Champs de Markov flous pour images multispectrales

Dans cet article, nous proposons un nouveau mode de segmentation fondé sur une modélisation statistique markovienne floue multispectrale. La segmentation étant non supervisée, nous nous intéressons à l'estimation des hyper-paramètres en combinant un algorithme du gradient stochastique avec les moments empiriques, en supposant que les lois d'attache aux données sont gaussiennes. Sous l'hypothèse de corrélation des champs observés, nous établissons les relations qui relient les matrices de variances-covariances relatives aux sites flous avec celles qui caractérisent les sites durs ou homogènes de l'image. Nous comparons les résultats des segmentations mettant en jeu le critère du MPM (Mode des Marginales a Posteriori) et la technique ICM (Mode Conditionnel Itératif) correspondant au critère du MAP (Maximum a Posteriori) . Dans un premier temps, nous validons la procédure sur des images de synthèse, puis sur des données astronomiques multispectrales. This paper deals with a new statistical segmentation based on fuzzy multispectral markovian random fields model. We propose to solve the problem of parameter estimation, applying a stochastic gradient algorithm and empirical moment method, in order to estimate respectively the a priori parameters of the hidden Markovian field and the conditional densities of the observed data. Under correlated spectral band assumption, we introduce a model to express the variance-covariance matrix related to the fuzzy classes, by means of the ones related to the hard classes. We compare the results applying MPM (Mode of Posterior Marginales) and ICM (Iterated Conditional Mode) algorithms. We validate our procedure on synthetic images and test this approach on real multispectral astronomical data.