Le modèle graphique peut être converti en un champ aléatoire (NMRF) de Markov NON-ET.

En outre, les messages concernant le réseau de Bayes dynamique ainsi généré sont mis à jour dans le sens spécifique d'un axe dans le réseau de Markov à champs aléatoires.

Les écarts statistiques des parties dans la constellation et leurs relations spatiales sont modélisés au moyen d'un modèle génératif, tel que des modèles de champs aléatoires markoviens.

Son domaine de recherche comprend : segmentation d’image, champs de Markov, analyse de texture, classification d’images satellitaires, et, récemment, compression d’images et vidéo.

L'invention concerne une technique de passage de message générique pour inférence MAP sur des champs aléatoires de Markov (MRF).

Deux exemples importants de modèles graphiques sont les réseaux bayésiens et les champs aléatoires de Markov1 .

Des simulations sont présentées sur un paysage technologique stylisé et des résultats analytiques sont induits au moyen de paysages analogues aux champs aléatoires de Markov.

Ils ont été introduits en traitement d'image dans les années 80, et ont rapidement été utilisés dans toute la gamme des problèmes inverses en vision par ordinateur.

Dans un contexte bayesien, l'interet d'utiliser les champs de markov caches, qui permet de tenir compte de l'information contextuelle, est bien connu depuis une vingtaine d'annees.