Méthodes d'accélération et approches supervisées pour les contours actifs : applications à la segmentation d'images 2D, 3D et texturées.

• Main Author: Olivier, Julien
• Other Authors: Tours
• Language: fr
• Published: 2009
• Subjects: Modèles déformables
• Online Access: http://www.theses.fr/2009TOUR4029/document

Dans cette thèse, plusieurs approches permettant d’améliorer les contours actifs sont présentées. Trois méthodes d’accélération ont été développées pour les modèle paramétriques se déformant par évolution gloutonne et appliquées à la segmentation 2D et 3D. Leur principe est d’autoriser une gestion dynamique de la grille de voisinage de chaque point de contrôle du contour actif. Deux modèles supervisés implémentés à l’aide des ensembles de niveaux sont également détaillés. Ceux-ci se basent sur les caractéristiques de textures d’Haralick et utilisent une image d’apprentissage possédant une segmentation experte. Le premier modèle est un contour actif basé région inspiré du modèle de Chan et Vese. Le principe de la programmation linéaire est alors utilisé pour déterminer le poids optimal à affecter à chaque coefficient d’Haralick. Le deuxième modèle introduit un classificateur binaire, appris grâce à la segmentation experte, directement dans l’équation d’évolution du contour actif. Les deux modèles sont appliqués à la segmentation d’images texturées 2D et 3D. === In this work, several approaches developed to improve active contours are presented. Three acceleration methods have been developed for parametric models evolving with the greedy algorithm, and applied to 2D and 3D segmentation. Their principle is to dynamically manage the neighbourhood grid of each control point of the active contour. Two supervised level set models are also detailed. Both are based on Haralick texture features and use a learning image with an expert segmentation. The first model is a region-based active contour, inspired by the model developed by Chan and Vese. Linear programming principle is used to determine the optimal weight of each Haralick coefficient. The second model introduces a binary classifier in the motion equation of the active contour, the classifier being learned using the Haralick coefficients, extracted from the learning image. Both models are applied to 2D and 3D textured image segmentation.