Relaxation d'images de classification et modèles de la physique statistique
Résumé
We show in this paper the deep relationship between classic models from Statistical Physics and Markovian Random Fields models used in image labelling. We present as an application a markovian relaxation method for enhancement and relaxation of previously classified images . An energy function is defined, which depends only on the labels and on their initial value . The main a priori pixel knowledge results from the confusion matrix of the reference samples used for initial classification . The energy to be minimized includes also terms ensuring simultaneous spatial label regularty, growth of some classes and disparition of some others. The method allows for example to reclassify previous rejection class pixels in their spatial environment . Last we present some results on Remote Sensing multispectral and geological ore images, comparing the performances of Iterated Conditional Modes (ICM) and Simulated Annealing (SA) . Very low CPU time was obtained due to the principle of the method, working on labels instead of gray levels .
Nous montrons dans cet article la relation profonde entre certains modèles d'énergie provenant de la Physique Statistique utilisés et les modèles utilisés en champ de Markov pour l'étiquetage d'images. Nous présentons comme application une méthode markovienne de relaxation et d'amélioration d'images préclassifiées. On définit pour cela une fonction énergie ne dépendant que des labels et de leur valeur initiale, la connaissance a priori sur l'image provenant de la matrice de confusion déduite des échantillons de référence utilisés pour la classification initiale. La fonction à minimiser inclut divers termes assurant la régularité spatiale des labels, la croissance ou la disparition de certaines classes