| Attributes | Values |
|---|
| type
| |
| Thesis advisor
| |
| Author
| |
| alternative label
| - Image segmentation: cooperation, fusion, evaluation
|
| dc:subject
| - Thèses et écrits académiques
- Traitement d'images -- Techniques numériques
- SCIENCES APPLIQUEES : INFORMATIQUE, AUTOMATIQUE THEORIQUE, SYSTEMES
- TRAITEMENT IMAGE/SEGMENTATION/EVALUATION PERFORMANCE/PIXEL/ANALYSE IMAGE/DETECTION CONTOUR/DISTORSION
- IMAGE PROCESSING/SEGMENTATION/PERFORMANCE EVALUATION/PIXEL/IMAGE ANALYSIS/EDGE DETECTION/DISTORTION
|
| preferred label
| - Segmentation d'images, coopération, fusion, évaluation
|
| Language
| |
| Subject
| |
| dc:title
| - Segmentation d'images, coopération, fusion, évaluation
|
| Degree granting institution
| |
| note
| - La segmentation d'images naturelles complexes est généralement imparfaite si l'on n'utilise qu'une seule technique de segmentation. Il est donc nécessaire de faire coopérer plusieurs processus de segmentation. Le travail réalisé dans cette thèse se divise en deux parties: 1) Développement d'une approche coopérative pour la segmentation d'images naturelles. Le principe consiste à utiliser la redondance entre les résultats obtenus par plusieurs segmentations «région» afin de localiser des germes qui ont une grande certitude d'appartenir à des régions homogènes. A partir de ces germes une procédure de croissance de régions basée sur les caractéristiques des germes permet d'agglomérer progressivement les pixels hors germes. Le processus est contrôlé par le gradient de l'image afin d'obtenir une meilleure précision sur les frontières des régions extraites. Les germes sont extraits par un mécanisme de fusion de plusieurs segmentations primaires. Ce mécanisme permet également de proposer une segmentation consensus entre les segmentations de départ. 2) Caractérisation quantitative du résultat de la segmentation: La mesure couramment utilisée est basée sur le pourcentage des pixels mal classés entre le résultat fourni par un algorithme de segmentation et une segmentation de référence. Cette mesure reste insuffisante car elle ignore toute information spatiale sur la localisation des frontières des régions. La nouvelle mesure proposée tient compte à la fois du nombre de pixels mal classés et de leurs localisations. Cette mesure de dissimilarité permet l'évaluation numérique du résultat d'un algorithme de segmentation sur des images où l'on connaît la segmentation de référence. De plus, elle permet d'étendre à l'espace des segmentations certaines techniques de filtrage développées dans le cas de signaux scalaires.
|
| dc:type
| |
| http://iflastandar...bd/elements/P1001
| |
| rdaw:P10219
| |
| has content type
| |
| is primary topic
of | |
| is rdam:P30135
of | |
![[RDF Data]](/fct/images/sw-rdf-blue.png)
