Contribution des modèles statistiques de forme et d'apparence à la segmentation d'images

Ce travail de recherche s'inscrit dans le domaine de la segmentation d'images à l'aide de modèles déformables. Nous étudions 2 types de modèles : -les contours actifs ou snakes, -les modèles statistiques, notamment les modèles actifs de forme (ASM) et d'apparence (AAM).Nous proposons d'appliquer ces différentes méthodes au problème de la segmentation d'images radiographiques du bassin. Cette étude comparative révèle la supériorité, en termes de précision et robustesse, des ASM par rapport aux autres approches étudiées. Cependant, notre ensemble de données met clairement en avant une limitation majeure de la méthode à savoir la nécessité d'un ensemble d'entraînement de taille conséquente, contrainte commune aux AAM. En effet, la mise en oeuvre de ces méthodes implique non seulement la possession de nombreuses images-exemples, mais également leur annotation manuelle, soit une lourdeur de la phase d'apprentissage et une limitation du champ d'application. L'approche proposée s'appuie sur des modèles locaux d'apparence très précis. Ces derniers décrivent les variations produites en perturbant aléatoirement le modèle de forme sur une ou plusieurs images d'entraînement. Notre stratégie de recherche fait usage de classificateurs statistiques qui indiquent dans quelles directions chacun des points du modèle doit évoluer. Outre le gain en précision et robustesse apporté, notre approche élargit le domaine d'application au suivi d'objet ou tracking puisqu'elle se satisfait de peu d'exemples d'apprentissage, une unique image pouvant éventuellement remplir cet office. Dans ce cas, un enrichissement du modèle de forme à l'aide d'une méthode par éléments finis est nécessaireWe purpose in this thesis to study two kinds of deformable models for image segmentation: - active contours or snakes, - statistical models, especially the learning-based active shape (ASM) and active appearance models (AAM). We propose to apply these approaches for segmenting high resolution X-ray images of the bassin. Our comparative study reveals the superiority, in terms of precision and robustness of the ASM over the other studied methods. However, our dataset also points out one major limitation shared by both ASM and AAM approaches which is the need for a large training set. Indeed, for their training, these models require a large number of manually annotated image-examples, thus representing a time-consuming phase and restricting the field of application of these methods. The method we propose, more than an hybrid approach, relies on an original training scheme which leads to improvements in terms of precision of localization and robustness to poor initializations. Our approach is also particularly appropriate for small training sets as, given a suitable PDM, the training of the local appearance models we use can be performed on a single image without producing a significant loss of precision in segmentation results. We have performed extensive experiments to demonstrate our algorithm and are providing the results which also shows promise for applications such as object tracking in a video sequence or surface reconstruction from volume dataST ETIENNE-BU Sciences (422182103) / SudocST ETIENNE-ENISE (422182303) / SudocSudocFranceF