Nous présentons une solution originale au problème de la reconnaissance et du recalage d'une courbe gauche discrète. La spécificité du problème est la nécessité de conserver une faible complexité algorithmique en présence d'un très grand nombre de modèles, d'être robuste au bruit et aux occultations partielles. Notre approche est une continuation logique des travaux de [27, 28] fondés sur un lissage des points par une courbe régulière puis par une reconnaissance à l'aide d'une table d'indexation mais présente deux innovations importantes: . pour une détermination plus fiable du modèle et de ses dérivées, les points discrets sont lissés par des splines en utilisant un critère d'erreur mixte et une distribution non uniforme de nœuds fondée sur la courbure locale et une régularisation exploitant la connaissance de la normale à la surface sur laquelle la courbe est inscrite et minimisant explicitement la variation de la courbure......

L'utilisation d'un zoom en vision monoculaire, en vue de la reconstruction tridimensionnelle d'un univers observé, nous paraît une idée intéressante. En effet les propriétés optiques d'un objectif à focale variable permettent de déterminer, facilement et avec précision, les coordonnées de l'intersection de l'axe optique et du plan image, mais également de concevoir une reconstruction par triangulation. Dans cet article, nous montrons que l'approximation de cet objectif par le modèle sténopé nécessite de ne plus considérer la distance entre l'objet et le plan image comme un paramètre fixe. Afin d'appréhender plus globalement les phénomènes optiques mis en jeu par la variation de distance focale, il est alors nécessaire de recourir au modèle optique épais...

Nous montrons dans cet article la relation profonde entre certains modèles d'énergie provenant de la Physique Statistique utilisés et les modèles utilisés en champ de Markov pour l'étiquetage d'images. Nous présentons comme application une méthode markovienne de relaxation et d'amélioration d'images préclassifiées. On définit pour cela une fonction énergie ne dépendant que des labels et de leur valeur initiale, la connaissance a priori sur l'image provenant de la matrice de confusion déduite des échantillons de référence utilisés pour la classification initiale. La fonction à minimiser inclut divers termes assurant la régularité spatiale des labels, la croissance ou la disparition de certaines classes...