Spatiocolorimetric neighborhood hypergraph and Image Processing Applications : Noise Removal and Edge Detection.
Hypergraphe de Voisinage Spatiocolorimétrique. Application en traitement d'images : Détection de
contours et du bruit.
Résumé
In this document, we are interested in image modeling by the means of the hypergraph theory. Our contribution is essentially centered on the determination of the properties resulting from this theory and on the analysis from their adequacy with image problems, particularly edge and noise detection.
First, we study the image spatiocolorimetric neighborhood hypergraph representation. Three representations are respectively presented incorporating global properties, local properties and similarity functions. Then, we use the hypergraph properties generated by the representation in order to define the structural models of noise and edge. This enables us to deduce the algorithms of noise suppression and edge detection on gray scale and color images. The performances of the proposed approaches
are compared with the solutions classically used. Finally, the representation by neighborhood hypergraph
consistently seems to be efficient in low level image processing.
First, we study the image spatiocolorimetric neighborhood hypergraph representation. Three representations are respectively presented incorporating global properties, local properties and similarity functions. Then, we use the hypergraph properties generated by the representation in order to define the structural models of noise and edge. This enables us to deduce the algorithms of noise suppression and edge detection on gray scale and color images. The performances of the proposed approaches
are compared with the solutions classically used. Finally, the representation by neighborhood hypergraph
consistently seems to be efficient in low level image processing.
Dans ce document, nous nous intéressons à la modélisation de l'image par le biais de la théorie des hypergraphes. Notre contribution est essentiellement axée sur la détermination des propriétés issues de
cette théorie et sur l'analyse de leur adéquation avec des problématiques de l'image et particulièrement la détection de contours et la suppression de bruit.
Dans un premier temps, nous étudions la représentation par hypergraphes de voisinage spatiocolorimétrique de l'image. Trois représentations sont présentées incorporant des propriétés globales, locales, des mesures de similarité et des mesures de dissimilarité.
Ensuite, on utilise les propriétés des hypergraphes engendrées par la représentation afin de définir des modèles structurels de bruit et de contour. Ceci nous permet ainsi de déduire des algorithmes de suppression de bruit et d'extraction de contours sur des images
à niveaux de gris et couleur. Les performances des approches proposées sont comparées aux solutions classiquement utilisées.
Enfin, la représentation par hypergraphe de voisinage
spatiocolorimétrique s'est avérée efficace pour
le traitement des images bas niveaux.
cette théorie et sur l'analyse de leur adéquation avec des problématiques de l'image et particulièrement la détection de contours et la suppression de bruit.
Dans un premier temps, nous étudions la représentation par hypergraphes de voisinage spatiocolorimétrique de l'image. Trois représentations sont présentées incorporant des propriétés globales, locales, des mesures de similarité et des mesures de dissimilarité.
Ensuite, on utilise les propriétés des hypergraphes engendrées par la représentation afin de définir des modèles structurels de bruit et de contour. Ceci nous permet ainsi de déduire des algorithmes de suppression de bruit et d'extraction de contours sur des images
à niveaux de gris et couleur. Les performances des approches proposées sont comparées aux solutions classiquement utilisées.
Enfin, la représentation par hypergraphe de voisinage
spatiocolorimétrique s'est avérée efficace pour
le traitement des images bas niveaux.