Reconstruction d'image en tomographie par les méthodes Bayésiens

La tomographie à rayon X est l'une des techniques de contrôle non destructif, elle est utilisée pour la reconstruction d'image à deux ou trois dimensions. La reconstruction tomographique avec un nombre limité de données reste un problème mal-posé, du fait que les données de projection générées sont initialement bruitées. Il est alors indispensable d'apporter de l'information a priori sur l'objet à reconstruire. Une approche possible est bien l'approche bayésienne. Cette dernière ramène le problème de reconstruction en un problème d'optimisation, par la modélisation probabiliste de tous les paramètres inconnus.Dans ce travail, nous réalisons une étude approfondie de l'inférence bayésienne où l'on adopte un a priori de Gauss-Markov-Potts .La plus part des paramètres du modèle sont inconnus et nous voulons les évaluer conjointement avec l'objet d'intérêt, en utilisant l'approche bayésienne, dont lequel nous pouvons reconstruire conjointement les images et les segmenter dans manière optimale. Quelques comparaisons sont faites par les méthodes FBP, ART, MLEM et MAPEM par modèle de poisson pour attester les performances de notre méthode proposée.

Autorentext

Ingénieur en management et ingénierie de la maintenance département génie industrielle et maintenance.

Klappentext

La tomographie à rayon X est l'une des techniques de contrôle non destructif, elle est utilisée pour la reconstruction d'image à deux ou trois dimensions. La reconstruction tomographique avec un nombre limité de données reste un problème mal-posé, du fait que les données de projection générées sont initialement bruitées. Il est alors indispensable d'apporter de l'information a priori sur l'objet à reconstruire. Une approche possible est bien l'approche bayésienne. Cette dernière ramène le problème de reconstruction en un problème d'optimisation, par la modélisation probabiliste de tous les paramètres inconnus.Dans ce travail, nous réalisons une étude approfondie de l'inférence bayésienne où l'on adopte un a priori de Gauss-Markov-Potts .La plus part des paramètres du modèle sont inconnus et nous voulons les évaluer conjointement avec l'objet d'intérêt, en utilisant l'approche bayésienne, dont lequel nous pouvons reconstruire conjointement les images et les segmenter dans manière optimale. Quelques comparaisons sont faites par les méthodes FBP, ART, MLEM et MAPEM par modèle de poisson pour attester les performances de notre méthode proposée.