La Segmentation Bayésienne Non Supervisée d'Images
No Thumbnail Available
Date
2015
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
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.