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

More documents

Recommendations

Info

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
3.3. Fusion de décisions de classificateurs 67 (a) Image initiale (b) Vérité terrain (c) Intersection (d) SV M (e) Bayes (f) k − moyennes (g) RNMC (h) F isher G (i) k − P P V FIG. 3.5 – Résultats de différentes classifications de pixels (lignes du milieu et du bas) pour une image de la base de test. Première ligne : image initiale, vérité terrain, intersection de toutes les classifications (zones de non cohérence en jaune).
Page 1:
UNIVERSITÉ de CAEN BASSE-NORMANDIE
Page 5 and 6:
TABLE DES MATIÈRES 1 Introduction
Page 7:
Table des matières VII A.5.2 Activ
Page 10 and 11:
2 Chapitre 1 - Introduction génér
Page 12 and 13:
4 Chapitre 2 - Traitement d’image
Page 14 and 15:
Page 16 and 17:
Page 18 and 19:
10 Chapitre 2 - Traitement d’imag
Page 20 and 21:
Page 22 and 23:
Page 24 and 25: 16 Chapitre 2 - Traitement d’imag
Page 34 and 35: 26 2.2.5 Conclusion et perspectives
Page 50 and 51: 42 2.4 Hiérarchies de partitions 2
Page 66 and 67: 58 Chapitre 3 - Classification de d
Page 105 and 106: CHAPITRE 4 Conclusion générale et
Page 107 and 108: 4.2. Perspectives et Projets 99 cap
Page 109 and 110: 4.2. Perspectives et Projets 101 pr
Page 111 and 112: CHAPITRE 5 Bibliographie [ABE05] [A
Page 113 and 114: Chapitre 5 - Bibliographie 105 [CEL
Page 115 and 116: Chapitre 5 - Bibliographie 107 [GOU
Page 117 and 118: Chapitre 5 - Bibliographie 109 [KUL
Page 119 and 120: Chapitre 5 - Bibliographie 111 [MEY
Page 121 and 122: Chapitre 5 - Bibliographie 113 [SCH
Page 123: Chapitre 5 - Bibliographie 115 [VER
Page 126 and 127:
118 Annexe A - Curriculum Vitae - D
Page 128 and 129:
120 Annexe A - Curriculum Vitae FIG
Page 130 and 131:
122 Annexe A - Curriculum Vitae afi
Page 132 and 133:
124 Annexe A - Curriculum Vitae - R
Page 135 and 136:
ANNEXE B Publications Publications
Page 137 and 138:
Annexe B - Publications 129 [18] O.
Page 139 and 140:
Annexe B - Publications 131 [44] G.
Page 141:
Annexe B - Publications 133 [71] G.
show all

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

Create successful ePaper yourself

Delete template?

Save as template?