Dissertations / Theses on the topic 'Markovian segmentation'

Nous étudions le problème de la détection et de la segmentation dans des images extrêmement bruitées. L'application est la détection, dans les données hyperspectrales astronomiques de l'instrument MUSE, de halos (localisés et homogènes dans les images) et de filaments (structures anisotropes à grande échelle). Dans un premier temps, nous. étudions le problème de détection par tests d'hypothèses dans des images hyperspectrales en nous appuyant sur des contraintes de formes spatiales, spectrales et de similarité entre spectres. Nous introduisons ensuite un modèle de champ de Markov couple convolutif, qui permet de poser le problème de détection comme le cas particulier d'un problème de segmentation, tout en apportant un a priori markovien sur la classification recherchée. Ensuite, afin de modéliser les structures orientées dans les images, nous introduisons un modèle de champ de Markov triplet permettant la segmentation simultanée des orientations et des classes. Dans le but de modéliser des structures à grande échelle dans les images, nous introduisons également un modèle d'arbre de Markov triplet permettant la prise en compte simultanée de composantes hiérarchiques inter-résolution et d'homogénéité au sein d'une résolution. Chaque modèle a été validé et comparé à l'état de l'art, puis tous ont été comparés sur des données synthétiques dans le contexte de la détection dans des images hyperspectrales astronomiques. Le manuscrit présente enfin l'analyse des résultats obtenus sur des données réelles issues de l'instrument MUSE
We study the detection and segmentation problems in extremely noised images. The main application of these works is the detection of large-scale structures in MUSE astronomical hyperspectral images, namely haloes (localized and homogenous in images) and filaments (anisotropie large-scale structures). First, we study the hypothesis-testing detection in hyperspectral images, based on spatial and spectral shape constraints as well as similarity constraints. Then, we introduce a pairwise Markov field model which allows the formulation of the detection problem as a special case of the segmentation problem while introducing a Markovian prior on the result. Next , in order to model onented structures m images, we propose a triplet Markov field model following the ià1ntsegmentation of orientations and classes in images. Finally, we study the modelling of large-scale structures in images by introducing a triplet Markov tree model handling inter-resolution dependancy jointly with homogeneity within resolutions. The two latter models were introduced in the general framework of image segmentation. Each model was validated with respect toits alternatives, then all models were compared on synthetic data in the context of detection within astronomical hyperspectral images. Finally, this document presents the analysis of the results on real MUSE images

La premiere partie de ce memoire est consacree aux modelisations markoviennes et segmentations statistiques classiques, ou encore dures. Nous y rappelons succintement les modeles et les methodes devenus classique, en insistant legerement sur les methodes d'estimation des parametres. Nous rappelons ensuite le modele markovien flou cache. Le deuxieme volet de notre etude est consacre a l'adaptation au modele flou considere de l'algorithme du gradient stochastique propose par l. Younes afin d'approcher le maximum de vraisemblance dans le cas de champs de markov non bruites. Nous presentons une etude theorique de son comportement asymptotique et assez rapidement une etude de classification des nuages. Finalement, nous definissons un modele flou hierarchique, dont la construction generale est inspiree du modele markovien hierarchique classique de perez et heitz. Nous proposons ensuite deux methodes de segmentation de type icm et comparons leur efficacite avec les methodes de type mpm proposees par salzenstein et al. Puis, nous proposons deux methodes originales, adaptees au modele pyramidal, d'estimation des parametres de la loi du champ x.

Cette these porte sur la parallelisation d'algorithmes de segmentation d'images, basee sur des modeles markoviens. Apres un bref rappel des techniques de champs markoviens, nous presentons les reseaux de transputers et plus particulierement le t-node, ainsi que son systeme d'exploitation distribue helios. A l'aide de quelques experimentations, nous montrons que l'on peut predire le temps d'execution de certains algorithmes sur des machines du type t-node. Nous presentons ensuite deux algorithmes: le premier est une segmentation d'images texturees, le second une augmentation d'images multispectrales, chacun suivi de sa version parallele implante sur le t-node. La derniere partie discute en detail un algorithme de segmentation d'images couleur, intrinsequement parallele. Les possibilites de parallelisation d'un tel algorithme sont discutees, mais non implante pour des raisons materielles, le t-node n'etant pas une machine adaptee. Cet algorithme construit localement, sur des imagettes se chevauchant dans l'image, des segmentations que l'on fait cooperer de maniere a obtenir une segmentation globale. La mise en coherence globale se fait en traitant un graphe de labels

La premiere partie de ce memoire traite de la comparaison, en segmentation statistique non supervisee d'images, des methodes locales et des methodes globales basees sur l'hypothese des champs ou des chaines de markov. Nous cherchons une solution automatique au probleme du choix de la methode la mieux adaptee aux donnees en presence, a partir d'un ensemble de parametres caracterisant l'image observee: correlation moyenne du bruit, homogeneite, forme du bruit gaussien. L'algorithme de choix est valide par des simulations effectuees sur des images de synthese. Pour un nombre de classes donne, il parait possible de departager les algorithmes en concurrence, la forme du bruit exercant peu d'influence sur la decision finale. Un deuxieme volet de notre etude est consacre a la segmentation statistique globale non supervisee, s'appuyant sur un recent modele de champs de markov caches flous, qui permet d'inclure dans une meme image des regions dures et des regions floues. L'estimateur des parametres de lois combine une procedure du gradient stochastique et l'algorithme ice, adapte au cas de donnees incompletes. Selon la quantite de flou presente dans l'image verite-terrain, une telle approche presente un interet non negligeable, et offre un potentiel superieur a son homologue dure, base sur les champs de markov. Certaines images reelles se pretent bien au cas de deux classes thematiques, mais nous avons montre la possibilite d'extension de ce modele a un nombre de classes quelconque

Cette these traite de la segmentation statistique d'images multi-capteur. Dans un contexte bayesien, l'interet d'utiliser les champs de markov caches, qui permet de tenir compte de l'information contextuelle, est bien connu depuis une vingtaine d'annees. Dans d'autres situations, le cadre bayesien est insuffisant et on a recours a la theorie de l'evidence. Le but de notre travail est de proposer des modeles evidentiels qui peuvent tenir compte de l'information contextuelle par l'intermediaire des champs de markov. Nous definissons un modele markovien evidentiel general et montrons son utilite dans la pratique. Les differents resultats de simulation presentes montrent l'interet des algorithmes de segmentation bases sur le modele markovien evidentiel. En outre, une variante originale de l'estimation des melanges generalises, rendant possible la fusion evidentielle non supervisee dans le contexte markovien, est decrite. La segmentation d'images radar et spot montrent la pertinence des modeles proposes et des methodes de segmentation correspondantes dans des situations reelles.

La segmentation d'image couleur consiste à partager l'image en différentes régions ayant des caractéristiques homogènes selon certains critères. La base de représentation couleur utilisée est la base RGB afin de ne pas perdre l'information couleur de l'image. Tenant compte de la corrélation des données des trois plans de l'image dans cette base, une segmentation grossière hybride suivie d'une segmentation fine sont développées. La segmentation grossière est une classification itérative. Elle utilise des mesures floues telles que l'index ou l'entropie floue afin de minimiser de manière optimale et auto-adaptative les zones ambiguës des histogrammes R, G, B de l'image, permettant l'extraction d'une classe 3D, et la formation grossière d'une région formée par un ensemble de pixels classés et de pixels masqués. La segmentation fine utilise le nombre de classes, leur centre de gravité et la fonction d'appartenance de l'algorithme des fuzzy C-means afin de classer globalement les pixels masqués. Etant donné qu'il existe quelques pixels mal classés, une approche markovienne est développée pour éliminer ces pixels et rendre les régions homogènes avec des frontières lisses. Pour finir une version modifiée de la segmentation est intégrée dans une structure pyramidale afin de diminuer les temps de calculs.

Le travail réalisé dans le cadre de cette thèse, porte sur la segmentation statistique non supervisée des images satellitaires dans un contexte Markovien, et leur fusion à travers la théorie de l’évidence. En effet, nous avons développée dans ce travail une nouvelle approche de segmentation statistique optimale, à travers l’intégration et l’apport de plusieurs algorithmes, notamment au niveau de l’initialisation, en exploitant tout d’abord la méthode des centres mobiles (Kmeans) pour une meilleure définition des classes de l’image, ensuite nous avons voulu régulariser et uniformiser ces classes à travers les champs de Markov qui permettaient une prise en compte de la notion de voisinage dans la phase de classification. Au niveau de la modélisation des différentes classes de l’image, nous avons opté pour les distributions du système de Pearson pour leur flexibilité et leur adaptation en offrant une gamme de lois diverses et précises. Enfin en ce qui concerne l’estimation des différents attributs de chaque classe de l’image, nous avons utilisé les algorithmes EM et SEM. Dans le but d’optimiser davantage ce travail, nous avons intégré dans notre approche une phase de fusion d’images segmentées basée sur la théorie de l’évidence, qui permettait une meilleure prise de décision au niveau de l’étape de segmentation, en exploitant la richesse des données présentes dans les images multispectrales et multi-temporelles
The work developed in this thesis, is focused on the unsupervised statistical segmentation of satellite images in a Markovian context, and their fusion through the evidence theory. Indeed we have developed in this work an optimal statistical approach for the segmentation of satellite images, through the integration and the contribution of several algorithms, especially for the initialisation step by using the K-means clustering algorithm for a better definition of the image classes, then we wanted to rectify and standardize these classes through the Markov fields which allowed the consideration of the neighbourhood concept in the classification phase. For the modelling of the different classes of the image, we opted for the Pearson system for its flexibility and its adaptation by offering a range of different and optimal distributions. Finally, concerning the estimation of the different attributes of each class of the image, we used the EM and SEM algorithms. In order to optimize this work, we integrated in our approach an image fusion phase based on the evidence theory (belief function), which allowed a better decision in the segmentation stage, through the exploitation of the number of information present in the multispectral and multi-temporal images

Cette these est composee de deux parties independantes. La premiere partie porte sur la representation de textures et la segmentation d'images texturees. Nous utilisons les modelisations gaussiennes et les filtres de gabor pour caracteriser les textures. Par notre analyse, on voit que, d'un point de vue stochastique, la caracterisation par filtres de gabor et celle par les modelisations gaussiennes sont comparables dans le sens de champs aleatoires, bien que leurs motivations soient tres differentes. Nous presentons une methode de segmentation d'images texturees non-supervisee multi-echelle, en utilisant les partitions par regions connexes. Nous utilisons les methodes de champs markoviens pour segmenter les images, qui par relaxation, tendent a regrouper les points ayant des caracteristiques de textures proches. Notre methode limite progressivement le domaine d'exploration des segmentations dans la progression naturelle de l'algorithme multi-echelle. La deuxieme partie de cette these porte sur la fusion d'une serie d'images (rayons x) obtenues a partir de films distincts dans le but de restaurer l'image 2d d'un objet. Ceci necessite l'estimation de la fonction de transfert permettant de passer d'un film a un autre. Cette tache est rendue difficile par la presence de non-homogeneite spatiale. Nous proposons une methode pour estimer la fonction de transfert entre deux films de sensibilites differentes et non-homogenes. On considere que l'image de l'objet est une realisation d'un champ markovien dont l'energie a priori est construite sur le fait que l'image verifie certaines contraintes de regularisation. La restauration se fait alors par maximisation de la vraisemblance

L'etude porte sur des methodes de cooperation entre les algorithmes neuronaux et markoviens. Ces deux classes d'algorithmes, issues de deux paradigmes differents, presentent des complementarites qui peuvent etre utilisees dans la creation d'algorithmes hybrides. La comparaison entre les modeles hybrides a conduit a une nouvelle classification de ces modeles. Un nouveau modele d'images, base sur les champs de markov et les perceptrons multicouches est propose et de meme une definition de texture heterogene basee sur un systeme de voisinage inedit est introduite. Ce modele se prete bien a la modelisation des images satellitaires contenant des textures. L'etude a donne lieu au developpement de deux architectures neuronales : le reseau de neurones interpolant et le reseau de neurones spatial. La volonte d'amelioration des performances des classificateurs statistiques appliques au traitement d'images a conduit a la creation d'un algorithme hybride base sur une chaine de markov cachee et une carte de kohonen. Cet algorithme permet l'exploitation de l'information multiresolution pour la segmentation d'images. Son caractere iteratif permet un echange constant de l'information entre les deux modules qui mene a une amelioration du resultat global. L'algorithme est applique a la segmentation des images en provenance des satellites landsat et spot.

La segmentation des IRM cérébrales est une étape cruciale pour de nombreuses applications, tant dans le domaine clinique que pour les neurosciences. Elle est rendu difficile par les artéfacts inhérents à ce type d'image, leur faible contraste et les importantes variations individuelles qui limitent l'introduction de connaissances a priori. Dans cette thèse nous proposons une nouvelle approche de segmentation des IRM cérébrales dont l'originalité réside (1) dans le couplage de la segmentation des tissus, de la segmentation des structures et de l'intégration de connaissances anatomiques et (2) la volonté de prendre en compte la localité de l'information. La localité est modélisée via un cadre multi-agents : des agents sont distribués dans le volume et réalisent une segmentation markovienne locale. Dans une première approche (LOCUS, Local Cooperative Unified Segmentation) nous proposons des mécanismes intuitifs de coopération et de couplage pour assurer la cohérence des modèles locaux. Les structures sont segmentées via l'intégration de contraintes de localisation floue décrites par des relations spatiales entre structures. Dans une seconde approche (LOCUS-B, LOCUS in a Bayesian framework) nous considérons l'introduction d'un atlas statistique des structures. Nous reformulons le problème dans un cadre bayésien nous permettant une formalisation statistique du couplage et de la coopération. Segmentation des tissus, régularisation des modèles locaux, segmentation des structures et recalage local affine de l'atlas sont alors réalisés de manière couplée dans un cadre EM, chacune des étapes s'améliorant mutuellement. L'évaluation sur des images simulées et réelles montrent les performances de l'approche et en particulier sa robustesse aux artéfacts pour de faibles temps de calculs. Les modèles markoviens locaux distribués et coopératifs apparaissent alors comme une approche prometteuse pour la segmentation d'images médicales
Accurate magnetic resonance brain scan segmentation is critical in a number of clinical and neuroscience applications. This task is challenging due to artifacts, low contrast between tissues and inter-individual variability that inhibit the introduction of a priori knowledge. In this thesis, we propose a new MR brain scan segmentation approach. Unique features of this approach include (1) the coupling of tissue segmentation, structure segmentation and prior knowledge construction, and (2) the consideration of local image properties. Locality is modeled through a multi-agent framework: agents are distributed into the volume and perform a local Markovian segmentation. As an initial approach (LOCUS, Local Cooperative Unified Segmentation), intuitive cooperation and coupling mechanisms are proposed to ensure the consistency of local models. Structures are segmented via the introduction of spatial localization constraints based on fuzzy spatial relations between structures. In a second approach, (LOCUS-B, LOCUS in a Bayesian framework) we consider the introduction of a statistical atlas to describe structures. The problem is reformulated in a Bayesian framework, allowing a statistical formalization of coupling and cooperation. Tissue segmentation, local model regularization, structure segmentation and local affine atlas registration are then coupled in an EM framework and mutually improve. The evaluation on simulated and real images shows good results, and in particular, a robustness to non-uniformity and noise with low computational cost. Local distributed and cooperative MRF models then appear as a powerful and promising approach for medical image segmentation

Les méthodes d'analyse de textures macroscopiques proposées dans ce mémoire sont composées de deux parties : la partie d'extraction de primitives et la partie d'extraction des arrangements spatiaux des primitives. La première partie est réalisée en cinq étapes : seuillage, extraction de contours, suivi de contours, calcul des attributs de primitives et séparation des primitives compactes. La seconde partie est réalisée avec deux méthodes. La méthode des Vecteurs de Densités de Primitives estime la densité d'apparition des différentes classes de primitives. Et la méthode des Matrices de co-occurrence Généralisées estime la probabilité conjointe des propriétés des couples de primitives séparées par une relation spatiale. La méthode de segmentation des textures microscopiques est fondée sur la modélisation de champ de Markov. La dépendance entre un pixel et ses voisins est exprimée dans le modèle par un vecteur d'attributs calculé à partir de la longueur curviligne et du nombre des extrama locaux du signal de luminance dans un intervalle fixé le long d'un axe d'orientation définie dans le plan d'image. Les différents modèles sont proposés pour la segmentation avec ou sans connaissance a priori.

Les progrès technologiques de l'instrumentation astronomique soulèvent des problématiques variées. En particulier, le développement des capteurs multispectraux permet l'acquisition de masses de données porteuses d'une information très riche. Néanmoins, l'interprétation et le traitement de tels volumes de données restent délicats pour la communauté astronomique. Dans le cadre de cette thèse nous proposons une méthode de détection de galaxies à faible brillance de surface basée sur l'utilisation d'une segmentation markovienne par quadarbre. Puis, nous étudions une nouvelle méthode de segmentation de cubes de données hyperspectraux basée sur une approche spectrale puis sur une régularisation spatiale de la carte de segmentation. Enfin, nous proposons deux méthodes de visualisation d’images multibandes, ainsi qu’une méthode de segmentation floue par champs de Markov. Ces méthodes sont validées sur des images astronomiques et ont fait l'objet d'une interaction particulièrement riche entre communauté STIC et communauté astronomique
Technological progress in astronomical instrumentation raise various issues. The development of multispectral sensors yields extremely valuable data. Nevertheless interpretation and processing of such images remain tricky for the astronomical community. Within the framework of this thesis we propose a new method for the detection of low surface brightness galaxy based on a quadtree Markovian segmentation. We then introduce a new segmentation method of hyperspectral data cubes based on a spectral discrimination and on a spatial regularization of the segmentation map. We then propose two multispectral images visualization methods and a new fuzzy segmentation method based on Markov fields. These methods are validated on astronomical images and led to a fruitful cooperation between STIC and astronomical community

Ce travail a pour objectif de détecter les obstacles sur la route à partir d'une caméra montée sur un véhicule. Étant donné les contraintes que nous nous sommes fixées, un état de l'art des différentes méthodes existantes sur ce sujet montre que seule une analyse du mouvement dans les sé- quences d'images peut résoudre ce problème. En effet, cette méthode doit permettre de détecter tout type d'obstacles sur tout type de routes avec une seule caméra. Pour ce faire, nous avons développé une nouvelle méthode d'estimation de mouvement paramétrique par analyse d'ondelettes de l'équation de contrainte du flot optique (E.C.M.A.). Cette méthode multi- résolution nous a permis de contourner le problème de l'aliasage temporel inhérent à l'E.C.M.A.. Nous avons ensuite proposé de résoudre le problème de la détection de mouvement dans une scène filmée à par- tir d'une caméra mobile à l'aide d'une modélisation markovienne hiérarchique déduite de façon naturelle de l'estimation multi-résolution du mouvement. Puis, nous avons introduit une méthode de segmenta- tion au sens du mouvement entre deux images sans connaissance a priori et sans hypothèse de présence de mouvement dominant grâce à un raffinement successif de la segmentation d'une échelle grossière de l'image à l'échelle la plus fine. Chaque méthode (estimation, détection et segmentation) a été validée expérimentalement sur des séquences synthétiques et réelles. Enfin, celles-ci ont été adaptées au problème concret visé par cette thèse : la détection d'obstacles dans un milieu routier. L'utilisation d'ondelettes et de champs de Markov hiérarchiques aboutit à des solutions peu coûteuses en temps de calcul.

Les éléments principaux apparaissant dans ce document de synthèse sont les suivants : - La mise en exergue de la pertinence du critère d'information $\phi_\beta$ qui offre la possibilité d'être ``réglé'' par apprentissage de $\beta$ et cela quelque soit le problème de sélection de modèles pour lequel il est possible d'écrire un critère d'information, possibilité qui a été illustrée dans divers contextes applicatifs (supports de prédiction linéaire et dimension du modèle utilisé pour les cinétiques de $\dot VO_2$). - Une méthode d'estimation d'histogrammes pour décrire de manière non-paramé-trique la distribution d'échantillons et son utilisation en reconnaissance de lois supervisée dans un contexte de canaux de transmission. \item Une méthode dite ``comparative descendante'' permettant de trouver la meilleure combinaison des paramètres pour décrire les données étudiées sans avoir à tester toutes les combinaisons, illustrée sur l'obtention de supports de prédiction linéaire 1-d et 2-d. - La mise en place de stratégies de choix de modèles par rapport à des contextes variés comme l'imagerie TEP et les lois de mélange de Gauss et de Poisson ou les espaces couleur et les lois de mélange gaussiennes multidimensionnelles. - L'exploration des modèles de prédiction linéaire vectorielle complexe sur les images représentées dans des espaces couleur séparant l'intensité lumineuse de la partie chromatique et l'usage qui peut en être fait en caractérisation de textures afin de les classifier ou de segmenter les images texturées couleur. \item Des apports en segmentation : optimisation d'une méthode de segmentation non-supervisée d'images texturées en niveaux de gris ; une nouvelle méthode supervisée de segmentation d'images texturées couleur exploitant les espaces couleur psychovisuels et les erreurs de prédiction linéaire vectorielle complexe ; prise en compte dans des distributions de Gibbs d'informations géométriques et topologiques sur le champ des régions afin de réaliser de la segmentation 3-d ``haut-niveau'' exploitant le formalisme des processus ponctuels. - L'illustration des méthodes MCMC dans des contextes divers comme l'estimation de paramètres, l'obtention de segmentations 2-d ou 3-d ou la simulation de processus. Et beaucoup d'autres éléments se révèleront à sa lecture ...

La segmentation des IRM cérébrales est une étape cruciale pour de nombreuses applications, tant dans le domaine clinique que pour les neurosciences. Elle est rendu difficile par les artéfacts inhérents à ce type d'image, leur faible contraste et les importantes variations individuelles qui limitent l'introduction de connaissances a priori. Dans cette thèse nous proposons une nouvelle approche de segmentation des IRM cérébrales dont l'originalité réside (1) dans le couplage de la segmentation des tissus, de la segmentation des structures et de l'intégration de connaissances anatomiques et (2) la volonté de prendre en compte la localité de l'information.
La localité est modélisée via un cadre multi-agents : des agents sont distribués dans le volume et réalisent une segmentation markovienne locale. Dans une première approche (LOCUS, Local Cooperative Unified Segmentation) nous proposons des mécanismes intuitifs de coopération et de couplage pour assurer la cohérence des modèles locaux. Les structures sont segmentées via l'intégration de contraintes de localisation floue décrites par des relations spatiales entre structures. Dans une seconde approche (LOCUS-B, LOCUS in a Bayesian framework) nous considérons l'introduction d'un atlas statistique des structures. Nous reformulons le problème dans un cadre bayésien nous permettant une formalisation statistique du couplage et de la coopération. Segmentation des tissus, régularisation des modèles locaux, segmentation des structures et recalage local affine de l'atlas sont alors réalisés de manière couplée dans un cadre EM, chacune des étapes s'améliorant mutuellement.
L'évaluation sur des images simulées et réelles montrent les performances de l'approche et en particulier sa robustesse aux artéfacts pour de faibles temps de calculs. Les modèles markoviens locaux distribués et coopératifs apparaissent alors comme une approche prometteuse pour la segmentation d'images médicales.