Une Approche Bio-mimtique pour la Segmentation d'Images Inspiration des Araignes Sociales

Safia Djemame 1, Mohammed Batouche 2

1

Dpartement Informatique, Universit Ferhat Abbes, Stif 19000, Algrie s_djemame@yahoo.fr

2

Computer Science Department,

CCIS-King Saud University, Riyadh, Saudi Arabia batouche@ccis.edu.sa

Rsum . On explore le domaine de la vie artificielle qui ouvre de nouveaux horizons pour trouver des solutions bio-inspires des problmes de traitements d'images. Outre les fourmis qui ont t utilises avec succs, nous explorons une nouvelle approche base sur l'interaction d'araignes sociales, o on adapte la construction collective de toile une segmentation d'image en rgion. Les araignes ont t utilises avec succs pour extraire des rgions sur des images niveaux de gris. Nous reprenons cette mthode et essayons de l'adapter pour une segmentation d'images. Les araignes qui sont considres comme des agents simples, autonomes, perception limite, communiquent par stigmergie de la soie qu'elles tissent, et construisent ainsi plusieurs toiles assimilables des rgions sur une image. Mots cls : segmentation d'images, vie artificielle, systme multi-agents ractifs, bio-mimtime, intelligence en essaim, stigmergie, araignes sociales.

1 Introduction
La segmentation des images constitue le cur de tout systme de vision et une tape importante dans le processus danalyse des images. Elle a pour objectif de fournir une description des objets contenus dans limage par lextraction de diffrents indices visuels tels que les contours des objets, les rgions homognes, les objets 3 D. Ils seront exploits ensuite pour une description symbolique de la scne permettant une interprtation et ventuellement une prise de dcision. La phase de segmentation dimages nest pas considre comme un but en soi, mais dpend fortement aussi bien du type de traitement fix par l'utilisateur sur les objets prsents dans limage, que de la nature de limage (prsence de bruit, prsence de zones textures, contours flous....), ainsi que des primitives que lon cherche extraire de limage et qui dpendent des oprations situes en aval de la segmentation (localisation, calcul 3D, reconnaissance de formes, interprtation). Ces aspects, ainsi que les contraintes dexploitation (complexit algorithmique, aspect temps rel), justifient la multiplicit des techniques dveloppes dans le domaine de la segmentation dimage. Jusqu ce jour, il nexiste pas de mthode universelle de segmentation dimages. Toute technique nest efficace que pour un type dimage donn, pour un type dapplication donn, et dans un contexte informatique donn. En raison de ces contraintes, les diverses stratgies de segmentation qui ont t proposes ont affirm leurs insuffisances et leurs limitations, il est donc tout fait normal dexplorer de nouveaux horizons et trouver de nouvelles mthodes plus souples et plus efficaces.

Le domaine de la complexit, la vie artificielle reprsente un nouvel axe de recherche pour plusieurs disciplines. En effet, les notions de chaos, non-linarit, auto-organisation et proprits mergentes ouvrent de nouveaux horizons de recherche dans le domaine du traitement de linformation. On cherche modliser des proprits du vivant : facult dadaptation, lapprentissage, lintelligencelobjectif tant de construire des systmes robustes, dynamiques, capables de sexcuter seuls, dajuster leurs comportements face des circonstances varies, et de prparer leurs ressources pour grer au mieux leur charge de travail [13].

2. La Vie Artificielle, Inspiration des Systmes Naturels :

Le terme de vie artificielle a fait son apparition officielle en 1987 dans le premier sminaire ARTIFICIAL LIFE, o Christopher Langton prsenta ses automates cellulaires, rpliques artificielles de cellules vivantes, capables de se reproduire seuls pour former des structures organiques proches des colonies de coraux. La vie artificielle est gnralement apprhende de deux manires [9] : Dune part, on utilise les mthodes et les outils informatiques pour les recherches en biologie, on analyse les systmes naturels et on essaie de produire des modles informatiques les reprsentant, exemple : la simulation volutionnaire de la dynamique des co-systmes, changement de population dans un systme prdateur-proie. Dautre part, il sagit de concevoir de nouveaux types de calculs avec des techniques inspires de la biologie, ainsi ont vu le jour des outils tels que : les rseaux neurone artificiels (ANN), les algorithmes gntiques (GA), les systmes multi-agents (SMA), le calcul bas sur les essaims (swarm based computing). Ces nouvelles mthodes ont en commun les qualits hrites de leur source dinspiration naturelle : la robustesse, la tolrance aux bruits, la dynamicit, la flexibilit et ladaptabilit.

2.1 Intelligence en Essaim

Depuis quelques annes, les chercheurs informaticiens ont trouv dans la vie artificielle une source dinspiration pour la conception de nouveaux systmes informatiques. Il sagit de puiser dans les comportements des tres naturels de nouvelles approches pour la rsolution de problmes difficiles. Le rle de linformaticien est dobserver et comprendre les mcanismes et processus qui rgissent les comportements dits intelligents de ces individus pour la rsolution des problmes courants, puis extraire partir de ces tudes des modles implantables sur des machines dont les rsultats pourront tre valids par rapport ceux observs dans la nature. En Biologie par exemple, de nombreux systmes naturels composs dindividus simples autonomes exhibent des aptitudes effectuer des tches qualifies de complexes sans contrle global. De plus, ils peuvent sadapter leur milieu soit pour y survivre, soit pour amliorer le fonctionnement du collectif. Cest le cas des colonies dinsectes sociaux [8] tels que les termites, fourmis, abeilles [3], ou araignes et rats [4] qui font effectivement preuve de remarquables capacits pour effectuer des tches telles que : la construction de nids complexes, la construction de pont, la recherche de nourriture, la capture de proies Ltude des dplacements collectifs de vols doiseaux migrateurs ou de bancs de poissons montre galement le fait que la tche collective est le rsultat des interactions des individus autonomes [22]. Le fonctionnement du systme immunitaire est lui aussi reprsentatif du fonctionnement dun systme complexe compos dun ensemble dagents autonomes. Tous ces systmes naturels prsentent un point commun : lmergence dun comportement global collectif et complexe partir de simples interactions entre des individus simples dots dune intelligence trs rduite et ne possdant quune vision trs partielle de leur environnement [3]. Ce comportement mergeant leur permet de rsoudre collectivement des problmes trs complexes.

2.2 Stigmergie Un des mcanismes de coordination globaux le plus puissant dans des systmes distribus biologiques est la stigmergie, qui est dorigine de deux mots grecs stigma qui est " signe" et ergos qui est " travail", ce mot a t

donn par Grass [15] loccasion de ltude de la construction du nid chez les termites. Le principe de ce mcanisme est que lbauche dune construction par un individu est capable de dclencher et dorienter le comportement btisseur des autres membres du groupe, ltat de la construction est le stimulus, et la rponse est lactivit de construction. Autrement dit, luvre guide louvrier . La stigmergie est observe en force chez les fourmis (phromone), et chez les araignes (soie). 2.3 Travaux Inspirs des Systmes Naturels : Plusieurs modles informatiques inspirs des socits d'animaux ont t labors et utiliss pour la rsolution de problmes, citons: [5] les colonies de fourmis pour l'optimisation (TSP), tri collectif, transport collectif, ont donn naissance aux algorithmes des colonies de fourmis (ACO) les nuages d'oiseaux et les bancs de poissons ont t une source d'inspiration pour la mise en place de comportements de dplacement dans l'animation vido par exemple, ils ont t lorigine des algorithmes essaims de particules les rats : allocation de ressources dans un rseau [10] d'autres modles comme les colonies d'abeilles, les gupes, ou les termites [15], les loups sont aussi cits dans la littrature.

3. Etat de l'Art, Travaux Connexes:

Les systmes multi-agents (SMA) offrent une architecture permettant de faire travailler plusieurs entits autonomes sur un mme problme (en coopration ou en parallle) laide de protocoles de communication et de processus dchange dinformations. Le paradigme Multi-agents a t largement utilis avec succs ces dernires annes dans le domaine de traitement dimages en gnral et dans la segmentation en particulier. La plupart des travaux ayant propos des SMA en vision par ordinateur ont opt pour l'approche agents situs. Ce choix est motiv par le fait que l'information brute traite en vision artificielle est locale, situe au niveau des pixels. L'image reprsente l'environnement dans lequel les agents sont placs pour l'explorer la recherche des diffrents objets qui reprsentent son contenu. Les agents parcourent l'image la recherche d'informations gomtriques bien dfinies, cooprent pour changer les informations manquantes, et prendre des dcisions concernant les sites de l'image analyse. Cette approche est novatrice car elle va l'encontre de la conception classique centralise et planifie des tches d'analyse d'images. Elle met en relief la distribution du calcul, l'adaptation locale des traitements et la richesse des cooprations possibles entre les aspects contour et rgion. Dans la suite, nous exposons quelques travaux utilisant l'approche multi_agent pour la segmentation d'images. Bellet [1] propose un systme multi-agents spcialiss pour la segmentation dimages tel que certains agents excutent une croissance de rgions alors que dautres excutent un processus de dtection de contours. La coopration entre les deux types dagents est dynamique et permet de propager une information quand elle devient ncessaire pour une prise de dcision. Dans le mme ordre dide, Boucher [2] propose dutiliser des agents spcialiss pour la segmentation et linterprtation de squences dimages cytologiques en mouvement. Cest une approche distribue o chaque agent est spcialis pour la reconnaissance dun concept de limage. Le modle gnrique dagents est compos de quatre comportements de base : perception croissance de rgion ou de suivi de contours), interaction fusion des primitives, diffrenciation interprtation des primitives, reproduction stratgie de focalisation des agents. Les agents du systme sont asynchrones et concurrents. Un agent ne travaille que sur une composante dune image et peut accder toutes les informations du systme soit de sa propre image ou celle de limage prcdente. Lutilisateur interagit avec le systme par le biais de squenceur qui gre lexcution des diffrents agents du systme. Germond propose une mthode de segmentation cooprative pour la segmentation des images IRM [14]. Une segmentation en rgions de la matire grise et de la matire blanche est effectue par des agents spcialiss

partir dun modle dformable du cerveau construit au pralable. A lissue de la segmentation en rgions de ces tissus, le contour du cerveau plus prcis est obtenu par des agents contours qui utilisent la mthode des contours actifs. A la fin, un retour complet sur le processus de segmentation est considr cette fois initialis par le contour reconstruit lors de la phase prcdente. Dans [18], la segmentation dimage est aborde sous langle des automates cellulaire. Il sagit de gnrer une population dagents ractifs et de ladapter de gnration en gnration la distribution de points rencontrs dans limage. Les agents ont une perception trs rduite de leur environnement et sont dots de deux types de comportement : la diffusion et la reproduction de manire sadapter au mieux aux variations locales de limage. Si un agent peroit un stimulus dans son environnement, cest dire sil est plac sur un pixel remplissant certains critres caractrisant lappartenance un contour ou un segment homogne, il ltiquette et dclenche un comportement de reproduction, de faon poursuivre lexploration de limage par ses agents fils. Sil ne peroit pas de stimulus, il dclenche un comportement de diffusion, au cours duquel il se dplace dans son environnement proche la recherche dun pixel satisfaisant ses critres. Ces ides sont reprises dans [7], qui propose de combiner une approche par croissance de rgions dans les zones faciles segmenter et lapproche gntique dans les zones plus dlicates. La coopration consiste ici choisir automatiquement, en fonction de critres dhomognit locaux, laquelle des deux mthodes lagent va appliquer. Duchesnay [12] sappuie sur la structure de pyramide irrgulire pour grer le processus de fusion de rgions et assurer la convergence de la segmentation; une coopration rgion-rgion assez sophistique est mise en uvre, mais qui ne tire pas suffisamment parti de linformation contour. Un des aspects intressants de son approche est lutilisation dune procdure de dcimation (rcursive) pour le passage du niveau k au niveau k+1. La pyramide se construit en partant de la base qui reprsente limage pr segmente (par exemple avec lalgorithme Quadtree jusquau dernier niveau de la pyramide comportant le minimum dinformation. Les niveaux de cette pyramide sont des graphes dadjacence de rgions. Dautres systmes multi_agents inspirs du comportement des animaux sociaux ont t proposs dans la littrature. On cite les travaux de Carden [9] qui propose une approche de segmentation dimages base sur les ides de Reynolds [20], pour la dtection des contours des rgions dans une image simple. Dans une autre approche, Ouadfel et Batouche [19] utilisent les systmes fourmis "Ant Colony Optimization or Ant System" comme un outil de modlisation pour concevoir un algorithme de segmentation d'images, base sur les champs de Markov (MRF : Markov Random Fields), appel ACS-MRF (AntClust Segmentation-Markov Random Fields). Dans cette approche, une colonie de fourmis artificielles recherche une solution globalement optimale selon la mthode d'estimation MAP( critre destimation Maximum A Posteriori). En fait, l'ACS-MRF est une approche distribue base sur une population des fourmis considres comme des agents ractifs. Chaque agent (fourmi) construit un ensemble de solutions possibles en utilisant l'information de la phromone accumule par les autres fourmis dans une matrice commune appele matrice de phromone. Aprs un certain nombre d'itrations, la meilleure partition reprsentant la valeur optimale d'une fonction d'nergie MAP est dtermine. Un algorithme de recherche locale simple est utilis dans le but d'amliorer la qualit de la solution trouve par une des fourmis en rendant la convergence de l'algorithme plus rapide. Dans [11], l'objectif est de segmenter des images niveau de gris, par construction de rgions homognes et connexes en utilisant des agents situs qui coordonnent leurs activits et communiquent leurs rsultats par des interactions stigmergiques. L'approche utilise deux types d'agents: dtecteurs et systme, les agents dtecteurs se dplacent sur l'image et marquent leurs emplacement; au dpart, dplacements non coordonns( au hasard sur les pixels voisins), puis aprs l'apparition de quelques rgions marques, les dplacements deviennent guids par le travail collectif et les ractions stigmergiques.les agents systme grent la dynamique de phromone, base sur le modle de croissance de rgions.

4. Prsentation de LApproche Araigne

4.1 Le Modle Biologique Parmi les 35000 espces daraignes connues, il nexiste quune quinzaine despces sociales. Toutes ces espces, sauf une dont le caractre coopratif nest pas clairement tabli, tissent des structures soyeuses

communes, ce qui souligne le rle de la soie dans la ralisation des tches collectives. Ces araignes ne prsentent aucune particularit morphologique par rapport aux espces solitaires. Ces araignes prsentent toutes les caractristiques thologiques des espces solitaires et le phnomne social rsulte simplement dune coordination dactivits individuelles prexistantes chez les espces ancestrales. Les deux formes dactivits collectives les plus impressionnantes par leur efficacit et quon retient parmi les manifestations sociales de ces araignes (soins aux jeunes, dfense contre les prdateurs, migration, comptition intra-coloniale, adaptation du pige aux besoins de la colonie,..) sont la construction commune de toile et la capture des proies. Les araignes sociales de Guyane, qui ne mesurent que 5mm, construisent des difices soyeux dpassant souvent 100 m3 de volume (les dimensions extrmes stendent de 1 litre 1200 m3) [16]. En dpit de la variabilit des formes de ces structures, qui suggre une influence des contraintes physiques imposes par lenvironnement vgtal, on y dcle des rgles architecturales simples mais immuables. Toutes ces colonies sont composes dune nappe horizontale en forme de hamac, surmonte dun rseau tridimensionnel de fils non gluants ayant pour fonction darrter les insectes dans leur course (figure 1).

Figure 1 : toile daraignes Anelosimus eximius

Dans un tel milieu, la modlisation par systme multi-agents permet dobtenir une nappe et un rseau en utilisant des algorithmes comportementaux simples [4]. Laraigne virtuelle se dplace au hasard de piquet en piquet en tissant un fil. Le fil est fix aux sommets des piquets. Cependant la structure soyeuse obtenue occupe la totalit de lespace virtuel disponible. Lintroduction dune rgle supplmentaire, vrifie chez les araignes sociales et solitaires, lattraction que la soie exerce sur laraigne, permet dobtenir une toile de dimension finie noccupant pas la totalit de lespace virtuel. Cette attraction correspond la probabilit qua laraigne qui rencontre un fil dj pos de suivre ce fils ou de le quitter. Les fils de soie poss correspondent une modification de lenvironnement assimilable une mmoire des trajets dj effectus qui incite laraigne rester dans le secteur dj balis de fils. Ce comportement sera modlis puis simul dans la suite de ce travail.

4.2 Le Modle Informatique La construction collective de toile chez les araignes Agelena Labyrinthica a t transpose en modle informatique et a t applique une dtection de rgions dans des images niveaux de gris [6]. Dans le paragraphe suivant, nous dcrivons la modlisation et la simulation informatique de ce phnomne. 4.2.1 La modlisation: Lenvironnement est une grille carre compose de piquets de diffrentes hauteurs (figure 2). Initialement il n y a pas de fils. Lajout des fils tisss se fait dynamiquement. agent: araigne, possde 2 items comportementaux indpendants: dplacement de piquet en piquet, et pose de soie au sommet d'un piquet (figure 3). Modlisation incrmentale du dplacement : Les tapes : -modle 0 : alatoire et insensible au contexte. - modle 1 : choix probabiliste dun type de mouvement : vers un piquet adjacent ou suivre un fil. - modle 2 : choix probabiliste dun mouvement donn (prise en compte du nombre de fils) Dynamique du systme: coordination par stigmergie: dplacement influenc par la soie: plus il y a de la soie vers une position plus celle-ci a de la chance d'tre choisie. Pas de centralisation: dynamique valide pour les cas solitaire et social.

Figure 2. Dispositif exprimental

Figure 3. Vue dune toile artificielle

Observations et Conclusion Partielle: c'est un modle social original, la stigmergie est base sur la soie (pas de phromone), simple: peu d'tats internes et peu d'items comportementaux, pas de castes (spcialisation); Rle de l'attraction pour la soie: finitude ou non de la toile, densit en soie.

4.2.2 Exprimentation : Simulateur JAVA a) environnement : image niveaux de gris: tableau de pixels chacun avec son niveau de gris (image originale : fig 4) Fixation de fils de soie entre les pixels. la fin: rgion: ensemble de pixels, reprsente par une toile. b) agents: ce sont les araignes, ils ont 3 items comportementaux: mouvement: selon l'attraction pour la soie et le nombre de fils. Fixer la soie: selon le niveau de gris. Homing (retour sur la toile): probabilit constante, heuristique ajoute pour restreindre l'exploration aux pixels connects.

Etude de linfluence des Paramtres (figures 5 et 6) : pdragline: attraction pour la soie, influe sur la couverture de la toile/ taille de la rgion. level of reference : niveau de gris du pixel selectivity (fixer la soie): homognit de la rgion backprobability: retour sur la toile, obligatoire pour obtenir un ensemble connect de pixels nombre daraignes, nombre de pas de simulation..

c) dynamique du mouvement : stigmergie par attraction de la soie.

Rsultats bruts :

Figure 4 : image originale

Figure 5 : rgions rsultant de la simulation de tissage de toiles (5 agents chacun dfini reflevel 16 , selectivity 0.1, backproba 0.2, pdragline 0.1 aprs 5000 10000 20000 cycles)

Figure 6 : les densits correspondantes

5.

Commentaires:

Aprs cette exprience, nous sommes en mesure de faire les constatations suivantes : Cest un modle de coordination simple, valide quel que soit le nombre d'individus Il est robuste face aux variations de l'environnement Ce sont des agents simples, peu volus -----> la mise en uvre peut se ramener des rgles de type stimulus-rponse probabilistes. capacit extraire une rgion sur des images relles et bruites. Utilisation de quelques heuristiques pour fixer les paramtres capacit dtecter simultanment plusieurs rgions;

Si cette mthode fournit des rsultats satisfaisants avec des images varies, son principal dfaut est quil est ncessaire de dterminer exprimentalement les valeurs de paramtres conduisant aux meilleurs rsultats. En plus, il faut valuer les rsultats en les comparant avec dautres mthodes de traitement dimages. Donc, ce travail constitue un premier pas et doit se poursuivre.

6.

Notre Approche :

Nous avons prsent une approche nouvelle pour la rsolution collective de problmes, inspire du mcanisme de tissage de toile chez les araignes sociales, qui a t adapte avec succs lextraction de rgions dans des images niveau de gris. Cette approche mrite quon sy penche davantage et quon y creuse encore plus pour trouver des solutions dautres problmes. Parmi les perspectives intressantes sur laquelle nous travaillons, cest ladaptation de cette mthode une segmentation dimages. En effet, la distinction de la soie entre les individus peut tre utilise pour diffrencier ou fusionner des rgions : deux toiles se recouvrant compltement pourront correspondre une mme rgion, deux toiles distinctes deux rgions diffrentes, pour un piquet appartenant plusieurs toiles qui se chevauchent, les densits respectives des soies mesurent la probabilit d'appartenance du piquet ces rgions. De plus, la construction de rgions par les agents araignes se fait pixel par pixel (piquet par piquet), ce qui est assimilable en termes de technique de segmentation dimages, une construction par rgion, o la rgion sur limage est obtenue par agrgation pixel par pixel, cest cet aspect qui semble le plus pertinent pour tre exploit pour segmenter une image, dtecter des rgions avec des textures diffrentes, ou dans des images en couleur. De plus on peut envisager lextension du formalisme pour intgrer la stigmergie qualitative en introduisant des tats internes dans l'agent. Ce travail est en cours.

Rfrences
1. 2. 3. 4. 5. Bellet F. : Une approche incrmentale, cooprative et adaptative pour la segmentation des images en niveau de gris. Thse de doctorat, Institut National Polytechnique de Grenoble, France, juin (1998). Boucher.A : Une approche dcentralise et adaptative de la gestion dinformations en vision. Thse de doctorat de luniversit Joseph Fourrier Grenoble I. 15 Fvrier (1999). Bonabeau E. , Theraulaz G. : Auto-organisation et comportements collectifs : la modlisation des socits dinsectes, Auto-organisation et comportement, Editions Herms, (1997). Bourjot.C, Chevrier.V, Bernard.A, Krafft.B : Coordination par le biais de lenvironnement : une approche biologique, In, actes des 7mes JFIADSMA, St Gilles les Bains, pp 237-250, Herms, (1999). Bourjot.C, Chevrier.V : De la simulation de construction collective la dtection de rgions dans les images niveaux de gris : linspiration des araignes sociales, JFIADSMA, (2001).

6.

Bourjot.C, Chevrier.V, Thomas.V: A new swarm mechanism based on social spiders colonies: from web weaving to region detection. Web intelligence and agent systems: an international journal, vol 1, pp 47-64, WIAS (2003). Bureau.A, Garbay.C, Dojat.M : Coopration entre deux populations d'agents pour la segmentation d'images crbrales. ORASIS (2001) Camazine.S, Deneubourg.J.L , Franks.N.R , Sneyd.J , Theraulaz.G, Bonabeau.E : Biological Systems, Princeton University Press,( 2002). Carden.T: Image Processing with Artificiel Life, (2002). Self-Organization in

7.

8. 9. 10.

Chevrier.V : Des phnomnes collectifs en biologie aux modles de rsolution collective de problme. MCSEAI, 10eme conference on software engineering and AI, Oran, Algrie, (2008)

Djerou.L, Khelil.N, Batouche.M: La vie artificielle pour la segmentation d'images, SETIT 2005 3rd International Conference: Sciences of Electronic, Technologies of Information and Telecommunications March 27-31,Tunisia (2005) 12. Duchensnay.E : Agents situs dans limage et organiss en pyramide irrgulire. Contribution la segmentation par une approche dagrgation cooprative et adaptative. Thse de Doctorat de lUniversit de Rennes-1 (2001). 13. Glize P. Bernon C., Camps V., Gleizes M.P. : La conception de SMA adaptatifs: contraintes et spcificits. Plateforme AFIA, Grenoble, juin (2001) 14. Germond.L : Trois principes de coopration pour la segmentation en imagerie de rsonance magntiques. Thse de doctorat de luniversit Joseph Fourrier Grenoble I. 11 Octobre (1999). 15. Grass.P.P : La reconstruction du nid et les interactions inter-individuelles chez les bellicocitermes natalenis et cubitermes, la thorie de la stigmergie - essai dinterprtation des termites constructeurs. Insectes Sociaux, 6 :41 81, (1959). 16. Krafft.B: Colony distribution of the social spider Anelosimus eximius (Araneae, Theridiidae) in French Guyana. Insectes Sociaux 36 : 173-182. (1989) 17. Langton.C: Preface. In C., editor, Artificial Life II, volume X of SFI Studies in the Sciences of Complexity, pages xiii-xviii. Addison-Wesley, New York. (1992) 18. Liu.J, Tang.Y, Adaptive image segmentation with distributed behavior based agents, in: IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 21, No. 6, pp 544-551, juin (1999) 19. Ouedfel.S : Contributions la Segmentation dimages bases sur la rsolution collective par colonies de fourmis artificielles, thse de doctorat de l'Universit de Batna, juillet (2006). Reynolds.C.W: Boids: Background and Update, in: Boids (Flocks, Herds, and Schools: a Distributed Behavioral Model), URL: http //www.red3d.com/cwr/boids 13th March ( 2002).

11.

20.

21. Richard.N, Dodjat.M, Garbay.C : Dynamic adaptation of cooperative agents for MRI brain scans segmentation. Artificicial Intelligence in Medecine - AIME01 p. 349-358 (2001). 22. Theraulaz.G, Spitz.F : Auto-organisation et comportement, Herms, Paris, (1997).