La phase de segmentation constitue un point central dans les processus d'interprétation et d'analyse d'images. Bien que la segmentation ait déjà fait l'objet de nombreux travaux, elle reste en général très dépendante de la nature et du contexte d¿exploitation de l'image. Notons que l'application de différentes méthodes de segmentation à une même image produit souvent des résultats différents. Dans le but d'obtenir une segmentation fiable et robuste, nous mettons dans ce travail l'accent sur la question de l'espace de représentation des connaissances issues de l'image, afin d'exploiter le maximum d'information disponible, en termes de caractéristiques et de structure spatiale. Dans ce contexte, nous présentons une approche de segmentation basée sur la théorie des possibilités. Cette approche permet de représenter les mesures numériques issues des capteurs en prenant en compte les ambiguïtés inhérentes à cette information, sur la base des connaissances descriptives exprimées par l'expert. De plus, l'approche proposée modélise un aspect important du raisonnement humain dans le processus de classification des pixels, en exploitant l'information issue du contexte spatial de ces éléments. Ce processus cognitif, la focalisation progressive de l'attention, est ici représenté par la diffusion itérative des connaissances acquises, dans le voisinage des pixels, notamment des germes possibilistes, qui représentent les points appartenant à une classe thématique donnée avec un fort degré de certitude. Plusieurs stratégies de diffusion des connaissances, ainsi que deux modes d'intégration des germes au processus (statiquement ou dynamiquement), sont proposés et évalués de manière qualitative et quantitative. La validation globale de la méthode est réalisée en utilisant un ensemble représentatif d'images mammographiques. Ces résultats, ainsi que leur comparaison aux résultats de méthodes plus classiques, montrent le fort potentiel de l'approche proposée en termes de spécificité et de précision des régions segmentées.

Actuellement, les choix relatifs à la gestion des sites potentiellement pollués s'appuient, notamment,<br />sur une évaluation des risques pour l'homme et l'environnement. Cette évaluation est effectuée à l'aide de modèles qui simulent le transfert de polluant depuis une source de pollution vers une cible vulnérable, pour différents scénarii d'exposition. La sélection des valeurs des paramètres de ces modèles s'appuie autant que possible sur les données recueillies lors des investigations de terrain (phase de diagnostic de site). Or pour des raisons de délais et de coûts, l'information recueillie lors de cette phase de diagnostic est toujours incomplète; elle est donc entachée d'incertitude. De même, les modèles de transferts et d'exposition présentent également des incertitudes à intégrer dans les procédures. Cette notion globale d'incertitude doit être prise en compte dans l'évaluation du risque pour que les résultats soient utiles lors la phase décisionnelle.<br /><br />L'incertitude sur les paramètres peut avoir deux origines. La première provient du caractère aléatoire de l'information due à une variabilité naturelle résultant de phénomènes stochastiques. On parle alors d'incertitudes de variabilité ou d'incertitudes stochastiques. La seconde est liée au caractère imprécis de l'information lié à un manque de connaissance et qui résulte par exemple d'erreurs systématiques lors de mesures ou d'avis d'experts.<br />On parle alors d'incertitudes épistémiques. Dans le calcul de risque, ces deux notions sont souvent confondues alors qu'elles devraient être traitées de manière différente.<br /><br />L'incertitude en évaluation des risques a surtout été appréhendée dans un cadre purement probabiliste.<br />Cela revient à supposer que la connaissance sur les paramètres des modèles est toujours de nature aléatoire (variabilité). Cette approche consiste à représenter les paramètres incertains par des distributions de probabilité uniques et à transmettre l'incertitude relative à ces paramètres sur celle du risque encouru par la cible, en appliquant en général la technique dite Monte Carlo. Si cette approche est bien connue, toute la difficulté tient à une définition cohérente des distributions de probabilité affectées aux paramètres par rapport à la connaissance disponible. En effet dans un contexte d'évaluation des risques liés à l'exposition aux polluants, l'information dont on dispose concernant certains paramètres est souvent de nature imprécise. Le calage d'une distribution de probabilité unique sur ce type de<br />connaissance devient subjectif et en partie arbitraire. <br /><br />L'information dont on dispose réellement est souvent plus riche qu'un intervalle mais moins riche qu'une distribution de probabilité. En pratique, l'information de nature aléatoire est traitée de manière rigoureuse par les distributions de probabilité classiques. Celle de nature imprécise est traitée de manière rigoureuse par des familles de distributions de probabilité définies au moyen de paires de probabilités cumulées hautes et basses ou, à l'aide de théories plus récentes, au moyen de distributions de possibilité (aussi appelées intervalles flous) ou encore au moyen d'intervalles aléatoires utilisant les fonctions de croyance de Dempster-Shafer.<br /><br />Un des premiers objectifs de ce travail est de promouvoir la cohérence entre la manière dont on représente la connaissance sur les paramètres<br />des modèles du risque et la connaissance dont on dispose réellement. Le deuxième objectif est de proposer différentes méthodes pour propager l'information de nature aléatoire et l'information de nature imprécise à travers les modèles du risque tout en essayant de tenir compte des dépendances entre les paramètres. Enfin, ces méthodes alternatives ont été testées sur des cas synthétiques puis sur des cas réels simplifiés, notamment pour proposer des moyens de présenter les résultats pour une phase décisionnelle:<br /> - Calcul de dose : Transfert d'un polluant radioactif (le strontium) depuis le dépôt jusqu'à<br />l'homme, au travers de la consommation d'un aliment (le lait de vache).<br /> - Risque toxique après un déversement accidentel de trichloréthylène (TCE) au dessus d'une nappe d'eau (modèle semi analytique).<br /><br /> - Risque pour la santé liée aux sols pollués par des retombées de plomb.