Abstract FR:

Cette these est consacree a la segmentation statistique floue d'images. Dans le cadre de la segmentation bayesienne, une image est modelisee par deux champs aleatoires: le champ des classes representant la verite-terrain inobservable et que l'on cherche a estimer et le champ des observations. Le champ des classes est generalement suppose prendre ses valeurs dans un ensemble fini des classes thematiques. Le modele propose dans cette these vise a enrichir ce modele classique: chaque site de la verite-terrain peut soit appartenir a l'une des classes thematiques, soit resulter d'un melange de ces classes. Dans ce dernier cas, la nature du site est decrite par le vecteur des coefficients d'appartenance du site a chacune des classes. La modelisation statistique s'appuie sur une mesure contenant des masses de dirac chargeant les classes thematiques et la mesure de lebesgue par rapport a laquelle est definie la densite des vecteurs d'appartenance dans le cas d'un site melange. Une premiere partie est consacree a la segmentation proprement dite. D'une part, plusieurs methodes bayesiennes sont proposees, deduites de differentes fonctions de perte. De plus, deux methodes de segmentation est developpee dans trois versions, correspondant a differentes maniere d'exploiter l'information spatiale: la segmentation aveugle, contextuelle et adaptative. Afin de proposer des algorithmes de segmentation non supervisee, trois procedures d'estimation des parametres necessaires a la mise en uvre de la segmentation sont adaptees a ce modele: expectation- maximisation, stochastic estimation maximisation et iterative conditional estimation. Enfin, les methodes non supervisees de segmentation statistiques floues proposees sont testees sur des images reelles et de simulation