Résumé
The characterization of granular products using image analysis is complex, as defining sample size is a very difficult task (should one use weight or number of particles ?) and because of the diversity of the date which can be extracted from the image. A three-step procedure is applied : data extraction, data preprocessing and sample classification. We deal with the second step, once the image data have been extracted and gathered into histograms with a large number of intervals. The method we propose allows both the building of optimal size samples and the creation of data vectors appropriate for the third step.The originality of the method lies in the supervision of the data processing by taking into account the final goal, the discrimination into classes. Indices of stability and discrimination are created to build new histograms. To determine the optimal sample size, indices of representativeness and classification are used. This process has been tested on mill product images which are divided into three classes. The optimal sample size given by the representativeness index is 18 images, whereas it drops to 13 using the clasification index. For this example the features, if considered independently, are not informative enough to solve the problem (the best classification performance is 60 %). It is necessary to develop a strategy where features are combined. This strategy is presented in a separate paper.
La caractérisation de produits granulaires par analyse d'image est un problème difficile, car la taille d'un échantillon est difficile à définir (doit-on utiliser le poids ou le nombre de particules ? ) et à cause de la diversité des données à extraire. Une démarche en trois étapes est utilisée : extraction de données, pré-traitement et classification des échantillons. Dans cet article, nous nous intéressons à la deuxième étape, une fois que l'image a été extraite et transformée en histogrammes avec un grand nombre d'intervalles. La méthode proposée permet de construire des échantillons de taille optimale et de créer des vecteurs de données appropriées pour la troisième étape. L'originalité de la méthode réside dans la supervision de l'étape de traitement avec prise en compte de l'objectif final, c'est-à-dire la discrimination entre classes. Des indices de stabilité et de discrimination sont créés pour construire de nouveaux histogrammes. Pour déterminer la taille optimale, des indices de représentativité et de pouvoir de classifications sont utilisés. Cette procédure a été testée sur des images de produits céréaliers divisés en trois classes. La taille optimale de l'échantillon, déterminée par l'indice de représentativité est de 18 images, et tombe à 13 images en utilisant l'indice de classification. Dans cet exemple, les paramètres, considérés indépendamment, ne sont pas assez pertinents pour répondre au problème (la meilleure classification est correcte à 60%). Il est nécessaire de développer une stratégie pour combiner ces paramètres. Elle sera présentée dans un autre document.