Champs markoviens et méthodes variationnelles appliqués à des tâches de vision bas niveau.

Résumé Dans bien des situations, le traitement d'images se ramene a la traduction d'un probleme donne sous la forme d'une minimisation d'energie. La principale difficulte repose alors sur la qualite de cette traduction, c'est-a-dire sur la construction d'une energie dont le minimum represente l'information qu'on souhaite extraire ou reconstruire. Cette these presente deux approches differentes de ce probleme suivant qu'on se place dans le cadre probabiliste des champs markoviens ou celui deterministe du calcul variationnel. La premiere partie a pour trait la detection de lignes de fond de vallees sur un couple d'images bruitees et degradees par un fort gradient de luminosite. Les lignes de fond de vallees sont representees par leur version discrete et modelisees par un champ markovien. L'approche de bayes-markov conduit a minimiser une energie composee de deux termes. Le premier represente le modele a priori sur les courbes discretes et integre les contraintes de regularite (faible courbure) et de longueur. Le second se deduit du modele de bruit et est controle par un parametre definissant le rapport signal a bruit minimal a partir duquel une detection est effectuee sur le couple d'images recalees. Cette energie est minimisee par un algorithme stochastique de type mpm. La seconde partie concerne la reconstruction automatique de la silhouette d'un objet place sur un fond homogene bruite. Le cadre retenu est celui des snakes, methode issue du calcul variationnel. Le contour est obtenu par minimisation d'une energie au moyen d'un algorithme deterministe du gradient utilisant plusieurs niveaux de resolution. Enfin, ce travail presente egalement une etude sur le modele d'eclairement lambertien. On propose une approche semi-locale d'estimation de la reflectance et de l'orientation locale des objets lorsque la direction de la lumiere incidente est inconnue.