| Attributes | Values |
|---|
| type
| |
| Thesis advisor
| |
| Author
| |
| alternative label
| - Textured image caracterization and segmentation based on autoregressive modelling with adapted spatial layout
|
| dc:subject
| - Thèses et écrits académiques
- Traitement d'images -- Techniques numériques
- Reconnaissance des formes (informatique)
- Identification automatique
|
| preferred label
| - Caractérisation et segmentation de textures sur la base de modèles autorégressifs à support spatial adapté
|
| Language
| |
| Subject
| |
| dc:title
| - Caractérisation et segmentation de textures sur la base de modèles autorégressifs à support spatial adapté
|
| Degree granting institution
| |
| note
| - Ces travaux concernent l'utilisation de la modélisation autorégressive bidimensionnelle en analyse de textures. Dans un premier temps, nous nous sommes attachés à déterminer automatiquement le support spatial du modèle AR de manière à ce qu'il soit adapté à la texture étudiée. Nous proposons 3 techniques différentes d'identification de ce support, fondées sur des mesures de corrélation et corrélation partielle, estimées sur un large voisinage. La sélection des éléments du support peut être réalisée en utilisant les critères d'information de Schwarz ou Akaike. L'évaluation des modèles adaptés obtenus montre qu'ils améliorent conjointement la représentation de la texture et leur pouvoir discriminant. Dans un second temps, nosu avons utilisé ces modèles adaptés dans un algorithme original de segmentation d'images texturées. Le déroulement de cet algorithme s'inspire du schéma simplifié de la vision humaine : une étape d'initialisation rapide permet de déterminer grossièrement les différentes régions texturées, puis une étape itérative concentrée sur les zones de frontières permet de localiser plus précisément les contours des différentes régions. L'image est structurée en arbre quaternaire et chauqe bloc est classé selon un critère original prenant en compte, à la fois le contexte lié à la texture, par le biais de la modélisation autorégressive, et à la fois, le contexte lié à la connexité des blocs dans l'image. Enfin, nous proposons un module indépendant d'estimation du nombre et du type de textures présentés dans l'image originale qui, utilisé avec l'algorithme de segmentation, permet d'obtenir une méthode de segmentation non supervisée d'images de textures. Des résultats sur des mosaïques de textures de l'album de Brodatz sont données comparativement à 4 autres méthodes de segmentation tirées de la littérature, et permettent de mieux situer notre approche dans le domaine vaste de l'analyse de textures
|
| 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)
