La caractérisation de texture est centrale dans de nombreuses applications liées au traitement d’images. L’analyse de textures peut être envisagée dans le cadre mathématique de l’analyse multifractale qui permet d’étudier les fluctuations de la régularité ponctuelle de l’amplitude d’une image et fournit les outils pratiques pour leur évaluation grâce aux coefficients d’ondelettes ou aux coefficients dominants. Bien que mise à profit dans de nombreuses applications, l’analyse multifractale souffre à présent de deux limitations majeures. Premièrement, l’estimation des paramètres multifractaux reste délicate, notamment pour les images de petites tailles. Deuxièmement, l’analyse multifractale a été jusqu’à présent uniquement considérée pour l’analyse univariée d’images, alors que les données à étudier sont de plus en plus multivariées. L’objectif principal de cette thèse est la mise au point de contributions pratiques permettant de pallier ces limitations. La première limitation est abordée en introduisant un modèle statistique générique pour le logarithme des coefficients dominants, paramétrisé par les paramètres multifractaux d’intérêt. Ce modèle statistique permet de contrebalancer la variabilité résultant de l’analyse d’images de petite taille et de formuler l’estimation dans un cadre bayésien. Cette approche aboutit à des procédures d’estimation robustes et efficaces, que ce soit pour des images de petites ou grandes tailles. Ensuite, l’analyse multifractale d’images multivariées est traitée en généralisant ce cadre bayésien à des modèles hiérarchiques capables de prendre en compte l’hypothèse d’une évolution lente des propriétés multifractales d’images multi-temporelles ou multi-bandes. Ceci est réalisé en définissant des lois a priori reliant les propriétés dynamiques des paramètres multifractaux des différents éléments composant le jeu de données. Différents types de lois a priori sont étudiés dans cette thèse au travers de simulations numériques conduites sur des images multifractales multivariées synthétiques. Ce travail est complété par une étude du potentiel apport de l’analyse multifractale et de la méthodologie bayésienne proposée pour la télédétection à travers l’exemple de l’imagerie hyperspectrale. / Texture characterization is a central element in many image processing applications. Texture analysis can be embedded in the mathematical framework of multifractal analysis, enabling the study of the fluctuations in regularity of image intensity and providing practical tools for their assessment, the coefficients or wavelet leaders. Although successfully applied in various contexts, multi fractal analysis suffers at present from two major limitations. First, the accurate estimation of multifractal parameters for image texture remains a challenge, notably for small sample sizes. Second, multifractal analysis has so far been limited to the analysis of a single image, while the data available in applications are increasingly multivariate. The main goal of this thesis is to develop practical contributions to overcome these limitations. The first limitation is tackled by introducing a generic statistical model for the logarithm of wavelet leaders, parametrized by multifractal parameters of interest. This statistical model enables us to counterbalance the variability induced by small sample sizes and to embed the estimation in a Bayesian framework. This yields robust and accurate estimation procedures, effective both for small and large images. The multifractal analysis of multivariate images is then addressed by generalizing this Bayesian framework to hierarchical models able to account for the assumption that multifractal properties evolve smoothly in the dataset. This is achieved via the design of suitable priors relating the dynamical properties of the multifractal parameters of the different components composing the dataset. Different priors are investigated and compared in this thesis by means of numerical simulations conducted on synthetic multivariate multifractal images. This work is further completed by the investigation of the potential benefit of multifractal analysis and the proposed Bayesian methodology for remote sensing via the example of hyperspectral imaging.

Osteoarthritis is a large problem affecting many patients globally, and diagnosis of osteoarthritis is often done using evidence from arthroscopic surgeries. Making a correct diagnosis is hard, and takes years of experience and training on thousands of images. Therefore, developing an automatic solution to perform the diagnosis would be extremely helpful to the medical field. Since machine learning has been proven to be useful and effective at classifying and segmenting medical images, this thesis aimed at solving the problem using machine learning methods. Multifractal analysis has also been used extensively for medical imaging segmentation. This study proposes two methods of automatic segmentation using neural networks and multifractal analysis. The thesis was performed using real arthroscopic images from surgeries. MultiResUnet architecture is shown to be well suited for pixel perfect segmentation. Classification of multifractal features using neural networks is also shown to perform well when compared to related studies.