La Segmentation Bayésienne Non Supervisée D'images

Résumé: La segmentation est une étape cruciale au cœur de tous les systèmes de vision par ordinateur. Elle a pour objectif de rassembler les pixels entre eux selon des critères prédéfinis formant ainsi des régions. La segmentation d’images couleur est un thème de recherche qui connaît une grande ascen sion ces dernières décennies ; il existe de nombreuses approches proposées à cet effet. Dans cette thèse nous nous intéressons aux méthodes de segmentation d’images par clustering et plus particulièrement celles basées sur le clus tering probabiliste. Nous développons en premier lieu une approche de segmentation d’images couleur fondée sur un paradigme Bayésien couplé à une modélisation non paramétrique des densités. En plus d’exploiter la robustesse de la modélisation non paramétrique ; cette approche prend en considération l’information spatiale des pixels de l’image. Nous abordons par la suite le problème d’initialisation et de complexité de calcul où nous proposons une nouvelle modélisation qui contourne le problème d’initialisation tout en réduisant, considérablement, le temps de traitement. Enfin, nous développons une approche probabiliste non super visée pour la segmentation d’images couleur. L’originalité de cette dernière par rapport aux deux premières approches proposées est qu’elle possède la capacité d’estimer le nombre de régions automatiquement en adoptant une stratégie incrémentale. Afin d’évaluer l’ensemble des approches proposées, nous présentons des résultats d’expérimentations sur des images couleurs de la base d’images de Berkeley.

Publié dans la revue: