Chaînes de Markov Cachées Floues et ... - Institut Fresnel
Chaînes de Markov Cachées Floues et ... - Institut Fresnel
Chaînes de Markov Cachées Floues et ... - Institut Fresnel
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Introduction<br />
<strong>Chaînes</strong> <strong>de</strong> <strong>Markov</strong> <strong>Cachées</strong> <strong>Floues</strong><br />
<strong>et</strong><br />
Segmentation d’Images<br />
Cyril Carincotte <strong>et</strong> Stéphane Derro<strong>de</strong><br />
Équipe GSM – Groupe Signaux Multi-dimensionnels<br />
<strong>Institut</strong> <strong>Fresnel</strong> (UMR 6133) – EGIM<br />
Université Paul Cézanne d’Aix-Marseille III<br />
stephane.<strong>de</strong>rro<strong>de</strong>@fresnel.fr<br />
4 juill<strong>et</strong> 2009<br />
1/33 <strong>Chaînes</strong> <strong>de</strong> <strong>Markov</strong> cachées floues <strong>et</strong> segmentation d’images
Introduction<br />
Le ≪ bruit ≫ dans les images<br />
Bruit <strong>et</strong> flou dans les images<br />
Objectifs<br />
Plan<br />
ERS-2 (PRI) CASI-2.<br />
Classification - classes dures = {0, 1, . . . , K}.<br />
Modèles markoviens → Robuste, non supervisé.<br />
2/33 <strong>Chaînes</strong> <strong>de</strong> <strong>Markov</strong> cachées floues <strong>et</strong> segmentation d’images
Introduction<br />
Le ≪ flou ≫ dans les images<br />
Mouvement : vidéo.<br />
Bruit <strong>et</strong> flou dans les images<br />
Objectifs<br />
Plan<br />
Galaxie M51. Nuage.<br />
Dégradé : vidéo, satellitaire (bathymétrie côtière).<br />
Eff<strong>et</strong> <strong>de</strong> volume partiel : multi-spectral, MRI.<br />
Phénomène à <strong>de</strong>nsité : nuage.<br />
Classification - classes floues = [0, 1] - Exemple : fuzzy k-means.<br />
3/33 <strong>Chaînes</strong> <strong>de</strong> <strong>Markov</strong> cachées floues <strong>et</strong> segmentation d’images
Objectifs<br />
Modèle <strong>de</strong> <strong>Markov</strong> caché<br />
Mesure l’incertitu<strong>de</strong>.<br />
Introduction<br />
Estimation <strong>de</strong> classes dures.<br />
Mesure floue<br />
Mesure l’imprécision.<br />
Estimation <strong>de</strong> classes floues.<br />
Bruit <strong>et</strong> flou dans les images<br />
Objectifs<br />
Plan<br />
Mélange <strong>de</strong>s 2 approches statistique <strong>et</strong> floue<br />
Champs <strong>de</strong> <strong>Markov</strong> (2D) [2, 3] ⇛ Chaîne <strong>de</strong> <strong>Markov</strong> (1D)<br />
4/33 <strong>Chaînes</strong> <strong>de</strong> <strong>Markov</strong> cachées floues <strong>et</strong> segmentation d’images
Introduction<br />
Bruit <strong>et</strong> flou dans les images<br />
Objectifs<br />
Plan<br />
Parcours <strong>de</strong> Hilbert-Peano (P-HP) [1]<br />
⇛ Classif. ⇛<br />
⇛ Traitement du signal 1D<br />
appliqué à l’image.<br />
Image P-HP P-HP Image<br />
originale direct inverse segmentée<br />
5/33 <strong>Chaînes</strong> <strong>de</strong> <strong>Markov</strong> cachées floues <strong>et</strong> segmentation d’images
Plan <strong>de</strong> la présentation<br />
Introduction<br />
Bruit <strong>et</strong> flou dans les images<br />
Objectifs<br />
Plan<br />
1 Modèle classique <strong>de</strong>s CMC<br />
2 Modèle <strong>de</strong>s CMC floues<br />
3 Estimation <strong>de</strong>s paramètres<br />
4 Résultats <strong>de</strong> segmentation<br />
6/33 <strong>Chaînes</strong> <strong>de</strong> <strong>Markov</strong> cachées floues <strong>et</strong> segmentation d’images
Modèle classique <strong>de</strong>s CMC<br />
Modèle <strong>de</strong>s CMC floues<br />
Estimation <strong>de</strong>s paramètres<br />
Résultats <strong>de</strong> segmentation<br />
1 Modèle classique <strong>de</strong>s CMC<br />
Définition d’une chaîne <strong>de</strong> <strong>Markov</strong><br />
Principe <strong>et</strong> mise en œuvre <strong>de</strong>s CMC<br />
2 Modèle <strong>de</strong>s CMC floues<br />
Modélisation floue <strong>de</strong>s états<br />
Probabilités floues a priori<br />
3 Estimation <strong>de</strong>s paramètres<br />
Principe d’estimation par ICE<br />
Estimation <strong>de</strong>s paramètres<br />
Discrétisation <strong>de</strong> la mesure floue<br />
Synthèse du modèle<br />
Définition d’une chaîne <strong>de</strong> <strong>Markov</strong><br />
Principe <strong>et</strong> mise en œuvre <strong>de</strong>s CMC<br />
4 Résultats <strong>de</strong> segmentation<br />
Segmentation d’un nuage<br />
Segmentation d’une galaxie<br />
Détection <strong>de</strong> changements : f-HMC à 3 classes dures<br />
Segmentation d’une nappe <strong>de</strong> pétrole : f-HMC vectoriel<br />
7/33 <strong>Chaînes</strong> <strong>de</strong> <strong>Markov</strong> cachées floues <strong>et</strong> segmentation d’images
Chaîne <strong>de</strong> <strong>Markov</strong><br />
Modèle classique <strong>de</strong>s CMC<br />
Modèle <strong>de</strong>s CMC floues<br />
Estimation <strong>de</strong>s paramètres<br />
Résultats <strong>de</strong> segmentation<br />
Définition d’une chaîne <strong>de</strong> <strong>Markov</strong><br />
Principe <strong>et</strong> mise en œuvre <strong>de</strong>s CMC<br />
Soit X un processus stochastique 1-D markovien – temp <strong>et</strong> états discr<strong>et</strong>s (Ω) :<br />
P ( Xn = xn ∣ X1→n−1 = x1→n−1) = P ( Xn = xn ∣ Xn−1 = xn−1) .<br />
Hypothèse <strong>de</strong> stationnarité<br />
⇒Probabilités <strong>de</strong> transition :<br />
t
Modèle classique <strong>de</strong>s CMC<br />
Modèle <strong>de</strong>s CMC floues<br />
Estimation <strong>de</strong>s paramètres<br />
Résultats <strong>de</strong> segmentation<br />
Chaîne <strong>de</strong> <strong>Markov</strong> cachée<br />
Définition d’une chaîne <strong>de</strong> <strong>Markov</strong><br />
Principe <strong>et</strong> mise en œuvre <strong>de</strong>s CMC<br />
On cherche à estimer x à partir <strong>de</strong> la connaissance unique <strong>de</strong> y (observations) :<br />
y est vue comme une version bruitée <strong>de</strong> x ;<br />
on modélise y par un processus Y à valeurs réelles.<br />
Hypothèses classiques d’indépendance<br />
⇓<br />
9/33 <strong>Chaînes</strong> <strong>de</strong> <strong>Markov</strong> cachées floues <strong>et</strong> segmentation d’images
Décision bayésienne<br />
Modèle classique <strong>de</strong>s CMC<br />
Modèle <strong>de</strong>s CMC floues<br />
Estimation <strong>de</strong>s paramètres<br />
Résultats <strong>de</strong> segmentation<br />
Lois d’attache aux données Yn∣ Xn<br />
Loi du couple (X, Y)<br />
Définition d’une chaîne <strong>de</strong> <strong>Markov</strong><br />
Principe <strong>et</strong> mise en œuvre <strong>de</strong>s CMC<br />
P ( Yn = yn ∣ Xn = xn) = fxn(yn).<br />
P (X = x, Y = y) =
Modèle classique <strong>de</strong>s CMC<br />
Modèle <strong>de</strong>s CMC floues<br />
Estimation <strong>de</strong>s paramètres<br />
Résultats <strong>de</strong> segmentation<br />
1 Modèle classique <strong>de</strong>s CMC<br />
Définition d’une chaîne <strong>de</strong> <strong>Markov</strong><br />
Principe <strong>et</strong> mise en œuvre <strong>de</strong>s CMC<br />
2 Modèle <strong>de</strong>s CMC floues<br />
Modélisation floue <strong>de</strong>s états<br />
Probabilités floues a priori<br />
3 Estimation <strong>de</strong>s paramètres<br />
Principe d’estimation par ICE<br />
Estimation <strong>de</strong>s paramètres<br />
Discrétisation <strong>de</strong> la mesure floue<br />
Synthèse du modèle<br />
Modélisation floue <strong>de</strong>s états<br />
Probabilités floues a priori<br />
4 Résultats <strong>de</strong> segmentation<br />
Segmentation d’un nuage<br />
Segmentation d’une galaxie<br />
Détection <strong>de</strong> changements : f-HMC à 3 classes dures<br />
Segmentation d’une nappe <strong>de</strong> pétrole : f-HMC vectoriel<br />
11/33 <strong>Chaînes</strong> <strong>de</strong> <strong>Markov</strong> cachées floues <strong>et</strong> segmentation d’images
Modèle classique <strong>de</strong>s CMC<br />
Modèle <strong>de</strong>s CMC floues<br />
Estimation <strong>de</strong>s paramètres<br />
Résultats <strong>de</strong> segmentation<br />
Modélisation floue <strong>de</strong>s états<br />
Interprétation :<br />
Modélisation floue <strong>de</strong>s états<br />
Probabilités floues a priori<br />
Modèle CMC classique Xn ∈ {0, 1} (cas <strong>de</strong> 2 classes)<br />
Représentation<br />
Modèle CMC floue Xn ∈ [0, 1]<br />
⇓
Modèle classique <strong>de</strong>s CMC<br />
Modèle <strong>de</strong>s CMC floues<br />
Estimation <strong>de</strong>s paramètres<br />
Résultats <strong>de</strong> segmentation<br />
Probabilités floues a priori<br />
Définition <strong>de</strong> la distribution <strong>de</strong> Xn ∈ [0, 1]<br />
Modélisation floue <strong>de</strong>s états<br />
Probabilités floues a priori<br />
Mesure <strong>de</strong> probabilité
Modèle classique <strong>de</strong>s CMC<br />
Modèle <strong>de</strong>s CMC floues<br />
Estimation <strong>de</strong>s paramètres<br />
Résultats <strong>de</strong> segmentation<br />
1 Modèle classique <strong>de</strong>s CMC<br />
Définition d’une chaîne <strong>de</strong> <strong>Markov</strong><br />
Principe <strong>et</strong> mise en œuvre <strong>de</strong>s CMC<br />
2 Modèle <strong>de</strong>s CMC floues<br />
Modélisation floue <strong>de</strong>s états<br />
Probabilités floues a priori<br />
3 Estimation <strong>de</strong>s paramètres<br />
Principe d’estimation par ICE<br />
Estimation <strong>de</strong>s paramètres<br />
Discrétisation <strong>de</strong> la mesure floue<br />
Synthèse du modèle<br />
Principe d’estimation par ICE<br />
Estimation <strong>de</strong>s paramètres<br />
Discrétisation <strong>de</strong> la mesure floue<br />
Synthèse du modèle<br />
4 Résultats <strong>de</strong> segmentation<br />
Segmentation d’un nuage<br />
Segmentation d’une galaxie<br />
Détection <strong>de</strong> changements : f-HMC à 3 classes dures<br />
Segmentation d’une nappe <strong>de</strong> pétrole : f-HMC vectoriel<br />
14/33 <strong>Chaînes</strong> <strong>de</strong> <strong>Markov</strong> cachées floues <strong>et</strong> segmentation d’images
Modèle classique <strong>de</strong>s CMC<br />
Modèle <strong>de</strong>s CMC floues<br />
Estimation <strong>de</strong>s paramètres<br />
Résultats <strong>de</strong> segmentation<br />
Principe d’estimation par ICE<br />
Estimation <strong>de</strong>s paramètres<br />
Discrétisation <strong>de</strong> la mesure floue<br />
Synthèse du modèle<br />
Algorithmes d’estimation <strong>et</strong> principe d’ICE<br />
Paramètres EM ICE SEM<br />
Γ Déterministe Stochastique<br />
Δ Déterministe Stochastique<br />
Principe d’ICE (Iterative Conditional Estimation [4])<br />
Métho<strong>de</strong> basée sur l’espérance conditionnelle d’un estimateur ˆ
Modèle classique <strong>de</strong>s CMC<br />
Modèle <strong>de</strong>s CMC floues<br />
Estimation <strong>de</strong>s paramètres<br />
Résultats <strong>de</strong> segmentation<br />
Estimation <strong>de</strong>s paramètres<br />
Principe d’estimation par ICE<br />
Estimation <strong>de</strong>s paramètres<br />
Discrétisation <strong>de</strong> la mesure floue<br />
Synthèse du modèle<br />
1. Paramètres <strong>de</strong> Γ calculés analytiquement (Baum-Welch normalisé [5])<br />
∫<br />
Probabilités Forward :
Modèle classique <strong>de</strong>s CMC<br />
Modèle <strong>de</strong>s CMC floues<br />
Estimation <strong>de</strong>s paramètres<br />
Résultats <strong>de</strong> segmentation<br />
Estimation ICE <strong>de</strong> la matrice <strong>de</strong> transition <strong>de</strong> X :<br />
ˆt [q+1]
Modèle classique <strong>de</strong>s CMC<br />
Modèle <strong>de</strong>s CMC floues<br />
Estimation <strong>de</strong>s paramètres<br />
Résultats <strong>de</strong> segmentation<br />
Estimation <strong>de</strong>s paramètres ≪ flous ≫<br />
Fonction d’appartenance floue
Modèle classique <strong>de</strong>s CMC<br />
Modèle <strong>de</strong>s CMC floues<br />
Estimation <strong>de</strong>s paramètres<br />
Résultats <strong>de</strong> segmentation<br />
Principe d’estimation par ICE<br />
Estimation <strong>de</strong>s paramètres<br />
Discrétisation <strong>de</strong> la mesure floue<br />
Synthèse du modèle<br />
Algo. numérique : discrétisation du flou<br />
Problème : Les intégrales ne sont pas calculables analytiquement<br />
⇒Intégration numérique<br />
discrétisation <strong>de</strong> l’intervalle ]0, 1[.<br />
F sous-intervalles flous.<br />
⇒Conséquence : L’algorithme d’estimation flou se comporte comme<br />
l’algorithme d’estimation dur, avec F + 2 classes :<br />
la matrice <strong>de</strong> transition donne les probabilités <strong>de</strong> transiter <strong>de</strong>s classes<br />
dures aux classes floues, <strong>et</strong> <strong>de</strong>s classes floues entre-elles ;<br />
Nous avons également F gaussiennes attachées aux classes floues.<br />
19/33 <strong>Chaînes</strong> <strong>de</strong> <strong>Markov</strong> cachées floues <strong>et</strong> segmentation d’images
Synthèse du modèle<br />
Modèle classique <strong>de</strong>s CMC<br />
Modèle <strong>de</strong>s CMC floues<br />
Estimation <strong>de</strong>s paramètres<br />
Résultats <strong>de</strong> segmentation<br />
Principe d’estimation par ICE<br />
Estimation <strong>de</strong>s paramètres<br />
Discrétisation <strong>de</strong> la mesure floue<br />
Synthèse du modèle<br />
Signal bruité Classification ≪ dure ≫<br />
Classification ≪ floue ≫ théorique Classification ≪ floue ≫ numérique<br />
20/33 <strong>Chaînes</strong> <strong>de</strong> <strong>Markov</strong> cachées floues <strong>et</strong> segmentation d’images
Modèle classique <strong>de</strong>s CMC<br />
Modèle <strong>de</strong>s CMC floues<br />
Estimation <strong>de</strong>s paramètres<br />
Résultats <strong>de</strong> segmentation<br />
1 Modèle classique <strong>de</strong>s CMC<br />
Définition d’une chaîne <strong>de</strong> <strong>Markov</strong><br />
Principe <strong>et</strong> mise en œuvre <strong>de</strong>s CMC<br />
2 Modèle <strong>de</strong>s CMC floues<br />
Modélisation floue <strong>de</strong>s états<br />
Probabilités floues a priori<br />
3 Estimation <strong>de</strong>s paramètres<br />
Principe d’estimation par ICE<br />
Estimation <strong>de</strong>s paramètres<br />
Discrétisation <strong>de</strong> la mesure floue<br />
Synthèse du modèle<br />
4 Résultats <strong>de</strong> segmentation<br />
Segmentation d’un nuage<br />
Segmentation d’une galaxie<br />
Détection <strong>de</strong> changements : f-HMC à 3 classes dures<br />
Segmentation d’une nappe <strong>de</strong> pétrole : f-HMC vectoriel<br />
Segmentation d’un nuage<br />
Segmentation d’une galaxie<br />
Détection <strong>de</strong> changements : f-HMC à 3 classes dures<br />
Segmentation d’une nappe <strong>de</strong> pétrole : f-HMC vectoriel<br />
21/33 <strong>Chaînes</strong> <strong>de</strong> <strong>Markov</strong> cachées floues <strong>et</strong> segmentation d’images
Image originale<br />
Modèle classique <strong>de</strong>s CMC<br />
Modèle <strong>de</strong>s CMC floues<br />
Estimation <strong>de</strong>s paramètres<br />
Résultats <strong>de</strong> segmentation<br />
Figure: Image <strong>de</strong> nuage (432 × 208).<br />
Segmentation d’un nuage<br />
Segmentation d’une galaxie<br />
Détection <strong>de</strong> changements : f-HMC à 3 classes dures<br />
Segmentation d’une nappe <strong>de</strong> pétrole : f-HMC vectoriel<br />
2 classes dures ⇔ nuage <strong>de</strong>nse (blanc) <strong>et</strong> ciel opaque (noir).<br />
Plusieurs classes floues ⇔ <strong>de</strong>nsité du nuage.<br />
22/33 <strong>Chaînes</strong> <strong>de</strong> <strong>Markov</strong> cachées floues <strong>et</strong> segmentation d’images
Modèle classique <strong>de</strong>s CMC<br />
Modèle <strong>de</strong>s CMC floues<br />
Estimation <strong>de</strong>s paramètres<br />
Résultats <strong>de</strong> segmentation<br />
Comparaison CMC/CMC floues<br />
Segmentation d’un nuage<br />
Segmentation d’une galaxie<br />
Détection <strong>de</strong> changements : f-HMC à 3 classes dures<br />
Segmentation d’une nappe <strong>de</strong> pétrole : f-HMC vectoriel<br />
Modèle CMC classique Modèle CMC floues<br />
Comparaison :<br />
3 classes pour le modèle classique.<br />
2 classes dures <strong>et</strong> 1 classe floue pour le nouveau modèle.<br />
⇒ Le modèle flou semble plus proche <strong>de</strong> l’image originale.<br />
23/33 <strong>Chaînes</strong> <strong>de</strong> <strong>Markov</strong> cachées floues <strong>et</strong> segmentation d’images
Modèle classique <strong>de</strong>s CMC<br />
Modèle <strong>de</strong>s CMC floues<br />
Estimation <strong>de</strong>s paramètres<br />
Résultats <strong>de</strong> segmentation<br />
Comparaison ICE Aveugle flou/CMC floues<br />
ICE Aveugle flou<br />
Segmentation d’un nuage<br />
Segmentation d’une galaxie<br />
Détection <strong>de</strong> changements : f-HMC à 3 classes dures<br />
Segmentation d’une nappe <strong>de</strong> pétrole : f-HMC vectoriel<br />
(a) F = 3 (b) F = 4 (c) F = 5<br />
<strong>Chaînes</strong> <strong>de</strong> <strong>Markov</strong> cachées floues<br />
(d) F = 3 (e) F = 4 (f) F = 5<br />
⇒ Le modèle <strong>Markov</strong>ien produit <strong>de</strong>s zones floues plus étendues<br />
(mémoire du processus).<br />
24/33 <strong>Chaînes</strong> <strong>de</strong> <strong>Markov</strong> cachées floues <strong>et</strong> segmentation d’images
Image originale<br />
Modèle classique <strong>de</strong>s CMC<br />
Modèle <strong>de</strong>s CMC floues<br />
Estimation <strong>de</strong>s paramètres<br />
Résultats <strong>de</strong> segmentation<br />
Segmentation d’un nuage<br />
Segmentation d’une galaxie<br />
Détection <strong>de</strong> changements : f-HMC à 3 classes dures<br />
Segmentation d’une nappe <strong>de</strong> pétrole : f-HMC vectoriel<br />
Figure: Image <strong>de</strong> la Galaxie M51 (dite du tourbillon) (490 × 900) acquise<br />
avec le télescope WHT (îles Canaries) le 1 juin 2000.<br />
25/33 <strong>Chaînes</strong> <strong>de</strong> <strong>Markov</strong> cachées floues <strong>et</strong> segmentation d’images
Modèle classique <strong>de</strong>s CMC<br />
Modèle <strong>de</strong>s CMC floues<br />
Estimation <strong>de</strong>s paramètres<br />
Résultats <strong>de</strong> segmentation<br />
Comparaison CMC/CMC floues<br />
Segmentation d’un nuage<br />
Segmentation d’une galaxie<br />
Détection <strong>de</strong> changements : f-HMC à 3 classes dures<br />
Segmentation d’une nappe <strong>de</strong> pétrole : f-HMC vectoriel<br />
Modèle CMC classique Modèle CMC floues<br />
<strong>Chaînes</strong> <strong>de</strong> <strong>Markov</strong> cachées floues<br />
I<strong>de</strong>ntification <strong>de</strong>s <strong>de</strong>ux bulbes.<br />
I<strong>de</strong>ntification du bras spiral qui les relie.<br />
Caractérisation <strong>de</strong> la galaxie M51 beaucoup plus précise.<br />
26/33 <strong>Chaînes</strong> <strong>de</strong> <strong>Markov</strong> cachées floues <strong>et</strong> segmentation d’images
Modèle classique <strong>de</strong>s CMC<br />
Modèle <strong>de</strong>s CMC floues<br />
Estimation <strong>de</strong>s paramètres<br />
Résultats <strong>de</strong> segmentation<br />
Résultats avec les CMC floues<br />
Segmentation d’un nuage<br />
Segmentation d’une galaxie<br />
Détection <strong>de</strong> changements : f-HMC à 3 classes dures<br />
Segmentation d’une nappe <strong>de</strong> pétrole : f-HMC vectoriel<br />
(a) F = 1 (b) F = 2<br />
(c) F = 3 (d) F = 4<br />
27/33 <strong>Chaînes</strong> <strong>de</strong> <strong>Markov</strong> cachées floues <strong>et</strong> segmentation d’images
Modèle classique <strong>de</strong>s CMC<br />
Modèle <strong>de</strong>s CMC floues<br />
Estimation <strong>de</strong>s paramètres<br />
Résultats <strong>de</strong> segmentation<br />
Images Avant/Après inondations : ERS-2<br />
Segmentation d’un nuage<br />
Segmentation d’une galaxie<br />
Détection <strong>de</strong> changements : f-HMC à 3 classes dures<br />
Segmentation d’une nappe <strong>de</strong> pétrole : f-HMC vectoriel<br />
(a) Sept. 09, 2000. (b) Oct. 21, 2000.<br />
Figure: Deux images ERS-2 PRI <strong>de</strong> régions agricoles près <strong>de</strong> Gloucester,<br />
Angl<strong>et</strong>erre (512 × 512), c⃝ ESA, distribution Eurimage.<br />
28/33 <strong>Chaînes</strong> <strong>de</strong> <strong>Markov</strong> cachées floues <strong>et</strong> segmentation d’images
Modèle classique <strong>de</strong>s CMC<br />
Modèle <strong>de</strong>s CMC floues<br />
Estimation <strong>de</strong>s paramètres<br />
Résultats <strong>de</strong> segmentation<br />
Résultats <strong>de</strong> segmentation<br />
Segmentation d’un nuage<br />
Segmentation d’une galaxie<br />
Détection <strong>de</strong> changements : f-HMC à 3 classes dures<br />
Segmentation d’une nappe <strong>de</strong> pétrole : f-HMC vectoriel<br />
(a) HMC K = 3. (b) f-HMC K = 3, F = 2.<br />
Figure: Résultats <strong>de</strong> détection <strong>de</strong> changements obtenus avec <strong>de</strong>s lois<br />
Gaussiennes (Log-ratio <strong>de</strong>s 2 images sur une fenêtre <strong>de</strong> taille 15).<br />
29/33 <strong>Chaînes</strong> <strong>de</strong> <strong>Markov</strong> cachées floues <strong>et</strong> segmentation d’images
Modèle classique <strong>de</strong>s CMC<br />
Modèle <strong>de</strong>s CMC floues<br />
Estimation <strong>de</strong>s paramètres<br />
Résultats <strong>de</strong> segmentation<br />
Image <strong>de</strong> pétrole CASI-2<br />
Segmentation d’un nuage<br />
Segmentation d’une galaxie<br />
Détection <strong>de</strong> changements : f-HMC à 3 classes dures<br />
Segmentation d’une nappe <strong>de</strong> pétrole : f-HMC vectoriel<br />
Ban<strong>de</strong> C. Ban<strong>de</strong> L. Ban<strong>de</strong> S.<br />
Figure: Image hyper-spectral CASI-2 d’une nappe <strong>de</strong> pétrole (600 × 600,<br />
représentation CLS), acquise le 25 mai 2004 au large <strong>de</strong>s cotes britanniques.<br />
30/33 <strong>Chaînes</strong> <strong>de</strong> <strong>Markov</strong> cachées floues <strong>et</strong> segmentation d’images
Modèle classique <strong>de</strong>s CMC<br />
Modèle <strong>de</strong>s CMC floues<br />
Estimation <strong>de</strong>s paramètres<br />
Résultats <strong>de</strong> segmentation<br />
Résultats <strong>de</strong> segmentation<br />
Segmentation d’un nuage<br />
Segmentation d’une galaxie<br />
Détection <strong>de</strong> changements : f-HMC à 3 classes dures<br />
Segmentation d’une nappe <strong>de</strong> pétrole : f-HMC vectoriel<br />
Vérité Terrain. Indépendance. Corrélation.<br />
Lois Gamma, F = 6. Lois Gamma, F = 6.<br />
Figure: Image <strong>de</strong> vérité terrain <strong>et</strong> résultats <strong>de</strong> segmentation obtenus avec <strong>de</strong>s<br />
lois Gamma (F = 6).<br />
31/33 <strong>Chaînes</strong> <strong>de</strong> <strong>Markov</strong> cachées floues <strong>et</strong> segmentation d’images
Conclusion<br />
Originalités<br />
Conclusions<br />
Bibliographie<br />
Application du modèle <strong>de</strong>s CMC floues<br />
à la segmentation non supervisée d’images.<br />
⇛ Intégration d’une mesure floue dans un modèle <strong>de</strong> CMC.<br />
⇛ Utilisation d’une extension floue <strong>de</strong> l’algorithme <strong>de</strong> Baum-Welch.<br />
Caractéristiques<br />
⇛ Prise en compte <strong>de</strong> frontières qui ne sont pas clairement définies.<br />
⇛ Utile pour les images présentant un fort dégradé.<br />
⇛ Mesure d’imprécision perm<strong>et</strong> d’améliorer la qualité <strong>de</strong> la segmentation.<br />
Perspectives<br />
⇛ Utilisation <strong>de</strong> <strong>de</strong>nsités h non uniformes.<br />
⇛ Extension du modèle à K classes ≪ dures ≫.<br />
32/33 <strong>Chaînes</strong> <strong>de</strong> <strong>Markov</strong> cachées floues <strong>et</strong> segmentation d’images
Références<br />
Conclusions<br />
Bibliographie<br />
[1] W. Skarbek, R. Kl<strong>et</strong>te and W. G. Krop<strong>et</strong>sh, Aka<strong>de</strong>mik Verlag, Berlin, Theor<strong>et</strong>ical Foundations of<br />
Computer Vision, 1992,<br />
Generalized Hilbert scan in image printing.<br />
[2] H. Caillol and W. Pieczynski and A. Hillion, in IEEE Trans. on Im. Proc., Vol. 6(3), pp. 425-440, 1997,<br />
Estimation of fuzzy Gaussian mixture and unsupervised statistical image segmentation.<br />
[3] F. Salzenstein and W. Pieczynski, in Graph. Mod. and Im. Proc., Vol. 59(4), pp. 205-220, 1997,<br />
Param<strong>et</strong>er Estimation in Hid<strong>de</strong>n Fuzzy <strong>Markov</strong> Random Fields and image segmentation.<br />
[4] W. Pieczynski, in Mach. Graph. and Vis., Vol. 1, pp. 261-268, 1992,<br />
Statistical image segmentation.<br />
[5] P.A. Devijver, in Pat. Recog. L<strong>et</strong>. Vol 3, pp. 369-373, 1985,<br />
Baum’s Forward-Backward algorithm revisited.<br />
[6] C. Carincotte, S. Derro<strong>de</strong>, G. Sicot, and J.-M. Boucher, in IEEE ICASSP, Montreal, Canada, May 2004,<br />
Unsupervised image segmentation based on a new fuzzy hid<strong>de</strong>n <strong>Markov</strong> chain mo<strong>de</strong>l.<br />
[7] C. Carincotte, S. Derro<strong>de</strong> and S. Bourennane, in LFA, Nantes, France, novembre 2004<br />
<strong>Chaînes</strong> <strong>de</strong> <strong>Markov</strong> cachées floues <strong>et</strong> segmentation non supervisée d’images.<br />
[8] C. Carincotte, S. Derro<strong>de</strong>, and S. Bourenanne, in FUZZ’IEEE, Reno, Nevada, April 2005,<br />
Multivariate fuzzy hid<strong>de</strong>n <strong>Markov</strong> chains mo<strong>de</strong>l applied to unsupervised multiscale SAR image segmentation.<br />
33/33 <strong>Chaînes</strong> <strong>de</strong> <strong>Markov</strong> cachées floues <strong>et</strong> segmentation d’images