Apport de l'espace des caractéristiques et des paramètres d'échelle adaptatifs pour le filtrage et la segmentation d'image

par Thomas Grenier

Thèse de doctorat en Images & Systèmes

Sous la direction de Chantal Muller et de Gérard Gimenez.


  • Résumé

    Dans ce travail, nous étudions l'apport de l'espace des caractéristiques et des paramètres d'échelle adaptatifs pour le filtrage et la segmentation d'image. D'une manière générale, l'espace des caractéristiques se définit comme un espace multidimensionnel dans lequel il est possible de représenter un vecteur de paramètres xi associé à un individu i. Ces paramètres, que nous appelons " caractéristiques ", décrivent i, peuvent être scalaires ou vectoriels et correspondent à tout type d'information mesurable sur l'individu i : sa localisation spatiale, sa couleur, sa texture, sa courbure, ses propriétés échogènes, etc. Le paramètre d'échelle est défini comme une grandeur scalaire ou matricielle intervenant dans la pondération de ces mesures. Lorsque ce paramètre d'échelle dépend de l'individu i, il est appelé " paramètre d'échelle adaptatif ". Nous montrons dans une première partie que ces deux concepts peuvent être plus rigoureusement définis en statistique dans le contexte de la théorie de l'estimation non paramétrique. Nous étudions successivement les estimations de densité par noyaux monodimensionnel, multidimensionnel puis localement adaptatif. Nous évaluons les noyaux ou les paramètres d'échelle selon des critères statistiques d'optimalité. Dans une seconde partie, nous nous intéressons à une méthode basée sur l'estimation non paramétrique par noyau : le " Mean Shift ". Cette méthode, par son formalisme, présente l'avantage de prendre en compte l'ensemble des caractéristiques liées à un individu et offre la possibilité d'adapter localement le paramètre d'échelle. Le principe du " Mean Shift " repose sur la localisation itérative des modes (maxima locaux) de la densité sous-jacente. Plusieurs procédures " Mean Shift " sont détaillées. Nous terminons par l'intérêt du " Mean Shift " pour le filtrage d'image. Dans la troisième partie, nous proposons un nouveau formalisme pour la segmentation par croissance de région qui permet de généraliser le processus à l'espace des caractéristiques et de prendre en compte des paramètres d'échelle globaux ou locaux. Par ailleurs, nous montrons qu'un large éventail de méthodes de croissance de région existantes peut être décrit par ce formalisme. Dans la dernière partie, nous terminons par la présentation et la validation (qualitative et quantitative) de nos contributions méthodologiques. Nous proposons quatre méthodes de filtrage et de croissance de région relevant de l'approche multidimensionnelle ou de l'approche adaptative. Nos méthodes sont appliquées avec succès à des données issues de l'imagerie médicale et plus particulièrement à l'imagerie ultrasonore et à l'imagerie TEP.

  • Titre traduit

    = Feature space and adaptive scale parameters for image filtering and segmentation


  • Résumé

    In this work, we propose the use of feature space and adaptive scale parameters for image filtering and image segmentation. Feature space is a multidimensional space where a vector xi of parameters related to an entity i can be represented. These parameters, so-called features, represent any information about the entity i such as spatial localisation, colour, texture, curvature, echogenic properties … The scale parameter is a scalar or a matrix quantity used to weight the measurement tied to a given feature. When associated to a particular entity i, the scale parameter becomes an adaptive scale parameter. In a first part, we remind a rigorous definition of the feature space and adaptive scale parameters concepts in statistic, in the context of non-parametric kernel-based estimation theory. Monodimensional, multidimensional and adaptive kernel-based estimations are successively studied. Optimal kernel and optimal scale parameter are defined relatively to a statistic criterion. Then, we present the “Mean Shift” method. Derived from the previous non-parametric estimation, “Mean Shift” method is well-suited to take into account for an entity i both all its features and the locally adaptive behaviour of a scale parameter. “Mean Shift” procedure consists in an iterative mode seeking (local maxima) of the density function. Many “Mean Shift” procedures are detailed and their interests for image filtering presented. In a third part, we propose a formulation to integrate region growing in the feature space and to take into account global or local scale parameters. We also show that a large number of existing region growing methods can be described using this formulation. In the last part, we propose two filtering methods and two region growing methods based on multidimensional and adaptive approaches. Our methods are applied on medical images including US and TEP images giving promising results.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (XIX-168 p.)
  • Notes : Publication autorisée par le jury
  • Annexes : Bibliogr. p. 152-158

Où se trouve cette thèse ?

  • Bibliothèque : Institut national des sciences appliquées (Villeurbanne, Rhône). Service Commun de la Documentation Doc'INSA.
  • Disponible pour le PEB
  • Cote : C.83(2992)
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.