Académique Documents
Professionnel Documents
Culture Documents
Thème
Thème
V. Conclusion
I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion
L’équipements
la radiographie d’imagerie
et le scanner qui reposentmédicale
sur
permettent
l’utilisation de des
faire rayons
différentsX,types de relevés
l’échographie
d’information qui sont
(Ultrasonographie) ensuite visualisés
qui exploite en 2Ddes
la propagation ou
en 3D :
ultrasons, l’imagerie par résonance magnétique
(IRM).
1
I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion
1. Filtrage d’images:
2
I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion
1.1Lissage adaptatif :
3
I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion
II.2/ Approches
II.1/ Définition du
de
segmentation :
segmentation:
On conduit
II.2.1/ pour analyser
II.2.2/Approches
Approchescontours:
régions: une image à la
partager en un certain nombre de domaines
connexes (unis). Deux points appartiennent à
un
un mêmeCe domaine
ensemble sontdeles s’ils
pixels possèdent
connexes
premiers une même
ayant
modèles des
de
Ilpropriétés
existe deux
propriété grands types
caractéristique
communes quiPdelessegmentation
et les:
sidifférencient
on sur
peut des
segmentation, ils s'appuient
joindre
des pardes
pixels
détections une
de chaine
régions
changement continue
voisines. de points
rapide d'intensité
voisins
lumineuseayant cette
ou de couleur, propriété. Une
segmentation est donc définie par le type de
propriété et par la définition de voisinage.
4
5
6
Méthode de segmentation des images
médicales
Méthode 2D Méthode 3D
Méthodes de
classification
7
I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion
8
I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion
1. Modélisation
probabiliste de l'image
9
I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion
2/ Système de
voisinage:
S ϵ Vs
t ϵ Vs => s ϵ Vt
10
I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion
3/ Notion de
clique:
4-voisins C1 C2
11
I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion
4. Energie locale:
Us =c ∊ C/s ∊ Uc
c
5. Energie globale:
U= c∊C
Uc
12
I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion
III.1/ Champs
III.1/ Champs Gibbs:
aléatoire de Markov:
13
I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion
Us =c ∊ C/s ∊ V(s)
c
6. Energie globale:
U =c∊C Uc
14
I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion
P(A=a\Λ=λ ) P(Λ=λ)
P(Λ=λ\A=a) =
P(A=a)
Elle peut être modélisée par une loi gaussienne. Telle que:
2
U(λs)
P(as\k) =
1
= e Vc(λs)
cεC
16
I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion
-β si λi = λj
U (λi,λj) =
+β si λi = λj
17
I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion
18
I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion
19
I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion
Méthode de Gibbs:
Tant que (test < it) faire
test 0; T 1;
Pour chaque point de l’image faire
Somme energie= 0;
z=0;
r= random [0,1] ;
pour chaque région s faire
z+= (Us(Xs=xs\Xt=t)) /T / (somme energie)/T;
si ( r>z) alors
Point s ;
fsi
fin pour
fin pour
E= energie globale/T ;
E1= energie globale;
test += (E-E1);
T * = 0.98;
it++;
T * = 0.98;
fin tantque
20
I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion
Méthode de Métropolis-SA:
λ=random (E) ;
U =Us(Xs=λ\Xt=t) – Us(Xs=xs\Xt=t) ;
Si ( U<0) alors
Descripteur de s λ ;
Sinon
P exp ( - U) ;
r=random[0,1] ;
Si (r>p) alors
Descripteur de s λ ;
Fsi
Température température ×α ;
21
Image segmenté par
Image couleur
Gibbs
23
Segmentation d’images médicales par champs aléatoires de Markov
2010/2011