4 - Modélisation et mise en correspondance avec la pyramide neuractive

Show simple item record

dc.contributor.author REISSMANN (P.-J.) en_US
dc.contributor.author CLARYSSE (P.) en_US
dc.contributor.author MAGNIN (I. E.) en_US
dc.date.accessioned 2005-07-22T09:24:45Z
dc.date.available 2005-07-22T09:24:45Z
dc.date.issued 1997 en_US
dc.identifier.citation Traitement du Signal [Trait. Signal], 1997, Vol. 14, N° 4, p. 395-403 en_US
dc.identifier.issn 0765-0019 en_US
dc.identifier.uri http://hdl.handle.net/2042/2010
dc.description This paper introduces the neuractive pyramids to model objects under elastic deformations . One pyramid is built on each frame of the image sequence . Each level of the pyramid is a regular graph that is recursively built on a low-pass version of the original picture . Cells of this graph deform to model the local information of the picture . Deformations are obtained by the minimization of an energy function computed both on the gradient of the picture and the graph structure . Each cell contains a vector of statistical moments computed on its domain and its neighborood . Matching pyramids defines a vector Field of local elastic transformations . The matching operator is based on a self-organizing map, introduced by Kohonen . Softness and multiresolution aspects of the pyramids allow accurate and robust results . An application to the matching of 2D cardiac MRI scans shows the interest of the method for deformable objects .
dc.description.abstract Cet article présente les pyramides neuractives pour la modélisation des objets subissant des déformations élastiques. Une pyramide est construite pour chaque image de la séquence. Chaque niveau de la pyramide est un graphe régulier construit récursivement sur l'image de départ convoluée par un filtre passe-bas. Les cellules de ce graphe s'adaptent au contenu local des images. L'adaptation du graphe est obtenue en minimisant une fonction énergétique basée sur le gradient de l'image et la déformation des cellules. Chaque cellule reçoit un vecteur de moments statistiques calculé sur sa zone d'intérêt et celles de ses voisines. La mise en correspondance des pyramides permet d'accéder au champ de vecteurs des transformations élastiques locales. L'algorithme de mise en correspondance est fondé sur une approche neuronale auto-organisatrice. La souplesse et l'aspect multirésolution des structures permettent d'obtenir des résultats robustes et précis. L'application à des images cardiaques obtenues par résonance magnétique (IRM) 2D montre l'intérêt de la méthode pour la modélisation d'objets complexes. en_US
dc.format.extent 52628 bytes
dc.format.mimetype application/pdf
dc.language.iso en_US
dc.publisher GRETSI, Saint Martin d'Hères, France en_US
dc.relation.ispartofseries Traitement du Signal
dc.rights http://irevues.inist.fr/utilisation en_US
dc.source Traitement du Signal [Trait. Signal], ISSN 0765-0019, 1997, Vol. 14, N° 4, p. 395-403 en_US
dc.subject.cnrs Analyse image en_US
dc.subject.cnrs Analyse multirésolution en_US
dc.subject.cnrs Autoorganisation en_US
dc.subject.cnrs Modélisation en_US
dc.subject.cnrs Réseau neuronal en_US
dc.subject.cnrs Segmentation en_US
dc.subject.cnrs Déformation élastique en_US
dc.title 4 - Modélisation et mise en correspondance avec la pyramide neuractive en_US
dc.title.alternative Model computation and matching with the neuractive pyramid en_US
dc.type Article en_US
dc.contributor.affiliation CREATIS, INSA 502, 69621 Villeurbanne en_US


Files in this item

PDF 004.PDF TEXTE.pdf 1.012Mb

This item appears in the following Collection(s)

Show simple item record





Advanced Search