dc.description.abstract |
La segmentation d’image est le processus de partitionnement d’une image en régions non
chevauchées, homogène vis-à-vis de certaines caractéristiques, telle que le niveau de gris, la couleur,
texture …etc. . Elle a des applications dans plusieurs domaines comme l’imagerie médicale, l’imagerie
par satellite …etc. Le processus de segmentation représente une étape cruciale dans le système de
vision par ordinateur car les caractéristiques et décisions sont extraites et prise à partir de son résultat.
Les premiers algorithmes de segmentation d’image ont vu le jour dans les années 1970, depuis de
nombreuse techniques et méthodes de segmentation ont été expérimentées pour essayer d’améliorés
les résultats, ces dernière années l’introduction des méta-heuristiques dans le domaine du traitement
d’images a permis d’étudier la segmentation sous un angle différent avec des résultats plus ou moins
réussis.
Dans le but d’apporter notre contribution et d’améliorer davantage les performances des méthodes de
segmentation, nous avons proposé des algorithmes basés sur la classification flou en utilisant
l'algorithme standard de classification non-supervisée C-Moyennes Floues (FCM) est très populaire en
segmentation d’images, mais il ne tient pas a la topologie de l’image il ne se base que sur la valeur des
pixels de ce fait il reste très sensible aux bruits et aux inhomogénéité dans l’image, de plus il reste
tributaire de l’initialisation des centres de classes. Afin de rendre l'algorithme plus robuste face aux
imprécisions et aux bruits, deux Techniques d'intégration et de prise en compte de l'information
spatiale ont été introduites par (FCM_S1). Nous avons combiné l’algorithme FCM_S1 avec la
méthode de level set en initialisant automatiquement le contour initial d’une région recherchés.
Les méthodes proposées ont été évaluées sur des bases de donnés expérimentales composées d’image
synthétiques, d’images IRM simulés, Les résultats montrent que les techniques proposées qui intègres
l'information spatiale donnent de meilleur performance de segmentation. |
en_US |