Skip to Main content Skip to Navigation
Reports

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.
Document type :
Reports
Complete list of metadata

Cited literature [2 references]  Display  Hide  Download

https://hal.inria.fr/inria-00073781
Contributor : Rapport de Recherche Inria <>
Submitted on : Wednesday, May 24, 2006 - 1:44:51 PM
Last modification on : Saturday, January 27, 2018 - 1:31:31 AM
Long-term archiving on: : Sunday, April 4, 2010 - 10:07:14 PM

Identifiers

  • 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⟩

Share

Metrics

Record views

172

Files downloads

378