Arbres de Markov triplets pour la segmentation d'images - Télécom SudParis Accéder directement au contenu
Communication Dans Un Congrès Année : 2017

Arbres de Markov triplets pour la segmentation d'images

Résumé

This paper introduces a Triplet Markov Tree model designed to minimize the block effect that may be encountered while performing image segmentation using Hidden Markov Tree (HMT) modeling. We present the model specificities, the Bayesian MPM segmentation, and a parameter estimation strategy for the unsupervized context. Results on synthetic images show that the method greatly improves over HMT-based segmentation, and that the model performs very well for extremely faint signal segmentation (−15 to −10 dB)
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)
Fichier principal
Vignette du fichier
Gretsi-final.pdf (336.67 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

hal-01611540 , version 1 (07-11-2017)

Identifiants

  • HAL Id : hal-01611540 , version 1

Citer

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. pp.1 - 4. ⟨hal-01611540⟩
128 Consultations
86 Téléchargements

Partager

Gmail Facebook X LinkedIn More