Generalized Mixture Estimation in Hidden Markov Trees, Application to Segmentation of Images of Street Organ Cards. Estimation de Mélanges Généralisés dans les Arbres de Markov Cachés, Application À la Segmentation des Images de Cartons D'orgue de Barbari

Generalized Mixture Estimation in Hidden Markov Trees, Application to Segmentation of Images of Street Organ Cards

Estimation de Mélanges Généralisés dans les Arbres de Markov Cachés, Application À la Segmentation des Images de Cartons D'orgue de Barbarie

Emmanuel Monfrini Wojciech Pieczynski

Université Paris VI, LSTA, 175 rue du Chevaleret,75013 Paris, France

GET/INT Département CITI, CNRS UMR 5157, 9, rue Charles Fourier, 91000 Evry, France

Page: 
135-147
|
Received: 
30 October 2003
| |
Accepted: 
N/A
| | Citation

OPEN ACCESS

Abstract: 

We deal in this paper with unsupervised statistical image segmentation using hidden Markov trees. First, we propose two original evolutionary models and study, via simulations, the behaviour of different general estimation methods. Second, we propose a new generalized mixture estimation method and show its efficiency in unsupervised image segmentation, even in very noisy settings.The proposed method is then successfully applied to the unsupervised segmentation of street organ cards images. 

Résumé

Nous nous intéressons dans cet article à la segmentation statistique non supervisée d'images avec les modèles par arbres de Markov cachés. Dans un premier temps nous proposons deux modèles évolutifs originaux et étudions,via simulations, le comportement des diverses méthodes générales de l'estimation des paramètres. Ensuite,nous proposons une méthode originale d'estimation de mélanges généralisés et montrons son bon comportement,même dans des cas d'images très fortement bruiteés,par une étude de simulations. Cette même méthode est appliquée au problème de la segmentation des cartons d'orgue de barbarie,attestant de son intérêt dans une situation réelle. 

Keywords: 

Hidden Markov trees, statistical image segmentation, generalized mixture, EM, ICE, SEM.

Mots clés 

Arbres de Markov cachés,segmentation statistique d'images,mélange généralisé,EM,ICE,SEM.

1. Introduction
2. Arbres de Markov Cachés
3. Estimation des Paramètres dans les Modèles Cachés Classiques
4. Le Modèle des Mélanges Généralisés
5. Conclusions
  References

[1] B. BENMILOUD, W. PIECZYNSKI, Estimation des paramètres dans les chaînes de Markov cachées et segmentation d'images, Traitement du Signal, Vol. 12, No. 5, pp. 433-454, 1995.

[2] C. BOUMAN, M. SHAPIRO M., A multiscale random field model for bayesian image segmentation, IEEE Transactions On image Processing, Vol 3, No. 2, 162-177, 1994.

[3] G. CELEUX, J. DIEBOLT, The SEM algorithm: a probabilistic teacher algorithm derived from the EM algorithm for the mixture problem, Comput. Statist. Quater. 2, pp. 73-82, 1985.

[4] C. COLLET, J.-N. PROVOST, P. ROSTAING, P. PÉREZ, P. BOUTHEMY, Segmentation bathymétrique d'images multispectrales SPOT',Traitement du Signal, Vol. 18, No. 1, pp. 1-14, 2001.

[5] C. COLLET, M. LOUYS, J.-N. PROVOST, A. OBERTO, Fusion of astronomical multiband images on a Markovian quadree, Proceedings of the Fifth International Conference on Information Fusion, 8-11 July 2002, Annapolis MD, USA, Vol. 1, pp. 396 – 403, 2002.

[6] C. COLLET, F. MURTAGH, Multiband segmentation based on a hierarchical Markov model,Pattern Recognition, to appear, 2004.

[7] M. CROUSE, R. NOWAK, R. BARANIUK, Wavelet-based statistical signal processing using hidden Markov models, IEEE Trans.Signal Processing, Vol. 46, pp. 886-902, 1998.

[8] Y. DELIGNON, A. MARZOUKI, W. PIECZYNSKI, Estimation of generalized Mixture and its application in Image Segmentation, IEEE Trans. on Image Processing, Vol. 6, No. 10, 1764-1774, 1997.

[9] J.-P. DELMAS, An equivalence of the EM and ICE algorithm for exponential family, IEEE Trans. on Signal Processing, Vol. 45, No. 10, pp. 2613-2615, 1997.

[10] N. GIORDANA, W. PIECZYNSKI, Estimation of Generalized multisensor Hidden Markov Chains and Unsupervised Image Segmentation, IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol. 19, No. 5, 465-476, 1997.

[11] L. HUBERT-MOY, A. COTONNEC, L. LE DU, A. CHARDIN, P. PÉREZ, A comparison of parametric classification procedures of remotly sensed data applied on different landscape units, Remote Sensing of Environment, Vol. 75, N° 2, pp. 174-187, 2001.

[12] J.-M. LAFERTÉ, Contribution à l'analyse d'images par modèles markoviens sur des graphes hiérarchiques – Application à la fusion de données multirésolution,Thèse de doctorat de l'Université de Rennes I, 1996.

[13] J.-M. LAFERTÉ, P. PEREZ, F. HEITZ, Discrete Markov image modeling and inference on the quad-tree, IEEE Trans. on Image Processing, Vol. 9 , No 3, 390-404, 2000.

[14] J. MCLACHLAN, T. KRISHNAN, EM Algorithm and Extensions, Wiley, 1997.

[15] E. MONFRINI, Identifiabilité et Méthode des Moments dans les mélanges généralisés de distributions du système de Pearson,Thèse de l'Université Paris VI, soutenue à l'Université Paris VI le 4 janvier 2002.

[16] E. MONFRINI, J. LECOMTE, F. DESBOUVRIES, W. PIECZYNSKI, (2003). Image and Signal Restoration using Pairwise Markov Trees, IEEE Workshop on Statistical Signal Processing (SSP 2003), Saint Louis, Missouri, USA, September, 28-October 1, 2003.

[17] J.-N. PROVOST, C. COLLET, P. ROSTAING, P. PÉREZ, P. BOUTHEMY, Hierarchical Markovian segmentation of multispectral images for the reconstruction of water depth maps, Computer Vision and Image Understanding, Vol. 93, No. 2, pp. 155-174 , 2004.

[18] F. SALZENSTEIN, W. PIECZYNSKI, Sur le choix de méthodes de segmentation statistique d'images,Traitement du signal, Vol 15, No. 2, 119-128, 1998.

[19] C. K. L WILLIAMS, X. FENG, Tree-Structured belief networks as models of images,Proceedings of ICANN'99, 1999.

[20] A. S. WILLSKY, Multiresolution Markov models for signal and image processing, Proceedings of IEEE, Vol. 90, No. 8, pp. 13961458, 2002.