La spectroscopie par résonance magnétique (SRM) est une technique d'analyse noninvasive des informations biochimiques des tissus du corps humain. L'un des éléments essentiels des examens SRM in vivo est la quantification des données SRM, qui consiste à retrouver les amplitudes ou surfaces des pics de chacun des métabolites en présence.Toutefois, cette tâche est encore difficile en raison du recouvrement important entre les différents pics, de la présence d'un bruit de fond qui chevauche tous les pics et du faible rapport signal sur bruit des spectres observés.Dans cette thèse, nous proposons deux nouvelles méthodes de quantification SRM dans le domaine fréquentiel. A partir d'un dictionnaire construit selon des connaissances a priori sur le modèle mathématique des pics des métabolites, nos deux méthodes estiment correctement les pics d'intérêt, en utilisant les représentations parcimonieuses des signaux.Les expériences de simulation menées montrent les excellents résultats de nos méthodes par rapport à l'état de l'art actuel. De plus, les quantifications de spectres SRM in vivo du cerveau pour le suivi au cours du temps de tumeurs sur des patients, ainsi que de spectres SRM in vivo de la prostate, démontrent la pertinence de nos méthodes.Dans cette thèse, nous avons également étudié la fusion des signaux SRM et des images IRM (imagerie par résonance magnétique). Les spectres SRM délivrent des informations biochimiques sur les tissus humains, tandis que les images IRM donnent des informations anatomiques. Quelques publications ont démontré récemment que la combinaison des deux informations SRM et IRM peuvent améliorer de façon critique la détection des cancers de la prostate. Dans ce contexte, nous avons proposé d'utiliser une technique de fusion d'informations floues de données SRM et IRM, afin d'automatiser la localisation de tissus cancéreux de la prostate. Dans cette étude préliminaire, nous avons montré les résultats encourageants obtenus par notre technique. / MRS (magnetic resonance spectroscopy) has proved to be an important non invasive technique for analyzing biochemical information about the tissues of the human body. One oft he essential elements of an in vivo MRS examination is the quantification of MRS data,which concerns the calculation of the amplitude or areas of the spectral peaks of individual metabolites. However, it is a challenging problem, because of the strongly overlapping metabolites peaks, the presence of a broad background (baseline) which overlaps the metabolites peaks, and the low signal to noise ratio.In this thesis, we have proposed two new MRS quantification methods in the frequency domain. The proposed methods achieved the accurate estimations of the spectral peaks of interest by finding their sparse representations with respect to a dictionary constructed based on their mathematical models and some a priori knowledge about these model parameters.Simulation experiments show the superiority of the proposed methods for MRS quantifications, compared with other methods. Moreover, the quantifications of in vivo brain MR spectra from tumor patients in different stages of progression, as well as in vivo prostate MR spectra, demonstrate the effectiveness of the proposed methods.Another research in this thesis is the fusion of information about MRS spectra and MRI(magnetic resonance imaging) images. MRS spectra provide biochemical information about human tissues while MRI images provide anatomical information. Some clinical researches inthe literature have shown that the combination of the information of MRS spectra and MRI images can ameliorate significantly the detection of prostate tumors. In this context, we proposed a technique using fuzzy information fusion of MRS data and MRI data for the automatic localization of the cancerous tissues of the prostate. As a preliminary research, we have shown the encouraging results obtained with the proposed technique.

Cette thèse s'inscrit dans un cadre de vidéo-surveillance, et s'intéresse plus précisément à la détection robustesd'objets mobiles dans une séquence d'images. Une bonne détection d'objets mobiles est un prérequis indispensableà tout traitement appliqué à ces objets dans de nombreuses applications telles que le suivi de voitures ou depersonnes, le comptage des passagers de transports en commun, la détection de situations dangereuses dans desenvironnements spécifiques (passages à niveau, passages piéton, carrefours, etc.), ou encore le contrôle devéhicules autonomes. Un très grand nombre de ces applications utilise un système de vision par ordinateur. Lafiabilité de ces systèmes demande une robustesse importante face à des conditions parfois difficiles souventcausées par les conditions d'illumination (jour/nuit, ombres portées), les conditions météorologiques (pluie, vent,neige) ainsi que la topologie même de la scène observée (occultations). Les travaux présentés dans cette thèsevisent à améliorer la qualité de détection d'objets mobiles en milieu intérieur ou extérieur, et à tout moment de lajournée.Pour ce faire, nous avons proposé trois stratégies combinables :i) l'utilisation d'invariants colorimétriques et/ou d'espaces de représentation couleur présentant des propriétésinvariantes ;ii) l'utilisation d'une caméra stéréoscopique et d'une caméra active Microsoft Kinect en plus de la caméra couleurafin de reconstruire l'environnement 3D partiel de la scène, et de fournir une dimension supplémentaire, à savoirune information de profondeur, à l'algorithme de détection d'objets mobiles pour la caractérisation des pixels ;iii) la proposition d'un nouvel algorithme de fusion basé sur la logique floue permettant de combiner les informationsde couleur et de profondeur tout en accordant une certaine marge d'incertitude quant à l'appartenance du pixel aufond ou à un objet mobile. / This PhD thesis falls within the scope of video-surveillance, and more precisely focuses on the detection of movingobjects in image sequences. In many applications, good detection of moving objects is an indispensable prerequisiteto any treatment applied to these objects such as people or cars tracking, passengers counting, detection ofdangerous situations in specific environments (level crossings, pedestrian crossings, intersections, etc.), or controlof autonomous vehicles. The reliability of computer vision based systems require robustness against difficultconditions often caused by lighting conditions (day/night, shadows), weather conditions (rain, wind, snow...) and thetopology of the observed scene (occultation...).Works detailed in this PhD thesis aim at reducing the impact of illumination conditions by improving the quality of thedetection of mobile objects in indoor or outdoor environments and at any time of the day. Thus, we propose threestrategies working as a combination to improve the detection of moving objects:i) using colorimetric invariants and/or color spaces that provide invariant properties ;ii) using passive stereoscopic camera (in outdoor environments) and Microsoft Kinect active camera (in outdoorenvironments) in order to partially reconstruct the 3D environment, providing an additional dimension (a depthinformation) to the background/foreground subtraction algorithm ;iii) a new fusion algorithm based on fuzzy logic in order to combine color and depth information with a certain level ofuncertainty for the pixels classification.

La reconnaissance automatique de cibles non coopératives est d’une grande importance dans divers domaines. C’est le cas pour les applications en environnement incertain aérien et maritime. Il s’avère donc nécessaire d’introduire des méthodes originales pour le traitement et l’identification des cibles radar. C’est dans ce contexte que s’inscrit notre travail. La méthodologie proposée est fondée sur le processus d’extraction de connaissance à partir de données (ECD) pour l’élaboration d’une chaine complète de reconnaissance à partir des images radar en essayant d’optimiser chaque étape de cette chaine de traitement. Les expérimentations réalisées pour constituer une base de données d’images ISAR ont été effectuées dans la chambre anéchoïque de l’ENSTA de Bretagne. Ce dispositif de mesures utilisé a l’avantage de disposer d’une maîtrise de la qualité des données représentants les entrées dans le processus de reconnaissance (ECD). Nous avons ainsi étudié les étapes composites de ce processus de l’acquisition jusqu’à l’interprétation et l’évaluation de résultats de reconnaissance. En particulier, nous nous sommes concentrés sur l’étape centrale dédiée à la fouille de données considérée comme le cœur du processus développé. Cette étape est composée de deux phases principales : une porte sur la classification et l’autre sur la fusion des résultats des classifieurs, cette dernière est nommée fusion décisionnelle. Dans ce cadre, nous avons montré que cette dernière phase joue un rôle important dans l’amélioration des résultats pour la prise de décision tout en prenant en compte les imperfections liées aux données radar, notamment l’incertitude et l’imprécision. Les résultats obtenus en utilisant d’une part les différentes techniques de classification (kppv, SVM et PMC), et d’autre part celles de de fusion décisionnelle (Bayes, vote, théorie de croyance, fusion floue) font l’objet d’une étude analytique et comparative en termes de performances. / The automatic recognition of non-cooperative targets is very important in various fields. This is the case for applications in aviation and maritime uncertain environment. Therefore, it’s necessary to introduce innovative methods for radar targets treatment and identification.The proposed methodology is based on the Knowledge Discovery from Data process (KDD) for a complete chain development of radar images recognition by trying to optimize every step of the processing chain.The experimental system used is based on an ISAR image acquisition system in the anechoic chamber of ENSTA Bretagne. This system has allowed controlling the quality of the entries in the recognition process (KDD). We studied the stages of the composite system from acquisition to interpretation and evaluation of results. We focused on the center stage; data mining considered as the heart of the system. This step is composed of two main phases: classification and the results of classifiers combination called decisional fusion. We have shown that this last phase improves results for decision making by taking into account the imperfections related to radar data, including uncertainty and imprecision.The results across different classification techniques as a first step (kNN, SVM and MCP) and decision fusion in a second time (Bayes, majority vote, belief theory, fuzzy fusion) are subject of an analytical and comparative study in terms of performance.