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
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