Segmentation D’images Par Classification Floue

Résumé: Le travail présenté dans ce mémoire concerne le domaine du traitement d’images et plus précisément celui de la segmentation d’images texturées par classification floue basée sur l’algorithme Fuzzy C-Means et ses variantes. Nous avons étudié dans ce mémoire un nombre exhaustif de ces variantes, qui ont été proposées dans la littérature pour remédier au problème de la sensibilité au bruit de l’algorithme FCM classique. Celles-ci tentent soit à changer la fonctionnelle à minimiser, soit à définir une autre métrique ou soit encore à modifier l’influence du facteur flou m. Parmi ces variantes, nous avons implémenté huit d’entre elles à savoir les algorithmes Krinidis et Chatzis, Kouhi et al, Yang et al, Zhao et Jiao, Ji et al, Keller et Krishnapuram (PCM), Wu et al et enfin Tang et al. Certaines de ces méthodes ont été conçues dans le cade général, c'est-à-dire pour classer des données multidimensionnelles et d’autres ont été développées spécifiquement pour la segmentation d’images couleur ou en niveaux de gris. L’application de ces méthodes dans le cadre de la segmentation d’images texturées a montré que certaines méthodes ont amélioré la qualité de la segmentation par rapport à celle obtenue par FCM, cependant d’autres ont été moins efficaces. Sur tous les tests effectués, la méthodes de Zhao et Jiao demeure la plus performante alors que celle de Ji et al ainsi que celle de Kouhi et al donnent de bons résultats pour certaines images et des résultats médiocres pour d’autres. D’un autre côté, les méthodes de Zhao et Jiao, Ji et al, Wu et al et celle de Yang et al se sont avérées les moins sensibles au bruit. Si ces méthodes ont montré leur efficacité pour des applications auxquelles, elles ont été conçues, c'est-à-dire en segmentation d’images en niveaux de gris ou en couleur, elles restent cependant moins efficaces dans la segmentation d’images texturées car elles ont tendance à confondre texture et bruit.

Publié dans la revue: