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)
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
Loading...