Régularité locale pour l'analyse de texture : le mariage des coefficients dominants et de la minimisation proximale

Abstract

Dans cette contribution, nous revisitons la question de la caractérisation de textures d’images par analyse des fluctuations de régularité locale en combinant deux éléments nouveaux. D’une part, dans l’estimation de la régularité locale proprement dite, la quantité multirésolution utilisée était classiquement le coefficient d’ondelette, l’accroissement ou l’oscillation. Nous la remplaçons par les coefficients dominants, une déclinaison des coefficients d’ondelettes inventée dans le contexte de l’analyse multifractale et qui apportent robustesse et amélioration dans les performances d’estimation. D’autre part, le post-traitement des estimées est réalisé par la mise en place d’une procédure de segmentation en partition minimale résolue à l’aide d’outils proximaux, ce qui nous permet de gérer efficacement le grand volume de données impliqué. Nous générons des textures synthétiques gaussiennes caractérisées par un changement de régularité locale dans une zone dont la position et la surface sont tirées aléatoirement. Nous mettons en oeuvre systématiquement la combinaison de l’estimation par coefficients dominants et segmentation proximale, illustrons la qualité et l’intérêt de cette approche pour segmenter les textures et quantifions la qualité de la segmentation obtenue en fonction de l’amplitude de l’amplitude du changement de régularité locale et de la surface de la zone modifiée.