Segmentation par champs aléatoires pour l'indexation d'images de documents

par Stéphane Nicolas

Thèse de doctorat en Sciences appliquées, spécialité informatique, automatique, systèmes

Sous la direction de Thierry Paquet.

Soutenue en 2006

à Rouen .

mots clés

• Méthodes d'inférence
• Valorisation du patrimoine
• Traitement d'images
• Illustrations -- Interprétation -- Étiquetage
• Champs aléatoires

Résumé

Avec le développement des technologies numériques, la valorisation de notre patrimoine documentaire est devenue un enjeu majeur, qui pose des difficultés d'indexation et d'accès à l'information. L'analyse de documents peut apporter une solution mais les méthodes classiques ne sont pas suffisamment souples pour s'adapter à la variabilité rencontrée. Notre contribution porte sur l'implémentation d'un modèle de champ de Markov 2D et d'un modèle de champ aléatoire conditionnel 2D, qui permettent de prendre en compte la variabilité et d'intégrer et d'intégrer des connaissances contextuelles, en bénéficiant de techniques efficaces d'apprentissage. Les expérimentations effectuées sur des brouillons d'auteurs et sur les manuscrits de la Renaissance, montrent que ces modèles représentent une solution intéressante et que le modèle constitutionnel, de par son caractère discriminant et sa capacité naturelle à intégrer plus de caractéristiques et d'information contextuelle, offre de meilleures performances.

Titre traduit

Segmentation using random fiels for document image indexing

Résumé

With the development of digital technologies, the valorization of our cultural heritage is becoming a major stake, which exhibits a lot of difficulties for information indexing and retrieval. Document image analysis can bring a solution, however traditionnal methods are not flexible enough to deal with the variability found in patrimonial documents. Our contribution relates to the implementation of a 2D Markov random field model and a 2D conditional random field model, which make it possible to make variability into account and to integrate contextual knowledge, while taking benefit from machine learning techniques. Experiments on handwritten drafts and manuscripts of the Renaissance, show that these models can provide interesting solutions. Furthermore, the conditional random field model provids better results, allowing to integrate more intrinsic and contextual features in a discriminative framework, using a classifier combination approach.