Résumé:
L'objectif de cette thèse est d'optimise une méthode segmentation d'image non-superviser nommée FCM (fuzzy c-means),
afin de trouver les paramètres les plus optimaux pour assurer une bonne qualité de segmentation. Dans la quelle on a
proposé trois contributions dans le but de résoudre ce problème. Nous nous intéressons à deux problèmes majeurs
détecter dans la méthode FCM, le nombre de cluster nécessaire, et l'initialisation des centres de cluster. Dans un premier
temps on a traité le problème de l'initialisation des centres de cluster à l'aide des métaheuristiques, en utilisant le concept
de coopération entre trois métaheuristiques qui sont guider par trois interruptions. Par la suite on a proposé un autre
mécanisme coopératif pour initialiser les centres de clusters basés sur system de jetons attribués aux métaheuristiques.
De plus nous avons proposé une méthode statistique utilisant les niveaux de gris de l'image pour déterminer
automatiquement le nombre de clusters. Finalement nous avons proposé un système coopératif adaptatif qui permet de
changer les paramètres des métaheuristiques de manière dynamique pendant le processus de calcul des centres
optimisés. Ainsi que nous avons proposé dans la troisième approche d'utiliser les réseaux de neurones (ANN) pour
déterminer le nombre de clusters. Mais cette solution reste limitée par le nombre de sorties du Réseau de neurones.
Pour cela nous avons proposé une autre solution utilisant l'histogramme de l'image à la place de l'image elle-même.
Ceci nous a permis de ne pas être limité par le nombre de clusters.
