Contributions en segmentation statistique d'images et reconnaissance de formes 2D
Contributions to statistical image segmentation and 2D pattern Recognition
Résumé
This dissertation follows 9 years of my research activities, including 7 years as an assistant professor at the École Centrale Marseille and as a researcher into the Multidimensional Signal Processing Group of Institut Fresnel (CNRS UMR 6133). Works which I present explore some aspects of the statistical segmentation of images for applications in space imagery and the invariant description of 2D shapes for object recognition in video imagery. More precisely, the first part of the manuscript shows several extensions of the Hidden Markov Chain (HMC) model. First, these extensions deal with modifications of observed data with the vectorial HMC model and hidden data with the fuzzy HMC model. Second, we propose some modifications to the chain topology -and then on the independence assumptions the model relies on-, leading to the higher-order HMC and pairwise HMC models. These models are evaluated in the frame of earth observation, with Synthetic Aperture Radar image segmentation and bi-dates change detection applications for disaster management. The second part is devoted to 2D shape recognition, with geometrical invariance as central topic. In a first stage, we propose new complete families of similarity-based invariant descriptors from Fourier-Mellin transform and from complex moments, with application to gray-level object database indexing. Then, our works turned to the detection of objects with the incorporation of a shape invariant a priori into the snakes model and the tracking of a selected object in color video by means of a non Gaussian mixture model of object colors. This dissertation ends with the prospects of my research, especially those combining image segmentation with shape recognition, in the framework of the very high resolution images which allow sub-metric resolutions for both radar and optical data.
Ce mémoire retrace les activités de recherche que j'ai développées depuis 9 années dont 7 passées au sein de l'équipe Groupe Signaux Multidimensionnels de l'Institut Fresnel et à l'École Centrale Marseille. Les travaux que je présente explorent certains aspects de la segmentation statistique d'images pour des applications en imagerie spatiale et de la description invariante de formes 2D pour la reconnaissance d'objets en imagerie vidéo. Plus précisément, la première partie de ce document expose plusieurs extensions du modèle des chaînes de Markov cachées (CMC). Ces extensions portent sur des modifications soit de la modélisation des données observées avec le modèle de chaîne de Markov vectorielle et des données cachées avec le modèle de chaîne de Markov floue, soit de la topologie de la chaîne -et donc des hypothèses de dépendance statistique sous-jacentes-, aboutissant aux modèles appelés chaîne de Markov d'ordre supérieur et chaîne de Markov couple. Ces modèles sont évalués dans le cadre de la segmentation d'images radar et de la détection de changements lors de catastrophes naturelles. La seconde partie traite de la reconnaissance de formes 2D, avec pour thème centrale l'invariance géométrique. Dans un premier temps nous avons proposé de nouvelles familles complètes de descripteurs de forme invariants aux similitudes issues de la transformée de Fourier-Mellin et des moments complexes, pour des applications d'indexation de bases d'objets à niveaux de gris. La suite des travaux s'est orientée vers la détection d'objets avec l'intégration d'un a priori de forme invariant aux similitudes dans le modèle des snakes et la poursuite d'objets d'intérêt dans les séquences vidéo par un modèle de mélange de couleurs non gaussien. Le document se conclut avec les perspectives que je compte donner à mes recherches, notamment les projets combinant segmentation d'images et reconnaissance de formes, dans le cadre des images très haute résolution des futurs capteurs optique et radar qui permettent d'accéder à des données sub-métriques.
Loading...