Représentation de la variabilité dans le traitement d'images flou

A. Rick

LIP6 2000/021: THÈSE de DOCTORAT de l'UNIVERSITÉ PARIS 6 LIP6 / LIP6 research reports
150 pages - Décembre/December 1999 - French document.

Get it : 2697 Ko /Kb

Contact : par mail / e-mail

Thème/Team: Apprentissage et Acquisition de Connaissances

Titre français : Représentation de la variabilité dans le traitement d'images flou
Titre anglais : Representation of variability in fuzzy image processing


Résumé : 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.

Abstract : One of the most important factors, which limit the performance of classifiers in many image processing tasks, is the variability. In this thesis, we will propose a new method to reduce the effect of variability in a fuzzy classification system for image processing by using the context in the image.
The method consists of the following steps:
- Parameterization of the histograms of all the attributes that are calculated on the images for the classification task which gives a compact description with a small number of parameters.
- Conctruction of a prototype which includes the variability and the interactions between the parameters using the learning database.
- Adaptation of the model to the current case by adapting the parameters of the prototype.
The proposed method is applied to a synthetic data base and to a database of mammography images for the detection of dense lesions.


Mots-clés : Classification floue, Apprentissage inductif, Variabilité, Mélanges, Algorithme EM, Régression, Prototypes, Modèles de Markov, Mammographie, Aide à la détection

Key-words : Fuzzy Classification, Inductive Learning, Variability, Mixture Models, EM Algorithm, Regression, Prototypes, Markov Models, Mammography, Computer Aided Detection


Publications internes LIP6 2000 / LIP6 research reports 2000

Responsable Éditorial / Editor :Valerie.Mangin@lip6.fr