs. Elle est,
en effet, simples à mettre en œuvre et offrent de bonnes performances.
Le principe de cette méthode est de mesurer la probabilité

d’apparition des paires de valeurs de pixels situés à une certaine distance
dans l’image (la formule (15)). Elle est basée sur le calcul de la probabilité
ܲ௜ǡ௝ሺ݀ǡߠሻ qui représente le nombre de fois où un pixel de niveau de gris i
apparait à une distance relative d d’un pixel de niveau de gris j suivant
une orientation θ donnée.
ܲ௜ǡ௝ሺ݀ǡߠሻൌ ‫݅ܩܰא ݌ܾ݋ݎ݌‬ሾ‫݌‬2 ‫݆ܩܰ א‬ห‫݌‬1 െ ‫݌‬2หൌ ݀ǡ ᩕ൫‫݌‬1 ǡ‫݌‬2 ൯ ൌ ߠሿ. (15)
1
Il est généralement admis que toute l’information texturale dérivable

des matrices de cooccurrence est obtenue pour les angles 0°, 45°, 90° et
135°, avec une distance inter-pixels égale à 1. D’où la présence de quatre
matrices de cooccurrence.
Les quatre matrices sont alors calculées suivant les équations suivantes
où (k,l) sont les coordonnées d’un pixel de niveau de gris i∊[0, ng ୫ ୟ୶ − 1]et
(m,n) celles du pixel de niveau de gris j∊[0, ng ୫ ୟ୶ − 1]. ng ୫ ୟ୶ représente le
niveau de gris maximum dans l’image.
ܲ௜ǡ௝(݀ǡͲ) ൌ ห൛൫(݇ǡ݈), (݉ ǡ݊)൯‫) ܯכ ܰ( ג‬ଶ‫ݍݐ‬൫݇ െ ݉ ൌ Ͳǡ|݈െ ݊| ൌ ݀ǡ‫ܫ‬௞ǡ௟ ൌ ݅ǡ‫ܫ‬௠ ǡ௡ ൌ ݆൯ൟห (16.a)
ሼ൫(݇ǡ݈), (݉ ǡ݊)൯‫) ܯכ ܰ( ג‬ଶ‫ݍݐ‬

ܲ௜ǡ௝(݀ǡͶͷ) ൌ ቤ ቤ (16.b)
(݇ െ ݉ ൌ ݀ǡ݈െ ݊ ൌ െ ݀) ∨ (݇ െ ݉ ൌ െ݀ǡ݈െ ݊ ൌ ݀)ǡ‫ܫ‬௞ǡ௟ ൌ ݅ǡ‫ܫ‬௠ ǡ௡ ൌ ݆ሽ
32
ܲ௜ǡ௝(݀ǡͻ Ͳ) ൌ หሼ൫(݇ǡ݈), (݉ ǡ݊)൯‫) ܯכ ܰ( ג‬ଶ‫ݍݐ‬ሺ|݇ െ ݉ | ൌ ݀ǡ݈െ ݊ ൌ Ͳሻǡ‫ܫ‬௞ǡ௟ ൌ ݅ǡ‫ܫ‬௠ ǡ௡ ൌ ݆ሽห (16.c)
ሼ൫(݇ǡ݈), (݉ ǡ݊)൯‫) ܯכ ܰ( ג‬ଶ‫ݍݐ‬

ܲ௜ǡ௝(݀ǡͳ͵ͷ) ൌ ቤ ቤ (16.d)
ሺ݇ െ ݉ ൌ ݀ǡ݈െ ݊ ൌ ݀ሻ‫ ݇( ש‬െ ݉ ൌ െ ݀ǡ݈െ ݊ ൌ െ݀)ǡ‫ܫ‬௞ǡ௟ ൌ ݅ǡ‫ܫ‬௠ ǡ௡ ൌ ݆ሽ
Les matrices de cooccurrence sont exploitable par extraction des

attributs numériques calculés appelés paramètres de texture.
Haralick [38] a proposé 14 attributs pouvant être extraits de ces matrices
de cooccurrence. Généralement, les quatre attributs utilisés dans la
recherche d’image par le contenu sont : l’énergie, le contraste, l’entropie et
le moment inverse de différence, obtenus après normalisation des
matrices ܲ௜ǡ௝(݀ǡߠ) par N*M.
 Energie
L’énergie est un paramètre qui mesure l’uniformité de la texture. Il
atteint de fortes valeurs lorsque la distribution des niveaux de gris est
constante ou de forme périodique. Elle est donnée par la formule suivante.
‫ ܧ‬ൌ ∑௜∑௝ሺܲ௜௝ሺ݀ǡߠሻሻଶ. (17)
 Contraste
‫ݐ݊݋ܥ‬ൌ ∑௜∑௝ ቀ(݅െ ݆)ଶܲ௜௝(݀ǡߠ)ቁ (18)
Cette valeur est élevée lorsque la texture présente un fort contraste.

 Entropie
Ce paramètre mesure le désordre dans l’image. Contrairement à
l’énergie, l’entropie atteint de fortes valeurs lorsque la texture est
complètement aléatoire (sans structure apparente).
‫ݐ݊ܧ‬ൌ െ ∑௜∑௝ሺܲ௜௝ሺ݀ǡߠሻ
ሺܲ௜௝ሺ݀ǡߠሻሻሻ. (19)
 Moment inverse de différence (MID)

Il mesure l’homogénéité de l’image. Ce paramètre reflète l’existence
de plages uniformes de texture. Plus cette valeur est élevée, plus la
texture est grossière.
௉೔ೕሺ೏ǡഇሻ
‫ ܦܫ ܯ‬ൌ ∑௜∑௝ (20)
ଵାሺ௜ି௝ሻమ
33
2) La matrice de longueur de plages

Les longueurs de plages sont une manière de représenter une
texture par une estimation de la probabilité d’observer des plages des
niveaux de gris constants dans une certaine direction. Une plage est
définie par l’ensemble de pixels consécutifs et dans une direction donnée
ayant le même niveau de gris. Une longueur de plage définit le nombre de
pixel que contient cette dernière.
De même que la méthode des matrices de cooccurrence, la matrice de
longueur de plages est exploitable par extraction de plusieurs attributs.
 Le nombre de longueurs de plages :

ே ௚ିଵ
ܵ‫ ܲܮ‬ൌ ∑௡௚ୀ଴ ∑௅௟ୀଵ ܲఏ ሺ݊݃ǡ݈ሻ (21)
 La proportion de petites et grandes plages (resp. ܴ‫ ͳܨ‬et ܴ‫)ʹܨ‬:

ଵ ௉ഇ (௡௚ǡ௟)
ܴ‫ ͳܨ‬ൌ ∑ே௡௚ୀ଴
௚ିଵ ௅
∑௟ୀଵ (22)
ௌ௅௉ ௟మ
ଵ
ܴ‫ ʹܨ‬ൌ ∑ே௡௚ୀ଴
௚ିଵ ௅
∑௟ୀଵ ݈ଶܲఏ (݊݃ǡ݈) (23)
ௌ௅௉
 L’hétérogénéité des niveaux de gris:

ଵ
ܴ‫ ͵ܨ‬ൌ ∑ே௡௚ୀ଴
௚ିଵ ௅
(∑௟ୀଵ ܲఏ (݊݃ǡ݈))ଶ (24)
ௌ௅௉
RF3 mesure la dispersion des plages entre les niveaux de gris.
 L’hétérogénéité des longueurs de plages :

ଵ
ܴ‫ܨ‬Ͷ ൌ ∑௅௟ୀଵ(∑ே௡௚ୀ଴
௚ିଵ
ܲఏ (݊݃ǡ݈))ଶ (25)
ௌ௅௉
Ce paramètre donne une information sur la dispersion des plages entre

les longueurs.
 Le pourcentage des plages :

ͷ ൌ ܵ‫ܲܮ‬⁄‫ ܭ‬. (26)
ܲఏ (݊݃ǡ݈) : indique le nombre de plages de pixels ayant le niveau de gris ݊݃,
de longueur l. Le paramètre θ indique la direction de la plage.
34
ܰ݃ correspond au nombre de niveaux de gris dans l’image et L définit la

longueur de la plage maximale.
K : Le nombre total des pixels de l’image.
2.3.2. Les méthodes fréquentielles
Analyser une image par son spectre fréquentiel nous donne
beaucoup d'informations sur celle-ci. L’analyse fréquentielle d’images est
une analyse qui est la plupart du temps déterminante de la texture
étudiée. On cite la transformée en ondelette qui est très utilisée dans la
description et la classification de la texture [46]. Ainsi les filtres de Gabor,
ont eux aussi montrés leurs capacités de représenter une texture [47].
Cependant une analyse fréquentielle est résultat d’une transformation de
Fourier dans le domaine fréquentiel, ce qui nous amène à passer par la
transformation de Fourier pour les signaux images.
2.3.2.1 La transformée de Fourier

La transformée de Fourier (TF) permet de passer d'une
représentation de l'image dans le domaine spatial à sa représentation
dans le domaine fréquentiel. Les résultats de la TF nous informent sur le
contenu fréquentiel global à partir duquel certains paramètres
caractéristiques texturaux peuvent être extraits.
Pour une image I définie contenant N lignes et M colonnes, la
représentation de la transformée de Fourrier sera discrète. Elle est donnée
par la formule suivante :
ೠ೔ ೡೕ
ଵ
ܶ‫ܦܨ‬ூሺ‫ݑ‬ǡ‫ݒ‬ሻൌ ∑ே௜ୀ଴ ∑௝ୀ଴ ‫ܫ‬ሺ݅ǡ݆ሻ݁ି௝ଶగሺಿ ା ಾ )
ିଵ ெ ିଵ
(27)
ே ‫כ‬ெ
0 ≤ u ≤N−1
Ͳ ൑ ൑ ‫ ܯ‬െ ͳ.
Cette TFD bidimensionnelle n’est pas toujours facile à interpréter.

On s’intéresse principalement à son module, appelé spectre de Fourier.
Pour une texture directionnelle, le spectre de puissance contient des pics
sur une ligne perpendiculaire à la direction principale de la texture. Si la
texture est périodique, on retrouvera cette périodicité dans le spectre.
35
Pour le cas d’une texture fine, le spectre sera maximum dans les hautes
fréquences, et inversement, si elle est plutôt grossière, le maximum sera
proche des basses fréquences. En effet, le spectre de Fourier rend compte
de la rugosité d’une texture.
2.3.2.2 Les filtres de Gabor

La méthode de Gabor se base sur une formule dite fonction de
Gabor, qui est définie par association d’une courbe de Gauss avec une
sinusoïde orientée. Voir la formule (28). Cette méthode est très utilisée en
indexation d’images pour la caractérisation de la texture et notamment
pour la segmentation des images texturées [47], ainsi dans le domaine de
la reconnaissance faciale [48].
L’utilisation des filtres de Gabor consiste à analyser
indépendamment différentes parties de l’espace de Fourier à l’aide de
plusieurs filtres.
Gaussienne * sinus/cosinus = filtre de Gabor
Fig.7. Représentation d’un filtre de Gabor 2D
L’expression du filtre de Gabor en deux dimensions est donnée par la

formule suivante :
݂ீ௕ ൌ ݃(x ᇱ, y ᇱ)

ሺʹߨ݆ሾߤ଴(‫ ݔ‬െ ‫ݔ‬଴)ଶ ൅ ߭଴(‫ ݕ‬െ ‫ݕ‬଴)ଶ] (28)
మ మ
୶ᇲ ୷ᇲ
݃(x ᇱ, y ᇱ) = exp(− ଶ஢మ − ଶ஢మ) (29)
౮ ౯
ߪ௫ et ߪ௬ : sont des constantes d’espace de l’enveloppe gaussienne qui

déterminent l’étendue de l’onde suivant les axes x et y respectivement.
36
(‫ݔ‬଴ǡ‫ݕ‬଴) : représente le point d’origine où s’applique la fonction ݂ீ௕ (݂ீ௕ est

maximale en ce point).
(x ᇱ, y ᇱ) ൌ ሺ‫ ߛݏ݋ܿݔ‬൅ ‫ߛ݊݅ݏݕ‬ǡെ‫ ߛ݊݅ݏݔ‬൅ ‫ߛݏ݋ܿݕ‬ሻ(ߛ: représente l’angle de rotation
de (x ᇱ, y ᇱ) par rapport à (x, y) et définit l’orientation de l’enveloppe
gaussienne dans le domaine spatial).
Un filtre de Gabor est un filtre de convolution obtenu en appliquant cette
fonction à un masque de convolution.
Un filtre de Gabor est complètement défini par la connaissance de six
paramètres à savoir l’orientation de l’enveloppe gaussienneߛ, l’orientation
de l’onde sinusoïdale ߠ, les deux paramètres de position ሺߤ଴ǡ߭଴) ou (‫ܨ‬଴ǡߛ)
et les deux paramètres d’étalement (σଶஜ, σଶ஝) ou bandes radiale et
transversale B et Ω tels que :
ఓ
ߠ ൌ ܽ‫ ݃ݐܿݎ‬జబ (30)
బ
ଶ గఙ ி ାఈ
‫ܨ‬଴ = ට ߤ଴ଶ ൅ ߭଴ , ‫ ܤ‬ൌ ଶ గఙഋ ிబିఈ (31)
ഋ బ
భ
ఈ ୪୭୥
ሺ)
ȳ ൌ ʹ‫ ݃ݐܿݎܣ‬గఙ ǡܽ‫ ߙܿ݁ݒ‬ൌ ට ଶ ೞ : désigne un seuil de troncature.
ഔிబ
Les paramètres de texture sont donc déterminés en calculant la

moyenne et l’écart type des images filtrées par Gabor. Le vecteur
caractéristiques de la texture va contenir un ensemble de valeurs égal au
nombre d’échelles multiplié par le nombre d’orientations.
2.3.2.3 La transformée en ondelettes

L’analyse par ondelettes est un outil mathématique capable de
transformer un signal d’énergie finie dans le domaine spatial en un autre
signal d’énergie finie dans le domaine spatio-fréquentiel. Les composantes
de ce nouveau signal sont appelées les coefficients d’ondelettes. Ces
coefficients renseignent sur la variation locale des niveaux de gris autour
d’un pixel donné de l’image. Son utilisation est justifiée par le fait qu’elle
offre une nouvelle représentation de l’image dans laquelle l’information
texturale est facilement accessible.
37
Les ondelettes ont été introduites pour la première fois par Grossman et
Morlet [49] comme un outil mathématique d’analyse des signaux
sismiques, et depuis, elle a été largement utilisée dans des applications
diverses en traitement d’images tels que le débruitage et la restauration
[50] et la compression d’images.
Cette méthode fera l’objet de notre étude et sera détaillée au chapitre
suivant.
2.4 La description de la forme

La forme est un descripteur très important dans l’indexation
d’images. Les descripteurs (ou paramètres) de forme sont des nombres qui
représentent chaque forme et permettent de les classer [51]. La
description d’une forme dans une image se fait par une description basée
région ou par une description basée contour.
2.4.1 Les descripteurs géométriques

Ce sont des descripteurs de formes qui nécessitent une
segmentation en région préalable de l’image, Ils permettent de distinguer
les différents types de formes que peuvent prendre les objets d’une scène.
Ces moments sont calculés sur les différentes régions de l’image [52].
 La surface relative S୩ d’une région R ୩ qui correspond au nombre de
pixels contenus dans cette région par rapport au nombre total de
pixels de l’image de N lignes et M colonne :
ୡୟ୰ୢሺୖౡ)
S୩ = (32)
୒ ‫୑כ‬
 Le centre de masse des pixels de la région est défini comme suit :
∑೔‫א‬ೃ ௜⁄௖௔௥ௗሺோೖ) ∑ೕ‫א‬ೃ ௝⁄௖௔௥ௗሺோೖ)

ܲ ൌ ൫ܲ௜ǡܲ௝൯= ( ೖ
, ೖ
) (33)
ெ ே
38
 La longueur du contour de la région qui définit le nombre de pixels

en bordure de la région :
݈௞ ൌ ܿܽ‫݀ݎ‬ሺܿ‫ݎݑ݋ݐ݊݋‬ሺܴ௞)) (34)
 La compacité qui traduit le regroupement des pixels de la région en
zones homogènes non trouées
௟ೖ మ
‫ܥ‬௞ = (35)
ௌೖ
Ces attributs permettent d’obtenir des informations sur la géométrie

des régions de l’image.
2.4.2 Les moments géométriques

Les moments géométriques permettent de décrire une forme à l’aide
de propriétés statistiques [53]. Ils sont simples à manipuler mais leur
temps de calcul est très long. La formule générale des moments
géométriques pour décrire les formes présentes dans une image, est
définie comme suit:
݉ ௣ǡ௤ = ∑௠௣ୀ଴ ∑௡௤ୀ଴ ‫ݔ‬௣‫ݕ‬௤ ݂ሺ‫ݔ‬ǡ‫ݕ‬ሻ (36)
L’ordre du moment est p+q, ݂ሺ‫ݔ‬ǡ‫ݕ‬ሻreprésente un objet dans l’image.

Le moment d’ordre 0 :݉ ଴ǡ଴ représente l’aire de la forme de l’objet.
Les deux moments d’ordre 1 : ݉ ଴ǡଵ et ݉ ଵǡ଴ permettent de calculer les
coordonnées (‫ݔ‬௖ǡ‫ݕ‬௖) du centre de gravite de l’objet.
௠ భǡబ ௠ బǡభ
‫ݔ‬௖ = et ‫ݕ‬௖ =
௠ బǡబ ௠ బǡబ
Une caractéristique très importante de ces moments est qu’ils

permettent d’avoir des informations sur l’ellipse équivalente à l’objet. Ce
qui revient à la détermination des axes principaux de l’ellipse. Il faut
ramener les moments d’ordre 2 au centre de gravite :
mଶǡ଴୥ = mଶǡ଴ − m଴ǡ଴ xୡଶ (37.a)
mଵǡଵ୥ = mଵǡଵ − m଴ǡ଴ xୡ yୡ (37.b)
39
m଴ǡଶ୥ = m଴ǡଶ − m଴ǡ଴ yୡଶ (37.c)
On peut déterminer l’angle d’inclinaison de l’ellipse α

ଵ ଶ௠ భǡభ೒
α = ܽ‫݊ܽݐܿݎ‬ (38)
ଶ ௠ మǡబ೒ ି௠ బǡమ೒
A partir des moments géométriques, Hu [54] a introduit sept moments

invariants aux transformations géométriques, dits moments de Hu.
 Les moments de Hu
Hu [54] a permit de décrire une forme à l’intérieur d’une image à
l’aide de propriétés statistiques. Les moments de Hu sont simples à
manipuler, robustes aux changements d’échelle, la translation et la
rotation, mais leur temps de calcul est très long et sont sensibles aux
bruits. Cette méthode a été le sujet de plusieurs recherches. Dans sa
thèse, Landré [11] a caractérisé les formes des images de la base
paléontologique par les moments de Hu pour des imagettes approximation
résultantes d’une décomposition en ondelettes.
Ce descripteur fera l’objet de notre caractérisation de forme et il sera
détaillé au chapitre suivant.
2.4.3 Les moments orthogonaux

Comme leur nom l’indique, les moments orthogonaux sont définis
dans une base orthogonale, ce qui évite la redondance des informations
portées par chacun des moments. Les moments orthogonaux les plus
connus sont les moments de Legendre et les moments de Zernike.
2.4.3.1 Les moments de Legendre

Les moments de Legendre se basent sur les polynômes de
Legendre. Ils sont définis sur un carré unité [-1,1] x [-1,1] ce qui nous
mène à normaliser les objets dont on veut calculer ces moments.
Le polynôme de Legendre d’ordre n est défini comme suit :
40
ଵ ௗ೙ ሺ௫మିଵሻ೙
‫[ א ݔ׊‬−1, 1]ǡ‫ א ݊׊‬Գǡ ܲ௡ (‫= )ݔ‬ (39)
ଶ೙ ௡Ǩ ௗ௫೙
Les polynômes de Legendre {ܲ௡ (‫ })ݔ‬forment une base complète et

orthogonale sur le domaine de définition [-1,1] :
ଵ ଶ
∀(‫ݔ‬ǡ‫[ ∈ )ݕ‬−1, 1]ଶ, ∀ (݉ ǡ݊) ∈ ℕଶ, ∬ିଵ ܲ௠ (‫ܲ )ݔ‬௡ (‫ ݕ݀ݔ݀)ݕ‬ൌ ߜ (40)
ଶ௠ ାଵ ௠ ௡
ߜ௠ ௡ : représente le symbole de Kronecker.

Les moments de Legendre d’ordre n sont donnés par la formule suivante :
∀(‫ݔ‬ǡ‫[ ∈ )ݕ‬−1, 1]ଶ, ∀ (‫݌‬ǡ‫ ∈ )ݍ‬ℕଶǡ ܰ ൌ ‫ ݌‬൅ ‫ݍ‬ǡ

(ଶ௣ାଵ)(ଶ௤ାଵ) ଵ ଶ
‫ܮ‬௣௤ = ସ
∬ିଵ ܲ௣ (‫ܲ )ݔ‬௤(‫݂)ݕ‬ሺ‫ݔ‬ǡ‫ݕ‬ሻ݀‫ ݕ݀ݔ‬ൌ ߜ
ଶ௠ ାଵ ௠ ௡
(41)
݂ሺ‫ݔ‬ǡ‫ݕ‬ሻ: Le niveau de gris d’un pixel de l’image I sur lequel on calcule le

moment.
2.4.3.2 Les moments de Zernike

Une autre méthode fréquemment utilisées pour extraire les
caractéristiques globales d’une image en reconnaissance et en analyse
d’images est la méthode des moments de Zernike. Introduite pour la
première fois par Teague [55]. Ce descripteur de forme a prouvé sa
supériorité sur les autres fonctions de moments ce qui revient à sa
capacité de description et sa robustesse aux bruits et aux déformations.
Dans [56], les auteurs ont tenté d’améliorer les moments de Zernike, en
remplaçant le terme factoriel par la formule de Stirling afin de limiter le
temps de calcul de ces moments.
Les moments de Zernike sont définis comme des polynômes
complexes [43] qui forment un ensemble orthogonal complet du disque
unité‫ݔ‬ଶ ൅ ‫ݕ‬ଶ ≤ 1.
41
Mathématiquement, les moments de Zernike sont définis avec un ordre p

et une répétition q sur un ensembleࡰ, tel que :
ࡰ ൌ ሼሺ࢖ǡࢗሻȀ૙ ൑ ࢖ ൏ ൅λ ǡ૙ ൑ |ࢗ| ൑ ࢖ࢋ࢚|࢖ െ ࢗ| ൌ ࢖ࢇ࢏࢘}. ࢖ ‫ ג‬Գ ∗ ࢋ࢚ࢗࣕԳ ∗
௣ାଵ
‫ܣ‬௣௤ = ∑ே௫ୀ଴
ିଵ ∑ெ ିଵ
௬ୀ଴ ݂(‫ݔ‬ǡ‫)ݕ‬ሾܸ௣ǡ௤ ሺ‫ݔ‬ǡ‫ݕ‬ሻሿ
∗
(42)
గ
(* définit le complexe conjugué)

En coordonnées polaires, les polynômes de Zernike sont connus sous la
formule suivante :
ܸ௣ǡ௤ሺ‫ݎ‬ǡߠሻൌ ܴ௣ǡ௤ሺ‫ݎ‬ሻ݁‫݌ݔ‬
ሺെ݆݊ߠሻ (43)
Où ܴ௣ǡ௤ሺ‫ݎ‬ሻest le polynôme radial orthogonal.
ሺ௣ି|௤|ሻ ଶ ⁄ (ିଵ)ೞሺ௣ି௦ሻǨ
ܴ௣ǡ௤ሺ‫ݎ‬ሻൌ ∑௦ୀ଴ ೛శ|೜| ೛ష|೜| ‫ݎ‬௣ିଶ௦ (44)
௦Ǩቀ ି௦ቁǨሺ ି௦ሻǨ
మ మ
‫ ݎ‬ൌ ඥ‫ݔ‬ଶ ൅ ‫ݕ‬ଶ
r donne la longueur du vecteur de l’origine du pixel (x,y) et θ=atang2(y/x).
2.4.4 La matrice norme de gradient

La norme de gradient [56] est une autre méthode de caractérisation
de forme qui présente le degré de différence d’intensité d’un pixel par
rapport à ses voisins. Elle permet de distinguer les différentes régions et
les différents objets dans une image. La norme de gradient d’une image
peut être calculée à l’aide de différents filtres (filtre de Sobel, Perwit, le
filtre Laplacien, etc…). Le principe de cette méthode est basé sur une
convolution de l’image niveaux de gris avec les masques ℎ௫݁‫ݐ‬
݄௬ , pour le
calcul des gradients directionnels selon x et y. Deux image sont donc
extraites par cette convolution sont ‫ݔܩ‬
݁‫ ݕܩݐ‬.
La matrice norme de gradient correspondante sert à combiner, en chaque
pixel de l’image, les approximations des gradients horizontaux et verticaux
42
pour obtenir une approximation globale de la norme du gradient. Elle est

donnée par la formule suivante.
‫ ܩ‬ൌ ඥ ‫ ܩ‬ଶ௫ ൅ ‫ ܩ‬ଶ௬ (45)
2.5 Conclusion
Dans ce présent chapitre nous avons dressé un état de l’art sur les
méthodes existantes pour l’indexation d’images. Au départ, nous avons
tenté de définir les différents attributs les plus pertinents pour la
caractérisation d’une image qui sont la couleur, la texture et la forme.
Nous avons défini la caractéristique couleur qui est généralement
représentée par trois composantes qui définissent un espace couleur. On
a aussi vu que parmi les méthodes de caractérisation de la couleur celles
qui ne tiennent pas compte de l’information sur la localisation spatiale des
couleurs dans l’image et celles qui tiennent compte de cette information.
On a ensuite passé à définir la texture qui peut être caractérisée par des
calculs statistiques sur les pixels de l’image (matrice de cooccurrence…)
ou par une analyse fréquentielle (ondelette et filtre de Gabor…). La
troisième caractéristique est la forme qui est aussi un attribut essentiel
pour représenter une image, ce qui a conduit au développement d’une
multitude de méthodes, celles basées sur la caractérisation contours [57],
et celles basées sur les régions [58].
Dans ce chapitre nous avons choisi les histogrammes couleurs HSV
pour la caractérisation de la couleur, les ondelettes pour la texture et
enfin nous avons préféré les moments de Hu pour la caractérisation de la
forme.
43
Chapitre III Tests et résultats
Chapitre III
Tests et résultats
3.1 Introduction
Une image numérique est représentée par une matrice de valeurs
codées sur un certain nombre de bits dont le traitement ne permet pas
souvent d’obtenir des temps de réponse escomptés. Dans certains cas, il est
nécessaire d’utiliser une représentation de dimension réduite pour mieux la
caractériser. Ainsi, des attributs caractéristiques de l’image sont extraits à
l’aide de fonctions mathématiques arrangés sous la forme d’un vecteur dit
descripteur de l’image.
L’objectif de ce chapitre est de tester les méthodes choisies pour la
caractérisation globale d’une image dans le but de rechercher des images par
leur contenu visuel en se basant sur les trois attributs, de couleur, de
texture et de forme.
La caractérisation de la couleur est réalisée par la méthode des
histogrammes. La base Coil 100 [59] représentant des images couleur est
utilisée pour nos tests et ce, en utilisant l’histogramme de l’image HSV où H
est la teinte (Hue), S, la saturation et V, la luminosité, la valeur ou la
brillance. Les autres bases d’images sont en niveaux de gris. La couleur est
donc indexée par les histogrammes niveaux de gris. Pour la texture, la
44
méthode choisie est la méthode des ondelettes. Concernant la forme, nous

avons opté pour les moments de Hu pour leur facilité d’implémentation et
leur invariance aux transformations géométriques. Nous avons aussi
appliqué ces méthodes sur des images requêtes dégradées par un bruit
gaussien pour, ensuite, conclure sur leurs sensibilités à ce type de bruit.
3.2. Indexation de la couleur

Comme nous l’avons déjà vu au chapitre précédent, la couleur est un
attribut fondamental dans l’indexation d’une image. Pour des bases d’images
en niveaux de gris, l’histogramme est en niveau de gris alors que pour les
images en couleur, la caractérisation se fait par un histogramme couleur
dans l’espace HSV.
3.2.1 Histogramme couleur

En indexation, une représentation pratique la plus connue de la
couleur est sans doute l'histogramme. Cette méthode a été utilisée pour la
première fois par Swain et Ballard [4]. Hafner et al. [23]. Le calcul de
l’histogramme se fait en comptant, pour chaque couleur, le nombre de pixels
de cette couleur contenus dans l’image ou par utilisation de trois
histogrammes suivant l’espace couleur utilisé, un pour chaque canal. Si
l’image I est de dimension M*N, contenant un nombre C de couleurs, son
histogramme normalisé pour chaque couleur c est donc calculé par la
formule suivante :
ଵ
݄ሺܿሻൌ ∑ே௜ୀ0
ି1 ெ ି1
∑௝ୀ0 δ(couleur(i , j), c) ∀c ∊ C (1)
ெ ‫כ‬ே
où δ est le symbole de Kronecker tel que δ(x, y)= 1 si x=y et δ(x, y)=0, sinon.
45
(a) (b)
Fig.1 (a) Image de Lena. (b) son histogramme des niveaux de gris.
L’histogramme est très utilisé dans la recherche d’images par le

contenu pour sa simplicité de calcul, son invariance aux changements
d’échelle et aux transformations géométriques. Dans l’espace HSV, une
image couleur I est représentée par trois images IH , IS et IV, relatives aux
trois composantes respectivement de cet espace : la teinte (H), la saturation
(S) et la valeur (V).
3.2.2. Mesure de similarité entre histogrammes

Un histogramme détermine la distribution statistique de chaque
couleur. La distance usuelle la plus utilisée pour comparer deux
histogrammes est la distance euclidienne. Elle est donnée par la formule
suivante :
ଶ
‫ݐݏ݅ܦ‬൫‫ܪ‬௥௘௤ǡ‫ܪ‬௖௢௨௥൯ൌ ට ∑௄௞ୀଵห݄௥௘௤(݇) − ℎ௖௢௨௥(݇)ห (2)
où ‫ܪ‬௥௘௤ est l’histogramme de l’image requête et ℎ௖௢௨௥(݇) celui de l’image en

cours. K représente la dimension du vecteur histogramme (K=3*256 pour
une image couleur HSV).
3.3. Indexation de la texture

La caractérisation de la texture nous permet d’avoir une information
sur l’organisation des niveaux de gris dans une image. Dans ce travail, nous
avons choisi la méthode basée sur la transformation d’ondelettes de
Daubechies.
46
3.3.1 La transformée en ondelettes continue

Dans le domaine du traitement du signal, l’analyse par ondelettes est
un outil mathématique capable de transformer un signal d’énergie finie dans
le domaine spatial en un autre signal d’énergie finie dans le domaine spatio-
fréquentiel. Les composantes de ce nouveau signal sont appelées les
coefficients d’ondelettes.
Rappelons que cette méthode a été introduite pour la première fois par
Morlet [49] comme un outil mathématique d’analyse des signaux sismiques.
Elle a été largement utilisée dans des applications diverses en traitement
d’images tels que le débruitage et la restauration d’images. Elle a été prouvée
efficace pour la caractérisation de la texture [46], dont l’idée est d’extraire
l’énergie portée par le signal dans les bandes de fréquences diverses.
3.3.2. Principe de la décomposition en ondelettes discrètes

La transformée en ondelettes continue consiste à décomposer un
signal d'entrée x(t) en une série de fonctions d'ondelettes ψa,b (t) qui dérivent
d'une fonction mère ѱ(t) donnée par des opérateurs de dilatation ‘a’ et de
translation ’b’.
ା∞
‫ܥ‬ሺܽǡܾሻൌ ∫ି∞ x(t) ψ∗ a,b (t)dt (3)
1 tିb
Avec ψa,b (t) = ѱቀ ቁ , (4)
√a a
ψ est à moyenne nulle et à énergie finie avec a ≠ 0, * désigne le complexe

conjugué.
(a) (b) (d)
Fig.2 Quelques ondelettes les plus usuelles : (a) ondelette de Haar, (b)ondelette de
Daubechies db2, (c)ondelette de Morlet.
47
Dans l’objectif d’appliquer efficacement la transformée en ondelettes

aux signaux discrets telles que les images, il convient de discrétiser les
coefficients de dilatation a et de translation b.
ܽ ൌ ܽ଴௠ et ܾ ൌ ܾ݊଴ܽ଴௠
ܽ଴ǡܾ଴ǡ ݊ǡ ݉ ‫ א‬Ժ .
Si on choisit ܽ଴ = 2 et ܾ଴ = 1 on se place alors dans le cas dyadique.
La fonction de la formule (3) s’écrit :
െ݉
ା∞
‫ ݉(ܥ‬ǡ݊) = 2 2 ∫ି∞ x(t) ψ(2െ݉ t െ ݊ሻdt (5)
3.3.4 Analyse Multirésolution

L’analyse multirésolution introduite pour la première fois par Mallat
[60] est un outil de traitement du signal qui permet de décomposer un signal
à plusieurs résolutions. Les éléments de cette décomposition permettent de
reconstruire le signal original.
Elle est définie par une suite de sous-espaces ൛ܸ௝ൟ௝‫א‬Ժ de ‫ܮ‬ଶ(ℝ), emboîtés les
uns dans les autres. Le passage de l’un à l’autre est le résultat d’un
changement d’échelle. Ces sous-espaces sont appelés des espaces
d’approximation à l’échelle vérifiant les propriétés suivantes :
‫ א݆׊‬Ժǡ ܸ௝ାଵ ‫ܸ ؿ‬௝

ത
‫׫‬തതଔ‫א‬
തതതതതԺǡ
തതതത
ܸത ଶ
ఫ ൌ ‫( ܮ‬ℝ)
‫ א݆ ת‬Ժǡܸ௝ = 0 (6)
‫ א݆׊‬Ժǡ ݂(‫ܸ א )ݔ‬௝ ֞ ݂ሺʹିଵ‫ݔ‬ሻ‫ܸ א‬௝ାଵ
‫ א ݇׊‬Ժǡ ݂(‫ܸ א )ݔ‬଴ ֞ ݂ሺ‫ ݔ‬െ ݇ሻ‫ܸ א‬଴
L’idée principale de l’analyse multirésolution est de projeter un signal

݂(‫ܮ א )ݔ‬ଶ(ℝ) appartenant à un sous-espace ܸ௝ sur un sous-espace
d’approximation ܸ௝ାଵ et un sous-espace de détail ܹ ௝ାଵ pour réduire la
résolution de moitié. La figure (3) donne le schéma de l’analyse multi-
résolution.
48
Fig. 3. Principe de l’analyse multirésolution.
On définie deux opérateurs de projection ‫ܣ‬௝ et ‫ܦ‬௝ qui projettent

respectivement le signal sur ܸ௝ାଵ et ܹ ௝ାଵ. L’analyse multirésolution se base
sur une fonction d’échelle ߶ሺ‫ݐ‬ሻ‫ܮ א‬ଶ(ℝ) qui engendre la base orthonormée ܸ௝ାଵ
par dilatation et translation, et une fonction d’ondelette ߰ሺ‫ݐ‬ሻ‫ܮ א‬ଶ(ℝ) qui
engendre par dilatation et translation une base orthonorméeܹ ௝ାଵ.
ܸ௝ାଵ et ܹ ௝ାଵ sont complémentaires tel que
ܸ௝ ൌ ܸ௝ାଵ ْ ܹ ௝ାଵ. (7)
Les fonctions de base dilatées sont données par les relations suivantes :
షೕ
߶௝ǡ௡ (‫ = )ݐ‬2 మ ߶൫ʹି௝௧ െ ݊൯݊ ‫ א‬Ժ (8)
షೕ
߰௝ǡ௡ (‫ = )ݐ‬2 మ ߰൫ʹି௝௧ െ ݊൯݊ ‫ א‬Ժ (9)
L’approximation est caractérisée par la relation suivante :
‫ܣ‬௝݂ ൌ ∑௡ ൏ ݂ǡ߶௝ǡ௡ > ߶௝ǡ௡ (10)
ାஶ
൏ ݂ǡ߶௝ǡ௡ > = ∫ିஶ ݂(‫ ∗ ߶)ݐ‬௝ǡ௡ ሺ‫ݐ‬ሻ݀‫ݐ‬: Le produit scalaire de f par ߶.
Les coefficients détails se calculent comme suit :

‫ܦ‬௝݂ ൌ ∑௡ ൏ ݂ǡ߰௝ǡ௡ > ߰௝ǡ௡ (11)
ାஶ
൏ ݂ǡ߰௝ǡ௡ > = ∫ିஶ ݂(‫ ∗ ߰)ݐ‬௝ǡ௡ ሺ‫ݐ‬ሻ݀‫ ݐ‬: Le produit scalaire de f par߰.
49
Stéphane Mallat a donné un algorithme d’analyse (ou décomposition)

en ondelettes qui permet d’obtenir une analyse multirésolution du signal.
Cet algorithme travaille par filtrage de l’image suivant les lignes puis les
colonnes par deux filtres, ݃෤ passe-haut et ℎ෨ passe-bas. ℎ෨ va permettre de
repérer les basses fréquences dans l’image (l’approximation) et ݃෤les hautes
fréquences (les détails). ℎ෨ et ݃෤sont construits à partir des fonctions ߰ et ߶.
La figure (4) donne le schéma de décomposition de Mallat.
Fig.4. Algorithme d’analyse de Mallat.
Dans le cadre de notre travail, nous avons utilisé les ondelettes de

Daubechies 4 qu’on appelle db2 qui sont des ondelettes à support compact
[61] permettant d’utiliser des filtres de taille finie. Nous avons effectué trois
niveaux de décomposition. Pour chaque niveau de décomposition, nous
avons extrait l’énergie, la moyenne et l’écart type des trois imagettes
correspondantes aux : détail horizontal, détail vertical et au détail diagonal.
En effet, à partir de la transformée en ondelettes on peut extraire des
attributs de différents types et à différents niveaux de résolution. L’image
d’approximation donne des informations sur les régions qui composent
l’image, d’une résolution fine à une résolution grossière. Les images de
détails donnent des informations horizontales, verticales et diagonales sur
l’image. L’un des indices le plus utilisé pour caractériser la texture dans le
50
plan spatio-fréquentiel est la mesure d’énergie sur les images de détails.

L’indice énergie est une mesure locale de la distribution des coefficients
d’ondelette ‫ܥ‬ሺ݅ǡ݆ሻ en fonction de la fréquence, de l’orientation et de l’échelle.
L’expression de l’énergie exprimée sous forme normalisée est donnée par :
ଵ
‫ܧ‬ൌ ∑ே௜ୀଵ ∑ெ௝ୀଵ ‫ܥ‬ሺ݅ǡ݆ሻଶ (12)
ே ‫כ‬ெ
Le deuxième indice, extrait lui aussi par les images de détails, que
nous exploitant pour la caractérisation de la texture est la moyenne. Elle
mesure la moyenne des valeurs prises par les échantillons du signal image.
Sa formule est donnée comme suit :
ଵ
‫ ܯ‬ൌ ∑ே௜ୀଵ ∑ெ௝ୀଵ|‫ܥ‬ሺ݅ǡ݆ሻ| (13)
ே ‫כ‬ெ
Un autre indice extrait est l’écart type qui représente la racine carrée
de la variance. L’écart type indique comment, en moyenne, les valeurs de la
variable sont groupées autour de la tendance centrale (moyenne
arithmétique).
ଵ
ߪଶ = ∑ே௜ୀଵ ∑ெ௝ୀଵሺ‫݅(ܥ‬ǡ݆) െ ‫ ܯ‬ሻଶ (14)
ே ‫כ‬ெ
Fig.5. Un exemple de décomposition en ondelettes.
Le vecteur descripteur de texture extrait, contient les valeurs des

énergies, des moyennes et des écarts type de toutes les images de détail
résultantes des trois niveaux de décomposition. Il est constitué de 27
valeurs.
51
Soient :
 ‫݄ܧ‬ଵǡ‫݄ܧ‬ଶǡ ‫݄ܧ‬ଷǡ ‫݄ ܯ‬ଵǡ ‫݄ ܯ‬ଶǡ ‫݄ ܯ‬ଷǡ ‫݄ݐܧ‬ଵǡ ‫݄ݐܧ‬ଶ et ‫݄ݐܧ‬ଷ les énergies, les
moyennes et les écarts type des images de détails horizontaux suivant
les trois décompositions de niveau 1, 2 et 3 respectivement.
 ‫ݒܧ‬ଵǡ‫ݒܧ‬ଶǡ ‫ݒܧ‬ଷǡ ‫ݒ ܯ‬ଵǡ ‫ݒ ܯ‬ଶǡ ‫ݒ ܯ‬ଷǡ ‫ݒݐܧ‬ଵǡ ‫ݒݐܧ‬ଶ et ‫ݒݐܧ‬ଷ les énergies, les
moyennes et les écarts type des images de détails verticaux suivant les
trois décompositions de niveaux 1, 2 et 3 respectivement.
 ‫݀ܧ‬ଵǡ‫݀ܧ‬ଶǡ ‫݀ܧ‬ଷǡ ‫݀ ܯ‬ଵǡ ‫݀ ܯ‬ଶǡ ‫݀ ܯ‬ଷ‫݀ݐܧ‬ଵǡ ‫݀ݐܧ‬ଶ et ‫݀ݐܧ‬ଷ les énergies, les
moyennes et les écarts type des images de détails diagonaux suivant les
trois décompositions de niveaux 1, 2 et 3 respectivement.
3.3.3. Mesure de similarité entre les vecteurs de texture

Pour mesurer la similarité entre un vecteur descripteur de texture de
l’image requête ܸ௧௘௫௧௨௥௘௥௘௤ avec celui de l’image couranteܸ௧௘௫௧௨௥௘௖௢௨௥ , nous
utilisons la distance Euclidienne comme le cas de l’équation (2) précédente.
Elle est donnée par la formule suivante :
ଶ
‫ݐݏ݅ܦ‬൫ܸ௧௘௫௧௨௥௘௥௘௤ǡܸ௧௘௫௧௨௥௘௖௢௨௥൯= ට ∑ே௡ୀଵหܸ௧௘௫௧௨௥௘௥௘௤(݊) െ ܸ௧௘௫௧௨௥௘௖௢௨௥(݊)ห (15)
Où N représente la dimension de notre vecteur caractéristique de texture.
3.4 Indexation de la forme

Contrairement aux attributs couleurs et textures qui s’intéressent à la
description du contenu général de l’image, les attributs formes permettent de
caractériser les différents objets contenus dans l’image. Donc l’indexation de
la forme est aussi une étape très importante dans la recherche d’images par
le contenu.
3.4.1. Les moments de Hu

Les moments de Hu [54] permettent de décrire la caractéristique forme
à l’aide de propriétés statistiques. Ils sont simples à manipuler, robustes aux
changements d’échelle, la translation et la rotation, mais leur temps de
52
calcul est très long et sont sensible aux bruits. Leur calcul se base sur les
moments géométriques, ce qui est montré dans le chapitre précédent. Les
moments centrés sont définis comme suit :
ߤ௣௤ = ∑௠௣ୀ଴ ∑௡௤ୀ଴ሺ‫ ݔ‬െ ‫ݔ‬௖)௣ሺ‫ ݕ‬െ ‫ݕ‬௖)௤ ݂ሺ‫ݔ‬ǡ‫ݕ‬ሻ (16)
Centrés et normalisés, ces moments sont donnés par ‘expression suivante :

ఓ೛೜
ߟ௣௤ = ೛శ೜ (17)
శభ
௦ మ
Où p+q≥2 et s représente la surface de l’objet.

A partir des moments normalisés, Hu dans [54] a introduit les sept moments
invariants aux transformations géométriques appelées les moments de Hu,
donnés par les formules suivantes :
‫ ܯ‬ଵ ൌ ߟଶ଴ ൅ ߟ଴ଶ (18)
‫ ܯ‬ଶ ൌ ሺߟଶ଴ െ ߟ଴ଶ)ଶ ൅ Ͷߟଵଵଶ (19)
‫ ܯ‬ଷ ൌ ሺߟଷ଴ െ ͵ߟଵଶ)ଶ ൅ ሺ͵ߟଶଵ െ ߟ଴ଷ)ଶ (20)
‫ ܯ‬ସ ൌ ሺߟଷ଴ ൅ ߟଵଶ)ଶ ൅ ሺߟଶଵ ൅ ߟ଴ଷ)ଶ (21)
‫ ܯ‬ହ ൌ ሺߟଷ଴ െ ͵ߟଵଶ)(ߟଷ଴ ൅ ߟଵଶ)[(ߟଷ଴ ൅ ߟଵଶ)ଶ െ ሺ͵ߟଶଵ ൅ ߟ଴ଷ)ଶ]
+(͵ߟଶଵ െ ߟ଴ଷ)(ߟଶଵ ൅ ߟ଴ଷ)[3(ߟଷ଴ ൅ ߟଵଶ)ଶ െ ሺߟଶଵ ൅ ߟ଴ଷ)ଶ] (22)
‫ ଺ ܯ‬ൌ ሺߟଶ଴ െ ߟ଴ଶ)[(ߟଷ଴ ൅ ߟଵଶ)ଶ െ ሺߟଶଵ ൅ ߟ଴ଷ)ଶ] +
Ͷߟଵଵ(ߟଷ଴ ൅ ߟଵଶ)ሺߟଶଵ ൅ ߟ଴ଷ) (23)
‫ ଻ ܯ‬ൌ ሺ͵ߟଶଵ െ ߟ଴ଷ)(ߟଷ଴ ൅ ߟଵଶ)[(ߟଷ଴ ൅ ߟଵଶ)ଶ െ ͵ሺߟଶଵ ൅ ߟ଴ଷ)ଶ]
+(͵ߟଵଶ െ ߟଷ଴)(ߟଶଵ ൅ ߟ଴ଷ)[3(ߟଷ଴ ൅ ߟଵଶ)ଶ െ ሺߟଶଵ ൅ ߟ଴ଷ)ଶ] (24)
3.4.2 Mesure de similarité entre les vecteurs de forme

Le vecteur caractérisant la similarité est composée des sept moments
de Hu.
ܸ௛௨ =[‫ ܯ‬ଵ,‫ ܯ‬ଶǡ‫ ܯ‬ଷǡ‫ ܯ‬ସǡ‫ ܯ‬ହǡ‫଺ ܯ‬ǡ‫]଻ ܯ‬ (25)
La mesure de la similarité sera un résultat d’une distance Euclidienne entre

le vecteur des moments de Hu correspondant à la requête et celui
correspondant à une image courante de la base d’image. Voir la formule (26).
53
Soient ܸ௛௨௥௘௤et ܸ௛௨௖௢௨௥ les deux vecteurs des moments de Hu de l’image

requête et celui de l’image courante da la base respectivement.
ଶ
‫ݐݏ݅ܦ‬൫ܸ௛௨௥௘௤ǡܸ௛௨௖௢௨௥൯ൌ ට ∑଻௞ୀଵหܸ௛௨௥௘௤(݇) െ ܸ௛௨௖௢௨௥(݇)ห (26)
3.5 Protocole d’évaluation d’un système de recherche

d’images par le contenu
Dans le cas général, lorsqu’un utilisateur interroge une base de
données, que ce soit un logiciel documentaire ou un moteur de recherche, il
attend un nombre de réponses (sous forme de documents). À partir de
l'ensemble de réponses obtenues mis en regard de l’attente de l’utilisateur,
on peut mesurer les performances de l'algorithme de recherche mis en œuvre
pour retrouver un document.
Pour évaluer un système de recherche d’images par le contenu nous nous
intéressons à deux critères qui concernent sa capacité de reconnaissance. Ils
s’agissent principalement du rappel et de la précision.
Ainsi, soit A un ensemble des images pertinentes pour une requête donnée
et B, l’ensemble des images retournées par le système.
3.5.1 Le rappel
Le rappel est défini par le nombre d’images retrouvées au regard du
nombre d’images pertinentes que possède la base de données. Cela signifie
que lorsque l’utilisateur interroge la base il souhaite voir apparaître toutes
les images qui pourraient répondre à son besoin d'informations. Le rappel est
donc un rapport défini par le nombre d’images pertinentes retrouvées sur le
nombre d’images pertinentes dans la base d’image. Il est définit comme suit :
|஺‫ת‬஻|
ܴܽ‫݈݁݌݌‬ൌ |஺|
∈ [0,1] (27)
54
3.5.2 La précision
La précision est le nombre d’images pertinentes retrouvées rapporté au
nombre d’images total proposé par le moteur de recherche pour une requête
donnée. Donnée comme suit :
|஺‫ת‬஻|
ܲ‫ ݊݋݅ݏ݅ܿ݁ݎ‬ൌ |஻|
∈ [0,1] (28)
Les deux métriques rappel et précision s’utilisent conjointement pour

l’évaluation des performances des systèmes de recherche d’information et
varient inversement. Lorsque la précision diminue, le rappel augmente et
réciproquement. Un rappel faible indique qu’une partie de l’information
pertinente ne lui sera pas accessible. Une précision faible est expliquée par
une forte concentration des informations non pertinentes fournies dans les
résultats, ce qui cause une non satisfaction de l’utilisateur. Le rappel et la
précision sont des mesures importantes dans un système de recherche
d’images par le contenu, mais une seule paire de valeur rappel-précision ne
peut pas indiquer la performance du système. Il est donc évident de dessiner
une courbe rappel-précision.
La courbe rappel-précision peut être obtenue en interpolant les valeurs du
rappel et de la précision par la méthode de TREC [64]. Elle donne la
pertinence des réponses du système de recherche d’images aux requêtes
proposées. La courbe rappel-précision est illustrée par la figure (6).
Fig.6. Allure d’une courbe de rappel-précision [18].
55
Une courbe rappel-précision est dite idéale si la précision est égale à un pour
toutes les valeurs du rappel.
3.6 Les bases d’images utilisées

Cette section présente les quatre bases d’images utilisées, qui sont
disponibles sur internet. Ces bases d’images sont très différentes par leur
contenu et permettent de valider nos méthodes.
La base ORL [62]

Commençant par la base ORL qui est une base qui contient 400
images de visages de 40 personnes ayant chacune des prises de vues
différentes. Les images sont en niveaux de gris de dimension 112x92
(Figure(7)).
La base COIL 100 [59]

La base Coil 100(Columbia Object Image Library) est une base
d’images qui contient des images en couleur de 100 objets, photographiés
sous 72 positions différentes chacun, donnant donc 7200 images. Cette base
est utilisée surtout dans le domaine de reconnaissance d’objets. Ces images
sont tous de même taille 128*128pixels et sous format png (Figure(8))
Fig.7. Les 40 personnes de la base ORL.
56
Fig.8. Les différents objets de la base COIL 100.
La base cerebral standard MR

Notre base contient 329 images médicales classées en plusieurs
classes. Les images sont en niveau de gris et de dimension 512x512.
Fig.9. Quelques exemples de la base Cerebral standard MR.
La base d’images de texture

La quatrième base d’images est la base d’images texturées. Elle
contient 400 images d’essai en niveau de gris de dimension 640*480.(Fig.10)
Fig.10. Quelques exemples de la base d’images de texture.
57
Avant de passer à l’étape d’extraction des caractéristiques, nous

redimensionnons les images de toutes les bases à une dimension de
256x256 pixel.
3.7 Tests et résultats

Notre évaluation est basée sur les tableaux correspondants au douze
images retrouvées pour quelques requêtes dans les différentes bases. Après
une extraction des vecteurs caractéristiques, le système passe à l’étape où il
parcourt toute la base pour faire une comparaison entre le vecteur requête et
tous les vecteurs de la base. En utilisant la distance euclidienne, le système
a ordonné les images de la base, de la distance la plus petite à la distance la
plus grande. Nous avons procédé l’affichage de, seulement, douze images
résultantes de la recherche.
Nos résultats correspondants aux douze images les plus similaires à la
requête suivant la méthode utilisée sont affichées selon le score, de gauche à
droite et de haut en bas tel que chaque image est accompagnée d’un
paramètre d qui exprime la distance entre l’image requête et l’image
correspondante. La requête est affichée en haut et à gauche des douze
images résultantes.
3.7.1 La recherche d’images par histogramme

Les figures (11), (12) et (13) présentent les résultats de la recherche
d’images par la caractéristique couleur dans les trois bases d’images qui
contiennent des images en niveaux de gris utilisant la méthode de
l’histogramme en niveau de gris. La figure (14) donne les résultats de la
recherche dans la base Coil couleur contenant des images couleur à l’aide de
l’histogramme HSV.
58
Fig.11. Résultat de la recherche dans la base ORL en utilisant la méthode

l’histogramme en niveau de gris.
Fig.12. Résultat de la recherche dans la base d’images médicales en utilisant

la méthode de l’histogramme en niveau de gris.
Fig.13. Résultat de la recherche dans la base des images texturées utilisant

la méthode de l’histogramme en niveau de gris.
59
Fig.14. Résultat de la recherche dans la base Coil couleur utilisant un

histogramme couleur HSV.
A partir des résultats précédents, nous pouvons remarquer qu’un

histogramme de niveau de gris donne des résultats très satisfaisants ce qui
permet de dire qu’il est un bon descripteur de la couleur, et de même pour
l’histogramme HSV dans la base d’images en couleur.
3.7.2 La recherche d’images par la méthode des ondelettes

La texture est caractérisée par la méthode de décomposition en
coefficients d’ondelettes de Daubechies, db2.
Fig.15. Résultat de la recherche dans la base d’images Coil100 en utilisant la

méthode des ondelettes.
60
Fig.16. Résultat de la recherche dans la base d’images médicales en utilisant

la méthode des ondelettes.
Fig.17. Résultat de la recherche dans la base d’images texturées en utilisant

la méthode des ondelettes.
Fig.18. Résultat de la recherche dans la base d’images ORL en utilisant la

méthode des ondelettes.
61
Après les tests effectués sur l’ensemble des bases d’images, cette
méthode à donné de bon résultats pour retrouver les images similaires à une
image requête ce qui prouve sa capacité dans le domaine de la recherche
d’images par le contenu texture.
3.7.3 La recherche d’images par la méthode des moments de

Hu
Pour une application des moments de Hu, nous avons binarisé les
images par un seuillage d’Otsu [63]. Ensuite, nous avons testé l’invariance
des moments de Hu par rapport aux transformations géométriques. Le
tableau suivant donne les résultats d’un test sur une image de la base de
visage ORL.
Tab.1. Résultat du test de l’invariance des moments de Hu par rapport aux

transformations géométriques.
Moment de Hu pour Moment de Hu Moment de Hu Moment de Hu
l’image originale Rotation (૝૞࢕) Translation de 25 Changement
de M1 jusqu’à M7 de M1 jusqu’à M7 pixels d’échelle
de M1 jusqu’à M7 de M1 jusqu’à M7
6.708170895014926E-4 6.714963578472591E-4 6.718660417915651E-4 6.725898992268611E-4
7.220987933770049E-9 7.341998508550092E-9 7.139489856793856E-9 3.1378683599505153E-9
6.593641291533323E-13 6.384429216714055E-13 6.555332039783197E-13 2.726327010371615E-12
6.526494607308844E-15 7.523464135814487E-15 6.841803170344383E-15 2.0402581205472753E-14
5.450107091688783E-29 -1.7365267807353997E-28 1.5249595086304892E-31 2.607847113136761E-28
2.548311072441718E-19 2.289172297012794E-19 1.9548504333449945E-19 -6.914290041727305E-19
-3.204606694581758E-28 1.1625340203514935E-28 -3.698618467516282E-28 -2.7339075076868382E-27
Les résultats donnés dans le tableau (1) sont presque identiques ce

qui montrent que les moments de Hu sont invariant aux différentes
transformations géométriques.
Les quatre figures suivantes donnent les résultats de l’application des
moments de Hu pour les quartes bases utilisées. Pour une comparaison des
résultats, nous avons effectué nos tests sur les mêmes images requêtes
utilisées par l’application des deux méthodes précédentes.
62
Fig.19. Résultat de la recherche dans la base Coil 100 en utilisant les

moments de Hu.
Fig.20. Résultat de la recherche dans la base ORL en utilisant les moments

de Hu.
Fig.21. Résultat de la recherche dans la base d’images texturées en utilisant

les moments de Hu.
63
Fig.22. Résultat de la recherche dans la base d’images médicales en

utilisant les moments de Hu.
On peut constater que les moments de Hu représentent une autre

méthode qui peut rechercher des images similaires à une image requête
proposée.
3.8 La qualité des réponses

A partir des images résultantes données par la figure(11), on remarque
que la méthode d’histogramme niveau de gris permet une bonne extraction
d’image similaire à l’image requête proposée.
La méthode extrait 8 images pertinentes parmi les 10 images pertinentes
présentes dans la base de visage ORL. Pour remplir le tableau (2) de rappel-
précision obtenu par la méthode de l’histogramme en niveaux de gris, il faut
noter les états de chaque image résultante de image1 à image12 en terme de
rappel et précision.
64
Tab.2. Le tableau contenant les valeurs de rappel-précision pour une requête

donnée.
Image affichées Précision Rappel
image1 1/1 1/10
Image2 2/2 2/10
image3 3/3 3/10
image4 4/4 4/10
image5 5/5 5/10
image6 6/6 6/10
image7 7/7 7/10
image8 7/8 7/10
image9 7/9 7/10
image10 7/10 7/10
image11 8/11 8/10
image12 8/12 8/10
Mais pour dessiner la courbe Rappel-précision, nous devons passer

par une étape d’interpolation des valeurs du rappels et celles de la précision.
Dans notre travail, nous avons choisis la méthode de TREC [64].
3.8.1 Principe de la méthode de TREC [64]

Le principe de la méthode est de commencer par une interpolation des
valeurs du rappel ‫ݎ‬௖௔௟௖௨௟± pour avoir les valeurs interpolées ‫ݎ‬௜௡௧ . L’idée
générale est de fixer les valeurs du rappel entre 0 et 1 avec un pas de 0.1
(onze nouvelles valeurs de rappel). Pour le calcul des valeurs de la précision
interpoléesܲ௜௡௧, on suit l’algorithme suivant :
ܲ௜௡௧(‫ݎ‬௜௡௧) = max௥೎ೌ೗೎ೠ೗±ஹ௥೔೙೟ሾܲ(‫ݎ‬௖௔௟௖௨௟±)] (29)
Les résultats de cette interpolation sont donnés dans le tableau (3).
Tab. 3. Résultats de l’interpolation du rappel et la précision.
ܲ௜௡௧ 1 1 1 1 1 1 1 1 0.727 0 0
‫ݎ‬௜௡௧ 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
65
Les figures suivantes donnent les courbes du rappel et précision pour

la base ORL suivant les résultats donnés par les figures (11), (18) et (20) avec
les différentes méthodes et pour une même image requête.
Le résultat de l’application des différentes méthodes sur cette base est donné
par la figure (24), dont on peut conclure à propos du changement de la
précision en fonction du rappel et de comparer entre les différentes
méthodes utilisées.
1,2
0,8
0,6
histoNG
0,4
0,2
0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
(a)
1,2
1
0,8
0,6
ondelettedb2
0,4
0,2
0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
(b)
66
1,2
1
0,8
0,6
momentHu
0,4
0,2
0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
(c)
Fig.23. Les courbes rappel-précision pour une image requête dans base ORL.
(a) : par la méthode de l’histogramme niveau de gris. (b) : par la méthode des
ondelettes db2. (c) par la méthode des moments de Hu.
De la même procédure, on trace les courbes pour toutes les bases d’images.
1,2
0,8
histoNG
0,6
ondelettedb2
0,4 momentHu
0,2
0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
Fig.24. Les courbe rappel-précision pour la base ORL.
1,2
0,8
histoHSV
0,6
ondelettedb2
0,4 momentHu
0,2
0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
Fig.25. Les courbe rappel-précision. Base Coil100.
67
1,2
0,8
0,6 histoNG
ondelettedb2
0,4
momentHu
0,2
0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
Fig.26. Les courbe rappel-précision. Base Cerebral Standard.
1,2
0,8
histoNG
0,6
ondelettedb2
0,4 momentHu
0,2
0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
Fig.27. Les courbe rappel-précision. Base image texturées.
3.8.2 Interprétation des résultats

On peut facilement constater par interprétation des courbes rappel-
précision, que les histogrammes sont de bons descripteurs de la couleur, ce
qui nous permet de dire que la méthode basée sur l’histogramme, que ce soit
en niveau de gris ou en couleur HSV, donnent des résultats encourageants
pour les quatre bases d’images. Dans La base d’images ORL, la méthode
d’histogramme a prouvé son efficacité, ce qui se traduit par la détection de
huit images d’une même personne (figure (11)). Ce qui nous a permis de dire
que cette méthode est très bonne la recherche d’images de personne, mais
cela reste toujours limité aux cas d’images en niveaux de gris.
68
Les résultats obtenus par la méthode des ondelettes sont très

encourageants pour la recherche d’images. Cette méthode a été un
descripteur excellent pour l’extraction de l’information texture, ce qui peut
s’expliqué par sa capacité d’extraire un nombre importants de résultats
pertinents dans toutes les bases d’images.
De même, les moments de Hu qui sont des descripteurs de forme
(région), ont pus répondre à nos besoins mais d’une manière insuffisante, ce
qui est illustré par les figures (20) et (21). La cause principale revient au
manque de formes bien précises dans les images après leur binarisation, ce
qui est le cas dans la base d’images texturées, la base médicales et aussi les
images le la base ORL, qui contiennent beaucoup de détails. Mais, ce qui est
le contraire dans la base COIL100, dont la binarisation a donné des régions
très homogènes et le résultat est très satisfaisant (figure(19)).
Les courbes rappel-précision dans les figures (24), (25), (26) et (27) montrent
le résultat de chaque méthode dans les quatre bases. L’histogramme a
prouvé sa supériorité par rapport aux autres méthodes dans toutes les bases
d’images.
Cependant, la figure (27) présente des courbes sur une bande de rappel
étroite. Ce qui revient au contenu de cette base (images texturées) qui
contient 40 images pertinentes pour chaque image requête. La méthode de
l’histogramme niveaux de gris et les ondelettes ont pu extraire un nombre
intéressant d’images pertinentes parmi les 12 affichées. Voir les figures (13)
et (17). On peut dire due les résultats pour cette base sont aussi très
satisfaisants.
3.9 Le bruitage d’images

On passe à l’étape de bruitage de notre image requête par un bruit
gaussien de variance ߜଶ = 0.1. Cette étape va être suivie par une étape de
lissage. Le lissage est effectué par un filtre gaussien de taille 11 et de
déviation standard σ=2.
69
L’image résultante sera une image moins bruitée mais qui présente un flou
de lissage. L’objectif de cette étape est de tester la sensibilité au bruit des
méthodes étudiées.
Nous testons nos méthodes sur une image requête dégradée, dont
l’image originale est présente parmi les images de la base. Le résultat affiche
douze images résultantes, organisées de la distance la plus petite à la
distance la plus grande, de haut en bas et de gauche à droite. L’image
requête est affichée en haut et à gauche des images et son image originale
est affichée en bas de la requête.
Les figures suivantes donnent quelques résultats.
Fig. 28. Résultat de la recherche d’images dans la base ORL pour une image
requête dégradée en utilisant la méthode d’histogramme NG.
Fig. 29. Résultat de la recherche pour une image requête dégradée utilisant
l’histogramme HSV.
70
Fig.30. Résultat de la recherche pour une image requête dégradée en

utilisant la méthode des ondelettes.
Fig.31. Résultat de la recherche dans la base ORL pour une image requête
dégradée en utilisant la méthode des ondelettes.
Fig.32. Résultat de la recherche dans la base ORL en utilisant les moments

de Hu pour une image requête dégradée.
71
3.9.1 Interprétation des résultats

Les figures précédentes montrent les résultats de test de nos méthodes
pour une image requête dégradée. Les résultats de la recherche d’images ne
sont pas satisfaisant et parfois sont complètement hors sujet. Notamment,
l’histogramme HSV et l’histogramme NG qui présentent des mauvais
résultats, comme le montrent les figures (28) et (29). Et ce qui revient à la
présence de nouvelles couleurs imposées par le bruit gaussien.
Les moments de Hu, ont aussi prouvé une grande sensibilité à la présence
des perturbations.
L’application de la méthode des ondelettes a donné, elle aussi, des
résultats non pertinents, tel qu’il est illustré par les figures (30) et (31). On
remarque qu’elle est aussi très sensible au bruit.
3.10 Conclusion
Dans ce présent chapitre, nous avons commencé notre travail par la
présentation des différentes méthodes que nous avons choisis pour la
recherche d’images par le contenu. Les histogrammes niveau de gris ont été
utilisés pour la recherche d’images dans les bases en niveau de gris. Les
histogrammes HSV sont préférables pour les images en couleur. Nous avons
aussi caractérisé la texture par la méthode des ondelettes db2. Ainsi, nous
avons choisi les moments de Hu pour la recherche d’images par la forme.
Dans la plupart des résultats, les méthodes de la recherche par la
couleur et la texture ont donné de bons résultats que les moments de Hu.
On peut conclure que les histogrammes présentent de bonnes méthodes
pour la recherche d’images par le contenu. Ainsi que les ondelettes sont elles
aussi une méthode très efficace dans la recherche d’images par la
caractéristique texture, ce qui revient aux résultats offerts par cette
méthode.
Nous avons aussi étudié l’influence du bruit sur la sensibilité des
méthodes étudiées. L’image requête a été dégradée par un bruit gaussien.
Nous avons ensuite tenté de récupérer les images avec débruitage par un
filtre gaussien. Le résultat est une image requête floue avec moins de bruit.
72
L’analyse des résultats révèle que la reconnaissance des images

similaires par les différentes méthodes est très faible. Ce qui nous permet de
conclure à la sensibilité des méthodes étudiées aux bruits.
73
Conclusion Générale
Dans ce présent mémoire nous avons abordé un domaine très

intéressant du traitement d’image, c’est la recherche d'images par le
contenu.
Au début de notre travail, nous avons donné un bref état de l’art sur la
recherche d’images. Ensuite nous avons présenté la structure générale d’un
système de recherche d’images par le contenu et ses composantes
essentielles. La description des attributs visuels essentiels dans une image,
qui sont la couleur, la texture et la forme, est prise en compte. Par la suite,
nous avons étudié les différentes méthodes d’extraction des trois attributs
visuels définis.
Notre système de recherche d’images par le contenu fonctionne avec
des vecteurs descripteurs représentants le contenu visuel et global des
images. L’étude théorique des différentes méthodes nous a permis de
sélectionner les méthodes adéquates pour la description de l’image dans
notre cas. La couleur a été extraite par la méthode des histogrammes
niveaux de gris et les histogrammes HSV, la description de la texture est
faite avec les ondelettes de Daubechies dont le vecteur signature comporte
l’énergie, la moyenne et l’écart types de chaque imagette résultante, et enfin
la méthode des moments de Hu a été choisie pour construire le vecteur
descripteur de forme.
Après avoir testé les trois méthodes, nous avons construit les courbes
de rappel-précision pour chaque base d’images pour une évaluation de notre
système de recherche d’image par l’une des méthodes choisies.
Les résultats obtenus ont été différents d’une méthode à une autre et
selon chaque base. Ces résultats sont en général très prometteurs et
74
répondent aux besoins de la recherche d’images par le contenu. Les

histogrammes par exemple, sont performants pour la recherche d’images par
la couleur, ainsi que les ondelettes qui ont elles aussi donné des résultats
satisfaisants, ce qui revient à leur capacité de détection des détails présents
dans une image. Pour les moments de Hu la recherche est moins bonne,
sauf pour la base Coil 100 où les images présentent un seul objet à
binariser. La forme de l’objet est donc bien précise ce qui a facilité la
caractérisation de la forme pour les moments de Hu, contrairement aux
autres bases d’images où les images présentent beaucoup de détails.
Nous avons ensuite testé la capacité de notre système pour
reconnaitre les images similaires à une image requête dégradée. Le résultat a
montré que les histogrammes et la méthode des moments de Hu ainsi la
méthode des ondelettes sont très sensibles aux bruits, cela peut être
expliqué par la présence de nouvelles couleurs ainsi qu’un changement de
contours introduit par le bruit.
Les perspectives et les directions de recherche à suivre pour améliorer
le présent travail portent essentiellement sur le choix d’autres méthodes
pour la caractérisation des différents attributs et qui soient moins sensibles
aux bruits. En particulier, nous pensons à un bouclage de pertinence ainsi
qu’à combiner les approches textuelles avec les méthodes proposées pour
contourner le problème du fossé sémantique. Nous envisageons aussi de
faire appel à une classification des images de chaque base en familles
d’images, ainsi la recherche s’effectue uniquement sur une famille.
75
Bibliographie
[1] J. Jeon, V. Lavrenco, R. Manmatha. Automatic image annotation and retrieval using
crossmedia relevance models. In Preceedings of the 26th annual international ACM
SIGIR conference on Research and development in information retrieval SIGIR’03.
2003.
[2] A.W.M. Smeulders, M. Worring, S. Santini, A. Gupta, R. Jain. Content-based image
retrieval at the end of the early years, IEEE Transactions on Pattern Analysis and
Machine Intelligence 22 (12) (2000) 1349–1380.
[3] T. Kato, K. Hirata. Query by visual exemple in content-based image retrieval,
Proc.EDB192. Lecture Notes in computer Science, 1992, p. 56-71.
[4] M. J. Swain et D. H. Ballard. Color indexing. International journal of computer
vision, 7(1):11–32, 1991.
[5] S. A. Berrani. Recherche approximative de plus proches voisins avec contrôle
probabiliste de la précision : application à la recherche d’images par le contenu.
PhD thesis,Université de Rennes 1, février 2004.
[6 ] S. Cohen. Finding colors and shape patterns in images. PhD thesis, Stanford
University, 1999.
[7] E. Loupias. Indexation d’images : aide au télé-enseignement et similarités
préattentives. PhD thesis, Institut National des Sciences Appliquées de Lyon, 2000
[8] P. Lambert and H. Grecu. Indexation par descripteurs flous : Application à la
recherche d’images. 18ème colloque sur le traitement du signal et des images
(GRETSI01), II :372–379, 2001.
[9] J. Fauqueur. Contributions pour la recherche d’images par composantes visuelles.
PhD thesis, Université de Versailles - Saint-Quentin, 2003.
[10] L. Amsaleg, P. Gros, R. Mezhoud. Mise en base d’images indexées par des
descripteurs locaux : problèmes et perspectives. Institut National de Recherche en
Informatique et en Autoatique. INRIA 2000.
[11] J. Landré. Analyse multi-résolution pour la recherche et l’indexation d’images par le
contenu dans les bases de données application à la base d’image paléontologique
Trans’Tyfipal. Université de Bourgogne. Thèse de Doctorat, décembre 2005.
[12] H. ABED, L. ZAOUI, Z. GUEZZEN. Fusion Couleur Texture dans l’Indexation et la
Recherche des Images. JIG’2007 - 3èmes Journées Internationales sur
l’Informatique Graphique.
[13] R. KACHOURI. Classification multi-modèles des images dans les bases hétérogènes.
Université d’Evry-Val d’Essonne. Thèse de doctorat, 2010.
[14] Ela Yildizer, Ali Metin Balci, Mohammad Hassan, Reda Alhajj, Efficient content-based
image retrieval using Multiple Support Vector Machines Ensemble, Expert Systems
with Applications, Volume 39, Issue 3, 15 February 2012, Pages 2385-2396.
[15] WangXing-yuan, ChenZhi-feng, YunJiao-jiao, An effective method for color image
retrieval based on texture, Computer Standards & Interfaces Volume 34 (2012)
Pages 31–35.
[16] Cheikhrouhou, I., Djemal, K., Masmoudi, D., Maaref,H., and Derbel, N. 2009.
Empirical descriptors evaluation for mass malignity recognition. In the First
International Workshop on Medical Image Analysis and Description for Diagnosis
Systems MIAD’09.
[17] H. Jlassi, and K. Hamrouni. Detection of blood vessels in retinal images.
International Journal on Image Graphics, 10(1) : 57-72. 2010
[18] S. Bedouhene. Recherche d’images par le contenu. Mémoire de magister. Université
Tizi Ouzou. 2011.
[19] [WAN 01] WANG J. Z., LI J., WIEDERHOLD G., « SIMPLIcity : Semantics-sensitive
Integrated Matching for Picture Libraries », IEEE Transactions on Pattern Analysis
and Machine Intelligence (PAMI), 2001.
[20] Mikolajczyk, K., Tuytelaars, T., Schmid, C., Zisserman, A., Matas, J., Schaffalitzky,
F., Kadir, T., and Gool,L. A comparaison of affinene region detectors. International
Journal of Computer Vision 2(65). 43-72. 2005
[21] J. Zhang, T.Tan Brief review of invariant texture analysis methods. Pattern
Recognition 35 (2002) 735–747.elsvier
[22] C. L. Jordan, T. Ebrahimi, m. Kunt, Progressive content- basedshape compression
for retrieval of of binary images, Computer vision and Image Understanding 71 (2)
(1998), 198-212.
[23] J. Hafner et al, "Efficient color histogram indexing for quadratic form distance
functions", IEEE trans. Pattern Analysis and Machine Intelligence, Vol. 17, pp 729-
736, 1995.
[24] M. Flickner, H. Sawhney, W. Niblack, J. Ashley, Q.Huang,B. Dom, M. Gorkani, J.
Hafner, D. Lee, D. Petkovic, D, Steele, and P. Yanker. Query by image and video
content: The qbic system. IEEE Computer, 28(9) :23 32,1995.
[25] GUPTA A. et al., « The Virage image search engine : an open framework for image
management », SPIE Storage and Retrieval for Image and Video Databases, vol.
2670, 1996.
[26] W. Ma and B. S. Manjunath. Netra : A toolbox for navigating large image databases.
Multimedia Syst, 7(3) :184 198, 1999
[27] S. Ardizzoni, I. Bartolini, and M. Patella. Windsurf : Region-based image retreival
using wavelets. DEXA Workshop, pages 167-173, 1999.
[28] A. Pentland, R. W. Picard, and S, Sclaroff. Photobook : content- based manipulation
of image databases. Int, J, Comput, Vision,18(3) :233 254, 1996
[29] T. Quach, U. Monich, B.S. Manjunath. A system of large scale, content based web
image retrieval. Universite California Santa Barbara 2004.
[30] C. Carson, M. thomas, S. Belongie, J. M. Hellerstein, and J, Malik. Blobworld : A
system for region-based image indexing and retrieval. In Visual ’99 : Proceedings of
the Third International Conference on Visual Information and Information Systems,
Pages 509 516, London, UK,1999. Springer-Verlag.
[31] J. R. Smith and S. F. Chang. Visualseek : A fully automated contentbased image
query system. In ACM Multimedia Conference, Page 87 98, 1996.
[32] BOUJEMAA N., FAUQUEUR J., FERECATU M., FLEURET F., GOUET V., SAUX B. L.,
SAHBI H., « IKONA : Interactive Generic and Speci_c Image Retrieval », International
workshop on Multimedia Content-Based Indexing and Retrieval (MMCBIR'2001),
Rocquencourt, France, 2001.
[33] Stehling, R. O., Nascimento, M. A., and A. X . Falcao . On Shapes of Colors` for
Content-based Image Retrieval. In ACM International Workshop on Multimedia
Information Retrieval, 2000, 171-1
[34] M. A. Stricker and M. Orengo. Similarity of color images . In SPIE, Storage and
Retrieval for image Video Databases, pages 381-392, 1995.
[35] S. Deb, Y. Jhang, An Overview of Content-based Image Retrieval Techniques,
Proceedings of the 18t International Conference on Advanced Information Networking
and Application (AINA’04), 2004 IEEE.
[36] K Houari. Recherche d’images par le contenu. Université MENTOURI. Constantine.
Thèse de Doctorat science en informatique. 2010
[37] H. S. Sawhney and J. L. Hafner. EFFICIENT COLOR HISTOGRAM INDEXING.
Machine Vision Group.IBM Almaden Research Center. 1994 IEEE.
[38] R.M. Haralick. Statistical and structural approachs to texture. Proceedings of the
IEEE In Proceedings of the IEEE, Vol. 67, No. 5, pages 786–804, may 1979.
[39] J. Huang, R. Kumar, M. Mitra, W. Zhu, W. Zahib, Image indexing using color
correlogram, in: IEEE Conference on Computer Vision and Pattern Recognition,
San Juan, Puerto Rico, June (1997) 762–768.
[40] M. Ortega, Y. Rui, K. Chakrabarti, S. Mehrotra, and T. S. Huang. Supporting
similarity queries in MARS. In Proceedings of the 5th ACM International Multimedia
Conference, Seattle, Washington, 8-14 Nov. '97, pages 403-413, 1997.
[41] G.Pass, R. Zabih and J. Miller, "Comparing images using color coherence
vectors", MULTIMEDIA '96: Proceedings of the fourth ACM international
conference on Multimedia, p. 65--73, 1996
[42] Y. Rubner. Perceptual metrics for image database navigation. Rapport Technique
CS-TR- 99-1621, Stanford University, 1999
[43] W.Press, B. Flanney,S. Teukolsky,and W. Vetterling(1987). Numerical Recipes. The
Art of Scientific Computing.
[44] R.M.Haralick,K. Shanmugam and Its’hak Dinstein. Textural features for image
classification. Reprinted by permission from IEEE, Vol. SMC-3,No.6,.pages 610-
621, november 1973.
[45] N. Jhanwar, S. Chaudhuri, G. Seetharaman, B. Zavidovique .Content based image
retrieval using motif cooccurrence matrix Image and Vision Computing 22 (2004)
1211–1220.Elsevier.
[46] G. Quellec, M. Lamard, G. Cazuguel, B. Cochener, C. Roux Wavelet optimization for
content-based image retrieval in medical databases, Medical Image Analysis. 227–
241. 2009 Elsevier.
[47] M. Jian, L. Liu, F, Guo. Texture Image Classification Using Perceptual Texture
Features and Gabor Wavelet Features. Asia-Pacific Conference on Information
Processing. 2009 IEEE.
[48] L. L. Huang , A. Shimizu, H. Kobatake. Robust face detection using Gabor filter
features. Pattern Recognition Letters 26 (2005) . 1641-1649.Elsevier.
[49] A. Grossmann and J. Morlet. Decomposition of Hardy functions into square
integrable wavelets of constant shape. SIAM J. Math. Anal., 15(4) :723–736, 1984.
[50] A. Khare and U. S. Tiwary . A New Method for Deblurring and Denoising of
Medical Images using Complex Wavelet Transform. Proceedings of the 2005 IEEE.
Engineering in Medicine and Biology 27th Annual Conference Shanghai, China,
September 1-4, 2005.
[51] S.X. Liao et M. Pawlak. On image-analysis by moments. IEEE Transactions on
Pattern Analysis and Machine Intelligence, 18(3) :254–266, March 1996.
[52] S. Lafon, R. R. Coifman, A. B. Lee, M. Maggioni, B. Nadler, F. Warner, and S., W.
Zucker. Geometric diffusions as a tool for harmonic analysis and structure
definition of data: Diffusion maps. 7426–7431,PNAS,May 24,. Vol. 102, no. 21,
2005.
[53] M. Sonka, V. Hlavac, and R. Boyle. Image Processing, Analysis and Machine Vision.
PWS Publishing, seconde edition edition, 1999.
[54] M.K. Hu. Visual pattern recognition by moments invariants, computer methods in
image analysis. Transactions on Information Theory, 8, 1962.
[55] M.R. Teague. Image analysis via the general theory of moments. J. Optical Soc. Am.,
70(8) :920–930, August 1980.
[56] H. Delingette, J. Montagnat, Shape and topologiy constraints on parametric active
contours. Computer Vision and Image Underst-anding, 83(2) : 140-171. 2001.
[57] H. Delingette, J. Montagnat, Shape and topologiy constraints on parametricactive
contours. Computer Vision and Image Understanding, 83(2) : 140-171. 2001.
[58] Z. Huang, J. Leng. Analysis of Hu's Moment Invariants on Imag Scaling and Rotation.
Proceedings 2nd International Conference on Computer Engineering and
Technology (ICCET). (pp. 476-480). Chengdu, China. IEEE 2010.
[59] Base Columbia. http://www.cs.columbia.edu/CAVE/research/softlib/coil-
100.html
[60] S. Mallat. A theory for multi-resolution signal decomposition : The wavelet
representation. IEEE Transactions on Pattern Analysis and Machine Intelligence,
vol. 11, p. 674-693. 1989.
[61] C. Vonesch, T. Blu, M. Unser. Generalized Daubechies Wavelet Families. IEEE
Transaction on Signal Processing, Vol.55, No. 9, p. 4415-4429. September 2007.
[62] http:/ /www.cl.cam.ac.uk/Research/DTG/attarchive :/data/att_faces.tar.Z
[63] N. OTSU, « A Threshold Selection Method from Gray-Level Histograms », IEEE
transactions on Systems, Man and Cybernetics, 9(1), p. 62-66, 1979.
[64] C. D. Manning, P. Raghavan, H. Schütze. An Introduction to Information Retrieval.
Cambridge University Press. Cambridge, England. 151-177. 2009.

Amrouni S.

Transféré par

Droits d'auteur :

Formats disponibles

Amrouni S.

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Amrouni S.

Transféré par

Droits d'auteur :

Formats disponibles

MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE

UNIVERSITE MOULOUD MAMMERI, TIZI-OUZOU

FACULTE DE GENIE ELECTRIQUE ET D’INFORMATIQUE

Recherche et classement d’images dans une base de données de

Mémoire soutenu le : devant le jury d’examen composé de :

HAMMOUCHE Kamal, Professeur à l’UMMTO Président.

J’aimerai tout d’abord citer que l’élaboration de ce mémoire a été

effectuée au laboratoire LVAAS (Laboratoire Vison Artificielle et Automatique

des Systèmes » du département Automatique, FGEI, UMMTO.

J’aimerais, avant tout, exprimer mes remerciements à mon Directeur de

mémoire, Monsieur DIAF Moussa, Professeur à l’UMMTO, pour m’avoir encadrée

et donné la chance de me rapprocher du domaine du traitement d’images. Je le

Nous adressons nos remerciements les plus sincères à Monsieur

HAMMOUCHE Kamal, Professeur de l’UMMTO, pour avoir accepté de juger ce

travail en tant que président de jury.

Nos sincères remerciements s’adressent également à Madame AMIROU

Zahia, Maître de Conférences classe A, à l’UMMTO, pour avoir accepté de juger

notre travail en tant que examinatrice.

Nous ne manquerons pas de remercier Madame ALKAMA Sadia, Maître de

Conférences classe B, à l’UMMTO, pour nous avoir fait l’honneur d’accepter de

juger notre présent travail.

ont contribués de près ou de loin pour nous avoir guidés et encouragés à

Introduction générale ……………………………………………………….1

Chapitre I: Généralités sur la recherche d’images

Chapitre II : Méthodes d’indexation d’images

Suite au développement de la technologie et la démocratisation de

Dans les systèmes de recherche d’images par le contenu [2], le principe

 Dans le premier chapitre on a donnée quelques généralités sur la

Le premier moyen utilisé dans le domaine de la recherche d’images

Dans la suite de ce chapitre, nous présentons un état de l’art sur

1.2 Etat de l’art

Un histogramme 3D est construit pour chaque image de la base d'images.

Un autre système de recherche d’images par le contenu a été proposé par

1.3 La recherche d’images par le contenu

naissance à de nombreuses méthodes d’indexation par le contenu, de

1.4 Systèmes de recherche d’images par le contenu

Fig.1. Architecture générale d’un système d’indexation et de recherche

1.4.1 Principales composantes d’un système de RIC

utiliser pour trouver les images similaires comme, par exemple, la

1.5 Attributs visuels

 Les attributs globaux

 Les attributs locaux

1.6 Stratégies de la recherche

de chercher les k vecteurs les plus proches de q, au sens de la mesure de

une distance inférieure ou égale à un seuil

1.7 Mesure de similarité entre images

comme un ensemble non vide doté d’une application d, appelée distance,

1.7.1 Distance de Minkowski

‫ܮ‬ଵ (‫ܫ‬ଵǡ‫ܫ‬ଶ) = ∑௡௜ୀଵ|‫ܫ‬ଵ(݅) െ ‫ܫ‬ଶ(݅)| (3)

 Pour p=2, on définit la distance Euclidienne :

 Pour ‫ ݌‬՜ ൅λ , On définit la distance du maximum

Les métriques de Minkowski sont simples d’utilisation. Par contre, leur

Afin de rendre compte de l’importance relative des composantes du

où ‫׷ ݓ‬Le vecteur de pondération à n composantes.

1.7.2 Distance quadratique

D୕ ൌ ඥሺ‫ܫ‬ଵ െ ‫ܫ‬ଶ)୘ ሺ‫ܫ‬ଵ െ ‫ܫ‬ଶ) (7)

où A = [a୧୨] est la matrice de similarité. a୧୨, la distance entre deux

1.7.3 Distance de Mahalanobis

D୑ ୟ୦ ൌ ඥሺ‫ܫ‬ଵ െ ‫ܫ‬ଶ)୘ C ିଵሺ‫ܫ‬ଵ െ ‫ܫ‬ଶ) (9)

indépendantes, C ne comporte que la variance. Et la formule (9) se