3 - Détection de contours et lissage d'images par deux algorithmes, déterministes de relaxation. Mise en œuvre sur la machine à connexions CM2

Show full item record

Files in this item

PDF 003.PDF TEXTE.pdf 1.983Mb

Pour citer ce document :
URI: http://hdl.handle.net/2042/1759
Title: 3 - Détection de contours et lissage d'images par deux algorithmes, déterministes de relaxation. Mise en œuvre sur la machine à connexions CM2
Author: ZERUBIA (J.); PLOYETTE (F.)
Abstract: Récemment, de nombreux algorithmes de minimisation de fonctions non convexes ont été proposés pour résoudre des problèmes de vision bas niveau . Il existe plusieurs méthodes de relaxation . Les techniques stochastiques, telles que le recuit simulé, convergent asymptotiquement, sous certaines conditions, vers le minimum global, mais sont très coûteuses en temps de calcul . Les méthodes de relaxation déterministes sont sous-optimales, mais donnent de bons résultats et sont plus rapides que les méthodes stochastiques . Dans cet article, nous présentons la mise en oeuvre parallèle de deux algorithmes déterministes de détection de contours et de lissage d'image le GNC (« Graduated Non-Convexity ») proposé par Blake & Zisserman et le recuit par champs moyens (MFA) introduit par Geiger & Girosi et étendu aux champs de Markov composés anisotropes par Zerubia & Chellappa . Ces deux méthodes sont fondées sur le modèle de la membrane à contraintes de continuité lâches et sont séquentielles : à chaque pas est produit une image qui est utilisée au pas suivant . Pour le GNC, nous avons utilisé une méthode de minimisation de l'énergie appelée « successive over-relaxation (SOR) » et plus précisément une variante parallèle de cette technique. En ce qui concerne l'algorithme MFA, nous avons utilisé une méthode de descente de gradient conjugué à pas optimal .
Description: Recently, a lot of algorithms minimizing a non-convex energy function have been proposed to salve low level vision problems . Different kinds of relaxation methods are available . The stochastic techniques, such as simulated annealing, asymptotically converge to the global minimum but require a high computational cost . Deterministic relaxation methods which are sub-optimal, give good results and are faster than the stochastic ones . In this palier, we focus on the parallel implementation of two deterministic algorithms for edge détection and image smoothing : the graduated nonconvexity (GNC) originally proposed by Blake & Zisserman and the mean field annealing (MFA) introduced by Geiger & Girosi and extended to anisotropie compound Gauss-Markov random fields by Zerubia & Chellappa . Both methods are based on a weak-membrane model and both algorithms are inherently serial : each step produces a pixel map which is taken as an input for the next step . For the GNC, we implement a checkerboard version of the successive over-relaxation (SOR) method to minimize the energy . For the MFA, we use an optimal step conjugale gradient descent .
Subject: Traitement signal; Traitement image; Algorithme; Contour; Lissage; Parallélisme données; Machine connexions
Publisher: GRETSI, Saint Martin d'Hères, France
Date: 1991

This item appears in the following Collection(s)

Show full item record





Advanced Search