| contributor |
Département Signal et Image, Institut National des Télécommunications, 9, rue Charles Fourier, 91011 Evry
|
| creator |
SALZENSTEIN (F.)
|
| PIECZYNSKI (W.)
|
| date |
2005-07-22T09:27:10Z
|
| 2005-07-22T09:27:10Z
|
| 1998
|
| |
| description |
In this paper we deal with the statistical grey-level segmentation, without any reference to texture . These methods can be divided
in two families : local methods and global ones . Local methods classify each pixel, using tools of Bayesian classification, from th e
information contained in its neighbourhood of a small size . Global methods are based on hidden Markov models and allow on e
to apply Bayesian techniques taking into account the entire information available . Adding a previous model parameter estimatio n
step, which is a mixture estimation, all these methods can be rendered automated, or unsupervised . On the one hand, results
obtained with unsupervised methods differ little from results obtained with true parameter based methods . On the other hand,
for a given segmentation method, the choice of the parameter estimation method has little influence on the final result . However,
the general behaviour of local and global methods are different . Although global methods can give excellent results when data
are well suited to the underlying model, in other situations local methods can ensure clearly better performance . The aim of the
present work is to propose a method for choosing between local and global methods . The choice we propose is automated, i .e . ,
independent from any human intervention and only depending on the image to be segmented . We deduce the choice from two
factors : class image homogeneity and spatial correlation of the noise . The good behaviour of our algorithm is validated wit h
simulations and real-world image segmentation results .
|
| Nous traitons dans cet article du problème de la segmentation d'images à partir de niveaux de gris et sans prise en compte de la notion de texture. Les méthodes statistiques de telle segmentation peuvent être divisées en deux familles : méthodes locales, où l'on classe chaque pixel à partir de l'information contenue dans son voisinage de petite taille, et méthodes globales, qui font appel aux modélisations markoviennes et permettent d'effectuer des classifications bayésiennes en tenant compte de toute l'information disponible. Toutes les méthodes peuvent être rendues automatiques, ou non supervisées, en leur adjoignant une méthode d'estimation de mélanges. Des études antérieures ont montré que le choix de la méthode d'estimation a, dans le cas gaussien, peu d'influence sur le résultat final. Cependant, les comportements généraux des méthodes locales et globales sont très différents et aucune famille n'est supérieure à l'autre dans toutes les situations. Nous proposons dans cet article un algorithme de choix automatique, à savoir fonctionnant sans intervention humaine et à partir de la seule image à segmenter, entre les méthodes locales et les méthodes globales. Le choix de l'algorithme est fait à partir de l'homogénéité de l'image des classes et de la corrélation spatiale du bruit. La pertinence des choix est montrée via simulations segmentations des images réelles.
|
| format |
52628 bytes
|
| application/pdf
|
| identifier |
Traitement du Signal [Trait. Signal], 1998, Vol. 15, N° 2, p. 119-127
|
| 0765-0019 |