UNIVERSITY OF ABDELMALEK ESSAADI
FACULTY OS SCIENCES AND TECHNIQUES OF TANGIER
DEPARTEMENT OF COMPUTER SCINCE
DESCRIPTEURS DE TAMURA
Analysis, Mining and Indexing in big multimedia systems
Réalisé par : Encadré par :
Abali Anas
El Haissouf Chaimaa Pr.M’hamed Ait Kbir
Elamane Abdessamad
Talbi Ibrahim
Table des matières
I. Introduction : .................................................................................................................................. 2
II. L’objectif : ....................................................................................................................................... 2
III. Tamura features : ........................................................................................................................ 3
Coarseness : ................................................................................................................................ 3
Contrast : .................................................................................................................................... 3
Directionnality : ........................................................................................................................... 4
Line-likeness : .............................................................................................................................. 4
Regularity : .................................................................................................................................. 5
Roughness : ................................................................................................................................. 5
IV. Les métriques d’évaluation : ........................................................................................................ 6
Canberra Distance : ..................................................................................................................... 6
V. Les outils utilisés : ........................................................................................................................... 6
Spyder Anaconda : ...................................................................................................................... 6
Flask : .......................................................................................................................................... 7
Python :....................................................................................................................................... 7
VI. Résultats : ................................................................................................................................... 8
VII. Conclusion :................................................................................................................................. 9
I. Introduction :
Le domaine de l’image numérique est un domaine en pleine expansion.
Depuis quelques années, avec l’explosion d’Internet et aussi le développement à
grande échelle de la photographie numérique, il n’est pas rare d’avoir des bases
d’images numériques contenant plusieurs milliers et même plusieurs dizaines de
milliers d’images, que ce soit des bases ciblées pour un domaine d’activité
professionnelle (journalisme, tourisme, éducation, musées, …) ou tout simplement
pour les particuliers qui accumulent d’immenses bases de photographies
numériques (souvenirs, voyages, famille, événements, …).
Pour gérer et utiliser efficacement ces bases d’images, un système d’indexation et
de recherche d’images est nécessaire. C’est pourquoi le sujet de la recherche
d‘images devient un sujet très actif dans la communauté internationale depuis plus
d’une dizaine d’années.
II. L’objectif :
Le but principal de ce projet est tout simplement la mise en place d’une application
Web, avec Flask comme serveur, qui permet d’implémenter les fonctionnalités de
base d’un système d’indexation et de recherche d’images par le contenu, et plus
précisément par descripteurs de texture de Tamura.
III. Tamura features :
L'objectif de l'analyse de texture est d'extraire des caractéristiques qui capturent les
propriétés texturales d'une image de texture.
Dans cette recherche, il existe six caractéristiques de Tamura qui sont coarseness,
contrast, directionnality, line-likeness, regularity et roughness. Ces six éléments
caractérisent les propriétés statistiques de bas niveau des textures ; ils sont
visuellement significatifs et facilement interprétables par des concepts. Nous
résumons leurs propriétés et leurs calculs comme suit :
Coarseness :
se rapporte aux distances des variations spatiales notables des niveaux de gris,
c'est-à-dire, implicitement, à la taille des éléments primitifs (texels) formant la
texture.
Où n désigne la taille de l'image, la somme est effectuée pour chaque pixel
p(i, j) et k est obtenue comme la valeur qui maximise les différences des
moyennes mobiles.
Et à chaque point, on prend les différences entre les paires de moyennes
correspondant à des voisinages non chevauchants sur les côtés opposés du point
dans les deux orientations horizontale et verticale.
On choisit alors la meilleure taille qui donne la valeur de sortie la plus élevée, où
k maximise E dans les deux sens.
Contrast :
Mesure comment les niveaux de gris q ; q = 0, 1, ..., qmax, varient dans l'image
g et dans quelle mesure leur distribution est biaisée vers le noir ou le blanc.
Le contraste peut être calculé comme suit :
Où σ est l'écart-type de l'image et μ4 est quatrième moment de l'image.
Directionnality :
Le degré de directionnalité est mesuré en utilisant la distribution de fréquence
des bords locaux orientés par rapport à leurs angles directionnels.
La directionnalité peut être calculée comme suit :
Un histogramme, Hd , de probabilités d'arêtes est ensuite construit en comptant
tous les points dont la magnitude est supérieure à un seuil et en quantifiant par
l'angle d'arête. L'histogramme reflectera le degré de directionnalité. Pour
extraire une mesure de Hd la netteté des pics est calculée à partir de leurs
seconds moments.
Line-likeness :
La linéarité fait uniquement référence à la forme des primitives de la texture. Une
texture linéaire possède des primitives droites ou ondulées dont l'orientation peut
ne pas être fixe. Souvent, la texture linéaire est simultanément directionnelle.
Regularity :
Signifie l'écart-type de la caractéristique correspondante F... dans chaque sous-
image dans laquelle la texture est partitionnée.
Où r est un facteur de normalisation et σxxx signifie écart-type de fxxx.
Roughness :
Est donnée en additionnant simplement les mesures de rugosité et de contraste.
La rugosité comme indiqué ci-dessous :
𝐹𝑟𝑔ℎ = 𝐹𝑐𝑟𝑠 + 𝐹𝑐𝑜𝑛
IV. Les métriques d’évaluation :
Canberra Distance :
La distance de Canberra est une version pondérée de la distance de Manhattan,
introduite et affinée en 1967 par Lance, Williams et Adkins. Elle est souvent
utilisée pour les données dispersées autour d'une origine, car elle est biaisée pour
les mesures autour de l'origine et très sensible pour les valeurs proches de zéro.
La distance de Canberra d entre les vecteurs p et q dans un espace vectoriel réel à n
dimensions est donnée comme suit :
V. Les outils utilisés :
Voilà les outils utilisés pour réaliser ce projet :
Spyder Anaconda :
Spyder (nommé Pydee dans ses premières versions) est un environnement de
développement pour Python. Libre (Licence MIT) et multiplateforme (Windows,
Mac OS, GNU/Linux), il intègre de nombreuses bibliothèques d'usage scientifique
: Matplotlib, NumPy, SciPy et IPython.
Créé et développé par Pierre Raybaut en 2008, Spyder est maintenu, depuis 2012,
par une communauté de développeurs qui ont pour point commun d'appartenir à la
communauté Python scientifique.
Flask :
Flask est un micro framework open-source de développement web en Python. Il est
classé comme microframework car il est très léger.3 Flask a pour objectif de garder
un noyau simple mais extensible. Il n'intègre pas de système d'authentification, pas
de couche d'abstraction de base de données, ni d'outil de validation de formulaires.
Cependant, de nombreuses extensions permettent d'ajouter facilement des
fonctionnalités.4 Il est distribué sous licence BSD.
Python :
Python est un langage de programmation interprété, multi-paradigme et
multiplateformes. Il favorise la programmation impérative structurée, fonctionnelle
et orientée objet. Il est doté d'un typage dynamique fort, d'une gestion automatique
de la mémoire par ramasse-miettes et d'un système de gestion d'exceptions.
Le langage Python est placé sous une licence libre proche de la licence BSD4 et
fonctionne sur la plupart des plates-formes informatiques, des smartphones aux
ordinateurs centraux5, de Windows à Unix avec notamment GNU/Linux en
passant par macOS, ou encore Android, iOS, et peut aussi être traduit en Java ou
.NET. Il est conçu pour optimiser la productivité des programmeurs en offrant des
outils de haut niveau et une syntaxe simple à utiliser.
VI. Résultats :
Voilà notre interface principale, avec laquelle on peut spécifier le nombre des
images à récupérer :
On upload une image query :
Voila la liste des images les plus similaires dans ses textures tamura avec l’image
qu’on a introduite :
VII. Conclusion :
Pour conclure, la texture est parmi les plus importants caractéristiques d’une image
et plus précisément les caractéristiques de Tamura qui sont : coarseness, contrast,
directionnality, line-likeness, regularity et roughness. Ces six éléments
caractérisent les propriétés statistiques de bas niveau des textures. Grace à ce projet
on a pu créer un système de recherche par contenu pour les features de Tamura.