Thèse soutenue

Modèle bayésien non paramétrique pour la segmentation jointe d'un ensemble d'images avec des classes partagées
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Jessica Sodjo
Direction : Jean-François GiovannelliNicolas DobigeonFrançois Caron
Type : Thèse de doctorat
Discipline(s) : Automatique, productique, signal et image, ingénierie cognitique
Date : Soutenance le 18/09/2018
Etablissement(s) : Bordeaux
Ecole(s) doctorale(s) : École doctorale des sciences physiques et de l’ingénieur (Talence, Gironde)
Partenaire(s) de recherche : Laboratoire : Laboratoire de l'intégration du matériau au système (Talence, Gironde)
Jury : Président / Présidente : Florence Forbes
Examinateurs / Examinatrices : Nicolas Dobigeon, François Caron, Florence Forbes, Faicel Chamroukhi, Xavier Descombes, François Desbouvries, Audrey Giremus
Rapporteurs / Rapporteuses : Faicel Chamroukhi, Xavier Descombes

Résumé

FR  |  
EN

Ce travail porte sur la segmentation jointe d’un ensemble d’images dans un cadre bayésien.Le modèle proposé combine le processus de Dirichlet hiérarchique (HDP) et le champ de Potts.Ainsi, pour un groupe d’images, chacune est divisée en régions homogènes et les régions similaires entre images sont regroupées en classes. D’une part, grâce au HDP, il n’est pas nécessaire de définir a priori le nombre de régions par image et le nombre de classes, communes ou non.D’autre part, le champ de Potts assure une homogénéité spatiale. Les lois a priori et a posteriori en découlant sont complexes rendant impossible le calcul analytique d’estimateurs. Un algorithme de Gibbs est alors proposé pour générer des échantillons de la loi a posteriori. De plus,un algorithme de Swendsen-Wang généralisé est développé pour une meilleure exploration dela loi a posteriori. Enfin, un algorithme de Monte Carlo séquentiel a été défini pour l’estimation des hyperparamètres du modèle.Ces méthodes ont été évaluées sur des images-test et sur des images naturelles. Le choix de la meilleure partition se fait par minimisation d’un critère indépendant de la numérotation. Les performances de l’algorithme sont évaluées via des métriques connues en statistiques mais peu utilisées en segmentation d’image.