Abstract FR:

L'étude de la thèse traite du problème de la segmentation d'images dans le cadre de l'approche statistique bayesienne de la décision. En vue d'appliquer une des méthodes locales de segmentation bayesiennes (basées sur une observation spatialement limitée) aux images réelles satellite, sans information à priori sur la nature du terrain de la scène observée, on admet un modèle sous-jacent de l'image intégrant une information locale sur la configuration spatiale des exemplaires de nature de terrain (information sur la forme géométrique des régions de terrain homogène) et sur la texture de l'image. Le problème de la segmentation non supervisée se résume alors a l'estimation d'un mélange de lois d'une famille paramétrique donnée. Nous choisissons d'appliquer l'algorithme sem (de celeux et diebolt) à l'estimation de la loi a priori sur le contexte et des caractéristiques de texture. Nous évaluons les performances futures de la méthode de segmentation contextuelle, avec estimation prealable des paramètres du modèle sous-jacent, en étudiant sur des images simulées l'erreur de classification et la qualité de l'estimateur. Nous comparons les performances théoriques et non supervisées de la méthode contextuelle aux performances de la méthode locale bayesienne la plus simple ne prenant en compte aucune information spatiale. Nous mettons en évidence le cas ou l'apport de l'information spatiales est négligeable et le cas ou il sera très important indépendamment du degré de corrélation de l'observation. Nous montrons l'influence sur les performances de différents paramètres, qui diffèrent suivant le cas de discrimination étudié. Nous appliquons les deux méthodes aux images réelles satellite et nous étudions une mesure de fiabilité d'un résultat de classification baseé uniquement sur l'observation (sans apprentissage des classes)