Modele image pixel

En termes de segmentation d`image, la fonction que les MRF cherchent à maximiser est la probabilité d`identifier un schéma d`étiquetage étant donné qu`un ensemble particulier d`entités sont détectés dans l`image. Il s`agit d`un retraitement de la méthode d`estimation maximum a posteriori. Comme on le voit dans les images ci-dessus, le bruit à haute fréquence crée de fausses arêtes dans l`image filtrée, si souvent l`image est filtrée avec un filtre gaussien avant d`appliquer le filtre Sobel. L`application des champs aléatoires de Markov (MRF) pour les images a été suggérée au début de 1984 par Geman et Geman. [45] leur solide base mathématique et leur capacité à fournir un Optima global, même lorsqu`ils sont définis sur des caractéristiques locales, se sont révélés être la base d`une recherche inédite dans le domaine de l`analyse d`images, de la dénoising et de la segmentation. Les MRF sont complètement caractérisés par leurs distributions de probabilité antérieures, les distributions de probabilité marginale, les cliques, la contrainte de lissage ainsi que le critère de mise à jour des valeurs. Le critère de segmentation d`image à l`aide des MRF est reformulé comme trouvant le schéma d`étiquetage qui a une probabilité maximale pour un ensemble donné de caractéristiques. Les grandes catégories de segmentation d`image utilisant des MRF sont supervisées et la segmentation non supervisée. En utilisant une méthode basée sur une équation différentielle partielle (PDE) et en résolvant l`équation PDE par un schéma numérique, on peut segmenter l`image.

[31] la propagation de la courbe est une technique populaire dans cette catégorie, avec de nombreuses applications pour l`extraction d`objets, le suivi d`objets, la reconstruction stéréo, etc. L`idée centrale est de faire évoluer une courbe initiale vers le plus faible potentiel d`une fonction de coût, où sa définition reflète la tâche à traiter. Comme pour la plupart des problèmes inverses, la minimisation du coût fonctionnel est non négligeable et impose certaines contraintes de lissage sur la solution, qui dans le cas présent peut être exprimée en tant que contraintes géométriques sur la courbe en évolution. Nous pouvons décrire une image numérique comme un ensemble fini de valeurs numériques, appelées pixels. Les pixels sont le plus petit élément individuel d`une image, en tenant des valeurs qui représentent la luminosité d`une couleur donnée à n`importe quel point spécifique.