Mesures statistiques non-paramétriques pour la segmentation d'images et de vidéos et minimisation par contours actifs

par Ariane Herbulot

Thèse de doctorat en Automatique, traitement du signal et des images

Sous la direction de Michel Barlaud et de Gilles Aubert.


  • Résumé

    La segmentation d'images et de séquences vidéo consiste à séparer les objets d'intérêt du reste de l'image. L'utilisation de contours actifs en utilisant une approche variationnelle repose sur la définition d'un critère de segmentation. Ce critère est ensuite dérivé à l'aide des gradients de forme, afin de parvenir à l'équation d'évolution du contour actif. Bien souvent ce critère dépend des caractéristiques de l'image et fait une hypothèse implicite sur les distributions de ces caractéristiques. Par exemple, considérer une fonction de la moyenne de l'intensité d'une région revient à faire une hypothèse gaussienne sur la distribution de cette intensité. Dans cette thèse, nous proposons de nous affranchir de ces hypothèses qui ne sont pas toujours respectées et de considérer les distributions les plus "réelles" possible en utilisant une estimation non-paramétrique de ces distributions. Nous présentons des critères issus de la théorie de l'information, comme l'entropie, afin de segmenter des zones de faible variabilité dans les images. Afin de prendre en compte plusieurs canaux comme les canaux couleur, l'entropie jointe et l'information mutuelle sont aussi utilisées. Lorsqu'une information a priori est connue, la divergence de Kullback-Leibler permet d'introduire une notion de distance à une segmentation de référence en cherchant à minimiser une "distance" entre distributions. Enfin, l'entropie jointe est utilisée afin de segmenter des objets en mouvement dans des séquences vidéo, que cela soit en ayant au préalable calculé un flot optique, ou en estimant de façon conjointe le mouvement avec la segmentation.

  • Titre traduit

    Non-parametric statistical methods for image and video segmentation and minimisation with active contours


  • Résumé

    Image and video segmentation consists in the partitioning of an image into objects of interest and background. When using active contours in an variational framework, the difficulty is to define an appropriate segmentation criterion. This criterion is then differentiated using shape gradients, in order to obtain the evolution equation of the active contour. Often this criterion depends on image features and makes an assumption on the distribution of such features. For example, considering a function of the intensity mean as a criterion is equivalent to making a Gaussian assumption on the distribution of the intensity. In this work, we propose to get rid of such assumptions by approximating actual distributions. We use a non-parametric kernel-based estimator. We propose different criteria coming from information theory, such as entropy, to segment zones with limited intensity variations. In order to take into account several channels like color channels, two alternatives are proposed : joint entropy and mutual information. When some a priori is available, the Kullback-Leibler divergence is used to minimize a distance between a reference distribution and the distribution of the current region. To segment moving objects in video sequences, the joint entropy is used. A first approach consists in computing the optical flow and minimizing the joint entropy of its components. A second approach consists in jointly estimating the motion and segmenting moving objects by minimizing the joint entropy of a residual and the image intensity.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (176 p.)
  • Annexes : Bibliogr. p. [161]-173. Résumés en français et en anglais

Où se trouve cette thèse ?

  • Bibliothèque : Université Nice Sophia Antipolis. Service commun de la documentation. Section Sciences.
  • Non disponible pour le PEB
  • Cote : 07NICE4042
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.