HAL Id: pastel-00565362
https://pastel.archives-ouvertes.fr/pastel-00565362
Submitted on 11 Feb 2011
HAL is a multi-disciplinary open access
archive for the deposit and dissemination of
sci-entific research documents, whether they are
pub-lished or not. The documents may come from
teaching and research institutions in France or
abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est
destinée au dépôt et à la diffusion de documents
scientifiques de niveau recherche, publiés ou non,
émanant des établissements d’enseignement et de
recherche français ou étrangers, des laboratoires
publics ou privés.
par coupe-minimum sur graphe: application à la
reconstruction de la phase interférométrique en imagerie
RSO
Aymen Shabou
To cite this version:
Aymen Shabou.
Minimisation multi-étiquette d’énergies markoviennes par coupe-minimum sur
graphe: application à la reconstruction de la phase interférométrique en imagerie RSO. Traitement
des images [eess.IV]. Télécom ParisTech, 2010. Français. �pastel-00565362�
d'Informatique,
Télé ommuni ations
etÉle tronique
de Paris
Thèse
présentée pour obtenir le grade de do teur
de Télé om Paris Te h
Spé ialité : Signal et Images
Aymen SHABOU
Minimisation multi-étiquette d'énergies
markoviennes par oupe-minimum sur
graphe : appli ation à la re onstru tion
de la phase interférométrique en imagerie
RSO
Soutenue le9 Novembre 2010 devant lejury omposé de
Vito Pas azio Professeur àl'Université de Napoli Parthenope (Italy) Président
Emmanuel Trouvé Professeur àPolyte h'Anne y-Chambéry Rapporteur
Xavier Des ombes Dire teur de re her hes à INRIA Sophia Antipolis Rapporteur
Hugues Talbot Professeur asso ié à l'ESIEE Examinateur
Mar Sigelle Maîtrede onféren e àTELECOM ParisTe h Examinateur
Floren e Tupin Professeur àTELECOM ParisTe h Dire teur de thèse
Lesappro hes markoviennesen imagerie et visionpar ordinateur orent un adre
mathéma-tiqueélégantpourrésoudre ertainsproblèmes omplexes.Desmodèlesdeformationdesdonnées
observéesainsi quedesmodèles dé rivantle ontextespatial desimagesàre onstruiresontalors
né essairespourexploiterdetellesappro hes.Leplussouvent,lafon tiond'énergieglobaleobtenue
demeuredi ileàminimiserenraisondesespropriétésmathématiquesetdelagrandedimension
desdonnées.Onest alors onfrontéd'unepartàdesproblèmes ombinatoireset d'autrepartaux
limitesenpuissan edesma hinesa tuelles.
C'estdans e adreques'ins ritlepremierobje tifde estravauxdethèse,oùnousproposons
des algorithmesd'optimisation e a esd'une lasse d'énergiesmarkoviennesmulti-étiquettes de
premier ordrequi permet de modéliserunnombreimportantd'appli ationsenimagerie. C'estla
lasse d'énergies ayant ommeatta he aux donnéesune fon tion quel onque, et ommea priori
unefon tion onvexe.Lesalgorithmesproposésreposentd'unepartsurunete hniqueassezré ente
d'optimisation dis rèteen vision,àsavoirla oupe-minimumsurgraphe, et d'autrepartsur une
stratégie d'optimisation itérative par des mouvements de partitions. De nouveaux mouvements,
quenousavonsappelés mouvementsdepartitionslargesetmulti-étiquettes(MPLM), permettent
alors d'avoirun ompromisentre laqualité del'optimum atteint et la omplexité algorithmique.
Appliquéset validéssur unesérie d'expérien estraitantde larestaurationd'imagesnaturelles et
radar, ils ont pu montrer de bonnes performan es omparés aux algorithmes d'optimisation de
l'étatdel'art.
Le adre appli atif prin ipal de ette thèse est la re onstru tiondu reliefpar interférométrie
radaràsynthèsed'ouverture.Cetteméthodede al ul demodèlesnumériquesdeterrainest
on-frontéele plussouventàlanature très bruitéedes donnéesinterférométriquesradar et aussiàla
omplexité des s ènes naturelles et urbainesà re ontruire. Lesappro hesmarkoviennestrouvent
alorsleurjusti ation pours'appliquerà etypedeproblèmes, grâ eàdesmodèlesbienadaptés
autypede bruitsur esdonnéeset au ontextespatial dess ènes.Ainsi,ledeuxième obje tifde
es travauxde thèse onsiste àproposer desmodèlesmarkoviensrobustes fa e àla diversitédes
s ènes àre onstruiredans le as général.Un modèleaété alors proposé dans unpremier temps
qui repose d'une part sur un ensemble d'observations multi anaux de phase et d'autrepart sur
lavariationtotale ommeapriori, pourparveniràunere onstru tion pré isedurelief. Ce
mod-èle est validé tout d'abord sur des données de synthèse et testé ensuite sur des données réelles
de s ènes naturelles a quisesparle apteur radarERS-2, ave priseen ompte deperturbations
atmosphériquesglobales.
Confrontés àdess ènes urbainesné essitantune meilleurepré isionet lo alisationdes
stru -tures non-naturelles, un deuxième modèle a été exploré, exploitant ette fois- i onjointement
l'information delaphaseetde l'amplitude.Desalgorithmesd'optimisation onjointe bien
appro-priés à ette nouvelle forme d'énergie ve torielle sontalors né essaires.Appliquéeà des données
radaraériennesd'unes èneurbaine,a quisesparle apteurE-SAR, etteappro he onjointe
ap-porte une meilleurere onstru tion en terme de pré isionet ore desperspe tivespourexploiter
TheMRF in omputervisionandimageanalysisisapowerfulframeworkforsolving omplex
problems using theMAP estimation. First ofall anenergyfun tion that en odesboththe noise
ae ting the observed data and the a priori on the estimated solution has to be xed. Then
an appropriate optimization algorithm of this energy is ne essaryin order to solve the problem
e iently.However,someimagepro essingproblemsdealwithhighdimensionaldataandrequire
omplexMRFenergyfun tions.Thus, optimizationpro essbe omesahardtask.
Oneofthemain ontributionsofthisthesisisdevelopingnewe ientoptimizationalgorithms
of a lass of rst order multi-label MRF energies: any likelihood termsand onvex prior. This
energy form hara terizes alarge set of image pro essing appli ations. Theproposed algorithms
rely on the ombinatorial optimization te hnique, alled graph- ut, and aniterative strategy to
onverge toward a lo al optimum, alled partition move. We propose new moves, alled large
and multilabel partition moves (LMPM), that oer a trade-o between optimum quality and
algorithm omplexity.Thegraph- utte hniqueisadaptedandusedto omputetheoptimalmoves
in e ientway.These newalgorithms aretested inthe aseofimage denoisingtask, showingus
goodperforman es omparedto thestateoftheartalgorithms.
Themainappli ationofourworkisthedigitalelevationmodel(DEM)estimationusing
inter-ferometri syntheti apertureradar(InSAR)data.Thisproblemisusually onsideredasa omplex
andanill-posedone,be auseofthehighnoiserateae tinginterferogramsandthe omplex
stru -turesqualifyingrealnaturalandurbanarea.Therefore,MRF approa hesarewelladaptedtodeal
with this task, sin e spe i statisti al and a priori energy fun tions ould be proposed to well
en odeseveralproblems ae ting thesedataand alsoto welldes ribethe omplexknowledgeon
the estimated solution. So, a rst model is proposed in this work that relies on a multi hannel
interferometri likelihood density fun tionand thetotalvariationregularization. Optimizingthis
modelusingtheproposedLMPMbasedalgorithmsleadstoapre iseDEM.Thisapproa histested
on several syntheti and real InSAR ERS-2 images, and also adapted to dealwith multi hannel
dataevenifglobalatmospheri perturbations hara terizethem.
Tore onstru t DEM in urbanarea, espe ially thebuildings, more pre isemodel isrequired.
Therefore, ase ond MRFmodelis proposed that liesin bothamplitudeand phaseimages. This
new joint model preserveswell the dis ontinuities in the re onstru ted proles. However, anew
lassofve torialenergyminimizationalgorithmshastobestudied,inordertominimizee iently
thejointmodel.Theproposedapproa histhenapplied toE-SARinterferometri andamplitude
Je tiensà exprimermes profondesgratitudes etre onnaissan esà toutesles personnes
qui ont ontribué à laréalisation etl'aboutissement de e travail dere her he.
Je ommen e par remer ier M. Emmanuel Trouvé (Professeur à
Polyte h'Anne y-Chambéry) et M. Xavier Des ombes (Dire teur de re her he à INRIA Sophia Antipolis
Méditerranée), rapporteurs de e travail; ainsi que M. Vito Pas azio (Professeur à
l'U-niversité de Napoli Parthenope, Italy), président du Jury; M. Mar Sigelle (Maître de
onféren e à TELECOM ParisTe h) etM. Hugues Talbot (Professeur asso iéà l'ESIEE),
examinateurs; pour avoir a epté de parti iper au jury de thèse, pour leur minutieuse
rele ture du manus rit, ainsiqueleurs ommentaires etremarquestrès ri hes.
Je remer ie Mme. Floren e Tupin (Professeur à TELECOM ParisTe h) etM. Jérme
Darbon(Chargé de re her he CNRS àl'ENS Ca han) pour avoir a epté de diriger ette
thèse. Leurs onseils et soutient m'ont toujours ététrès pré ieux pour meretrouverdans
e vastedomaine de lare her he entraitement d'image.
Unepartie de etravail estlefruitd'une ollaboration ave GiampaoloFerraioli (Post
do torant à l'université deNapoliParthenope), durantsonséjour do toral àTSI. Jetiens
à leremer ierainsique sonéquipepour laqualité de ette oopération.
J'adresse aussimes remer iements à Mme. Marie-Pierre Béale (Chargée de re her he
CNRSà l'ENS),pour m'avoir préparé etfournie desdonnéesInSAR surlazonede
Serre-Ponçon.
Je souhaite aussi remer ier tous mes ollègues du bureau pour labonne ambian e et
entente tout le long de es trois années : Benoit, Guillaume, Charles, Gabrielle, Dina et
Hélène; sans oublier aussi les autres ollègues de TSI : Ni olas, Soène, Vin ent, Xia,
Julien, ...et toutlemonde.
Je remer ie nalement mafamille, de l'autre té de la méditerranée, de m'avoir
Résumé 2
Abstra t 3
Remer iements 7
Table des matières 9
Introdu tion 18
I Minimiseurs multi-étiquettes d'énergies markoviennes de premier ordre
21
1 Appro he markovienne et algorithmes d'optimisation 23
1 Problème d'étiquetage . . . 23
1.1 L'estimation bayésienne . . . 23
1.2 La modélisationmarkovienne . . . 24
1.3 Résolution par minimisation d'énergie . . . 27
2 Algorithmes de minimisationpar oupe-minimum surgraphe . . . 28
2.1 Coupe-minimum/ ot-maximum . . . 29
2.2 Champs markoviens binaires. . . 30
2.2.1 Fon tionsde
B
2
. . . 30 2.2.2 Fon tionsdeB
q
. . . 332.3 Champs markoviensmulti-étiquettes . . . 34
2.3.1 Fon tionsde
F
2
. . . 35 2.3.2 Fon tionsdeF
q
. . . 38 2.4 Bilan. . . 392.4.1 Limitesde esalgorithmes . . . 39
2.4.2 Quelquesexpérien es . . . 39
2.5 Con lusion . . . 40
2 Optimisation par des mouvements de partitions multi-étiquettes 45 1 Optimisation multi-étiquette. . . 45
2 Constru tion dugraphe d'unMPLMoptimal . . . 48
3 Propriétés de onvergen e . . . 52
3.1 Complexitéalgorithmique . . . 52
3.2 Qualité de l'optimum. . . 53
4 Expérien es etrésultats . . . 56
3 Minimisation markovienne mixte : dis rète et ontinue 75
1 Limitesdesappro hesde minimisation dis rète ou ontinue . . . 75
1.1 Minimisation dis rète . . . 75
1.2 Minimisation ontinue . . . 76
2 Algorithmede minimisation mixte :dis rète et ontinue . . . 80
2.1 Phase 1:Minimisation dis rète . . . 80
2.2 Phase 2:Minimisation ontinue . . . 80
3 Expérien es etrésultats . . . 82
3.1 Illustration surune fon tion àdeuxvariables . . . 82
3.2 Restauration d'image radarà synthèse d'ouverture . . . 85
4 Con lusion. . . 90
II Estimation markovienne de modèles numériques de terrain 93 4 Re onstru tion du relief en imagerie RSO 95 1 Prin ipesde l'imagerie radar . . . 95
1.1 Capteurs radar . . . 95
1.2 Résolution d'un apteur radar . . . 96
1.3 Lessystèmes RSO . . . 97
1.4 L'image RSO . . . 98
2 Appro hesde re onstru tion dureliefen imagerie RSO . . . 100
2.1 Appro hesde re onstru tion pixelique . . . 101
2.2 Appro hesde re onstru tion par régionsetobjets. . . 102
3 Estimation desMNTpar interférométrie . . . 103
3.1 Prin ipe de l'interférométrie . . . 103
3.2 Contributions danslaphasemesurée . . . 105
3.3 Produitinterférométrique . . . 106
3.4 Prin ipales perturbationsde lamesureinterférométrique . . . 108
3.5 Déroulement de phaseInRSOetestimation de MNT . . . 109
4 Appro hesbayésiennes dere onstru tion de phaseInRSO . . . 111
4.1 Statistiques desdonnéesinterférométriques . . . 111
4.2 Ambiguïté delaphase InRSO . . . 113
4.3 Re onstru tion delaphase InRSOpar l'appro he multi anal . . . . 114
4.4 Algorithmes de re onstru tion dephaseInRSO . . . 119
4.4.1 Algorithmede re onstru tion dephase par uneappro he mono anal119 4.4.2 Algorithmede re onstru tion dephase par uneappro he multi anal119 5 Con lusion. . . 120
5 Re onstru tion de MNT par une appro he markovienne multi anal 123 1 ModèleMCPU+TV . . . 124
2 Étude de l'inuen e dela ohéren e surl'estimation multi anal . . . 125
3 Minimisation markovienneetestimation deshyperparamètres lo aux . . . . 128
3.1 Étape 1:optimisation dis rète . . . 128
3.2 Étape 2:estimation deshyperparamètreslo aux . . . 130
3.3 Étape 3:optimisation ontinue . . . 131
4.2 Étude de l'algorithmed'optimisation . . . 137
5 Prise en ompte desperturbations globales. . . 141
5.1 Modèlede vraisemblan e ave perturbationsde phaseglobales. . . . 141
5.2 Algorithme d'estimation onjointe altitude etperturbationsglobales 142 5.3 Résultats de re onstru tion . . . 143
6 Résultats surdesdonnées réelles . . . 145
7 Con lusion. . . 158
6 Re onstru tion onjointe de la phase InRSO et de l'amplitudeRSO 161 1 Introdu tion . . . 161
2 Modèlemarkovien onjoint (MCPAR+TV) . . . 162
2.1 Modèlede vraisemblan e. . . 163
2.2 Modèlea priori . . . 164
3 Minimisation markovienneve torielle . . . 164
3.1 Mouvementsbinaires ve toriels . . . 165
3.2 Mouvement ve toriel binaireoptimal . . . 166
3.2.1 Mouvement ve torielbinaire in omplet . . . 167
3.2.2 Mouvement ve torielbinaire omplet. . . 168
3.2.3 Choixentre mouvement ve toriel binaire omplet ouin omplet170 3.3 Algorithmede minimisation ve torielle . . . 171
3.3.1 Minimisation par dessauts ve toriels: . . . 171
3.3.2 Minimisation par desextensionsve torielles : . . . 171
3.3.3 Choixentre lesstratégies desaut oud'extension : . . . 172
4 Évaluations expérimentalessur desdonnéesde synthèse . . . 176
4.1 Validation dumodèle onjoint . . . 176
4.2 Comparaison entre lesmodèles MCPAR+TVetMCPU+TV . . . . 179
4.3 Comparaison entre lesmouvements de sautetextension ve toriels . 181 5 Résultats surdesdonnées réelles . . . 183
6 Con lusion. . . 189
Con lusions et perspe tives 192
Annexes 199
A Constru tionde graphes binaires des algorithmes MPLB 199
B Constru tiondu graphe multi-étiquette d'Ishikawa 205
C Flot-maximum dans un réseau 209
D Géométrie de prise de vue en interférométrie Radar 215
E Statistiques sur les données InRSO 217
Liste des publi ations 221
Pour desraisonsde lisibilité, lasigni ationd'uneabréviationou d'una ronyme n'est
souvent rappelée qu'à sa première apparition dans le texte d'un hapitre. Nous donnons
ainsilaliste omplètedesabréviations utiliséesdans emanus ritde thèse.Certaines
or-respondent àdesmots en anglais, leurtradu tion estaussifournie.
FastDC Fast Dis rete-Continuous
(Algorithme d'optimisationrapide mixte :dis rète- ontinue)
ICM Iterated Conditional Mods
(Modes ConditionnelsItérés)
InRSO Interférométrie radarà synthèsed'ouverture
LGMRF Lo al GaussianMarkov Random Fields
(Modèle markovien-gaussien lo al)
MAP Maximuma posteriori
MCPAR Multi-ChannelPhase andAmplitude Re onstru tion
(Re onstru tion multi- anald'images dephase et d'amplitude)
MCPAR+TV Multi-ChannelPhase andAmplitude Re onstru tion with
Total Variation prior on phase and amplitude
(Re onstru tion multi- anald'images dephase et d'amplitude ave
una prioride type variation totalesur la phaseet l'amplitude)
MCPU Multi-ChannelPhase Unwrapping
(Déroulement dephase multi- anal)
MCPU+TV Multi-ChannelPhase Unwrapping withTotal Variation prior
(Déroulement dephase multi- anal ave un a priori de type variationtotale)
MNT Modèle Numérique deTerrain
MPLB Mouvementde Partition Large etBinaire
MPLM Mouvementde Partition Large etMulti-étiquette
QPBO Quadrati Pseudo-boolean Optimization
(Optimisationde fon tionquadratique pseudo-booléenne)
RSO Radarà Synthèse d'Ouverture
TV Total Variation
Contexte général et obje tifs
Denombreux problèmes de traitement d'imagepeuvent êtrerésolus par une appro he
markovienne, 'està dire qu'ils s'appuient sur une information ontextuelle. En eet, les
hamps de Markov, asso iés à la théorie bayesienne de dé ision, orent un adre
mathé-matique ohérent etélégant pour résoudre esproblèmes. Leprin ipeest de seramenerà
un problème d'étiquetage,dont larésolution onsiste à asso ier des étiquettes aux pixels
de l'image de façon à minimiser un ritère bien déni. Un tel formalisme né essite tout
d'abord le hoixdelafon tion de oûtàminimiser enfon tion desdonnéestraitées etdes
ontraintes de l'appli ation visée.Le plus souvent, ette fon tion ( ommunément appelée
énergie)reposeàlafoissurlesstatistiquesdubruitquiae telesdonnéesetsurle ontexte
spatialdel'imageàre onstruire.Ilestensuitené essairededisposerd'unoutil
d'optimisa-tion quisoit apablede al ulerla ongurationqui minimise ette fon tion.L'espa edes
ongurations étantextrêmementvaste,etaugmentant entailleexponentiellementave la
taille desdonnées, requiert desstratégies dere her he e a es.C'est l'unedesraisonsqui
amotivéledéveloppementde te hniquesd'optimisationmarkoviennee a esenimagerie
etvision par ordinateur.
La minimisation de ertaines lasses de fon tions non- onvexes et de grandes
dimen-sions est désormais possible. Les algorithmes proposés dans la littérature varient entre
algorithmesd'optimisationexa teetd'autresd'optimisationnon-exa teouapproximative.
L'avantage despremiers est laqualité de l'optimumvers lequel ils onvergent, qui est un
optimumglobal,maisauprixd'une omplexité algorithmiquequiexploseave latailledes
donnéesetmêmeave lanaturede lafon tiond'énergie quidoitparailleurssatisfaire
er-taines onditions.En ontrepartie,lesalgorithmesd'optimisationapproximativeorent de
bonnesperforman es de al ul, au prix de laqualité de l'optimum obtenu.Le ompromis
entre la qualité de l'optimum et la omplexité algorithmique onstitue alors le ÷ur des
méthodes ré entes d'optimisation markovienne appliquéesaux problématiques d'imagerie
traitant desdonnées de grandes dimensionsetdesformesd'énergies non- onvexes.
Nos travaux s'ins rivent dans le adre appli atif de l'interférométrie satellitaire pour
fournir des modèles numériques de terrain (MNT). Une telle problématique est d'un
in-térêtgrandissantpuisque esmodèlesnourrissentd'autresproblématiquesentélédéte tion
ommel'interférométrie diérentiellepourladéte tionetlesuividemouvementdeterrain,
ou la re onstru tion de modèles numériques d'élévations et de stru tures3Ddans un
mi-lieuurbain.Plusieurs appro hesexistentdansl'étatdel'artpourparveniràre onstruirele
relief,tellesquelastéréovision àpartird'imagesoptiquesetlaradargrammétrie(oustéréo
radar) à partir d'images radar, ainsi que l'interférométrie radar. Dans ette dernière
ap-pro he,le al ulduMNTsefaitàpartirdedonnéesde phaseinterférométriques, appelées
interférogrammes.Cesdonnéesobtenuesaprèsune haîned'a quisitionetdepré-traitement
les interférogrammes, né essitent un pro essus de déroulement pour retrouver la bonne
altitude. Cette étape, onnue sous le nomde déroulement de phase, se transforme en un
problème di ile à résoudre en présen e d'un fort bruit ou lorsqu'il existe de fortes
dis- ontinuités dans le milieu à re onstruire. Les méthodes markoviennes trouvent alors leur
intérêt dans e adre, où il est possible grâ e à des modèles de formation de es données
bruitées(ou observations)etdesmodèlesapportant uneinformation ontextuelle
(notam-ment les dis ontinuités etlesstru tures) de bienre onstruire lerelief d'unes ène imagée.
Ces appro hes permettent également de dénir un adre général supportant
l'introdu -tion de nombreuses informations. En revan he, elles sont onfrontées aux problèmes qui
sont liés à la né essitéd'une modélisation pré ise des phénomènes physiques ontribuant
à la formation des données et à l'optimisation numérique des fon tions d'énergie qui en
dé oulent, quidemeurent leplus souvent di iles àminimiser.
L'obje tif de estravauxde thèse estdon double:
1. Un premier obje tif est d'étudier et proposer de nouveaux algorithmes
d'optimisa-tion non- onvexe qui orent un ompromis entre la qualité de l'optimum atteint et
la omplexité algorithmique. Une telleétude estvoulue généraleet adresséeà toute
problématique enimagerieetvisionparordinateurquiné essiteunalgorithme
d'op-timisation e a e et robuste à des modèles de fon tions d'énergie omplexes. Les
algorithmes proposés exploitent l'e a ité d'une te hnique assez ré ente en
optimi-sationnumériquedansle adredelavisionparordinateur,àsavoirla oupe-minimum
sur graphe. De plus, des méthodes d'optimisation ontinue sont aussi utilisées an
d'améliorer en pré ision l'estimationeten e a ité la onvergen e de l'algorithme.
2. Unse ondobje tifplusappli atif onsisteàproposerdenouveauxmodèlesmarkoviens
pour la re onstru tion de modèles numériques de terrains en imagerie radar. Ces
modèles reposentsurlesspé i itésdesdonnéesradarinterférométriques(imagesde
phase, amplitude et ohéren e)etsur le ontexte spatialdes divers milieuxà
re on-struire:milieuxnaturelsetmilieuxurbains.Ilss'ins riventparailleursdansle asoù
plusieurs a quisitions de la même s ène sont disponibles, an d'aboutir à desMNT
pré is. Disposant d'algorithmes e a es d'optimisation non- onvexe, l'optimisation
Lemanus ritde thèseest répartisurdeux axes selonles deuxobje tifsxés.
Lapremière partie traitede l'optimisation multi-étiquettes desénergies markoviennes
de premier ordre.
Unbrefaperçudesprin ipaux algorithmesd'optimisation d'énergies markoviennes est
proposédanslepremier hapitre.Nousnousfo alisonssurles algorithmesreposantsurles
te hniquesde oupe-minimumsurgraphesetlesmouvementsdepartitions.Nousillustrons
brièvement au départ les diérentes onstru tions de graphes selon les modèles étudiés.
Ensuite, une analyse ritiquede esméthodes est proposée à la n du hapitre illustrant
leurs limites etsituantles problèmes auxquelsnousnousattaquons.
Unenouvelleappro hed'optimisationd'une lassedemodèlesmarkoviensnon- onvexes
depremierordre,oùlafon tiond'atta heauxdonnéesestquel onqueet ellede
régularisa-tionest onvexe,estalors introduitedansledeuxième hapitre.Cetteappro he reposesur
la te hnique de oupure minimale sur graphes etore un ensemble d'algorithmes
d'opti-misation e a e grâ eàdesnouveauxmouvements departitions,dits mouvements
multi-étiquettes.Cesalgorithmessontbeau oupmoins oûteuxen omplexitéquelesoptimiseurs
exa tset onvergentversdesoptimademeilleurequalitéque euxdesoptimiseurs
approx-imatifs de l'état de l'art. Nous illustrons les ontributions de es nouveaux algorithmes
dans le adre de la restauration d'images bruitées, où le modèle de bruit est fortement
non- onvexe.
Pour améliorer d'avantage la qualité de l'optimum, nous proposons dans le troisième
hapitre un algorithmemixte d'optimisation dis rèteet ontinue.Cet algorithme exploite
les avantages des optimiseurs dis rets déjà développés et eux ontinus de l'état de l'art
an d'aboutir à une solution algorithmique qui permet à la fois de onverger vers des
optima de bonne pré ision tout en onservant un aspe t rapide et non en ombrant en
mémoire. L'apport de et algorithme est illustré à travers la restauration d'images radar
en télédéte tion, où le besoin d'une bonne pré ision sur l'estimation de la rée tivité de
las ène etla né essitéd'unee a ité dansle traitement sefont de plusen plus ressentir
pour desfuturstraitements etinterprétations de es données.
Ladeuxième partie est onsa réeàlare onstru tiondemodèles numériquesdeterrain
en imagerie radar, etparti ulièrement en interférométrie.
Lesétudes réaliséesdans e adred'appli ation sont nombreuses, exploitant diérents
formalismes. Après une bref aperçu des prin ipaux travaux présents dans la littérature,
nous nous fo alisons dans le quatrième hapitre sur les appro hes de re onstru tion de
relief par interférométrie. Une étude de telles appro hes est réalisée an d'é lair ir les
problèmes fondamentaux auxquelselles sont onfrontés.
Unpremiermodèlemarkovienestalorsproposédansle inquième hapitre.Cemodèle
reposesurlesdonnéesdephasesinterférométriquesetexploite lespointsfortsde ertaines
appro hesproposées danslalittérature,àsavoirlate hniquemulti analeninterférométrie
pour réduire l'ambiguïté de la re onstru tion du relief et la te hnique de régularisation
par variation totale en imagerie pour onserver lemieux possible les stru tures du milieu
re onstruit, touten réduisant lebruit qui ae te les données. Le re ours auxoptimiseurs
e a es de lapremière partie du manus rit de thèse nousa étéd'une grandeutilité pour
mieuxoptimiserlemodèleproposé.Desrésultatssurdesdonnéessynthétiquesvariéesv
ali-dent dansunpremier temps lemodèleetl'algorithmede résolution.Ensuite,desrésultats
Pourélargirnotreétudeàdess ènesvariées,urbainesounonurbaines,nousproposons
danslesixième hapitreundeuxièmemodèlemarkovien.Cedernierreposeenplusdes
don-néesdephaseinterférométriquesurlesdonnéesd'amplitudepourapporteruneinformation
en orepluspré isesurlesstru turesà onserverdansleMNTre onstruit.Cependant,vue
la nature onjointe de e modèle, des algorithmes d'optimisation de nature diérente de
euxutilisésjusqu'à estadedumanus ritdethèse sontné essaires.Nousproposonsainsi
unenouvellefamilled'algorithmesd'optimisation onjointequis'appuientsurlesidéesdela
premièrepartie delathèse,protantdon del'e a itédeste hniquesde oupe-minimum
sur graphe et des mouvements de partitions. La robustesse du modèle et l'e a ité de
es algorithmes nous ont permis de fournir desmodèles numériques de terrains de s ènes
urbainesave unebonnepré ision.UnezoneurbainedeDresdeaalorsétére onstruitepar
ette méthode,partant de données radaraériennes de phaseetd'amplitude. Lesrésultats
de re onstru tion sont en ourageants.
Le dernier hapitre on lut lemanus rit de thèse et présenteun ensemblede
Minimiseurs multi-étiquettes
d'énergies markoviennes de premier
Appro he markovienne et
algorithmes d'optimisation
Ce hapitre est onsa ré à l'étude bibliographique des appro hes d'optimisation des
énergies markoviennes utilisées entraitement d'imageet vision par ordinateur.
Enpremierlieu,laformulationde ertains problèmesd'imagerieen unproblème
d'éti-quetage, résoluensuite par une estimationbayésiennepar maximum a posteriori (MAP),
est dé rite.
Endeuxième lieu,l'appro he markovienne estintroduite pour modéliser l'information
a priori de l'image.
En troisième lieu, des algorithmes d'optimisation du ritère probabiliste MAP sont
analysés. Plus parti ulièrement, nous étudions les algorithmes reposant sur la te hnique
du ot-maximum/ oupe-minimum sur un graphe. Dans des travaux ré ents, es
algo-rithmesontmontréleure a itéetrobustessepourminimiserdiérentesformesd'énergies
markoviennes utilespourla visionpar ordinateur.
1 Problème d'étiquetage
Diérentsproblèmes entraitement d'imagepeuvent êtrereformuléssouslaformed'un
problème d'étiquetage (labelling). C'est par exemple le as pour larestauration d'images
bruitées,lasegmentationdesimages,lare onstru tion3Dàpartird'observations2Dd'une
même s ène,et .
Désignonspar
P = {p
1
, p
2
, ..., p
n
}
l'ensembledessitesdel'imageoudugraphe onsidéréet
L = {l
1
, ..., l
k
}
l'ensembledesétiquettesquileursontasso iées.Leproblèmed'étiquetageonsiste à mettre en orrespondan e une étiquette de l'ensemble
L
à haque site deP
.Estimer une solutionpour uneappli ation donnéerevientà trouverlemeilleurétiquetage
selon un ritère bien hoisi.
1.1 L'estimation bayésienne
Il existe dans la littérature diérentes appro hes d'estimation. Parmi elles- i, nous
trouvons la lasse des appro hes probabilistes par inféren e statistique bayésienne. Dans
e adre, l'estimation onsiste à inférer la solution du problème à partir d'un modèle
probabiliste.
Partantd'uneobservationouunensembled'observations,indiquéesrespe tivementpar
y =
{y
1
, y
2
, ..., y
n
}
ouy =
{y
1
, y
2
, ..., y
n
}
(avey
p
un ve teur d'observations dusitep
),laréalisationsd'un hampaléatoire
z =
{z
1
, z
2
, ..., z
n
}
eten dénissant unefon tion de oûtsurles erreursde lasolution.
Un des estimateurs largement utilisé en traitement d'image est l'estimateur bayésien
MAP(Li ,2001 ).A etestimateur orrespondunefon tion de oûten toutouriendansla
solution globale. L'estimation onsiste don à maximiser pour
x
ladensité de probabilitéa posteriori
P (x
|y)
:e
x = arg max
x∈X
P (x
|y) ,
(1.1)
ave
x
e
lasolutionestimée etX = L × L × ... × L = L
n
l'espa edes solutions andidates.
Grâ eàlarègledeBayes, eproblèmeseramèneà her herla onguration
x
quimax-imiseleproduitdeladensitédeprobabilitéa priori
P (x)
parlafon tiondevraisemblan eP (y
|x)
:e
x = arg max
x∈X
P (y
|x)P (x) .
(1.2)
Pourunproblèmedonné,lafon tiondevraisemblan e orrespondaumodèledeformation
des données (observations). En pratique, e modèle est le plus souvent tiré d'une étude
statistique sur es observations tout en faisant une hypothèse d'indépendan e
ondition-nelle entreles éléments
y
p
:P (y
|x) =
n
Y
p=1
P (y
p
|x
p
) ,
(1.3)ave
P (y
p
|x
p
)
une loi onnue (estiméestatistiquement).Par ailleurs, la distribution a priori,qui orrespond au modèle qui dé rit l'image, est
déterminée àpartirdela onnaissan e ontextuelle apriori del'estimation. Entraitement
d'image, un modèle permettant de formaliser ette information a priori dans une s ène
naturelleimagéeestlemodèlemarkovien.Cedernierreposesurlalo alitédesintera tions
entreobservations.
1.2 La modélisation markovienne
Introduite enimagerie dans(Geman etGeman,1984 ), ette appro he onsiste à
mod-éliserla ohéren espatialedansl'image,selonlaquellelaprobabilité dela onguration
x
p
d'un site donné
p
de l'image est déterminée à partir de la onguration dessites voisins.Un tel modèle est ommunément appelé modèle de régularisation permettant de lier la
distribution globale
P (x)
à despotentielslo aux.Unsystèmede voisinage, que l'onnotera par
N
,estalors dénide lafaçon suivante:N
p
=
{q ∈ P}
telsque(
p /
∈ N
p
,
q
∈ N
p
⇒ p ∈ N
q
.
(1.4)
A titred'exemple, en onsidérant les pixelsd'uneimage, unsystèmede voisinagepossible
est le système de 4- onnexité. Chaque pixel est voisindes pixels auxquelsil est onne té
danslagrille régulière.
Le système de voisinage est ensuite utilisé pour dénir les sous-ensembles de sites en
intera tionspatiale,appelés liques,quel'onnoterapar
c
.Une liquepeutêtreparexempleun seul site
c =
{p}
, unepaire de sitesvoisinsc = (p, q)
,et . L'ensemble que forment lesC
0
=
{p|p ∈ P}
,C
1
=
{(p, q)|p ∈ P ; q ∈ N
p
}
, et . L'ensemble de toutes les liquespossiblesseranoté par
C =
S
i∈N
C
i
.Enreprenantleformalismebayésien,uneimagepeutêtrealors onsidérée ommeétant
une réalisationd'un hampaléatoire bienparti ulier,à savoirun hampdeMarkov,déni
par :
Dénition 1.1. Champ de Markov
z
est un hampde Markov surP
relativement au systèmede voisinageN
si etseulementsi
z
est un hampaléatoire qui satisfaitles deux ritères suivants :Positivité :
P (x) > 0 ;
∀x ∈ X
Markoviannité :
P (x
p
|x
P−{p}
) = P (x
p
|x
N
p
)
.Ave ,x
N
p
=
{x
q
|q ∈ N
p
}
.où
x
est une onguration du hampz
.Comme ette modélisation markovienne de l'image repose sur un ensemble
d'intera -tionsentrelessitesvoisins,ilestalorsné essairedelesdénir.Ladénitionetlethéorème
suivantspermettent don demanipuler enpratiquelesmodèlesmarkovienssurlesimages.
Dénition 1.2. Champ de Gibbs
z
est un hampde GibbssurP
relativement au systèmedevoisinageN
siet seulement sitoute onguration
x
de e hampsuitunedistributiondeGibbs, .-à-d.P (x) =
exp (−U(x))
Z
,ave
Z =
P
x∈X
exp (
−U(x))
est une onstante de normalisation appelée fon tion depar-tition et
U (x) =
P
c∈C
E
c
(x)
est une fon tiond'énergieégale à la sommedes potentielsE
c
de toutes les liques possibles dans
C
. Le potentiel d'une lique dépend de la ongurationlo ale asso iée à ette lique.
Théorème 1.1. Hammersley-Cliord (1971)
Un hamp
z
est un hampde Markov dénisur un ensemblede sitesP
relativement à unsystème devoisinage
N
siet seulement siz
est un hampde Gibbs surP
relativement ausystème de voisinage
N
.Celanousamèneà on lurequeladistributionapriori de
x
selonunmodèledeMarkovest une distribution de Gibbs déterminée à partir de potentiels d'intera tions dénis sur
des liquesselon larelation suivante:
P (x) =
1
Z
exp
−
X
c∈C
E
c
(x)
!
.
(1.5)Eninje tant(1.3) et(1.5)dans(1.2 ),onvoitqueleproblèmedel'estimationMAPrevient
à résoudreleproblème suivant :
e
x = arg max
x∈X
n
Y
p=1
P (y
p
|x
p
) exp
−
X
c∈C
E
c
(x)
!
.
(1.6)Nouspouvonsreformuler ette dernièreexpression par:
e
x = arg min
x∈X
E(x) ,
(1.7) ave :E(x) =
n
X
p=1
− log (P (y
p
|x
p
)) +
X
c∈C
E
c
(x) .
(1.8)Par lasuite, nous onsidérons lanotation suivante :
E(x
p
) = E
p
(y
p
|x
p
) =
− log (P (y
p
|x
p
)) ,
∀p ∈ P.
(1.9)Ces termes sont dits termes d'atta he aux données ou de vraisemblan e. Ils permettent
de ontraindre notre estimation à ressembler aux observations. Ainsi la fon tion
E
p
doitpénaliser unevariation importante entre l'estimation
x
p
etl'observationy
p
.Par ailleurs, le hoix despotentiels des liques
E
c
ainsiquel'ordredes liquesutiliséesonditionnentdire tement l'a priori imposéàlasolution.Souvent enimagerie,des liques
depremierordresusentpouravoirunesolutionbienrégularisée.Onparlealorsdemodèles
markoviens de premier ordre.
Dans ertainesappli ations, tellesque ellesquimanipulent delatexturedansl'image,
des liques d'ordre supérieur deviennent né essaires (Winkler , 2006 ). On utilise alors des
modèles markoviens d'ordre supérieur.
Quantau hoix despotentielsde liques,il estsouvent onditionnépar lanaturedela
solutionàestimer:homogène,lisse,lisseparmor eaux,et .Généralement, 'est edernier
as qui modélise une grande panoplie de s ènes naturelles, où il est né essaire de dénir
despotentielsqui permettent àlafoisde régulariserlasolution etdepréserverles
dis on-tinuités.Les deux grandes famillesde représentation desfon tions a priori modélisant e
type de onnaissan e surl'image sont :
La famille des potentiels faisant intervenir les dis ontinuités expli itement.
Cer-tains lefont àtravers desvariables auxiliairesappeléespro essusde lignesbooléens
(GemanetGeman , 1984 ) marquant es dis ontinuités. D'autres le font par des
hy-perparamètres lo aux (Saquibet al., 1998 ) estimés lo alement. Typiquement pour
e dernier as, sur des liques de premier ordre, on peut retrouver ette forme de
potentiels:
E
p,q
(x
p
, x
q
) = β
p,q
||x
p
− x
q
|| ,
(1.10)où
β
p,q
estun hyperparamètrelo al et||.||
estune distan epénalisant unevariationimportante entreles ongurations desites voisins.
La famille des potentiels faisant intervenir les dis ontinuités impli itement par la
fon tion qui dénit le potentiel lui même (Besag, 1986 ), (HebertetLeahy , 1989 ),
(Charbonnier,1994 ). A titred'exemple, nous trouvons lespotentiels surdes liques
de premierordre detype
φ
− fonctions
telles que:E
p,q
(x
p
, x
q
) =
(x
p
− x
q
)
2
1 + (x
p
− x
q
)
2
,
(1.11)ou detype quadratiquetronquée tellesque :
E
p,q
(x
p
, x
q
) = min
(x
p
− x
q
)
2
, b
,
(1.12)ave
b
une onstante de tron ature évitant de pénaliser les dis ontinuités à partird'unevaleur donnée.
Anoterquequelqueséquivalen esentre ertainsmodèlesdesdeuxfamillessontdisponibles
(Winkler ,2006 ).
Ayantdénilesdistributionsdevraisemblan eetapriori dumodèlebayésien,le
prob-lème de l'estimation MAP se ramène don à un problèmede minimisation de la fon tion
1.3 Résolution par minimisation d'énergie
Minimiserlafon tion
E
relèvedudomainedel'optimisationnumérique.Unalgorithmede minimisation utilisé devraitrépondreaux ritères suivants:
E a ité : l'algorithmedoitêtre defaible omplexitéen tempsde al uleten
mé-moire;
Pré ision : l'algorithme doit onverger vers un optimum de bonne qualité,
idéale-ment un optimum global delafon tion.
Dans la littérature, diérentes méthodes d'optimisation existent. Ces méthodes
peu-ventêtre lasséesselonplusieurs ritères.Atitred'exemple,nousdistinguonslesappro hes
ontinues v.s.dis rètes( ombinatoires) ou elleslinairesv.s.non-linéaires, ou elles
déter-ministes vs. sto hastiques, ou en ore elles d'optimisation de fon tions onvexes vs.
non- onvexes, et .
Intéressonsnous aux méthodes qui ont étéproposées pour maximiser le ritère MAP,
ouminimiserlafon tiond'énergiemarkovienne,dansle adredesappli ationsenimagerie.
Nousretrouvonsparmi les appro hes lesplus utiliséesdanslalittérature :
Lere uitsimulé,initialementexploitéentraitementd'imagedans(Geman etGeman ,
1984 ), estune appro he d'optimisation dis rète,sto hastique,quien théoriepermet
d'optimiser exa tementtoute fon tionobje tif.Cependant, enpratique, ette
méth-ode s'avère très lourde en temps de al ul pour onverger vers un bon optimum,
même sila onvergen e vers unoptimum globalest prouvée théoriquement.
L'algorithme ICM(Modes Conditionnels Itérés),introduiten imagerie dans(Besag,
1986 ), estune appro he d'optimisation dis rète,déterministe, sous-optimale, .-à-d.
qui onvergeversunoptimumlo aldelafon tion.Late hnique onsisteàminimiser
lo alement lafon tion d'énergieen haque site.La onvergen e estrapide etdansle
as d'énergies onvexes, de bons optima sont obtenus (pas né essairement globaux
pourdebonnesinitialisations).Enrevan he,dansle asnon- onvexe, etteméthode
n'est plus robuste. Elle est très sensible à l'ordre de balayage des sites ainsi qu'à
l'initialisation etrisque de onverger vers unoptimumde mauvaise qualité.
L'algorithme GNC(Graduated NonConvexity), introduiten vision dans
(BlakeetZisserman , 1987 ), est une appro he d'optimisation déterministe qui
on-siste àdénir une suite deproblèmes d'estimation partant d'unmodèle plus simple
àoptimiser, pour lequellasolution estunique,et onvergeant verslemodèle désiré.
Typiquement, dans le as d'une optimisation non- onvexe, la méthode part d'une
fon tion onvexe à optimiser quel'on déforme progressivement. Cette te hnique est
pluse a eentempsde al ulquel'appro hesto hastiqueparre uitetplusrobuste
que l'appro he déterministe par ICM. Cependant, il n'est pas toujours possible de
l'utiliser.
Lades entede gradient, utiliséedansle adredesappro hesvariationnellesde
régu-larisation (Rudinet al., 1992 ), estune appro he d'optimisation ontinue,
détermin-iste.Dansle asdefon tions onvexes,elle onvergeversunoptimumglobal.
d'optimum. Des versions sto hastiques de ette te hnique existent en utilisant par
exempleles é hantillonneurs deGibbspour éviterlesoptimalo aux(Younes , 1988 ).
La propagation de royan es ou Belief propagation, introduite en imagerie dans
(WeissetFreeman ,2001 ), estune méthode ré ented'optimisation dis rèteet
déter-ministe.Elleestutilepouroptimiserdiérentesformesdemodèlesdefon tions
d'én-ergies. Elle repose sur une te hnique de propagation de messages entre les sites de
l'image dansle but d'évaluer pour haque site sa royan e en uneétiquette donnée.
Enrevan he,la onvergen epeuts'avérerlourdeentempsde al uldanslapratique.
La oupe-minimumsurgraphes ougraph- ut,introduiteenvisiondans(Greiget al.,
1989 ) pour le as binaireet reprise et étendue à la n des années 90, est aussi une
te hnique assez ré ente d'optimisation dis rète et déterministe. Elle permet
d'op-timiser exa tement ertaines formes d'énergies et approximativement d'autres. Elle
reposesurla onstru tion d'ungraphespé iqueà lafon tion d'énergieà optimiser
etle al ule de la oupe depoids minimalsur e graphe. Cette méthode est onnue
par son e a ité en temps de al ul et sa robustesse pour la majorité des formes
d'énergies utilisées entraitement d'image (Szeliski et al.,2006 ).
Toutes este hniquesd'optimisation,etbiend'autresmoinsutilisées,sontplusadaptées
à ertainesfon tionsobje tifsouproblèmesd'optimisationqued'autresetprésententdans
ertains asdeslimites etdansd'autres asdebonnesperforman es.Toutefois, nousnous
fo alisons danslasuite sur leste hniquesd'optimisation par oupe-minimumsur graphes
pour lesraisons suivantes :
la possibilité d'adapter l'appro he à diérents modèles markoviens selon une
on-stru tion de graphespé ique;
le hoix entre une optimisation exa te ou non-exa te (approximative) du modèle
selon la onstru tion hoisie;
et les progrès réalisés ré emment dans le domaine de l'optimisation ombinatoire,
apportant des algorithmes e a es de oupe-minimum sur des graphes spé iques
auxproblèmes de visionpar ordinateur.
2 Algorithmesde minimisationpar oupe-minimumsur graphe
La problématique d'étiquetage en imagerie, introduite au début de e hapitre, peut
être perçue aussi omme étant un problème d'étiquetage dans un graphe. L'étiquetage
onsiste alors àfaire orrespondrelessites
P
del'image auxn÷uds d'ungrapheG
orientéetàestimer ensuitelabonneétiquettepour haquen÷udde e graphedemanièreàavoir
lameilleure onguration possible desn÷udsau sens du ritère établi.
Enthéoriedesgraphes, eproblème orrespond àunproblèmede oupemultiterminal
minimumsur e graphe;où un terminal orrespond à une étiquetteet la oupe regroupe
lesn÷udsdugrapheensous-ensemblespartageant unemême étiquette.Étantdonné alors
un graphe
G = (V, E)
aveV
l'ensemble de ses n÷uds etE
l'ensemble de ses ar s àpoidspositifs, her honsla oupeoptimale, .-à-d. elledontlasommedespoidsdesar s oupés
est minimale. Ce problème, que l'on appellera par la suite (k- oupe-minimum), est onnu
en ombinatoire (Hu, 1969 ), où
k
désigne la ardinalité de l'ensemble des étiquetteson-sidérées. Sa résolution faitl'objet de plusieurs études dansles domainesde l'optimisation
dis rète etdelathéoriedesgraphes.En général,ils'agit d'unproblèmeNP-di ile.Tout
est possible, tel est le as des graphes planaires (Yeh , 2001 ), (Chen etWu , 2004 ). Pour
d'autres, desauteurs proposent des appro hes derésolution approximative.
Dansle asoùdeuxn÷udsterminauxsontdénis, ela orrespondà
k = Card
{L} = 2
,la k- oupe-minimum est onnue sous le nom de s,t- oupe-minimum ou tout simplement
oupe-minimum. Cette ouperépartitlesn÷udsdugrapheenuniquementdeuxensembles
den÷uds.L'un orrespondauterminal
s
,appelésour e, etl'autre orrespondauterminalt
,appelépuits.Sous ertaineshypothèsessurla onstru tion dugraphe, e asparti ulierde oupe multiterminal minimum peutêtre résoluen un temps polynmialen passant au
problèmedual,quiestle al uldeot-maximumsurlegraphe
G
(Ford etFulkerson,1956 ),(Elias etal., 1956 ).
Danslasuite,nousprésentonsbrièvement eproblèmede oupe-minimum/ot-maximum
surun grapheetsonadaptation àlaproblématique d'étiquetage en traitement d'image.
2.1 Coupe-minimum / ot-maximum
Pourintroduire eproblème,on onsidèrelegraphe
G = (V, E)
ainsiquelesdeuxn÷udsterminaux
s
ett
,respe tivement lasour e etlepuits. Ondénit une oupeC
s,t
=
{S, T }
dansun graphepar une partition
(
S, T )
de l'ensembledessommets telleque:
S ∪ T
=
V ,
S ∩ T
=
∅ ,
s
∈ S ,
t
∈ T .
(1.13)Le poidsd'une oupe
|C
s,t
|
estdénipar le réelpositifde valeur:|C
s,t
| =
X
u∈S
v∈T
(u,v)∈E
w(u, v) ,
(1.14)où
w(u, v)
estlepoidsasso iéàl'ar orientéreliantlesdeuxn÷udsu
etv
, onsidérépositif.La oupe-minimumdanslegraphe
G
estdon la oupedepoidsminimaldans egrapheparmi toutes les oupespossibles.
On dénit ensuite un réseau par le ouple
(
G, f)
, oùG
est le graphe pré édemmentdéniet
f :
V × V → ℜ
estunefon tionappeléeot déniepar les ontraintessuivantes:
∀(u, v) ∈ V
2
,
f (u, v)
≤ w(u, v) ,
∀u ∈ V − {s, t} ,
P
v∈V
f (u, v) = 0 ,
∀(u, v) ∈ V
2
,
f (u, v) =
−f(v, u) .
(1.15)
La première ontraintestipule qu'unar ne peut ontenir un ot quidépasse sa apa ité.
Lase onde estune ontraintede onservationdeoten haquen÷ud(loi deKir ho).La
dernière estdite ontrainte desymétrie.
Lavaleur duot
|f|
est déniepar :|f| =
X
v∈V
f (s, v) =
X
v∈V
f (v, t) ,
(1.16)etelle indique leot totalque l'onpeutfaire transiter delasour e vers lepuits.
Leot maximumdansun réseau orrespondalors au ot de valeur maximale quel'on
La dualité entre les deux problèmes ot-maximum et oupe-minimum a été prouvée
indépendamment dans(Ford etFulkerson,1956 ) et(Eliaset al.,1956 ).
Théorème 2.1. Dans un graphe
G
, omme déni pré édemment, la valeur d'uneoupe-minimum est égale à la valeur d'un ot-maximum dans un réseau asso ié à e graphe. De
plus,toutar ontenudans la oupe estun ar saturé( .-à-d. on nepeut pas yfaire passer
plus deot).
De nombreux travaux dans la littérature ont été onsa rés à la re her he e a e du
ot-maximum dans un réseau. Un aperçu sur les grandes familles de es algorithmes est
présentédansl'annexe C.
Dans le adre des problèmes de traitement d'image, si les sites de
P
sont lespix-els de l'image, nous disposons alors de graphes
G
réguliers et bien stru turés. D'oùl'in-térêt d'adapter es algorithmes lassiques de al ul de ot-maximum/ oupe-minimum à
es graphesparti uliers en vued'améliorer leurs performan es.
Dans la suite, nous présentons une variété d'algorithmes d'optimisation par
oupe-minimumsurgraphes en imagerie. Pour diérents modèles markoviens asso iés à ertains
problèmes d'étiquetage en imagerie, nous dé rivons les stru tures des graphes
orrespon-dants ainsi que les algorithmes de minimisation qui reposent sur es onstru tions. Nous
onsidérons pourla lartédu textelarépartition des hamps markoviens entre hamps de
Markovbinaires et hamps deMarkovmulti-étiquettes. Pour ha unede esdeux lasses,
nous traitonsséparément les asdes liques de premierordre etle as des liquesd'ordre
supérieur.
2.2 Champs markoviens binaires
Les hamps markoviensbinaires oubooléens sont utilespour ertainesappli ations en
traitement d'image telles que la restauration d'images binaires (Greig et al., 1989 ) et la
segmentation d'images en objet/fond (Rother et al., 2004 ). L'ensemble des étiquettes est
dans e asde gureune paire d'étiquettes,que l'onnotera par
L = {0, 1}
.Ainsiétiqueterl'ensembledessites
P
revientàminimiserlafon tiond'énergiemarkovi-enne pseudo-booléenne
E
dénie surdesvariablesbinaires{x
p
}
p∈{1,2,...,n}
par :E(x) =
n
X
p=1
E
p
(x
p
)
| {z }
=E
p
(y
p
|x
p
)
+
X
c∈C
E
c
(x) .
(1.17) 2.2.1 Fon tions deB
2
Traitons en premier lieu les modèles markoviens de premier ordre. Nous noterons la
lasse de fon tions d'énergies pseudo-booléennes de tels modèles par
B
2
. Elles s'é rivent
sous laformesuivante :
E(x) =
n
X
p=1
E
p
(x
p
) +
X
(p,q)
E
p,q
(x
p
, x
q
) .
(1.18)Laminimisationde etteformedefon tionpseudo-booléenneaététraitéeinitialement
dans(Pi ard etRatlif,1975 )ensuitedans(Greiget al.,1989 ). Elleaétérepriseen détails
dans(KolmogorovetZabih , 2004 ).
Larésolution par oupe-minimumparaitimmédiate dans e asdegurepuisque
l'ob-je tif est d'étiqueter les sites de
P
par0
ou1
, de façon à avoir une onguration binaireLa onstru tion d'untel graphe est néanmoins restreinte à une lasse de fon tions de
B
2
dites fon tions sous-modulaires. Pour les autres fon tions de
B
2
, la re her he de la
oupe-minimum devientun problème NP-di ile(KolmogorovetZabih , 2004 ).
Lestermesdevraisemblan e(àunevariable)sonttoujourssous-modulaires,tandisque
les termes d'intera tion de paires de variables ne sont sous-modulaires que si la relation
suivanteestvériée :
E
p,q
(0, 0) + E
p,q
(1, 1)
≤ E
p,q
(0, 1) + E
p,q
(1, 0) .
(1.19)Le as de fon tions sous-modulaires de
B
2
Sinous disposons de fon tions d'énergies markoviennes sous-modulaires de
B
2
, la
min-imisationestdésormaispossiblegrâ eauxalgorithmesde al uldeot-maximumappliqués
surun grapheparti ulier. Deplus, leminimumobtenu estun minimumglobal. Pour
on-struire legraphe, onsidérons lareformulation suivantedelafon tion d'énergie :
E(x) =
n
X
p=1
E
p
(1)x
p
+ E
p
(0)(1
− x
p
)
+
X
(p,q)
E
p,q
(0, 1) + E
p,q
(1, 0)
− E
p,q
(0, 0)
− E
p,q
(1, 1)
(1
− x
p
)x
q
+
X
(p,q)
E
p,q
(1, 0)
− E
p,q
(0, 0)
x
p
+
E
p,q
(1, 1)
− E
p,q
(1, 0)
x
q
,
(1.20)ave
E
p
(1) = E
p
(y
p
|x
p
= 1)
etE
p
(0) = E
p
(y
p
|x
p
= 0)
.On peut ainsi onstruire legraphedire tement à partir de estermes del'énergiede lafaçon suivante :
haquen÷ud
v
p
dugraphe, orrespondant àunsitep
,estreliéàlasour epar unarorienté
−−−→
(s, v
p
)
de poidsE
p
(0)
et au puits par un ar orienté−−−→
(v
p
, t)
de poidsE
p
(1)
.Ces ar s sont appelés ar s de données ( f. FIG. 1.1). Une onstru tion équivalente
présentéedanslamême gureest proposéedans(Kolmogorovet Zabih , 2004)
Figure 1.1 Stru ture répétitive du graphe sur tous les sites de
P
. Exemple des deuxonstru tions possibles.
pour haque ouple de n÷uds voisins
(v
p
, v
q
)
, orrespondant à un ouple de sitesvoisins
(p, q)
, nous réons un ar orienté−−−−→
(v
p
, v
q
)
de poidsE
p,q
(0, 1) + E
p,q
(1, 0)
−
E
p,q
(0, 0)
− E
p,q
(1, 1)
ori-enté
−−−→
(s, v
p
)
de poidsE
p,q
(1, 0)
− E
p,q
(0, 0)
si e poids est positif, sinon
−−−→
(v
p
, t)
de poids−
E
p,q
(1, 0)
− E
p,q
(0, 0)
, est onstruit. On ajoute ensuite un ar orienté
−−−→
(v
q
, t)
de poidsE
p,q
(1, 1)
− E
p,q
(1, 0)
si e poidsest positif, sinon
−−−→
(s, v
q
)
depoids−
E
p,q
(1, 1)
− E
p,q
(1, 0)
. Ces deuxar s sont appelés ar s de bord et sont souvent
fusionnésave les ar sde données( f. FIG.1.2) .
c
s,p
= max
{0, E
p,q
(1, 0)
− E
p,q
(0, 0)
} ,
c
p,t
= max
{0, E
p,q
(0, 0)
− E
p,q
(1, 0)
} ,
c
s,q
= max
{0, E
p,q
(1, 0)
− E
p,q
(1, 1)
} ,
c
q,t
= max
{0, E
p,q
(1, 1)
− E
p,q
(1, 0)
} ,
c
p,q
= E
p,q
(0, 1) + E
p,q
(1, 0)
− E
p,q
(0, 0)
− E
p,q
(1, 1) .
Figure1.2Stru turerépétitivedugraphepour haque oupledesitesvoisinsde
P
telleque
p < q
.On remarque la ondition de sous-modularité qui intervient dans ette onstru tion
pour assurerunar àpoidspositif
c
p,q
entre lesdeuxn÷uds voisins(v
p
, v
q
)
.Lagure1.3illustre legraphetotal orrespondant àune image detaille
3
× 3
ave unsystèmede voisinage 4- onnexité.
Figure 1.3 Constru tiondugraphetotal orrespondantàune imagedetaille
3
× 3
aveun systèmede voisinageen 4- onnexité.
La taille du graphe est don de l'ordre de
O(n)
et la omplexité de l'algorithme deal uldu ot-maximum estpolynmiale.
La résolution d'un problème de vision par une telle appro he, en supposant que les
potentielsdes liquesdepremierordresontsous-modulaires,estdon trèse a eentemps
de al ul. De plus, un minimum global est obtenu. En revan he, si les potentiels ne sont
pastoussous-modulaires,la onstru tion proposéen'est plusappropriée. Dans e as,des
Le as de fon tions non sous-modulairesde
B
2
Unepremièreméthoded'optimisationapproximativeaétéprésentéedans(Kwatraet al.,
2003 ), (Agarwala etal., 2004) et (Rotheret al., 2005). Elle onsiste à ignorer les termes
non sous-modulaires ou les approximer par d'autres sous-modulaires pour pouvoir faire
appelà la onstru tion degraphe dé ritepré édemment etminimiser approximativement
l'énergieglobalepar oupe-minimumsur egraphe.Néanmoins, etteméthoden'estvalable
qu'enprésen ed'unnombrerestreintde termesd'intera tions nonsous-modulaires.Le as
é héant, l'approximationde lafon tion d'énergierisque de détruirelevraimodèle.
Une deuxième méthode qui a montré son e a ité etqui reste à e jour la plus
util-isée est elle proposée dans (KolmogorovetRother, 2007 ). Cette méthode repose sur la
te hnique deminimisationdefon tionsquadratiquespseudo-booléennesparot-maximum
parue dans (Hammer etal., 1984), appelée roof duality. Cette te hnique onsiste à
pro-poser un étiquetage partiel des n÷uds du graphe. Dans le as où les termes de l'énergie
sont sous-modulaires, un étiquetage booléen est proposé aux n÷uds qui leurs
orrespon-dent, et les autres n÷uds restent sans étiquetage (ou portent l'étiquette
∅
). Unalgo-rithme de onstru tion de graphe approprié et d'étiquetage par al ul de ot-maximum,
appelé QPBO, est initialement proposé dans(Boroset al., 1991 ). Ensuite, les auteurs de
(KolmogorovetRother , 2007 )l'ont adapté auxproblèmes de vision par une onstru tion
de graphepluse a e.Cependant, etalgorithmereste en orenonable quandplusieurs
termes de l'énergie ne vérient pas la ondition de sous-modularité. Une extension a été
alors proposée dans (Rother et al., 2007 ) pour étiqueter le maximum possible de n÷uds
orrespondant aux termes non sous-modulaires. L'idée repose sur la te hnique proposée
dans (Boroset al.,2006 ) etqui onsiste àpartir de l'étiquetage partiel donné par QPBO
et à étiqueter itérativement les n÷uds qui restent, un par un, de façon à minimiser
l'én-ergie globale. L'algorithme reste toujours rapide puisqu'ils'agit de minimisations binaires
et onverge versun optimumlo alde meilleure qualité.
Ainsiminimiser e a ement unefon tiond'énergiemarkoviennebooléennedepremier
ordre quel onque est désormais possible par oupe-minimum sur graphe, dans la mesure
où unnombre faible determes de l'énergiesont nonsous-modulaires.
2.2.2 Fon tions de
B
q
Considérons maintenant la famille des modèles markoviens d'ordre supérieur. Nous
noterons la lasse de fon tions d'énergiepseudo-booléenne de tels modèles par
B
q
,ave
q
l'ordre de la liquede ardinalitémaximale dumodèle. Elless'é rivent souslaforme :
E(x) =
n
X
p=1
E
p
(x
p
) +
X
c∈C
E
c
(x) ,
(1.21) aveC =
S
i≤q
C
i
.Cette lasse de fon tions d'énergie s'avère utile pour mieux modéliser des images de
s ènesnaturellestexturées.Cependant,leuroptimisationest omplexe.Destravauxré ents
enoptimisation par oupe-minimumontadressé ette problématique.L'idéefondamentale
onsiste à réduire les liques d'ordre supérieur en liques d'ordre
0
et1
et à optimiser lenouveau modèleréduit par les optimiseursdé rits pré édemment.
Unepremièreappro hederédu tionaétéproposéeinitialementdans(KolmogorovetZabih ,
2004 )pourdes liquesd'ordre
2
.Ensuite,elleaétégénéraliséedans(Freedman etDrineas,2005 )pourtoutordre.Larédu tion onsisteàtransformerlestermesà
3
variablesbooléennesExemple : Lestermesd'ordre
2
de l'énergie delaformef (x
1
, x
2
, x
3
) = ax
1
x
2
x
3
,avea
un réelet
x
1
, x
2
etx
3
desvariablesbinaires peuvent s'é riresouslaforme :f (x
1
, x
2
, x
3
) = e
f (x
1
, x
2
, x
3
, y)
(1.22)=
(
ay(x
1
+ x
2
+ x
3
− 2)
sia < 0 ,
a (y(x
1
+ x
2
+ x
3
− 1) + (x
1
x
2
+ x
2
x
3
+ x
3
x
1
)
− (x
1
+ x
2
+ x
3
) + 1)
sia > 0 ,
ave
y
une variablebinaire auxiliaireà ajouterà l'ensembledesvariablesx
p
surlesquelleslafon tion
E
estdénie.Enrevan he,unetelletransformationdelafon tiond'énergie
E
n'estgénéralisablequesiles oe ients
a
destermesd'ordresupérieursontnégatifs,autrementunetellerédu tionn'est possible que pour ertainsordres. Pour les autres, latransformation est en ore plus
ompliquée pour pouvoir minimiser e a ement l'énergie totale. Dans un travail ré ent
(Ishikawa ,2009a ),l'auteurproposeuneextensionà etteappro hepourtoutordre,quelque
soient les signes des oe ients des termes d'ordre supérieur. En revan he, la méthode
introduit un nombre important de variables auxiliaires. Son utilisation reste en pratique
restreinteauxmodèlesmarkoviensd'ordre supérieurassezfaible.
Unedeuxième appro hepar substitution aétéproposéeinitialement dans(Rosenberg,
1975 ),ensuitereprisedans(Boros etHammer ,2002 )etappliquéeenvisiondans(Aliet al.,
2008 ). Elle pro ède par transformation de toute fon tion pseudo-booléenne en fon tion
pseudo-booléenne quadratique. La rédu tion onsiste à substituer tout produit de deux
variables binaires
x
1
x
2
par une nouvelle variable binairey
ayant la même valeur que leproduit enminimisant lafon tion globale.
Exemple : Les termes d'ordre
2
de l'énergie de la formef (x
1
, x
2
, x
3
) = x
1
x
2
x
3
, avex
1
, x
2
etx
3
desvariablesbinaires peuvent s'é rire souslaforme :f (x
1
, x
2
, x
3
) = e
f (x
1
, x
2
, x
3
, y) = yx
3
+ bD(x
1
, x
2
, y) ,
(1.23) aveD(x
1
, x
2
, y) = x
1
x
2
− 2x
1
y
− 2x
2
y + 3y ,
(1.24)et
b
unréelpositif.Onremarquequesiy = x
1
x
2
alorsD
estminimum(= 0
),sinonD > 0
.Ainsi minimiser lanouvelle formeréduitede l'énergie permetde minimiser aussilaforme
d'énergie d'origine,à onditionque
b
soit xétrès grand.Le problème de ette rédu tion est que leplus souvent le modèle obtenu présente un
nombre important de termes nonsous-modulaires; e qui laisseun grandnombrede sites
non-étiquetés après re oursauxappro hesd'optimisation non sous-modulaire(QPBO).
En on lusion, optimiser e a ement les énergies markoviennes pseudo-booléennes
d'ordre supérieurreste à e jour unproblème ouvertetd'une grandeimportan e pour
ré-soudre ertaines appli ationsdehautniveau envision.Ces appli ationsfontintervenirdes
primitivesàlapla edespixelsde l'image,telestle aspourlare onstru tiondesréseaux
routiers en imagerie satellitaire à partir des primitives routes (Stoi a , 2001 ) et la
re on-naissan e automatique des sillons orti aux en imagerie médi ale à partir des primitives
linéiques (Rivière, 2000 ). Dans e adre, la modélisationde l'a priori né essite lere ours
à des liquesd'ordre supérieurdont lespotentielsne sont pasfor ément sous-modulaires.
2.3 Champs markoviens multi-étiquettes
Lesmodèlesmarkoviensmulti-étiquettesmodélisentunnombreplusimportant