| Titre : | Calcul parallèle pour la détection d'objet par la méthode level set |
| Auteurs : | Khadidja Chetti, Auteur ; Hayat Meddeber, Auteur |
| Type de document : | texte manuscrit |
| Année de publication : | 2017 |
| Format : | 53p. / ill. en coul. / 29 cm. |
| Accompagnement : | disque optique numérique (CD-ROM) |
| Langues: | Français |
| Résumé : |
La segmentation des images médicales reste encore un domaine de recherche très vaste. L’objectif de notre travail est consacré sur la segmentation d’images médicales , en vue de segmenter la partie tumorale et aussi le cerveau (matière blanche + matière gris). Dans la première partie de ce travail, nous avons commencé par la présentation détaillée des méthodes de segmentation d’image existantes. Nous avons présentés les méthodes de segmentation d’images, où nous avons décrit un certain nombre de méthodes classiques de segmentation, soit par approche contour ou par approche région. Deuxième volet de notre travail, est un problème particulièrement important et l’un des plus difficiles à étudier dans le domaine de l’analyse et du traitement d’images . Ceci réside essentiellement dans la nature des images traiter qui rend la segmentation très délicate et les approches classiques, Pour cela nous avons orienté notre travail vers la méthode de Level set. Nous avons exposés dans le deuxième chapitre, la méthode d’ensemble de niveau pour segmenter les différentes régions et la méthode de classification floue FCM , nous avons présenté les techniques de classification automatique ( Fuzzy C-means). Nous avons vu que la segmentation par classification permet de regrouper des objets en classes. Et nous avons exposé en détails la méthode de segmentation par level set. Pour palier les inconvénients de méthode level set, nous allons présenter une approche parallèle de segmentation d’objet basée sur la méthode de segmentation FCM et ensembles des niveaux (level set). Dans la troisième partie, nous avons présenté l’approche proposée qui vise à trouver des solutions au problème d’initialisation en combinons les méthodes FCM et Level Set. Et au problème du temps de convergence en divisons l’image initial en plusieurs sous images. Où chaque sous contour converge en parallèle avec les autres. Ainssi que , nous avons présenté notre approche de segmentation basée sur la méthode Level set et classification FCM. Nous avons commencé par une représentation du contour actif géométrique. Durant l’application de cette méthode plusieurs initialisation ont été effectué dont le but est de fixer les paramètres initiales. Dans ce travail on s’intéresse deux méthodes de segmentation, tout d’abord on introduit la notion de la classification floue (FCM), cette méthode a été appliquée sur les images améliorées. Les résultats trouvés sont considérable et pourrons éventuellement être améliorés. Les résultats trouvées sont satisfaisants, ce qui nous permet de dire, que l’intégration de la méthode FCM au level set permet de donner des meilleurs résultats de segmentation. En terme de Temps les améliorations trouvés sont encourageants |
Exemplaires (2)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| SE00448T | INF75 | Livre audio | Bibliothèque des Sciences Exactes | 7-Mémoires Master | Libre accès Disponible |
| SE00813T | INF75 | Livre audio | Bibliothèque des Sciences Exactes | 7-Mémoires Master | Libre accès Disponible |
Aucun avis, veuillez vous identifier pour ajouter le vôtre !
Accueil
