Triplet markov trees for image segmentation

Abstract : This paper introduces a triplet Markov tree model designed to minimize the block effect that may be encountered while segmenting image using Hidden Markov Tree (HMT) model-ing. We present the model specificities, the Bayesian Maximum Posterior Mode segmentation, and a parameter estimation strategy in the unsupervised context. Results on synthetic images show that the method greatly improves over HMT-based segmentation, and that the model is competitive with a hidden Markov field-based segmentation.
Type de document :
Communication dans un congrès
2018 IEEE Workshop on Statistical Signal Processing (SSP 2018), Jun 2018, Fribourg-en-Brisgau, Germany. 〈https://ssp2018.org/〉
Liste complète des métadonnées

Littérature citée [11 références]  Voir  Masquer  Télécharger

https://hal.archives-ouvertes.fr/hal-01815562
Contributeur : Jean-Baptiste Courbot <>
Soumis le : jeudi 14 juin 2018 - 11:52:23
Dernière modification le : jeudi 7 février 2019 - 16:19:46
Document(s) archivé(s) le : lundi 17 septembre 2018 - 11:56:58

Fichier

ssp_final.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-01815562, version 1

Citation

Jean-Baptiste Courbot, Emmanuel Monfrini, Vincent Mazet, Christophe Collet. Triplet markov trees for image segmentation. 2018 IEEE Workshop on Statistical Signal Processing (SSP 2018), Jun 2018, Fribourg-en-Brisgau, Germany. 〈https://ssp2018.org/〉. 〈hal-01815562〉

Partager

Métriques

Consultations de la notice

72

Téléchargements de fichiers

51