Segmentation Dimages Multispectrales Basee Sur La Fusion Dinformations

Author : Chaza Chahine
Publisher :
ISBN 13 :
Total Pages : 0 pages
Book Rating : 4.:/5 (116 download)

DOWNLOAD NOW!

Download or read book Fusion d'informations par la théorie de l'évidence pour la segmentation d'images written by Chaza Chahine and published by . This book was released on 2016 with total page 0 pages. Available in PDF, EPUB and Kindle. Book excerpt: La fusion d'informations a été largement étudiée dans le domaine de l'intelligence artificielle. Une information est en général considérée comme imparfaite. Par conséquent, la combinaison de plusieurs sources d'informations (éventuellement hétérogènes) peut conduire à une information plus globale et complète. Dans le domaine de la fusion on distingue généralement les approches probabilistes et non probabilistes dont fait partie la théorie de l'évidence, développée dans les années 70. Cette méthode permet de représenter à la fois, l'incertitude et l'imprécision de l'information, par l'attribution de fonctions de masses qui s'appliquent non pas à une seule hypothèse (ce qui est le cas le plus courant pour les méthodes probabilistes) mais à un ensemble d'hypothèses. Les travaux présentés dans cette thèse concernent la fusion d'informations pour la segmentation d'images.Pour développer cette méthode nous sommes partis de l'algorithme de la « Ligne de Partage des Eaux » (LPE) qui est un des plus utilisés en détection de contours. Intuitivement le principe de la LPE est de considérer l'image comme un relief topographique où la hauteur d'un point correspond à son niveau de gris. On suppose alors que ce relief se remplit d'eau par des sources placées au niveau des minima locaux de l'image, formant ainsi des bassins versants. Les LPE sont alors les barrages construits pour empêcher les eaux provenant de différents bassins de se mélanger. Un problème de cette méthode de détection de contours est que la LPE directement appliquée sur l'image engendre une sur-segmentation, car chaque minimum local engendre une région. Meyer et Beucher ont proposé de résoudre cette question en spécifiant un ensemble de marqueurs qui seront les seules sources d'inondation du relief. L'extraction automatique des marqueurs à partir des images ne conduit pas toujours à un résultat satisfaisant, en particulier dans le cas d'images complexes. Plusieurs méthodes ont été proposées pour déterminer automatiquement ces marqueurs.Nous nous sommes en particulier intéressés à l'approche stochastique d'Angulo et Jeulin qui estiment une fonction de densité de probabilité (fdp) d'un contour (LPE) après M simulations de la segmentation LPE classique. N marqueurs sont choisis aléatoirement pour chaque réalisation. Par conséquent, une valeur de fdp élevée est attribuée aux points de contours correspondant aux fortes réalisations. Mais la décision d'appartenance d'un point à la « classe contour » reste dépendante d'une valeur de seuil. Un résultat unique ne peut donc être obtenu.Pour augmenter la robustesse de cette méthode et l'unicité de sa réponse, nous proposons de combiner des informations grâce à la théorie de l'évidence.La LPE se calcule généralement à partir de l'image gradient, dérivée du premier ordre, qui donne une information globale sur les contours dans l'image. Alors que la matrice Hessienne, matrice des dérivées d'ordre secondaire, donne une information plus locale sur les contours. Notre objectif est donc de combiner ces deux informations de nature complémentaire en utilisant la théorie de l'évidence. Les différentes versions de la fusion sont testées sur des images réelles de la base de données Berkeley. Les résultats sont comparés avec cinq segmentations manuelles fournies, en tant que vérités terrain, avec cette base de données. La qualité des segmentations obtenues par nos méthodes sont fondées sur différentes mesures: l'uniformité, la précision, l'exactitude, la spécificité, la sensibilité ainsi que la distance métrique de Hausdorff.