La présente thèse est consacrée au recalage et à la fusion d’images de façon dense et déformable via des méthodes d’optimisation discrète. La contribution majeure consiste en un principe de couplage entre recalage géométrique et iconique via l’utilisation de méthodes dites graphiques. Une telle formulation peut être obtenue à partir d’un Champ de Markov Aléatoire binaire et permet de résoudre les deux problèmes simultanément tout en imposant une cohérence à leurs solutions respectives. La méthodologie s’applique à la fusion de paires d’images (dans ses versions symétrique et asymétrique), ainsi qu’au recalage simultané de groupes d’images nécessaire à l’étude de populations. Les qualités principales de notre approche résident dans sa faible complexité algorithmique et sa versatilité. L’utilisation d’une formulation discrète assure une grande modularité concernant tant la mesure de similarité iconique que l’extraction et l’association de points d’intérêt. Les résultats prometteurs obtenus sur les bases de données de référence en flot optique et sur des données médicales tridimensionnelles démontrent tout le potentiel de notre méthodologie / This thesis is devoted to dense deformable image registration/fusion using discrete methods. The main contribution of the thesis is a principled registration framework coupling iconic/geometric information through graph-based techniques. Such a formulation is derived from a pair-wise MRF view-point and solves both problems simultaneously while imposing consistency on their respective solutions. The proposed framework was used to cope with pair-wise image fusion (symmetric and asymmetric variants are proposed) as well as group-wise registration for population modeling. The main qualities of our framework lie in its computational efficiency and versatility. The discrete nature of the formulation renders the framework modular in terms of iconic similarity measures as well as landmark extraction and association techniques. Promising results using a standard benchmark database in optical flow estimation and 3D medical data demonstrate the potentials of our methods.

L’objectif principal de cette thèse est l’exploration du recalage d’images à l’aide de champs aléatoires de Markov d’ordres supérieurs, et plus spécifiquement d’intégrer la connaissance de transformations globales comme une transformation rigide, dans la structure du graphe. Notre cadre principal s’applique au recalage 2D-2D ou 3D-3D et utilise une approche hiérarchique d’un modèle de champ de Markov dont le graphe est une grille régulière. Les variables cachées sont les vecteurs de déplacements des points de contrôle de la grille.Tout d’abord nous expliciterons la construction du graphe qui permet de recaler des images en cherchant entre elles une transformation affine, rigide, ou une similarité, tout en ne changeant qu’un potentiel sur l’ensemble du graphe, ce qui assure une flexibilité lors du recalage. Le choix de la métrique est également laissée à l’utilisateur et ne modifie pas le fonctionnement de notre algorithme. Nous utilisons l’algorithme d’optimisation de décomposition duale qui permet de gérer les hyper-arêtes du graphe et qui garantit l’obtention du minimum exact de la fonction pourvu que l’on ait un accord entre les esclaves. Un graphe similaire est utilisé pour réaliser du recalage 2D-3D.Ensuite, nous fusionnons le graphe précédent avec un autre graphe construit pour réaliser le recalage déformable. Le graphe résultant de cette fusion est plus complexe et, afin d’obtenir un résultat en un temps raisonnable, nous utilisons une méthode d’optimisation appelée ADMM (Alternating Direction Method of Multipliers) qui a pour but d’accélérer la convergence de la décomposition duale. Nous pouvons alors résoudre simultanément recalage affine et déformable, ce qui nous débarrasse du biais potentiel issu de l’approche classique qui consiste à recaler affinement puis de manière déformable. / The main objective of this thesis is the exploration of higher order Markov Random Fields for image registration, specifically to encode the knowledge of global transformations, like rigid transformations, into the graph structure. Our main framework applies to 2D-2D or 3D-3D registration and use a hierarchical grid-based Markov Random Field model where the hidden variables are the displacements vectors of the control points of the grid.We first present the construction of a graph that allows to perform linear registration, which means here that we can perform affine registration, rigid registration, or similarity registration with the same graph while changing only one potential. Our framework is thus modular regarding the sought transformation and the metric used. Inference is performed with Dual Decomposition, which allows to handle the higher order hyperedges and which ensures the global optimum of the function is reached if we have an agreement among the slaves. A similar structure is also used to perform 2D-3D registration.Second, we fuse our former graph with another structure able to perform deformable registration. The resulting graph is more complex and another optimisation algorithm, called Alternating Direction Method of Multipliers is needed to obtain a better solution within reasonable time. It is an improvement of Dual Decomposition which speeds up the convergence. This framework is able to solve simultaneously both linear and deformable registration which allows to remove a potential bias created by the standard approach of consecutive registrations.