Arbres de Markov triplets pour la segmentation d'images

Résumé : Cet article présente un modèle d'arbre de Markov triplet qui minimise l'effet de bloc parfois rencontré lors de la segmentation d'images par des modèles d'arbres de Markov cachés (AMC). Nous présentons les spécificités du modèle, la segmentation bayésienne au sens du MPM (Maximum Posterior Mode), ainsi qu'une méthode d'estimation des paramètres dans le contexte non supervisé. L'application sur des images de synthèse améliore largement les résultats obtenus en utilisant les AMC et montrent en particulier l'efficacité de la modélisation pour des signaux extrêmement ténus (−15 à −10 dB)
Type de document :
Communication dans un congrès
GRETSI 2017 : XXVIème colloque, Sep 2017, Juan Les Pins, France. GRETSI, Actes GRETSI 2017 : XXVIème colloque, pp.1 - 4, 2017
Liste complète des métadonnées

Littérature citée [14 références]  Voir  Masquer  Télécharger

https://hal.archives-ouvertes.fr/hal-01611540
Contributeur : Médiathèque Télécom Sudparis & Institut Mines-Télécom Business School <>
Soumis le : mardi 7 novembre 2017 - 16:36:25
Dernière modification le : samedi 27 octobre 2018 - 01:26:43
Document(s) archivé(s) le : jeudi 8 février 2018 - 14:02:20

Fichier

Gretsi-final.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-01611540, version 1

Citation

Jean-Baptiste Courbot, Emmanuel Monfrini, Vincent Mazet, Christophe Collet. Arbres de Markov triplets pour la segmentation d'images. GRETSI 2017 : XXVIème colloque, Sep 2017, Juan Les Pins, France. GRETSI, Actes GRETSI 2017 : XXVIème colloque, pp.1 - 4, 2017. 〈hal-01611540〉

Partager

Métriques

Consultations de la notice

112

Téléchargements de fichiers

28