Segmentation d'images hyper-spectrales

Ce travail a été effectué dans le cadre du projet "Méthode de Classification et Imagerie par Ondelettes : Aide au diagnostic pour les tumeurs cérébrales" financé par la région Rhône-Alpes et en collaboration avec l'INSERM Unité 594, et le service IRM du CHU de Grenoble.National audienceNous présentons un algorithme de segmentation d'images hyper-spectrales supposées constantes par régions. Cet algorithme est composé de trois phases. La première est une phase de débruitage inspirée d'une méthode adaptative de lissage pondéré fondée sur une segmentation par croissance de régions, la deuxième se sert des paramètres obtenus lors du débruitage de la première phase et a pour but de produire une estimation des contours des régions connexes issues du débruitage. La dernière étape de l'algorithme consiste à fusionner les régions issues de la deuxième phase en minimisant une version pénalisée de l'erreur quadratique de reconstruction. La méthodologie est illustrée sur des données simulées d'imagerie de résonance magnétique nucléaire