Code
IGFF MAT 5011
Level
M2
Graduate
Graduate
Semester
Fall
Domain
Mathématiques
Program
Programme Ingénieur
Language
Français/French
ECTS Credits
4
Class hours
42
Workload
90
Program Manager(s)
Department
- Communications, Images et Traitement de l'information
Educational team
Organisation
Cours/TD/TP/projet/examen : 18/0/18/10Learning objectives
- Maîtriser les modèles de Markov cachés et extensions;
- Maîtriser les modélisations statistiques modernes des images ;
- Maîtriser les rudiments de la théorie de l'évidence de Dempster-Shafer;
- Maîtriser la problématique de l’apprentissage non supervisé dans les modèles de Markov.
CDIO Skills
- 1.1.1 - Mathematics (including statistics)
- 1.3 - Advanced engineering fundamental knowledge, methods and tools
- 2.1.1 - Problem Identification and Formulation
- 2.1.2 - Modeling
- 2.2.1 - Hypothesis Formulation
Prerequisites
Connaissance de base dans les domaines probabilités et théorie de l’information (règle de Bayes, critère du maximum de vraisemblance, capacité d’un canal…)
Keywords
Champs de Markov, segmentation bayésienne d’images, segmentation non supervisée, théorie de l’évidence, segmentation floue, filtrage des images.
Content
- Segmentation statistique d’images;
- Champs de Markov cachés;
- Théorie de l’évidence;
- Modélisations et traitements flous;
- Copules et bruits non gaussiens;
- Modèles de Markov couples et triplets;
- Apprentissage et traitements non supervisés.
Assessment formula
La validation de cette UV est basée la note de présence (sur 5), la note d'un examen écrit (2h) sur 9, et la note du compte rendu de TP (sur 6).
La note finale, sur 20, est la somme des trois.
References
Support de cours :
- Traitements Statistiques d'Images, W. Pieczynski (polycopié)
Bibliographie :
- A. Mohammad-Djafari, Problèmes inverses en imagerie et en vision, Hermes, 2008 ;
- C. S. Won, and M. Gray, Stochastic Image Processing, Kluwer Academic, 2004;
- B. Chalmond, Eléments de modélisation pour l’analyse d’images, Springer, 2000