LIP6 2000/021
- Thèse
Représentation de la variabilité dans le traitement d'images flou - A. Rick
- 150 pages - 17/12/1999- document en - http://www.lip6.fr/lip6/reports/2000/lip6.2000.021.pdf - 2,762 Ko
- Contact : rickand (at) nullgemse.fr
- Ancien Thème : APA
- Mots clés : Classification floue, Apprentissage inductif, Variabilité, Mélanges, Algorithme EM, Régression, Prototypes, Modèles de Markov, Mammographie, Aide à la détection
- Directeur de la publication : Valerie.Mangin (at) nulllip6.fr
Pour de nombreuses tâches de classification dans le cadre du traitement d'images, la variabilité d'une image à l'autre représente une limite de la performance de la classification. Un exemple illustrant ce problème est la détection des lésions en mammographie.
Dans cette thèse, notre but est de réduire l'influence de la variabilité inter-images, en utilisant le contexte dans l'image. A cette fin, nous proposons une méthode de paramétrisation des histogrammes d'attributs calculés sur l'image, qui permet une représentation compacte de ces histogrammes avec peu de paramètres. A partir d'une base d'apprentissage, nous construisons un prototype qui contient un modèle de la variabilité et des liens entre les paramètres.
Le modèle établi de cette manière est ensuite utilisé pour adapter le prototype à chaque nouveau cas.
Cette nouvelle démarche, proposée pour le traitement de la variabilité dans le cadre de la classification floue, est appliquée à une base de données simulée et à une base d'images mammographiques dans le but de détecter des opacités.
Dans cette thèse, notre but est de réduire l'influence de la variabilité inter-images, en utilisant le contexte dans l'image. A cette fin, nous proposons une méthode de paramétrisation des histogrammes d'attributs calculés sur l'image, qui permet une représentation compacte de ces histogrammes avec peu de paramètres. A partir d'une base d'apprentissage, nous construisons un prototype qui contient un modèle de la variabilité et des liens entre les paramètres.
Le modèle établi de cette manière est ensuite utilisé pour adapter le prototype à chaque nouveau cas.
Cette nouvelle démarche, proposée pour le traitement de la variabilité dans le cadre de la classification floue, est appliquée à une base de données simulée et à une base d'images mammographiques dans le but de détecter des opacités.