Segmentation D’images Par Modèles Statistiques De Forme Et D’apparence : Problématique Et Contributions

Résumé: La complexité présente dans les images rend l’extraction automatique des régions d’intérêts difficile et non fiable. Une solution pour pallier à ces difficultés et améliorer les résultats, consiste à intégrer dans le processus de segmentation des connaissances a priori sur les primitives à extraire. Les modèles statistiques de forme et d’apparence représentent une classe de modèles déformables qui intègre dans le processus de segmentation, des connaissances a priori et les modes de déformation des structures visées. Les résultats obtenus dans plusieurs applications montrent l’efficacité de cette méthode à extraire des structures complexes. Le thème de recherche abordé dans cette thèse concerne la segmentation d’images par modèles statistiques de forme et d’apparence. Le formalisme de ces modèles est un procédé qui permet d’une part de modéliser la forme et la texture d’un objet dans une image utilisant une base d’images, dite base d’apprentissage, et d’autre part de localiser les frontières d’un objet. En explorant l’état de l’art abondant sur les modèles statistiques de forme et d’apparence, leurs applications et leurs implémentations, il s’avère que de tels modèles englobe toute la problématique posée dans le domaine de la segmentation d’images et il y’ a lieu de souligner la nécessité de préparer et de gérer toute une base de connaissances lors du processus d’apprentissage servant à guider ensuite l’opération de segmentation. Il nous semble important et fondamental de retracer le schéma représentatif de tels modèles où la base de connaissances doit être placée au centre d’un nouveau schéma dédié à représenter les modèles statistiques de forme et d’apparence. Un tel schéma devant bénéficier des avantages des nouvelles architectures dédiées au domaine du traitement d’images.

Publié dans la revue: