Multidimensional Hidden Markov Model Applied to Image and Video Analysis
Joakim Söderberg · OpenGrey (Institut de l'Information Scientifique et Technique) · 2007
Les progrès récents dans les domaines de la vision cognitive, des multimédia, de l interaction homme-machine, des communications et de l Internet sont un apport considérable pour la recherche qui profite à l imagerie et l analyse vidéo. Des systèmes adaptés et fiables sont nécessaires pour l analyse, l indexation et le résumé de grandes quantités de données audiovisuelles. Les méthodes traditionnelles de classification d images procèdent par analyse des blocs distincts d une image, ce qui aboutit à un formalisme non contextuel des caractéristiques visuelles. Les approches récentes tendent donc de plus en plus vers une vision globale de l image incluant sa structure et sa forme générale. Cette thèse est une approche statistique issue de l intelligence artificielle visant à une représentation séquentielle des données de l image. Cette représentation statistique permet l estimation, à la classification, et à la segmentation de l image. Nous utilisons un nouvel algorithme efficace représentant les images à l aide du modèle bidimensionnel de Markov caché (HMM). La principale difficulté à appliquer un 2-D HMM aux images est la complexité algorithmique qui s accroît de façon exponentielle avec le nombre de segments d image. En conséquence, la contribution technique majeure de cette thèse est d estimer les paramètres d un 2 D HMM la complexité sera O(whN^2) au lieu de O(wN^2h) où N est le nombre d états dans le modèle et (w,h) sont respectivement la largeur et la hauteur de l image. Nous démontrons que la formalisation DT HMM présente plusieurs possibilités d extensions, par une étude du segmentation d image, classification et 3-D HMM.