Contributions À La Segmentation D’images Basées Sur La Résolution Collective Par Colonies De Fourmis Artificielles

Résumé: Le travail présenté dans cette thèse décrit une nouvelle approche pour la segmentation d’images. Cette approche s’inspire des comportements collectifs et auto-organisé des fourmis dans la nature. Elle se base sur une population de fourmis artificielles simples capables de s’auto-organiser pour faire émerger une segmentation optimale. Dans un premier temps, on s’est inspiré du comportement collectif de tri de couvain observé chez les fourmis pour développer une méthode de classification non supervisée. Les pixels de l’image sont initialement placés sur un tableau de cases représentant l’environnement des fourmis. Selon une fonction de similarité locale, les fourmis vont déplacer les pixels d’une case à une autre dans le but d’obtenir des classes homogènes et bien séparées. La méthode testée sur des images synthétiques et réelles a montré son efficacité et sa capacité à extraire un nombre correct de classes avec une partition de bonne qualité en comparaison à l’algorithme classique Kmeans. Dans un second temps, le comportement collectif de recherche de nourriture a été utilisé pour la segmentation d’images basée sur les champs de Markov. L’image est segmentée en maximisant la probabilité a posteriori (MAP) utilisant des algorithmes inspirés de la métaheuristique « Optimisation par les Colonies de Fourmis ». Une colonie de fourmis artificielles construit de nouvelles partitions selon un processus itératif et stochastique en utilisant une information heuristique et des traces de phéromones artificielles. Les nouvelles partitions sont ensuite optimisées en utilisant un algorithme de recherche local. Une étape de diversification est aussi introduite afin de diversifier la recherche. Les résultats obtenus donnent de bons résultats comparés à ceux obtenus par d’autres méthodes d’optimisation.

Publié dans la revue: