Segmentation d'images par maximisation de l'entropie à deux dimensions basée sur le recuit microcanonique

Dans cet article, nous présentons une nouvelle méthode de segmentation d'images par analyse d'histogramme et seuillage par maximisation de l'entropie à deux dimensions. Pour remédier au défaut des algorithmes classiques, qui peuvent s'arrêter au premier maximum d'entropie rencontré, nous mettons en œuvre une métaheuristique robuste et facile à programmer, basée sur le recuit microcanonique. Dans l'espace exploré, la recherche des seuils de segmentation optimums s'effectue par paliers d'énergie décroissante en gravitant autour des meilleures solutions candidates. Les temps de convergence s'en trouvent améliorés et la reproductibilité des résultats est mieux garantie. L'algorithme est testé sur des images microscopiques biomédicales. Les résultats obtenus sont comparés à ceux de la méthode de Canny