Segmentation bayésienne d’images constantes par morceaux: cas de distorsion non-linéaire, données manquantes et bruit de Poisson

Cet article explore le problème de segmentation d’images constantes par morceaux, contaminées par un bruit de Poisson. Le travail inclut deux types de dégradations supplémentaires: pixels manquant et gain non-linéaire. Notre solution suit une approche bayésienne, ce qui permet d’assurer estimation et segmentation optimales. Un échantillonneur de Gibbs, incluant des mouvements de Metropolis-Hastings explore la loi a posteriori. Les échantillons sont alors utilisés pour approcher les quantités d’intérêt, en particulier amplitudes des classes et étiquettes de segmentation. Malgré la présence des dégradations, les résultats sont encourageants et généralement proches de ceux obtenus sans dégradation.

The paper investigates the problem of segmentation of piecewise constant image corrupted by Poisson noise. A double degradation is accounted for: missing data and non-linear gain. The proposed solution follows a Bayesian strategy and a numerical approach is used to explore the intricate posterior distribution: a Gibbs sampler including a Metropolis-Hastings step. The samples generated are subsequently used to compute the amplitudes and the segmented image. The first numerical evaluation provides encouraging results despite the double degradation.