SEGMENTATION NON SUPERVISEE D’IMAGES BASEE SUR LES MODELES DE MARKOV CACHES
الملخص
En raison du grand nombre d'images, il y a un besoin évident pour des outils d'analyse efficaces et automatiques. Ce travail
décrit la segmentation non supervisée d'images dans le cadre des modèles de Markov cachés précisément les champs et les
chaînes de Markov cachées et l’estimation des paramètres du modèle. Particulièrement les chaînes de Markov cachées, basées
sur le parcourt d’hilbert-peano de l'image, sont une alternative rapide et efficace que les champs de Markov cachées pour
l’estimation des paramètres et la segmentation non supervisée d’images. Des résultats obtenus sur des images réelles sont
présentés.
المراجع
[1] R. Fjortoft and al, “Unsupervised classification of
radar images based on hidden Markov models and
generalised mixture estimation,” in Conf. On SAR
Image Analysis, Modelling, and Techniques,
Barcelona, Spain, 25-29 September 2000, vol. SPIE
4173.
[2] S. Geman and D. Geman, “Stochastic relaxation,
Gibbs distributions and the Bayesian restoration of
images”, IEEE Transactions on Pattern Analysis and
Machine Intelligence, Vol. 6, No. 6, pp. 721-741,
1984.1987.
[3] Stephen G. Simpson, “Partial Realizations of Hilbert's
Program”February 4, 1986.
[4] W. Pieczynski, EM and ICE in hidden and triplet
Markov models, Stochastic Modeling Techniques and
Data Analysis international conference (SMTDA '10),
Chania, Greece, June 8-11, 2010.
[5] M. L. Comer and E. J. Delp, “The EM/MPM
Algorithm for Segmentation of Textured Images:
October 2000, pp. 1731-1744.
[6] J. Lapuyade-Lahorgue, W. Pieczynski, Partially
Markov models and unsupervised segmentation of
semi-Markov chains hidden with long dependence
noise, in: Proceedings of the International Symposium
on Applied Stochastic Models and Data Analysis,
ASMDA 2007, Chania, Greece, May 2007.
[7] W. Pieczynski, Convergence of the iterative
conditional estimation and application to mixture
proportion identification, in: IEEE Statistical Signal
Processing Workshop, SSP 2007, Madison, WI, USA,
August 26–29, 2007.
[8] V. Barra, « Modélisation Markovienne en imagerie »,
Institut Supérieur d’informatique, de Modélisation et
de leurs Applications, Campus des Cézeaux – B.P.
1025 – 63173 AUBIERE CEDEX, Master MSI, 2006
radar images based on hidden Markov models and
generalised mixture estimation,” in Conf. On SAR
Image Analysis, Modelling, and Techniques,
Barcelona, Spain, 25-29 September 2000, vol. SPIE
4173.
[2] S. Geman and D. Geman, “Stochastic relaxation,
Gibbs distributions and the Bayesian restoration of
images”, IEEE Transactions on Pattern Analysis and
Machine Intelligence, Vol. 6, No. 6, pp. 721-741,
1984.1987.
[3] Stephen G. Simpson, “Partial Realizations of Hilbert's
Program”February 4, 1986.
[4] W. Pieczynski, EM and ICE in hidden and triplet
Markov models, Stochastic Modeling Techniques and
Data Analysis international conference (SMTDA '10),
Chania, Greece, June 8-11, 2010.
[5] M. L. Comer and E. J. Delp, “The EM/MPM
Algorithm for Segmentation of Textured Images:
October 2000, pp. 1731-1744.
[6] J. Lapuyade-Lahorgue, W. Pieczynski, Partially
Markov models and unsupervised segmentation of
semi-Markov chains hidden with long dependence
noise, in: Proceedings of the International Symposium
on Applied Stochastic Models and Data Analysis,
ASMDA 2007, Chania, Greece, May 2007.
[7] W. Pieczynski, Convergence of the iterative
conditional estimation and application to mixture
proportion identification, in: IEEE Statistical Signal
Processing Workshop, SSP 2007, Madison, WI, USA,
August 26–29, 2007.
[8] V. Barra, « Modélisation Markovienne en imagerie »,
Institut Supérieur d’informatique, de Modélisation et
de leurs Applications, Campus des Cézeaux – B.P.
1025 – 63173 AUBIERE CEDEX, Master MSI, 2006
كيفية الاقتباس
RECHID, N. et al.
SEGMENTATION NON SUPERVISEE D’IMAGES BASEE SUR LES MODELES DE MARKOV CACHES.
Courrier du Savoir, [S.l.], v. 12, مايو 2014.
ISSN 1112-3338.
متوفر في: <https://revues.univ-biskra.dz./index.php/cds/article/view/449>. تأريخ الوصول: 26 أبر. 2025.
القسم
Articles
