Tamtam Proceedings - lamsin

Détermination du nombre de régions d’une image 333b) Si ‖Pk t − P t+1k‖ ≤ δ le centre optimal est P t+1kc) Sinon refaire 1.a pour t = t + 12) Adresser les pixels de la région construite3) Calculer ICH(k).4) Si ICH(k + 1) ≥ ICH(k) Fin.4.2. Segmentation de l’image “HOUSE”Dans cette partie, nous appliquons l’algorithme proposé pour segmenter l’image “HOU-SE” qui contient N = 34177 couleurs et de dimension 256 × 256 pixels. Nous considéronsdans la construction des régions les rayons R = 64, 32, 16 et 8, nous avons obtenules résultats suivants : Par rapport à l’image originelle, nous voyons que la meilleure segmentationcorrespond à R = 16. Ce rayon est optimal, il a été validé par les critères ICH.On constate aussi que la segmentation avec R = 64 n’est pas satisfaisante et que celleque nous obtenons avec R = 8 n’apporte pas d’information supplémentaire.5. Bibliographie[1] Akaike, H. (1973), Information theory and an extension of the maximum likelihood principle, insecond international sympsium of Information Theory, ed. B. N. Petrov and F. Csaki, AkademiaKiado, Budapest, 267-281.[2] El Matouat A. et Hallin M. (1996). Order selection, stochastic complexity and kullback-leiblerinformation in Vol.11 : Time Series Analysis. 291-299. Springer Verlag, New York.[3] Rissanen J. (1981), Universal modeling and coding, IEEE, Trans. inf. theory, vol. IT27, 1,12-23.[4] Rissanen J. (1983), A universal prior for integers and estimation by minimum descriptionlenght, the annals of statistics, vol. 11, 416-431.[5] Schwarz, G. (1978), Estimating the dimension of a model, The Annals of Statistics, Vol.6, 461-464.[6] Shibata, R. (1976), Selection of the order of an autoregressive model by Akaike’s informationcriterion, Biometrika, 63, 117-126.[7] Tie Qi Chen, Yi Lu (2002), Color image segmentation-an innovative approach, Pattern Recognition,35, 395-405.TAMTAM –Tunis– 2005