Segmentation bayésienne d'images constantes par morceaux: cas de distorsion non-linéaire, données manquantes et bruit de Poisson
Résumé
Cet article explore le problème de segmentation d’images constantes par morceaux, contaminées par un bruit de Poisson. Le travailinclut deux types de dégradations supplémentaires: pixels manquant et gain non-linéaire. Notre solution suit une approche bayésienne, ce quipermet d’assurer estimation et segmentation optimales. Un échantillonneur de Gibbs, incluant des mouvements de Metropolis-Hastings explorela loi a posteriori. Les échantillons sont alors utilisés pour approcher les quantités d’intérêt, en particulier amplitudes des classes et étiquettes desegmentation. Malgré la présence des dégradations, les résultats sont encourageants et généralement proches de ceux obtenus sans dégradation.