Modèles de Markov en Signal et Image

Catalogue des cours de Télécom SudParis

Code

IGFF MAT 5011

Niveau

M2

Graduate

Graduate

Semestre

Fall

Domaine

Mathématiques

Programme

Programme Ingénieur

Langue

Français/French

Crédits ECTS

4

Heures programmées

42

Charge de travail

90

Coordonnateur(s)

Département

  • Communications, Images et Traitement de l'information

Equipe pédagogique

Organisation

Cours/TD/TP/projet/examen : 18/0/18/10

Acquis d'apprentissage

- Maîtriser les modèles de Markov cachés et extensions;
- Maîtriser les modélisations statistiques modernes des images ;
- Maîtriser les rudiments de la théorie de l'évidence de Dempster-Shafer;
- Maîtriser la problématique de l’apprentissage non supervisé dans les modèles de Markov.

Compétences CDIO

  • 1.1.1 - Mathématiques (y compris statistiques)
  • 1.3 - Connaissances avancées en ingénierie : méthodes et outils
  • 2.1.1 - Apprendre à poser et formuler les problèmes
  • 2.1.2 - Modélisation
  • 2.2.1 - Formulation d'hypothèses

Prérequis

Connaissance de base dans les domaines probabilités et théorie de l’information (règle de Bayes, critère du maximum de vraisemblance, capacité d’un canal…)

Mots-clés

Champs de Markov, segmentation bayésienne d’images, segmentation non supervisée, théorie de l’évidence, segmentation floue, filtrage des images.

Contenu

- Segmentation statistique d’images;
- Champs de Markov cachés;
- Théorie de l’évidence;
- Modélisations et traitements flous;
- Copules et bruits non gaussiens;
- Modèles de Markov couples et triplets;
- Apprentissage et traitements non supervisés.

Formule de l'évaluation

La validation de cette UV est basée la note de présence (sur 5), la note d'un examen écrit (2h) sur 9, et la note du compte rendu de TP (sur 6).
La note finale, sur 20, est la somme des trois.

Bibliographie

Support de cours :
- Traitements Statistiques d'Images, W. Pieczynski (polycopié)
Bibliographie :
- A. Mohammad-Djafari, Problèmes inverses en imagerie et en vision, Hermes, 2008 ;
- C. S. Won, and M. Gray, Stochastic Image Processing, Kluwer Academic, 2004;
- B. Chalmond, Eléments de modélisation pour l’analyse d’images, Springer, 2000