Segmentation d'images avec des champs de Markov et modélisation statistique de formes

In this thesis, we introduce a new statistical shape model and use it for knowledge-based image segmentation. The model is represented by a Markov Random Field (MRF). The vertices of the graph correspond to landmarks lying on the shape boundary, whereas the edges of the graph encode the dependencies between the landmarks. The MRF structure is determined from a training set of shapes using manifold learning and unsupervised clustering techniques. The inter-point constraints are enforced using the learnedprobability distribution function of the normalized chord lengths.This model is used as a basis for knowledge-based segmentation. We adopt two approaches to incorporate the data support: one is based on landmark correspondences and the other one uses image region information. In the first case, correspondences between the model and the image are obtained through detectors and the optimal configuration is achieved through combination of detector responses and prior knowledge. The second approach consists of minimizing an energy that discriminates the object from the background while accounting for the shape prior. A Voronoi decomposition is used to express this objective function in a distributed manner using the landmarks of the model. Both algorithms are optimized using state-of-the art eficient optimization methods. We validate our approach on various 2D and 3D datasets of images, for computer vision applications as well as medical image analysis.Nous présentons dans cette thèse un nouveau modèle statistique de forme et l'utilisons pour la segmentation d'images avec a priori. Ce modèle est représenté par un champ de Markov. Les noeuds du graphe correspondent aux points de contrôle situés sur le contour de la forme géométrique, et les arêtes du graphe représentent les dépendances entre les points de contrôle. La structure du champ de Markov est déterminée à partir d'un ensemble de formes, en utilisant des techniques d'apprentissage de variétés et de groupement non-supervisé. Les contraintes entre les points sont assurées par l'estimation des fonctions de densité de probabilité des longueurs de cordes normalisées. Dans une deuxième étape, nous construisons un algorithme de segmentation qui intègre le modèle statistique de forme, et qui le relie à l'image grâce à un terme région, à travers l'utilisation de diagrammes de Voronoi. Dans cette approche, un contour de forme déformable évolue vers l'objet à segmenter. Nous formulons aussi un algorithme de segmentation basé sur des détecteurs de points d'intérêt, où le terme de régularisation est lié à l'apriori de forme. Dans ce cas, on cherche à faire correspondre le modèle aux meilleurs points candidats extraits de l'image par le détecteur. L'optimisation pour les deux algorithmes est faite en utilisant des méthodes récentes et efficaces. Nous validons notre approche à travers plusieurs jeux de données en 2D et en 3D, pour des applications de vision par ordinateur ainsi que l'analyse d'images médicales