Sur les segmentations statistiques non supervisées dans le contexte des mélanges généralisés

Notre étude concerne le choix entre deux familles de méthodes statistiques non supervisées de segmentation d'images dans un contexte de mélange de lois généralisé. La première famille est la famille utilisant les champs de Markov cachés. La seconde, plus récente, est fondée sur l'utilisation des chaînes de Markov cachées, formées par la transformation de l'ensemble des pixels en un processus monodimensionnel par une transformation de type Peano. Dans les deux cas, nous sommes confrontés au problème de l'estimation d'un mélange de lois. Dans un cadre de mélange généralisé, la forme du bruit pour chaque classe est inconnue. Cependant, nous supposons qu'elle appartient à un ensemble de lois paramétrées. Nous utilisons une méthode générale d'estimation (ICE-GEMI) pour laquelle nous étudions deux nouveaux critères permettant de déterminer la forme de la loi. Finalement, nous sommes en présence de différentes méthodes de segmentation non supervisées que nous étudions afin d'apporter des éléments de réponse quant au choix de la meilleure méthode de segmentation à utiliser en fonction de l'image à traiter