traitement d'images par modèles discrets sur ... - Olivier Lezoray

3.6. Conclusions et perspectives 95
Ceci nous amène à replacer cette problématique comme un cas particulier du problème général
de sélection/combinaison de classificateurs [KUNCHE04] où la diversité de l’ensemble des
classificateurs joue un grand rôle.
3.6 Conclusions et perspectives
Dans ce chapitre, nous avons proposé différents modèles de classification de données d’images
par apprentissage. Nous avons tout d’abord proposé pour des images de microscopie, un schéma
de combinaison de classification de pixels optimisés indépendamment. Nous avons ensuite montré
qu’il est possible, contrairement à ce qui est souvent présenté dans la littérature, de concevoir
des schémas efficaces et performants à base de SVM pour la classification de masses de
données issues d’images. Enfin, nous avons présenté nos contributions à la conception de schémas
de décodage dans le cadre d’un schéma multi-classes de combinaison de classificateurs
binaires. Nous avons proposé plusieurs schémas efficaces et enfin nous avons montré expérimentalement
qu’une sélection de modèle globale est plus efficace qu’un ensemble de sélection
de modèles indépendantes. Afin de permettre une plus large diffusion de nos travaux, nous
avons mis à disposition sur Internet 2 , deux bases d’images microscopiques avec les vérités terrain
associées. Ceci permet aux autres chercheurs de comparer leurs résultats avec les nôtres
[DUMONT07, MARÉ07].
Nos perspectives sont multiples. Il s’agira tout d’abord d’expliquer théoriquement pourquoi,
avec une approche par décomposition, une sélection de modèle globale est plus efficace
qu’une sélection de modèle classique. Ensuite, nous comptons mener une comparaison exhaustive
des différents schémas de décomposition et de décodage et ceci avec différents classificateurs.
Ceci n’a jusqu’à présent jamais été mené. Enfin, nous considérerons des algorithmes de
sélection/combinaison de classificateurs pour le cas d’une approche par décomposition. Nous
comptons également mettre à disposition notre méthode de sélection de modèle à base de recherche
tabou pour construire des fonctions de décisions performantes et de complexités réduites
et montrer ses performances pour d’autres problèmes de classification de données issues
d’images. En particulier, nous chercherons à concevoir par apprentissage des schémas permettant
d’effectuer des opérations de traitement d’image classique (filtrage, détection de contour,
fusion de régions).
2 Voir http ://users.info.unicaen.fr/∼lezoray/Databases.php