Étude des fonctions B-splines pour la fusion d'images segmentées par approche bayésienne
Auteur / Autrice : | Atizez Hadrich Ben Arab |
Direction : | Mourad Zribi, Afif Masmoudi |
Type : | Thèse de doctorat |
Discipline(s) : | Traitement du signal et de l'image et Mathématiques Appliquées |
Date : | Soutenance le 02/12/2015 |
Etablissement(s) : | Littoral en cotutelle avec Université de Sfax. Faculté des sciences |
Ecole(s) doctorale(s) : | École doctorale Sciences pour l'ingénieur (Lille) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire d'informatique, signal et image de la Côte d'Opale (Calais, Pas de Calais) - Laboratoire d'Informatique Signal et Image de la Côte d'Opale / LISIC |
Jury : | Président / Présidente : Slim Chaabane |
Examinateurs / Examinatrices : Mourad Zribi, Afif Masmoudi, Yassine Ruichek | |
Rapporteurs / Rapporteuses : Hassine Maatoug, Stéphane Derrode |
Mots clés
Mots clés contrôlés
Résumé
Dans cette thèse nous avons traité le problème de l'estimation non paramétrique des lois de probabilités. Dans un premier temps, nous avons supposé que la densité inconnue f a été approchée par un mélange de base B-spline quadratique. Puis, nous avons proposé un nouvel estimateur de la densité inconnue f basé sur les fonctions B-splines quadratiques, avec deux méthodes d'estimation. La première est base sur la méthode du maximum de vraisemblance et la deuxième est basée sur la méthode d'estimation Bayésienne MAP. Ensuite, nous avons généralisé notre étude d'estimation dans le cadre du mélange et nous avons proposé un nouvel estimateur du mélange de lois inconnues basé sur les deux méthodes d'estimation adaptées. Dans un deuxième temps, nous avons traité le problème de la segmentation statistique semi supervisée des images en se basant sur le modèle de Markov caché et les fonctions B-splines. Nous avons montré l'apport de l'hybridation du modèle de Markov caché et les fonctions B-splines en segmentation statistique bayésienne semi supervisée des images. Dans un troisième temps, nous avons présenté une approche de fusion basée sur la méthode de maximum de vraisemblance, à travers l'estimation non paramétrique des probabilités, pour chaque pixel de l'image. Nous avons ensuite appliqué cette approche sur des images multi-spectrales et multi-temporelles segmentées par notre algorithme non paramétrique et non supervisé.