Recherche par similarité dans les bases de données multimédia : application à la recherche par le contenu d\u27images

L\u27émergence des données numériques multimédia ne cesse d\u27augmenter. l\u27accès, le partage, le stockage et la recherche de ces données sont devenues des besoins réels et les problématiques sont nombreuses et variées. Afin de rendre cette masse d\u27information facilement exploitable pour tout utilisateur, il est nécessaire de disposer de techniques d\u27indexation et de recherche rapides et efficaces. Mes travaux de thèse s\u27inscrivent dans le domaine des données multimédia et plus précisément des images fixes. L\u27objectif principal est de développer une méthode performante d\u27indexation et de recherche des k plus proches voisins (kppv) qui soit adaptée à la recherche d\u27image par le contenu et aux propriétés des descripteurs d\u27images (grand volume, grande dimension, hétérogénéité, etc.). il s\u27agit d\u27une part, d\u27apporter des réponses aux problèmes de passage à l\u27échelle et de la malédiction de la dimension et d\u27autre part de traiter les problèmes de mesure de similarité qui se posent, et qui sont liés à la nature des données manipulées. Notre première proposition consiste en l\u27utilisation d\u27une structure d\u27indexation multidimensionnelle basée sur l\u27approximation ou filtrage, par une amélioration de la méthode RA-Blocks. Elle repose sur un algorithme de découpage de l\u27espace de données qui améliore notablement la capacité de stockage de l\u27index ainsi que le temps de la recherche. Dans un deuxième temps, nous proposons une méthode d\u27indexation multidimensionnelle adaptée à des données hétérogènes (couleur, texture, forme). Notre méthode combine une technique non linéaire de la réduction de la dimension à une structure d\u27indexation multidimensionnelle basée sur l\u27approche approximation. Cette combinaison permet de répondre à travers, un formaliste unique, aux différents verrous que nous nous sommes fixés de lever