Analyse d'images Terahertz

Cette thèse à publications présente toutes nos contributions qui se rapportent à la segmentation d’images Térahertz. La thèse comprend quatre chapitres. Les deux premiers chapitres introduisent deux nouvelles approches de segmentation basées sur des techniques d'échantillonnage. Dans la première approche, nous formulons la technique de classification K-means dans le cadre de l'échantillon d'ensembles ordonnés pour surmonter le problème d'initialisation des centres. Le deuxième chapitre aborde la sélection des données à travers la pondération de caractéristiques et l'échantillonnage aléatoire simple pour la classification des pixels en vue d'une segmentation des images Térahertz. Une estimation automatique de la taille de l'échantillon aléatoire et du nombre de caractéristiques sélectionnées sont également proposés. Les deux chapitres suivants introduisent une autre famille de techniques de classification des séries chronologiques basées sur la régression et qui sont adaptées aux séries chronologiques. Nous supposons que les valeurs associées à chaque pixel d'une image Térahertz sont échantillonnées à partir d'un modèle autorégressif. La segmentation de l'image est alors vue comme un problème de classification de séries chronologiques. Ainsi, dans le troisième chapitre, la classification est formulée comme un problème d'optimisation non-linéaire. L'ordre du modèle et le nombre de classes sont estimés en utilisant un critère généralisé d'information. Finalement, le quatrième chapitre est une généralisation des résultats obtenus dans le troisième chapitre. Au lieu de considérer un problème de moindres carrés, nous proposons une approche de classification probabiliste basée sur le mélange de modèles autorégressifs. Les paramètres de l'approche proposée sont automatiquement estimés en utilisant un critère généralisé d'information