Quelques améliorations à la segmentation d'images bayesienne

Résumé : Nous détaillons dans ce rapport les différentes étapes de la segmentation Bayesienne~: modélisation, estimation, optimisation. La modélisation est appréhendée sous l'angle des Champs de Markov. Nous montrons les limites du modèle de Potts couramment employé et proposons un nouveau modèle (le chien-modèle) permettant de contrôler la longueur des contours et des lignes dans l'image segmentée. Nous préservons ainsi les structures fines présentes dans les données. Nous abordons ensuite le problème de l'estimation du nombre de classes et des paramètres qui leurs sont associés. Nous proposons une méthode utilisant l'hypothèse contextuelle inhérente aux images pour discriminer les différentes classes dans le cas de distributions fortement mélangées. Pour finir, nous comparons les critères MPM et MAP conjointement aux algorithmes qui permettent de les optimiser. Les différents résultats sont obtenus sur des images synthétiques et des images SPOT.
Type de document :
Rapport
RR-2916, INRIA. 1996
Liste complète des métadonnées

Littérature citée [2 références]  Voir  Masquer  Télécharger

https://hal.inria.fr/inria-00073781
Contributeur : Rapport de Recherche Inria <>
Soumis le : mercredi 24 mai 2006 - 13:44:51
Dernière modification le : samedi 27 janvier 2018 - 01:31:31
Document(s) archivé(s) le : dimanche 4 avril 2010 - 22:07:14

Fichiers

Identifiants

  • HAL Id : inria-00073781, version 1

Collections

Citation

Xavier Descombes, Robin Morris, Josiane Zerubia. Quelques améliorations à la segmentation d'images bayesienne. RR-2916, INRIA. 1996. 〈inria-00073781〉

Partager

Métriques

Consultations de la notice

138

Téléchargements de fichiers

293