C. Kervrann. Modèles statistiques pour la segmentation et le suivi de structures déformables bidimensionnelles dans une séquence d'images. PhD Thesis Université de Rennes 1, Traitement du Signal et Télécommunications, November 1995.
Download paper:
Follow the link
Copyright notice: This material is presented to ensure timely dissemination of scholarly and technical work. Copyright and all rights therein are retained by authors or by other copyright holders. All persons copying this information are expected to adhere to the terms and constraints invoked by each author's copyright. These works may not be reposted without the explicit permission of the copyright holder.
Dans cette thèse, nous présentons un cadre statistique général de modélisation d'objets bidimensionnels pour la segmentation et le suivi de structures en déformation dans des séquences d'images. La représentation hiérarchique adoptée repose sur la définition d'une forme prototype à laquelle sont appliquées des déformations globales et locales. Ces dernières sont modélisées par un processus markovien gaussien (1er ordre). L'adaptation du modèle à une classe particulière d'objets et de déformations est réalisée par le biais d'une phase d'apprentissage, s'appuyant sur une décomposition modale des déformations observées sur une population représentative. La segmentation de l'image est obtenue en estimant, à partir de données-image constituées de gradients spatio-temporels extraits préalablement de la séquence, les déformations optimales au sens d'un critère statistique (Maximum A Posteriori). Des algorithmes de relaxation déterministes ou stochastiques sont utilisés à cette fin, évitant dans certains cas une initialisation manuelle du modèle proche de la solution désirée. La procédure de segmentation est complétée par un suivi temporel par filtrage récursif) des paramètres correspondant aux modes de déformation dominants déjà identifiés. L'estimation robuste d'un modèle de mouvement déformable paramétrique améliore par ailleurs le suivi dans certaines circonstances. Cette approche contraint enfin les déformations observées pour une classe particulière d'objets, assurant ainsi des résultats satisfaisants de segmentation et de suivi. L'apprentissage non supervisé des modes de déformation de la structure en mouvement constitue la dernière partie du travail effectué. Cette procédure automatique évite une tâche manuelle fastidieuse et améliore la qualité de l'apprentissage en sélectionnant avec pertinence les modes principaux de déformation. Des expérimentations sur des études de cas réelles illustrent la souplesse et la robustesse des approches présentées pour l'extraction et le suivi de structures déformables variées sur des séquences longues
@PhdThesis{Kervrann95a,
Author = {Kervrann, C.},
Title = {Modèles statistiques pour la segmentation et le suivi de structures déformables bidimensionnelles dans une séquence d'images},
School = {Université de Rennes 1, Traitement du Signal et Télécommunications},
Month = {November},
Year = {1995}
}
Get EndNote Reference (.ref)
This document was translated automatically from BibTEX by bib2html (Copyright 2003 © Eric Marchand, INRIA, Vista Project).