21.01.2015 Views

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

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

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

SHOW MORE
SHOW LESS

Create successful ePaper yourself

Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.

CHAPITRE 4<br />

Conclusion générale et perspectives<br />

Sommaire<br />

L’esprit qui invente est toujours<br />

mécontent de ses progrès, <strong>par</strong>ce qu’il<br />

voit au-delà.<br />

JEAN LE ROND D’ALEMBERT<br />

4.1 Synthèse des contributions . . . . . . . . . . . . . . . . . . . . . . . . 97<br />

4.2 Perspectives et Projets . . . . . . . . . . . . . . . . . . . . . . . . . . . 99<br />

CE document a résumé mon activité professionnelle depuis la soutenance de ma thèse.<br />

Ce manuscrit m’a permis de faire un bilan complet de mes recherches et je présente<br />

dans cette conclusion une synthèse des contributions ainsi que les perspectives de nos<br />

travaux.<br />

4.1 Synthèse des contributions<br />

Les contributions que nous avons proposées et décrites dans ce mémoire sont les suivantes.<br />

Chapitre 2. Ce chapitre a présenté plusieurs voies que nous avons explorées pour un <strong>traitement</strong><br />

d’images à <strong>par</strong>tir de <strong>modèles</strong> <strong>discrets</strong> <strong>sur</strong> graphes.<br />

Section 2.2. Dans cette section, nous avons étudié la problématique des ordres de données<br />

vectorielles pour réaliser des opérations de <strong>traitement</strong> d’images. Dans un cadre discret,<br />

nous avons mis en avant que définir une relation d’ordre pour des données multi-variées revient<br />

à définir un chemin Hamiltonien <strong>sur</strong> un graphe complet associé aux données considérées. A <strong>par</strong>tir<br />

de cette observation, nous avons proposé deux approches. La première construit un ordre <strong>par</strong><br />

décimation et exploration d’une hiérarchie d’arbres couvrants minimaux à <strong>par</strong>tir d’un graphe<br />

complet. La seconde réalise une réduction de dimension non linéaire à l’aide d’une décomposition<br />

en valeurs propres de marches aléatoires. D’une manière générale, ces deux approches<br />

peuvent s’appliquer à des données de dimensions quelconques auxquelles un graphe connexe de<br />

voisinage est associé.<br />

Section 2.3. Dans cette section, nous avons proposé une formulation discrète de la régularisation<br />

qui repose <strong>sur</strong> des graphes pondérés de topologies arbitraires qui représentent des<br />

données de dimensions quelconques. Nous avons pu montrer les liens de cette approche avec<br />

différentes approches de la littérature. Notre approche dispose d’un certain nombre d’attraits <strong>par</strong><br />

97

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!