Segmentation d'images par classifieurs non supervisés

Abstract

La segmentation d’image est une opération de traitement d’images de bas niveau qui consiste à localiser dans une image les régions (ensembles de pixels) appartenant à une même structure. Cette opération est à la base de nombreuses applications tant en vision industrielle, qu’en imagerie médicale. L’approche par classification fournie une partition de l'image en regroupant des pixels ayant des niveaux de gris similaires dans une même classe de pixels connaît un très grand succès. L’objectif de ce mémoire est d'étudier différentes méthodes de classification non supervisées et de les confronter afin de les appliquer sur des images cérébrales IRM en vue d'une segmentation et d'une classification des différentes régions correspondant aux différents tissus et structures. Nous nous sommes intéressés à une famille d’algorithmes : FCM qui modélise l’incertitude et l’imprécision qui a été beaucoup utilisé pour la segmentation des images cérébrales, quelle que soit la modalité et le type d’acquisition, PCM qui génère un degré d’appartenance absolu reflétant de manière exacte la réalité de distribution des pixels et le PFCM dont le but étant de tirer partie des avantages de chacun.