Some Improvements to Bayesian Image Segmentation Part One: Modelling
Quelques Améliorations à la Segmentation d'Images bayésienne Première Partie: Modélisation
OPEN ACCESS
In this paper we address the segmentation problem in a Bayesian framework. Of the three stages (modelling, estimation , optimisation), we consider modelling and optimisation . We consider modelling by Markov random fields . We demonstrate the limitations of the Potts model currently employed, and propose a new model (the chien model) which allows us to control the boundary length and lines in the segmented images . We also preserve fine structures in the data . Then, we compare the MPM and MAP criteria when used with the algorithms discussed above . Results are presented on synthetic images and SPOT data . The classification problem is tackled in a second part .
Résumé
Nous nous plaçons dans le cadre de la segmentation bayésienne . Parmi les trois étapes (modélisation, estimation, optimisation), nous considérons la modélisation et l'optimisation . La modélisation est appréhendée sous l'angle des champs de Markov. Nous montrons les limites du modèle de Potts couramment employé et proposons un nouveau modèle (le chien-modèle) permettant d e contrôler la longueur des contours et des lignes dans l'image segmentée . Nous préservons ainsi les structures fines présentes dans les données. Nous comparons ensuite les critères MPM et MAP conjointement aux algorithmes qui permettent de les optimiser. Les différents résultats sont obtenus sur des images synthétiques et des images SPOT . Le problème de la classification fait l'objet d'une seconde partie .
Image segmentation, Markov random fields, potts model, chien-model, bayesian framework.
Mots clés
Segmentation d'images, champs de Markov, modèle de Potts, chien-modèle, critères bayésiens.
[1] H. Tielmeland, J . Besag, Markov Random Fields with higher order interactions. submitted to JASA, Preprint.
[2] J. Besag, Spatial Interaction and Statistical Analysis of Lattice Systems. J. Royal Statistical Society, Series B, 36 : 721-741, 1974.
[3] J. Besag, On the statistical analysis of dirty pictures. J. Royal Statistical Society, Series B, 48 : 259-302, 1986.
[4] A. Rangarajan, R. Chellappa, Generalised Graduated Non-Convexity algorithm for Maximum A Posteriori image estimation . in ICPR, pages 127-133, June 1990.
[5] J. Zeruhia, R. Chellappa. Mean field approximation using Coumpond Gauss Markov Random Field for edge detection and image restoration. In Proc. ICASSF Albuquerque, USA, pages 2193-2196, 1990.
[6] X. Descombes, Application of stochastic techniques in Image Processing for automatic tissue classification in MRI and blood vessel restoration in MRA . Technical Report KUL/ESATIMI2/9603, Laboratory for Medical Imagin g Research (ESAI'-Radiology), K.U. Leuven, Belgium, 1996 .
[7] H. Devin, H. Elliott. Modelling and Segmentation ofNoisy and Textured Images Using Gibbs Random Fields. IEEE trans. on Pattern Analysis and Machine Intelligence, 9 (1) : 39-55, January 1987.
[8] S . Geman, D. Geman. Stochastic relaxation, Gibbs distribution, and th e Bayesian restoration of images .IEEE trans. on Pattern Analysis and Machine Intelligence. 6 (6) : 721-741, 1984.
[9] H.O. Georgii . Gibbs Measures and Phase Transitions . De Gruyter - Studie s in Mathematics, vol . 9, 1988.
[10] P.J. Green, Monte Carlo methods : an overview. In Proceedings of the IMA Conference on Complex Stochastic Systems and Engineering, September 1993.
[11] W.K. Hastings. Monte Carlo sampling methods using Markov Chains an d their applications, Biometrika, 571 97-109, 1970. 97-109,
[12] Z. Kato, Modélisations markoviennes multi résolution en vision par ordinateur . Application à la segmentation d'images SPOT . PhD thesis, Université de Nice-Sophia Antipolis, December 1994 .
[13] G. Wolberg, T. Pavlidis. Restoration of binary images using stochastic relaxation with annealing, Pattern Recognition Letters, 3 : 375-388, 1985.
[14] A. Maruani, E. Pechersky, M. Sigelle. On Gibbs Fields in Image Processing. Markov Processes and Related Fields, 1(3) : 419-442, 1995 .
[15] X. Descombes, J.F. Mangin, E. Pechersky, M. Sigelle. Fine structures preserving model for image processing . In Pt-oc. 9th SCIA 95 Uppsala, Sweden, pages 349-356, 1995.
[16] R.D. Morris, X. Descombes, J. Zerubia. The Ising/Potts model is not well suited to segmentation tasks . In proc. IEEE Digital Signal Processing Worshop, 1996. Sept. 1-4 Norway.
[17] X. Descombes, R. Morris, J. Zerubia. Quelques améliorations à la segmentation d'images bayésienne. Seconde partie : classification. traitement du signal, 1997.