Arbres de Markov couple et segmentation non supervisée d'images : cas de la mono-résolution
Résumé
The Hidden Markov Trees (AMC), which become widely applied in signal and image processing problems, enable one to estimate realizations of a hidden process from realizations of an associated one. They have recentlty been extended to "Pairwise" Markov trees (AMCouple) models. The aim of this paper is to compare the performance of AMC and AMCouple in the field of segmentation on unsupervised mono-resolution images. We propose here an original model which, on the one hand, significantly improves the quality of the segmentations of images for which the noise's model doesn't verify the classical hypothesis of "Independent noise" and, on the other hand, preserve the good results obtained with AMC in the case of classical hypothesis on the noise.
Les modèles d'arbres de Markov cachés (ACM), de plus en plus souvent utilisés dans les problèmes de traitement du signal ainsi qu'en matière de segmentation d'images, permettent d'estimer la réalisation d'un processus caché à partir des réalisations d'un processus auxiliaire observable. Ces modèles ont été étendus aux Arbres de Markov couple (AMCouple) et l'objectif de cet article est de comparer les performances des AMC et des AMCouple dans le cadre de la segmentation non supervisée d'image mono-résolution. La méthode présentée ici améliore de façon significative la qualité des segmentations d'images dont le modèle de bruit ne vérifie pas les hypothèses classiques d'indépendance en préservant les résultats obtenus pour le modèle de bruit classique