Synthèse et segmentation markovienne d'images sur la base d'informations propres à la texture

Markovian synthesis and segmentation of images based on eigen informations of the texture

• Auteur / Autrice : Abdeljalil Sebbar
• Direction : André Smolarz
• Type : Thèse de doctorat
• Discipline(s) : Contrôle des Systèmes
• Date : Soutenance en 1989
• Etablissement(s) : Compiègne
• Ecole(s) doctorale(s) : École doctorale 71, Sciences pour l'ingénieur (Compiègne)

Mots clés

Mots clés contrôlés

Synthèses des couleurs -- logiciel

Traitement d'images -- Techniques numériques

Traitement d'images

Statistique bayésienne

Algorithmes

Gibbs, Mesures de

Markov, Processus de

Champs aléatoires de Markov

Analyse en composantes principales

Résumé

De nouveaux algorithmes de synthèse et de segmentation de textures et de segmentation d'images bruitées sont étudiés. L'approche bayésienne utilisant les champs aléatoires de Markov a été adaptée pour modéliser la texture. Pour la synthèse de texture un ensemble de paramètres composé de filtres adaptés et des variances des images filtrées correspondantes est extrait lors d'une phase d'apprentissage. Ces paramètres sont ensuite utilisés dans un modèle markovien pour la synthèse de texture. On a pu ainsi tester la pertinence du modèle et des paramètres choisis. Ces derniers ont donc ensuite été utilisés avec succès dans un algorithme de segmentation bayésienne d'images texturées. L'originalité de ces algorithmes est que l'étape d'estimation ne dépend pas du nombre de niveaux de gris de la texture. L'algorithme de synthèse ainsi présenté est limité à des textures homogènes ayant de 2 à 4 niveaux de gris, tandis que l'algorithme de segmentation a été appliqué à des textures homogènes à 256 niveaux de gris. Un autre algorithme de segmentation d'images bruitées est étudié. Le modèle utilisé est aussi markovien. De bons résultats ont été obtenus sur une image réelle.

New algorithms for texture synthesis and segmentation of textured images and for segmentation of noisy images are introduced. Markov random fields are used for texture modelling in a Bayesian approach. For texture synthesis, a set of parameters containing adapted filters and the variances of the corresponding filtered images is computed in a learning step. These parameters are then used in a Markovian model for texture synthesis. So we were able to observe the efficiency of the model and the parameters we choose. Then we have used them in a Bayesian segmentation algorithm of textured images. The originality of these synthesis and segmentation algorithm is that the estimation step is not depending on the number of the grey levels of the texture. The application of the presented synthesis algorithm is limited to homogenous textures with 2 to 4 grey levels, but the segmentation algorithm was applied to homogenous textures with 256 grey levels. An other algorithm for segmentation of noisy images was introduced. The model used is also Markovian. Good results were obtained on a real image.