Paramétrisation de méthodes de segmentation par utilisation de connaissances et approche génétique

Résumé. L’apprentissage d’algorithmes d’interprétation d’images est un processus complexe de fouille de données. La méthode consistant à considérer les pixels de façon indépendante a montré ses limites. En effet, les classes d’intérêt ne sont pas toujours séparables en utilisant uniquement les caractéristiques relatives aux pixels. Pour pallier à ce problème, les méthodes actuelles d’interprétation d’images s’appuient sur une segmentation préalable de l’image qui consiste en une agrégation des pixels connexes afin de former des régions homogènes au sens d’un certain critère. Cette étape est généralement effectuée sans apprentissage. Dans cet article nous étudions l’apport d’une stratégie d’apprentissage pour l’étape de segmentation. Cette méthode utilise un algorithme génétique pour optimiser le paramétrage de l’algorithme de segmentation. L’évaluation de cette méthode montre qu’elle est efficace et peut être combinée à une autre méthode de segmentation supervisée afin de maximiser l’apport des exemples.