Segmentation d'image par simulations a contrario
Résumé
Segmenting an image into homogeneous regions generally involves a decision criterion to establish whether two adjacent regions are similar. Decisions should be adaptive to get robust and accurate segmentation algorithms, avoid hazardous a priori and have clear justification. We propose a decision process based on an a contrario reasoning: two regions are meaningfully different if the probability of observing such a difference in pure noise is very low. Since the existing analytical methods are intractable in that case, we generalize them to allow a mixed use of analytical computations and Monte-Carlo simulations. The resulting decision criterion is tested experimentally through a simple merging algorithm, which can be used as a post-filtering and validation step for existing segmentation methods.
La segmentation d'une image en régions homogènes nécessite généralement un critère de décision pour établir si deux régions adjacentes sont similaires. Pour obtenir des algorithmes robustes et pertinents, ces décisions doivent avoir des justifications claires. La variabilité des images naturelles étant très complexe à modéliser, nous proposons un processus de décision basé sur un raisonnement a contrario : deux régions sont significativement différentes si la probabilité d'observer leurs différences par hasard est très faible. Les méthodes de calculs analytiques existantes étant inapplicables dans le cas de la segmentation, nous les assouplissons en autorisant un mélange de calculs analytiques et de simulations. Le critère de décision obtenu est testé expérimentalement avec un algorithme de fusion de régions utilisé comme étape de post-filtrage et de validation pour des algorithmes existants.