Academic literature on the topic 'Traitement d'images – Techniques numériques – Segmentation bayésienne'

La segmentation non supervisée d’images est parmi les problèmes clé en traitement d’images. Parmi les différents modèles et approches développées, une partie des méthodes statistiques, couramment utilisées, sont fondées sur le modèle par champs de Markov Cachés (CMC). Ce succès est principalement dû à l’aptitude du modèle de prendre en compte des dépendances spatiales des variables aléatoires, même lorsqu’elles sont en très grand nombre, pouvant dépasser le million. Dans un tel modèle le champ caché X est supposé markovien et doit être estimé à partir du champ observé Y. Un tel traitement est possible du fait de la markovianité de X conditionnellement à Y. Ce modèle a été ensuite généralisé aux champs de Markov couples (CMCouples), où l’on suppose directement la markovianité du couple (X,Y ), qui offrent les mêmes possibilités de traitements que les CMC et permettent de mieux modéliser le bruit ce qui permet, en particulier, de mieux prendre en compte l’existence des textures. Par la suite, les CMCouples ont été généralisés aux champs de Markov triplet (CMT), où la loi du couple (X,Y ) est une loi marginale d’un champ de Markov triplet T = (X ,U,Y ) , avec un champ auxiliaire U. L’objet de cette thèse est d’étudier les CMT. Deux variantes originales sont présentées : les champs de Markov évidentiels (CME), permettant la modélisation des incertitudes sur les paramètres ; et les champs de Markov Triplets Adaptés (CMTA), permettant la modélisation des différentes stationnarités de l’image cachée. Pour une segmentation non supervisée, deux méthodes originales d’estimation des paramètres sont proposées. La première est fondée sur le principe du gradient stochastique, et la seconde est fondée sur le principe de l’estimation conditionnelle itérative (ECI) et les moindres carrés. Cette dernière est ensuite généralisée aux cas des images non stationnaires avec du bruit non Gaussien corrélé, et à marginales quelconques. Elle permet de rechercher la forme même des différentes lois marginales en utilisant le système de Pearson, ainsi que d’estimer tous les paramètres du modèle. L’intérêt des différentes méthodes non supervisées obtenues est attesté par des simulations informatiques ainsi que par les premiers traitements des images réelles
Image segmentation is a fundamental and yet difficult task in machine vision. Several models and approaches have been proposed, and the ones which have probably received considerable attention are hidden Markov fields (HMF) models. In such model the hidden field X which is assumed Markovian, must be estimated from the observed –or noisy- field Y. Such processing is possible because the distribution X conditional on the observed process Y remains markovian. This model has been generalized to the Pairwise Markov field (PMF) which offer similar processing and superior modelling capabilities. In this model we assume directly the markovianity of the couple (X,Y ). Afterwards, triplet Markov fields (TMF) which are the generalization of the PMF, have been proposed. In such model the distribution of the couple (X ,Y ) is the marginal distribution of a Markov field T = (X ,U,Y ) , where U is latent process. The aim of this thesis is to study the TMF models. Two original models are presented: the Evidential Markov field (EMF) allowing to model the evidential aspects of the prior information and the adapted triplet Markov field (ATMF), allowing to model the simultaneous presence of different stationarities in the class image. For the unsupervised processing, two original approaches of estimation the model’s parameters have been proposed. The first one is based on the stochastic gradient and the second one is based on the iterative conditional estimation (ICE) and the least square method, as well. The latter, have then been generalized to the non stationary images with non Gaussian correlated noise, which uses the Pearson system to find the natures of margins of the noise, which can vary with the class. Experiments indicate that the new models and related processing algorithms can improve the results obtained with the classical ones

Segmentation bayesienne non supervisee en imagerie radar. La these est consacree a la segmentation statistique non supervisee en imagerie radar. L'accent a ete mis sur les methodes locales, qui au contraire des methodes globales ne necessitent pas l'hypothese d'independance des donnees observees conditionnellement a une realisation du terrain. Dans une premiere partie l'influence du contexte spatial sur l'estimation des parametres utilises par le modele d'image hierarchique et sur la segmentation bayesienne des images d'intensites mono-vue et multi-vues a ete etudie. Ensuite nous avons propose une methode d'estimation adaptative de parametres (asem) base sur l'estimateur sem, permettant la segmentation bayesienne des scenes homogenes, non-stationnaires. Les tests effectues sur des images de synthese et reelles ont montre la superiorite de la segmentation bayesienne utilisant les parametres estimes avec l'asem par rapport a la segmentation utilisant les parametres estimes avec le sem, mais aussi, sous certaines conditions, sur des images de synthese stationnaire. Dans une derniere partie l'idee d'une generalisation du modele d'image hierarchique de kelly et derin est proposee permettant l'adaptation de la probabilite marginale de chaque composant du melange aux differentes regions de l'image

Ces dernieres annees, de nombreuses ameliorations ont rendu les sonar haute resolution de plus en plus performants ; zones explorees plus vastes et visualisation des fonds marins et des objets reposant sur ceux-ci sous forme d'images etc en contre partie, la quantite d'informations a sensiblement augmentee et rend aujourd'hui necessaire d'automatiser la detection et la classification de ces objets. Celle-ci est realisee grace a une analyse de la forme de l'ombre qu'ils produisent sur les images sonar. L'automatisation de la phase de classification requiert donc une premiere etape de segmentation. A cette fin, un modele hierarchique markovien utilisant un systeme de voisinage spatial et causal en echelle ainsi qu'une strategie de minimisation multigrille ont ete definis. Le probleme de l'estimation automatique des parametres de ce modele a ete developpe dans le but de definir une segmentation non supervisee. Il comporte l'identification du melange de lois relatif au terme d'attache aux donnees et des parametres de regularisation contextuelle. Nous avons ensuite propose une methode de classification des ombres portees. L'approche adoptee utilise les modeles statistiques et repose sur une formulation bayesienne du probleme. Elle comprend la definition d'une forme prototype a laquelle est appliquees une combinaison de deformations geometriques lineaires. Dans ce cadre, le probleme de la classification d'un objet est equivalent a un probleme d'estimation bayesienne des parametres de deformation du modele. Cette estimation conduit a la minimisation d'une fonction d'energie, realisee par une procedure d'optimisation genetique. Afin d'ameliorer cette classification, un modele statistique pour la classification des fonds en imagerie sonar, utilisant une analyse des formes d'ombres que produit chaque type de fond et un module decision floue, a ete parallelement propose. Des validations importantes sur images sonar synthetiques et reelles sont enfin presentees.

L'imagerie médicale fournit un nombre croissant de données. La segmentation automatique est devenue une étape fondamentale pour l'analyse quantitative de ces images dans de nombreuses pathologies cérébrales comme la sclérose en plaques (SEP). Nous avons focalisé notre étude sur la segmentation d'IRM cérébrales. Nous avons d'abord proposé une méthode de segmentation des tissus cérébraux basée sur le modèle des chaînes de Markov cachées, permettant d'inclure l'information a priori apportée par un atlas probabiliste et prenant en compte les principaux artefacts présents sur les images IRM. Nous avons ensuite étendu cette méthode à la détection de lésions SEP grâce à un estimateur robuste. Nous avons également développé une méthode de segmentation d'IRM 3D basée sur les contours actifs statistiques pour raffiner la segmentation des lésions. Les résultats obtenus ont été comparés avec d'autres méthodes de segmentation et avec des segmentations manuelles réalisées par des médecins
Medical imaging provides a growing number of data. Automatic segmentation has become a fundamental step for quantitative analysis of these images in many brain diseases such as multiple sclerosis (MS). We focused our study on brain MRI segmentation and MS lesion detection. At first we proposed a method of brain tissue segmentation based on hidden Markov chains taking into account neighbourhood information. This method can also include prior information provided by a probabilistic atlas and takes into account the artefacts appearing on MR images. Then we extended this method to detect MS lesions thanks to a robust estimator and prior information provided by a probabilistic atlas. We have also developed a 3D MRI segmentation method based on statistical active contours to refine the lesion segmentation. The results were compared with other existing methods of segmentation, and with manual expert segmentations

Dans le contexte de la localisation globale et, plus largement, dans celui de la Localisation et Cartographie Simultanées, il est nécessaire de pouvoir déterminer si un robot revient dans un endroit déjà visité. Il s’agit du problème de la détection de fermeture de boucle. Dans un cadre de reconnaissance visuelle des lieux, les algorithmes existants permettent une détection en temps-réel, une robustesse face à l’alliasing perceptuel ou encore face à la présence d’objets dynamiques. Ces algorithmes sont souvent sensibles à l’orientation du robot rendant impossible la fermeture de boucle à partir d’un point de vue différent. Pour palier ce problème, des caméras panoramiques ou omnidirectionnelles sont employées. Nous présentons ici une méthode plus générale de représentation de l’environnement sous forme d’une vue sphérique égocentrée. En utilisant les propriétés de cette représentation, nous proposons une méthode de détection de fermeture de boucle satisfaisant, en lu des autres propriétés, une indépendance à l’orientation du robot. Le modèle de l’environnement est souvent un ensemble d’images prises à des instants différents, chaque image représentant un lieu. Afin de grouper ces images en lieux significatifs de l’environnement, des lieux topologiques, les méthodes existantes emploient une notion de covisibilité de l’information entre les lieux. Notre approche repose sur l’exploitation de la structure de l’environnement. Nous définissons ainsi un lieu topologique comme ayant une structure qui ne varie pas, la variation engendrant le changement de lieu. Les variations de structure sont détectées à l’aide d’un algorithme efficace de détection de rupture de modèle
In the context of global localization and, more widely, in Simultaneous Localization and Mapping, it is mandatory to be able to detect if a robust comes to a previously visited place. It is the loop closure detection problem. Algorithms, in visual place recognition, usually allow detection in real-time, are robust to perceptual aliasing or even to dynamic objects. Those algorithms are often sensitive to the robot orientation involving an impossibility to detect a loop closure from a different point of view. In order to alleviate this drawback, panoramic or omnidirectional cameras are often used. We propose a more general representation of the environment with an ego-centric spherical view. Using these representation properties, we elaborate a loop closure detection algorithm that satisfies, in addition to other properties, robot orientation independence. The environment model is often a set of images taken at various moments, each image corresponding to a place. Existing methods cluster those images ion meaning places of the environment, the topological places, using the concept of covisibility of information between places. Our approach relies on the utilization of the environment structure. We hence define a topological place as having a structure which does not change, variation leading to a place change. The structure variations are detected with an efficient change-point detection algorithm

La détection et l'extraction automatique de régions d'intérêt à l'intérieur d'une image est une étape primordiale pour la compréhension d'images. Une multitude d'études dédiées à ce problème ont été proposées durant les dix dernières années. Cependant, la plupart d'entre eux introduisent des heuristiques propres au type d'image considéré. La variété des caractéristiques possibles définissant une région d'intérêt est le principal facteur limitant leur généralisation. Dans cette thèse, nous proposons une formulation générale qui permet d'introduire chacune de ces caractéristiques. Plus précisément, nous considérons l'intensité de l'image, la couleur, la texture, le mouvement et enfin, la connaissance à priori sur la forme des objets à extraire. Dans cette optique, nous obtenons un critère probabiliste à partir d'une formulation Bayésienne du problème de la segmentation d'images. Ensuite, une formulation variationnelle équivalente est introduite et la segmentation la plus probable est finalement obtenue par des techniques d'évolutions de fronts. La représentation par ensembles de niveaux est naturellement introduite pour décrire ces évolutions, tandis que les statistiques régions sont estimées en parallèle. Ce cadre de travail permet de traiter naturellement des images scalaires et vectorielles mais des caractéristiques plus complexes sont considérées par la suite. La texture, le mouvement ainsi que l'à priori sur la forme sont traités successivement. Finalement, nous présentons une extende notre approche aux images de diffusion à résonance magnétique où des champs de densité de probabilité 3D doivent être considérés
Automatic detection and selection of regions of interest is a key step in image understanding. In the literature, most segmentation approaches are restricted to a particular class of images. This limitation is due to the large variety of cues available to characterize a region of interest. Targeting particular applications, algorithms are centered on the from most relevant cue. The limiting factor to obtain a general algorithm is the large variety of cues available to characterize a region of interest. It can be gray-level, color, texture, shape, etc. . . In this thesis, we propose a general formulation able to deal with each one of these characteristics. Image intensity, color, texture, motion and prior shape knowledge are considered. For this purpose, a probabilistic inference is obtained from a Bayesian formulation of the segmentation problem. Then, reformulated as an energy minimization, the most probable image partition is obtained using front evolution techniques. Level-set functions are naturally introduced to represent the evolving fronts while region statistics are optimized in parallel. This framework can naturally handle scalar and vector-valued smooth images but more complex cues are also integrated. Texture and motion features, as well as prior shape knowledge are successively introduced. Complex medical images are considered in the last part with the case of diffusion magnetic resonance images which gives 3D probability density fields

La segmentation des IRM cérébrales est une étape cruciale pour de nombreuses applications, tant dans le domaine clinique que pour les neurosciences. Elle est rendu difficile par les artéfacts inhérents à ce type d'image, leur faible contraste et les importantes variations individuelles qui limitent l'introduction de connaissances a priori. Dans cette thèse nous proposons une nouvelle approche de segmentation des IRM cérébrales dont l'originalité réside (1) dans le couplage de la segmentation des tissus, de la segmentation des structures et de l'intégration de connaissances anatomiques et (2) la volonté de prendre en compte la localité de l'information. La localité est modélisée via un cadre multi-agents : des agents sont distribués dans le volume et réalisent une segmentation markovienne locale. Dans une première approche (LOCUS, Local Cooperative Unified Segmentation) nous proposons des mécanismes intuitifs de coopération et de couplage pour assurer la cohérence des modèles locaux. Les structures sont segmentées via l'intégration de contraintes de localisation floue décrites par des relations spatiales entre structures. Dans une seconde approche (LOCUS-B, LOCUS in a Bayesian framework) nous considérons l'introduction d'un atlas statistique des structures. Nous reformulons le problème dans un cadre bayésien nous permettant une formalisation statistique du couplage et de la coopération. Segmentation des tissus, régularisation des modèles locaux, segmentation des structures et recalage local affine de l'atlas sont alors réalisés de manière couplée dans un cadre EM, chacune des étapes s'améliorant mutuellement. L'évaluation sur des images simulées et réelles montrent les performances de l'approche et en particulier sa robustesse aux artéfacts pour de faibles temps de calculs. Les modèles markoviens locaux distribués et coopératifs apparaissent alors comme une approche prometteuse pour la segmentation d'images médicales
Accurate magnetic resonance brain scan segmentation is critical in a number of clinical and neuroscience applications. This task is challenging due to artifacts, low contrast between tissues and inter-individual variability that inhibit the introduction of a priori knowledge. In this thesis, we propose a new MR brain scan segmentation approach. Unique features of this approach include (1) the coupling of tissue segmentation, structure segmentation and prior knowledge construction, and (2) the consideration of local image properties. Locality is modeled through a multi-agent framework: agents are distributed into the volume and perform a local Markovian segmentation. As an initial approach (LOCUS, Local Cooperative Unified Segmentation), intuitive cooperation and coupling mechanisms are proposed to ensure the consistency of local models. Structures are segmented via the introduction of spatial localization constraints based on fuzzy spatial relations between structures. In a second approach, (LOCUS-B, LOCUS in a Bayesian framework) we consider the introduction of a statistical atlas to describe structures. The problem is reformulated in a Bayesian framework, allowing a statistical formalization of coupling and cooperation. Tissue segmentation, local model regularization, structure segmentation and local affine atlas registration are then coupled in an EM framework and mutually improve. The evaluation on simulated and real images shows good results, and in particular, a robustness to non-uniformity and noise with low computational cost. Local distributed and cooperative MRF models then appear as a powerful and promising approach for medical image segmentation

Les images obtenues par un SAR (Synthetic Aperture Radar) sont très différentes des données optiques couramment utilisées en télédétection. Elles sont bruitées par le speckle qui donne un aspect poivre et sel à l'image et complique son exploitation. La recherche d'une méthode de segmentation adaptée aux images SAR nous a conduit à envisager une approche bayésienne. La segmentation bayésienne repose sur une modélisation statistique de l'image au niveau de la distribution du signal ainsi qu'une modélisation de l'image des régions. La modélisation de l'image à segmenter permet donc de considérer les statistiques liées à l'image et prendre en compte la grande variabilité spatiale due au speckle. La théorie markovienne associée à la modélisation de l'image des régions introduit un modèle de dépendance entre pixels voisins et permet d'orienter la classification vers une recherche de régions. Nous avons tout d'abord exposé en détail les hypothèses liées à ces concepts (distribution du signal, segmentation bayésienne, champ de Markov) et nous avons présenté la théorie et les algorithmes associes de façon unifiée. La complexité de réalisation nous a conduit à proposer, dans un objectif opérationnel sur la totalité d'une image (3000*3000), l'introduction d'une phase d'apprentissage. Différentes options pour la modélisation de l'image ont été retenues. Ces algorithmes ont ensuite été appliqués sur des images sar différentes : une image SAR aéroportée sur le Jura et deux images ERS-1 sur la Guinée pour lesquelles nous disposions des données terrains. Les résultats obtenus ont été comparés par rapport à une réalité terrain et analyses. Globalement, le gain des classifications obtenues par nos algorithmes, par rapport à une classification pixel par pixel, est significatif. Ces bons résultats montrent l'intérêt de ce type d'approche pour obtenir une classification (pas de filtrage préalable, intégration des statistiques, approche par région) et nous avons établi, parmi, parmi les diverses options explorées, un algorithme efficace

La sclérose en plaques (SEP) atteint autour de 80. 000 personnes en France. L'imagerie par résonance magnétique (IRM) est un outil essentiel pour le diagnostic de la SEP. Plusieurs bio-marqueurs sont obtenus à partir des IRM, comme le volume des lésions, et sont utilisés comme mesure dans des études cliniques en SEP, notamment pour le développement des nouveaux traitements. La segmentation manuelle des lésions est une tâche encombrante et dont les variabilités intra- et inter-expert sont grandes. Nous avons développé une chaîne de traitement automatique pour la segmentation des lesions focales en SEP. La méthode de segmentation est basée sur l'estimation robuste d'un modèle paramétrique des intensités du cerveau qui permet de détecter les lésions comme des données aberrantes. Nous avons aussi proposé deux méthodes pour ajouter de l'information spatiale avec les algorithmes mean shift et graph cut. Nous avons validé quantitativement notre approche en utilisant des images synthétiques et cliniques, provenant de deux centres différents pour évaluer la précision et la robustesse
Multiple sclerosis (MS) affects around 80. 000 people in France. Magnetic resonance imaging (MRI) is an essential tool for diagnosis of MS and MRI-derived surrogate markers such as MS lesion volumes are often used as measures in MS clinical trials for the development of new treatments. The manual segmentation of these MS lesions is a time-consuming task that shows high inter- and intra-rater variability. We developed an automatic workflow for the segmentation of focal MS lesions on MRI. The segmentation method is based on the robust estimation of a parametric model of the intensities of the brain; lesions are detected as outliers to the model. We proposed two methods to include spatial information in the segmentation using mean shift and graph cut. We performed a quantitative evaluation of our workflow using synthetic and clinical images of two different centers to verify its accuracy and robustness

La détection et la segmentation de formes dans les images à partir d'un échantillon nécessitent de combiner une analyse statistique des données à une analyse morphologique de l'image. L'analyse statique a pour objectif un calcul local de la similarité de l'image au modèle ; l'analyse morphologique vient compléter ce dispositif en permettant la prise en compte de l'information géométrique pour finaliser les étapes de détection et de segmentation. Les images étudiées sont des images multivaluées : images couleur, images multimodalité ou pile d'images émergeant d'une analyse multiéchelle d'une image scalaire... Le passage de l'image scalaire à l'image multivaluée pose des difficultés fondamentales, notamment pour l'analyse morphologique qui requiert de disposer d'un ordre total sur les valeurs manipulées. Contrairement aux scalaires, deux vecteurs ne sont pas comparables. La plupart des opérateurs définis dans le cas scalaire ne trouvent pas d'équivalent immédiat dans le cas vectoriel. Travailler à partir d'un échantillon permet de déverrouiller la situation, chaque élément de l'image multivaluée pouvant être ordonné selon sa similarité à l'échantillon. Sous réserve d'une relation univoque entre les vecteurs et leur rang dans l'espace des similarités, tous les opérateurs définis pour les images scalaires peuvent alors êtres étendus aux images vectorielles. Des applications sur les images couleur et sur des images médicales sont présentées. Une librairie "Open Source" (vmorph) a été réalisée afin détendre les opérateurs de morphologie mathématique aux vecteurs sur la base de nos travaux.