Ameliorations de methodes de classification automatique non supervisee pour la segmentation d'images multi-composantes

• Auteur / Autrice : Mohamed Lemine Ould Ahmedou
• Direction : Herman Akdag
• Type : Thèse de doctorat
• Discipline(s) : Sciences et techniques
• Date : Soutenance en 1998
• Etablissement(s) : Reims

Résumé

L'imagerie multi-composantes (couleur, multispectrale, miltimodalite, ou biomedicale) est en fort developpement, et le methodes de classification automatiques sont souvent necessaires pour la segmentation de telles images. Les approches classiques sont basees essentiellement sur la determination des partitions dures, qui imposent qu'un element appartient a une classe, alors qu'en pratique, les classes peuvent etre chevauchantes avec des frontieres mal delimitees et ne peuvent pas etre definies par des partitions dures. Nous avons vu comment la logique floue integre la notion de chevauchement entre plusieurs classes en autorisant un element a appartenir avec un certain degre a plusieurs classes. Les methodes du type fuzzy c-means sont generalement soumises a la contrainte d'inspiration probabiliste, et par consequent, ces methodes correspondent a des approches discriminantes ou l'objectif premier est de separer les elements en differentes classes. Nous avons montre que l'approche possibiliste des c-means, qui promettait une representativite intrinseque des objets aux differents regroupements echoue a atteindre les resultats qui sont a l'origine de son apparition. Notre contribution majeur a consiste a definir et evaluer une nouvelle approche qui combine les avantages des deux approches precedentes : les degres d'appartenance que nous generons representent une notion relative. En effet, dans la meme classe l'appartenance represente la typicalite, cependant, en dehors d'une classe l'appartenance represente plutot le partage. L'importance de la nouvelle approche a ete montre au long de ce travail essentiellement sur la base de la segmentation des images multi-composantes. En effet, les resultats obtenus par la nouvelle approche sont meilleurs notamment en presence des donnees bruitees. A noter egalement l'independance des resultats de l'approche par rapport au changement de dynamique des attributs ce qui n'est pas toujours verifie par les autres methodes.