Bon, allez, je m'épanche et vous explique ce qui me chagrine...
Sachant:
http://homepages.inf.ed.ac.uk/rbf/ [...] node1.html
 
Sachant aussi que je calcule:
http://homepages.inf.ed.ac.uk/rbf/ [...] node4.html
 
Là je suis bien content, j'ai tout un tas de moments qui me permettent de décrire ma forme patatti patatta.
Mais j'aimerais aussi bien pouvoir la reconstruire cette forme, à partir de ses moments.
J'ai donc lu ça:
http://homepages.inf.ed.ac.uk/rbf/ [...] node6.html
 
Aprés moult et savants calculs, j'ai réussi à automatiser le binz, et je trouve tous mes coefs bien comme il faut comme ils disent.
Or, la reconstruction donne n'importe quoi...
 
D'où interrogation de ma part.
Les 'Mpq' de la partie reconstruction, correspondent-ils bien aux 'mqp' (moments cartésiens)?
Dois-je normliser quelque chose? Mon image? Les moments? Les 2?
 
Bon voilà, si quelqu'un à déjà joué avec ça, ou si ça en interresse d'autres, merci d'avance pour le coup de main.

Ah ca fouete l'oeil !
 
Ca sert a quoi ? La reconnaissance d'images ?

(anti bide)

 
reconnaissance de formes oui
mais ce que je veux surtout c'est reconstruire ma forme avec ses moments
histoire de pouvoir faire des mesures de précisions, estimer le nombre optimum de moments etc.

<ame charitable>

J'ai regardé vite fait dans mon "MIT Press - 2D Object Detection and Recognition" et j'ai rien trouvé sur les moments Mais ca marche comment ton truc avec des arbres, des graphes ou c'est seulement des calculs ??

nop
seulement des calculs
tu sais que pour un ordre donné N, tu as un certain nombre de moments (j'en suis aux non-orthogonaux pour l'instant, donc cartésiens et centralisés) Mpq ( p+q <=N )
grace à Mr Taylor et ses séries, tu admets qu'il est possible de décomposer un signal comme une somme de moments (pondérés bien sûr)
et c'est un peu ce qu'explique la doc dont j'ai filé le lien

Mr Taylor et Riemann manquait plus qu'eux et Markov n'est pas loin non plus je sens
 
C'est con ils donnent meme pas un exemple avec des valeurs concretes.

ON NE PARLE PAS DE MARKOV §§§§§§ /FOU/ /FFOU/
 
MARKOV N4EXISTE PAS §§§§

bon j'ai trouvé...
manifestement faut normaliser les coordonnées, de manière à avoir x et y sur [-1,1]
par contre la reconstruction c'est bien lourdingue, car à partir d'une image binaire, on retrouve une image niveaux de gris à seuiller...
enfin, je conseille quand même fortement la lecture de tout le site que j'ai linké aux amateurs de reconnaissance de forme
surtout les parties sur Hu et Zernike
(et accessoirement, aller aussi chercher de la doc sur les descripteurs de Fourier, dans une autre base)

autre truc à faire: normaliser la valeur des pixels entre 0 et 1, et ne pas oublier de renormaliser aprés la reconstruction (car celle ci nous pond un truc avec un min négatif et un max grand)
 
mais géniale la méthode
vraiment
rigolotte et tout
par contre... le calcul du seuil aprés reconstruction c'est automatique à la main
l'interêt c'est quand même de se rendre compte que, juste avec des descripteurs géométrique, on peut recontruire une forme, et moi je dis chapeau
je suis en train d'étudier l'évolution de la précision de la reconstruction selon le type de forme (carré, ronde, simple, complexe etc.), la famille de descripteurs choisis et le nombre de descripteurs
ça va faire un joli papier ça...

je suis d'accord

toute ma jeunesse
 
sauf que moi c'était en couleurs ...

 
si il y a moyen, je pourrait avoir un copie de ce joli papier ??

ah bon t'as des travaux de synthèse sur l'analyse de tous les moments et de leur précision en fonction de l'ordre choisi et de la compléxité (et de la forme) de la forme?

à soumettre fin Février donc rien avant...

non mais j'ai fait de la segmentation en temps réel dans ma jeunesse ...

nous on doit tout faire en temps réel
correction, debruitage, binarisation, segmentation, calcul d'attributs, classification, reconnaissance, restitution

Tiens, j'avais raté ça...ça me fera de la lecture pour mes moments creux!

Soit l'image de départ:

 
avec juste comme vecteur d'attributs:
2651.000000 -131.121212 1078.623508 -48.829813 754.095405 -22.803332 594.673623 -11.993288 495.409586 -6.769456 426.997263 -3.996890 -186.870968 56.910068 -74.838384 15.242794 -37.535711 3.973266 -20.178978 0.702899 -11.372574 -0.227132 -6.648583 1021.784599 -78.548387 382.518874 -29.212090 260.394297 -13.022819 203.760614 -6.566297 169.455398 -3.604170 -95.181397 8.598455 -43.666536 -3.825135 -23.026328 -4.103347 -12.713175 -2.948889 -7.277696 691.649588 -57.180217 244.246670 -21.750697 163.569749 -9.707355 127.165119 -4.872350 -53.615443 -3.268984 -27.296093 -6.440194 -14.894373 -4.659847 -8.349271 533.992285 -46.521358 183.953553 -17.938481 122.075052 -7.999452 -33.646616 -6.796292 -18.534714 -6.474072 -10.347541 438.633714 -40.030967 149.658807 -15.499353 -23.315518 -7.766258 -13.529923 374.610317 -35.483479 -17.562391  
 
je peux reconstruire ça:

 
Merci de votre attention...

heu ... par Hough tu fais pas mieux ?

en temps de calcul non

Moi aussi, des segmentation faults, surtout.

C'est l'algo d'Alzheimer ?  

bon, je n'ai pas encore tous les résultats (et de toutes façons, ce sera la publi d'abord...)
par contre, pour les amateurs (et trices), lancez-vous sur les moments de Zernike
je fais 98% de bonne reconnaissance (avec un Bayesien derrière), sur de l'OCR manuscrit (grec ancien), avec 5 classes
à l'occasion faudra que je regarde l'évolution de ce taux en fonction du nombre de classes...