Résumé:
La recherche d’images sur le web s’effectue à travers des moteurs de recherche d’images qui permettent de retrouver rapidement et efficacement des images parmi une grande masse d’informations disponible sur le Web.
Le problème qui se pose dans la recherche d’images est la difficulté d’associer une sémantique à une image, car les images sont nommées d’une manière générique (img001.jpg) et, généralement, les moteurs de recherche indexent le texte associé à l’image dans les pages Web. Ce texte ne correspond pas à l’image.
Afin d’améliorer la recherche des images sur le Web, nous effectuons l’indexation textuelle sémantique des images appelée aussi annotation qui permet d’attribuer des mots clés à l’image correspondant au sens véhiculé. Afin d’obtenir une annotation efficace, une stratégie consiste à corréler les informations textuelles et visuelles.
Dans ce travail, nous proposons un système d’indexation textuelle sémantique (ou auto-annotation) des images qui utilise un corpus pour l’apprentissage à travers un nouvel algorithme, AnnotB-LSA. Cet algorithme permet d’annoter les blobs de segments visuels d’images similaires afin d’annoter les images elles mêmes.
L’algorithme intègre le modèle d’analyse sémantique latente LSA afin d’extraire les relations sémantiques latentes entre les mots clé et minimiser l’ambiguïté entre les annotations de corpus. Une nouvelle image pourra être annotée par affectation aux blobs annotés par l’algorithme.
Notre système est validé par un benchmark fourni par Corel. En comparant les annotations d’images obtenues par le système avec celles de Corel, nous avons obtenu des résultats encourageants.
