Vous êtes ici

  1. Accueil
  2. Traitement avancé en signal, image et synthèses (1 matière à choix ci-dessous) TASIS

Traitement avancé en signal, image et synthèses (1 matière à choix ci-dessous) TASIS

Traitement avancé en signal, image et synthèses (1 matière à choix ci-dessous) TASIS

En pratique :

Langue principale : français

Description du contenu de l'enseignement

(An english version is available at https://perso.univ-rennes1.fr/laurent.albera/)

Option Signal Image :

Cette UE offre un large panel de modules parmi lesquels les étudiants en choisiront quatre.

Le premier module, intitulé Modélisation géométrique et statistique, porte d’une part sur le traitement géométrique d’images/volumes 3D où l'étude locale et globale des courbes et surfaces de l'espace 3D est privilégiée. La reconnaissance de forme est alors liée à la projection d'une forme 3D dans un espace de description ayant peu de paramètres et à la recherche d'invariants décrivant localement ou globalement les objets 3D. Il est alors possible de définir des distances de forme de manière élégante. D’autre part, ce module revisite le problème de segmentation d’image mais cette fois en utilisant un formalisme bayésien. Dans ce cadre, l’utilisation de champs de Markov est étudiée. Différentes solutions algorithmiques telles que la méthodeMCMC sont considérées. Le cours est illustré à l’aide d’exemples pratiques et d’exercices. Un TP sur la segmentation des tissus cérébraux d'une image IRM est également proposé.

Le second module proposé, nommé Recalage d’images médicales et GMCAO, vise à donner aux étudiants une vue d'ensemble des Gestes Médico-Chirurgicaux Assistés par Ordinateur (GMCAO). Un éclairage plus spécifique est apporté sur les composantes méthodologiques relevant de la vision par ordinateur et du recalage d’images médicales.

Le troisième module disponible s’intitule Traitement des contenus vidéo et nouvelles modalités. Il présente des outils mathématiques et des méthodes permettant l’enrichissement et l’exploitation de contenus vidéo pour améliorer l'expérience de l'utilisateur et offrir de nouveaux services. Il présente les différents modèles de caméras, les problèmes de capture multi-vues, de calibration de caméras, de géométrie projective et de rendu par l’image. Il poursuit en présentant les outils de régularisation d’images par diffusion, les différents types de méthodes d’inpaintingd’image, de vidéo et de contenus multi-vues. Il présente également les différentes méthodes de super-résolution par l’exemple, représentations parcimonieuses et apprentissage. Il termine par une présentation de méthodes d’indexation et de structuration de vidéos, de reconnaissance d’actions et d'effets visuels en vidéo.

Le quatrième cours proposé est intitulé Vision robotique et asservissement visuel. Ilprésente les deux approches possibles pour commander les mouvements d'un robot à partir d'informations fournies par une caméra. La première repose sur unecalibration fine et la localisation 3D des éléments du système. La seconde, dite d'asservissement visuel, consiste à injecter les informations visuelles en entrée d'une loi de commande en boucle fermée. La généricité des approches et leur fort potentiel applicatif seront illustrés à travers de nombreux exemples.

Le cinquième cours disponible se nomme Séparation aveugle de sources. La séparation de sources a pour but d’estimer des sources radio, acoustiques, physiologiques ou autres à partir d’un mélange linéaire ou non de ces dernières. L’adjectif aveugle caractérise l’absence de connaissance a priori sur lesdites sources d’intérêt. En guerre électronique, la séparation aveugle de sources est utilisée afin d’intercepter des communications ennemies. En audio, l’exemple du cocktail party montre comment à partir d’un ensemble de microphones il est possible d’isoler les conversations de plusieurs groupes de personnes parlant dans une même pièce. En ingénierie biomédicale, la séparation aveugle de sources permet de séparer l’activité cardiaque de la mère de celle du fœtus à partir de signaux électrocardiographiques (non-invasifs) enregistrés sur l’abdomen de la mère et de prévenir d’éventuelles maladies cardiaques du fœtus. Si l’Analyse en Composantes Indépendantes (ICA) a longtemps été l’un des standards en matière de séparation aveugle de sources, l’analyse tensorielle offre le grand intérêt de pouvoir traiter des données de faible dimension (par exemple, cas d’un faible nombre d’échantillons temporels à disposition). L’une des décompositions tensorielles phares, la décomposition canonique polyadique, est étudiée et son intérêt est illustré en localisation de sources de courant cérébrale lors d’une séance de travaux pratiques sous MATLAB.

Dans le cadre global de la conception des systèmes de commande ou de surveillance, la phase d'obtention de modèles dynamiques de processus est une étape importante. Ce sixième cours, intitulé Modélisation et identification, présente la démarche et les méthodes usuelles de modélisation paramétrique appliquées aux systèmes ou aux signaux : méthodes d'erreur de prédiction, variantes des moindres carrés, méthode du modèle, approches par sous-espace.

Enfin, un cours de communications numériques et un cours d’identification de modèles biomathématiques utilisés en électrophysiologie humaine sont également proposés aux étudiants.

Option Systèmes intégrés :

Les étudiants ont le choix entre deux UEs, l’une baptisée Architecture, l’autre Signal et communications.

L’UE Architecture est composée de trois modules d’enseignement. Le premier, nommé Architecture et programmation parallèle, traite des architectures parallèles de calcul, leur évolution et leur classement, ainsi que les moyens de les programmer avec des outils comme Pthread, OpenMP, CUDA, OpenCL. Le deuxième module, intitulé Algorithmique répartie et parallélisme, cours traite de la construction et de l’implémentation d’algorithmes s’exécutant sur des architectures réparties, c’est-à-dire sur de multiples machines interconnectées par un réseau, et s’échangeant des informations par des échanges de messages. L’effort est mis sur la modélisation de problèmes en situation répartie et leur traduction progressive en programme informatique. Deux grandes classes de problèmes sont abordés : ceux ayant pour objectif d’effectuer un calcul et ceux ayant pour rôle de contrôler de respecter de certaines bonnes propriétés d’applications réparties en cours d’exécution. Le troisième et dernier module se nomme UML/ SysML temps-réel. Il traite de l’ingénierie dirigée par les modèles pour la conception d’architecture opérationnelle validée d’applications temps réel embarquées et distribuées.

L’UE Signal et communications est également composée de trois modules d’enseignement. Les communications sans fils sont utilisées dans des contextes professionnels et personnels (Wifi, 3G/4G, IoT, etc.) et ont connu un déploiement et un usage massif au cours des dernières décennies. Cependant, la bonne réceptionet le décodage d’ondes electromagnétiques transmises dans l’air ne se fait pas sans difficultés. Il est en effet nécessaire de combattre l’effet du canal de propagation et des imperfections du système garantissant l’émission et la réception du signal tout en permettant une utilisation partagée des ressources temps-fréquences (contexte de multiplexage multi-utilisateur). Ainsi, différents paradigmes de mise en forme du signal ont émergé de manière à assurer le bon fonctionnement des transmissions dites « Over The Air » dans un contexte multi-utilisateur. Par conséquent, l’objectif de du premier cours de cette UE, nommé Communications sans fils, est de présenter les techniques de modélisation des effets du canal de propagation, et de présenter dans ce contexte les grandes techniques (formes d’ondes) de multiplexage du signal. Le deuxième module d’enseignement de cette UE s’intitule Antennes intelligentes. Plus particulièrement, les systèmes de radiocommunications utilisent classiquement des antennes sectorielles dont les diagrammes sont déterminés avec précaution de telle sorte que la couverture radioélectrique soit maximisée sur un site donné. Cependant, ces diagrammes sont généralement ?gés c’est à dire qu’ils ne peuvent s’adapter aux conditions de propagation radio (in?uence des obstacles, trajets multiples...). Par opposition à ces technologies traditionnelles, les antennes intelligentes ou smart antennas sont capables de combiner de manière dynamique les différents signaux présents sur les différents éléments d’une antenne et ainsi optimiser les bilans de liaison. De manière générale, deux types d’antennes intelligentes peuvent être dé?nis : le système à faisceaux commutés ou répartiteurs de faisceaux (Switching Beams Antenna) et les systèmes adaptatifs. Dans ce deuxième module d’enseignement, l’enseignant se contrera sur les antennes intelligentes adaptatives dont la réalisation nécessite des compétences technologiques multidisciplinaires à l’intersection entre l’électromagnétisme et le traitement du signal. Le troisième et dernier cours de l’UE, intitulé Traitement et analyse d’image avancé, couvre toute la chaine de traitement et d’analyse des images en vue de l’aide à la décision. La première partie porte sur le traitement des images dégradées par un flou et/ou un bruit. Les différents modèles de dégradation sont présentés. Les méthodes classiques et avancées adaptées à chaque modèle sont étudiées. Les différents critères objectifs d’évaluation pour apprécier la qualité des images restaurées sont analysés. La deuxième partie traite de la caractérisation des pixels de l’image en vue de leur classification. Les méthodes déterministes et probabilistes sont présentées. La dernière partie est dédiée à la compression des images.

Option Automatique :

Le premier cours de cette UE, baptisé Commande avancée, complète le cours Commande de systèmes linéaires par la prise en compte de la robustesse vis-à-vis des erreurs de modèle et la prise en compte des non-linéarités des systèmes. Le second cours, nommé Problèmes inverses, est en commun avec l’option Signal Image. Il vise à montrer en partant d’un exemple issu de l’ingénierie biomédicale comment les lois de la physique permettent de modéliser les données observées et de définir une certaine classe de problèmes inverses. Malheureusement ces derniers sont souvent mal-posés et nécessitent d’être régularisés. Nous montrons dans ce cours comment interpréter et traduire mathématiquement certaines hypothèses émanant de la physique du problème afin de le régulariser. Enfin un ensemble de méthodes de résolution de problème inverse linéaire mal-posé est proposé, d’une part des méthodes déterministes (Tikhonov, LASSO), d’autre part des techniques probabilistes (MCMC, échantillonneur de Gibbs, algorithme de Metropolis-Hastings). Des séances de travaux pratiques sous MATLAB permettent d’illustrer ces méthodes dans le contexte de la localisation de sources cérébrales. Le troisième et dernier cours proposé est intitulé Vision robotique et asservissement visuel. Il est lui aussi en commun avec l’option Signal Image. Il présente les deux approches possibles pour commander les mouvements d'un robot à partir d'informations fournies par une caméra. La première repose sur une calibration fine et la localisation 3D des éléments du système. La seconde, dite d'asservissement visuel, consiste à injecter les informations visuelles en entrée d'une loi de commande en boucle fermée. La généricité des approches et leur fort potentiel applicatif seront illustrés à travers de nombreux exemples.