Segmentation à partir de modèles probabilistes spatio-temporels à information clairsemée : contributions et applications

Spatio-temporal segmentation with probalilistic sparse models : contributions and applications

• Auteur / Autrice : Charles Florin
• Direction : Nikos Paragios
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques. Informatique
• Date : Soutenance en 2007
• Etablissement(s) : Marne-la-vallée, ENPC

Mots clés

Mots clés contrôlés

Traitement d'images -- Techniques numériques

Mots clés libres

Filtrage particulaire

Modèle adaptatif

Modèle autorégressif

Résumé

Cette étude présente comment une quantité limité d'information dans l'image peut être utilisée à des fins de segmentation et de suivi de l'objet. Cette information clairsemée est sélectionnée à partir d'un ensemble d'apprentissage en fonction de différents critères , puis le résultat final est reconstruit à partir de ces éléments clairsemés. Le premier critère prend en compte le lien entre l'information locale contenue dans l'image et le résultat recherché, de sorte à ce que seules les régions les plus significatives ne soient gardées. Le second critère rend compte de la qualité de reconstruction. Ce concept est appliqué au problème de segmentation dans une image volumétrique, puis au cas de suivi d'objet. Dans le deuxième problème, un modèle orédictif prévoit la position et la forme de l'objet future; ce modèle est mis-à-jour grâce à une optimisation incrémentale de ses paramètres. Enfin, le dernier problème est celui de segmentation de structures tubulaires, résolu grâce à une méthode Bayesienne séquentielle appelée filtrage particulaire.