Segmentation d’image par les chaines de Markov cachées

Abstract

Dans ce modeste travail on a étudié le thème de segmentation d’image par les chaines de Markov cachées, où on a donné quelques définitions sur l’imagerie numérique, et les éléments d’analyse lui en rattachées, on a étudié la segmentation d’image dans un cadre d’apprentissage. Dans un premier temps nous avons présenté l’apprentissage selon le paradigme Bayésien classique, où on a cité un ensemble de méthodes d’estimation de paramètres d’un modèle exemple : MAP (Maximum A Posteriori), MPM (Maximum a Posteriori Marginal). Dans un second temps on a entamé une approche stochastique pour la segmentation d’image, nous parlons de la segmentation par chaines de Markov cachées. Nous avons présenté les différents méthodes et algorithmes d’estimation de paramètres tels que : EM (Estimation Maximisation), SEM (Stochastique Estimation Maximisation), ICE (Itératif Conditionnelle Estimation). A la fin, on a prit un algorithme classique (MPM) de l’approche Bayésienne, et un deuxième plus récent (EM) pour les chaines de Markov, comme exemple d’application de la segmentation d’image, on a récupérer les résultats d’application, tiré des observations du comportement et de performance et nous avons fait une comparaison entre les résultats obtenus.