Méthodes markoviennes pour la séparation aveugle de signaux et images

par Rima Guidara

Thèse de doctorat en Traitement du signal

Sous la direction de Shahram Hosseini et de Yannick Deville.

Soutenue en 2009

à Toulouse 3 .

mots clés

• Séparation aveugle de sources (SAS)
• Séparation aveugle d'images
• Analyse en Composantes Indépendantes (ACI)
• Mélange linéaire instantané
• Modèle de Markov
• Champ de Markov à demi-plan non-symétrique
• Non-stationnarité
• Algorithme équivariant de Newton-Raphson
• Estimateur polynômial de fonctions score
• Séparation de sources (traitement du signal)
• Markov, Processus de
• Traitement du signal
• Estimation de paramètres

Résumé

Cette thèse présente de nouvelles méthodes markoviennes pour la séparation aveugle de mélanges linéaires instantanés des signaux unidimensionnels et des images. Dans la première partie, nous avons proposé plusieurs améliorations pour une méthode existante de séparation de signaux temporels. La nouvelle méthode exploite simultanément la non-gaussianité, l'autocorrélation et la nonstationnarité des sources. D'excellentes performances ont été obtenues pour la séparation de mélanges artificiels de signaux de parole, et nous avons réussi à séparer des mélanges réels de spectres astrophysiques. Une extension à la séparation des images a été ensuite proposée. La dépendance entre pixels a été modélisée par un champ de Markov à demi-plan non-symétrique. De très bonnes performances ont été obtenues pour la séparation de mélanges artificiels d'images naturelles et d'observations non-bruitées du satellite Planck. Les résultats pour un faible bruit sont acceptables.

Titre traduit

Markovian methods for blind separation of signals and images

Résumé

This thesis presents new Markovian methods for blind separation of instantaneous linear mixtures of one-dimensional signals and images. In the first part, we propose several improvements to an existent method for separating temporal signals. The new method exploits simultaneously non-Gaussianity, autocorrelation and non-stationarity of the sources. Excellent performance is obtained for the separation of artificial mixtures of speech signals, and we succeed to separate real mixtures of astrophysical spectra. An extension to image separation is then proposed. The dependence within the image pixels is modelled by non-symetrical half-plane Markov random fields. Very good performance is obtained for the separation of artificial mixtures of natural images and noiseless observations of the Planck satellite. The results obtained with a low level noise are acceptable.