Modèles markoviens pour l'organisation spatiale de descripteurs d'images

Ce papier decrit une nouvelle approche probabiliste pour la reconnaissance de textures. Une image est decrite a l'aide de descripteurs locaux, ainsi que par des relations spatiales entre ces descripteurs. On peut alors associer une image a un graphe : les noeuds sont les points d'interet de l'image correspondant a des regions caracteristiques et les aretes relient des regions voisines. Ajouter une telle information de voisinage permet d'ameliorer les resultats de reconnaissance. Les approches actuelles consistent a modeliser les descripteurs comme des variables independantes, puis a rajouter l'information spatiale par le biais de poids, sans modeliser explicitement ces dependances. Nous proposons d'introduire un modele statistique rendant compte directement de cette dependance entre descripteurs, par l'utilisation de champs de Markov caches. L'estimation des parametres de tels modeles etant en pratique difficile, nous utilisons des procedures d'estimation recentes basees sur le principe du champ moyen de la physique statistique. Nous illustrons notre methode sur la reconnaissance d'images uni et multitextures. Les resultats obtenus sont prometteurs.