Nous présentons dans cet article une idée de combinaison de modèles à visions locale et globale. Séparément, ces deux types de modèles ont prouvé leurs capacités, et leur combinaison a été exploitée en utilisant les modèles globaux plutôt localement, et les modèles locaux pour synthétiser leurs résultats. Nous proposons une démarche inverse en utilisant les modèles locaux pour normaliser efficacement les images de manière non linéaire, et les modèles globaux pour assurer une cohérence sur l'ensemble de la forme. Les modèles locaux sont de type markovien, et les modèles globaux sont des réseaux de neurones. Le gain de la normalisation markovienne est de l'ordre de 3% par rapport à une normalisation linéaire classique (84.2%). Le gain apporté par la combinaison est de l'ordre de 2% par rapport à l'approche markovienne seule (85.3%)