Un des objectifs de la vision par ordinateur consiste à extraire à partir d'un important volume de données brutes issues des images, celles qui s'avéreront pertinentes pour une exploitation ultérieure. Les primitives extraites de l'image sont communément de type contour, correspondant à des zones de transition objectivement visibles, et de type région, correspondant à des regroupements de pixels de l'image avec des caractéristiques d'homogénéité communes. Une nécessaire gestion de l'information est obtenue par la répartition de la tâche de segmentation au sein d'entités indépendantes, localisées de façon précise dans l'image, possédant chacune une primitive particulière à segmenter de type contour ou région, et construisant ces objets de manière incrémentale, c'est-à-dire pixel par pixel. L'originalité de l'approche réside dans la coopération instaurée entre la construction des contours et des régions. Les deux types de segmenteurs fonctionnent conjointement à l'étiquetage des pixels de l'image, sous une forme pseudo-parallèle, en tirant avantage de leurs atouts réciproques. Un détecteur de contour instancie de nouveaux détecteurs de régions de part et d'autre de son extrémité en construction, afin de valider son existence, tandis qu'un détecteur de régions instancie des détecteurs de contours à sa frontière, afin de borner son expansion. L'ensemble constitue un arbre d'entités de segmentation coopérantes, dépendant chacune les unes des autres, par filiation. Une telle approche permet une forte adaptation locale, puisque chaque primitive est détectée par une instance d'un détecteur générique, pouvant modifier ses paramètres internes indépendamment des autres instances. La coopération est réelle, puisqu'elle est intégrée au mécanisme de décision. L'implantation d'un séquenceur de tâches anonymes, permet enfin de simuler le pseudo-parallélisme, et repose grandement sur des mécanismes classiques réservés généralement au domaine des systèmes d'exploitation.

Computer vision is mainly aimed at the extraction of pertinent data, given a large amount of raw and low level information included in grey level pictures. Two kind of primitives are built, the first one is called contour or edge, and corresponds to picture areas where a significative intensity change is visible for human eyes, and the second one is called region, and corresponds to a group of pixels sharing some common grey level properties, like homogeneity for example. A careful information management is allowed thanks to segmentation task distribution into several independant entities, spatially located into the picture, being in charge of a specific edge or region primitive to be segmented, and building them in an incremental way, one pixel after the other. This approach proposes an original view point to implement cooperation between these working entities. Both kind of segmentation processes work at the same time in the same picture in parallel, taking advantage from each others properties. The edge detector creates intances of new region detectors to validate the edge under construction, and the region detector creates instances of edge detectors to topologically limit its growth. This processes set develops into a tree of cooperative entities, linked by parent-child relation. Such an approach is well suited to local adaptation, because each primitive is built by a particular instance of a generic detector. Detection parameters can then be adjusted independently from other detectors. The cooperation is effective because it is part of the decision process. The system is finaly implemented into an anonymous task scheduler. It simulates a pseudo parallelism, and uses essentially well known mechanisms usually dedicated to computer operating systems.