Modèles bayésiens hiérarchiques pour le traitement multi-capteur

In order to process the mass of information collected in many applications, it is necessary to propose new processing methods to exploit the « multi-sensor » feature of the observed data. The subject of this thesis consists in studying algorithms of estimation in a multi-sensor context where several signals or images resulting from the same application are available. This problem is of great interest since it makes it possible to improve the estimation performances compared to an analysis that would be carried out on each signal independently of the others. In this context, we have developed methods of hierarchical Bayesian inference to perform segmentation of multiple signals and to analyze hyperspectral images. The use of Markov Chain Monte Carlo methods allows one to overcome the difficulties related to the computational complexity of these inference methods.Afin de traiter la masse d'informations récoltée dans de nombreuses applications, il est nécessaire de proposer de nouvelles méthodes de traitement permettant d'exploiter le caractère « multi-capteur » des données observées. Le sujet de cette thèse consiste à étudier des algorithmes d'estimation dans un contexte multi-capteur où plusieurs signaux ou images issus d'une même application sont disponibles. Ce problème présente un grand intérêt puisqu'il permet d'améliorer les performances d'estimation par rapport à une analyse qui serait menée sur chaque signal indépendamment des autres. Nous avons développé dans ce contexte des méthodes d'inférence bayésienne hiérarchique afin de résoudre efficacement des problèmes de segmentation de signaux multiples et d'analyse d'images hyperspectrales. L'utilisation de méthodes de Monte Carlo par chaînes de Markov permet alors de surmonter les difficultés liées à la complexité calculatoire de ces méthodes d'inférence