contributions à la segmentation des images par les modèles de markov cachés

Abstract

L'application des modèles de Markov cachés en traitement d'images, connaissait un essor considérable à partir des années quatre-vingt. Leur succès est dû à leur aptitude à produire, lorsque les divers bruits présents dans l'image considérée sont importants et lorsque les données correspondent bien au modèle utilisé, des résultats spectaculaires dépassant parfois les capacités de l'÷il humain. En segmentation d'images, la problématique traitée dans cette thèse, la plupart des images sont de grande taille, ce qui augmente le temps de calcul de paramètres et de processus estimés, et rend les méthodes classiques impraticables. Ainsi, l'objectif principal de ce travail est d'alléger cette malédiction de dimension. Ce travail est divisé en deux parties : la première comporte un ensemble d'études comparatives entre les estimateurs itératifs des paramètres du modèle chaine de Markov cachée ; entre les stratégies Bayésiennes utilisées pour estimer la con guration nale du processus caché X ; et entre les chaines de Markov cachées utilisées en segmentation d'images. Elle présente, également, des comparaisons entre les chaines de Markov cachées à processus caché stationnaire et non-stationnaire. En n, elle expose les modèles de Markov cachés oues. Nous utilisons ces approches pour segmenter des images : niveau de gris, couleurs, texturées, cérébrales IRM et oues. La deuxième partie expose quelques nouvelles méthodes algorithmiques réduisant le temps d'exécution du modèle chaine de Markov cachée à bruit indépendant. Nous exposons trois méthodes, la première est basée sur la technique "diviser pour régner", à estimation indépendante qui divise l'image en blocs de même taille, chaque bloc s'exécute indépendamment des autres blocs d'une manière séquentielle. Et la deuxième, à estimation dépendante où le traitement de chaque bloc courant dépend du bloc précédent. Ces approches sont utilisées pour segmenter des images niveau de gris et couleur de grande taille. Dans la troisième méthode, nous considérons un modèle non-stationnaire d'une chaine de Markov triplet basé sur l'estimation dépendante des paramètres. Ensuite, nous utilisons le parallélisme pour estimer simultanément les con gurations nales du processus caché X et du processus auxiliaire U. Cette approche est utile pour segmenter des images cérébrales IRM. En outre, pour l'extraction de la région d'intérêt (la tumeur), nous proposons une nouvelle technique d'extraction basée sur une hybridation entre la technique de seuillage et les opérations de morphologie mathématique. Finalement, les résultats expérimentaux obtenus sont très encourageants, nous arrivons à réduire clairement le temps d'exécution et à faire l'opération de localisation de la tumeur avec une grande précision.