Abstract FR:

Dans le contexte des problemes inverses en analyse d'images, cette these aborde les modeles stochastiques hierarchiques qui permettent d'ameliorer les approches basees sur les champs de markov. Nous introduisons une nouvelle structure hierarchique hybride qui permet de combiner des a priori spatial et hierarchique : il s'agit d'un quadarbre tronque dont les nuds du niveau le plus grossier supportent un champ de markov spatial sur une grille. Ce nouveau type de graphes permet d'eviter les inconvenients algorithmiques des modeles sur grille spatiale (lourde charge calculatoire et/ou forte dependance des resultats par rapport a l'initialisation) et les defauts de modelisation des modeles sur quadarbre (structure encombrante et quelque peu artificielle). La structure hybride conduit a des algorithmes semi-iteratifs qui combinent des procedures exactes non-iteratives sur les sous-arbres avec des procedures iteratives approchees sur la grille au sommet de la structure. Dans le cas d'estimation supervisee, nous avons developpe trois algorithmes d'inference associes a trois criteres: le map, le mpm et le semi-mpm. Les experiences sur images synthetiques ont montre que ces algorithmes apportaient des gains en terme d'efficacite calculatoire et de qualite des resultats par rapport aux methodes classiques sur champ de markov et aux algorithmes sur quadrabre. Fort de ces constats, nous avons construit des algorithmes pour l'estimation de parametres, pour repondre aux problemes de l'estimation non-supervisee. Deux voies ont ete explorees: les algorithmes de type em et ceux de type ice. De nouveau, ces methodes se sont revelees efficaces. Finalement, l'utilisation de procedures iteratives associees a la grille grossiere ne semble pas impliquer une surcharge calculatoire significative tout en ameliorant les resultats. Pour finir nous nous sommes interesses, dans le cadre d'une collaboration avec des geographes, a un probleme reel de classification en teledetection. Cela nous a permis de comparer nos methodes avec celles usuellement employees par les geographes (analyse discriminante, distance minimale et maximum de vraisemblance) pour l'analyse d'images multispectrales. Cette etude offre l'avantage de guider les utilisateurs (non specialistes) de techniques de traitement d'images dans leur choix des methodes appropriees a leurs donnees et leurs objectifs.