Abstract FR:

Cette these est composee de deux parties. Dans la premiere partie, nous apportons quelques eclaircissements sur une classe de methodes bayesiennes en segmentation d'image. Ces methodes sont differenciees en deux classes: classification contextuelle et segmentation globale. Nous donnons d'abord une analyse methodologique des methodes avec un point de vue unifie. Nous apportons ensuite un nouveau developpement a la classification contextuelle. Par un calcul d'erreur de classification, nous montrons que l'apport du contexte est significatif. Une etude experimentale et comparative examinant des classifications contextuelles et es restaurations globales par le map, l'icm et le mpm est menee. Par ailleurs, nous apportons un examen approfondi du probleme du choix des parametres de regularisation. Dans la deuxieme partie, nous examinons l'estimation par rabotage des processus stationnaires spatiaux. L'utilisation des rabots permet de contourner a la fois le probleme des effets de bords et la non-positivite des estimateurs dit modifies des auto-covariances. Nous etendons des resumtats deja obtenus pour des processus univaries aux processus ultivaries: nous montrons que le rabotage conduit a un biqis qui permet d'avoir un theoreme de limite centrale pour des estimateurs spectrographiques rabotes; nous etablissons la consistance et la normalite asymptotique des estimateurs de whittle par rabotage. D'autre part, nous developpons un test d'hypothese emboitee base sur la difference du contraste de whittle rabote. Nous fournissons aussi une application aux champs de markov (mrf) gaussiens