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

3.3. Fusion de décisions de classificateurs 65
(a)
(b)
(c)
(d)
FIG. 3.4 – Résultats de différentes évaluations sur la segmentation d’une image par classification
Bayésienne comme germes d’une LPE ((a) l’image initiale, (b) la vérité terrain, (c-d) deux
images segmentées).
Pour le cas des classificateurs supervisés (classification bayésienne, k-ppv, réseaux de neurones
multi-couches notés RNMC, machines à support de vecteurs notées SVM), la classification
supervisée se fait en une seule étape et chaque pixel est étiqueté dans l’une des trois classes
possibles. La principale difficulté réside dans la construction des bases de données permettant
d’effectuer l’apprentissage du classificateur. La taille de la base d’apprentissage a une influence
certaine sur les algorithmes supervisés. Certains, tels que les k-PPV et les SVM, réclament des
puissances de calculs importantes et pour des grandes bases d’apprentissage, les temps d’apprentissage
deviennent alors prohibitifs. Nous avons pu mettre en évidence que ne retenir qu’un
tiers des pixels de chaque classe détériore très peu les résultats et ce, quelque soit l’espace de
représentation ou l’algorithme utilisé. En conséquence, nous avons retenu, pour des raisons de
temps de calcul, un apprentissage basé sur un tiers de la base d’apprentissage (la différence
avec un apprentissage effectué sur toute la base est très faible). Nous reviendrons plus loin sur
ce problème de prototypage lorsque nous considérerons la construction de fonctions de décision
parcimonieuses. Dans la suite, les paramètres des algorithmes de classification supervisée
ont réglés afin d’optimiser notre mesure d’évaluation (nous reviendrons également plus loin sur
l’importance de ces paramètres).
Pour chacun des schémas de classification (supervisés ou non), nous avons considéré l’influence
de la représentation de chaque pixel. En effet, la couleur d’un pixel peut être représentée autrement
que par ses composantes Rouge, Verte et Bleue. Changer de représentation peut permettre
d’améliorer les performances de la classification. Nous avons considéré chacun des schéma de
classification dans plusieurs espaces couleurs et nous avons retenu la meilleure représentation
en évaluant la qualité des classification obtenues sur une base de test (avec notre mesure d’évaluation).
Le tableau 3.3 résume les résultats obtenus. On remarque d’une part que le changement
d’espace couleur permet d’améliorer les résultats d’un classificateur donné et d’autre part que