Melange de Gaussiennes spatialise et selection de modele pour la segmentation non-supervisee d'images spectrales — Dans cet article nous decrivons un nouvel algorithme de segmentation non-supervisee applicable aux images spectrales. Cet algorithme etend les techniques de classification non-supervisee fondees sur les modeles de melange de Gaussiennes, en y incorporant les informations spatiales : les spectres sont modelises par un melange de K classes, chacune avec une distribution Gaussienne, dont les proportions de melange dependent de la position. En imposant une structure constante par morceaux aux proportions de melange, nous construisons une procedure d'estimation, de type maximum de vraisemblance penalisee, qui optimise simultanement la partition ainsi que les autres parametres du modele, en particulier le nombre de classes. Nous fournissons une garantie theorique pour cette estimation, même quand la loi generatrice ne fait pas partie des modeles envisages, et decrivons une mise en oeuvre efficace. Finalement, nous appliquons cet algorithme a un jeu de donnees reel.
展开▼
