Échelles et espace des caractéristiques pour le traitement d'images

Nous étudions ici l apport de l espace des caractéristiques et des paramètres d échelle adaptatifs pour le filtrage et la segmentation d image. D une manière générale, l espace des caractéristiques se définit comme un espace multidimensionnel dans lequel il est possible de représenter un vecteur de paramètres associé à un individu. Ces paramètres, que nous appelons " caractéristiques ", peuvent être scalaires ou vectoriels et correspondent à tout type d information mesurable sur l individu: sa localisation spatiale, sa couleur, sa texture, etc. Le paramètre d échelle est défini comme une grandeur scalaire ou matricielle intervenant dans la pondération de ces mesures. Nous montrons comment ces deux concepts peuvent être définis en statistique dans le contexte de la théorie de l estimation non paramétrique. Puis nous nous intéressons à une méthode basée sur l estimation non paramétrique par noyau: le Mean-Shift. Enfin, nous proposons un nouveau formalisme pour la segmentation par croissance de région généralisée à l espace des caractéristiques. Nous terminons par quelques applications de nos méthodes sur des données issues de l imagerie médicale.

Autorentext

Thomas Grenier est diplômé en 2001 de l'université Jean Monnet (Master Recherche Image et Vision) et ingénieur (ex ISTASE, maintenant Télécom Saint-Etienne) puis réalise sa thèse au laboratoire Créatis à Lyon qu'il défend en 2005.Depuis 2006, il est maître de conférences au Département Génie Electrique de l'INSA de Lyon et au laboratoire Créatis.

Klappentext

Nous étudions ici l'apport de l'espace des caractéristiques et des paramètres d'échelle adaptatifs pour le filtrage et la segmentation d'image. D'une manière générale, l'espace des caractéristiques se définit comme un espace multidimensionnel dans lequel il est possible de représenter un vecteur de paramètres associé à un individu. Ces paramètres, que nous appelons ' caractéristiques ', peuvent être scalaires ou vectoriels et correspondent à tout type d'information mesurable sur l'individu: sa localisation spatiale, sa couleur, sa texture, etc. Le paramètre d'échelle est défini comme une grandeur scalaire ou matricielle intervenant dans la pondération de ces mesures. Nous montrons comment ces deux concepts peuvent être définis en statistique dans le contexte de la théorie de l'estimation non paramétrique. Puis nous nous intéressons à une méthode basée sur l'estimation non paramétrique par noyau: le Mean-Shift. Enfin, nous proposons un nouveau formalisme pour la segmentation par croissance de région généralisée à l'espace des caractéristiques. Nous terminons par quelques applications de nos méthodes sur des données issues de l'imagerie médicale.