Abstract FR:

Ce travail decrit la relaxation selectionniste, une methode nouvelle de segmentation d'images en mode non-supervise. Cette methode consiste a faire evoluer des populations d'unites capables de reconnaitre des caracteristiques locales sur l'image. Au cours de cette evolution, induite par un algorithme genetique, les populations envahissent progressivement et de maniere specifique les regions a segmenter. Dans une premiere partie, la methode est appliquee a la segmentation par l'intensite lumineuse. Grace a un modele du comportement asymptotique des populations d'unites, on propose une condition sur l'ajustement optimal des parametres de l'algorithme genetique. Les predictions obtenues sont validees sur des donnees synthetiques. On demontre ainsi l'existence d'une quantite optimale de mutation proportionnelle a la variance des niveaux de gris des regions. On montre egalement que la recombinaison n'a pas d'influence significative sur la qualite de la segmentation finale, mais qu'elle determine la qualite des segmentations intermediaires. La methode est ensuite testee sur diverses scenes reelles. Dans une seconde partie, la methode est appliquee a la segmentation des textures. Les textures sont modelisees par des champs de gibbs/markov. Une approximation de la fonction de partition est proposee pour contourner l'impossibilite d'en calculer la valeur exacte dans le modele retenu (modele d'ising generalise). La technique est testee sur des montages de textures synthetiques, puis sur des montages de textures naturelles. Dans chacune des deux parties, la comparaison des resultats obtenus avec ceux fournis par des methodes alternatives souligne l'importance des proprietes adaptatives de la relaxation selectionniste dans des situations ou la variabilite d'une image, d'une region ou encore d'un site a l'autre est forte et ou aucune information a priori n'est disponible.