Inference and parameter estimation on belief networks for image segmentation

Christian Wolf (1) , Gerald Gavin (1)

1 LIRIS - Laboratoire d'InfoRmatique en Image et Systèmes d'information

Dans ce papier, on présente un nouveau réseau bayesien hiérarchique dédié à la segmentation d'images. Contrairement aux modèles classiques (e.g. le quad arbre), le graphe associé à ce réseau bayesien contient des cycles. Chaque niveau de cette structure hiérarchique contient autant de sommets que le niveau de base (qui contient lui-même autant de sommets que l'image à segmenter contient de pixels) et chaque sommet a plusieurs parents sur le niveau supérieur. Contrairement aux structures d'arbre classiques, ce modèle possède la propriété de stationnarité ce qui signifie qu'il est invariant aux translations de l'image. Le présence de boucles dans le modèle proposé rend le problème de l'inférence exacte délicat. L'apport majeur de ce papier, outre le modèle lui-même, est la présentation d'un algorithme d'inférence exact basé sur le problème classique de graphes, à base de maximisation de flots.

Mots clés: image segmentation; hierarchical model

Domaines: Apprentissage [cs.LG]

Christian Wolf, Gerald Gavin. Inference and parameter estimation on belief networks for image segmentation. Journées Francophone sur les Réseaux Bayésiens, May 2008, Lyon, France. ⟨hal-00280517⟩