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

66 Chapitre 3 - Classification de données d’images par apprentissage
les méthodes supervisées sont globalement meilleures que les méthodes non supervisées (ce qui
n’est pas vraiment une surprise). Cependant, il est difficile de déterminer quelle est la meilleure
méthode parmi toutes celles présentées.
Classificateur Espace Couleur Indice cytoplasme Indice noyau
k-moyennes Y Ch 1 Ch 2 69.5 % 74.4 %
Fisher G RGB 50.8 % 72.4 %
Fisher I 1 I 1 I 2 I 3 57.3 % 71.9 %
Fisher L HSL 59.9 % 69.8 %
SVM Y Ch 1 Ch 2 77.4 % 74.2 %
Bayes Y Ch 1 Ch 2 72.4 % 74.6 %
RNMC Y C b C r 56.9 % 73 %
k-PPV HSL 79.9 % 70 %
TAB. 3.3 – Résultats des différentes classifications de pixels non supervisées (partie haute) ou
non supervisés (partie basse).
La figure 3.5 présente des résultats obtenus sur une image de cytologie bronchique. L’évaluation
visuelle est bien en accord avec les résultats fournis par notre mesure d’évaluation.
3.3.3 Combinaison de classifications
Même à l’aide de notre mesure d’évaluation, il est difficile de déterminer quelle est la
meilleure classification. De plus, une classification peut très bien fonctionner sur une image
et moins bien sur d’autres. Pour contourner ce problème du choix du meilleur classificateur,
nous avons proposé de fusionner les classifications obtenues par différents classificateurs via
une combinaison non supervisée (pas d’apprentissage). Cette combinaison nous permettra de
lever les incohérences qui peuvent apparaître entre plusieurs classificateurs. La figure 3.5(c)
présente les zones de non-cohérence entre six classifications (figures 3.5(d)-3.5(i)). Comme tous
les classificateurs ne fournissent pas une mesure de probabilité d’appartenance à chaque classe,
nous ne considérons que des informations de type classe [KUNCHE00, ZOUARI02] (chaque
classificateur fournit juste un numéro de classe pour chaque pixel). Nous avons tout d’abord
évalué chaque classificateur sur une base de validation à l’aide de notre mesure de qualité de
la classification. Ceci permet d’accorder un indice de confiance global indice(e j , ω i ) par classe
ω i à chaque classificateur e j . Nous pouvons ensuite fusionner les décisions des classificateurs
[KITTLE98] afin de prendre une décision finale.
Soit E = {e 1 , · · · , e k } l’ensemble des k classificateurs utilisés. Chacun des classificateurs
associe à un vecteur d’entrée x une classe ω i . Nous pouvons donc définir E ωi (x) l’ensemble des
classificateurs, qui pour un vecteur d’entrée x lui associent tous la classe ω i :
E ωi (x) = {e j ∈ E|e j (x) = ω i } (3.6)
Nous avons évidemment ∪{E ωi (x)} = E car un classificateur e j ne prend qu’une seule décision
de type classe. A chaque ensemble E ωi (x) avec ω i ∈ Y, nous pouvons associer l’ensemble des
indices de confiance pour chaque classificateur e j . Cet indice correspond à la confiance accordée