Champs aléatoires de Markov couples et segmentation des images ...
Champs aléatoires de Markov couples et segmentation des images ...
Champs aléatoires de Markov couples et segmentation des images ...
- No tags were found...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
En pratique, les variables aléatoires (Y s) ne sont pas, engénéral, indépendantes conditionnellement à X . L'égalité(2) est en particulier trop simpliste pour représenter laprésence <strong>de</strong> <strong>de</strong>ux classes texturées <strong>et</strong> on est amené àconsidérer, si l'on souhaite modéliser les <strong>de</strong>ux texturespar <strong>de</strong>ux champs markoviens gaussiens, la définitiondonnée par (4) :P[Y = y X = x] =⎢λ (x)e −⎣⎡∑ a x s x ty s y t − 1 2 ⎤∑ [a xs x(s,t) voisins 2 sy s +b xs y s ] ⎥s⎦Le champ Y est ainsi markovien conditionnellement àX . La difficulté rési<strong>de</strong> dans le fait que le produit <strong>de</strong> (1)par (4) n'est pas, dans le cas général, une loimarkovienne. En eff<strong>et</strong>, si Γ(x) est la matrice <strong>de</strong>covariance <strong>de</strong> la loi gaussienne <strong>de</strong> Y = (Y s) s∈S(conditionnelle à X = x ), nous avons(4)simulations <strong>de</strong> X selon sa loi a posteriori, ce qui perm<strong>et</strong>l'application <strong>de</strong>s métho<strong>de</strong>s Bayésiennes comme MPM ouMAP.Notons qu'il se pose le problème, que nous n'abor<strong>de</strong>ronspas dans c<strong>et</strong> article, <strong>de</strong> l'existence <strong>de</strong> la loi définie par (6).En eff<strong>et</strong>, c<strong>et</strong>te loi n'existe pas nécessairement pour toutesles fonctions ϕ 1, ϕ 2, a xs x t, a xs x s, b xs. Il existecependant <strong>de</strong>s conditions d'existence, portant surl'énergie, <strong>de</strong>s champs markoviens gaussiens nonstationnaires [Guy93]. Le champ Y étant gaussienconditionnellement à X , une <strong>de</strong>s possibilités <strong>de</strong> montrerl'existence <strong>de</strong> la loi définie par (6) pourrait être <strong>de</strong>montrer que sa loi conditionnelle à X = x existe pourtout x .Le couple (X,Y) étant markovien, il est possible <strong>de</strong>calculer les lois <strong>de</strong>s (X s,Y s) conditionnellement auvoisinage. Explicitons, à titre d'exemple, le calcul <strong>de</strong> laloi <strong>de</strong> (X s,Y s) conditionnelle aux observations faites surson voisinage composé <strong>de</strong>s quatre plus proches voisinsλ (x) =1(2π) N <strong>de</strong>t(Γ(x))(5)[(X t1,Y t1),(X t2,Y t2),(X t3,Y t3),(X t4,Y t4)] =[(x t1, y t1),(x t2, y t2),(x t3, y t3),(x t4, y t4)](7)qui ne peut pas être écrit, dans le général, comme unedistribution markovienne en x .Finalement, X est markovien, Y est markovienconditionnellement à X , mais ni (X,Y), ni Xconditionnellement à Y , ne sont markoviens dans le casgénéral. C<strong>et</strong>te absence <strong>de</strong> markovianité <strong>de</strong> la loi aposteriori rend difficile l'application rigoureuse <strong>de</strong>smétho<strong>de</strong>s <strong>de</strong> <strong>segmentation</strong> comme MPM ou MAP;cependant, ce problème peut être traité par <strong>de</strong>sapproximations du modèle, comme dans [KDH88,WoD92].2.2 Cas simple <strong>de</strong> Champ <strong>de</strong> <strong>Markov</strong>CoupleUne autre possibilité, que nous proposons dans c<strong>et</strong>ravail, consiste à considérer directement le couple(X,Y) comme markovien. Plus précisément, on poseP[X = x,Y = y] =⎡λe − ϕ[( x s , y s ),( x t , y t )]⎤⎢ ∑ −∑ ϕ*[( x s , y s )] ⎥⎣ (s,t) voisinss⎦ =(6)L'écriture explicite <strong>de</strong> ces lois perm<strong>et</strong>tra leur simulation,ce qui rendra possible la simulation <strong>de</strong>s réalisations <strong>de</strong>(X,Y) par l'échantillonneur <strong>de</strong> Gibbs. Montrons quec<strong>et</strong>te loi est <strong>de</strong> la forme (qui dépend également <strong>de</strong>(x t1, y t1), (x t2, y t2), (x t2, y t2), <strong>et</strong> (x t4, y t4);dépendance que nous om<strong>et</strong>tons afin <strong>de</strong> simplifierl'écriture) :h(x s, y s) = p(x s) f xs(y s) (8)où p est une probabilité sur l'ensemble <strong>de</strong>s classes <strong>et</strong>,pour chaque classe x s, f xsest la <strong>de</strong>nsité gaussiennecorrespondante à x s. L'écriture (8) perm<strong>et</strong>tra alors <strong>de</strong>ssimulations aisées <strong>de</strong>s réalisations <strong>de</strong> (X s,Y s) : onpourra simuler d'abord x sselon la probabilité p, <strong>et</strong>simuler ensuite y sselon la <strong>de</strong>nsité f xs.Nous avons les égalités (9) suivantes :2∑ − ∑ [ϕ 2 ( x s )+a xs x sy s +b xs y s ]s= λe − [ϕ 1 ( x s , x t )+a x s x ty s y t ](s,t) voisinsLa markovianité du couple (X,Y) implique lamarkovianité <strong>de</strong> Y conditionnellement à X , <strong>et</strong> lamarkovianité <strong>de</strong> X conditionnellement à Y . Lapremière propriété perm<strong>et</strong> <strong>de</strong> modéliser les textures,comme dans (4), <strong>et</strong> la <strong>de</strong>uxième rend possible les