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.
98 Chapitre 4 - Conclusion générale et perspectives<br />
rapport aux approches classiques. Premièrement, nous avons une formulation exprimée directement<br />
en discret, ce qui permet de considérer des graphes de topologies arbitraires. Comme la<br />
topologie peut être arbitraire, nous pouvons naturellement effectuer une régularisation locale,<br />
semi-locale ou non locale en modifiant simplement la connexité du graphe. En conséquence,<br />
nous pouvons alors effectuer une régularisation discrète non locale <strong>sur</strong> des variétés, ce qu’aucune<br />
autre méthode ne permet d’effectuer actuellement. Deuxièmement, la résolution du problème de<br />
régularisation est simple à mettre en oeuvre. De plus, avec une formulation locale, la résolution<br />
est rapide, ce qui nous a permis d’appliquer notre formalisme à différentes problématiques<br />
(restauration, filtrage, retouche, coloration).<br />
Section 2.4. Dans cette section, nous avons proposé plusieurs méthodes permettant de<br />
générer des hiérarchies de <strong>par</strong>titions. La première méthode est basée <strong>sur</strong> une formulation d’un<br />
critère connectif nommé les zones homogènes qui, lorsqu’il est appliqué <strong>sur</strong> graphes, permet<br />
d’obtenir une hiérarchie de <strong>par</strong>titions de précision intermédiaire entre les zones quasi plates et<br />
l’algorithme des cascades. Ce critère connectif reposant <strong>sur</strong> un seuil d’homogénéité basé <strong>sur</strong><br />
des distances, il peut s’appliquer à des images dont les pixels sont décrits <strong>par</strong> des vecteurs de<br />
dimensions quelconques. La seconde méthode est basée <strong>sur</strong> une diffusion <strong>sur</strong> graphe et elle permet<br />
naturellement via la diffusion de fusionner les régions similaires au cours des itérations de<br />
l’algorithme. Ceci permet d’une <strong>par</strong>t de disposer d’une alternative rapide et simple à la simplification<br />
classique d’images et d’autre <strong>par</strong>t de ne pas déplacer les frontières des régions à travers<br />
les échelles contrairement à une approche espace échelle. Ceci permet donc de combiner les<br />
bénéfices des approches hiérarchiques basées régions et des approches hiérarchiques basées <strong>sur</strong><br />
un principe espace échelle. La troisième méthode est spécifiquement dédiée au cas des images<br />
couleur. Elle repose <strong>sur</strong> une coalescence morphologique non supervisée des histogrammes bivariés<br />
avec détermination du niveau d’échelle appropriée. L’intersection des cartes de segmentation<br />
obtenues est ensuite simplifiée à l’aide d’une fonction d’énergie exprimée <strong>sur</strong> le graphe<br />
d’adjacence des régions qui permet de déterminer le « meilleur » niveau d’échelle suivant un<br />
compromis entre complexité de la segmentation et attache aux données initiales.<br />
Chapitre 3. Dans ce chapitre nous avons présenté nos contributions à la classification de<br />
données issues d’images (des pixels, des régions ou des images) <strong>par</strong> apprentissage.<br />
Section 3.3. Dans cette section, nous nous sommes intéressés à la fusion de décisions de<br />
classificateurs pour la classification de pixels d’images de microscopie. Nous avons pu mettre<br />
en avant que la fusion permet de résoudre en <strong>par</strong>tie les zones de non-cohérences entre plusieurs<br />
classificateurs. De plus, intégré dans un schéma général de segmentation d’images microscopiques,<br />
cela permet d’améliorer les résultats. Une me<strong>sur</strong>e de qualité de la segmentation des<br />
images microscopiques nous a servi pour établir des confiances en les classifications réalisées.<br />
Section 3.4. Dans cette section, nous nous sommes intéressés à la construction de fonctions<br />
de décisions <strong>par</strong>cimonieuses à savoir de complexités réduites et ayant de bonnes performances<br />
en généralisation. Nous avons plus <strong>par</strong>ticulièrement étudié le cas des classificateurs de<br />
type SVM, pour lesquels la complexité des fonctions de décision augmente avec le nombre de<br />
vecteurs de support. Nous avons défini un critère de qualité qui correspond à un compromis entre