Dans cet article, nous développons un modèle d'image qui fait appel aux champs aléatoires markoviens de Pickard dans le but de modéliser des notions contextuelles aussi vagues et imprécises que « l'uniformité d'une région » ou « la continuité du bord d'un objet ». Nous décrivons une méthode d'estimation par maximum de vraisemblance a posteriori obtenue par une généralisation simple d'une méthode largement utilisée dans le contexte unidimensionel de la reconnaissance de la parole . Nous développons deux méthodes d'estimation non supervisée des paramètres du modèle et nous montrons au moyen de plusieurs exemples que notre technique permet de traiter avec succès des problèmes de restauration et de segmentation d'images digitales à niveaux de gris ....
Dans cet article, nous développons un modèle d'image qui fait appel aux champs aléatoires markoviens de Pickard dans le but de modéliser des notions contextuelles aussi vagues et imprécises que « l'uniformité d'une région » ou « la continuité du bord d'un objet ». Nous décrivons une méthode d'estimation par maximum de vraisemblance a posteriori obtenue par une généralisation simple d'une méthode largement utilisée dans le contexte unidimensionel de la reconnaissance de la parole . Nous développons deux méthodes d'estimation non supervisée des paramètres du modèle et nous montrons au moyen de plusieurs exemples que notre technique permet de traiter avec succès des problèmes de restauration et de segmentation d'images digitales à niveaux de gris ....