Rossant, Florence (2006) Reconnaissance de partitions musicales par modélisation floue des informations extraites et des règles de notation. PhD thesis Signal et Images, ENST.
Full text available as:
|
|
Abstract
Nous présentons dans cette thèse une méthode complète de reconnaissance de partitions musicales imprimées, dans le cas monodique. Le système procède en deux phases distinctes :
- La segmentation et l'analyse des symboles (essentiellement par corrélation), conçues pour surmonter les difficultés liées aux interconnexions et aux défauts d'impression, aboutissant à des hypothèses de reconnaissance.
- L'interprétation de haut niveau, fondée sur une modélisation floue des informations extraites de l'image et des règles de notation, menant à la décision.
Dans cette approche, la décision est reportée tant que le contexte n'est pas entièrement connu. Toutes les configurations d'hypothèses sont successivement évaluées, et la plus cohérente est retenue, par optimisation de tous les critères. Le formalisme utilisé, fondé sur la théorie des ensembles flous et des possibilités, permet de prendre en compte les différentes sources d'imprécision et d'incertitude, ainsi que la souplesse et la flexibilité de l'écriture musicale. Afin de gagner en fiabilité, nous proposons également des méthodes d'indication automatique des erreurs potentielles de reconnaissance, ainsi qu'une procédure d'apprentissage, optimisant les paramètres du système pour le traitement d'une partition particulière. Les performances obtenues sur une large base de données ont permis de montrer l'intérêt de la méthode proposée.
| Item Type: | PhD Thesis (PhD) |
|---|---|
| Thesis Supervisor: | Bloch, Isabelle |
| Date: | December 2006 |
| Board of examiners: | Tombre, Karl and Camillerapp, Jean and Lopez-Krahe, Jaime and Amara, Amara and Ciazynski, Michel |
| Ecole Doctorale: | ED 130 INFORMATIQUE, TELECOMMUNICATIONS ET ELECTRONIQUE (EDITE) |
| Discipline: | Signal et Images |
| Collection (Fonds): | ENST ENST |
| Institution: | ENST |
| Subjects: | 2. Information and Communication Sciences and Technologies |
| Uncontrolled Keywords: | OMR Reconnaissance Optique de la Musique Modélisation floue Corrélation Template matching Analyse structurelle Fusion Apprentissage Segmentation |
References
F. Rossant, Une méthode globale pour la reconnaissance de partitions musicales, Gretsi 2001, Vol. 2, pp. 95-98, Toulouse, France, 2001
F. Rossant, I. Bloch, Reconnaissance de partitions musicales par modélisation floue et intégration de règles musicales, Gretsi 2001, Vol. 2, pp. 99-102, Toulouse, France, 2001
F. Rossant, A global method for music symbol recognition in typeset music sheets, Pattern Recognition Letters, Vol. 23/10, pp. 1129-1141, 2002
F.Rossant, I. Bloch, Modélisation floue pour la reconnaissance de partitions musicales, Logique Floue et ses Applications (LFA), pp. 253-260, Montpellier, France, 2003
F.Rossant, I. Bloch, A fuzzy model for optical recognition of musical scores, Fuzzy Sets and Systems, Vol. 14, pp. 165-201, 2004
F.Rossant, I. Bloch, Amélioration de la reconnaissance de partitions musicales par modélisation floue et indication des erreurs possibles, Gretsi 2005, pp. 937-940, Louvain-la Neuve, Belgique, 2005
F.Rossant, I. Bloch, Optical music recognition based on a fuzzy modeling of symbol classes and music writing rules, International Conference on Image Processing (ICIP), Vol. 2, pp. 538-541, Genova, Italy, 2005
F. Rossant, I. Bloch, Robust and adaptive OMR system including fuzzy modeling, fusion of musical rules, and possible error detection, EURASIP Journal of Applied Processing, accepté en Août 2006
Table of content
Introduction - 9
Chapitre 1
Principales méthodes de lecture automatique de partitions musicales - 13
1.1. Quelques rappels sur la notation musicale classique - 13
1.2. Difficultés propres à l'écriture et à l'édition musicale - 19
1.3. Méthodes existantes - 22
1.4. Conclusion - 47
Chapitre 2
Structure du système de reconnaissance proposé - 51
2.1. Type de partitions traitées et objectifs - 51
2.2. Acquisition et format des images - 53
2.3. Présentation générale du système - 54
2.4. Discussion - 55
Chapitre 3
Prétraitements et segmentation - 59
3.1. Prétraitements - 59
3.2. Segmentation - 76
Chapitre 4
Analyse individuelle des symboles - 95
4.1. Mise en correspondance avec des modèles - 95
4.2. Analyse des symboles caractérisés par un segment vertical - 98
4.3. Analyse des autres symboles - 112
4.4. Choix du modèle de classe en fonction de la partition - 119
4.5. Exemples et conclusion - 119
Chapitre 5
Modélisation floue - 123
5.1. Objectifs - 123
5.2. Modélisation des classes de symboles - 127
5.3. Cohérence graphique - 129
5.4. Cohérence syntaxique - 138
5.5. Fusion des informations et décision - 145
5.6. Exemples - 149
5.7. Conclusion - 161
Chapitre 6
Améliorations de la robustesse - 163
6.1. Détection automatique d'erreurs - 163
6.2. Adaptation à la partition analysée - 170
6.3. Conclusion - 176
Chapitre 7
Résultats - 177
7.1. Conditions d'expérimentation et données en sortie du système - 177
7.2. Résultats sur l'analyse individuelle des symboles - 179
7.3. Taux de reconnaissance - 184
7.4. Temps de calcul - 191
7.5. Comparaison avec un logiciel du commerce - 192
7.6. Résultats sur l'indication des erreurs potentielles - 194
7.7. Evaluation de la méthode d'apprentissage supervisé - 195
7.8. Conclusion - 197
Chapitre 8
Conclusion - 199
8.1. Méthode proposée et caractéristiques - 199
8.2. Compléments - 201
8.3. Perspectives - 203
8.4. Extension à la musique polyphonique - 206
Bibliographie - 209
Publications - 215
Annexe - 217
| ID Code: | 2037 |
|---|---|
| Deposited By: | Florence ROSSANT |
| Deposited On: | 29 January 2007 |
Repository Staff Only: edit this item