3 - Estimation des paramètres dans les chaînes de Markov cachées et segmentation d'images

Show full item record

Files in this item

PDF 003.PDF TEXTE.pdf 2.786Mb

Pour citer ce document :
URI: http://hdl.handle.net/2042/1921
Title: 3 - Estimation des paramètres dans les chaînes de Markov cachées et segmentation d'images
Author: BENMILOUD (B.); PIECZYNSKI (W.)
Abstract: Notre étude traite de l'estimation des paramètres dans les chaînes de Markov cachées et de la segmentation statistique non supervisée d'images. Nous proposons deux algorithmes originaux d'estimation obtenus à partir des méthodes Iterative Conditional Estimation (ICE) et Stochastic Expectation Maximisation (SEM), notés MICE et MSEM respectivement, et montrons leur compétitivité vis-à-vis de l'algorithme Expectation Maximisation (EM) dans différents cas d'homogénéité et de bruitage des chaînes. L'étude du comportement des trois algorithmes de restauration non supervisée des chaînes obtenus par l'adjonction à la méthode Mode de la Marginale a Posteriori (MPM) des algorithmes EM, MICE, MSEM respectivement est ensuite proposée. La transformation des processus bidimentionnels en processus mono-dimentionnels par le parcours de Peano rend possible l'application de ces algorithmes au problème de la segmentation statistique non supervisée d'images. On obtient ainsi des méthodes plus rapides que celles utilisant des modélisations par champs de Markov cachés et nous montrons que la perte de l'efficacité est, en général, acceptable. La souplesse de notre modélisation permet par ailleurs la conception de nombreux algorithmes de segmentation statistique non supervisée spatio-temporelle d'images. Nous en proposons trois et présentons les résultats de leur application à la segmentation d'une séquence d'images réelles.
Description: Our study deals with the parameter estimation problem of Hidden Marko v Chain models and with unsupervised Bayesian image segmentation . We propos e two new estimation algorithms obtained from Iterative Conditional Estimation (ICE) and Stochastic Estimation Maximisation (SEM), denoted by MICE and MSEM respectively, and show their competitiveness with respect to the Estimatio n Maximisation (EM) algorithm in different situations of chain homogeneity an d noise . We then study three unsupervised chain restauration algorithms, obtained by adding EM, MICE and MSEM respectively to the Maximum Posterior Mod e (MPM) restauration method. The transformation of bi-dimentional process to mono-dimentional ones using Peano curves makes possible the application of these three methods to the problem of unsupervised statistical image segmentation . Doing so, we obtain faster methods than those obtained by models using hidde n Markov random fields and we show that the loss of effectiveness, due to the poore r adequacy of the model, is acceptable in general. On the other hand, the flexibilit y of our modeling allows the conception of numerous unsupervised spatio-tempora l segmentation methods . We propose three of them and present results showing thei r application to the segmentation of a sequence of real images .
Subject: Traitement image; Image numérique; Estimation paramètre; Chaîne Markov; Segmentation; Méthode itérative; Statistique; Résultat expérimental
Publisher: GRETSI, Saint Martin d'Hères, France
Date: 1995

This item appears in the following Collection(s)

Show full item record





Advanced Search