Détection du Contour Actif de Différentes Images.

Abstract

La segmentation d'image est le problème de partitionnement d'une image en différentes sous-régions sur la base d'une caractéristique préférée. La segmentation est un domaine de recherche important dans le traitement d'images et joue un rôle important dans la vision par ordinateur et la détection d'objets. Un grand nombre d'approches différentes ont été développées pour traiter le problème de segmentation, y compris les modèles de contour actif (MCA). L'idée fondamentale est d'élaborer une courbe initiale sous certaines contraintes d'une image donnée pour détecter les limites d'objet en minimisant une énergie. Dans ce cadre, cette thèse vise à développer des modèles traitant de problèmes de détection d'objets (segmentation d'images) caractérisés par inhomogénéité d'intensité et des limites bruyantes et mal définies. Pour faire face à ces défis, nous avons proposé un certain nombre de MCAs s'appuyant sur la méthode d’ensemble de niveaux. Le premier combine les informations de contour et de région sur la base d'une fonction de pondération adaptative. La deuxième approche utilise la force de pression signée locale basée-région dans une formulation d’ensemble de niveaux simple et efficace. Enfin, le troisième implémente une segmentation basée contour avec une nouvelle fonction d'arrêt basée sur le motif binaire local (LBP). Les résultats expérimentaux démontrent la grande précision de la segmentation obtenue sur diverses images en niveaux de gris synthétiques et réelles par rapport à l’état de l’art des MCAs