Quelques améliorations à la segmentation d'images bayésienne. Seconde partie : classification

Nous nous placons dans le cadre de la classification automatique. Nous abordons le probleme de l'estimation du nombre de classes et des parametres qui leurs sont associes. Nous proposons une methode utilisant l'hypothese contextuelle inherente aux images pour discriminer les differentes classes. Cette methode est validee a la fois sur le plan theorique et sur des images de synthese et des images reelles. Nous montrons, en outre, que la methode proposee a un domaine de validite plus etendu que les methodes fondees sur une analyse des modes de l'histogramme. Nous discutons ensuite de la forme du potentiel d'attache aux donnees derive de cette classification dans le cadre d'une segmentation markovienne. Les resultats sont obtenus avec deux modeles a priori differents : le modele de Potts et le chien-modele.