Fusion entre les données ultrasonores et les images de radioscopie ...
Fusion entre les données ultrasonores et les images de radioscopie ...
Fusion entre les données ultrasonores et les images de radioscopie ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
&KDSLWUH , *pQpUDOLWpV VXU OD IXVLRQ GH GRQQpHV<br />
__________________________________________________________________________________________<br />
II.3.2. Modèle flou<br />
Contrairement aux théories Bayesienne <strong>et</strong> <strong>de</strong>s croyances, <strong>de</strong> multip<strong>les</strong> règ<strong>les</strong> <strong>de</strong> combinaison<br />
apparaissent dans la littérature pour l’inférence floue. Les plus répandues appartiennent à la<br />
famille <strong>de</strong>s T-normes <strong>de</strong>s T-conormes <strong>et</strong> enfin <strong>de</strong>s moyennes. Dans le cadre <strong>de</strong> la fusion<br />
d'<strong>images</strong>, I. Bloch propose <strong>de</strong>s critères perm<strong>et</strong>tant <strong>de</strong> choisir un opérateur <strong>de</strong> combinaison<br />
[BLOC-94]. Certains critères prennent en compte <strong>de</strong>s mesures <strong>de</strong> conflit ou encore <strong>de</strong><br />
fiabilité <strong>entre</strong> <strong>les</strong> sources [DUBO-92][DEVE-93]. Comme pour le modèle Bayesien, <strong>les</strong><br />
théories <strong>de</strong>s ensemb<strong>les</strong> flous <strong>et</strong> <strong>de</strong>s possibilités proposent <strong>les</strong> critères <strong>de</strong> maximum :<br />
<strong>et</strong><br />
x ∈ C si µ<br />
i<br />
(x) = max(µ<br />
C i Ck<br />
x∈<br />
C si [ ∈C<br />
) = max(<br />
i<br />
i<br />
(x) ,1 ≤ k ≤ n)<br />
( x ∈C<br />
),1<br />
≤ k ≤ n)<br />
k<br />
(I.22.)<br />
(I.23.)<br />
II.3.3. Modèle <strong>de</strong>s croyances<br />
La règle <strong>de</strong> combinaison <strong>de</strong> Dempster fournit une relation unique pour combiner <strong>les</strong> mesures<br />
<strong>de</strong> confiances provenant <strong>de</strong> différentes sources d'informations. La combinaison est effectuée<br />
sur <strong>les</strong> fonctions <strong>de</strong> masses. Si l'on note m 1 <strong>et</strong> m 2 <strong>les</strong> fonctions <strong>de</strong> masses associées aux <strong>de</strong>ux<br />
capteurs, la fonction <strong>de</strong> masse résultant <strong>de</strong> la combinaison est :<br />
m(x ∈C)<br />
= (m<br />
<strong>et</strong> K =<br />
A<br />
i<br />
1<br />
⊕ m<br />
)(x ∈C)<br />
=<br />
∑ m<br />
1(x<br />
∈<br />
∩ A = 0<br />
j<br />
2<br />
A<br />
i<br />
A<br />
i<br />
)m<br />
∑ m<br />
1(x∈<br />
A )m<br />
i<br />
∩ A = C<br />
j<br />
1−<br />
K<br />
(x ∈ A<br />
j<br />
2<br />
)<br />
2<br />
(x ∈<br />
A<br />
j<br />
)<br />
(I.24.)<br />
C<strong>et</strong>te règle <strong>de</strong> Dempster généralise le théorème <strong>de</strong> Bayes. La combinaison <strong>de</strong> <strong>de</strong>ux jeux <strong>de</strong><br />
masses est généralement représentée sur un graphe à <strong>de</strong>ux dimensions dont <strong>les</strong> axes sont <strong>les</strong><br />
fonctions <strong>de</strong> masses accordées à chaque sous-ensemble du cadre <strong>de</strong> décision <strong>et</strong> pour chaque<br />
capteur :<br />
3DJH