Chaînes de Markov triplets et segmentation non supervisée de signaux
Institution:
Evry, Institut national des télécommunicationsDisciplines:
Directors:
Abstract EN:
The aim of this thesis is to propose original methods of unsupervised signal and image segmentation , based on triplet Markov and partially pairwise Markov models. We first describe different models with increasing generality and develop inference and parameters estimation algorithms in the monodimensional case ( chains). Then we propose and study particular cases of triplet partially Markov chains, starting with a model of pairwise partially Markov chains to the segmentation of centured gaussian processes with long correlation noise. The segmentation of centured gaussian processes with long correlation noise. Finally, we propose a triplet Markov chains model adapted to the segmentation of non stationary hidden processes. We also study the extension possibilites of classical probabilistic models ( chains and trees) in an evidential model, where the posterior hidden process distribution is given by the Dempster-Shafer fusion and in a "fuzzy "model in which the mebership function is fuzzy.
Abstract FR:
L'objectif de cette thèse est de proposer des méthodes originales de segmentation non supervisées de signaux et d'images fondées sur les modèles de Markov triplets et couples partiellement de Markov. Nous décrivons dans un premier temps les différents modèles, de généralités croissantes et nous développons les algorithmes d'inférence et d'estimation des paramètres dans le cas de processus monodimensionnels ( chaînes). Dans un deuxième temps, nous proposons et étudions des cas particuliers de chaînes triplets partiellement de Markov en commençant par un modèle de chaînes couples partiellement de Markov pour la segmentation de processus cachés. Puis, nous proposons un modèle de chaînes triplets adapté à la segmentation de processus cachés non stationnaires. Nous étudions également les possibilités d'extension de modèles probabilistes classiques ( chaînes et arbres) à un modèle " évidentiel" avec la loi à posteriori du processus caché par la fusion de Dempster-Shafer et à un modèle " flou" dans lequel la fonction d'appartenance aux classes est floue.