Segmentation des images multi-composantes

Abstract

Cette thèse porte sur le traitement des images multi-composantes, caractérisées par le fait qu'un pixel est représenté non pas par un seul scalaire, mais par plusieurs valeurs, qui peuvent être de même nature, ou bien correspondre à des grandeurs physiques différentes. Les contributions de cette thèse sont consacrées à la segmentation vectorielle et marginale des images de télédétection et des images couleur. La première contribution concerne la stratégie de segmentation marginale où une nouvelle technique de fusion des images des étiquettes est développée puis testée. Les résultats sont comparés à ceux de la segmentation vectorielle via la fonction de Borsotti. Ils montrent que technique proposée fourni de bons résultats. Dans les deux stratégies de segmentation, les algorithmes de classification Expectation Maximization (EM), K-means, Fuzzy C-means (FCM), la carte auto-organisatrice de Kohonen (SOM) et les champs aléatoires de Markov (MRF) ont été utilisés. La seconde contribution concerne l’approche MRF où le processus étiquette est modélisé en utilisant une énergie de Gibbs. Sept formes d’énergie de Gibbs, dont deux sont nouvellement proposés, sont comparées dans le cadre d'une segmentation multi-spectrale. L'extraction de nouveaux paramètres de texture pour des images couleur texturées constitue une autre contribution de cette thèse. Cette nouvelle technique est basée sur les marches aléatoires sur graphes (random walk in graph) qui est déduite du domaine de la classification spectrale. Les résultats expérimentaux de la segmentation des images couleur texturées, synthétiques et réelles, ont montré la pertinence de ces paramètres.