Infoscience

Conference paper

SEGMENTATION CONTEXTUELLE BAYESIENNE PAR ECHANTILLONNAGE BOOTSTRAP

Dans le présent papier, nous proposons l’extension au cas multivarié des travaux traitant de la segmentation statistique d’image basés sur les algorithmes d’Estimation Maximisation (EM) et intégrant un échantillonnage Bootstrap. Ce type de segmentation combine à la fois la robustesse de la classification bayesienne, l’efficacité des algorithmes d’identification EM et la pertinence de l’échantillonnage Bootstrap multivarié qui permet de s’affranchir de la complexité en temps de calcul des algorithmes de segmentation bayesienne. Dans ce cadre, nous proposons une extension du critère de représentativité de l’échantillonnage Bootstrap du cas univarié au cas multivarié. Nous exposons les deux critères de représentativité étudiées, nous proposons de fixer les paramètres statistiques du deuxième critères permettant ainsi de vérifier à la fois les deux critères. Enfin nous validons notre approche par la segmentation contextuelle d’images médicales.

Fulltext

  • There is no available fulltext. Please contact the lab or the authors.

Related material