Une nouvelle approche pour la classification non supervisée en segmentation d'image

Resume. La segmentation des images en regions est un probleme crucial pour l’analyse et la comprehension des images. Parmi les approches existantes pour resoudre ce probleme, la classification non supervisee est frequemment employee lors d’une premiere etape pour realiser un partitionnement de l’espace des intensites des pixels (qu’il s’agisse de niveaux de gris, de couleurs ou de reponses spectrales). Puisqu’elle ignore completement les notions de voisinage des pixels, une seconde etape d’analyse spatiale (etiquetage en composantes connexes par exemple) est ensuite necessaire pour identifier les regions issues de la segmentation. La non prise en compte de l’information spatiale est une limite majeure de ce type d’approche, ce qui a motive de nombreux travaux ou la classification est couplee a d’autres techniques pour s’affranchir de ce probleme. Dans cet article, nous proposons une nouvelle formulation de la classification non supervisee permettant d’effectuer la segmentation des images sans faire appel a des techniques supplementaires. Plus precisement, nous elaborons une methode iterative de type k-means ou les donnees a partitionner sont les pixels euxmemes (et non plus leurs intensites) et ou les distances des points aux centres des classes ne sont plus euclidiennes mais topographiques. La segmentation est alors un processus iteratif, et a chaque iteration, les classes obtenues peuvent etre assimilees a des zones d’influence dans le contexte de la morphologie mathematique. Ce parallele nous permet de beneficier des algorithmes efficaces proposes dans ce domaine (tels que ceux bases sur les files d’attente), tout en y ajoutant le caractere iteratif des methodes de classification non supervisee considerees ici. Nous illustrons finalement le potentiel de l’approche proposee par quelques resultats preliminaires de segmentation sur des images artificielles.