Champs de Markov

L'approche proposée par Nicolas [NPH06] est une autre application des champs Markoviens au traitement d'images. Le principe de la méthode est d'essayer de retrouver les classes d'origine des régions en fonction de la valeur des pixels . Le principe est donc très proche de la binarisation de textes en utilisant les champs de Markov (cf. en page ??).
Nicolas propose d'utiliser un apprentissage pour déterminer la loi de probabilité de . Un vecteur de 18 caractéristiques est utilisé pour caractériser chaque site (ou pixel) en utilisant la densité dans une fenêtre entourant le pixel. Ensuite, l'algorithme EM (Espérance - Maximisation) permet de définir les paramètres des gaussiennes permettant de caractériser la loi , grâce à des échantillons étiquetés à la main. De même, les potentiels d'interactions sont appris en estimant les fréquences d'apparition de chaque couple d'étiquettes selon les différentes cliques.

Cette méthode est parfaitement adaptée aux documents présentant une forte variabilité aussi bien dans la mise en forme que dans la qualité, ce qui lui permet d'avoir de bon résultat dans le cadre de documents manuscrits. De plus, la méthode peut encore être améliorée en affinant l'estimation des différentes lois de probabilités. Cependant, l'apprentissage rend la méthode peu robuste dans le cas où une même étude porterait sur différents documents n'ayant pas les mêmes caractéristiques.