P. 1
c3 Traitement Images t2

c3 Traitement Images t2

|Views: 697|Likes:
Publié parOlivier-Marie

More info:

Published by: Olivier-Marie on Oct 31, 2010
Droits d'auteur :Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

07/02/2013

pdf

text

original

Sections

  • Les pr´etraitements
  • 10.1 Les traitements photom´etriques ou colorim´etriques
  • 10.1.1 Lin´earit´e
  • 10.1.2 Homog´en´eit´e
  • 10.1.3 Binarisation, seuillage
  • 10.1.4 Augmentation de contraste
  • 10.2 Suppression des bruits
  • 10.2.1 Filtrages lin´eaires
  • 10.2.2 Filtrage de rang
  • 10.2.3 Filtrages morphologiques
  • 10.2.4 Filtrages par ´equations de diffusion
  • 10.3 Les filtres adaptatifs
  • 10.3.1 Les filtres `a coefficients adaptatifs
  • 10.3.2 Les filtres `a fenˆetres adaptatives
  • 10.4 Le r´e´echantillonnage des images
  • 10.4.1 Interpolation avec des polynˆomes
  • 10.4.2 Interpolation par des B-splines
  • 10.4.3 Interpolation adaptative
  • La d´etection des contours dans les images
  • 11.1 Un mod`ele continu de contour
  • 11.2 Les approches classiques
  • 11.2.1 Les d´etecteurs de gradient par filtrage
  • 11.2.2 Les d´etecteurs de gradient par masques
  • 11.2.3 Pr´e- et post traitements
  • 11.2.4 Les d´etecteurs de passage par z´ero du laplacien
  • 11.2.5 Les d´etecteurs par masquage adapt´e
  • 11.3 Les approches analytiques
  • 11.3.1 Les crit`eres de Canny
  • 11.3.2 Les filtres de Deriche et Shen et Castan
  • 11.3.3 L’extension `a 2D
  • 11.3.4 Variantes autour des filtres analytiques
  • 11.4 Les contours actifs = les snakes
  • 11.4.1 Une approche physique des contours
  • 11.4.2 Mise en ´equation des contours actifs
  • 11.4.3 Les ensembles de niveaux (level sets)
  • 11.4.4 Les mod`eles g´eod´esiques actifs
  • 11.5 La poursuite et la fermeture des contours
  • 11.5.1 M´ethodes de recherche dans des graphes
  • 11.5.2 Les automates
  • La segmentation par r´egions
  • 12.1 Les m´ethodes sur histogramme
  • 12.1.1 Avec apprentissage
  • 12.1.2 Seuillage sans apprentissage
  • 12.1.3 M´ethodes de classification
  • 12.1.4 S´election sur l’histogramme et dans l’image
  • 12.1.5 S´election sur histogramme et r´egularisation
  • 12.2. LES M´ETHODES PAR TRANSFORMATION DE R´EGIONS 247
  • 12.2 Les m´ethodes par transformation de r´egions
  • 12.2.1 La croissance de r´egion
  • 12.2.2 Le partage de r´egion
  • 12.2.3 La r´eunion de r´egion
  • 12.2.4 Les pyramides
  • 12.3 Les graphes d’adjacence
  • 12.4. LA M´ETHODE MDL = MINIMUM DESCRIPTION LENGTH 251
  • 12.4 La m´ethode MDL = Minimum Description Length
  • 12.5. L’APPROCHE DE MUMFORD ET SHAH 253
  • 12.5 L’approche de Mumford et Shah
  • 12.5.1 Approche formelle
  • 12.5.2 Les variantes autour de la formulation de Mumford-Shah
  • 13.1 Qu’est ce qu’une texture?
  • 13.1.1 Distribution al´eatoire ou r´eguli`ere?
  • 13.1.2 Les ´echelles des textures
  • 13.1.3 Analyse ou synth`ese
  • 13.2 Mod`eles de texture
  • 13.2.1 Un mod`ele biologiquement plausible
  • 13.2.2 Mod`eles stochastiques
  • 13.3 Analyse et reconnaissance de textures
  • 13.3.1 Sch´ema g´en´eral
  • 13.3.2 Approches par mesures statistiques
  • 13.3.3 La d´etection d’´energie dans des canaux fr´equentiels
  • 13.3.4 Les filtres optimis´es
  • 13.4. LES APPROCHES PAR CHAMPS MARKOVIENS 267
  • 13.3.5 Les mod´elisations autor´egressives
  • 13.4 Les approches par champs markoviens
  • 13.4.1 La m´ethode de Manjunath et Chellappa
  • 13.4.2 La m´ethode de Kervrann et Heitz
  • 13.5 Les m´ethodes structurales
  • 13.6 Textures h´et´erog`enes
  • Description de contours et de formes
  • 14.1 Fonction caract´eristique
  • 14.2 Description de formes
  • 14.2.1 Repr´esentation par les moments
  • 14.2.2 Repr´esentation par les moments invariants
  • 14.2.3 Boˆıtes englobantes et boˆıtes minimales
  • 14.3 Polygones de Guzman
  • 14.4 Chaˆınes de Freeman
  • 14.4.1 D´efinition
  • 14.4.2 Les propri´et´es des chaˆınes de Freeman
  • 14.4.3 Reconnaissance des formes par des chaˆınes de Freeman
  • 14.5 Descripteurs de Fourier
  • 14.5.1 Descripteur par tangente
  • 14.5.2 Repr´esentation complexe
  • 14.6. APPROXIMATIONS POLYNOMIALES 281
  • 14.6 Approximations polynomiales
  • 14.6.1 Approximation d’un nuage de points par une droite unique
  • 14.6.2 Approximations polygonales, simplification de contours polygonaux
  • 14.6.3 Approximation par des splines
  • 14.7 Transformation de Hough
  • 14.7.1 D´efinitions
  • 14.7.2 Mise en œuvre de la TH
  • 14.7.3 D´etections par TH
  • 14.8 Conclusion
  • El´ements de g´eom´etrie tridimensionnelle
  • 15.1 G´eom´etrie projective
  • 15.1.1 Espace projectif et coordonn´ees homog`enes
  • 15.1.3 Expression lin´eaire de probl`emes g´eom´etriques
  • 15.1.4 Stratification, groupes de transformations et invariants
  • 15.2 Repr´esentations des rotations de IR¢
  • 15.2.1 Les angles d’Euler
  • 15.2.2 Exponentielle d’une matrice anti-sym´etrique
  • 15.2.3 Forme canonique et th´eor`eme de Rodriguez
  • 15.2.4 Quaternions
  • 15.3. G´EOM´ETRIE DIFF´ERENTIELLE 305
  • 15.3 G´eom´etrie diff´erentielle
  • 15.3.1 Courbes, rep`ere de Frenet
  • 15.3.2 Courbes sur une surface, formes fondamentales
  • 15.3.3 Courbures sur des surfaces
  • 15.3.4 Une notation fr´equente
  • 15.3.5 Interpr´etations g´eom´etriques
  • 15.3.6 Principales m´ethodes de calcul des courbures
  • 15.3.7 G´eom´etrie diff´erentielle dans des volumes num´eriques
  • Formation de l’image et couleur
  • 16.1 Formation des images
  • 16.1.1 Imagerie coh´erente et incoh´erente
  • 16.1.2 Interaction mati`ere rayonnement
  • 16.1.3 Les sources de lumi`ere
  • 16.2 D´efinition des diff´erents espaces couleur
  • 16.2.1 Trivariance et primaires
  • 16.2.2 Choix d’un espace de couleur
  • 16.2.3 L’espace RVB de la CIE 1931
  • 16.2.4 L’espace XYZ
  • 16.2.5 L’espace Lab et le rep`ere TLC
  • 16.2.6 L’espace YC1C2
  • 16.2.7 L’espace TLS
  • 16.2.8 Le syst`eme visuel hypoth´etique
  • 16.2.9 L’espace TLC
  • 16.2.10 Les espaces de la t´el´evision
  • 16.3. MOD´ELISATION DE LA PERCEPTION COLOR´EE DES IMAGES 331
  • 16.3 Mod´elisation de la perception color´ee des images
  • 16.4. LES TRAITEMENTS DES IMAGES EN COULEUR 333
  • 16.4 Les traitements des images en couleur
  • 16.4.1 Un ordre pour l’espace
  • 16.4.2 Qu’est ce qu’une couleur repr´esentative d’un nuage?
  • 16.4.3 Comment calculer une palette?
  • 16.4.4 Comment filtrer 2 couleurs?
  • 16.4.5 La d´etection des contours des images en couleur
  • 16.4.6 Repr´esentation par quaternions
  • 16.4.7 Couleur et quaternion
  • D´ecomposition en Valeurs Singuli`eres : SVD
  • A.1 D´efinition
  • A.2 Lien avec le rang et interpr´etation de la d´ecomposition
  • A.3 Normes

Le traitement des images

tome 2

I. Bloch, Y. Gousseau, H. Maˆtre, D. Matignon, ı

B. Pesquet-Popescu, F. Schmitt, M. Sigelle, F. Tupin

Polycopi´ du cours ANIM e D´ partement TSI - T´ l´ com-Paris e ee version 5.0 8 d´ cembre 2005 e

2

Table des mati` res e
1 Vision et perception 1.1 Anatomie du syst` me visuel humain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 1.1.1 1.1.2 1.1.3 1.2 1.2.1 1.2.2 L’œil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Les voies optiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Les aires sup´ rieures de la vision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e Comportement passif du syst` me visuel . . . . . . . . . . . . . . . . . . . . . . . . . . . e Comportement actif du syst` me visuel . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 13 13 13 14 14 14 15 17 25 25 25 26 26 26 27 28 29 29 32 33 34 34 35 35 36 36 37 37 37

Comment percevons nous les images ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2 Propri´ t´ s statistiques des images ee 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1.1 2.1.2 2.2 2.2.1 2.2.2 2.3 2.4 Pourquoi etudier des propri´ t´ s statistiques . . . . . . . . . . . . . . . . . . . . . . . . . ´ ee Quelles images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Propri´ t´ s . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ee Sensibilit´ aux modifications d’histogrammes . . . . . . . . . . . . . . . . . . . . . . . . e

L’amplitude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Les sauts de l’amplitude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . La fonction d’autocorr´ lation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e ´ une dimension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.4.1 A 2.4.2 2.4.3 En multi-dimensions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Le spectre de densit´ de puissance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e Entropie d’ordre 0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Entropie des sauts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Entropie d’ordre N . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Entropie conditionnelle, redondance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Retour sur un paradoxe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Processus de Markov Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Mais ... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

2.5

Entropie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.5.1 2.5.2 2.5.3 2.5.4 2.5.5

2.6

Un mod` le d’image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 2.6.1 2.6.2

. . . . . . . . . . . . . . . . . . . . . . .4 Vers un mod` le complet d’image ? e . .1 D´ finition de distances discr` tes . .5 Exemples de structures al´ atoires . . . . . . .4. . . . . . . . . e 2. . . . . . . . . . . . . . . .1. . . . . . . . . . . . . . . . . . . . . . . . . . . .3 Droites analytiques discr` tes . . . . . . . . . . . . . . . . . . . . . . . 3. . . . . . .4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Topologie a partir de la notion de voisinage el´ mentaire . . . . . . . . . e 3. . . . . . . . . . . . . . . . . . . 4. . . . . . . . . . . . . .2 Reconstruction du signal echantillonn´ a la fr´ quence de Nyquist ´ e` e 3. .2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .7. . . 4. . . .3. . . . . . . . . . . .1 La stationnarit´ . . . . . . . . . . .1. . . .3. . . . . . . . . . . . . . . . .4. . 38 38 38 38 39 41 41 42 43 44 44 44 45 46 47 48 50 50 55 55 56 56 57 57 58 58 58 60 65 67 68 69 70 72 74 77 78 78 78 3 L’´ chantillonnage des images. . . . . . . . . . . . . . . . . . .5 Pavage de Vorono¨ et triangulation de Delaunay . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e e e 4. . .2 Pavages plans r´ guliers . . . . . . . . . .4 Cercles discrets . . . . . e 3. . . . . . . . . . e 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 Que faire de la th´ orie fractale ? . . . . . . . . . . . . . . . . . . . . . . . .2 Signaux r´ els . . . . . . . .7. . . . . . . . . . . . . . .6 Fonction distance . . . . . . ` TABLE DES MATIERES . .1. .4 2. . . . . . . . . . . . . . . . . . . . . .7. . . . . . . . . . . . . . . . . .7. . . .3 Topologie discr` te . . . . . . . . . . . . .2 Exemples .1 Quelques approches . . . . .2. . .4. . . .7 Critique de la d´ marche pr´ c´ dente .6. . . . . la repr´ sentation fractale e e 3. . . . . . . . . . . . .4 Le mod` le fractal . . . e 4. . . . . ` e ´ 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Filtrage du signal . . . . . . . . . . . . . . . . . . . . . . e 4. . . . . e 4. .3. . . . . . . . . . . . ı 4. . . . . . . . . . . . . . . . . . 3. . . . . .3 Pavages plans semi-r´ guliers . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 Nombre d’Euler : un exemple de caract´ ristique topologique d’un objet e 4. . . . . . . . . . . . . . . . . . . . . . . . . . .2 La causalit´ . . .4 Dualit´ pavage / maillage . . . . . .4. . . .3 Reconstruction dans le cas de sur´ chantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 La monodimensionnalit´ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 Echantillonnage du signal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Pavages et maillages . . . . . . . .1 Les limitations physiques du spectre . . . . . . . . . . . . . . .4 Repr´ sentations g´ om´ triques . . . . . . . . .1 Introduction . . . . . .1 La dimension fractale . . . . . . . . . . . . . . . 3. . . . .1 Discr´ tisation d’une droite continue . . . . . . . . . . . . . . . .4. .2. . 4. . . . . . . . . . . . . . . . . . . e 3. . . . . .2 L’homoth´ tie interne . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 D´ finitions et contraintes . . . . . . . . . . . . . . . . 4. 4. . . . . .2. . . . . . . . . . . . . . . . . e e 4. . . . . . . . . . . . . . . . . e 4. . . . . . . . . . . . . . . . . . . . .4. . . . . . . . . e   .2. . . . . .4. . . . . . . . . . . . . . . . . e 2. . .3 L’extension en dimension . . . . . .2 Caract´ risation d’un segment de droite discret . . e e e 2. . . . . . . . . . . . . . e 2. . . . . . . . . . . . . 3. . . . . . . . . . . . . . . . . . 3. . e 4. . . . . . . . . . . . . . . e 4. . . . . . . . . . . .1 Les signaux monodimensionnels a bande limit´ e . . .6. . e 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ` ´e 4. . . . . . . . . . . . . . . . . . . . 4 Repr´ sentations discr` tes e e 4. . . . e 4. .2. . . . . . . . . . . . . . . . e 4. . . . . . . . . . . . . . . . .

. . . . . . .1 Introduction et pr´ liminaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 Treillis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 5. . 6. . . . . .4. . . . . . . . . . . . . . . . . . . .5 M´ thodes de projection (POCS) . e 5. . . . . . . . . . . . . . . . . . . . . . . . . . e 6. .1 Approche analytique . . . . . . adjonctions . . . . . . . . .5. . . . . . . .4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6. . . . . . . . . . . . . . . . . . .2. . . . .4. . . . . . . . . . . . . . . . . . . . .1. . . . . . . . . .4 La restauration it´ rative . . . . . . . . . . e 6. . .2 D´ fauts singuliers et mal conditionn´ s . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2. . . . . . . . . . . . . e 5. .2 M´ thode de Gauss-Seidel . . . . .6 R´ duction des effets de bord . . .3 Algorithmes de calcul . . . . . . . . . . . . . . . .5 Cadre probabiliste . . . .4. . . . . . . . . . . . . . . . . . . . . . .2. e e 5. . . . . . . . . . . . e e . . . . . . . .1 Le filtrage inverse . . . . . . . . . . . . . . . . . . . . . . . . . . . .1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5. . . . . . . .5 L’estimation des d´ fauts . . . . . . . 6. . . . . . . . . . . . . . .3 Restauration des signaux bidimensionnels . . . . . . . . .2. . . . . . . . . . . . . . . . . .5. . . . . . . . . . . e e 5. . .4. . . . . . . .2 D´ termination statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 5. . . . .4 Cadre alg´ brique . . . . . . . . . . . 5 79 81 81 82 82 83 85 85 85 86 88 88 89 90 91 91 91 92 92 93 93 93 95 95 97 97 98 100 104 105 106 108 108 109 109 110 110 110 110 5 Restauration des images 5. . . . . . . . . . . . . . . . . . . .2. . . . . . . . . . . .2 Les quatre op´ rations . . . . . .2 Erosion et dilatation binaires . . . . . . . . . . . . 6 Morphologie math´ matique e 6. . . . . . . . . . . . . . . . . . . . . . . . e e 6. . .1 D´ fauts singuliers . . . . . . . . . . . . . . .2. . . . . . . . . . . . e e 5. . . . . . . . . . . . .6. . . . . . . . . . . . . . . . . . . . . . . . . . .1 Ensembles ferm´ s al´ atoires . . . . . . . . . . . . . .2 Approche alg´ brique . . . . . . . . . . .3 M´ thode de plus grande pente . . . . . . . . . . . . . . . e 5.4 Conclusions (provisoires) . . . . . . . . . . . . . . . .2 Syst` me mal conditionn´ . . . . .5 Ouverture et fermeture num´ riques . . . . . . . . . . . . . . . . . . .1.1 Notion d’´ lement structurant et cadre ensembliste e 6.5. . . . . . . . . . . . . .5. . . . . . . . . . . . . 6. . . . . . . . . 5. . . . . . . . . . . . . . . . . . . . .3 Cadre topologique . . . . . . . . . . . . . . . . . . . . . .1 M´ thode de Jacobi . . . . . . . . . . 6. . . . . . . . . . . . . . . . . . .4 M´ thode du gradient conjugu´ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4 Ouverture et fermeture binaires . e 5. . . . . . . . . .3 Erosion et dilatation de fonctions . . .4. . . e 5. . . . . 5. . . . . . . . e 6.3 Discussion .2 Un exemple : le sch´ ma bool´ en . . . . . . . . . . . . 6. . . . . . . . . . . . . . . . . . . . . . . . . . 5. . . . . . . . . . . . . . . . . . .4. . . . . . . . . . . . . . e 5. . . . . . . . . . . . . . . . . . . . . . . . . . . 5. . . . . . . . . .4 Ouverture et fermeture alg´ briques . . . . . . . . . . . . . . . . . . . . . . . . . . .2. e 6. . . . . . .4. . . . . . . . . . . . . . . . . . .4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .` TABLE DES MATIERES 4. . . . . . e . . . . e 5. . . . . . . e 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1. . .2. . . . . . . .3 Lien avec les op´ rateurs morphologiques . . . . . . . . . . . e 6. . . . . . . . . . . e 6. . . . . . . . . . . . . . . . . . . . . . . . . . . .3 D´ composition en valeurs singuli` res e e 5. . . . . . . . . . . . . . .2 Erosion et dilatation alg´ briques. . . . . . . . . . .1 D´ termination par calibrage . . . e 5. . . . .

. . . . 117 Squelette discret . . 111 Erod´ ultime . . . . . . . . . 115 Ouverture annulaire . . . . . . . . . . . . . . . . . . . . . . . . .3 6. . . .1 7. . . 127 e Description de l’image . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4 6. . .6 ` TABLE DES MATIERES Applications de l’´ rosion et de la dilatation . . . . . . . . . . . . . .8. . .1. . . . . . .2 7. . . . . . . . . . . . . . . . . . . . . . . . 116 Amincissement et epaississement . . . . .5 6. . . . . . . . . . . . . . .9 6. . . . . . . . . . . . . . . . . . . . 141 . . . . . 114 Granulom´ tries . . . . . . . . .8. .4 7. .1 D´ finition et propri´ t´ s . . . . . . . . . . . . . . . . . . .8. . . . . . . . . . . . .6 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113 Transformation en tout ou rien et op´ rateurs d´ riv´ s . . . . . . . . . . . . . . . . . . . .1 6. . . . . . 136 Applications : restauration et segmentation . . . . . . . . . . . .4 6. . . . . . . . . . . . . . . . . . .7 6. . . . . . .3 7. . . . . . . . . 131 Le recuit simul´ . .6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1. . . . . . . . . . .1 6. . . . . . . . . . . . . . . . . . . . . .7 7. . . . . . . . . . . . . . . 116 ´ Squelette . . . .3 127 D´ finition et simulation d’un champ de Markov . . 116 Transformation en tout ou rien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133 e Quelques MRF fondamentaux . . .7. .1 7. . . . . . . . .2. . .9. . . . . . . . . . . . . . . . . . . . .1 6. . . . . . . . . . . . . 121 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .8 6. . . . . . .10. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1. . . . . . .3 6. . . . . . . . . . . . . .6. . . . . . . . . . . . . . . . 113 Chapeau haut-de-forme . . . . . . . . . . . . . .2. 121 e e Applications de l’ouverture et de la fermeture . . . . . 127 Mod´ lisation probabiliste de l’image . . . . . . . . . . . . . . . . . . . . . .2 6. . . . . . . . . . . 128 e Champs de Markov . . . . 113 e e Filtres auto-duaux . . .1. . . . . . . .1. . . . . . . 118 Distance g´ od´ sique et boules g´ od´ siques . . . . . . . . . . . . . . . 111 e 6. . 137 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Applications en segmentation . . . . . . . . . . . . . . . . . .4 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . .1. . . . . . . . . . . . . . . . . . . .2 6. . . . . .7. .Champs de Gibbs . . . . . . . .2 7. . . . . . . . .7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 e Ouverture surfacique . . . . . . . . .11 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120 e e e Squelette g´ od´ sique par zones d’influence . . . . . .5 6. . . . . . . . .10. .1 7. . . . . . . . . . . . . . . . 112 Filtres altern´ s s´ quentiels . . .10 Ligne de partage des eaux . . . . . . . . 121 e ee 6. . . . . . . . . . . . . .3 Mesures . .7. . .9. . . . . . . .7. . . . . . . . . . . . . . .2 7. . .6 6. 119 e e e e Op´ rations morphologiques g´ od´ siques. . . . . . . . . . . . .8. . . . . . . . . . . . . . . .6. . . . . . . . . . . . . . . . . . . . . . . . . . . . 129 Echantillonnage de MRF . . . . .2 6. . 111 e Rehaussement de contraste . . .6 7. . . . . 141 Mod´ lisation bay´ sienne et fonction de coˆ t . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 6. . . . . . . . . . . . .1. . . . . . . .9. . . . . . . .7. . . . . . . . . . . . . . . . . . . . . . . . . 119 e e 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123 7 D´ finition et simulation d’un champ de Markov e 7. 122 6. . . .1 6. . . . . . .2. . . . . . . . . . . . . . . 112 Gradient morphologique .8. . . . . . reconstruction . . . . . . . 143 Estimateurs dans un cadre markovien . . . . . . . . . .5 7. . . . . . . . . . . . . . . . . . . . . . 116 e e e G´ od´ sie . . . . . .2 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141 e e u Estimateur MAP . . . 118 SKIZ .

. . . . . . . . . . 7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .6 8 Equations aux d´ riv´ es partielles et traitement d’images e e 8. . . . . . . . . . . . . . . . . . . . e 7.1 Notations et structure locale des images .5 L’´ quation de la chaleur inverse . . . . . . . .2 Donn´ es compl` tes . . . . . . . . . . . . . . . . . . . . . . .3.3. . 8. 9 Ondelettes et traitement d’images 9. . . . . . . . . . . . . . . .2.4 7. . . . . . . .1 Quelques notations . . .2. . . . . . . . . .3. . . . . . .2. . . . . . . . . . . . . . . . . . . .4. . . . . . . . et TPM . . . .P. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .5 7. . . . . . . . . . . e 8. . . . . . . . . . . . . . . . e 8. . e e Processus de bords . . . . . . . . . e 9. . . . . . . . . .1 D´ finition et propri´ t´ s des analyses multi-´ chelles . . .6 Comparaison des estimateurs MAP. . . . . . . . . . .6. .D. . . . . . . . . . . . . . . . . . . .4. . . . . . . . .3 Classification des analyses multi-´ chelles . . . . . . . .3 Mouvement par courbure moyenne et variantes . . . . . . . . . . . . . . e . . . . . . . . . . . . . . . . . . . . . . . . .2 L’´ quation de Malik et Perona . . . . e ee e 8. . . . . . . . . . . . . . . . . . . . . . . . 8. . . . . . . 7. . . . . . . . . . . . . . . . . . 7. . . . . . . . . . . . . . . . . . .3 Equation de la chaleur et noyau gaussien . . 7 144 145 146 148 148 149 152 160 160 161 162 162 164 167 167 168 170 175 176 176 176 177 177 177 178 181 181 182 183 185 186 186 187 189 190 193 193 197 197 7. . .1 Applications sur le graphe des pixels . Quelques applications des champs markoviens . . . . . . . .1 Graphes de r´ gions : application a la segmentation d’une image d’IRM c´ r´ brale e ` ee 7. . . . . . . . . .5 Le filtre de choc de Rudin . . . .1 Processus de bords explicites et implicites . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Graphes de segments : application a la d´ tection du r´ seau routier . . . . . . . . . . . . . . . . . . . . . . .` TABLE DES MATIERES 7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8.1. . . . . . . . . . . . . . . . . .4 Estimateur MPM . . 8. . . . . . . e 8. . . . . . . . . . . . . . . . . . ` e e 7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .5 Estimateur TPM . . . . invariance par changement de contraste . . . . . . . . . . . . . . . . . . . .2 Trames . . . . . . . . . . . . . . . . . . . . . . . .3. . . . e 8. . . . . . 9. . . . . . . . 8. . . . . . . . . . . . . . . . . 7. . . . . . .1 L’´ quation de la chaleur et ses limitations . . . . . . . . . . . . . . . . . 7. . . . . . . . . . . . . . . . . . . . . . . . . . .2 Pourquoi les analyse multi-´ chelles sont r´ gies par des E. . . . . . . . . . . . . . .3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . .5. .2. . . . . . . . . . . . . . . . . . . . . . . . . 7.2. . .3. . . . . . . . . . . . . . . . . . . . . .3. . .2 Equations de diffusion non-lin´ aires .2. . . . . . . . . . . . . . . .1. . . . . . . . . . . MPM. .1. . . . . . . . . . . . . . . . .1 Objectif . . . . . . . 8. . e 8.4 L’´ quation de Rudin-Osher-Fatemi . . . . . . . .2 Pourquoi l’´ quation de la chaleur . . . . . . . .3 Donn´ es incompl` tes . . . . .5. . . . . . . . . . . . . . . . . . . . . .2. . . . . . . . . . .1. . e 8. . . . . . . . Applications sur des graphes de primitives . . . . . . . . .2. . . . .1. . . . . . . . . . . . . . . e e 8.2. . . . 8. . .4 Application aux images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Algorithmes de minimisation . . 7. . . . . . . . . . . . . . . . . . . . . . . . . . .3 7. . . . . . . . . 7.6 Limitations. . . .1. . . . . . . . . . . . . . . . .1 Principes de l’analyse lin´ aire des images . . . . . . . . . . . . . . .2 Segmentation . . . . . . . . . . . . . .1 Introduction . e e 7. . . . . . . . . . . . . . . . . . .3 EDP et analyse multi-´ chelles . . . . . . . . . . . . . . . . .6. . Estimation des param` tres . . . . . . . . . . . . . e 8. .6. . . . . .

. . . . .6 Exemples de trames . . . .1 Interpolation avec des polynˆ mes . . .4. . . . . . . . . . . . . e e 11. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .5 Algorithme des trames . . . . . .3 Les filtres adaptatifs . . . . . . . . . . . . . . . . . . . . . . . . . . e 11. . . . . . .4 Augmentation de contraste . . . . . . . . . . . . . . . . . 10. . . . . . . . . . . . e 9. . . . . . . . . . . . . . . . . . . . . . . . . . . . 10. . . . . . . . . . .2 Les approches classiques .3 Am´ liorations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10. .4 Trame duale . . . . . . . . . . . . . . . . . . . . . . .2. . . . .1 Motivation . . . . . . . . . . . . .1 Lin´ arit´ . 10.1 Les d´ tecteurs de gradient par filtrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e´ 10. . . . . . . . . . . . . . . . . . . . . . . 11 La d´ tection des contours dans les images e 11. 11. . . . . . . . . . . . . . . . . . . . . .3. . . . . . . .2 Algorithme de poursuite 9. . . . . . . .4 Les d´ tecteurs de passage par z´ ro du laplacien e e 11. . . . . . . . . . . . . . . . . . . . .1 Les filtres a coefficients adaptatifs . . . . . . . . . . . . . . . . . e 11. . . . . . . . . . .et post traitements . . . . . . . . . . . . . . . . . e 11. . . . . .2 Les filtres de Deriche et Shen et Castan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9. . . . . . . . .2. . . . . . . e 10. . . . . . . . . . . . . . . . . . . . . . . .2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 Filtrages lin´ aires . . . . . . . . . .2. 10. . . . . . . . .3. . . . . . . . .1 Les crit` res de Canny . . . . . . . . . . ` TABLE DES MATIERES . . 9. . . . . . . . . . . . . . . . . . e e e 10. .2 Homog´ n´ it´ . . . . . . . . . . .4. . . . . . . . . . . . . . .3 Filtrages morphologiques . . . . . 10. . . . . . . . . . . . . . . . . . . . . . . . . . . e e 10. . . . . . . . . . . . . . . . . e 11. . . . . . . . . . . . . . . . 11. .2. . . . . . . . . . . . . . . seuillage . . . . . . . . . . . . . . ee 9. .2. . .3 10 Les pr´ traitements e 10. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 Binarisation. . . . . . . . . . . . . . . . . . . . . . . . . .2.2 D´ finition . .4. . . . . . . . . . . . . . . . . . . .3 L’extension a 2D . 197 198 198 200 201 202 202 203 204 209 209 209 209 211 211 211 211 213 213 213 216 216 217 218 218 219 221 223 224 225 225 226 227 228 229 230 230 231 232 9. . . 10. . . . . . . . . . . . . . . . . . . . . . . . . .1. . .1. . . .4 Le r´ echantillonnage des images . .2. . . . . . . . . . .2 Suppression des bruits . . . . . . Poursuite adaptative . . . . . . . .3 Les approches analytiques . . ` e 10. . . . . . . .3 Interpolation adaptative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2. . . . . . . . . . . . .2. . . . . . . . . . . . . . . . . .3. . . . . . . . . . . . . . . . . . . . . . . .1. . . . . . . . . .2. . . . . . . . . . 9. . .3 Propri´ t´ s . . . . . . . . . . . . . . . . . .2 Interpolation par des B-splines . . . . . .3. . . . . . . . . . . . . . . . . . . . . . . . . .1 Les traitements photom´ triques ou colorim´ triques e e 10. . . . . . . . . e . . .2. . . . . .2.3 Pr´ . . . . . . . . . .2. . . . .4 Filtrages par equations de diffusion .3. .8 9. . . 9. . . . . . . . . . . . . . . . . .1 Un mod` le continu de contour. . . . . . . . . . . . . . . . . . . e 11. . . . . . ´ 10. . . . . . . . 11. . . ` 10. . . . . o 10. . . . . . . . .2 Filtrage de rang . . . . .5 Les d´ tecteurs par masquage adapt´ . . . . . . . . . . . . . . . . . . . .3. . . . . . . . . . . . .2 Les d´ tecteurs de gradient par masques . . .3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1. . . . . . .2 Les filtres a fenˆ tres adaptatives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ` . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e e e 13. .2 Les m´ thodes par transformation de r´ gions . . . . . . . . e e 12. . e 12. . . . . . . . . . . . . . . . . . . . . . . . 9 233 234 234 235 237 238 238 239 240 243 243 243 244 245 245 245 247 248 248 249 250 250 251 253 253 254 257 257 258 259 259 259 259 260 260 260 261 265 266 12 La segmentation par r´ gions e 12. . . .3. . . . . . . . . . . . . . . . . .4. . . . . . . . .3 Analyse ou synth` se . . . . . . . . . . . . . . . . . . . . . .2 Mise en equation des contours actifs . . .1 Qu’est ce qu’une texture ? . . . . . . . . . . e e e 13. . . . . .3 La r´ union de r´ gion . . . . . . . . . . . . .5 La poursuite et la fermeture des contours . . . . . . . . . . . . . . . . .1. . .4 Les filtres optimis´ s . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Les automates . . . . . . . . . . . . . .1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13. . . . . . .1. . . . .4. . . . . . . . . . . . . . . . . . . . . . ´ 11. . . . .4 Les mod` les g´ od´ siques actifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 13. . . . . . . . . . . . . . . . . . . . . . . . . . .2 Les variantes autour de la formulation de Mumford-Shah 13 Les textures 13. . . .4 Les contours actifs = les snakes . . . . . . . . . . . . . .4 Les pyramides . . . . . . . . . . . . . . . . . . . . . . .1. . .2.3 M´ thodes de classification . . . . . . . . . . . . . . . . 12. . . . . . . .2. . . . . . . . . . . . . . . . . . 12. . . . . . . . .3. . e 12. . . . . . . . .2 Seuillage sans apprentissage . . . . . . . . . . . . . . . .1 La croissance de r´ gion . . . . . . . . . . . . . . . . .5 L’approche de Mumford et Shah . . . . e e 12. . . . . . . . . . . . . . .3 La d´ tection d’´ nergie dans des canaux fr´ quentiels . 11. . . . . . 11. . . . . . . . . . . . .2 Les echelles des textures . . . . . . . . . . . . . . . . .3 Les graphes d’adjacence . . . . . . . . . .4. . . . . . . .5. . . . . . . . . . . . .1. . . . . . e . . . . . . . . . . . . . . . . . . . . . . e e e 11. . . . . . . e e 12. . . . . . . . .2 Le partage de r´ gion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 12. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 Avec apprentissage . . . . . .1 Distribution al´ atoire ou r´ guli` re ? . . . . . . . . . . . . . .3 Les ensembles de niveaux (level sets) . e 13. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 Analyse et reconnaissance de textures . . . . . . . . . . . . . . . . .3. . . .3. . . . . . . . . . . . . . . . . . . . . . . . . 12. . . . . . . . . . e 12. . . . . . . . . . . . . .5.5 S´ lection sur histogramme et r´ gularisation . . . . . . . . . . .5. . .2. . . . . . . . . . . . . . . . . . . . . . . . .1. . 11. . . . . . . . .1 Les m´ thodes sur histogramme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 Approche formelle . . . . . .` TABLE DES MATIERES 11. . . . . . . . . . . . . 13. . e 12. . . 12. . . . . . . . . . .4 S´ lection sur l’histogramme et dans l’image . . . . . . .5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2. . . . 12. . . . . . . . . . . . . . . . . . . . . . . . . . . .2. . . .2. . . .2 Approches par mesures statistiques . .2 Mod` les de texture .1. . . . . . . . . . . . e e e 13. . e 12. . . . . . . . . . . . ´ 13. . . . . . . . . . . . . 13. . .4 La m´ thode MDL = Minimum Description Length . .1 Une approche physique des contours . . . . . . . . . . . . . 11. . . . . . . . . . . . . . . . . .1 M´ thodes de recherche dans des graphes e 11. . . . . . . .1 Sch´ ma g´ n´ ral . . . . . .4. . . .4 Variantes autour des filtres analytiques . . . . . . . . . . . . . . . . . . . .1. . . . . . . . . . . . . . . . . . . . . . 12.1 Un mod` le biologiquement plausible . . . . . . . . . . . . . . e 13. . . . . . . . . .2 Mod` les stochastiques . . . . . . . . . . . . . . e 13. . . . 11. . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14. . . . . . . 267 267 268 269 270 270 271 271 273 273 273 274 274 275 276 277 279 280 280 280 281 282 285 286 288 288 290 292 293 295 295 295 296 297 298 300 300 301 302 14 Description de contours et de formes 14. . .2. . . . . . . . . . . . . . . . . . . . . .2 Repr´ sentation par les moments invariants . . . . . . . . . .7. . . . . . . . . . . . . . . .1 Les angles d’Euler . . . .1 D´ finition . . . . . . .1 Espace projectif et coordonn´ es homog` nes . . . . . . . . . . . . . . . . . . . . .1 Descripteur par tangente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . simplification de contours polygonaux . . . . . . . . 15. . . . . . . . . . . . . . . .6 Approximations polynomiales . . ı 14. . . . . 14. . . . . . . . . . . .2 Repr´ sentations des rotations de I e R . . . . .2. . . . . . . . . . . . . . . . . . . . . . . ı 14. . . . . . 14. . .1. . . . . . . . . . . . 14. . . . . . . . . . . . . . . . . .2 Approximations polygonales. . . . . . . . . . . . . . . .1 Fonction caract´ ristique . . . . . . . . .6 Textures h´ t´ rog` nes . . . e 14. . .4 Chaˆnes de Freeman . . . . . . . . . . . . e 15.3 D´ tections par TH . e 14. . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 Boˆtes englobantes et boˆtes minimales . . . . . . . . . . . . .2 Description de formes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 14. e e e e 15. . . . . . . e e 13. . . . . . . . . . . ¥ £ ¡ ¤  ¤  ¢  ¥ . . . . . . .6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . et . . . . . . ı ı 14. . . . . . . . . . . . .3. . . . . . . . . . . . . . . .1. . . . . . . . . . . . . . . . . . . . . .2 La m´ thode de Kervrann et Heitz . . . . . . . . . . . . . . . . .6. . . . . . . . . . . . . . . . . . . . . . . . . . . 15. . . . . . . . . . . . . . . . . . . . . . .1 Approximation d’un nuage de points par une droite unique . . . . . . . . . . . . . . .5. . . . . .1 La m´ thode de Manjunath et Chellappa e 13. . . ee ı 14. . . .3 Expression lin´ aire de probl` mes g´ om´ triques . . . . . . . . . . . . . . . .2 Exponentielle d’une matrice anti-sym´ trique .5 Les m´ thodes structurales . . . . .1 Repr´ sentation par les moments . . . . .4. . . . . . . . . .2 Mise en œuvre de la TH . . . . . . .3 Forme canonique et th´ or` me de Rodriguez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .5 Descripteurs de Fourier . . . . . . . . .6. . . . . . . . . . . . . . . . . . . . . . . . e 13. . . . . . . . . . . . . . . . . . . . . . . . . . .8 Conclusion . 15. . . .4 Les approches par champs markoviens . . . . . .2 Espaces projectifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1. . ` TABLE DES MATIERES . . . . 14. 14. . . . . . . . . . . . . . e 13.2. . .2 Repr´ sentation complexe . . . . . . . . . . . . . . . . . groupes de transformations et invariants 15. . . . . . . . . . . . . . . . e 14. . . . . . . . e 14. . . . . . . . . . . . . . . . ´ e 15 El´ ments de g´ om´ trie tridimensionnelle e e 15. . . e e 15. . . . . . . . . .4. . . . .2. . 14. .2 Les propri´ t´ s des chaˆnes de Freeman . . . . . . . . . . . ee e . . . . . . . . . . . . . .1 D´ finitions . . . . . . . . . . . . . . . . . . . . . . . . . . .5 Les mod´ lisations autor´ gressives . . . . . . . . . . . . . . .7. . . . . . . e e . . . . . . . 14. . . . . . . . . . . . . . . . . . .3 Polygones de Guzman . . . . . . e 14. . . . . . . . . . .3 Reconnaissance des formes par des chaˆnes de Freeman .7. . . . . . . . . . . . . . . . . . . . . . . . . . .1. .1 G´ om´ trie projective . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4. . . .2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .10 13. . . .4. . . . . . . . . . . . . . . . . . .5. . . . . . . . . . . . . . . .4. . . . .3 Approximation par des splines . . . . . . .4 Stratification. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14. . . . . . . . . . . . . . . . . . . . . . . e 14. . . . . . . . . . . . . . . . . . . . . . . . . . . 13. . . . . . . . e e 15. 14. . . . .7 Transformation de Hough . . . . . . . .2. . .

. . . . . . . . . . . . . .3. . . . . . .3 Mod´ lisation de la perception color´ e des images . . . . . . . . . . . . .2. .6 L’espace YC1C2 . . . . . . . . . . . . . . . . . . . . . . . . . .2 Choix d’un espace de couleur . . . . . . . . . . . . . . . . .10 Les espaces de la t´ l´ vision . . . . . . . . . . . . .1. . . . . . . . . . 313 e e e e 16 Formation de l’image et couleur 315 16. . . . . . . . . . . . . . . . 337 e 16. .7 Couleur et quaternion . . . . . . . . . . . . . . . . . . . . . . . . .3 Courbures sur des surfaces . . . . . . .4 Comment filtrer 2 couleurs ? . . . . . . . . . .5 L’espace Lab et le rep` re TLC .4 Une notation fr´ quente . . . . . . . . .8 Le syst` me visuel hypoth´ tique . . . . . . . . . . . . 305 e 15. . . 333 16. . . . . . . . . . . . . . . . . . . . . . . . .4. . . . . . . . . . . . . . . . . .4 Les traitements des images en couleur . . . . . . . . . . . . . . . . . . . . . . 336 16. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 327 16. 333 . . . . . . . . . .4. . . . . .3. . . . 325 e 16. . . . . . . . . 322 16. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 Les sources de lumi` re . . . . . . . . . . . . . . . . . . . . . . . 330 ee 16. . .2. . . . .3. . . . . . . . . . . . . . . 340 ¥   ? . . . . .4.4.1 Formation des images . . . . . 317 e 16.3 Comment calculer une palette ? . . . . . . . . . . .1 Imagerie coh´ rente et incoh´ rente . . . . 339 e e A. . . . . . . . . . . . . . .9 L’espace TLC . .2 Qu’est ce qu’une couleur repr´ sentative d’un nuage ? . . .1 Un ordre pour l’espace 16. . . . . . . . . . 328 e e 16. . . . . . . . . . . . . . .4 L’espace XYZ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 D´ finition . . . .2 D´ finition des diff´ rents espaces couleur . . .3 G´ om´ trie diff´ rentielle . . . . . . . . . . . . . . . . . . . 330 16. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .7 G´ om´ trie diff´ rentielle dans des volumes num´ riques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 339 e A. . . . . . . . . . . .2. . . . . . . .2 Interaction mati` re rayonnement . .2 Lien avec le rang et interpr´ tation de la d´ composition . . . . . .7 L’espace TLS . . . . . . . . . . . . . 321 16. . . . . . . . . .5 Interpr´ tations g´ om´ triques . . . . . . . 320 e 16. . . . . . . .` TABLE DES MATIERES 11 15. . . . . . . . . . . . . . . . . . . . .4.3. . . . . . . 336 e 16. . . . . . . 320 e e 16. . . . . . . . formes fondamentales . . . . . . .4 Quaternions . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2. . . . . . . . . . . . . . .2. . . . . . . . . . . . . . . . . . . . . 315 16. . . . .2. 337 A D´ composition en Valeurs Singuli` res : SVD e e 339 A.3. . . . . . . . . . . . . . . . . . . . . . 302 15. . . . . . . . . . .1 Trivariance et primaires . . . . 335 e 16. . . . . . . . . . . . . . . . . . . . . . . . . . . . 327 16. 324 16. . . 306 15. . . . . . . .2 Courbes sur une surface. . . . . . . . . 309 e e e 15. . . . . . . . . . . . . . . . rep` re de Frenet . . . . . . . . . . . . . . . . . .4. . . . . . . . . . . . . 331 e e 16. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4. . . . . . . . . . . . . . . . . 320 16.3. . . . . . 335 16. . . . . . . . . . . . . . 305 e e e 15. . . . . . . . . . . . . . . . . . . . . . . . . 308 15.3. . .2. . . . . . . . . . .5 La d´ tection des contours des images en couleur . . . . . . . . .2. .2. . .3 Normes . . . . . . .6 Repr´ sentation par quaternions . . . . .2. .1. . . . . . . . . . . . . . . . .6 Principales m´ thodes de calcul des courbures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 L’espace RVB de la CIE 1931 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2. . . . . . . . . . 311 e 15. . . . . . . . 315 e e 16.1 Courbes. . . . . . . . . . . . . . . . . . .1. 309 e 15. . . . . . . . . . . . . .

. . . . 345 ´ e C. . . . . . . . . . . . . . . .2 Contraintes in´ galit´ s . . . . . . . . . . . . . . . . . moindres carr´ s . . . . . . .3 Solutions robustes d’un syst` me lin´ aire.1 Contraintes egalit´ s . . . . . . . . .2 Pseudo-inverse . . . . . . . . . . . . 345 e e . . . . . . . . . .12 ` TABLE DES MATIERES 341 341 341 342 ` B Applications de la SVD a la r´ solution des syst` mes lin´ aires e e e B. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . B. . .1 Conditionnement d’un syst` me lin´ aire non singulier . . . . . . . . . . . . . . . . . . . . . . . . e e B. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e e e C Optimisation sous contraintes 345 C. . . . . . . . . . . .

pour leur assurer une bonne qualit´ . 1997]. ` Avec des capteurs en ligne (comme on en trouve par exemple en t´ l´ d´ tection ou sur les scanneurs de docuee e ments).1. puis correction en associant e ´e une table de transcodage a chaque cellule. Cela revient a inverser cette non-lin´ arit´ et cela se fait par des tables de transcodage apr` s calibrage ` e e e du capteur (aussi appel´ LUT : Look-up Tables). chapitre 5). en pare e e ticulier pour la restauration puisque c’est l’un des premiers pr´ requis des approches. qu’elles soient analytiques ou e alg´ briques (cf. mais les pr´ traitements sont souvent appliqu´ s dans des circonstances o` l’on destine les images e e u a de nombreuses applications diff´ rentes dont on ignore souvent les besoins exacts. ` e 10. Corriger une non-lin´ arit´ est une op´ ration simple lorsqu’il n’y a pas de saturation e e e e du capteur. Le vignettage e ı e ´ [Perez et Heitz.1 Lin´ arit´ e e Le d´ faut de non-lin´ arit´ apparaˆt si la valeur du signal d’image en un pixel n’est pas proportionnelle a e e e ı ` l’´ nergie qu’il recoit. 1991] est un exemple de d´ faut d’homog´ n´ it´ frappant les syst` mes optiques et affectant les e e e e e points du champ eloign´ s du centre de l’image. C’est particuli` rement vrai e ¸ e e e e e pour les films et pour les tubes vid´ o. les d´ fauts d’homog´ n´ it´ apparaissent sous forme de train´ es. On sait pourtant que cette lin´ arit´ est indispensable pour un grand nombre de probl` mes. Elles concernent donc essentiellement les corrections de e contraste et la suppression du bruit. Les corrections d’homog´ neit´ sont alors e e e e e e e pratiqu´ es par apprentissage des el´ ments de calibrage pour chaque cellule sensible.1). Mais il peut egalement provenir d’un eclairage in´ gal de la surface ´ e ´ ´ e a analyser. La lin´ arit´ des capteurs d’image est tr` s souvent m´ diocre. Cette pratique est souvent critiqu´ e car l’exp´ rience montre qu’il est toujours e e important d’adapter les traitements de plus bas niveau aux traitements plus elabor´ s et donc aux objectifs a long ´ e ` terme du projet.1. le calibrage ` e 209 . ind´ pendamment e e e e de leur usage futur.Chapitre 10 Les pr´ traitements e Chapitre r´ dig´ par Henri M AˆTRE e e I On regroupe souvent sous le terme de pr´ traitement toutes les op´ rations qui sont appliqu´ es aux images. e 10.2 Homog´ n´ it´ e e e Ce d´ faut apparaˆt lorsque le capteur n’a pas une r´ ponse egale en tous les plans de son champ.1. Il n’est pas possible de corriger une saturation sans information e suppl´ mentaire sur le signal.1 Les traitements photom´ triques ou colorim´ triques e e 10. Les capteurs solides (CCD par exemple) leur sont sur ce point tr` s sup´ rieurs e e e [Marion. Si le capteur est lin´ aire (au sens de la section 10.

o © %# !§ 10"ed £ % ! 6 ¢  f 6 „ ƒ ‚ ¢f w x €yw % ! %# !§ 10)cd %# !§ 10) s Q Q £ © v 3 £©  t V uWF s ¢ f % qf % g %# !§ r  £ ! qf  i! hf  % ¥ f  ! £ f  ¡ f © 10)cd p  R @ X9 8  Y o` u % ! &#$"§ %# ! &0)§ ''  © b Y  ca `B© ' 0 ' La surface de est d´ not´ e par et celle de par . Voici comment on s’y prend lorsque le polynˆ me est une quadrique o de param` tres e inconnus : On recherche le meilleur polynˆ me en minimisant.210 ´ CHAPITRE 10. par rapport aux o . Il se met sous la forme : o` u est le vecteur des coefficients inconnus . matrices) les corrections rigoureuses sont tr` s difficiles car il n’est e pas possible de g´ n´ raliser l’approche pr´ c´ dente en raison de la dimension beaucoup trop grande du probl` me et e e e e e de la tr` s grande difficult´ d’en apprendre les trop nombreux param` tres. Cette m´ thode fait donc ¸ ` e l’hypoth` se que la sc` ne observ´ e poss` de une homog´ n´ it´ que l’image a perdu. Homog´ n´ isation par approximation par une quadrique e e Une autre facon de rendre homog` ne une image est d’en soustraire une composante qui serait in´ gale dans ¸ e e l’image. Si le signal d’int´ rˆ t est faible autour de la valeur ´ ee moyenne du signal. mais la formule n’est plus alors ` directe. e e e e e e e Les corrections par moyenne constante remplacent l’image par une image corrig´ e e qui v´ rifie : e avec une moyenne locale calcul´ e dans un voisinage e autour de : et sont les variances de sur et . l’erreur : On obtient un syst` me de taille e avec pour inconnues les . LES PRETRAITEMENTS Pour les capteurs bidimensionnels (films. On peut imposer a l’image d’avoir une moyenne et un contraste constants. en particulier pour corriger les d´ fauts d’´ clairement. e e Les corrections par contraste constant cr´ ent une image e % ! &$" %# !§ Q © Q V WF U R et la moyenne d’ensemble sur l’image compl` te e : telle que : § ¨¦ © %# !§' &$"($ E % !§ %# ! &0)§ ' % Q ' ! &© ' 1# ' " C  DB© 4 Q PI G &¨HF % ! &#$"§ @9 A8 © %# ! 10)§ %# !§ &$" %# ! 10)§ '  67$© 4 3 5©  2© %# !§ &$" © ¢ ¥¤ ¢ ¥¤    © § ¦¢ ¡   © ¢ £¡ revient a apprendre pour chaque cellule le gain ` image : et l’offset qui fait passer du signal d’entr´ e e ©   CU  TS6 §  R   au pixel E @9 X08 ©   §  4 ‚ a 6 ¢f . Homog´ n´ isation par subdivision du champ e e Une m´ thode souvent employ´ e. on peut par exemple approcher celle-ci a l’aide d’un polynˆ me d´ pendant ` o e des variables d’espace. par exemple en raison d’un eclairage peu uniforme. proc` de par subdivision e e e e e du champ de facon a rechercher des statistiques constantes dans le champ de l’image. On pr´ f` re alors des approches souvent e e e ee approch´ es : m´ thodes par morceaux (subdivision du champ) ou corrections globales param´ triques (par exemple e e e approximation par des plans ou par des quadriques). fortement variable. est la matrice des moments de l’image (matrice sym´ trique e mesur´ ee pour chaque image) et e le vecteur des monˆ mes en et .

mˆ me dans des zones de fort contraste (par exemple Dorst). seuillage Ce sont des cas extrˆ mes de pr´ traitements qui ram` nent l’image a deux ou a quelques niveaux seulement. Cham et al.. 1998]. Les plus utilis´ s sont le filtre de moyenne (sur de e e petites fenˆ tres de e ou pixels) et le filtre gaussien. Il a vu couler beaucoup d’encre et de nome breuses m´ thodes lui ont et´ consacr´ es. 1978. mais progressivement de plus en plus come ´e e e plexes. on suppose le signal stationnaire.5. Par des m´ thodes locales : ces m´ thodes modifient localement l’histogramme pour conserver toujours une e e bonne dynamique. tout d’abord ´ ` en utilisant toute l’´ chelle de gris ou de couleurs disponible (par une table de transcodage). e e e e e 3. ce qui est subjectivement d´ sagr´ able. 1988.2. puis les m´ thodes non-lin´ aires.10. Un point d´ licat de ces m´ thodes est de d´ finir le gabarit du filtre utilis´ .2 Suppression des bruits C’est l’un des sujets les plus d´ licats du traitement des images. Ces m´ thodes proc` dent ` e e de trois facons diff´ rentes [Pratt. § %# ! 10)§ %# ! &0)§ © %# !§ 10"   Dans de nombreux cas on consid` re que l’image non d´ grad´ e e e e est affect´ e d’un bruit additif e ©   © : ©     £ ¨§§ ¦  $© %# !§ 10)  © %# ! &$"§ ¡ ¤ ¥x ¤ ¢ x £y¢ . 2001]. si est le nombre de pixels dans l’image et le cˆ t´ de la fenˆ tre carr´ e sur laquelle est faite le filtrage.1.3 Binarisation. 1996] : ¸ e 1. Un exemple de r´ haussement e e de contraste local par des m´ thodes morphologiques est pr´ sent´ au chapitre 6 sur la figure 6.2. e e e 10. ee 10. Les plus utilis´ s sont les ¸ ` ee e histogrammes plats et hyperboliques (nous avons vu une telle transformation au chapitre 2) [Bovik. Il est par exemple trait´ dans le cas de l’imagerie radar e [Maˆtre. e eliminant les variations a tr` s haute fr´ quence du signal. ı Dans les conditions les plus simples. tout d’abord tr` s intuitives. et en l’absence de toute autre information. 2.. ´ ` e e Exp´ rimentalement ces filtres ne sont pas tr` s bons (cf. Nous verrons tout d’abord les approches lin´ aires.1 Filtrages lin´ aires e Le cas d’un bruit multiplicatif est beaucoup plus difficile.1) car ils d´ gradent consid´ rablement les e e e e contours et rendent l’image floue. e e e 10. e e e ` ` Nous ne les evoquons ici que par souci d’exhaustivit´ . Par etirement d’histogramme : on cherche a exploiter au mieux la dynamique de l’histogramme. Une seule exception : si le signal est e e effectivement stationnaire (et donc sans contours) et si le bruit est gaussien (dans ce cas ce sont les meilleurs filtres au sens des moindres carr´ s et du maximum de vraisemblance). Intuitivement. on recherche des filtres passe-bas. 2000]. figure 10. Zamperoni. Ils sont trait´ s plus compl` tement au chapitre 12 et dans les ´ e e e r´ f´ rences [Sahoo et al. Par filtrage passe-haut de l’image : l’id´ e de base est ici de r´ duire l’importance du terme continu et des e e basses fr´ quences. Leur coˆ t grandit donc tr` s vite avec l’´ tendue du filtre oe e e u e e et cela prohibe souvent les filtres larges.1. Complexit´ des filtres lin´ aires e e La complexit´ des filtres lin´ aires est g´ n´ ralement en e e e e .4 Augmentation de contraste Une famille de traitements a pour objectif de donner a l’image un plus grand contraste. SUPPRESSION DES BRUITS 211 10. et on adopte donc souvent une approche par filtrage lin´ aire. mais aussi en e modifiant l’histogramme de facon a le transformer en un histogramme de r´ f´ rence.

212

´ CHAPITRE 10. LES PRETRAITEMENTS

F IG . 10.1 – Filtres de moyenne - A gauche, image bruit´ e par un bruit gaussien de variance 120, au centre, filtrage e passe-bas sur une fenˆ tre 3 3, a droite sur une fenˆ tre 7 7. e ` e

Il existe cependant des exceptions notables : – Le filtre de moyenne a une complexit´ ind´ pendante de la taille de la fenˆ tre (si l’on garde en m´ moire les e e e e traitements appliqu´ s aux points et aux lignes pr´ c´ dentes). e e e – Le filtre gaussien est s´ parable, il peut etre obtenu par 2 filtrages monodimensionnels. Sa complexit´ est e ˆ e . donc On utilise aussi la propri´ t´ des filtres gaussiens d’ˆ tre a noyau auto-reproducteur (on obtient une nouvelle ee e ` gaussienne d’´ cart-type fort, par convolution de deux gaussiennes d’´ cart-type faible) en filtrant successivement e e par des gaussiennes etroites pour obtenir des gaussiennes larges. On a aussi beaucoup utilis´ des approximations ´ e splines des fonctions gaussiennes, plus simples a calculer. `

Le filtre de Wiener

o` l’esp´ rance u e est prise sur toutes les r´ alisations du bruit, le domaine d’int´ gration est l’image compl` te e e e et . Si on connaˆt le spectre de densit´ de puissance du bruit ı e et le spectre de densit´ de puissance de e l’image , le filtrage optimal au sens des moindres carr´ s est le filtre adapt´ . C’est le filtre de Wiener avec e e un d´ faut egal a l’identit´ . Sa fonction de transfert (TF de sa r´ ponse impulsionnelle) a pour expression : e ´ ` e e

Lorsque l’on ne connaˆt pas ces spectres de densit´ de puissance, on adopte souvent, pour ces grandeurs, les ı e expressions (cf. chapitre 2) :

Malheureusement, compte tenu des difficult´ s a estimer les param` tres exacts du signal et du bruit, ce filtre e ` e conduit en pratique a des filtrages de bruit souvent m´ diocres. ` e

R

%# ! &$"§

Dans l’approche de Wiener (cf. chapitre 5, section 5.2.2), on recherche le filtre

©

 

£

  

a

#  §

©

¡

a

# $ %§#$© a $§§ # 

( & )' £

#  $§

¨ £% Q

©

a 



!

Q 

 "

£

x

¦ §

¡ C  a C 

C # !© a §  

3 

¤ ¢ V ¥£WF ¡ 

£ "¡

C 

C 

a

# §  ¥&

x

©   ¨b ¡   ¤

©

 

©

¨§§ ¦
a

qui minimise : (10.10)

# §  ¥

10.2. SUPPRESSION DES BRUITS

213

10.2.2 Filtrage de rang
Ces approches reposent sur un raisonnement tr` s diff´ rent. On consid` re que le signal vrai doit etre estim´ a pare e e ˆ e` tir d’´ chantillons bruit´ s. Ces echantillons appartiennent a une fenˆ tre e e ´ ` e de pixels entourant le pixel a filtrer. ` Si la fenˆ tre est enti` rement a l’int´ rieur d’une zone homog` ne, on est ramen´ au probl` me trait´ ci-dessus. Si la e e ` e e e e e fenˆ tre est a cheval sur des champs de statistiques diff´ rentes, on doit trouver un estimateur robuste qui non seulee ` e ment ecartera le bruit, mais supprimera egalement l’influence du signal parasite (diff´ rence entre bruit et out´ ´ e lyiers ). Les filtres d’ordre ou de rang sont de tels filtres [Kotropoulos et al., 1997, Tagare et Figueiredo, 1985, Kim et Yaroslavski, 1986, Pitas et Venetsanopoulos, 1990, Arce et al., 2000]. On trie les valeurs des pixels dans la fenˆ tre e par amplitude croissante, on remplace le pixel central par un pixel choisi dans la liste ordonn´ e : e – si on choisit le plus grand : dilatation en morphologie math´ matique (cf. chapitre 6), e – si on choisit le plus petit : erosion en morphologie math´ matique, ´ e – si on choisit celui du milieu : filtre m´ dian. e Les avantages des filtrages de rang sont les suivants : – ils ne sont pas sensibles aux valeurs extrˆ mes qui n’influencent donc pas le filtrage (cela ne concerne bien e sˆ r pas les erosions et les dilatations) ; u ´ – ils attribuent au signal filtr´ une valeur appartenant a l’ensemble des valeurs du signal bruit´ et donc ne e ` e cr´ ent pas de valeur nouvelle (` ce titre, ils permettent de filtrer des signaux portant une information plus e a symbolique qu’un simple niveau de gris, par exemple des images de classes obtenues apr` s une etape de e ´ segmentation). On a d´ velopp´ des filtres de rang plus complexes, par exemple le filtre e e qui remplace la valeur courante par la valeur qui minimise :

10.2.3 Filtrages morphologiques
On a d´ j` vu que les erosions et les dilatations sont des filtres de rang (mais pas des filtres au sens morea ´ phologique), mais on leur pr´ f` re les ouvertures et les fermetures pour leur propri´ t´ d’idempotence (cf. chaee ee pitre 6). Pour des filtrages de taille croissante on prend des filtres altern´ s s´ quentiels (FAS) (cf. figure 10.2) e e [Schmitt et Mattioli, 1994b, Serra, 1982b]. Enfin, on fait egalement des filtres d’augmentation de contraste en r´ partissant judicieusement le niveau de ´ e sortie entre l’´ rod´ , le dilat´ ou la moyenne selon la distance du pixel a la valeur moyenne (on peut remplacer dans e e e ` la phrase pr´ c´ dente moyenne par m´ diane). e e e

´ 10.2.4 Filtrages par equations de diffusion
Ces op´ rations ont fait l’objet du chapitre 8 o` l’on a mis en evidence leur rˆ le de filtrage aussi bien pour e u ´ o l’analyse que pour la restauration. Ce sont ces propri´ t´ s qui nous int´ resserons ici encore. Mais rappelons tout ee e d’abord que les equations de diffusion constituent aussi l’approche duale de la minimisation d’une int´ grale totale ´ e sur l’image. Dans cette approche, a une equation int´ grale d’´ nergie comme l’´ quation 10.10, on associe une ` ´ e e e

¢ 

¡

¡

8 

o` u de

et est la fenˆ tre d’estimation. Lorsque est faible, on donne plus de poids aux valeurs proches e tandis que les grandes valeurs de donnent plus de poids aux ecarts importants. ´ Ces filtres de rang donnent des r´ sultats souvent satisfaisants dans les cas simples d’´ limination du bruit. e e Ainsi, le filtre m´ dian est pratiquement toujours pr´ f´ r´ au filtre de moyenne ou au filtre gaussien pour am´ liorer e eee e les images bruit´ es. e

 

¡

 

 x  

¢ £Q

@ X9 8 

¢ §¡ 

¢ 

¢  3 G ¤

¨ ©¢

¦ §¥

@ A9 8 

¤Q ¢ 

¢  ¤   

¡

¤

214

´ CHAPITRE 10. LES PRETRAITEMENTS

F IG . 10.2 – Filtre Altern´ S´ quentiel - Une, deux ou trois it´ rations de la s´ quence ouverture puis fermeture, e e e e d’´ l´ ments structurants croissants. ee equation d’Euler-Lagrange et des conditions aux limites (g´ n´ ralement les conditions de Neumann). On r´ sout ´ e e e alors l’´ quation diff´ rentielle par des techniques de gradient (r´ solution it´ rative), a partir d’une solution initiale e e e e ` g´ n´ ralement egale a l’image bruit´ e. S’il y a convergence, c’est alors vers un minimum local. e e ´ ` e Diffusion isotrope On a vu au chapitre 8 que le filtrage par des equations de diffusion isotrope est, dans le cas continu, math´ matiquement ´ e equivalent au filtrage gaussien [Marr et Hildreth, 1980, Babaud et al., 1986, Witkin, 1983a, Koenderink, 1984]. Il ´ est obtenu a partir de l’´ quation de la chaleur : ` e o` l’on remplace le temps par des it´ rations successives. Ce filtrage, comme le filtrage gaussien, a u e le d´ faut de rendre les contours d’images tr` s flous. Ce n’est donc pas un bon filtre d’am´ lioration d’images. e e e Diffusion anisotrope On a montr´ au chapitre 8 que l’on pr´ f` re les equations de diffusion anisotrope [Perona et Malik, 1990b, e ee ´ Alvarez, 1996]. Leur equation est : ´

o` u est une fonction g´ n´ ralement du module de la d´ riv´ e de , maximale pour une d´ riv´ e nulle et e e e e e e d´ croissante lorsque le gradient croˆt : on choisit g´ n´ ralement les fonctions suivantes (cf. figure 10.3) : e ı e e – ,

Le coefficient est proportionnel a un gradient. Il caract´ rise l’amplitude des gradients qui autoriseront une ` e forte diffusion. Pour des valeurs de gradient tr` s inf´ rieures a , la diffusion sera tr` s faible car la zone sera e e ` e consid´ r´ e comme d´ j` lisse. Pour des valeurs tr` s sup´ rieures, la diffusion sera interdite (on consid´ rera qu’il y a ee ea e e e pr´ sence d’un contour que le filtrage devra pr´ server). Cela se voit sur la figure 10.3 o` l’on a port´ l’´ volution du e e u e e produit en fonction de . La mise en œuvre des filtres de diffusion anisotrope se fait en calculant une s´ rie d’images e telles que :

Deux etapes de ce processus sont pr´ sent´ es sur la figure 10.4. ´ e e  

# %%

¥ ¡ 

¥

b h©

  # (§ ¡

%

¥

¥

% 

# %!

¥ ¡ 

¥

b h©

  # (§ ¡

!

¥

¥   

¡ 

¨

%     

% 

¨

b h© ¦

# § 

# § 

. 

v 

¨ q© b

¦

# (§ 

¡

t a

¦   Q  §¥

¥

% !  §# "     C # ¡ ¢ $¡   § '   3  © 

©  

© ¦ 

© 

¦

£ ¤

# § 

©¦

¡

# (§ 

¡

¡

¡ ¢  

 

(10.14)

¡

on recherche la meilleure solution au sens de l’erreur quadratique moyenne. 10.    ¨b  ¨ v   ¨ t a   Q ¦ W„ §¥ ¡ ¢  ¥ # §  de la gaussienne.. ´ ´e e pour garantir la conservation de certaines propri´ t´ s des images. Le maximum est proche de  ¨ ¡ % !       C   ¨ ©      ©  § ¨ '¦  © 3 ¡ .2. 1992] : ` Filtrage a Variation Totale Dans la plupart des approches de filtrage. On pr´ f` re parfois la norme . C’est le cas des filtres de courbure moyenne (ou mean curvature equation) [Kimia et al. 10. mais celle ci conduit a des solutions souvent difficiles a ee ` ` mettre en œuvre. pour le cas % F IG .3 – A gauche.D. D’un int´ rˆ t particulier sont les filtres qui garanee ee tissent une invariance du traitement par changement de contraste. SUPPRESSION DES BRUITS 215 gaussienne 1/(1+x**2) F IG . ¤ ¡   % (10. Ce crit` re n’est pas tr` s satisfaisant pour un observateur humain qui pr´ f` re souvent des optimisations e e ee sous d’autres normes.16) .P.10.. c’est-` -dire a contrainte sur la ` e a ` variation totale [Rudin et Osher. sous-classe des signaux TV. 1992b] pour proposer un filtrage dans la classe ´e des signaux a variation totale born´ e (ou signaux BV). variation du produit en fonction de . Filtres de courbure moyenne On a egalement vu au chapitre 8 que plusieurs autres formes avaient et´ propos´ es pour les filtres par E. A droite. 1994]. terme contrˆ lant la diffusion dans les techniques de diffusion anisotropique pour deux o ` exemples de filtres utilis´ s : la gaussienne e ou la lorentzienne : . Cet argument a et´ poursuivi dans [Rudin et al.4 – Filtrage par Diffusion Anisotrope : image originale bruit´ e (` gauche) et deux filtrages par 15 et 80 e a it´ rations avec e .

tout en respectant ses contours. de facon que les points trop diff´ rents du point trait´ s ne contribuent que peu : ¸ e e C’est un filtre d’action tr` s mod´ r´ e que l’on it` re g´ n´ ralement plusieurs fois.3. on filtre progressivement l’image d’origine. On peut egalement interpr´ ter e ı e ee e ´ e ces deux filtres comme des filtres de diffusion isotrope mais adaptative. Le sch´ ma donne e e des r´ sultats assez semblables a ceux du filtre de courbure moyenne. on minimise : ´ CHAPITRE 10. il calcule une moyenne des pixels de la fenˆ tre. sous les contraintes : e % ! @ 9 Q Q£  £ ¤ ¤   F ¤ (10. equations 10. comme condition aux limites ¥ ¥ . dans le cas o` ´ u 10. On s’en convaincra en notant l’identit´ des e ` e et le membre de droite est multipli´ par e . e ´ e Ces relations conduisent aux equations d’Euler-Lagrange : ´ avec une valeur de donn´ e par : e Selon cette m´ thode. LES PRETRAITEMENTS Ces deux contraintes sont des hypoth` ses sur le bruit (valeur moyenne nulle et ecart-type fix´ ). pond´ r´ s par l’inverse de leur e´ e ee gradient.216 Ainsi. sous ce formalisme.20.20) .1 Les filtres a coefficients adaptatifs Ces filtres s’inspirent des filtres de moyenne. Filtre de gradient inverse Il est appel´ egalement filtre . mais chaque terme de la moyenne est pond´ r´ par un coefficient ee qui d´ croˆt avec la similarit´ entre le pixel consid´ r´ et le pixel central de la fenˆ tre.16 et 10. e ee e e e   % ! Q Q ¨ ©  ! ¦§ ¤ 3 C § ¨ ¤ ©3 £¤ @ 9  £ @  @ ¤   © ( #"# § § 3  § ' "## &0    © )"#     % $ & '   ©( ' ¦§ @ 9 ¤£  9  £ ¤ @ 9 ¥  £ ¤ 9   9£ ¤  ¥ ¤ ¥ ¤ £¤ % ¥ ¥ £¤  3 ¦§ @ 9 ¤£  9  £ ¤ £@ ¤  ¦   ¨  ¤ ¦ £9 ¤  ¡ #"# §  C ©   '  ¥ ¥ F  £¤  avec. On la r´ sout it´ rativement par une descente de gradient : e e £@   £9    ©  3 ¤  § £ 3 ¡ ©3 ¤ 9  ¤ ¥ ¨ ¨ ¦§ ¤ £¤ £ ¡ ¢ % !  § Q Q£© 3 ¤   F (' % !  Q Q % ¥ ¥  ¢     £@ ¤   £9 ¤  9   ¦§ F  % !  Q ¤ ! £ ¡ C ¡   Q ¤  ¦ ¥ £¤ 3    ¥ F ¥ ! ¥ ¥ ¨ ! ¨ 9 o` u est la d´ riv´ e en e e de l’estim´ e de l’image.3 Les filtres adaptatifs ` 10.

1990]. et tous ces points sont marqu´ s afin e e de n’ˆ tre plus trait´ s. e e e e a ´e ` 10. autour de chaque pixel. On choisit alors de remplacer le pixel central par la valeur moyenne de la fenˆ tre dont la variance est la plus faible. mais la pond´ ration est exponentielle n´ gative : e e 217 Son action est plus nette que celle du pr´ c´ dent. Puis. Tous les points du chemin parcouru sont mis au mˆ me niveau. soit en s´ lectionnant parmi une famille de fenˆ tres celle qui convient le mieux (c’est le cas du filtre de e e Nagao).2). Il conduit a de bons filtrages respectant bien les contours e e ` [Saint-Marc et al. Sur chaque fenˆ tre on mesure la moyenne e e et la variance des niveaux de gris. On attribue alors la valeur du niveau de gris du point a minimum local. Il creuse l’histogramme de l’image en attribuant a chaque pixel ¸ e e e e ` le niveau de gris du point de minimum de gradient dans son voisinage. toutes de 9 pixels.2 Les filtres a fenˆ tres adaptatives e Dans le cas de filtres a fenˆ tres adaptatives. section 12. c’est souvent une mesure de la variance (ce peut etre le coefficient de variation ˆ £ ¤ ¢  x ¤   c¤ x F IG . Cela se fait de deux facons : ¸ 1. chapitre 12. la fenˆ tre la plus adapt´ e au ` e e e filtrage. on travaille sur une fenˆ tre de taille e central (qui appartient a toutes ces fenˆ tres). e Filtre de Wu : filtrage par fenˆ tre maximale e Il proc` de par croissance de r´ gion [Wu et Maˆtre. a partir d’un point non d´ j` parcouru. 10.10. 4 de la fenˆ tre au centre et la fenˆ tre de droite. On d´ finit 9 fenˆ tres possibles (cf.3. Toboggan de Fairfield Il agit de facon tr` s diff´ rente des pr´ c´ dents. On r´ p` te ce traitement jusqu’` ce que tous les points aient et´ parcourus [Fairfield. e e ¤ x ¤ £$ ¡ © $ ¨ ¤ § 3  © $ ' 4 © ' ' ( ")# (    §  $   ¡ % % ¦ ¦ ¡ )"# § C  TB©   ¡ # $'  & . On trace tout d’abord une carte du gradient. ` e e e identifi´ es par un indice . 1992].5). figure 10. 2. LES FILTRES ADAPTATIFS Filtre de Saint Marc Il repose sur un principe assez semblable.5 – Le pixel central d’une fenˆ tre e fenˆ tre repr´ sent´ e a gauche par rotations de e e e ` appartient a 9 fenˆ tres de 9 pixels chacune : 4 se d´ duisent de la ` e e . soit en faisant croˆtre une fenˆ tre et en contrˆ lant la croissance (cas du filtre de Wu). on recherche. ı e o Filtre de Nagao entourant le pixel Dans l’approche de Nagao [Natsuyama. 1989]. Il utilise un pr´ dicat d’homog´ n´ it´ sur une r´ gion e e ı e e e e e (cf.3. 1979]. on descend sur cette carte comme sur un toboggan (d’o` le nom) ` ea u jusqu’` ce qu’on tombe dans un minimum local du gradient..

LES PRETRAITEMENTS pour une image de radar). Cela se fait egalement tr` s souvent en ´ e remplacant les fonctions canoniques de reconstruction (g´ n´ ralement des sinus cardinaux) par des fonctions plus ¸ e e compactes. On part d’une zone de taille . A gauche. ou en imagerie m´ dicale pour ee e ee e aligner les images sur les rep` res anatomiques).) qui n´ cessitent que l’on trouve des solutions de remplacement.6). e e ` A droite. chapitre 3). puis cette image continue est filtr´ e de e e facon a donner une image dont le spectre est compatible avec le nouvel echantillonnage que l’on souhaite r´ aliser. Si le pr´ dicat n’est plus v´ rifi´ .4 Le r´ echantillonnage des images e´ Cette op´ ration est n´ cessaire chaque fois que l’on doit transformer une image dans une g´ om´ trie pr´ d´ finie e e e e e e (par exemple en t´ l´ d´ tection pour se ramener dans une r´ f´ rence cartographique. e e e L’id´ e de principe est assez simple : consid´ rant que l’image d’origine v´ rifie le th´ or` me de Shannon. on remplace le point initial par la moyenne sur la plus e ı grande fenˆ tre obtenue (cf. figure 10. on recherche la cause de e e e l’h´ t´ rog´ n´ it´ . e ¡   ¢C 10.4. Lorsque la fenˆ tre ne peut plus croˆtre. la croissance ne se fait plus que selon un triangle. place m´ moire. permettant d’effectuer des sommations finies et non infinies.6 – M´ thode de Wu. on convole la fonction initiale 1 par un noyau : ¤ y¤ x ©   ¢ e¢ x ©  B© ! )§ §   © ¥ © !§ "  © ! )§ ¡     x    ¦ . passage d’une fenˆ tre a la suivante dans le cas d’une croissance isotrope. on croˆt ı oe ee e oe ee e ı selon un triangle.1 Interpolation avec des polynˆ mes o ce qui s’exprime dans l’espace de Fourier par : ¦  §© la consid´ rons ici monodimensionnelle pour simplifier. Ces op´ rations de r´ echantillonnage s’appuient sur les bases e e e´ math´ matiques de la th´ orie de l’´ chantillonnage de Shannon (cf. si elle est homog` ne on l’´ tend a une fenˆ tre e e ` e puis en lui ajoutant des couronnes successives. souvent polynomiales. on e e e e e reconstruit tout d’abord le signal continu dont cette image discr` te est issue. s’il y a un contour dans le plan inf´ rieur droit. ¸ ` ´ e enfin on echantillonne cette image aux points que l’on d´ sire connaˆtre.218 ´ CHAPITRE 10. % ! "§ Q © % 3 ! "§  © © %§ ) §  © § £ £ ¤F % !§ ) Dans ces approches. ´ e ı Mais cette id´ e de principe se heurte a des contraintes de mise en œuvre mat´ rielle tr` s difficiles (temps de e ` e e calcul. on proc` de a une croissance sur une fenˆ tre ee e e e e oe e e ` e rectangulaire en interdisant de croˆtre sur le cˆ t´ h´ t´ rog` ne. pour les fonctions bidimensionnelles il convient g´ n´ ralement de faire le e e e produit d’un polynome en par un polynome en . e F IG . Si 2 cˆ t´ s adjacents sont h´ t´ romog` nes. 10. Si elle n’est pr´ sente que sur un cˆ t´ de la fenˆ tre. 10. etc. e e Cela se fait en combinant reconstruction et filtrage en un seul filtrage. 1 Nous ©  et etant les TF de ´ ¨ et .

4. Ainsi : ©  £¡ ¥ 5)   3  2  ¥ ¦ b f Ab b b !"§ 7 ¤2© !)§ 7 2© ¦ )§ 7 ¤ ¤ ! © © © ! ¤ ! )§ 7 2© )§ 7 ¤ © £¡ ¢  §    © © ¥ 6 ! 7 )§ ¤ g© 3  ¥    ¦5) ¥ ¡ #$© §   4  B© w ! "§ ¤  $  ¦  ¥   © !)§ ¤ © £ ! )§ ¤   !32  ) ¡   3 & '  C © §  @ A 8@ CB9 & # La valeur est souvent retenue. ´ o e e e o e Chalmond. 1997] est particuli` rement utilis´ e : ´e e e e dont la fonction de transfert est : Interpolation cubique : Les solutions possibles sont encore plus nombreuses et ont fait l’objet de tr` s nombreux travaux [Maeland. e On retiendra la famille param´ tr´ e par la variable : e e 10.. Elle conduit a une interpolation dont la fonction de transfert est : `    ¡¢  1 © b § f ¦ ! C   &    ¥ £f   E ¦ ¥¢ b  ¨ ©   ¡ C !  !  C   !"  ¥  ©   f     E © §       © §    ¢!¡ C     E  §     E  E ¥   !    C     E £ ©  ¦  § ¢ ¥  3 ¥ §   E  E  ©)! ¨03 ¢  £ ©  ¡¢ ! f   E    £¡   § ! ¥   ! § f ¦ ! § C ! )§ © ¨©   3  © '( # % !   C  w §   # 3 © ¦  £ ! ¤ ! 3 ¥  !  § $#§ # 3 ¥   W   © ! )§ f ¦  ¡ £¡ ¥ ¢  ¦  ¤ © £ ! 3! ¨ © ¥ ¦   w ©  £  § ! 3  B© ! £¡ ¤¢  ! "§    §       © ! )§ © )§ ! © )§ ! © ! "§ © "§ ! © "§ !  B© ! "§                 ¡   ¢C 3  $©     . 2000]. Unser. 1993a. 1999.´´ 10.4. Ils sont de degr´ et se d´ duisent r´ cursivement du polynˆ me de degr´ 0 par la formule : e o` u exprime la convolution. sont souvent utilis´ es : e Interpolation au plus proche voisin : Interpolation lin´ aire : e § Interpolation quadratique : Plusieurs formules ont et´ propos´ es.2 Interpolation par des B-splines Les B-splines forment egalement une famille de polynˆ mes int´ ressants [Unser et al. 1988]. LE REECHANTILLONNAGE DES IMAGES L’interpolation id´ ale est obtenue pour : e 219 Mais d’autres interpolations. plus rapides. Celle de [Dodgson.

les . ils sont au nombre de . e ˆ e e Unser et al. utilisons le noyau obtenu en echantillonnant la B-spline de degr´ dilat´ e d’un facteur et ´ e e associons lui sa transform´ e en z : e Nous voulons d´ terminer les coefficients e des splines qui garantissent l’´ galit´ aux echantillons entiers : e e ´ ce que l’on peut r´ ecrire comme une convolution : e´ on obtient une solution du probl` me par : e On montre que cette d´ convolution est stable et peut etre effectu´ e tr` s rapidement [Unser et al. Leurs TF s’expriment simplement par : a Lorsqu’on interpole un signal dans l’approche par splines.. et les diverses fonctions sont explicit´ es e dans [Unser et al.220 ¦ ¨ ´ CHAPITRE 10. chapitre ´ e` 5) (invariante par translation le long de ). e e qui passent exactement par tous les points de l’´ chantillonnage. ´ e On peut calculer les approximations par splines de deux facons : ¸ 1. sont plus nombreuses que les equations ´ (on ne dispose pas d’´ quations compl` tes pour les e e premiers et derniers points de l’´ chantillonnage). 1993a. Calculer une telle approximation consiste donc a d´ terminer les coefficients e ` e inconnus tels que en tout point appartenant aux echantillons initiaux on ait : ´ les etant les valeurs connues de l’´ chantillonnage. on est alors amen´ a inverser une matrice Toeplitz (cf. par r´ solution du syst` me d’´ quations 10. 1993b]. LES PRETRAITEMENTS La fonction d’ordre 0 est d´ finie par la fonction porte : e . e On choisit donc g´ n´ ralement de r´ p´ ter les premi` res et les derni` res valeurs.34 liant les coefficients inconnus des splines aux coordonn´ es et e e e e aux amplitudes connues des echantillons .33) % ¦ ¡ ¡ ¢¨ !§ "B¤   ¦ $  B© A ¥ ! &§ ¥ A © i& $f (10. 1990] : a Pour cela. ¨ ©§ © © ¨ ©§ § & § E © i& £ © C % § ¦  © © &§ f § & £ § £ Si l’on d´ finit par e la fonction dont la transform´ e en Z (TZ) est l’inverse de e : 4  ¤ © % $ % §   ¨ © & § © ©¨§  ¥ A ¡¢¨ $ © &§ E  $ ¦ © © &§ E  $ &§ f  © © & ©3 )!§  ¤ © & § f ¨ ©§ f £ 9 © ¡ ¥ A C ©   3 £ ¤9 § (  "!§  ¤ ©( § f 3 2  © i 3  © & © "!§  ¤ © & § f ¡   ¦ &§ E ¡¢¨ $ ¦ Une repr´ sentation par les splines d’ordre e prend la forme g´ n´ rale : e e ! f¦ ¡ # © $ W  ¡  f     E §  © ! )§ 7 ¤  v $ © $ £ ¤9 &§ f  B© ¤ © 4 t ¡ ¢¨ C   !  ¦   ! )§ E (10. e 2... Les inconnues. ou on les reproduit selon une e e e e e e sym´ trie miroir. on choisit g´ n´ ralement des splines interpolantes.. Les coefficients de la matrice sont les valeurs des aux nœuds du maillage. et non des splines approximantes qui passent au e plus pr` s d’un ensemble de points. 1993b] jusqu’` l’ordre 7. par filtrage (c’est-` -dire par convolution) [Goshtasby et al.34) © &§ E .

e D’autres m´ thodes [Calle et Montanvert. Un exemple de telles techniques est e donn´ par [Karabassis et Spetsakis.4. l’interpolation spline se d´ duit du cas monodimensionnel par produit tensoriel de l’intere polation en et en (´ quation 10. 1995]. 1998] s’appuient sur des d´ compositions fractales qui permettent de e e retrouver les propri´ t´ s fines . LE REECHANTILLONNAGE DES IMAGES 221 ` A deux dimensions. dans le but e e e e e de pr´ server les objets pr´ sents dans la sc` ne et leurs contours en particulier.filtr´ es par l’´ chantillonnage original . e ©' & ©3 )%§  ¤ © ©3 )!§  ¤ © ' & # & § f & ¡ ¢¨   ¦ ¡ $ ¢¨ $ ¦  © %# ! 10"§ E % ! (10.4.´´ 10.3 Interpolation adaptative Des m´ thodes compl` tement diff´ rentes des pr´ c´ dentes effectuent des interpolations adaptatives.40) . chapitre 3). Ces techniques contrˆ lent souvent e e e o l’interpolation par une d´ tection de contours ou une segmentation de l’image.33) : e 10.mais pr´ sentes a travers la pyramide d’hoee e e e ` moth´ tie interne (cf.

LES PRETRAITEMENTS .222 ´ CHAPITRE 10.

Witkins et Terzopoulos e e seront pr´ sent´ es. mais la d´ finition mˆ me des ` e e e e contours demeure tr` s vague. avec ses d´ riv´ es qui sont aujourd’hui les plus employ´ es en raison de e e e e e e leur efficacit´ . soit estimaient un gradient. puis Canny [Canny. e e on a pu montrer que le probl` me de d´ tection de contours est g´ n´ ralement mal pos´ (au sens de la r´ solution e e e e e e des syst` mes) [Torre et Poggio. 11. Le plus utilis´ est celui en marche d’escalier. les techniques empiriques d’estimation du gradient propos´ es dans e ´e e les ann´ es 70-80 restent souvent encore employ´ es en concurrence de techniques plus modernes. soit convoluaient l’image par des masques caract´ ristiques des contours e [Haralick et Shapiro. Les seuls mod` les de contours utilisables sont ceux de contours id´ alis´ s. e e Nous pr´ senterons tout d’abord une approche formelle (mais malheureusement st´ rile !) de la d´ tection des e e e contours. C’est pourquoi. e marche d’escalier rampe toit F IG . Une excellente e e r´ f´ rence a ce probl` me est l’ouvrage collectif [Cocquerez et Philipp.1 . e e e e comme ceux pr´ sent´ s sur la figure 11. en particulier [Palmer et al. Heath et al. Enfin les techniques fond´ es sur le principe des contours actifs de Kass. 1986]. Nous terminerons par une br` ve e e e pr´ sentation des m´ thodes de poursuite et de fermeture des contours. 1996]. Plusieurs articles existent sur la comee ` e paraison des performances de d´ tecteurs de contours. De plus. Une approche plus analytique. sera ensuite pr´ sent´ e. pour obtenir des contours plus significatifs. des approches plus syst´ matiques ont et´ mises en place par Marr e e ´e [Marr et Hildreth.Chapitre 11 La d´ tection des contours dans les images e Chapitre r´ dig´ par Henri M AˆTRE e e I La d´ tection de contours dans les images a d´ but´ de facon extrˆ mement empirique par des op´ rateurs loe e e ¸ e e caux qui. Ces travaux ont abouti a une bonne compr´ hension de ce qu’il faut faire pour d´ tecter les contours.1 – Quelques mod` les de contours. Dans les ann´ es 80. puis les m´ thodes empiriques encore utilis´ es seront vues dans la partie 2. 1980]. 1997]. 1996. ce qui rend ces techniques encore peu efficaces sur un probl` me concret. ainsi que les approches par ensembles de niveaux (level sets). e e propos´ e par Canny. 1985]. mˆ me si de tr` s gros e e e e e e progr` s ont et´ accomplis dans ce domaine. e e 223 ... 1986]. ils sont bien loin de la r´ alit´ .

224 ´ CHAPITRE 11. LA DETECTION DES CONTOURS DANS LES IMAGES 11.4) et les equations 11. mais on peut egalement prendre des polynˆ mes de faible degr´ . ´ o e On peut egalement se placer dans les axes locaux d´ finis par la tangente et la normale a la surface ´ e ` (cf. On a beaucoup utilis´ pour cela la e e gaussienne. Ce rep` re est tourn´ d’un angle par rapport au rep` re e e e : (11. un contour apparaˆt comme une ligne o` sont localis´ es les tr` s ı u e e 3  (11.1 Un mod` le continu de contour. Soit le gradient de ¥¦ : ainsi qu’une image des directions du gradient a partir de : ` et par application de sur .1) ! 9     @       ¦ 3¨  © 3 . on pr´ traite e e e e e l’image par convolution avec une fonction au moins deux fois d´ rivable. figure 11. e  %# !§ &0) ¥¦ Dans une image suppos´ e continue e fortes variations de . On proc` de alors en e e ˆ e a e deux etapes : on calcule tout d’abord le gradient.2 donnent : ´ 4 § £ £¡ ¢  £  % £ ¥ ¥  § § £¡   £¡ ¤¢  %  § ¥ ¥   4  % ! § ¥   4 £ ¥ ¥ b H    ! ¥ ¥   §   £ ¡ ¥ ¥ On a alors : © %# !§ 10) ¡ 3¦   £ ¡ £%  ¥ ¥    10A %# ! ¦ 3¦  £ ¡ ¢!  ¥ ¥ #   %  ¤¦% % b  ¥ ¡ ¥ ¨¦ b ¥ ¡  3 3¦ ¥  ! ¥ ¥ ¥ ¥ ¡¦f ¨  £ ¡ ¥ avec : £ §¡  £   ¡ £%   ¥ ¥   £¡ ¥ £    ¦ 3¨  ¥ ¥  £ ¦ 3¨ ¡ ¢!  ()'   ¥ ¥  ¡ 3¦  ¥   ¥ ¡ £% §     ¥ ¥ §    ¡ ¦ 3¨  ¥ ¥ ¥  £  £   ¤¤ #  ¡ ¢! £ !  ¥ ¥ ¥ ¥ ¥     £¡ ¤ ¥! £ ¥ ¥ ¥ t ¥ b  ¥ # ! ¥ C ¥ ¥ 3 t ¡ 3¦  On associe a ` une image du module du gradient de : (11. puis on recherche les extr´ mums dans la direction du gradient.2). Un point de contour v´ rifie donc . ´ e Afin de garantir la double d´ rivation mˆ me en pr´ sence de discontinuit´ s de type marche d’escalier. Un contour est alors d´ fini comme le lieu des maximums du gradient e dans la direction du gradient.2) (11. e L’´ quation obtenue est complexe et non lin´ aire : e e Elle n’a donc en g´ n´ ral pas de solution explicite et ne peut etre r´ solue que par tˆ tonnement.3)  .

2.   £  ¡£ ¥ £ £ ¦  % £ £ ¥ ¥ ¥ ¥ ¥     £ £¡ £ ! £   ¥ ¥ ¥ ¥       £ £  £ ¡  ¢       ¡#  ¦ (11. 1979]. e e e e ¸ e Shanmugam et Green. 1986]. mais g´ n´ ralement par un filtrage passee e e ´ e e e e ´ haut pr´ c´ d´ d’un l´ ger filtrage passe-bas pour s’affranchir des bruits. 1977. ee e e e 11. ` 11.1 Les d´ tecteurs de gradient par filtrage e Ces d´ tecteurs reposent tous sur une recherche d’un extremum de la d´ riv´ e premi` re (ou d’un passage par e e e e z´ ro d’une d´ riv´ e seconde). celle-ci etant calcul´ e de diverses mani` res. LES APPROCHES CLASSIQUES 225 y t g Φ x F IG . alors : e a e Cette propri´ t´ sera utilis´ e dans les approches dites par passage par z´ ro du laplacien (cf d´ tecteur de Marr). e e ` Cette equation n’est pas plus simple a r´ soudre que la pr´ c´ dente.3. 11.2 Les approches classiques Cette section pr´ sente un ensemble de m´ thodes qui ont eu historiquement une grande importance en traitement e e des images. Bien que certaines soient encore r´ guli` rement employ´ es. un lecteur int´ ress´ par les techniques plus e e e e e actuelles pourra se rendre directement a la section 11. Ces approches par filtrage lin eaire sur e e e e des crit` res tr` s simples de s´ lection en fr´ quence ont recu une base th´ orique dans [Modestino et Fries.2 – Rep` re local d´ fini par le vecteur normal et le vecteur tangent a l’image.11.2.5) . La somme des connaissances sur ce sujet se trouve dans [Torre et Poggio. Cependant elle se relie assez ais´ ment a ´ ` e e e e ` l’´ quation du laplacien de : e qui s’exprime egalement (par invariance du laplacien par changement de rep` re euclidien) dans le rep` re local ´ e e : On voit que si le terme est n´ gligeable (c’est-` -dire si le contour a une courbure tr` s faible).

figure 11. Le produit du masque par les valeurs des pixels correspondant etant fait. la constante de la loi exponentielle de l’auto-corr´ lation de l’image (cf. Par rotation de e e . 11. on calcule la seconde d´ riv´ e. pour obtenir un filtre final. Les ` e e filtres les plus utilis´ s sont. dans l’ordre d´ croissant : e e Sobel Roberts Gradient Prewitt 1 -1 Roberts 1 1 1 gradient -1 -1 -1 Prewitt 1 -1 1 2 1 -1 -2 -1 Sobel F IG . Comme un tel filtre ne filtre que du coin sup´ rieur gauche au coin inf´ rieur droit. ou selon la formule e approch´ e (en norme ). et . des filtres de d´ rivation plus empiriques ont et´ oe e e e ´e e e . sur des fenˆ tres plus grandes). e e ` ´ e Le filtre de base de Modestino et Fries est un filtre r´ cursif de la forme : e ¡ ¡ o` les coefficients u et sont d´ termin´ s a partir de 3 param` tres sp´ cifiques de l’image a traiter : . 11. Les deux mesures sont alors ajout´ es e e ee e et leur somme constitue la mesure du gradient en ce point selon la formule de l’´ quation 11. un peu plus rapide a calculer : e ` § On peut egalement mesurer l’orientation ´ deux filtres comme dans l’´ quation 11. et que les coefficients sont anti-sym´ triques. on choisit des filtres d’ordre 1 ( ). ils sont egalement centr´ s sur un pixel et non entre des pixels (filtres a phase nulle). On note sans surprise que la somme des coefficients de e e e ces filtres est nulle (fonction de transfert nulle a la fr´ quence 0). au point central pour les filtres ). Modestino et Fries ont propos´ de d´ tecter les contours par un filtrage de Wiener.2 Les d´ tecteurs de gradient par masques e A cˆ t´ de ces approches tr` s inspir´ es du traitement du signal. chapitre 2) et la e puissance du bruit. le but de ce filtrage e e etant d’effectuer sur l’image non bruit´ e une op´ ration de laplacien qui sera suivie par la suite d’une d´ tection de ´ e e e z´ ros alli´ e a un seuillage (nous verrons ces etapes ult´ rieurement). mais les images ainsi obtenues sont g´ n´ ralement plus fiables et permettent des post-traitements ´ e e plus pouss´ s. Dans la pratique pour assurer des temps de calcul raisonnables. on lui associe e e les 3 autres filtres obtenus par rotation de .4.3) appliqu´ s sur des fenˆ tres de e e pixels ou pixels (exceptionnellement. la valeur absolue de la somme est retenue. Puis le ´ masque est tourn´ de e autour de son centre et la mˆ me mesure est r´ p´ t´ e. Ces estim´ es sont obtenues a l’aide e ` propos´ s a partir d’estimateurs locaux de l’image ou de ses d´ riv´ es e ` de masques (cf. e e ` e e ` est le param` tre poissonnien de densit´ de contours (il exprime la distance moyenne entre 2 contours lors d’un e e balayage de l’image). e e Les filtres sont un peu moins pr´ cis (c’est-` -dire que les contours qu’ils d´ tectent sont moins bien localis´ s e a e e et souvent epais). e ´ e ` La r´ ponse de l’un quelconque de ces filtres s’obtient de la facon suivante : le filtre est centr´ en chaque pixel e ¸ e successivement (au coin sup´ rieur gauche pour les filtres e . en cas d’images tr` s bruit´ es. LA DETECTION DES CONTOURS DANS LES IMAGES Ainsi. Les filtres repr´ sent´ s estiment une e e e seule d´ riv´ e.2.3 – Quatre filtres de d´ tection de contours par estimation du gradient. e du contour au point donn´ en faisant le rapport des r´ ponses des e e s s ¦ ¨ ¢ x £e¢ ¢ x ¢ 9     %¨ ¨ %£ £ ¢¨ ¡ % ¡ ¨ ¢ ¨ % b  ¥  ¢ £¢# ¡ ¢¥ ¢ £ ¡   x   % ¥   x   ¡   ¤  C      ¥   ¢  ¨   !   C ¥   B© ¤¥ £ ¨# ¡ ¨§ 7   ¡ ¥ ¨  ¡ ¥ ¡ ¢ £ ¢ h¥ £ ¡  ¦ § ¡ ¢ ¢ ¥ ¢ # ¢ £¢ x ¨ .1.226 ´ CHAPITRE 11.

etc. e e ˆ `´ Les post-traitements commencent le plus souvent par l’´ limination des points de contour trop faibles par un e seuillage (seuillage adaptatif si l’image est tr` s h´ t´ rog` ne). et rapides de calcul.4).). figure 11. afin de ne conserver que les composantes les plus e ´ ee importantes des contours. Pour cela. e e e Enfin on proc` de a des etapes de poursuite et de fermeture des contours.et post traitements e La qualit´ de la d´ tection est tr` s li´ e a la qualit´ des contours dans l’image (cela sera v´ rifi´ pour toutes e e e e ` e e e les m´ thodes. e Parmi les filtres de pr´ -traitement. 1977. en environnement artificiel.3. la seconde se propose de d´ tecter des objets topologiquement clos. 1987] (cf section 10. on recherche ceux qui diminuent le bruit tout en pr´ servant les discontie e nuit´ s. r´ sultat du filtre par hyst´ r´ sis : seuls les e e ´ e ee contours du second filtrage connexes a ceux du premier sont conserv´ s. 1990] (cf. 1979]. on ne garde des contours s´ lectionn´ s par ce second seuil que les e e e points connexes d’un point de contour pr´ serv´ par le premier (cela se fait ais´ ment par un double etiquetage des e e e ´ images seuill´ es) cf. Ainsi. et souvent pr´ c´ d´ s d’une etape de e ˆ ´ e e e ´ pr´ -filtrage. e F IG . Ces e a e § . Ils ont fait l’objet du chapitre 10 : filtre m´ dian par exemple. on proc` de a deux seuillages. Au centre.3 Pr´ . application d’un seuil s´ v` re (70) au gradient de l’image e ` e e bateau.1). e 11.2. pour des images a´ riennes a forte r´ solution (en mie ` e lieu urbain par exemple). mais egalement beaucoup de bruit. et dee e e e e viennent totalement inapplicables en imagerie bruit´ e (thermographie.4. les images m´ dicales. permettent en particulier e d’assurer des calculs en temps r´ el pour des applications industrielles.2. Cela s’obtient a partir de la direction mesur´ e pr´ c´ demment e ` e e e et une comparaison simple des points rencontr´ s (ou interpol´ s si l’on souhaite une pr´ cision meilleure que le e e e pixel). e e section 10. On e a alors int´ rˆ t a revenir a des d´ marches moins intuitives comme celles expos´ es dans [Modestino et Fries. On peut op´ rer egalement des seuillages par hyst´ r´ sis.4 – Filtrage de contours par hyst´ resis : a gauche.11. radar SAR. Aucun filtrage n’est appliqu´ pour r´ duire l’´ paisseur des contours. A droite. ee ` ` e e Shanmugam et Green. LES APPROCHES CLASSIQUES 227 De tels filtres sont particuli` rement simples de mise en œuvre. La premi` re op´ ration a pour objectif e ` ´ e e de supprimer les petites disparitions de contours qui peuvent se produire par suite du bruit ou d’une perte de contraste. mais aussi filtre toboggan [Fairfield. Le d´ tecteur de contours est un d´ tecteur ` e e e de Sobel. imagerie ultrasonore.2. mais particuli` rement pour ces m´ thodes peu elabor´ es). seuls les contours les plus fiables sont d´ tect´ s. On elimine ensuite les points qui ne sont pas des e ee e ´ extr´ mums locaux dans la direction du gradient. elles se d´ gradent tr` s vite pour les sc` nes d’ext´ rieur. le second etant tr` s tol´ rant (c’est-` -dire laissant e ` ´ e e a un tr` s grand nombre de contours candidats) . 11. Ces d´ tecteurs doivent toujours etre suivis d’une etape de post-filtrage. ou filtre de diffusion anisotrope de Perona et Malik [Perona et Malik. beaucoup e e e de contours sont d´ tect´ s. Ces filtres ont cependant le d´ faut de cr´ er des contours artificiels qui peuvent etre par la suite difficiles a eliminer. elles sont souvent bonnes pour e e e ´ e les applications de robotique. c’est-` -dire des zones ferm´ es. application d’un seuil tol´ rant (25).

11. ´ e 11. Ces e m´ thodes tirent en outre profit du fait que les z´ ros de la d´ riv´ e seconde constituent un r´ seau de lignes ferm´ es e e e e e e (´ vitant donc. il convient de filtrer tr` s fortement e e e ´ e e l’image avant d’en mesurer le laplacien. le e e e ´ passage par z´ ro du laplacien correspond en effet bien au maximum du gradient dans la direction du gradient. Le filtre obtenu par convolution avec le laplacien d’une gaussienne est connu sous le nom de LOG (cf figure 11. en principe.5 – Filtre LOG pour deux valeurs diff´ rentes de . mais le premier est plus ais´ ment d´ tect´ a partir d’un simple etiquetage des zones positives et e e e e` ´ n´ gatives. e e F IG . equation 11. LA DETECTION DES CONTOURS DANS LES IMAGES etapes seront vues plus en d´ tail plus loin. Elles utilisent le fait que le passage par z´ ro du laplacien permet de bien mettre en evidence les e ´ extr´ mums de la d´ riv´ e. 1980]. les etapes de poursuite et de fermeture).5) qu’en l’absence de forte courbure.228 ´ CHAPITRE 11. Un autre filtre tr` s utilis´ et tr` s proche du LOG est le DOG (Difference of Gaussians) (figure 11. etant consid´ r´ es comme le prototype du d´ tecteur de contour inspir´ des syst` mes biologiques (primal ´ ee e e e sketch de Marr). Marr e a montr´ en effet qu’avec de tels filtres on pouvait approcher de tr` s pr` s les effets donn´ s par le syst` me visuel e e e e e humain. Mais l’estimation de la d´ riv´ e seconde etant tr` s sensible aux bruits.4 Les d´ tecteurs de passage par z´ ro du laplacien e e Ces m´ thodes ont et´ propos´ es en 1976 [Marr et Hildreth. Cela conduit au filtrage suivant : o` u est un filtre passe-bas . e e e b ¡ #£  £ % ¡ ¥ ¥ b Wv   £  £ ! ¥ © ¥  t ¡£% © £  ¥ ¥    ¨  £¦ ¤¨ ¡ ¦ ¡ ¨ # # £ £¥   ! ¥  E XE ¡ £% #  £ ¥ ¡ ¢ E ¥   £ ¨ ! £¥   ¥     4f  ¦ ©   E¦Q ¦ ¡# 4 (    . puis d´ tection des z´ ros de la fonction ainsi obtenue.5). Nous avons eu l’occasion de voir (cf. ce qui se r´ crit symboliquement : e cela exprime qu’une image de contours est obtenue par filtrage de l’image par la d´ riv´ e seconde d’un filtre passee e bas.2. e Les filtres les plus utilis´ s pour ces filtrages passe-bas sont les filtres gaussiens [Marr et Hildreth. Il en est de mˆ me du r´ seau des lignes de e ´ e e crˆ te du gradient. 1980].6. Elles ont eu une grande importance hise ´e e torique.

11.6 – A gauche : filtre DOG et les deux gaussiennes dont il est la diff´ rence (leurs ecarts-types sont dans un e ´ rapport 1.2. Les gaussiennes sont bien sˆ r affect´ es des facteurs ad´ quats pour que la somme des e u e e parties positives du filtre soit egale a la somme des parties n´ gatives (valeur nulle a la fr´ quence 0 de la fonction ´ ` e ` e de transfert).2. Mais la qualit´ des ´ e ` e e contours. etc. ces calculs a des architectures adapt´ es. n’ont plus aujourd’hui qu’un int´ rˆ t historique. e e e e Les filtres LOG et DOG. Sa mise en œuvre peut tirer profit des diverses qualit´ s de la gaussienne : s´ parabilit´ . C’est par exemple l’inverse du produit scalaire des deux fenˆ tres : si l’image est d´ not´ e e e e e . ce qui permet d’en acc´ lerer la o e r´ alisation.2) et les boussoles directionnelles de Prewitt (cf.traitements qu’ils requi` rent sont tr` s semblables a ceux que l’on a vus pour les filtres e e ` de maximum du gradient. filtre Dog filtre Log F IG . approximation par des splines.11. le filtre de Nevatia et Babu (cf. tableau 11. LES APPROCHES CLASSIQUES 229 qui proc` de par diff´ rence de deux gaussiennes dont les ecarts-type sont dans un rapport 1. e 11. e Dans des approches tr` s sommaires. e e tableau 11. noyau autoe e e reproducteur. en parall` le. On ne conserve que la meilleure des valeurs et seulement si elle est suffisamment faible. A droite filtre LOG et filtre DOG compar´ s. on d´ finit une distance entre un contour type et ` e une fenˆ tre de l’image. Les filtres adapt´ s les plus utilis´ s sont le filtre de Kirsch (cf.6 (pour simuler au e e ´ mieux le syst` me visuel). on calcule par exemple : pour toutes les valeurs de . £ §¡  ¦© %# ! &$"§ £$ ¡ %10)§ # ! # § $ ¡ © &%$"! ¡    ¨ @ 9 © #    ¨ @ 9 B© 1%0"!§ £  ¡    ¨ @ b @ ¡ @   @ ¢   @   @ @ ¢ @     @ @ ¢ 9   ¢ ©  5© %# ! 10)§ %# ! &0)§ $¡ & $ ¨ @ A 8@ CB9 & © %# !§ 10" . Pour cela. permet de connaˆtre ais´ ment la direction du contour. le DOG est parfois remplac´ par le DOB (Difference of Box).1).. L’approche par masques adapt´ s (template matching). On leur pr´ f` re les filtres analytiques ee ee que nous verrons plus loin. et le gabarit . ainsi que les post.5 Les d´ tecteurs par masquage adapt´ e e Dans ces techniques. filtre tr` s e e e rapide mˆ me pour des grandes tailles (on tire profit alors du fait que les filtres de moyenne (Box) ont une complexit´ e e de calcul ind´ pendante de la taille de la fenˆ tre d’int´ gration au prix d’un coup m´ moire important).3).6). on recherche en chaque point de l’image la pr´ sence d’une configuration conforme a e ` un gabarit appartenant a un dictionnaire de contours. e ı e elle permet egalement de soumettre. tableau 11. limite de suites de polynˆ mes. Les r´ sultats e e e e e de ces filtres est cependant g´ n´ ralement de pi` tre qualit´ .

on note que le filtre reste lin´ aire. c’est-` -dire une r´ ponse forte mˆ me a de faibles contours. e 11. 1986] a propos´ un filtre d´ termin´ analytiquement a partir de 3 e e e ` crit` res : e 1. e e a la troncature des filtres). Canny. On les voit emerger dans e ` e e e ´ les ann´ es 85. 1971]. 1986. e a e e ` 2. [Canny. ¡ Au-del` de ces approches souvent heuristiques. Shen et Castan. 11. par exemple. e e e e e  ¡ ¥ ¡ TAB . ` Ces 3 crit` res s’expriment par l’optimisation conjointe de 3 fonctionnelles qui permettent de d´ finir le filtre e e lin´ aire optimal pour la d´ tection d’une marche d’escalier sous l’hypoth` se d’un bruit additif ind´ pendant du e e e e signal 1 . garantir une bonne localisation. ! Q © ! Q &© ! )§ £ ! "§     £ © £7 £ % ! )§ ¢ ¢   ¥  ¡        ¦ f ¦ ¦£¦ Q ¦      ¥ . tronqu´ e a ses 8 premiers termes o e ´ e ` [Hueckel. Hueckel a propos´ une d´ marche beaucoup plus rationnelle. la premi` re de e e la seconde de .1 – Masques de Kirsch : il y a 8 filtres issus de ces 2 fenˆ tres par rotation de e ¥ . Malheureusement les r´ sultats n’ont pas et´ au niveau des investissements et cette voie est maine ´e tenant abandonn´ e. assurer que pour un contour il n’y aura qu’une seule d´ tection (´ viter les effets de rebonds dus. 1986.3 Les approches analytiques Nous allons voir maintenant une approche qui a permis une bien meilleure compr´ hension des conditions d’une e bonne d´ tection de contours et qui a ainsi conduit a des d´ tecteurs de tr` s bonne qualit´ . mais que le crit` re d’optimisation est plus complet.1 Les crit` res de Canny e Canny. 3. a e e s’appuyant sur la d´ composition du signal d’image sur une base de fonctions orthogonales en coordonn´ es poe e laires (polynˆ mes d’Hermite utilis´ s egalement pour l’oscillateur harmonique). . ces fonctionnelles s’´ crivent : e Si l’on consid` re que le filtre a pour r´ ponse impulsionnelle e e 1 Par rapport aux approches propos´ es pr´ c´ demment. a partir des travaux : [Torre et Poggio. e ` 11. . dans une approche originale.230 5 -3 -3 5 0 -3 5 -3 -3 ´ CHAPITRE 11. LA DETECTION DES CONTOURS DANS LES IMAGES -3 -3 -3 5 0 -3 5 5 -3 ) -100 -100 -100 -100 -100 ) ¥ -100 -100 -100 -100 -100 0 0 0 0 0 100 100 100 100 100 100 100 100 100 100 -100 -100 -100 -100 -100 32 -78 -100 -100 -100 100 92 0 -92 -100 100 100 100 78 32 100 100 100 100 100 TAB .2 – Masques de Babu et Nevatia : il y a 12 filtres issus de ces 2 fenˆ tres par rotation. 1986].3. 11. garantir une bonne d´ tection.

0. Le param` tre est un param` tre de grande u e e ` e e importance que nous retrouverons dans tous les autres filtres d´ riv´ s de l’approche de Canny.3. qui r´ pond exactement aux mˆ mes crit` res ee e e e e de qualit´ que celui de Canny. LES APPROCHES ANALYTIQUES 1 1 -1 1 -2 -1 1 1 -1 1 -1 -1 1 -2 -1 1 1 1 231 TAB . celui-ci a alors une expression complexe. par l’interm´ diaire de 2 filtres l’un d´ crivant l’image de e e gauche a droite et l’autre de droite a gauche : ` ` ¡ £    © W  3  ! )§   ¡ #  ¨ £s   b ¡ £v© 3 €©  © ¡ § ' © 3  © ¡ § ' C 3 3 avec : @ A CB8 @ ¢ ! ¥ ©  ! ¨ £ ! )§ ! Q&© £ ! )§ ! Q &© 9 ¦g ¡% !   £% ¥ & % #   Q © £ £ 7 ! "§     © % ¢ ¡ £' ! ¢  (§'    ¥ £¡ ¦  ¤ £   £ # ! ¡ § ©  3 £ ¢ ¡ £ ! £ 9 ¦ ¥ ¡   Q © ! 3 % ! "§ ¥   © C # £ ''    ©  § '   3   ©     ' ! "§ ! !f 3 ' £ ¥ §  ! ¤ £ £ # % ! ¨ ¢ 3   s t   ¥  ©        ¦ # E " (  f ©  9¦ ! "§ ! "§   sf ! )§  © £ ¡ © #     !§ )    # f ¦ !   ¢     ¡ ¥ £¡ ¦  ¤ £ (¦   # ¨  ¦ 0  E ¥ ¡ 9¦ ¡  # ¡£¦ ¥  B© ¨ ! )§ ¢ #   .11. Ce filtre donne des r´ sultats de e e bonne qualit´ . e e C’est donc la r´ duction a 1 dimension du filtre propos´ par Marr a 2 dimensions (le maximum de la d´ riv´ e de e ` e ` e e la gaussienne est obtenu pour le passage par z´ ro du laplacien de gaussienne). on pr´ f` re souvent le d´ tecteur de Deriche. Canny e ¸ e montre que la d´ riv´ e d’une gaussienne est une bonne approximation de son filtre. a r´ ponse impulsionnelle finie (RIF) . compos´ e de 4 termes.3. 11. Le filtre de Deriche s’´ crit de e facon r´ cursive en fonction des valeurs ¸ e de l’image. Par ailleurs. Canny souhaite obtenir un filtre monodimensionnel (dans la direction orthogonale au contour). Remarquons cependant que le filtre gaussien n’est pas RIF.12 pour le filtre RIF optimal. 11. C’est un param` tre e e e d’´ chelle qui indique en-deca de quelle distance deux contours parall` les seront confondus en un seul. Le param` tre de Deriche repr´ sente e e alors l’inverse de l’´ cart type de la gaussienne du filtrage de Canny ( e ). ` e e chacun combinant des lignes exponentielles et trigonom´ triques : e o` les coefficients et sont d´ termin´ s a partir de la taille du filtre. mais qui poss` de une r´ ponse impulsionnelle infinie (filtre RII).2 Les filtres de Deriche et Shen et Castan Au filtre de Canny. Le crit` re de Canny (crit` re e e e ) vaut 1.97 pour le filtre gaussien.3 – Masques de boussole directionnelle : il y a 8 filtres issus de ces 2 fenˆ tres par rotation. 1987]. Il a pu donc e e e etre synth´ tis´ de facon r´ cursive particuli` rement efficace [Deriche. Le filtre de Deriche a une expression ˆ e e ¸ e e g´ n´ rale de la forme : e e avec les crit` res mˆ me de Canny il est sup´ rieur au filtre de Canny ( e e e ). e La r´ solution du syst` me est assez complexe (on maximise le produit e e sous la contrainte du terme constant).

mais ` e e il est sensible aux bruits. en raison de sa forme a l’origine. Pour d´ finir l’un de ces deux filtres. Les seules fonctions s´ parables et isotropes sont les ` e e ¡ F IG . Demigny a etendu les crit` res d’optimalit´ des filtres de Canny a des images e ´ e e ` discr` tes. afin de mieux int´ grer le signal. on utilise.3. e ´ ` ` 11. dans la direction du contour. 1986] poss` de egalement de tr` s bonnes qualit´ s de d´ tection. 1997]. C’est-` -dire qu’ils ne r´ pondent pas de facon identique e e a e ¸ a des contours identiques mais d’orientations diff´ rentes. lorsque l’on a choisi le gabarit du filtre dans la direction perpendiculaire e au contour. donne une localisation tr` s pr´ cise des contours. le filtrage 2D est donc obtenu par l’action de deux filtres crois´ s.232 ´ CHAPITRE 11. e l’un en .    ! "§ % ¨ £s © ! "§ 3 © % ¨ C  ©  ! "§ ! )§ %# ¨ ¨ s   ' !§ )¥¨  © sf 3 s ! 3  ¡  © %# ! 10)§  5© ! ! "§   % ¨ % ! .3 L’extension a 2D Tous ces filtres sont mono-dimensionnels. C’est souvent une gaussienne de mˆ me ecart-type que celle qui est d´ riv´ e dans le e ´ e e ˆ e d´ tecteur. LA DETECTION DES CONTOURS DANS LES IMAGES Derivee de gaussienne Le filtre de Shen et Castan [Shen et Castan. Par exemple la d´ riv´ e en pourra etre estim´ e par convolution de l’image par : e e e Ces filtres ne sont donc g´ n´ ralement pas isotropes. l’autre en . une fonction de prolongement e qui permet de filtrer les bruits. il ne se prˆ te ` e e ` e pas a une comparaison avec le crit` re de Canny) : ` e Le filtre de Shen et Castan. 11. Il les a ensuite etendus a des profils en rampe et non plus en marche d’escalier. il e ´ e e e s’apparente a la mˆ me famille des filtres exponentiels (mais comme il n’est pas d´ rivable a l’origine.7 – Le filtre de Deriche : et la d´ riv´ e de la gaussienne : e e © 0¥ £ ! § X¦  9  ! 3 b ¡ © 1© £ % ¡ $)§ § ! ¡ § ©  3 3 ' © £ © 1© ©  ©  ¡ § 3 ! ¡ 0§ § ' ©  © ! "§ 3 ' £ ¡    ! § X¦ ! ! ©  3 b  ©  !§ ) bf  ©  avec : Deriche © . Dans [Demigny et Kaml´ .

souvent egale a la d´ riv´ e de la pr´ c´ dente.d´ riv´ es sont typiquement issus de la gaussienne (Canny). Mais mˆ me si l’on utilise des filtrages gaussiens. dans une approche moderne de la d´ tection des contours. c’est un d´ rivateur (ici e ). ) En conclusion. ont et´ propos´ s e e ´e e dans : – [Spacek.11. ´ ` – selon c’est une fonction passe-haut (anti-sym´ trique). Des travaux importants ont et´ consacr´ s a la r´ duction de cet effet e ´e e ` e [Kunduri et al. e e e e e Les couples fonctions de prolongement . Selon   !   ! § A¦ ! ! ©  3 b ¡ ¥ %   ¡ ¡ !   !   % § X¦ ! ©  3 ¡   % !     !   le filtre est un . l’autre selon .3. e mais on peut egalement les concevoir tr` s librement pour une application sp´ cifique. 11. un filtre de d´ tection se compose e e de deux estimateurs de d´ riv´ es. LES APPROCHES ANALYTIQUES 233 fonctions gaussiennes. sym´ trique. la mise en œuvre discr` te du filtre sur e e une maille carr´ e rend les filtres anisotropes. selon . ´ e e 11. figure 11. l’un selon e e .4 Variantes autour des filtres analytiques D’autres filtres aux performances comparables. 1999] utilisant une combinaison de deux d´ tecteurs a e ` l’un de l’autre. de e e l’exponentielle d´ croissante (Shen et Castan) ou du produit de l’exponentielle par (Deriche) (cf.3. mais r´ sultats d’optimisations diff´ rentes. et on cherche pour filtre une spline cubique de forme e % ! F IG .. .8 – Profil g´ n´ ral d’un filtre d’estimation de la d´ riv´ e dans la direction e e e e int´ grateur (ici e . 1986] : On modifie le crit` re de Canny. L’un de ces d´ tecteurs (choisissons celui e selon ) se compose du produit de 2 fonctions : c’est une fonction passe-bas.8). (la fonction de prolongement) dont l’´ tendue est e e – selon fonction de l’importance du bruit et de la distance que l’on souhaite respecter entre deux contours .

(c’est donc un terme de tension e e e (r´ sistance a la rupture). il vaut donc g´ n´ ralement : e e £ ¡ ¡ E Q £ E Q E B¤ § § ¡  ©E  £Q  © £ aQ   a avec : E E Q v 1© E § § © a @    @ ¡ 9 @   v C A# § §  © €&© E a t  E  @ ¤¡ £ ¨ 3 § § ¢ A¢  1© E @  @ ¡    ©   a t § # E $! % § § v© E ©  5© E a t ¡  @ ¤¡ A £ ¢     @  @¡ ¢   @ ¤¡ A £ ¡   ¢ 7 F    @ ¢¡ £ ¡ ¡   % !  £ !   3 ¥ ! .4. au voisinage de la e e forme a d´ tecter. en fonction d’une variable e e e e g´ n´ ralement l’abscisse curviligne : e e (11. 1990]. Sous ces energies. 11. e e Une excellente comparaison et analyse des filtres de d´ tection des contours est donn´ e dans [Cocquerez et Philipp.4 Les contours actifs = les snakes 11. 1991] : On consid` re alors que le contour est egalement le r´ sultat d’un flou. 1991] : On modifie dans ce cas les crit` res de Canny. ´ e ` e e e – une energie potentielle impos´ e par l’image qui vise a plaquer la courbe sur les contours.6) o` : u – la premi` re d´ riv´ e prend en compte les variations de longueur de la courbe. qui sera ainsi un ´ ´ e compromis entre les diverses contraintes du probl` me. des solutions variationnelles ont egalement et´ propos´ es qui sont fort ´ ´e e efficaces et permettent d’ajouter des informations connues a priori sur l’allure des contours lors de leur d´ tection. Dans le cas de d´ tection de e e contours. section 11. introduite par l’utilisateur pour traduire les contraintes sp´ cifiques du probl` me qu’il se ´ e e pose. Witkins et Terzopoulos [Kass et al. 1996]. une ligne initiale de contour. e ` oe e e – tandis que la seconde exprime les variations de la courbure (c’est un terme de flexion contrˆ l´ par la raideur oe du contour). e L’´ criture formelle du probl` me passe par la d´ finition param´ trique du contour. qui est contrˆ l´ par l’´ lasticit´ que l’on attribue au contour). Cette ligne sera amen´ e a se d´ former sous l’action de plusieurs ` e e ` e forces : – une energie propre. le contour actif va evoluer pour rechercher la position d’´ nergie minimale. e e Utilisant les r´ sultats pr´ c´ dents ainsi que des m´ thodes eprouv´ es d’optimisation semi-globale d´ velopp´ es e e e e ´ e e e dans les contours actifs (cf. Les crit` res de s´ lection sont ceux de Spacek et le filtre est une e e combinaison non-lin´ aire de lignes trigonom´ triques et d’exponentielles d´ croissantes. appel´ e contours actifs ou e snakes. Ces deux termes agiront donc pour produire une courbe r´ guli` re (cf. figure 11. 1988] (voir aussi [Blake et Isard.234 ´ CHAPITRE 11. LA DETECTION DES CONTOURS DANS LES IMAGES .9).. ´ e ` – une energie externe. ce sont des lignes de fort gradient. ce n’est e ´ e donc plus une marche.1 Une approche physique des contours Une approche tr` s diff´ rente des m´ thodes ant´ rieures de d´ tection de contours a et´ propos´ e en 1987 par e e e e e ´e e Kass. assimil´ e a l’´ nergie m´ canique de tension et de torsion d’une ligne mat´ rielle. e Voir par exemple [Fua et Leclerc. 1998]). Il s’agit d’une m´ thode semi-interactive dans laquelle l’op´ rateur place dans l’image.4). e e Le second terme d’´ nergie : e caract´ rise les lignes que l’on souhaite suivre. – [Petrou et Kittler. mais une rampe. on adopte une approche variationnelle e et on choisit la repr´ sentation r´ cursive d’un filtre RII comme Deriche. e e e – [Sarkar et Boyer.

4. dans le cas de volumes num´ riques tridimensionnels e surfaces actives pour lesquelles l’´ nergie s’exprime comme pour des plaques minces. et dans les nombreux cas o` l’on recherche les lignes de fort gradient. e ` En l’absence de ce dernier terme. LES CONTOURS ACTIFS = LES SNAKES 2 3 235 4 mais il peut etre adapt´ pour suivre les maximums des niveaux de gris (dans ce cas ˆ e . et u courbe : sont potentiellement variables le long de . selon les diff´ rences finies : les el´ ments de la courbe sont r´ duits en des points auxquels sont attach´ s les e ´e e e el´ ments m´ caniques (masse. raideur. a s’approcher d’un contour d´ j` d´ tect´ sur ` ` e ` ea e e une autre image (suivi de s´ quences. ou toute autre fonction d´ finie a partir de ceux-ci.7) ¤ ¡ . Apr` s discr´ tisation de la courbe e e e e e e en un nombre de points et en posant : ¡ 2 On notera cependant que.7 est r´ solue g´ n´ ralement de facon variationnelle. soit vers un z´ ro de e e . etc. ´ ` ´ e `   (´ lasticit´ /raideur) e e @ ¤¡ A £ E Q  ¢ £ '' a ¡ £ E Q B¤ § ©E  a £Q   ' a £ a ¥ ¨ ¥  '' © '' £ ¡ E Q E§ ¡  ©  Q a   a ¤)§ ¡ )§ 3 ' ©'  a ©§ ¦¡ £¡ ¨¤¥¤¢  E ¡ ¢    ¨ @ 3  ¥   @ ¡ ¡ ¦ §¥  9@ a 7 ¥ F    @ ¢¡ £ ¡ ¡   % (11. en l’absence d’une energie li´ e a l’image. u l’´ quation 11. selon les el´ ments finis on remplace chaque portion de courbe par le segment el´ mentaire et les el´ ments ´e ´e ´e m´ caniques sont calcul´ s sur ces segments.4.) de la courbe consid´ r´ e concentr´ e en ces points . on obtient une equation diff´ rentielle vectorielle : ´ e 1. e ` Enfin le dernier terme d’´ nergie : e est choisi par l’utilisateur. de contraindre le contour a resembler a un gabarit donn´ . 11.6 s’´ crit alors : e e ´ 11. e e Nous ne d´ crivons ici que la premi` re approche la plus fr´ quemment employ´ e. il est possible d’´ tendre les contours actifs a des e ` a ©   ¤¡ ¡ F IG . En d´ signant par et e les d´ riv´ es de le long de la e e courbe. ´e e ee e 2. Il y a plusieurs facons de concevoir la discr´ tisation de la ¸ e . e    %  ¥© ¨  v ¡ ¡ a # bbbbbb # ¡ £ # ¡¡ a a # ¡ 7 ta  ¡ Y    o` . e e par exemple. ou images a 3D)2 .9 – D´ formation d’un contour actif a extr´ mit´ s fixes pour des valeurs du rapport e ` e e egales a 2. Il peut avoir des formes tr` s vari´ es afin. On suppose que le contour evolue e e e e e ¸ ´ vers un minimum d’´ nergie.11. 3 et 4.2 Mise en equation des contours actifs L’´ quation int´ grale 11.

236 et :

´ CHAPITRE 11. LA DETECTION DES CONTOURS DANS LES IMAGES

on obtient une equation matricielle de la forme : ´
¡

o` A est une matrice pentadiagonale3 (figure 11.11) de taille u fonction de et , est la matrice unit´ de e taille et exprime une inertie de la courbe aux d´ placements. Sa r´ solution donne : e e
¡

Si les param` tres , et sont invariants le long de la courbe, il suffit alors de calculer une seule fois e pour r´ soudre le syst` me pour tous les temps . Sinon, on inverse la matrice a chaque instant. Les choix des pae e ` ram` tres e et qui ne sont pas dict´ s par le probl` me demeurent souvent d´ licats pour garantir une convergence e e e convenable, ainsi que le choix de l’estimateur de . L’utilisation d’un estimateur par filtre de Deriche est parfois pr´ conis´ e. e e
N

V

M a b c

F IG . 11.10 – Contour actif ferm´ en a, ouvert a extr´ mit´ s libres en b et ouvert a extr´ mit´ s fixes en c (on impose e ` e e ` e e en une extr´ mit´ fixe et une orientation fixe donn´ e par le vecteur ). e e e

2α+6β −α−4β β 0 0 ...

−α−4β 2α+6β −α−4β β 0 ...

β −α−4β 2α+6β −α−4β β ... β

0

0 0 β −α−4β 2α+6β

... ...

...

−α−4β 2α+6β −α−4β

... ...

F IG . 11.11 – Un contour actif ferm´ est repr´ sent´ par une matrice circulante pentadiagonale. e e e Malgr´ les difficult´ s de r´ glage de la convergence, les contours actifs apportent une solution heureuse a la e e e ` d´ tection de contour, interm´ diaire entre les solutions purement locales (op´ rateurs de type Sobel) et les segmene e e tations globales. Trois types de contours actifs diff´ rents sont utilis´ s (cf. figure 11.10) : e e 1. les contours actifs ferm´ s (o` e u
3 Dans

),

le cas d’une discr´ tisation par el´ ments finis, la matrice est heptadiagonale e ´e

¡

%

©

¡  



§

¤

¡

© 1©

©

¡

¡

%

%

¡

¡

Y

 

 

  3¡

 

 
x 3

£ ©

 

a

%

¡
¡

§ 

%

Y §

¨

Y 

¡

3

%

© 

¡ 

 

¡
 

¨

Y

 
©
¦
¡ 



¡ ¡

% 

§

a 

  
¡
7

¡

§ a Y 

¤ ¡  

¤# &2¡

 

x

 

6

11.4. LES CONTOURS ACTIFS = LES SNAKES
2. les contours actifs a extr´ mit´ s libres, ` e e 3. les contours actifs a extr´ mit´ s fixes (o` les positions ` e e u tiellement les premi` res d´ riv´ es en ces points). e e e

237

et
7
4 3 2 1 0

Selon le type de contours actifs, les matrices pr´ sentent la propri´ t´ d’ˆ tre cieculante (contours actifs ferm´ s), e ee e e T¨ plitz (contours actifs a extr´ mit´ s libres) ou quelconques (figure 11.11). o ` e e Laiss´ libre d’´ voluer seul, en l’absence de forces d’attraction dues au gradient dans l’image, le contour ace e tif a tendance a se r´ duire a un point s’il est ferm´ , a une droite s’il est a extr´ mit´ s libres. Pour compenser ` e ` e ` ` e e cette tendance, on est parfois amen´ a introduire des forces internes de gonflage. On a alors affaire a des ballons e` ` [Cohen, 1991]. Comme les equations des forces de gonflage ne d´ rivent plus d’un potentiel, les ecritures s’en ´ e ´ trouvent un peu complexifi´ es. e Des solutions el´ gantes ont egalement et´ propos´ es pour rechercher la meilleure position du snake en en ´e ´ ´e e d´ placant ses nœuds sur toute la grille discr` te de l’image par une technique de programmation dynamique e ¸ e [Amini et al., 1990] (cf. figure 11.12). Par ailleurs, le couplage de techniques de contours actifs avec des m´ thodes s’appuyant sur des propri´ t´ s stae ee tistiques distinguant la forme de son fond, et optimis´ es par un maximum de vraisemblance au sens bay´ sien, a e e montr´ sa tr` s grande efficacit´ , permettant de faire le lien entre techniques de contours et de r´ gions [Chesnaud et al., 1999]. e e e e

1 1 4 4

Q
3

P
3 1 1 4 4 2

2

N
3

M
3

2

positions à l’instant t

snake à t snake à t+1

positions possibles à t+1

F IG . 11.12 – Dans la technique d’optimisation des contours actifs par programmation dynamique, chaque nœud peut se d´ placer dans l’un des nœuds e , ou , ou rester en place (position ). L’optimisation se fait dans le graphe de droite par propagation de gauche a droite. `

11.4.3 Les ensembles de niveaux (level sets)
Ce sont egalement des repr´ sentation variationnelles des contours qui conduisent donc a des solutions qui ´ e ` evoluent au cours du temps dans l’image, r´ gies par un crit` re global. Ces mod` les ont cependant le m´ rite remar´ e e e e quable de pouvoir changer de topologie si les contours l’imposent : par exemple un contour simple peut evoluer ´ en deux contours s´ par´ s, ou, a l’inverse, deux contours s´ par´ s se r´ unir en un seul contour. Cela est rendu pose e ` e e e sible par l’utilisation de fonctions d’une dimension sup´ rieure a celle des contours recherch´ s (si l’on cherche des e ` e lignes de contours, on introduira pour inconnue une surface de I , si on cherche des surfaces de I , on introduit R R des volumes de I ). Le contour est alors d´ fini comme l’ensemble de niveau z´ ro (level sets) de cette fonction : R e e est une ligne de niveau de la surface , souvent prise comme la distance au contour [Osher et Sethian, 1988, Sethian, 1996].

¥ 

¡ 

%

a

¥

©

%# !§ &$"

)

a

sont fixes dans le temps, ainsi que, poten-

¢#  # C 

¨



M

N

P

Q  

¨

g

d# # #

 

§ ©E

6

a

238 Sur le contour :

´ CHAPITRE 11. LA DETECTION DES CONTOURS DANS LES IMAGES
¥ ¥
 

et la courbe de niveau evolue en fonction des it´ rations selon l’´ quation fondamentale : ´ e e

o` u

repr´ sente la normale au contour . e Des equations semblables existent a 3D [Zhao et al., 2000]. ´ `

11.4.4 Les mod` les g´ od´ siques actifs e e e
Les approches par contours actifs peuvent etre reli´ es a la famille des probl` mes d’optimisation g´ od´ sique ˆ e ` e e e dans des espaces dont la g´ om´ trie est fix´ e par la dynamique de l’image (cf. chapitre 12.5.1). Ces techniques, e e e appel´ es mod` les g´ od´ siques actifs, ont et´ propos´ es dans [Caselles et al., 1997] et le lien avec les contours e e e e ´e e actifs y est discut´ . e Le probl` me du snake, s’il n’y a pas d’´ lasticit´ , peut s’´ crire comme la minimisation de l’´ nergie : e e e e e

o` u

repr´ sente le d´ tecteur de contour. Caselles a introduit une fonctionnelle du type : e e

Minimiser revient a trouver le chemin de longueur minimale dans l’espace riemannien dont la m´ trique est ` e induite par l’image. On a pu montrer un certain nombre d’´ quivalences entre les propri´ t´ s des minimums de e ee et e de dans [Aubert et Blanc-F´ raud, 1999]. Les contours g´ od´ siques utilisent des solutions proches de celles des ensembles de niveaux pour le codage et e e la repr´ sentation de la ligne de contours. e

11.5 La poursuite et la fermeture des contours
Si l’on excepte les contours actifs et les passages par z´ ro des laplaciens, la plupart des d´ tecteurs de contours e e fournissent des contours ouverts, c’est-` -dire qu’ils ne s´ parent pas les composantes de l’image dans des objets a e topologiquement distincts. Cela rend souvent plus difficile l’´ tape de reconnaissance des formes qui doit suivre. e Pour cela, on a propos´ plusieurs m´ thodes permettant d’obtenir des contours clos. C’est ce que l’on appelle la e e fermeture de contours. De nombreuses solutions ont et´ propos´ es pour cette etape fondamentale, reposant sur des principes tr` s ´e e ´ e diff´ rents (les contours actifs a extr´ mit´ s fixes que nous venons de voir en sont un exemple). La qualit´ des e ` e e e r´ sultats obtenus est g´ n´ ralement directement li´ e au coˆ t informatique consenti, de tr` s bonnes solutions existant, e e e e u e mais a des coˆ ts prohibitifs pour la plupart des applications. ` u

¡£

§ E Q £ ©  &© E §  ¨  § © a

§ E ©  1© E §  ¨  §  © E § '  Q © a a

EQ % § % ¨ ©E Q
¦

a

Q ¡ ©¨§   Q ¢    © Q  

  ¦F 0 E Q  © E § ' a  ¥F ¤ ¨ ¤

E Q !  E $! ¨ § © Q

 

¡

¦

#

¤

¨

¡

¦¨ ¡    §¥

¥ ¥

F

¡ 

 u¢
¥
¡

¨ ¨¡© a § £ £ §  

EQ

¨

Q a  B© a §

¡

£

£

£

£

 

 

 
£

11.5. LA POURSUITE ET LA FERMETURE DES CONTOURS

239

11.5.1 M´ thodes de recherche dans des graphes e
Ce sont les m´ thodes qui reposent sur les bases les plus solides et susceptibles de donner les meilleurs r´ sultats, e e mais leurs coˆ ts sont souvent tr` s elev´ s, car elles se proposent d’explorer l’espace de toutes les solutions et de u e ´ e retenir la meilleure en fonction d’un crit` re que l’op´ rateur s’est donn´ . L’´ cueil de la recherche combinatoire e e e e exhaustive peut etre evit´ par des recherches polynomiales assez complexes, surtout fond´ es sur la programmation ˆ ´ e e dynamique. La technique de base, pr´ sent´ e par Martelli [Martelli, 1972] et Montanari [Montanari, 1971], est celle d’une e e optimisation combinatoire minimisant la fonction de coˆ t (ou maximisant une fonction de m´ rite). Les algorithmes u e de programmation dynamique (Viterbi, ), sont particuli` rement bien adapt´ s a ce probl` me, mais, malgr´ leur e e ` e e complexit´ polynomiale sont g´ n´ ralement limit´ s par des profondeurs de recherche de quelques pixels si le graphe e e e e est la totalit´ de l’image. e
 

F IG . 11.13 – R´ solution d’un probl` me de recherche de chemin optimal dans un graphe par programmation dye e namique : la propagation se fait de la gauche vers la droite. On trouve le meilleur chemin arrivant a l’´ tat en ` e optimisant la fonction de coˆ t sur tous les etats qui ont et´ calcul´ s a l’´ tape ant´ rieure. u ´ ´e e ` e e ` Dans une approche de type Viterbi, on consid` re l’´ volution pas a pas d’un contour. A chaque pas le coˆ t e e ` u du contour est evalu´ pour toutes les provenances possibles du contour et n’est retenu pour tout point du parcours ´ e que le seul chemin qui minimise le coˆ t pour arriver a ce point (cf. figure 11.13). On garde alors en chaque point u ` ce coˆ t minimum ainsi que l’adresse du p` re qui a permis d’y aboutir. Un nouveau pas est alors fait et toutes les u e destinations sont explor´ es que l’on peut atteindre en un pas a partir des points d´ j` atteints. La fonction de coˆ t e ` ea u se calcule de la facon suivante : ¸

o` u est inversement proportionnel a la qualit´ du point comme point de contour et ` e exprime l’incompatibilit´ de et le long d’un contour. Le terme est un terme d’innovation le long du chemin tandis que est un e terme de m´ moire. La pond´ ration de ces deux termes est un probl` me d´ licat en programmation dynamique. e e e e Un contour est ferm´ lorsque le point est confondu avec un point d’un autre contour. Le coˆ t de la fermeture e u est alors l’int´ grale le long de la chaˆne des coˆ ts de liaison et des coˆ ts individuels . Pour eviter de trop e ı u u ´

 

s

)"# § ©   

©   

§s 

  ©

§ £

)"# §  v©   

 0© 

¦ ¤ ¢@ ¨ @ §¢ @ ¥£¡ ¡ ©¡

t

    

"

¡

¨

¡

  

 

4    ©



j i

§ £ 

©   §

¡

"

 

©  

§ 

240

´ CHAPITRE 11. LA DETECTION DES CONTOURS DANS LES IMAGES

p´ naliser les chaˆnes longues, il est possible de calculer le cout moyen le long du parcours en pond´ rant le terme e ı e ˆ de m´ moire par le chemin parcouru. e En limitant les domaines de recherche a des champs convexes, ou plus g´ n´ ralement en introduisant des limita` e e tions sur les types de chemin que l’on s’autorise a trouver, on peut etendre notablement la port´ e de ces fermetures ` ´ e (cf. figure 11.14). Des approches multi-r´ solutions permettent de travailler de facon hi´ rarchique, d’une fermeture e ¸ e grossi` re a une fermeture pr´ cise, en limitant progressivement le domaine de recherche a une bande etroite autour e ` e ` ´ du contour d´ tect´ a l’´ tape pr´ c´ dente. Dans d’autres cas, on se limite a des horizons faibles pour entreprendre e e` e e e ` une recherche par programmation dynamique qui est valid´ e, puis relanc´ e a partir du r´ sultat pr´ c´ dent. e e ` e e e

F IG . 11.14 – Exemple d’une fermeture de contours par recherche d’un chemin optimal dans un graphe. Le contour ` ´ e a fermer s’arrˆ te en . Les horizons de recherche a chaque etape de la programmation dynamique sont des carr´ s ` e (fronts d’ordre i), centr´ s en . Chaque point e peut avoir 2 ant´ c´ dents ( e e et ). Une fermeture s’obtient lorsqu’un des points appartient a un autre contour. Pour eviter que le contour ne se ferme trop rapidement sur ` ´ lui-mˆ me (pr` s de ), il faut invalider les points du contour lui-mˆ me. Une telle propagation contraint les contours e e e a une courbure toujours de mˆ me signe. ` e Dans une recherche de type , on dispose d’une estim´ e de la fonction de coˆ t ( e u ) et la fonction de coˆ t doit etre croissante le long d’une fermeture. On fait une recherche en largeur d’abord en comparant a chaque u ˆ ` nœud la valeur locale du coˆ t a cette estim´ e et on invalide le nœud si le coˆ t d´ passe l’estim´ e. On a tout int´ rˆ t u ` e u e e ee a trouver donc une estim´ e tr` s proche du coˆ t optimal r´ el. ` e e u e Les fonctions de coˆ t sont les points d´ terminants de la qualit´ de la m´ thode. Cette fonction de coˆ t doit u e e e u etre locale pour pr´ server le caract` re markovien n´ cessaire a la programmation dynamique (le coˆ t en un point ˆ e e e ` u ne d´ pend que de et du coˆ t au point pr´ c´ dent), mais elle doit egalement incorporer toutes les informations e u e e ´ que l’on connaˆt sur un bon contour : contraste entre les deux plages s´ par´ es par le contour bien sˆ r, mais aussi, ı e e u longueur et courbure, voire ecart a un contour mod` le dans certains cas. C’est dans cette fonction de coˆ t que l’on ´ ` e u rajoute l’information qui a manqu´ au d´ tecteur local plac´ en amont pour d´ tecter le contour. e e e e
  ¡ ¡£ ¡

11.5.2 Les automates
Ces solutions, au contraire des pr´ c´ dentes, ne proposent que des solutions tr` s sous-optimales, fond´ es sur e e e e de seuls crit` res locaux (il n’y a pas d’optimum global comme par programmation dynamique). Elles sont partie culi` rement rapides de mise en œuvre [Giraudon, 1987], mais peuvent parfois faire diverger la combinatoire si l’on e g` re mal la prolif´ ration des chemins par ramification. Les r´ sultats d’une d´ tection par masquage adapt´ sont les e e e e e candidats id´ aux a ces techniques de fermeture puisqu’ils fournissent des directions de recherche. e ` Les diverses m´ thodes se distinguent par le choix des successeurs d’un point (parmi des configurations pr´ e e

¨

¤¡

¡

 

¡

6

¢

6

 



 

  

 

s

Mj

Mi Nj

front i

O

front j

11.5. LA POURSUITE ET LA FERMETURE DES CONTOURS
successeurs d’un point

241

configurations a 2 successeurs

configurations a 3 successeurs

F IG . 11.15 – Configurations retenues par l’automate de Nevatia et Babu pour orienter un contour vers 3 successeurs au plus. d´ finies dans [Robinson, 1977, Cocquerez et Philipp, 1996, Nevatia et Babu, 1980], par pr´ diction de type Kale e man) et le mode de balayage de l’image (par exemple 1 balayage dans [Nevatia et Babu, 1980], 2 balayages, l’un horizontal l’autre vertical dans [Cocquerez et Philipp, 1996], traitement de listes chaˆn´ es dans [Giraudon, 1987]). ı e Il est egalement important de d´ finir des fonctions de m´ rite pour valider les chaˆnes ainsi trouv´ es, car les auto´ e e ı e mates, comme la programmation dynamique, trouvent toujours un contour, mais ne garantissent pas toujours qu’il correspond v´ ritablement au contenu de l’image. e
= direction de balayage 0 4 5 5 6 7 6 directions secondaires= 5 et 7 6 0 7

direction principale de recherche 6 =

F IG . 11.16 – L’automate de Cocquerez lors d’un balayage horizontal utilise les directions 5, 6 et 7 de Freeman (cf. chapitre 14.4) comme directions principales. Lorsque l’une d’elle a et´ retenue, les directions adjacentes (par ´e exemple le 4 et le 6 pour la direction principale 5) sont utilis´ es pour elargir la recherche. Cocquerez propose de e ´ faire 2 balayages successifs, l’un horizontal, l’autre vertical.

242 ´ CHAPITRE 11. LA DETECTION DES CONTOURS DANS LES IMAGES .

lorsque les images sont d´ finies sur de nombreux canaux (images multi.1. objets tr` s contrast´ s (par exemple cellules d’une biopsie ou avion sur un ciel). e e e Nous verrons ensuite les m´ thodes pyramidales. e 12. et les m´ thodes de partage et r´ union qui tirent profit simultan´ ment des avantages des deux m´ thodes e e e e pr´ c´ dentes. e e Enfin. A une dimension on proc` de donc e e e e ` e ` n-dimensions on proc` de a des classifications [Dubuisson. Elle repose sur la recherche de zones poss´ dant des attributs communs. e e e puis les m´ thodes de croissance de r´ gions. et la probabilit´ a priori des classes).1 Les m´ thodes sur histogramme e Ces m´ thodes sont de mise en œuvre assez simple et de performances souvent r´ duites car elles ne tirent pas e e profit de l’aspect spatial de l’information d’image. les m´ thodes utilisant l’histogramme. mais au e chapitre 13). tout d’abord. plus rarement.1 Avec apprentissage Seuillage bay´ sien e Si l’on dispose d’une connaissance sur les classes que l’on recherche (en particulier la probabilit´ d’occurrence e d’un niveau de gris pour chaque classe. 1990]. soit. Elles sont recommand´ es dans les cas suivants : e 1. mais dans lesquelles serait renforc´ l’aspect de coh´ rence de zone. prototypes des m´ thodes de subdivision hi´ rarchique descendante. lorsque les images pr´ sentent des classes evidentes : documents ecrits ou sch´ mas en noir et blanc ou en e ´ ´ e couleur. a des seuillages ou des multi-seuillages. etc. ce qui enrichit e l’information port´ e par l’histogramme. A ` e ` 12. alors on peut ais´ ment se replacer e` e 243 . e ` L’id´ e g´ n´ rale de ces m´ thodes consiste a isoler des pics de l’histogramme. qui s’inspirent des m´ thodes de conquˆ te de l’optimisation combinae e e e toire.Chapitre 12 La segmentation par r´ gions e Chapitre r´ dig´ par Henri M AˆTRE e e I L’approche duale de la d´ tection des contours pour la d´ composition d’une image en ses formes el´ mentaires e e ´e est l’approche par r´ gions. Nous allons voir ici. e e 2.ou hyper-spectrales). soit de luminoe e sit´ . qui sont souvent tr` s proches des e e m´ thodes de classification conventionnelles. de textures (nous n’aborderons pratiquement pas ce second point dans ces lignes. nous donnerons tr` s bri` vement un apercu de m´ thodes a base de r` gles qui se proposent de combiner e e ¸ e ` e approches par contours et approches par r´ gions dans un seul vaste programme de segmentation.

soit par des equations de diffusion (´ ventuellement e ´ e isotropes).2 Seuillage sans apprentissage Lorsque l’on dispose du seul histogramme pour extraire des classes. on recherche g´ n´ ralement des modes de e e cet histogramme qu’on isole par des seuillages au creux des vall´ es. 12. 1990. le seuil optimal est d´ fini comme celui minimisant ee e le coˆ t global : u (12.2) (12.1. 1978]. e e e ¡     C  B© ¡ £ § c  © E   &© Q   § c     ¡ ¡ Qv© §   c q© b   § c © © © © ¡ ¢   ¡ £ § c  § § c 9 § c @ ‚  E ‚   ¡ ¡   ¡   © Q   &© Q ¨ §   c 7 © F  § ¡ ¡ @   ¡   ¡ 3 © ‚    ¡ §   c © §   c © ¡ £ § c   ( )'   &© Q   ¡ £ ©   § c § c ¡ ¤¡ ©   © © ¡ ¡   ¡ ¡ ¨ ¨ §   c q© b §   c 7 ¡ 7 3 F F §   c §   c t ¨  § F ©3 ¦  ¨   7  ¦   § c  ©  3  §   ¡ ¨ ©  ¨ F 9   §  ‚ B© E   ¢ © ¡ ¡ ¤¡ § ¨‚ ¥ ¦‚ ¡ ¡ c §   §c ©     c ¡ § ¢c § © ©   . La probabilit´ de d´ tection de est donn´ e par : e e e Le seuil de Neyman-Pearson est donn´ par la m´ thode du lagrangien : e e (12. Dans ce cas on s’int´ resse en particulier a e e e ` une classe (ici on choisit ). 1985.. – – et les probabilit´ s conditionnelles qu’un pixel de la classe ait un niveau de gris (et e idem pour ). ` Cette d´ cision est moins sensible aux probabilit´ s a priori et conduit en particulier a des d´ cisions plus proches e e ` ` e de nos choix intuitifs que la d´ cision bay´ sienne dans le cas o` un ev´ nement est tr` s rare. 1973] et choisir les e e e seuils qui minimisent le coˆ t des fausses erreurs. Duda et Hart. LA SEGMENTATION PAR REGIONS dans les conditions de la th´ orie bay´ sienne de la d´ cision [Dubuisson. On fixe sa probabilit´ a une valeur acceptable : e e` . et sous l’hypoth` se de stationarit´ de l’image (c’est-` -dire que les e e a propri´ t´ s statistiques sont invariantes en tout point de l’image). soit par des fenˆ tres glissantes. Dans ce cas on e e e e consid` re que la fausse alarme est l’erreur la plus grave. u en supposant ces grandeurs toutes connues. De nombreuses r` gles empiriques ont et´ propos´ es pour choisir les seuils automatiquement qui ne sont e ´e e gu` re g´ n´ ralisables [Kittler et al.1) Ce seuil est obtenu en testant pour tout   le rapport de vraisemblance face au seuil : Seuillage de Neyman-Pearson Une autre d´ cision peut se faire selon le crit` re de Neyman-Pearson. en d´ notant par : ` e et les probabilit´ s a priori des classes et (sous la contrainte e ` ). Souvent les histogrammes sont trop irr´ guliers e e et il convient alors de les filtrer. e e u ´ e e D’autres crit` res existent bien sˆ r qui s’appuient sur d’autres choix statistiques (par exemple minimum d’ene u tropie).244 ´ CHAPITRE 12. On d´ finit la probabilit´ de fausse alarme pour cette classe : e e   On maximise alors la probabilit´ de d´ tection pour une probabilit´ de fausse alarme donn´ e. u Pour des histogrammes a 1 dimension et pour 2 populations et . – et les coˆ ts des mauvaises classifications de et .3) et la d´ cision se fait en comparant le rapport de vraisemblance e a . Weszka.

on peut avoir int´ rˆ t a r´ duire ee ` e tout d’abord la dimension des espaces pour eviter d’avoir a estimer des probabilit´ s tr` s faibles. e e – et. Il est important pour cette m´ thode de disposer du nombre de classes e recherch´ es. soit en s’occupant d’un e ` autre mode de l’histogramme original. e e e pour ne s’attacher qu’` leurs propri´ t´ s de radiom´ trie. la plupart des techniques de classification ´ s’appliquent a sa segmentation. 1990] : – la distance euclidienne qui pond` re egalement toutes les variables : e ´ – la distance de Mahalanobis (par exemple du nuage 2 par rapport au nuage 1). Dans les espaces de grande dimension (imagerie hyperspectrale par exemple).5 S´ lection sur histogramme et r´ gularisation e e Mais si l’on souhaite am´ liorer les propri´ t´ s spatiales des zones obtenues par s´ lection de modes sur l’histoe ee e gramme ou par classification. e ` e e   £ £ ¡ ¡ ¡   ¡  ¡ ¡£  ¡ ¡ £   C  ©   © £ © £ 4 53 £ 4 53 4 3 ¡ ¡ 4 § ¡ ¡£ § 4 ¡© % 4 § ¡¡ ¡ ©£ £ © % ¢ £ 4 53 ¡ ¡ 4 53 ¡  ¡ 4 ¡ § ¡ ¡ 4 § § © £ 4 3 ¡ ¡ 4 § ) ¡ C ¢ 4 . 1997]) qui permettent d’´ valuer des classifications obtenues e e avec des nombres de classes diff´ rents1. On peut le faire ´ ` e e par ACP (analyse en composantes principales) ou par analyse de Karhunen-Loeve. ou les courbes. l’une des m´ thodes les plus appropri´ es est de mod´ liser le probl` me par un champ e e e e 1 On note cependant avec [Olivier et al.. LES METHODES SUR HISTOGRAMME 245 12. qui permet de distinguer des lois de mˆ mes moyennes. eventuellement multidimensionnel.1. 1978] et souvent reprise. e e 2. Si l’on ne le connaˆt pas. parmi les zones de l’images contribuant a ce mode on s´ lectionne la zone connexe la plus grande. Les plus utilis´ es sont : ` e – les techniques de nu´ es dynamiques (k-means) qui proc` dent alternativement en classifiant au plus proche e e voisin le nuage des points. e moyenne (vectorielle) Zhang et Modestino. par ordre de complexit´ croissante [Fukunaga. Pour pallier ce d´ faut. 1997] que ces mod` les ont tendance a sur-´ valuer le nombre de classes trouv´ es. mais de variances e diff´ rentes. qui rend compte de l’orientation des inerties des nuages dans l’espace : – la distance de Bhattacharyya.´ 12. puis en estimant la position des meilleurs ` e noyaux de ces classes ainsi obtenues. les plans. e ea e e ainsi que les k-plus-proches voisins. si l’on dispose d’un certain nombre d’´ chantillons d´ j` class´ s. 12.4 S´ lection sur l’histogramme et dans l’image e Le d´ faut des approches par classification est de compl` tement n´ gliger les relations spatiales entre pixels. selon une distance a des noyaux donn´ s. ` e e Dans les espaces de dimension . e – les r´ seaux neuromim´ tiques et en particulier les cartes de Hopfield. on proc` de de facon it´ rative dans l’espace image et sur l’histogramme : e ¸ e 1.1. dans une approche propos´ e dans a ee e e e [Ohlander et al.. 1990. les distances utilis´ es entre deux nuages de points caract´ ris´ s par leur e e e et leur matrice de covariance sont. ` e On it` re ce processus. Ces deux transformations sont identiques a une normalisation pr` s des axes. Elles proc` dent en projetant le nuage de points sur le sous-espace ` e e construit a partir d’un nombre limit´ des vecteurs propres de la matrice de covariance des donn´ es. : e 12.1.1. sur l’histogramme on s´ lectionne un mode isol´ . s´ parateurs. soit en subdivisant a nouveau l’histogramme de la zone retenue..3 M´ thodes de classification e Disposant d’un histogramme. on choisit souvent des crit` res entropiques (comme le crit` re d’Akaike e ı e e ou le crit` re de Hannan et Quinn [Olivier et al.

e Dans la formalisation markovienne on passe d’une repr´ sentation probabiliste a une repr´ sentation en energie e ` e ´ (g´ n´ ralement au moyen d’une formalisation bay´ sienne de la probabilit´ a post´ riori). Mais on p´ nalise usuellement l’introduction d’un e e contour par un terme de la forme :  ©   %# ! &0)§  $¨ ¢ ¨  ¢ ¨ ¥ % ! &# )§ © &© ' ' © &© % ! &# )§ © &© ' ' 'H&#(¥!)§ $ &¢ § % ' ¨ # ¨ $ ¡ &#¢ ¡ § ¥ $ ¨#¢ ¨§ ¨ ¤ ©¨ ¦ § b h©   ¥ § Le terme de r´ gularisation est calcul´ sur les cliques e e (cf. voir chapitre 7). Il prend en compte la compatibilit´ e celle attribu´ e a e ` : constituant le voisinage que l’on souhaite donner a ` entre l’´ tiquette attribu´ e a e e ` et %# ! &0)§ o` u est le niveau de gris du pixel. 1984b]). ainsi que des distributions conditionnelles des niveaux de gris sachant les etiquettes. Dans d’autres approches. On recherche alors un minimum de e par toutes les techniques usuelles d’optimisation it´ ratives (ICM. c’est le terme d’attache aux donn´ es (probabilit´ e e e e des observ´ es conditionnellement aux classes). LA SEGMENTATION PAR REGIONS markovien (voir chapitre 7). ¡    7    %# !§ &$" © %# ! 10"§ . Des mod` les plus complexes peuvent prendre en e e compte des compatibilit´ s plus subtiles (classes plus ou moins proches). On consid` re que les r´ gions forment une partition sur l’image (cf. Pour un fort.1). probabilit´ a priori de classe. Heitz et al. Dans le cas binaire. aux contours r´ guliers ou de forme pr´ d´ finie.). et qui va essayer d’estimer la meilleure distribution des etiquettes connaissant les (g´ n´ ralement selon ´ e e le crit` re du Maximum A Posteriori de (MAP)). section 7. des etiquettes (d´ pendance ou ind´ pendance e ´ e e spatiale). on e e ` obtiendra des classes tr` s compactes et grandes au d´ triment d’une bonne s´ paration des classes sur l’histogramme e e e [Derin et Elliott. e e Chaque r´ gion est repr´ sent´ e par une fonction caract´ ristique et identifi´ e par une etiquette e e e e e ´ . 1989b. 1987b. recuit simul´ . (cf. figure 7. etc. Des hypoth` ses peuvent egalement etre faites sur les distributions e e` e ´ ˆ des niveaux de gris (par exemple lois gaussiennes sur les r´ gions).4 et [Geman et Geman. lorsqu’il vaut 1 le e e voisin concern´ n’a plus d’effet sur le site.246 ´ CHAPITRE 12. selon la formule : e C’est donc l’´ quivalent d’un contour introduit dans l’image. Won et Derin. section 12. on peut se dispenser d’introduire des etiquettes de classes en introduisant explicite´ ment un processus de bord. etc. le second exprime les a priori que nous avons sur les classes (par e exemple classes compactes.. processus discret binaire (0 ou 1) ou continu (entre 0 et 1) qui prend.2). dans le cas le plus simple. Le champ d’´ tiquettes est un champ cach´ a l’utilisateur qui n’observe que la r´ alisation bruit´ e de l’image e e` e e en chaque pixel. Tr` s souvent l’´ nergie e e e e` e e e (repr´ sentant la probabilit´ a post´ riori de la classe sachant l’observ´ e) est constitu´ e de deux termes : l’un traduit e e` e e e la similarit´ de la classification aux donn´ es que l’on observe. ´ Dans la d´ marche la plus simple on utilise alors souvent un terme d’attache aux donn´ es de la forme : e e Par exemple.). dans des relations de voisinage pare e e ticuli` res. Le coefficient e e permet de pond´ rer les effets de la r´ gularisation par rapport a ceux de la classification. g´ n´ ralement. 1992]. ses valeurs entre les pixels. on peut attribuer une energie n´ gative si ´ e et positive dans le cas contraire (mod` les de Potts et d’Ising. Lakshmanan et Derin. 1994. le niveau de gris de la classe dans laquelle on a plac´ le pixel e Un tel terme est equivalent a une probabilit´ gaussienne d’appartenance a la classe : ´ ` e ` © © %# !§ 10)    ¢ ¨   ¢ ¨ # ¡ £¢   ¡ 3 %# § £ © ¢ ¢© &0)!§ ¢ ¢ ¨ ¨ ¡ 3 £ © ¢ ¢© 3  ©  ' f %# !§  &$"§ ¦ @¢ 9 ¥  © §   3 ¨ ¤ ©¨ §¦ @ 9 ¥ 7 C §   ¤ ¨© §¦¨ @ 9 ¥  ¡    '¡ 3   § ¦  ¢    ©    7     ¦ ' ¤© ¢ ¨ © £  ¢    ¢ ¡ ¡     %# !§  &$"(§ © ' %# ! H&(' "§ ¡ © 'H&#(' !"§ $ % ¨ © .

c’est-` -dire la distance s´ parant les 25 % inf´ rieurs des 25 % sup´ rieurs e a e e e de l’histogramme. On perd alors. On connaˆt donc au moins une e ˆ e e ı partition qui v´ rifie tout pr´ dicat non impossible. les contrastes moyens ou e e minimums aux fronti` res. Pour ´ ` e cela on choisit une fonction qui sature pour des valeurs fortes des diff´ rences entre niveaux de gris de sites e voisins. – etc. e (appel´ es r´ gions) de l’image. Un autre pr´ dicat egalement utilis´ est : la r´ gion e ´ e e est distincte de ses voisines. on peut egalement supprimer le processus de bord en le cachant a l’int´ rieur du potentiel . u Enfin. On ne sait pas trouver toutes les partitions e e e v´ rifiant le pr´ dicat (la combinatoire est g´ n´ ralement inaccessible) mais on ne sait non plus g´ n´ ralement pas e e e e e e choisir entre des partitions v´ rifiant un pr´ dicat. Black et Rangarajan. parmi les e e e arguments les plus utilis´ s en segmentation d’images. on ne recherche que des partitions maximales. partant d’une telle partition. les distances inter-m´ dianes. e e Un pr´ dicat est une proposition logique dont la valeur d´ pend de son argument. 1996]. La partition triviale e e e e o` tous les pixels sont dans des r´ gions diff´ rentes de cardinal 1 v´ rifie tout pr´ dicat qui peut se v´ rifier sur une u e e e e e image. nous retiendrons les suivants : e – le contraste sur la r´ gion : e ). e a – une distance entre r´ gions (par exemple somme des distances entre zones adjacentes) (` maximiser).2 Les m´ thodes par transformation de r´ gions e e ´ Les m´ thodes que l’on va examiner maintenant s’appuient toutes sur la notion de pr edicat et sur celle de e partition. Des crit` res empiriques peuvent etre utiles : e e e ˆ – le cardinal de la partition (` minimiser). c’est-` -dire telles que deux a r´ gions adjacentes ne v´ rifient pas le pr´ dicat : e e e © ¢ § # § ¡ ¡  © "  @ $ A  '0 B©   ¦¢   §   9©   ( £ '  87'0 " )' 065 ( £ 3 © 2 ! 3¢ ' ( § ( &   $ 4 ¢     ¢      ©   01)¡ ' %¦¢  ## #  ! "     "      (§ §  § § ¥ © © ¡ § ¡ E ¡ &© ¡ &   # 0    E   a © #"# & §    £ ¡ ¡ ¡  © – l’´ cart-type de la r´ gion : e e (avec ©   ¡   Q ¨ ‚    ¡ ¡ v © %# !§ 10) # § ¡ ¡ £ © &%$"!§ § ¥ ¡ # §€4¥ 3  4 3 % # § § ¥ ! £ £ ¡   ©5  © 5iv © &$"! ¨¡ ¦¨#¥ 4 ¤¤¢  ¨ # a ¨  a t t ¡     ¢   ¢   ¢         # 3 ¨ £ ¤¡  a ¢ § ©     ¢ §  ©     £¤¡  ¢  § ¨ a ©      ©   )"#   §  ¡ #   § ¢ © ¢ § %# ! &$"§        § ¥    et   ¡ ©    4 . – la distance interquartile sur la r´ gion. e e Il existe bien sˆ r un tr` s grand nombre de partitions d’une image et il existe egalement g´ n´ ralement un tr` s u e ´ e e e grand nombre de partitions qui v´ rifient le pr´ dicat (il suffit. Pour v´ rifier le pr´ dicat.4) [Blake et Zisserman. – l’entropie : . des bonnes propri´ t´ s de convergence du e e ee champ markovien et l’optimisation devient plus complexe (cf.´ ´ 12. Nous nous int´ resserons aux e pr´ dicats sur les r´ gions e e de l’image. v´ rifiant : e e e Une partition est un ensemble de sous-ensembles Lorsque toutes les r´ gions d’une partition v´ rifient le pr´ dicat. e a Dans de nombreux cas par exemple. 12. on dit que la partition le v´ rifie. Le pr´ dicat de base de la segmentation est : la r´ gion e e est homog` ne.2.7 et section 7. On utilise des arguments qui mettent en jeu les diff´ rences de valeurs moyennes. a – la taille de la plus petite r´ gion (` maximiser). avec la convexit´ de la fonctionnelle d’´ nergie. 1987. LES METHODES PAR TRANSFORMATION DE REGIONS 247 ou par un coˆ t de type MDL (Minimum Description Length) (cf. Tout pr´ dicat qui ne peut etre v´ rifi´ par la partition triviale est impossible. de subdiviser n’importe e e quelle r´ gion pour obtenir une nouvelle partition v´ rifiant le pr´ dicat). section 12. – les diff´ rences limit´ es : e e .4). etc. figure 7.

Partant de germes2 on applique successivement a l’image des e e ` pr´ dicats plus s´ v` res que le pr´ dicat . LA SEGMENTATION PAR REGIONS En l’absence de strat´ gie pour trouver la meilleure partition v´ rifiant un pr´ dicat donn´ . Ce n’est pas le cas de 1 et 2. Plus importante est la ` e ´ e d´ cision de regrouper 2 r´ gions qui sont adjacentes et v´ rifient le pr´ dicat.1) [Adams et Bishof. Il a et´ montr´ qu’il convient alors d’ˆ tre e e e e ´e e e assez s´ v` re pour fusionner des r´ gions et qu’il est souvent pr´ f´ rable de traiter ce point lors d’une etape ult´ rieure e e e ee ´ e en acceptant donc une sur-segmentation de l’image. La zone 3 regroupe 2 sous-r´ gions qui ont et´ fusionn´ es car leur union v´ rifie le postulat e e ´e e e et des crit` res annexes sur la forme r´ sultante sont v´ rifi´ s. e e e 12. et on se rapproche ainsi du pr´ dicat e e e e e e e objectif. 1989. on part de l’image enti` re (` laquelle g´ n´ ralement e e e a e e e le pr´ dicat ne s’applique pas).1 La croissance de r´ gion e Les m´ thodes de croissance de r´ gion (region growing) n’aboutissent pas a des partitions car la propri´ t´ e e ` ee n’est g´ n´ ralement pas satisfaite.2 Le partage de r´ gion e Dans une d´ marche par partage de r´ gion (region splitting). et on retient la meilleure subdivision . On appelle cette r´ gion. Ainsi tous les pixels ne se retrouvent pas dans des r´ gions (cf. e e figure 12. c’est-` -dire : a 2 les germes sont souvent des r´ gions o` le pr´ dicat est trivialement v´ rifi´ . 1994. Beaulieu et Goldberg. o e e Les m´ thodes de croissance de r´ gion cessent souvent de cr´ er de nouveaux germes bien avant que le pr´ dicat e e e e ne vaille et rejettent les r´ gions de cardinal 1. Chang et Li.1 – Croissance de r´ gion : 6 r´ gions ont et´ obtenues par 4 pr´ dicats successifs. 1994].248 ´ CHAPITRE 12. 12. par exemple des zones o` l’image est constante e u e e e u     ¢           ¢   ¦ ¡# ¡   4 (     ¢  ¢ #   3 5 4 . plutˆ t qu’une fusion abusive qui ne serait plus r´ cup´ rable. Ainsi on commence a associer aux germes les seuls pixels qui sont en e e e e ` tr` s bon accord avec le pr´ dicat.2. La zone 6 n’a et´ cr´ ee e e ´e e ´ e e´ qu’au second pr´ dicat.2. e e e e 12. nous allons d´ crire des e e e e e strat´ gies de base qui sont tr` s souvent utilis´ es. On lui applique plusieurs divisions produisant de e nouvelles r´ gions e . On r´ duit cette s´ v´ rit´ progressivement. On teste sur chaque . La d´ cision d’associer un pixel a une r´ gion se fait alors le plus souvent sans ambigu¨t´ a moins que ses e ` e ıe` distances a deux r´ gions soient egales (et en ce cas un choix quelconque est peu d´ cisif). 1 2 6 F IG .

l’image partitionn´ e. e e ´ les mˆ mes cons´ quences (r´ union en une r´ gion de niveau 2) [Zhu et Yuille. on teste la variable de Student : e e e ¢ u ¡     ©   ¡ £   ¢C   3 ¡ § C §  ¡   © £ £ ¡ £    £¡ ¡ ¡   £    ¡   § © £ 53 ¡ 4 § 4     C   ¡ © C      ¡  x  £    ¡  § £   ¡    © ¡   3   £    ¡  §   ¢         x   ¡£  ¡     ¢   £ ¢    . Les pixels sont visit´ s syst´ matiquement. les groupes de e r´ gions se voient appliquer le mˆ me test et. a la fin du partage. A droite. e e Pour chaque pixel de la liste issue de la r´ gion 1 on compte combien de pixels de 2 sont plus sombres. 1996].2 – A gauche : partition d’une zone : on choisit entre la partition verticale ou la partition horizontale. si aucune ne v´ rifie . On teste donc cette valeur face a sa distribution ` asymptotique.2). e e e e Apr` s le parcours de toute l’image.2. figure 12. – le test de Student d’´ galit´ des esp´ rances. on utilise g´ n´ ralement les 2 bipartitions r´ guli` res horie e e e e zontale ou verticale (cf. Les strat´ gies de subdivision sont peu nombreuses. ` e Les crit` res d’´ chec sont souvent les mesures de variance ou de dynamique qui sont test´ es dans les pr´ dicats e e e e . 1978]. – le test de Wilcoxon. On peut alors les r´ unir avec les mˆ mes pr´ cautions que e e e e e e e celles signal´ es au paragraphe 12. e ` e e e Pour choisi.´ ´ 12. chaque sous-r´ gion e ne v´ rifiant pas devient alors une r´ gion e e passible du traitement ci-dessus. e Ces nombres sont additionn´ s pour donner une variable de distribution asymptotiquement gaussienne de e moyenne et de variance . 12. Ce sont des m´ thodes e e e e ascendantes (bottom-up) lorsque les autres etaient descendantes (top-down). il peut se trouver que des zones adjacentes le long e ´e e e d’une fronti` re d’ordre sup´ rieur v´ rifient le pr´ dicat.2. Lorsque toutes les r´ gions ont et´ r´ cursivement test´ es. et s’il est accept´ les pixels sont regroup´ s en une r´ gion. parfois des tripartitions r´ guli` res. celle qui fournit la meilleure valeur a un crit` re dit crit` re d’´ chec. e e e e e   12.2. LES METHODES PAR TRANSFORMATION DE REGIONS 249 – celle qui conduit a des sous-r´ gions v´ rifiant toutes . e Les algorithmes de partage sont mal adapt´ s a une mise en œuvre informatique sur machine s´ quentielle car e ` e les calculs effectu´ s sur tous les pixels de la zone ne sont g´ n´ ralement pas r´ utilisables au niveau inf´ rieur . Les tests les plus e ` utilis´ s sont : e – le Chi2 ( ). e e 2 Q1 1 Q1 Q 1 2 2 Q2 F IG . e e – ou. ´ e e Pour chaque carr´ de e pixels le postulat est test´ . On se place e e e souvent dans l’hypoth` se de bruits gaussiens sur des fonctions a valeur moyenne constante.3 La r´ union de r´ gion e e Les techniques de r´ union (region merging) prennent l’exact contre-pied des pr´ c´ dentes. il travaille sur les pixels tri´ s par ordre croissant de niveaux de gris des deux r´ gions. eventuellement. e e e e Les tests de r´ union de r´ gion sont fr´ quemment faits sur des tests statistiques [Saporta.1. ` e e – ou celle qui donne le plus de sous-r´ gions v´ rifiant toutes .

chapitre 6 et [Schmitt et Mattioli. autorise beaucoup plus de e e e . 1976]. C 3   §  § © © C C 3 3 ¡   § ££ ¡ £   £   § £¡ ¡ ¡   §  © C 3 § £   5C ¢  3 §   x   ¡  §  ¦   § . o` ` e e u ) pour acc´ l´ rer la proc´ dure (cf. Sinon il est candidat a une r´ union avec ses voisins. la m´ thode propos´ e dans [Suk et Chung. Ainsi. LA SEGMENTATION PAR REGIONS – le test de Fisher-Snedecor d’´ galit´ des moyennes et des variances. et tous les pixels fils sont test´ s avec le pr´ dicat .2. ee e l’on profite du passage au niveau sup´ rieur (ici e   reunion partage niveau 2 niveau 1 niveau 0 F IG . 12. avec une priorit´ aux e e e e fusion que les simples r´ unions de pixels e plus grandes (cf figure 12.. 12.250 ´ CHAPITRE 12. Douze fenˆ tres diff´ rentes sont autoris´ es. Des techniques inspir´ es de la pyramide ont et´ propos´ es qui donnent e ´e e de bien meilleurs r´ sultats. 1993]). figure 12. Si le pr´ dicat n’est pas v´ rifi´ . on teste la variable de Fisher : e e 12. constitu´ e de e e e e niveaux. e Mais la strat´ gie du quad-tree est trop rigide et conduit a des partitions trop r´ guli` res que les techniques de e ` e e croissance ne permettent plus de rattraper. 1994b]). 1991]). l’image originale etant au niveau . L’image est repr´ sent´ e sur une pyramide appel´ e quad-tree.4) (voir aussi [Chen et al.3). Horowitz a propos´ une approche par pyrae e e e e e mide [Horowitz et Pavlidis. Le pixel au niveau est la moyenne de ses 4 fils. La segmentation proc` de directement a un niveau interm´ diaire (par exemple e ` e ). Un sch´ ma plus complet a et´ propos´ par Burt [Burt.3 Les graphes d’adjacence Les techniques par graphes d’adjacence sont beaucoup utilis´ es a partir de sur-segmentations (c’est-` -dire de e ` a segmentations o` les zones sont subdivis´ es trop finement).4 Les pyramides Afin de b´ n´ ficier des avantages des deux m´ thodes pr´ c´ dentes. le pixel consid´ r´ est etiquet´ comme candidat a un e e e e e ee ´ e ` partage. Chaque pixel au niveau a 4 fils au niveau ´ . C’est donc une technique de partage et r´ union. 1981] o` les passages entre e ´e e u niveaux se font par filtrage gaussien. Une abondante litt´ rature a et´ propos´ e depuis pour am´ liorer ces filtrages e ´e e e par une approche en ondelettes.3 – M´ thode de pyramidage par quad-tree. Ces sur-segmentations sont par exemple le r´ sultat u e e d’un pr´ dicat trop s´ v` re dans la phase de segmentation o` d’un algorithme tr` s sensible aux variations locales e e e u e comme la technique des lignes de partage des eaux (cf.

On remet a jour la liste et on e ` it` re. e e – d’autre part par le choix d’un mod` le simple qui n´ cessite peu de param` tres. e e e £ !   % !   ¢ ¢    # ¦ ¢  # ¡ ¦   3 © ¢ %# !§ &$"    § ¥ ¨¦ @ 9¥ ¢ ¦ © ¢ §     © ¢ §    Q . on s’approche e e e de l’optimisation du crit` re global de minimum de variance sur les partitions. On regroupe les 2 meilleurs candidats. par exemple dans [Wang. entre longueur minimale de description et quantit´ d’information. Puis on d´ finit une fonction de similarit´ entre 2 nœuds. On trie tous les couples e e de nœuds adjacents dans une liste ordonn´ e. 1989] est un bon exemple d’une telle e e d’une zone est le r´ sidu de son approximation par un polynˆ me de e o technique. 12. On cherche donc a optimiser e ` le choix d’un mod` le pour d´ crire les donn´ es conduisant a la plus courte description : e e e ` – d’une part par le choix d’un mod` le qui s’adapte bien aux donn´ es.4 – Les 3 etapes de la m´ thode de partage et r´ union de Suk. au sens de la th´ orie e ` e de l’information. celui sur l’´ limination des petites zones e e e e e est un pr´ dicat de taille. Elle a et´ reprise de facon simplifi´ e dans divers domaines du traitee e ´e ¸ e ment des images (en particulier en codage). LA METHODE MDL = MINIMUM DESCRIPTION LENGTH 251 configuration d’étude etape de partage x4 x1 x4 x2 = 12 deja traite non traite etape de reunion + étape d’élimination des petites zones F IG . 1987. 1984. 1989] e pour optimiser la repr´ sentation de donn´ es. e D’autres sch´ mas plus complexes sont mis en œuvre. Le crit` re d’homog´ n´ it´ e e e e degr´ fix´ : e e et plus particuli` rement d’une approximation par une constante. En partant d’une partition tr` s fine en r´ gions tr` s e e e e homog` nes. 12. L’id´ e du MDL consiste a exploiter l’analogie. e La m´ thode propos´ e par Beaulieu et Goldberg [Beaulieu et Goldberg. 1998] pour obtenir des sege mentations meilleures.4 La m´ thode MDL = Minimum Description Length e C’est une technique issue de la th´ orie stochastique de l’information [Rissanen. ´ e e ´ e e Celui du partage et de la r´ union est g´ n´ ralement un pr´ dicat de contraste. et en acceptant progressivement des r´ unions de r´ gions de moins en moins semblables. Pour chaque etape il y a un pr´ dicat diff´ rent. e e ` L’id´ e de base consiste a plonger les r´ gions obtenues dans une structure de graphe o` une r´ gion est un nœud e ` e u e et un arc une relation d’adjacence. Rissanen. Rissanen.4. Les petites zones sont associ´ es a la zone la plus proche en niveaux de gris.´ 12.

4.5 et l’on recherche tr` s souvent des solutions it´ ratives (par modification des lignes de contour) e e e sous le contrˆ le du terme 12. le coˆ t de la repr´ sentation des contours (coˆ t de codage de la chaˆne des contours).4) : e (12. e Keren et al.4). On dispose d’un mod` le e e e e d´ pendant de param` tres et on recherche le meilleur jeu de param` tres pour approcher les donn´ es. le MDL introduit dans la segmentation un terme e de p´ nalit´ lors d’une repr´ sentation en r´ gions. chacun ayant des jeux diff´ rents de . 1998. Soit l’observ´ e (l’image). Dans le cas de la description d’une image. ` e e Le MDL tend a procurer un compromis entre ces deux termes. il n’est g´ n´ ralement pas possible en traitement des images d’obtenir une solution explicite e e de l’´ quation 12.5. Une chaˆne de contours u e u ı ı peut etre cod´ e de facons tr` s diverses : Freeman (cf. Dans le cadre g´ n´ ral de la e e e e e e o` u classification ou du traitement du signal..252 ´ CHAPITRE 12. Le MDL est utilis´ en segmentation d’images de diff´ rentes facons. Il vient limiter d’une part le nombre de contours (le premier terme e e e e ). le mod` le doit d´ crire les contours des r´ gions et approcher au mieux l’image entre les contours. e e e On se place donc dans le domaine de la repr´ sentation param´ trique des donn´ es. ´e e e On sait que selon la th´ orie de l’information.5) repr´ sente la quantit´ d’information n´ cessaire pour transmettre le mod` le. chapitre 14. Ce coˆ t s’exprime par le u e e u nombre de bits n´ cessaires a coder la constante plus le nombre de bits n´ cessaires a coder l’erreur r´ siduelle. etc. on cherche le meilleur qui maximise . il est parfois possible de mener une optimisation compl` te et explicite du e MDL.. et conduira alors a des codages tr` s diff´ rents. d’autre part les el´ ments permettant de reconstruire le mod` le puisqu’il existe de nombreux mod` les potentiellement disponibles. 1990. Dans la pratique. on minimisera donc une expression plus compl` te que celle utilis´ e pour la repr´ sentation au maximum e e e de vraisemblance (´ quation 12. Soit e e e e le vecteur a composantes des param` tres.4) Si l’on dispose de plusieurs mod` les. ou d’optimisation de courbes [Darell et al. approximations polygonales. c’est-` -dire a donner peu de contours r´ guliers ` a ` e mais au bon endroit. 1990]. la transmission de la repr´ sentation e e e e e e e de n´ cessite la transmission d’une part des param` tres d´ crivant la forme dans ce mod` le. le coˆ t de la repr´ sentation d’une r´ gion par une fonction (par exemple constante). Pour rechercher la meilleure description au sens de la th´ orie de l’infore mation.  ©    ¡ !§ "(' § © ©  ¡  § !"§ ¡ §  © ¢    ¡ !§ )ƒ§ © ©  ¡  ¡  © ! )§ ! "§ ¡ ¡   §  ƒ ¡ $ ! ¢   §    0© 3  ¡  5© ! )§  ¡ ¡   !§ )ƒ§   3  © © §  ƒ  ¡ § ! "§ ' § & © $   #bbb # ¡  § © © §  ƒ  ¡ ! § !§ "ƒ§ . Les techniques mises en œuvre en MDL sont a base de champs de Markov (optimisation par ` recuit simul´ ) [Lee. Zhu et Yuille. Dans le cadre de l’estimation ` e e au maximum de vraisemblance. LA SEGMENTATION PAR REGIONS L’optimisation au sens du MDL procure un compromis entre ces deux termes. Leclerc. 1989. c’est a dire le terme de l’´ quation 12. d’autre part la complexit´ des contours par le choix si possible d’un petit nombre de param` tres tr` s e e e simples a coder (le second terme : ` ). il existe des codes optimaux pour transmettre le premier terme en e utilisant un nombre de bits egal au logarithme de la probabilit´ ´ e . Cela revient a maximiser la ` log-vraisemblance : (12. On ` e devra ensuite transmettre le second terme. splines. On exprime o e e ¸ g´ n´ ralement : e e 1. Utilis´ dans le cadre de la segmentation d’image. ˆ e ¸ e processus de bords. e ` e ` e 2. 1996].

6 peut evoluer vers deux formes limites.en e e e th´ orie exacte .5 – Approche de Mumford et Shah : on recouvre chaque domaine d’une fonction continue.5). La fonctionnelle a minimiser ` se compose de : (12. 1989] les rˆ les de o et sont interchang´ s.par recuit simul´ (cf. e e Mumford et Shah ont montr´ par ailleurs que l’´ quation g´ n´ rale 12.5. [Mumford et Shah. figure 12. 1989] qui n’a malheureu¸ e sement pas de solution exacte. e eee e 4 On se souvient cependant que les conditions de convergence vers le maximum absolu par recuit simul´ sont li´ es a une descente en e e ` temp´ rature infiniment lente.12. de support . Soit l’image3 .5 L’approche de Mumford et Shah 12. afin de garder la e coh´ rence de nos notations nous avons pr´ f´ r´ d´ signer par l’image et par son approximation. chapitre 7)4 . que nous examinons ci-dessous. L’APPROCHE DE MUMFORD ET SHAH 253 12. 12.6) On montre ais´ ment que les 3 termes sont simultan´ ment n´ cessaires sous peine de convertir l’expression en e e e une formule triviale. Mumford et Shah ont d´ duit des propri´ t´ s particuli` res des solutions e ee e et . e e e e ´ – Tout d’abord la minimisation de l’´ nergie e : 3 Attention dans le texte original de Mumford et Shah. ainsi que la longueur des cˆ t´ s. on la remplace sur des domaines par des fonctions r´ guli` res e e qui se rejoignent le long de contours (cf.5.1 Approche formelle C’est une facon formelle de poser le probl` me de segmentation [Mumford et Shah. Γ2 R2 Γ3 R Γ1 Γ4 4 R1 R3 F IG . on cherche a minimiser la distance entre la fonction de repr´ sentation et l’image. on retrouve le probl` me d’Ising qui a une solution . ` e oe On sait r´ soudre ce probl` me dans quelques cas simples (par exemple si e e est une constante qui ne prend que deux valeurs (g´ n´ ralement choisies comme +1 et -1). e % ! %# !§ &0)1¢ Q Q £ © ¡ ¨  ¢ § ©¥   ¡ F F % ! %# !§ &$"1¢  Q Q £ &© © ¡ ¡ (Q ¢ £  F b § ¤ % ! ¢  Q Q£© ¡ ¢ ¡  3 © ¢ %# !§  10"(§ ¡ ¡ 3 V £F F  § ¡ R¡ § ¨¥ (Q £¡ F F ¤ §  § F  £© ¢ ¦ # ¡# §  ©  ¡ ¡# £   # §    ¡   £C¡ © %# !§ &$"  © # § ¡ £   © %# !§ 10"1¢ ¡ .

– soit des points extr´ mit´ s d’o` d´ marre une courbe unique (d´ marrage d’un pli) .8) ¢    © %# ! 10"§  ¢  ¢  EE ¡  ©  %# ! &0)§ ¡ ¢   ¡ ( Q  £   ¥ ¥ £ ¡ ¢E     © % ! 10) %# !§ Q &© Q  3 3 £ ¡§ £ ¡ § ¥ ¡ ¡ £   § F  ¥  2© § ©¥ § ¡ ¡ b ¡ £ £ ¢ ¡ ¡   ¢ §  £© ¡¨ £  # ¡§     ¢¡   ¡      ¡ ¡ £   £ ¡   ¡ ¡ ¢ ¡ ¡ ¡   £ § £ ¢     ¡ . Ces solutions conduisent a des equations donn´ es par : ` e e ` ´ e – dans le cas d’une membrane : 5 On ¥ £ ¤¢ 6 Une a egalement abord´ ce probl` me lorsqu’on a evoqu´ les mod` les g´ od´ siques actifs (cf. alors la e a e minimisation de est la recherche du minimum d’une fonction quadratique d´ finie positive poss´ dant un minimum e e unique. Elle est solution de : (12. La minimisation de est un probl` me bien pos´ . e e u e e – les contours se rattachent aux bords de l’image selon des angles droits . LA SEGMENTATION PAR REGIONS que l’on obtient en imposant a d’ˆ tre constante par morceaux sur les ` e : .4. – Puis la minimisation de l’´ nergie : e o` u est une constante et mesure la composante normale a du gradient de . 1987]. On montre que si les sont fix´ s (c’est-` -dire si l’on a fait par ailleurs une d´ tection de contours). Il est alors ais´ de montrer que e o` repr´ sente la surface de u e (c’est donc la valeur moyenne sur la surface).2 Les variantes autour de la formulation de Mumford-Shah Des variantes du probl` me de Mumford et Shah ont et´ propos´ es qui abordent le probl` me de nombreuses e ´e e e facons. Le probl` me e e e d’Ising evoqu´ plus haut en est un sous-probl` me r´ duit au cas a 2 classes. – par ailleurs. paragraphe 11. sur des contours de forme restreinte. e On cherche alors a r´ soudre l’´ quation 12. ` Ce probl` me peut se ramener a un probl` me de g´ od´ sique : on cherche simultan´ ment a d´ terminer les e ` e e e e ` e trajectoires de longueur minimale (terme en ) et a maximiser le gradient transverse de le long de ` 5 . Par exemple des m´ thodes d´ terministes issues de la m´ canique et de la r´ sistance des mat´ riaux ont et´ ¸ e e e e e ´e propos´ es pour apporter des solutions en termes de membranes ou de plaques minces [Blake et Zisserman. 12. e ˆ e On peut montrer que est la limite de quand tend vers l’infini. e e e courbe de classe ¡ ¡ % ! %# ! &$"§ ¢ Q Q £ &© © % ! Q Q £ © © ¡ 3 £© %# ! &$"§ ¢ %# !§  10)§ ¡ ¡ ¨ ¡ §  § £ ¤ ¡ §    C F £F  ¡ F F ¢ ¦ ¢    ¡   ¦ ¢ b ¥ avec pour conditions aux limites : (12.5. est la limite de quand tend vers 0.4) ´ e e ´ e e e e poss` de d´ riv´ es continues. le probl` me de Potts l’´ tend a un ´ e e e ` e e ` plus grand nombre de classes.7) Si les contours sont des courbes r´ guli` res (g´ n´ ralement on recherche des solutions parmi les courbes de e e e e classe )6 .7. e e e e le probl` me peut etre bien pos´ . Ce probl` me est g´ n´ ralement mal pos´ si les sont quelconques . on d´ duit alors les propri´ t´ s suivantes : e ee – les contours ne peuvent poss´ der que des points singuliers de deux types : e – soit des points triples o` 3 courbes se joignent a u ` .254 ´ CHAPITRE 12. les fonctions ont une d´ riv´ e normale aux e e horizontale le long des .

C’est-` -dire que. 1981. 1983] 7 . sur chaque domaine. ` e © %# ! 10"§ ¡   ¡g ¨ ¡ g ¡  ¡ et elle est solution de l’´ quation : e  ¡  §¡ ¦   © ¦ £ %# ! &0)§ £   3 ¤§¡ ¢   ¥    ¦  § X¦ ! equivalente a ´ ` pr` s de et equivalente a e ´ ` second membre issue de l’´ quation 12.5. . La r´ solution se fait par des techniques e e e 7 Les techniques multi-grilles sont des techniques d’optimisation qui utilisent la r´ gularit´ spatiale de la solution pour trouver tout d’abord e e une solution exacte sur une grille d’´ chantillonnage tr` s grossi` re. Dans le cas o` il n’y a pas de discontinuit´ s de le long des . a est de la forme : La plaque mince (´ quation 12. C’est la solution de l’´ quation sans e £ Par exemple en l’absence de contours. e e e e Dans les 2 cas les discontinuit´ s sont fix´ es (par exemple par un d´ tecteur de contour pr´ alable).ou fonction de Green .8) a pour fonction de Green e Bessel modifi´ e de seconde esp` ce : e e . 1981] ou de relaxation multi-grilles [Terzopoulos.9) a pour fonction de Green : e avec . Dans le cas discret on etend les solutions continues par des approches par el´ ments finis permettant de calculer ´ ´e de facon discr` te les d´ riv´ es (on est alors dans un sch´ ma tr` s semblable a celui adopt´ pour les contours actifs ¸ e e e e e ` e vus au paragraphe 11. e Si l’on ne connaˆt pas la position exacte des contours.9) ¦ £ ¥  § ¡ ¦ ¥ ¥ § ¡ ¡ ¥ C  ¥ © ¦ ¡ C ¢&§     ¥ ¦¢¢   g ¡   ¥ .. L’APPROCHE DE MUMFORD ET SHAH – dans le cas d’une plaque mince : 255 Il est egalement possible de prendre en compte dans ce second cas un terme de torsion (d´ riv´ es crois´ es) ´ e e e dans le terme de r´ gularisation. le probl` me est assez simple mais peu satisu e e faisant en termes de segmentation d’image [Grimson.7 : e pour grand. e La r´ solution de ces probl` mes (connaissant la position des contours on recherche la valeur en tout point de ) e e ` se fait traditionnellement par des techniques convolutionnelles. on met en œuvre des techniques it´ ratives et (souı e vent) sous-optimales qui partent de contours estim´ s et les am´ liorent. Terzopoulos. La solution est obtenue par des techniques de relaxation [Grimson. de la calculer sur des grilles e e e e de plus en plus fines pour aboutir a la r´ solution ultime de l’image. fonction de ¢ ¡   © %# ! &$"§ % ! %# ! &$"§ ¢ Q Q £ &© © ¡ ¢ ¡ ¦¨ ¦ % ! %# ! &$"§ ¢ Q Q £ &© © ¢ a Q © Q £ ¡    £ ¨C   3 © a %# !§  10"(§ # §  ¥ 2 b h©  B© £ © ¡ £ a § § # %# !  # 10"§ ¡ § © 3 ' % F £F ¡ F £F ¢ ¦ 3 ¦ ¡ £ ¨b £ ¡ ¡¡ % "§ ¦ ¢ ¥ £ b ¡ b  £© ¡ § ¡ £ ¡ ¡ ¡ 3 ¡ F `F ' !  £© £¡    # ¡§  3 ¥ ) ¡  © ! )§ ¥  B© %# ! &0)§   ¡ (12. On d´ finit un processus de bord bool´ en et on calcule les divers termes de l’´ nergie en fonction des valeurs e e e (pas de bord) ou (pr´ sence d’un bord) de ce processus. 1983]. puis par un raffinement it´ ratif de la solution. la membrane (´ quation 12. A chaque fonctionnelle est attach´ e une r´ ponse e e impulsionnelle .12.4).

paragraphe 11. on peut aussi introduire un terme de p´ nalit´ sur la longueur des contours comme dans e e e l’´ quation 12. LA SEGMENTATION PAR REGIONS de Markov avec processus de bord explicites [Geman et Geman. e Des techniques o` l’on m´ lange des termes de d´ riv´ es premi` res et secondes (comme dans les contours actifs u e e e e .ou implicites et des sch´ mas d’optimisation adapt´ s (par exemple la m´ thode GNC) ou des techniques a base de r´ seaux neuroe e e ` e mim´ tiques de Hopfield.256 ´ CHAPITRE 12. permettent d’atteindre e l’optimum global. la plus simple est celle de Mumford et Shah et s’exprime par : 2.4) sont egalement possibles. une p´ nalisation pour les seuls forts changements de direction des contours.cf. mais r´ put´ es moins bonnes. e e est particuli` rement adapt´ e a ce probl` me. une minimisation de la courbure des contours : 3. La m´ thode GNC (Graduated Non Convexity de Zisserman [Blake et Zisserman. On trouve dans la litt´ rature des formes vari´ es de cette energie : e e e ´ 1. Elle remplace les fonctions d’´ nergie non convexes a optimiser par une e e ` e e ` famille de fonctions convexes qui.cf paragraphe 12. ´ e e ¡ ( Q ( QQ (Q   F      F      .6. successivement optimis´ es par une technique de gradient. Dans ces sch´ mas. 1984b] .1. 1987]).5 .

poil court.Chapitre 13 Les textures Chapitre r´ dig´ par Henri M AˆTRE e e I 13. La figure 13. e e F IG . La d´ finition que nous proposons n’est pas ` e e e op´ rationnelle et prˆ te sur ce point a critique. tapis d’aiguilles de pin et ´ de feuilles. perles. Elle s’appuie sur une constatation exp´ rimentale : une texture est e e ` e un champ de l’image qui apparaˆt comme un domaine coh´ rent et homog` ne.1 Qu’est ce qu’une texture ? Dans le domaine du traitement de l’image et de la vision. 13. dans le but d’isoler e e les textures. e Les d´ finitions math´ matiques construites a partir de propri´ t´ s statistiques sont soit trop g´ n´ rales et impr´ cises e e ` ee e e e soit trop restrictives pour s’adapter a la diversit´ des cas rencontr´ s.1 illustre la diversit´ ı e e des textures et l’ouvrage de r´ f´ rence de Brodatz [Brodatz. Les capacit´ s du syst` me visuel humain a discerner les textures diff´ rentes sont remarquables et tr` s mal exe e ` e e 257 .1 – Quelques exemples de textures naturelles : ecorce d’arbre. 1966] offre une collection de textures naturelles qui ee constituent d’excellents exemples et sont souvent utilis´ es pour tester les algorithmes et les m´ thodes. c’est-` -dire formant un tout pour ı e e a un observateur. soit pour reconnaˆtre des r´ gions. C’est cette propri´ t´ de coh´ rence de la texture plac´ e dans son contexte d’ˆ tre percue comme un ee e e e ¸ tout homog` ne par l’œil humain qui sera recherch´ e le plus souvent par le traiteur des images. il n’existe pas de d´ finition satisfaisante de la texture. soit pour segmenter l’image.

). de ` e e e couleur. des textures non reconnues (champs al´ atoires cr´ es math´ matiquement par exemple. recouvrement de surfaces gauches. Notre m´ morisation est alors ree e marquable et invariante a de tr` s nombreuses transformations (changement d’´ chelle. etc.258 CHAPITRE 13. figure 13. Julesz. d’´ clairage. proximit´ s.1. et mˆ me en l’absence d’un contexte favorable (par exemple pr´ sence de silhouettes d’objet ou e e d’alignements perspectifs). non comme une perturbation e e e des propri´ t´ s g´ om´ triques du champ textur´ . nuages. 1944. La premi` re famille sera bien d´ crite par des approches fr´ quentielles ou des approches structurelles dans e e e lesquelles on associera un motif et des r` gles de placement sur un pavage r´ gulier. dans lesquelles la p´ riodicit´ du motif est evidente : grilles. 13. celle-ci restant globalement invariante dans un rep` re impr´ cis´ (cf. a partir des sym´ tries. herbe.2). LES TEXTURES pliqu´ es. F IG . foule. e e .6. 1971]). Elles deviennent excellentes e e ` e e d` s lors que l’on a reconnu l’objet de la vie courante dont la texture est issue. 1985]. nous e a consid´ rerons par la suite les textures comme spatialement invariantes. le syst` me visuel interpr` te la d´ formation de la texture. entre lesquels se e e e positionnent un peu toutes les textures : 1. etc. ´e L’une des remarquables capacit´ s du syst` me visuel est de reconnaˆtre des textures d´ j` m´ moris´ es mˆ me e e ı ea e e e sous de tr` s fortes distorsions g´ om´ triques (vues perspectives. On distingue assez naturellement deux mod` les extrˆ mes de textures. Nos capacit´ s a m´ moriser et discriminer des textures sont tr` s variables. similarit´ s des stimulus ` e e e el´ mentaires composant la texture [Wertheimer. sensibilit´ aux variations locales e e de luminosit´ [Hubel et Wiesel. Nous l` verons e e e e e cette hypoth` se au paragraphe 13. on interpr` te naturellement les variations locales de ses proe e pri´ t´ s statistiques comme des d´ formations de la surface sur laquelle elle est projet´ e.). 1969. e e´ e ou textures plac´ es hors de leur contexte) sont m´ moris´ es de facon tr` s fugitive et sont peu robustes aux transfore e e ¸ e mations. e e e e ´ 2. c’est-` -dire que nous n´ gligerons g´ n´ ralement e a e e e les effets de perspectives et les variations d’homog´ n´ it´ du champ de distribution des intensit´ s. Parfois elles rel` vent de m´ canismes de psycho-vision et e e e peuvent trouver des explications par exemple dans la Gestalt Theorie qui propose des m´ canismes d’associae tion (groupement perceptuel) ou de discrimination. tissus. murs. Au contraire.1 Distribution al´ atoire ou r´ guli` re ? e e e Une premi` re constatation que l’on fait en examinant des textures naturelles est le rˆ le particulier que joue e o l’al´ atoire dans la texture. Dans e e e ces conditions. e 13. les textures r´ guli` res. mais comme une variation de la g´ om´ trie qui supporte la texee e e e e e ture. (mais aussi pour simplifier consid´ rablement la tˆ che du traiteur d’image). Ainsi un tronc d’arbre est e e e vu comme une texture homog` ne enroul´ e sur un cylindre et non comme une texture plane dont les fr´ quences e e e spatiales s’accroissent en approchant des bords. discrimination angulaire. Grossberg et Mingolla.2 – Lorsque la texture n’est pas homog` ne. etc. Nos capacit´ s a distinguer des textures diff´ rentes peuvent parfois s’expliquer par les capacit´ s de filtrage e ` e e du syst` me visuel (bande passante des voies optiques. ee e e Pour toutes ces raisons. les textures al´ atoires pour lesquelles la distribution des intensit´ s n’est l’objet d’aucune r´ gularit´ appae e e e rente : sable. d’orientation.

s’inspirant de ce que l’on connaˆt aujourd’hui de cette perception. de p´ riodicit´ . ` ı e e ` ` A plus grande echelle (donc pour une analyse plus grossi` re).2.2. des mod` les de texo e e e tures on et´ propos´ s. Ces travaux se distinguent notablement de ceux conduits e e en traitement d’image qui visent plutˆ t a extraire des param` tres discriminants et robustes permettant de s´ parer o ` e e des textures diff´ rentes. bois. On d´ compose tout d’abord le flot optique e e en une pyramide (cf. e On trouve par exemple dans [Bergen et Landy. la texture apparaˆt comme une juxtaposition plus ´ e ı ou moins r´ guli` re des motifs ci-dessus. Ces travaux s’appuient sur ´e e ı les m´ canismes d’adaptation du syst` me visuel aux fr´ quences spatiales et aux orientations [Hubel et Wiesel. Cette composante el´ mentaire de la texture a tendance e ´e naturellement a disparaˆtre lorsqu’on observe le champ global de la texture. Elle est int´ gr´ e a la texture..2 Mod` les de texture e 13. MODELES DE TEXTURE 259 La seconde approche sera plutˆ t d´ crite par des lois statistiques. on observe souvent un objet el´ mentaire qui constitue la base de ´ e ´e la texture (poil.2.1. 1984]. Cette primitive peut etre tr` s r´ guli` re g´ om´ triquement ˆ e e e e e (perle). densit´ de puissance) qui se combinent a celles du e e e e ` motif de base. ou photom´ triquement (aiguille de pin). m´ taux pour des repr´ sentations e e e d’int´ rieur. L’une des difficult´ s est de les mˆ ler dans des mod` les capables de s’adapter a la variabilit´ des e e e ` e textures etudi´ es. e ´ ` A petite echelle (donc pour des d´ tails fins). Mais ces travaux se rejoignent en ce qu’ils contribuent simultan´ ment a une meilleure e e ` e connaissance et compr´ hension des textures a travers la boucle analyse/synth` se qui a fait ses preuves en e ` reconnaissance des formes. nous empruntons les m´ thodes aussi bien a l’analyse qu’` la synth` se e ` a e des images en pr´ cisant lorsque c’est n´ cessaire les limites des m´ thodes dans l’une ou l’autre application. On proc` de ensuite a une mesure d’´ nergie dans chaque image par une int´ gration locale des sorties e ` e e ¡   . Elle poss` de une taille et des propri´ t´ s statistiques caract´ ristiques (qui e ee e joueront sur sa fonction de corr´ lation. . toitures. e e e de Valois et al. son isotropie. Chaque niveau de la pyramide est alors e filtr´ par 4 filtres qui produisent une d´ riv´ e seconde directionnelle selon l’horizontale. caillou sur une plage. ´ 13. sur la figure 13. Elle peut etre au contraire relativement variable (personne dans e ˆ une foule. ´ e ´ 13. Dans la suite. de e e e e e r´ gularit´ et induit donc d’autres lois statistiques (corr´ lation. Cette juxtaposition poss` de ses propres lois d’isotropie. 1969. e e e 13. tissus.3 Analyse ou synth` se e Un effort tr` s important a et´ fait dans le domaine de la synth` se des images pour cr´ er artificiellement ou copier e ´e e e des textures naturelles : forˆ ts ou cultures pour des simulateurs de vols.1 Un mod` le biologiquement plausible e Compte tenu du rˆ le important de la perception humaine dans la d´ finition mˆ me de texture. la verticale et les deux e e e diagonales.` 13. paragraphe 12. etc. 1982] ainsi que sur des exp´ rimentations sur les effets de masquage psychovisuel [Phillips et Wilson. . murs.4) par une succession de filtrages gaussiens et de sous-´ chantillonnages e adapt´ s (semblables aux pyramides de Burt et Adelson [Burt. nuage). . une description spectrale en o e termes de densit´ de puissance. pour des jeux vid´ o.2 Les echelles des textures Une autre particularit´ tr` s importante des textures est qu’elles pr´ sentent g´ n´ ralement plusieurs niveaux e e e e e d’´ chelle auxquels on peut les etudier. Une bonne analyse de texture donnera des informations sur ces deux composantes egalement. des propri´ t´ s de corr´ lation ou d’isotropie. e ee e Mais une texture n’est jamais strictement p´ riodique ni totalement al´ atoire et les deux mod` les se compl` tent e e e e naturellement.1.1). perle. 1991] un tel mod` le. aiguille de pin. 1981]).). des moments. eau.

mais il a le m´ rite de comporter la plupart des etapes e e e ´ que nous reverrons plus loin pour analyser les textures. e e 3. Sur le voisinage on mesure des propri´ t´ s particuli` res de l’image : soit ee e la mesure attach´ e a la e ` configuration parmi les mesur´ es. On proc` de enfin a une etape de normalisation pour tenir compte e ` ´ d’une sorte de gain variable de contrˆ le de contraste v´ rifi´ exp´ rimentalement. La forme est g´ n´ ralement carr´ e. si e est trop grand. Ces mesures seront attach´ es au pixel ( ). Reed et du Buf. 1985].5. entre orientations voisines (pour e e ´ e e exprimer le contraste relatif entre directions).1 Sch´ ma g´ n´ ral e e e Le principe le plus g´ n´ ral de l’analyse statistique des textures est le suivant. on r´ duit la dimension de e l’espace par une s´ lection judicieuse des composantes les plus significatives ou par analyse en composantes e principales. 1978]. mettent l’accent sur la distribution statistique des pixels et sur leur d´ pendance e e spatiale.4 [Cross et Jain.2 Mod` les stochastiques e Ces mod` les. Eventuellement. 13. figure e 13.3 Analyse et reconnaissance de textures Il existe de nombreuses revues des diverses approches de l’analyse de textures. Nous nous attarderons particuli` rement sur ce point a la section e e ` 13. e ¢ 8 & . avant cette classification.1. Taille et forme peuvent eventuellement s’adapter au signal a e e e e ´ ` mesurer si l’on a quelque m´ thode pour le faire (pr´ -segmentation. o e e e Un tel sch´ ma de fonctionnement du syst` me visuel humain est tr` s sch´ matis´ et controvers´ . Il existe d’autres e e e e e e sch´ mas tout aussi int´ ressants [Mayhew et Frisby. et nous renvoyons le lecteur a trois textes qui couvrent assez bien l’´ volution du domaine : [VanGool et al.. La fenˆ tre d’analyse e La dimension du voisinage est importante. dans un mˆ me niveau de r´ solution.260 CHAPITRE 13. la pr´ cision de localisation des fronti` res des textures d´ tect´ es e e e e sera m´ diocre. 1999] 13. C’est l’un des choix d´ licats de l’analyse des textures (cf. On classifie les pixels a partir du vecteur form´ par les ` e par l’une des nombreuses m´ thodes de la recone naissance des formes (rappel´ es en section 12. Elle doit comprendre au moins un motif de base de la texture mesur´ e pour fournir des statistiques hoe mog` nes sur la texture. e e e e e – les mod` les autor´ gressifs et leurs d´ riv´ s. 1994b] . 1993. ces derniers etant e e e e ı ´ aujourd’hui les plus universellement adopt´ s. et plus g´ n´ ralement les ensembles ferm´ s al´ atoires. qui consid` rent la e e e e e e e texture comme une distribution poissonnienne de motifs et qui est particuli` rement bien analys´ par les outils e e d´ velopp´ s en morphologie math´ matique qui permettent de d´ finir sa capacit´ de Choquet [Schmitt et Mattioli. de taille et de forme appropri´ es. 1983.3). On d´ finit un voisinage e ¡ de tout pixel )"# § ©   . chaˆnes de Markov et champs de Markov.). e e 2. ` e Randen et Husøy.3. et si le vecteur de mesures est trop grand. La texture est alors consid´ r´ e comme la r´ alisation d’un processus al´ atoire gouvern´ par ses lois. section 6. mais. 1985.2. Chellappa et Kashyap. LES TEXTURES pr´ c´ dentes et l’on soustrait ces energies. e ´ ¡ ¡ $ )"# ¥   $ ¥ ¢ $8 ¢ $8 ¡   ¢ $8 1. e ´ 4. etc. Nous ee e e e avons vu dans les chapitres ant´ rieurs deux mod` les qui ont et´ abondamment utilis´ s pour mod´ liser les textures : e e ´e e e – le sch´ ma bool´ en (cf. 13.3).2). mais il faut s’assurer e e alors que la technique de classification n’est pas perturb´ e par des mesures faites sur des echantillons variables. masque de contours. au contraire.

3. 1982].3 – Le choix de la taille de la fenˆ tre d’analyse est important pour s´ lectionner les d´ tails que l’on souhaite e e e pr´ server. etc.13.3 : nu´ es dynamiques. En pratique il est rare que l’on puisse s´ parer les nuages des mesures et il faut trouver des compromis e lors des d´ cisions. C moyennes floues. la fenˆ tre e mesurera des propri´ t´ s moyennes sur tout le toit et ignorera les ee diff´ rences entre tuiles claires et sombres.2 Approches par mesures statistiques ¡ A B F IG . plans s´ parateurs. id´ alement. Lorsque l’on cherche non seulement a discriminer des plages de textures diff´ rentes. La classification se fait alors dans l’espace de dimension . On calcule alors la matrice de taille et telle que . 13. La fenˆ tre permettra de d´ terminer des propri´ t´ s caract´ ristiques d’une tuile de ce toit et distinguera e e e ee e tuiles claires de tuiles sombres. La r´ duction des dimensions e occupe rarement toutes les Les diverses variables mesur´ es sont rarement ind´ pendantes et le vecteur des e e dimensions de . une nouvelle image dont les plages seront tr` s distinctes et pourront.4). r´ seaux neuro-mim´ tiques.  )"#  § ©   ¨ § % $ ¡ B(©( # & u $ ¥ ¥ ¥ )"# § ©     x    § ¡ ¡ )"# § ©    ¡   . on utilise des techniques de classification supervis´ ees : k-plus proches voisins. r´ seaux neuroe e e mim´ tiques. e ¢ 8 Dans ces approches on mesure les propri´ t´ s statistiques autour du point ee dans le voisinage . algorithmes g´ n´ tiques. Dans l’id´ al on aimerait pouvoir obtenir a partir de l’image e e ` . etre segment´ es par simple e e ˆ e seuillage (cas de la mesure d’un seul param` tre discriminateur) ou par des seuils multiples sur les diverses come posantes. classie e fieurs bay´ siens. pr´ alablements entraˆn´ s sur des ensembles e e e e e e ı e d’apprentissage [Vickers et Modestino.1. On diagonalise et on ne retient que ses plus grands vecteurs propres sur lesquels on projette toutes les mesures. ee 13. ANALYSE ET RECONNAISSANCE DE TEXTURES La classification des donn´ es e 261 Ce sont celles que nous avons vues au chapitre 12. ce qui r´ duit les calculs et permet de prendre de meilleures d´ cisions e e car les composantes sont alors non corr´ l´ es. Les erreurs de classification peuvent b´ n´ ficier de techniques contextuelles de reclassification e e e comme la relaxation ou les champs de Markov comme nous le verrons plus bas (section 13. mais aussi a reconnaˆtre ` e ` ı des textures particuli` res.3.

. 1986]. 1984]. Elles se d´ duisent de la probabilit´ empirique ` e e du niveau de gris dans la fenˆ tre ou de l’histogramme e o` est le nombre total de pixels dans u l’image. Ce sont : – les moments d’ordre (non centr´ s) : e . 1971]. que le e ´ e e ´ e syst` me perceptif humain ne distingue pas les textures qui ont des statistiques similaires aux ordres 1 et 2. le biais : . 2 La distance interquartile est la distance qui. C’est une mesure robuste de l’´ talement d’une loi. En effet. a la condition d’adapter la quantification. ´ e e 1 Attention. On choisit alors souvent de r´ duire la dynamique des images. caract´ ristique de la dimension fractale : [Pentland. l’occurrence moyenne des pixels est inf´ rieure a 4 par e ` niveau de gris). § ©  § ¡ §   ©  §   # © ©   § ¡ © ¡ ¢3   §  ¡   § $¡ $     $ ¡ ¡ ¡  $¡¡ £¡  £¡ ¡¡ & ¢¤ ¦¥¥ £ ¡ &   © ¢ x ¢ #"! ©  § ¡ . le coefficient de variation (surtout pour les images coh´ rentes dont le bruit est multiplicatif : radar. fond´ e sur une tr` s vaste etude exp´ rimentale.262 Statistiques du premier ordre CHAPITRE 13. e ´ e Les statistiques de points particuliers On recherche dans ce cas. c’est-` -dire celles qui mettent en jeu deux pixels e a simultan´ ment. Une quantification adapt´ e choisit de partager les niveaux de gris e en fonction des statistiques de la texture : – par moyenne et ecart type par exemple (cela donne 4 classes non equir´ parties). mais e a perceptivement diff´ rentes (cf. ´ ´ e – par m´ diane et distance interquartile2. s´ pare les niveaux de gris des e de pixels les plus sombres de ceux des de pixels les plus clairs. e e ´ e Les statistiques d’ordre elev´ Ce sont surtout les statistiques d’ordre 2 qui sont exploit´ es. la variance : l’´ nergie : e . le contraste : la dynamique : . figure 13.4). – les moments centr´ s d’ordre : e et en particulier : 2. la densit´ moyenne de certains points d’int´ rˆ t. . Cette conjecture a et´ d´ montr´ e fausse par A. on d´ signe egalement parfois par premier ordre les statistiques comme la moyenne. mˆ me e e si elles diff` rent aux ordres sup´ rieurs [Julesz. Julesz a emis une conjecture. Une quantification brutale se a ` fait en ne conservant que les bits de poids fort. Gagalowicz e e ´e e e qui a produit des textures artificielles ne diff´ rant qu’` l’ordre 3 [Gagalowics et Tournier-Lasserve. dans l’histogramme. e – les points de contour (apr` s application d’un d´ tecteur et seuillage). ¡ 1. l’aplatissement (ou kurtosis) : 3 ¨§§ ¢ ¤  £ ©   ¡ £  ©   § ¡  £  ‚ 3    3. dans la fenˆ tre e . e Si les fenˆ tres de mesure sont petites. ce qui donne des classes equir´ parties. Les plus souvent e ee utilis´ s sont : e – les maximums locaux de l’intensit´ . les statistiques mesur´ es sont souvent peu significatives (pour une fenˆ tre e e e de pixels et un histogramme de 256 niveaux de gris. images e . la moyenne : . qui ne mettent en jeu que des moments du e ´ premier ordre. ultra-sonores) : – l’exposant de Holder. LES TEXTURES Ce sont celles qui ne prennent en compte qu’un pixel a la fois1 . B. e #"! © ¡ ¢ 8   § £¡ ( ©   ¦§ ¡ ¥ ¦  ¥ ¤ a 0     § 1(    £3 © % ¦¦ § ¥¥      # © £ ¡ ¡   – – – – – ¢ £  4. l’entropie : . La conjecture de Julesz demeure cependant un guide important pour e les etudes sur les textures car elle est assez bien v´ rifi´ e pour les textures naturelles. . On a montr´ que les propri´ t´ s de e e ee discrimination des textures se conservaient remarquablement mˆ me pour des quantifications tr` s fortes des textures e e (jusqu’` 8 ou 4 niveaux de gris seulement).

ANALYSE ET RECONNAISSANCE DE TEXTURES On d´ duit de nombreuses propri´ t´ s de cette fonction : e ee 1. par exemple 8 e e niveaux de gris d´ termin´ s de facon adapt´ e (par moyenne et ecart-type ou par m´ diane et distance intere e ¸ e ´ e quartile) donnent souvent une bonne qualit´ de repr´ sentation . cf. les matrices de cooccurrence sont des outils adapt´ s a l’analyse e e ` des textures. et a tous les traitements spectraux que nous verrons e e ` ci-dessous. Cela se fait de plusieurs facons : ¸ – en diminuant le nombre de niveaux de gris par une quantification r´ guli` re ou adaptative. Ces matrices sont d´ finies pour un vecteur de translation e donn´ comme la probabilit´ jointe de e e l’amplitude d’un point et d’un point . A droite les 2 textures sont identiques a l’ordre 1 et a l’ordre 2. 13. si le rapport e e est fort. 13. la matrice de cooccurrence est sous cette forme un outil ni tr` s pratique. e 4. Elles sont obtenues pratiquement par une estimation sur la texture.3. et plus e e e particuli` rement par la fonction d’autocorr´ lation norm´ e centr´ e : e e e e F IG . alors la texture est 3. mais e ` ` diff´ rentes a l’ordre 3. la fonction d’autocorr´ lation donne acc` s au spectre de densit´ de puise e e sance (th´ or` me de Wiener-Kinchine. les 2 textures sont identiques au e e premier ordre mais diff` rent au second. par exemple : e e % ¦ ¢¥ ¡ ¢ ¥ ¦ $ ¦ ¢ ¥ ¢ ¡ ¢ £ %¦   #"# § # § ©   ( &  ‚ £©  ¡ ©    3 © ((   )"# § § ¢§ 3 )"# 0 © §  h©  G3 © #"#   § ¢ § § &  § b   ¡ #"# § # §  £©   ( &  ‚ G ©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨                               ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨                               ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨                               ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©© ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨¨ ¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨                               ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨                               ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨                               ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨                               ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨                               ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨                               ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©© ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨¨ ¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ £¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤£¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ ¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¥£ £¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ ¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¥£ £¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ ¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¥£ £¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ ¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¥£ £¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ ¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¥£ £¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ ¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¥£ £¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ ¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¥£ £¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ ¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¥£ £¥¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤ ¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤£¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ £¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤£¥ ¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ £¥¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤ ¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤£¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ £¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤£¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤£¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ ¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤£¥ £¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤£¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ ¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤£¥ £¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤£¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤£¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ ¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤£¥ £¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤£¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ ¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤£¥ ¦§  ¢ ¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡ ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢  ¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢¢ ¢  ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡  ¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢  ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡ ¢  ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡ ¢                                                                  ¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢¢ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡  ¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡                                                                  ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡ ¢   ¢¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢¢ ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡   ¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢ ¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¢  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢   ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡  ¢  ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡ ¢                                                                  ¢¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢¢ ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡   ¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡¢  ¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢   ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡ ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢  ¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢¢ ¢  ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡  ¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢  ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡ ¢  ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡ ¢                                                                  ¢¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢ ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¢  ¢   ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢ ¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡   ¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢  ¢ 3 certains auteurs pr´ f` rent etudier le variogramme qui s’exprime comme ee ´  1 ) 0 ( ' % $&$" # . si la fonction fortement p´ riodique et les p´ riodes de la fonction de corr´ lation permettent d’estimer de facon robuste la e e e ¸ p´ riode de la texture. les 2 textures diff` rent d` s le premier ordre. poss` de des maximums locaux diff´ rents de e e . Plus encore que la fonction d’autocorr´ lation. section 2. Ces deux textures sont distinguables visuellement. 263 . ni tr` s e e e fiable (les valeurs sont des estimations tr` s m´ diocres des probabilit´ s r´ elles). dans une direction donn´ e.4). elle peut etre fr´ quemment approch´ e par une fonce ˆ e e tion r´ guli` re. On a donc int´ rˆ t a e e e e ee ` comprimer ces matrices. les deux directions d’inertie maximale et minimale extraites de expriment bien les directions privil´ gi´ es de la texture et. C’est donc un tableau g´ n´ ralement de taille e e si la texture a 256 niveaux de gris : ` En raison de sa taille mˆ me. en contradiction avec la conjecture de e ` Julesz. la texture est fortement anisotrope. e e © ¢ Y § 4 §  # 4 § ¡ ¢ Y §  £#   © &©        ©  6  6 4 4 © 6  ¢ Y §  (§ 0 & !  © ¢ Y §  # w ¤  x w ¡ ¤  ¢ Y  6    6   (#  "  &  )"# § # § ©   ( &  ‚ #"# § ©   %  ¡ ¨ ¥   #"# § ©   7 )"# § # i § ©   ( & ‚ ¤ ¡ ¨     Les statistiques d’ordre 2 sont bien appr´ hend´ es par la fonction d’autocorr´ lation3 de la texture. Au centre. e 2. enfin par transformation de Fourier. c’est-` -dire un d´ compte des occurrences des niveaux en a e et en .4 – A gauche.et les param` tres et sont tr` s significatifs de la d´ pendance spatiale (en et ) des niveaux de gris a e e e ` l’int´ rieur de la texture . et au voisinage de l’origine.

5 – Construction d’une matrice de cooccurrence : on d´ finit un vecteur . e – en ne conservant que les seuls vecteurs significatifs . – enfin. facteurs de sym´ trie. etc. Des configurations bien choisies pour un probl` me particulier e e peuvent etre tr` s discriminantes. 13. 13. energie.264 CHAPITRE 13. rapport des inerties.6 – Quelques configurations particuli` res de pixels qui peuvent etre mesur´ es pour fournir un descripteur e ˆ e statistique : par exemple on mesure le nombre d’occurrences de trois pixels align´ s horizontalement. LES TEXTURES M Vi N F IG . ´ ` © ¢ Y#  # § 4 ¡ ¢ Y ¢ Y     6 4 . ou des vecteurs ` e de mˆ me module si la texture est isotrope) . 1979]. on a pu montrer que quelques descripteurs des matrices de cooccurrences pouvaient tr` s bien les e repr´ senter : position du centre de gravit´ . e e ´ e [Chen et Pavlidis. entropie. Les configurations particuli` res de pixels e On s’int´ resse dans cette m´ thode a mesurer la probabilit´ d’apparition de certaines configurations particuli` res e e ` e e de pixels (cf. Il convient donc souvent de e e e ´ e r´ duire la dimension de l’espace des param` tres par analyse en composantes principales. Ce sont donc des techniques qui s’appliquent surtout a des textures binaires ou a tr` s peu ` ` e de niveaux de gris (ou rendues telles). puis on mesure l’occurrence e des couples de niveaux de gris en et en . Les mesures ainsi faites permettent de construire un vecteur d’attributs qui permettra de discriminer des textures diff´ rentes. les 2 des e bords etant noirs et celui du centre blanc (en haut a gauche). – en tirant profit des sym´ tries existant dans la texture pour regrouper des vecteurs e contribuant de facon ¸ identique a l’apparence de la texture (par exemple des vecteurs sym´ triques le long des axes. e e F IG . La matrice de coocurrence ainsi calcul´ e est e .6). figure 13. Mais il est souvent difficile d’´ viter que des mesures ne soient statistiquement ˆ e e d´ pendantes car les probabilit´ s de certaines fenˆ tres sont evidemment d´ pendantes.

progression g´ om´ trique de fr´ quences. Il n’est alors pas n´ cessaire d’utiliser de fenˆ tre d’estimation. oe e – 4 filtres directionnels selon les axes et les diagonales.3.3 La d´ tection d’´ nergie dans des canaux fr´ quentiels e e e L’id´ e sous-jacente a toutes ces techniques est d’extraire l’´ nergie port´ e par le signal dans des bandes de e ` e e fr´ quences diverses. ´ § ¡ £ §   ! # £¢ § ¡   £ © ¢ § 3 ¨§§ 7 §  ¡§ 3 ¡  © '  © £ a  £ ¡  ¨§§ ¢ 7 § § )  ¥§ % . Leurs performances sont modestes. et de profil gaussien (cf. Ils sont constitu´ s e ` e du produit de deux familles el´ mentaires de filtres : ´e – 7 filtres en anneau. – celles qui s´ lectionnent un petit nombre de domaines fr´ quentiels significatifs (c’est par exemple l’analyse e e par filtres de Gabor). le premier de fr´ quence e e e e le troisi` me de fr´ quence e e . souvent gaussiennes. obtenus par produit en et e e de 5 filtres de base (cf. figure 13. Les filtres sont au nombre de 25.3. echelonn´ s de facon dyadique (c’est-` -dire centr´ s autour de fr´ quences suivant une ´ e ¸ a e e . Les filtres de Law Ce sont des filtres tr` s simples qui sont appliqu´ s dans l’espace de l’image par des masques. le second de fr´ quence e . figure 13. Il existe donc deux e e e e familles de techniques : – celles qui analysent syst´ matiquement tout l’espace fr´ quentiel (par exemple par une d´ composition en e e e ondelettes). mais ils sont tr` s rapides. egalement de profils gaussiens. ANALYSE ET RECONNAISSANCE DE TEXTURES 265 13. Un filtre de d´ tection est le produit s´ parable de deux de ces filtres. car les analyses fr´ quentielles e e e e utilis´ es disposent g´ n´ ralement de leurs propres fonctions de fenˆ trage. e Les filtres en anneau et en coin Ce sont des filtres d´ finis dans l’espace de Fourier a 2 dimensions [Coggins et Jains. dans l’esprit des e e filtres de d´ tection de contour par masquage adapt´ .).7).13. Il est e e appliqu´ dans l’espace de l’image.8) : 7 le recouvrement de ces filtres est contrˆ l´ par le param` tre . etc. 1985]. e F IG . 13.7 – Les 5 filtres de base de Law.

1995]. 2000]. la recherche ` syst´ matique de l’´ nergie dans de nombreuses d´ compositions en sous-bandes peut etre tr` s lourde et hasardeuse. on utilise aussi 4 orientations et les fr´ quences radiales suivantes : e Les ondelettes et les QMF La transformation en ondelettes discr` tes permet de choisir une famille compl` te de filtres de d´ composition e e e en sous-bandes. LES TEXTURES F IG . 13. on conseille l’emploi de 5 fr´ quences radiales diff´ rentes et de 4 orientations.8 – Les filtres en anneau dans le domaine spectral centr´ s sur les fr´ quences : 0. 1999]. e ee Des mod` les ont egalement et´ cr´ es alliant les propri´ t´ s de s´ lection des ondelettes et les mod` les statistiques e ´ ´ e e´ ee e e [Portilla et Simoncelli.25. Ce ne e e sont donc pas des filtres dyadiques. Les ondelettes de Mallat [Mallat. Unser. e e Dans [Randen et Husøy. 1991]. ou un petit nombre de textures connues par avance. qui disposent d’un petit nombre de param` tres seulement se prˆ tent assez bien a ce type e e ` © ! 7 § 2  §   ! # # £@ %¡ ¥ £ £  ¥  g  p  r   §  §  §  §  §  £9 £ ! ¡  ¡C 3 ¡ X!¦  B© %# ! 10"§   .40 et 0.4 Les filtres optimis´ s e Lorsque l’on cherche a distinguer 2 textures. On propose ainsi l’usage de paquets d’ondelettes [Laine et Fan. de leurs bonnes performances pour s´ parer e e les fr´ quences ainsi que de la grande vari´ t´ des fonctions qu’elles autorisent [Daubechies. Saito et Coifman. e e e ˆ e Il est possible de mettre en place des techniques adapt´ es pour les seules textures que l’on recherche qui permettent e de se concentrer sur quelques mesures seulement de l’espace fr´ quentiel. 1993. 1995]. 1991] : e Dans [Jain et Farrokhnia. 1992b. 1989] utilisent e ´e e e elles aussi une d´ composition dyadique (mais deux directions d’analyse seulement).60. 13. Ils sont assez proches des e pr´ c´ dents. e Les filtres de Gabor. Les ondelettes de Daubechies demeurent l’une des bases d’ondelettes les plus utilis´ es e pour l’analyse de textures en raison de leur bonne efficacit´ de calcul.266 CHAPITRE 13. Les filtres dyadiques de Gabor Ce sont des filtres qui essaient de copier les fonctions de la vision des mammif` res. Ces m´ thodes ont et´ pr´ sent´ es au chapitre 9. 0.3. 1993]. Des travaux sugg` rent qu’une e e d´ composition plus serr´ e que l’octave (c’est-` -dire des d´ compositions non-dyadiques) serait plus efficace pour e e a e l’analyse des textures [Chang et Kuo. Ce sont aussi des filtres a couverture dyadique qui se d´ duisent par rotation et homoth´ tie du filtre de e e ` e e base qui a pour r´ ponse impulsionnelle [Jain et Farrokhnia.

2001].4 Les approches par champs markoviens Les champs de Markov (cf. mais ˆ leur adaptation a traiter des images les distinguent. 1987b] [Won et Derin. l’image est d´ crite par la formule : e ` e e o` u repr´ sente le domaine de pr´ diction li´ a la sortie du filtre.3. 2001]. e e mais pour bien repr´ senter des signaux a longue p´ riodicit´ . dans le terme d’´ nergie li´ aux connaissances a priori. Les mod` les ARMA permettent de repr´ senter tr` s bien n’importe quelle densit´ spectrale de puissance. ¡ 13. de distance aux centres ee e de classe. il vaut mieux qu’il soit grand.13. Si ` les coefficients sont nuls pour tout appartenant a . e e e Dans une approche autor´ gressive a moyenne ajust´ e (ARMA). LES APPROCHES PAR CHAMPS MARKOVIENS d’optimisation.5 Les mod´ lisations autor´ gressives e e De la mˆ me facon que les signaux monodimensionnels sont analys´ s par des mod´ lisations autor´ gressives e ¸ e e e uni-dimensionnelles (AR ou ARMA) afin de mettre en evidence les p´ riodicit´ s qu’ils contiennent. e e e` . e e Les champs de Markov sont particuli` rement adapt´ s pour synth´ tiser et mod´ liser des textures. les signaux ´ e e bidimensionnels peuvent etre analys´ s par des mod` les autor´ gressifs bi-dimensionnels. Les repr´ sentations ´ e e par mod´ lisation autor´ gressive des textures est particuli` rement efficace pour des textures tr` s p´ riodiques et de e e e e e large extension. Derin et Elliott. alors le processus est AR. mais aussi parce qu’ils ont. Afin de conserver aux mod` les ARMA une bonne localit´ . celui li´ a l’entr´ e du filtre et d´ crit un e` e e processus de bruit. Ces mod` les expriment e ` e e e naturellement une d´ pendance causale et suscitent donc des discussions comme celles que nous avons abord´ es au e e chapitre 2. que l’on souhaite voir repr´ senter.4. d’isotropie. Si les coefficients sont nuls pour tout appartenant a . 1992. tout d’abord parce qu’ils comportent naturellement des descriptions des d´ pendances spatiales entre pixels e par le choix des cliques et des potentiels d’interaction au sein des cliques. 1986]. Ceci e e e e se fait en utilisant les equations normales associ´ es de Yule Walker [Alata et Cariou. dans les autres cas on optimise e e par essai-erreur. chapitre 7) peuvent etre vus comme une sous-classe des processus ARMA. 1992. puisqu’il e e e e suffit de se donner les potentiels correspondant aux propri´ t´ s de d´ pendance. etc. 2. ` Le choix des domaines et incombe a l’utilisateur. Il est parfois possible de d´ terminer des valeurs optimales analytiques des filtres par ces crit` res. Dans de nombreux cas on choisit ` . les el´ ments qui permettent e e ` ´e de d´ crire les r´ gions et leurs interactions. 1998]  § @ ¡ ¡  © (( 3 ¨ ¡ ")# ©$  § § % $ ¥ & 3  @ ¡ ¢ © ¡ ¨¦ % $¥ §¡ ¡ ¦ ¢  ¥ @ £ $ )"# §  0©   ¡ ¢ © (( ¦ # § & ¨ ¡ § 7 7 ¢ ¡ £ © ¡ ¢3 ¥ ¡ ¡ § ¥    (( 3 © ¡ ¡¥¡ ¡ ")# ©0   % $ & 3 § # § © ( & ¥ %$  £ ¢ £ ¥ ¡¡ ¢ @ #  ¡ ¡   ¡ ¡ ¨ §¦% $ ¥ ¨ ¡  ¦ ¢ ¡ £ )"#  §  ©   %$ ¢ # §¡ ¡ ¨ ¡ (13. il est souhaitable que le nombre de termes dans soit faible. Andrey et Tarroux. On cherche alors a optimiser un crit` re comme : ` e ¡ ¡ ¥¡  £ ' £ ¡ ¡ £ © ¡ ¢3 ¥ ¡ ¡ § 267 o` u est la valeur moyenne de la mesure donn´ e par la texture et e sa variance [Unser.1) . Ils se prˆ tent doublement a l’analyse des textures : ` e ` 1. Il y a donc une abondante litt´ rature qui exploite le formalisme des e e champs markoviens pour segmenter des textures : [Hu et Fahmy. 13. alors le processus est MA. Un etude tr` s compl` te ˆ e e e ´ e e de ces m´ thodes de description est pr´ sent´ e dans [Garello.

il faut apprendre les param` tres des textures. du point (cf. pour retrouver un champ de Markov a partir de la r´ alisation d’une texture. e e Dans une premi` re etape. elle peut alors se faire par ´ des techniques de moindres carr´ s ou par des m´ thodes de filtrage (techniques de renormalisation). LES TEXTURES tr` s faciles d’emploi en synth` se des textures.2) bv b b £ % 0# ¤ ¡ %3 ¨ % % # ¡ E   ¤ ¡ t  £ ¤¡ . 1. Les energies ´ d’attache aux donn´ es pour une classe e sont de la forme : dont les inconnues sont. e e 13. 1991]. accompagn´ es de tests d’ind´ pendance au fur et a mesure que e e ` l’on agrandit le voisinage. e ´e e ` En r` gle g´ n´ rale. etc. soit par e e des techniques de croissance de voisinage. a la section 7. E. o` les u correspondent aux cliques des directions S.9).3.9 – Le 8-voisinage utilis´ par Manjunath et Chelappa.268 CHAPITRE 13. soit par analyse a e ¸ e du nuage des points obtenus sur toutes les fenˆ tres. 2. On d´ termine les e 4 C’est ici que l’hypoth` se gaussienne simplifie le calcul : l’estimation peut se faire par moindres carr´ s de facon explicite. Ce probl` me a et´ abord´ au chapitre 7. La d´ termination des cliques utiles : on peut l’obtenir soit par l’analyse des fonctions de corr´ lation.4. Elle repose sur l’hypoth` se de probabilit´ s e e gaussiennes dans chaque classe (donc de potentiels quadratiques) [Manjunath et Chellapa. N NO NE O E SO S SE F IG . pour chaque texture . 13. puis les potentiels qui lient les sites dans ces cliques [Azencott et al. et . ils sont cependant d’un usage plus difficile en analyse car il e e n’existe pas de formulation explicite permettant de d´ terminer les potentiels correspondant a une texture dont on e ` dispose.. e e ¸   ! ¨ d   et # £ #¨ ¡ ¡ ¨ # ¨   %   ¡ ¨  d avec . les SE. Seules les cliques d’ordre 2 sont utilis´ es. Supposons que l’on recherche e classes. 1997]. Sur cette e fenˆ tre on estime aux moindres carr´ s par la formule4 : e e Une tˆ che d´ licate est l’estimation du nombre de classes qui se fait soit de facon supervis´ e. Prenons une seule fenˆ tre de taille e e dont on va supposer la texture homog` ne. .1 La m´ thode de Manjunath et Chellappa e C’est une technique assez typique des approches markoviennes. figure 13.    %¨ %¡ %  ¨ % d ¢  ¨   ¦     ¦¥ 3   ¡ £¨ £ x % % ¡ ¡ ¡ ¢   ¨ ¥ £% C¡ d d ¨    © ((   ¦¥ # % ¨ "§ % ( (      ¨ ¤ ¡ ¢ ¡   ¡ (13. il faut d´ finir les e e e ` e e cliques significatives. L’image est arbitrairement subdivis´ e e ´ e e en petites fenˆ tres . La d´ termination des potentiels : elle passe souvent par la r´ duction des potentiels possibles a des classes e e ` etroites (par exemple les potentiels quadratiques ou les potentiels polynomiaux).

e e e de Smirnov-Kolmogorov des composantes et des vecteurs : ¨ E ¡ © ¨ # E § ¡  E ¡ £ ¨  © ¨§    $ £ ¡ # $ ¡ # $ g  # $ ¥  # $ £  # $¡   $  #  §  ¥¨ E © ¨ Y  ¡ Y   © ¨¡ ¦  ¦ © ¨ ¨  ¦   © # ¥ ¨   3 § Y ¨ C §  ¨¨ 3 ¦  ¨ ¨ Y # E  § © ¥¨  ¡      ¨   Y #  ¨ ¦ E   § Y ¨ ¦  ¥ E        ¨ # # #  b Ab b ¨£  ¡¨   ¨   $ E ¡ Y ¨    ¥  ¨    ¨ Y   . On it` re ce proc´ d´ jusqu’` ce qu’un nombre pr´ -´ tabli e e e a ee de classes soit trouv´ ou qu’il n’y ait plus de candidats dans la classe fourre-tout. soit par recuit simul´ (relaxation stochastique) e ee e (cf. on calcule sur des fenˆ tres recouvrant l’image. on cr´ e une classe fourre-tout dans laquelle e e e e sont rang´ es toutes les textures trop eloign´ es de celle d´ j` trouv´ e. au contraire de la pr´ c´ dente. LES APPROCHES PAR CHAMPS MARKOVIENS 269 meilleures classes du nuage des points obtenus sur toutes les fenˆ tres par exemple par un algorithme de nu´ es e e dynamiques. e e 2. la taille des fenˆ tres doit etre : e e e ˆ 1. assez petite pour conduire a des segmentations fines des d´ tails.5).2 La m´ thode de Kervrann et Heitz e Dans cette m´ thode [Kervrann et Heitz. autrement que par r´ f´ rence aux primitives de la matrice de cooccurrence. etant ´ comme dans la formule 13. On va d´ sormais travailler au niveau des sites du champ e ` e de Markov. En chaque fenˆ tre. La construction des classes se fait de la facon suivante. on repr´ sente la texture par un vecteur d’attributs issus de ces e e matrices . Le terme d’attache aux donn´ es s’´ crit sous la forme : e e o` la fonction vaut 0 ou 1 selon que les valeurs de sont sup´ rieures ou inf´ rieures a une valeur de seuil issue u e e ` des tables du test de Smirnov-Kolmogorov [Saporta. Le champ evolue vers le crit` re du MAP (Maximum A Posteriori) par la technique de relaxation sous-optimale ´ e de l’ICM : pour chaque site on choisit la meilleure classe parmi les seules classes des voisins du site consid´ r´ (cf. ee ¢f ¡  ¢  ¨¢    ¢ £C 3 © ¢ f ¨ # § § © ¢  ¨¢  £     ¡ ¡   £ ¡ $¦ £¢  ©  £ o` u est le vecteur d’attributs du site et Le potentiel s’´ crit a partir de la distance e `    est le vecteur d’attributs de la r´ gion d’´ tiquette affect´ e au site .4. on d´ termine e ´ e ea e e e les param` tres de la classe trouv´ e (en calculant un vecteur e e sur toutes les r´ alisations trouv´ es) et on accroˆt de e e ı 1 le nombre de classes. chapitre 7). e e On recherche la distribution des et des . assez grande pour permettre une caract´ risation statistique r´ aliste des textures (et de leurs motifs) . L’optimisation d’une telle fonction d’´ nergie ´ ` e se fait soit par relaxation d´ terministe (par exemple l’ICM Iterated Conditional Mode qui remplace a chaque etape e ` ´ la classe par celle qui minimise l’´ nergie au site consid´ r´ ). On reprend le balayage de l’image.4. Initialement il n’y a qu’une classe. Cela nous fournit vecteurs de param` tres e . Afin de cr´ er de nouvelles classes. 1995]. e Comme dans le cas pr´ c´ dent. On introduit un champ de liaisons entre les pixels. Apr` s un passage sur l’image. 13. d´ crit par la seule variable binaire (processus de e bord) qui vaut 0 si deux pixels voisins sont dans une mˆ me classe et 1 s’ils sont dans des classes diff´ rentes.2 et etant un biais propre a la classe . des matrices de e e cooccurrence (cf. Les autres vecteurs de texture sont associ´ s a cette classe si leur distance e e e e ` est inf´ rieure au seuil donn´ .13. variables caract´ ristiques de l’appartenance du pixel a la classe e ` ( ssi le pixel au site appartient a la classe ) qui minimise l’´ nergie : ` e o` le premier terme exprime l’attache aux donn´ es et le second l’a priori sur les r´ gions. identifi´ e au ¸ e vecteur de la premi` re fenˆ tre rencontr´ e. On peut alors proc´ der a la phase de segmentation. ne permet pas de d´ terminer les potentiels et les e e e e cliques des textures retenues. ee chapitre 7). ` e Notons que cette m´ thode. section 13. Les incluent toute u e e l’information connue sur le site appartenant a la classe : par exemple ` . 1990].

6 Textures h´ t´ rog` nes ee e Si l’on fait l’hypoth` se que la texture sous-jacente est stationnaire. on peut d´ duire des variations de ses proe e pri´ t´ s statistiques dans l’image. LES TEXTURES 13. Lu et Fu.5 Les m´ thodes structurales e Ces m´ thodes ne s’appliquent qu’aux textures construites sur une primitive bien identifiable qui se r´ p` te sur e e e une maille r´ guli` re. e 13. on parcourt ´ e la texture ou des sous-ensembles de la texture par un balayage syst´ matique de tous les sites.2). Des m´ thodes plus structurales encore s’appuient sur des techniques de graphes ou de grammaires. Dans les approches par grammaires. 1978. L’analyse d’une texture homog` ne se fait en plusieurs etapes : e e e ´ 1. 1979]. Dans les e approches par graphes. Ces variations sont alors reli´ es a l’orientation de la surface observ´ e (g´ n´ ralement ee e ` e e e sous l’hypoth` se que celle-ci fait un angle constant avec la direction d’observation). on repr´ sente les d´ pendances entre les diverses cmposantes de la texture par des graphes e e (arbres. connaissant ces vecteurs. 2. e e ee 4. construisant ainsi une e chaˆne de descripteurs. e ¡   ¢C ¤ ¥x ¤ . sur chaque sous fenˆ tre on d´ termine les 2 vecteurs moyens de p´ riodicit´ . l’image est d´ coup´ e en sous-fenˆ tres. Les chaˆnes font alors l’objet d’un traitement syntaxique ı ı qui extrait ces d´ pendances [Lu et Fu. comme par exemple la d´ croissance de la corr´ lation a e e ` ). e e e figure 13. chaque sous-image est normalis´ e par un r´ echantillonnage de facon a ce que les e e´ ¸ ` nouveaux vecteurs de p´ riodicit´ soient tous dans une position de r´ f´ rence. chacune contenant plusieurs primitives (typiquement de l’ordre de e e e primitives). on calcule alors par TF le motif de la primitive en sommant dans l’espace de Fourier toutes les sous-fenˆ tres e normalis´ es et en isolant le sous-domaine du fondamental. des el´ ments suffisants pour remonter a une connaissance de certains el´ ments de ee ´e ` ´e relief et d’orientation 3D des objets de la sc` ne observ´ e. e 3. par exemple par l’examen de la e e e e fonction d’auto-corr´ lation. e e ou des textures plus ou moins parfaites en m´ langeant des motifs r´ els ou moyens sur des mailles r´ elles ou e e e moyennes. puis d’´ tudier les variations e spatiales de ces propri´ t´ s. on est alors en mesure de reconstruire une texture parfaite en r´ p´ tant le motif moyen sur la maille moyenne. Cela est naturellement fait par syst` me visuel humain (cf.270 CHAPITRE 13. e 5. il convient de mesurer en chaque point de l’image (c’este a-dire en des zones suffisamment petites autour de chaque point) des propri´ t´ s statistiques d’ordre 2 (prenant en ` ee compte les pixels 2 par 2. cycles) mettant en evidence les d´ pendances entre pixels. Les relations entre les descripteurs successifs sont exprim´ es par des r` gles qui indiquent ı e e l’enchaˆnement des niveaux de gris le long du parcours. Pour faire cela par traitement num´ rique.

1998] ou a partir des m´ thodes d´ crites ¸ ` e e aux chapitres 11 et 12). e e` 2. e e e c’est a dire sous forme d’une image binaire. une certaine compacit´ pour permettre l’archivage de nombreuses formes et potentiellement de ces mˆ mes e e formes sous divers aspects. en seuillant l’image [Sahoo et al. ı ` C’est particuli` rement vrai dans les applications de tri dans lesquelles on est int´ ress´ a saisir ou trier des objets e e e` arrivant sur un convoyeur1. e 3... e e e 271 ()' 6 ( )' 6 ( & )' 6 ! ¡  ## § " ©   #"# § ©    )"# § ©   ¡   ¡   ¡   C    &  § © #"#    )"#  § ©   . dans les applications de reconnaissance de caract` res. et en tri en vrac. Il est utile alors que l’utilisateur dispose d’une repr´ sentation de la forme v´ rifiant plusieurs propri´ t´ s : e e ee 1. 1988.1 Fonction caract´ ristique e La repr´ sentation naturelle d’une forme dans une image est une repr´ sentation par fonction caract´ ristique.Chapitre 14 Description de contours et de formes Chapitre r´ dig´ par Henri M AˆTRE e e I Dans de nombreuses applications de traitement des images. une bonne discrimination de formes diff´ rentes. une fois l’image segment´ e (on peut le faire. g´ n´ ralement sur un tapis roulant). o` ils sont u e ` e e u pr´ sent´ s dans un d´ sordre total. une bonne adaptation aux op´ rations de reconnaissance des formes. Cham et al. ainsi que pour des applications e de surveillance ou de guidage. on essaie de reconnaˆtre les divers objets qui la composent a partir de leur seule silhouette. De nombreuses repr´ sentations des formes ont et´ d´ velopp´ es concurremment. les seuls pixels non-nulles etant ceux couverts par la forme : ` ´ Dans une image o` de nombreux objets existent. chacune pour r´ pondre a un e ´e e e e ` probl` me parfois assez sp´ cifique et donc mettant l’accent sur l’une ou l’autre des propri´ t´ s ci-dessus. de la e facon la plus simple. une bonne fid´ lit´ a la forme initiale. e e ee 14. e 4. et en particulier une insensibilit´ aux e e d´ formations qui sont susceptibles d’entacher l’objet. par exemple en imagerie militaire. on utilise une image d’´ tiquettes (ou de labels) qui g´ n´ ralise la u e e e notion de fonction caract´ ristique : e 1 Le tri se partage en tri planaire (o` les objets sont pr´ alablement mis a plat.

on ´ e ´ cr´ e un pointeur qui renvoie de l’´ tiquette la plus grande vers l’´ tiquette la plus petite . Les etiquettes ont et´ attribu´ es a chaque point soit en donnant une nouvelle etiquette si les e ´ ´e e ` ´ 2 ant´ c´ dents du point sont a 0.1). Elle se fait par le choix d’une connexit´ qui e e e e e permet de d´ finir les propri´ t´ s de topologie des divers objets (4. e e – si le point courant n’est pas connexe a ses deux ant´ c´ dents.7). DESCRIPTION DE CONTOURS ET DE FORMES 3 4 5 6 étiquette initiale 0 étiquette finale 0 1 2 2 3 2 2 3 2 2 2 2 4 77 2 7 x 3 pointeur 4 z 2 6 t 1 2 3 4 8 5 6 3 2 y 7 8 F IG . On constitue ainsi une liste d’´ tiquettes qui occupe tous les en´ e e tiers entre 0 et s’il y a objets se d´ coupant sur un fond. soit en donnant l’´ tiquette des ant´ c´ dents si ces ant´ c´ dents ont une etiquette e e ` e e e e e ´ semblable diff´ rente de 0. on donne au point l’´ tiquette la plus petite parmi les deux.1 – Etiquetage d’une image en 4 connexit´ . on lui attribue l’´ tiquette de ces ant´ c´ dents . y le pointeur 3 2. on lui attribue l’´ tiquette de cet ` e e e ant´ c´ dent . e e e ´ e e e – si le point courant est est connexe a ses deux ant´ c´ dents.272 0 22 1 CHAPITRE 14. et si ses deux ` e e ant´ c´ dents ont la mˆ me etiquette. au premier point est attribu´ e l’´ tiquette 0 . e Une image d’´ tiquettes r´ sulte d’une proc´ dure d’´ tiquetage. on examine sa connexit´ a son voisin sup´ rieur et a son e` e ` voisin de gauche (ses ant´ c´ dents) : e e – si le point courant est connexe a ses deux ant´ c´ dents (au sens de la segmentation). e e e e 3.connexit´ sur les trames carr´ es. le balayage (par exemple vid´ o) de l’image est initialis´ . ´ 4. on retourne en 3 jusqu’` atteindre le dernier point de l’image. figure e e ¸ 14. mais que ses deux ant´ c´ dents n’ont pas la mˆ me ` e e e e e etiquette. 6-connexit´ e ee e e e en trame hexagonale). 14. e     9 ¡ A & 9 ¡ A & . un point nouveau est pris dans l’ordre du balayage . on d´ termine la liste finale e e des etiquettes de 0 a 4. Par exemple en 4-connexit´ un algorithme d’´ tiquetage fonctionne de la facon suivante (cf. on incr´ mente la liste des etiquettes. puis dans la liste des etiquettes. e e e – si le point courant est connexe a l’un seulement de ses ant´ c´ dents. a Lorsque l’ensemble de l’image a et´ ainsi trait´ (apr` s donc un passage complet sur l’image). Pour recr´ er une image d’´ tiquettes en conformit´ avec cette liste. le pixel z l’´ tiquette 3 et le pixel t l’´ tiquette 2.ou 8. une liste d’´ tiquettes est initialis´ e a 0 . La liste des etiquettes est alors filtr´ e de toutes les e ´ e etiquettes qui poss` dent au moins un pointeur. 1. e e ` 2. Le pixel x se voit attribu´ l’´ tiquette 2 car e ´ e e e 2 = min(2. Apr` s un second passage sur l’image. il faut donc faire un ´ ` e e e deuxi` me passage sur l’image. Pour cela on parcourt cette image et chaque valeur d’´ tiquette est remplac´ e par l’´ tiquette ´ e e e terminale rencontr´ e en remontant la liste des pointeurs. L’´ tiquetage vient attribuer une etiquette semblable a tous les points connexes au sens de la e ´ ` segmentation. L’image de gauche est le r´ sultat du premier passage juse e qu’au point not´ x. Le point x cr´ e le pointeur e e e e 7 2. En x les etiquettes sont de valeur diff´ rente. on r´ organise ´e e e e l’image des etiquettes. le pixel y l’´ tiquette 2. z 4 3 et t 6 2. puis on ` e e e ´ attribue au point courant cette nouvelle etiquette .

1 Repr´ sentation par les moments e Sur une image discr` te.2 – Description de formes par : a .2. b . proportionnel au rapport du carr´ du p´ rim` tre de l’objet a sa surface (dans des e e e e e ` images continues. ` Les param` tres de forme sont bien adapt´ s pour des objets de taille assez grande car ils ont souvent et´ d´ finis e e ´e e pour des formes continues.boˆte englobante. figure 14. il est maximum pour le cercle) . Pour des objets de petite taille (quelques pixels). proportionnel au rapport du carr´ du diam` tre g´ od´ sique e e e e a la surface de l’objet.2 Repr´ sentation par les moments invariants e Des moments invariants ont et´ propos´ s (nomm´ s moments de Hilbert). par exemple : e – le rapport iso-p´ rim´ trique. 1985].2. beaucoup etant adapt´ s a des formes particuli` res. 1962] . matrice de terme courant ) sont invariants par rotation. a b c F IG . Les moments d’inertie norm´ s par la plus grande valeur propre sont invariants par e similitude (rotation et facteur d’´ chelle).2. invariants par translation. c .2). Citons les plus e ´ e ` e utilis´ s.boˆte minimale. – l’indice d’allongement [Schmitt et Mattioli. 14. DESCRIPTION DE FORMES 273 14. ı ı 14. Ils se construisent a e e `       4 #  A  6 © § & # "   © % ! 10)  %# !§ Q &© Q ©  x  £ £ ¡ ¡ 3 £ En particulier les moments centr´ s (rapport´ s au centre de gravit´ ( e e e tion : £ ¡ % ! &0)  % %# !§ Q &© Q &§   A © £ 3   %# !§ 10" % )§ 3 A A Connaissant l’objet par sa fonction caract´ ristique e en mesurer les divers moments : © . 14. Ces param` tres ont et´ abondamment propos´ s e e e ´e e dans la litt´ rature [Coster et Chermant.ellipse et axes d’inertie.2 Description de formes Les descripteurs (ou param` tres) de forme sont des nombres qui repr´ sentent chaque forme et permettent de les e e classer (par exemple par nu´ es dynamiques ou plans s´ parateurs). ces moments s’´ crivent : e e Les moments d’inertie (valeurs propres de la matrice d’inertie. une repr´ sentation classique de sa forme consiste a e ` £ "§ ¡ $ ¡ £  © ! £ ¡   F £F ¦ 3   ¦ ¡  ! )§  F F A A  C £ 6  ) de la forme) sont invariants par transla-   A  A  6  6 . 1994b].14. (minimal pour les disques au sens du voisinage choisi). la discr´ tisation du maillage induit e des comportements souvent peu satisfaisants. rotation et ´e e e changement d’´ chelle (dans la limite de l’approximation par une maille discr` te) [Hu. Ils sont plus ambigus sur des formes complexes (cf. Les moments d’inertie d´ crivent bien l’allongement de formes r´ guli` res e e e e comme des ellipses ou des distributions gaussiennes.

Deux objets sont g´ n´ ralement identiques e ` e e e jusqu’` un niveau .4). figure 14. ı e e 14. figure 14. C’est la forme e . Afin de tenir compte des sym´ tries et des rotations de e . Cette approche rencontre plusieurs limites : – pour les ordres grands. Ainsi. DESCRIPTION DE CONTOURS ET DE FORMES 14.3 Boˆtes englobantes et boˆtes minimales ı ı Lorsque les formes sont plus irr´ guli´ res. La recherche du e repr´ sentant se faisant par comparaison au prototype devient tr` s longue .3). puis diff´ rents a partir du niveau a e ` (cf.5). toutes les formes identiques par rotation modulo et toutes les formes identiques par sym´ trie droite (par rapport a un axe horizontal ou vertical) sont rapport´ es e ` e a une mˆ me prototype du dictionnaire des formes (cf. par les formules :  A  6  7 7 ¢ 6   £ A  A     0©    4 ¡£  .3 Polygones de Guzman C’est l’une des m´ thodes les plus anciennes [Guzman. Un objet quelconque est donc d´ crit par une ` e e succession d’indices d´ crivant l’objet a divers niveaux de r´ solution. 1968]. Les formes prototypes auxquelles seront compar´ es les objets sont construites sur un maillage carr´ de facon e e ¸ syst´ matique et se classent en niveaux en fonction de la longueur de leur p´ rim` tre. figure 14.2. Cette longueur (exprim´ e en e e e e pixels) etant obligatoirement paire. ` e e e   ¡ A# C © 3 9 ¥ ¡  § A % § ¢ A ! v£© v£© 3 9 ¡£ ¡£ ¡ v£© v£© A     ! ¡£ ¡£   ¥7 ¥7     § i¢ £ ¡  7 ¥ 7§ © £ ¡  7 ¥ § ©7¥ 7 7 3 ¡ £ 7 3 £ © t i¢ § § §  ¥ 3 £©£¡  ¥ © ¡ £  ¥ 7© ¥ 3 t 7 § § © 7¡ £  ¥ © £ ¡ 7  ¥ 7 ¡ ¡ § § v£©¡£  ¥ 3 £©£¡  ¥ ©£ § £ ¡  7 ¥ §¥¢ © ¡ £  ¥ 7 § 7 © ¥ 7 t 3 ¡ £ 7 3 £ © t7 § §¥¢ § ¢  ¥ 3 £ © £ ¡  ¥ © £ ¡ 7 ¥ © £ ¡ t £ © ¡ £ 3 7¥ §  £ © £ ¡ £©¡£ ¢ 3 ¥ §  £©£¡ 7 ¢  £©£ 7                             C    ¡        ¥             ¡ £¡             ) (             £ ¡                   3 3 3 3 ¨¢§    ¨¢§  £¡ ¢§  )7 7 £ 7 7 ¥ 7 7 ¥ ¥ £     £             § § § § §          C ¡  £  ¥  p r   g           ¢ § A % ¡ o` u . – soit la boˆte orient´ e selon le diam` tre minimal de l’objet (de calcul un peu plus complexe) (cf. e ee la forme la plus simple (le carr´ unitaire) a une longueur 4 (et donc appartient au niveau 2). on d´ crit chaque niveau par le demi-cardinal du nombre de pixels constituant la ´ e fronti` re. les formes deviennent tr` s nombreuses et le dictionnaire trop grand. Dans chaque niveau. Elle peut donc s’appliquer ` ı e e e soit a partir d’une image d’´ tiquettes de la forme a analyser. e e – les distances d’une forme a un prototype ne s’imposent pas de facon unique (cf. on pr´ f` re souvent des descriptions de l’allongement par la forme de e e ee la boˆte englobante : ı – soit la boˆte align´ e sur les axes et donc simplement d´ finie par ses dimensions ( ı e e ) et ( ). les divers prototypes sont rep´ r´ s par un indice qui les identifie uniquement.274 partir du moment norm´ : e CHAPITRE 14. figure 14. soit a partir d’une liste des pixels de contour de la ` e ` ` forme.2). L’approche de Guzman consiste a envelopper e ` l’objet a reconstruire dans des boˆtes de formes de plus en plus pr´ cis´ ment adapt´ es. laissant place ` ¸ a des classements diff´ rents selon le crit` re adopt´ .

a un facteur d’´ chelle pr` s (par exemple e ` e e le carr´ el´ mentaire se retrouve dans tous les niveaux impairs). 1961. 14. Si elle est moins utilis´ e en reconnaissance des formes qu’elle le e fut. e u e e – les relations verticales entre niveaux sont complexes et ne permettent pas d’acc´ l´ rer le parcours de ee l’arbre de facon commode . 1977]. ¸ – certaines formes se retrouvent identiques dans des niveaux diff´ rents. e e – la notion d’invariance par rotation. mais elle apporte des concepts int´ ressants a la descrip´e e e ` tion des formes : – la notion de raffinement de la description.4. ` C’est la m´ thode la plus ancienne de description des contours dans les images et aussi la plus utilis´ e encore e e aujourd’hui [Freeman.4 Chaˆnes de Freeman ı ˆ 14. 14.3 – Les premi` res formes du dictionnaire de Guzman. Les 2 formes A et B sont semblables aux niveaux de repr´ sentation 3 et 5.5) 14 3 15 9 4 10 4 (14. Freeman. e´e F IG . ¡   ¤¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ £ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤¤¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤ ££¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡££¤¤£ ¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ £¤ £¤ £¤ £¤ £¤ £¤ £¤ £¤ £¤ £¤ £¤ £¤ £¤ £¤ £ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤¤¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤ £¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡¤£ £¤¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡£ ¤¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¤£¤£¤ ££¤¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡ ¡£¡£¡£¡£¡£¡£¡£¡£¡£¡£¡£¡£¡£¡£¡ ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤¡£¡£¡£¡£¡£¡£¡£¡£¡£¡£¡£¡£¡£¡£¡¤£ ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤ £¤£¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡¤£ £¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡ ¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡£¤£ B  ¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¢                             ¡ ¢¢¡ ¢¢¡ ¢¢¡ ¢¢¡ ¢¢¡ ¢¢¡ ¢¢¡ ¢¢¡ ¢¢¡ ¢¢¡ ¢¢¡ ¢¢¡ ¢¢¡   ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢ ¢  ¢¢¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡   ¢¢¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢  ¢ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡  ¢¢  ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡  ¢ ¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¢¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢   ¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢¢  ¢ ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢  ¢¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¢  ¢ ¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡   ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡   ¢¢¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢¢ ¢  ¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢  ¡ ¢¢ ¡ ¢¢ ¡ ¢¢ ¡ ¢¢ ¡ ¢¢ ¡ ¢¢ ¡ ¢¢ ¡ ¢¢ ¡ ¢¢ ¡ ¢¢ ¡ ¢¢ ¡ ¢¢ ¡ ¢¢ ¡   ¢¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡  ¢ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¢  ¢  ¢¢  ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢  ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡  ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢  ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ A 14. e 6 2 1 12 1 1 1 (14.1) 3 (5.L’approche de Guzman a et´ abandonn´ e aujourd’hui.34) 7 1 13 2 2 8 3 (3. elle est tr` s fr´ quemment utilis´ e dans des applications r´ centes comme la transmission des images par zones e e e e (par exemple dans MPEG-).4 – Repr´ sentation de Guzman. e e mais diff` rent au niveau 14. sym´ trie et changement d’´ chelle que l’on pourrait etendre eventuellement e e ´ ´ a d’autres transformations.51) ¡   16 5 5 11 2 5 3 4 6 275 . CHAINES DE FREEMAN F IG . o` l’une est repr´ sent´ e par le prototype 34 et l’autre par le prototype 51. – la notion de similarit´ entre tous les objets vus de tr` s loin .

tandis qu’en 8 connexit´ elle occupe 126 bits ( e ). e e e ¢ ¥x   ) ¡   x  w   2 0 4 0 3 5 6 7 . Y et Z en sont des approximations. Z et Y sont superpos´ es a e e e e ` droite. 14. transmission de la liste des codes de d´ placement d’un point du contour au suivant sur le maillage. e e 2 des essais ont et´ faits pour coder egalement les chaˆnes de Freeman sur 4 bits en ajoutant les directions reliant le point central a la seconde ´e ´ ı ` couronne des voisins qui ne sont pas dans la direction des voisins de la premi` re couronne. e 1 3 2 1 F IG . Il y a de nombreuses formes a distance minimale. La distance d’une repr´ sentation a la forme initiale peut se mesurer par la surface entre les 2 e ` contours. Les 3 formes X. Mais cette approche n’a pas eu un tr` s grand succ` s. on code de facon diff´ rentielle le changement de direction d’un point au suivant. 14. e a e a Deux exemples de codages par chaˆnes de Freeman sont pr´ sent´ s sur la figure 14.4. Y est la e forme la plus proche par d´ faut (enti` rement contenue dans A). Les directions peuvent se repr´ senter e ` e e en 4-connexit´ (codage sur 2 bits) ou en 8-connexit´ (codage sur 3 bits) 2 .6 – Les codes de Freeman en 4-connexit´ (` gauche) et en 8-connexit´ (` droite). X est une forme la plus proche en terme de surface et ` la plus simple au sens du nombre d’angles droits lorsqu’il y a plusieurs solutions de mˆ me distance.5 – L’arbitraire de l’approximation des formes : la forme A est l’objet. le codage de la suite de contours occupe 124 bits ´e e ).1 D´ finition e C’est une technique de repr´ sentation des directions du contour (on code la direction le long du contour dans e un rep` re absolu lors du parcours du contour a partir d’une origine donn´ e). Il n’y a pas de r` gle g´ n´ rale sur l’efficacit´ des e e e e ( repr´ sentations en termes de compression. Si la courbe est tr` s complexe (beaucoup de changements de direction).7 (le codage du positionı e e nement absolu a et´ omis). Z est celle par exc` s. Dans le cas de la 4-connexit´ . e Dans d’autres techniques. 14. e e Le codage d’un contour se fait donc de la facon suivante : ¸ 1.6. e Les codes des contours sont donn´ s par la figure 14. transmission des coordonn´ es absolues du point de d´ part. e e 2.276 ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢    ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢   ¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢  ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡  ¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¢ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡  ¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡  ¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡                                             ¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡¢  ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡  ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡¢  ¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¢  ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡   ¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡                                           ¢¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¢ ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡ ¢   ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡¢  ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡  ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡¢  ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢  ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡   ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¢ ¢ ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢  ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡  ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢  ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢  A Y CHAPITRE 14. ¸ e Cela peut se justifier en codage sur 3 bits si une direction est tr` s dominante par rapport aux autres. DESCRIPTION DE CONTOURS ET DE FORMES X Z X Z F IG .

4. On obtient une dilatation de la courbe d’un facteur  en r´ p´ tant fois chaque descripteur. e e 2. – en 8-connexit´ : e nombre de descripteurs pairs + nombre de descripteurs impairs. e 14. e 0 0 1 2 1 3 4 5 6 7 6 7 2 1 2 1 3 4 2 2 5 6 6 7 0 7 a 3 4 4 2 0 0 3 4 4 5 6 5 0 6 00000303444142000720660500011 b 000022442420000066600011 F IG . Il existe plusieurs simplifi´ es selon l’ordre de substitution que l’on adopte. 5. e 1 0 A X A Y X = 01000030030303003030303202221222232333033030000000100100100010 Y=100007707707776544434445576777000010101001 F IG . la figure b est une simplifi´ e de la figure a par e remplacement des seuls angles aigus.8 – En 8-connexit´ . La qualit´ du codage est cependant toujours au moins e e e e aussi bonne en 8-connexit´ . 14. Dans la figure de droite. Inversion d’un chemin : on inverse tous les descripteurs et on inverse la s´ quence. Approximation de la courbe A par la chaˆne X (en 4-connexit´ ) et par la chaˆne ı e ı Y (en 8-connexit´ ). ı e ` 1. On fait tourner une courbe de (dans le cas d’une chaˆne de Freeman en ı retranchant) modulo a la chaˆne initiale. 14.2 Les propri´ t´ s des chaˆnes de Freeman ee ı Les chaˆnes de Freeman se prˆ tent a un certain nombre de manipulations commodes. L’inverse d’un descripteur e est . exemple en 4-connexit´ : e . CHAINES DE FREEMAN 277 le codage en 8-connexit´ est g´ n´ ralement plus compact. e e e 3. ` ı 4. il est possible de simplifier les courbes en remplacant certains couples de descripteurs e ¸ par le descripteur de la table ci-dessus.7 – Codage de Freeman. 3   &  §   ¢C¢ &     ¦ C  ¢C  £ x  & connexit´ ) en ajoutant (ou e   ©  §   Q    ¢ ¢ 4 "   ¡   "  & " . On mesure la longueur d’une courbe par les formules suivantes : – en 4-connexit´ : e nombre de descripteurs.ˆ 14.4. On ne peut g´ n´ ralement pas r´ duire une courbe sans distorsion.

En 8-connexit´ les configurations sont un peu plus nombreuses. e 12. Si a un instant la chaˆne d´ j` parcourue se r´ duit a une e ı ea ` ı ea e ` chaˆne nulle. 7. Fermeture d’un contour : on teste la fermeture d’un contour en v´ rifiant que la chaˆne r´ duite est nulle. ı e 10. R´ duction d’un chemin : c’est l’un des chemins de longueur minimale reliant les 2 extr´ mit´ s de la courbe e e e initiale. – le carr´ direct : e – le carr´ inverse : e . On associe 2 par 2 des descripteurs inverses de la chaˆne et on les supprime. ı exemple en 4-connexit´ : e . Il y a d’autres fermetures minimales que celles obtenues par addition de l’inverse d’un r´ duit. DESCRIPTION DE CONTOURS ET DE FORMES 6. En 4-connexit´ . Changement d’origine : le changement de l’origine d’une chaˆne de longueur ı circulaires des descripteurs modulo . e ¢  C    ¡  ¡    ¦     C ¢C     ¢  ¦  C ¢  ¡ ¢     C   ¢         ¦       revient a une permutations ` .8) : ´ e exemple en 4-connexit´ : 012 e 1 . mais les fermetures obtenues ainsi sont de e longueur minimale. Il y a beaucoup d’autres e fermetures possibles que par addition de l’inverse d’un r´ duit. Courbe qui s’intersecte : pour savoir si une courbe d´ crite par sa chaˆne se recoupe. figure 14. 1977]. en 8-connexit´ la r´ duction est un peu plus complexe car il faut aussi regrouper des ensembles de 3 ou 4 e e descripteurs qui s’annulent : exemple 025 ou 7225 . on a trouv´ un point double. Pour connaˆtre le sens d’un contour ferm´ . en 8-connexit´ : 03 e 2 . e 9. on proc` de a une e ı e ` r´ duction de chemin syst´ matique en partant de son origine et en testant si chaque nouveau descripteur e e poss` de un inverse dans la chaˆne d´ j` parcourue. Cela s’obtient en remplacant des s´ quences de descripteurs cons´ cutifs par des descripteurs ¸ e e equivalents reliant les mˆ mes points (cf. Sens de parcours d’un contour : le contour ferm´ d’une forme simplement connexe peut etre d´ crit dans le e ˆ e sens direct ou dans le sens inverse. on r´ duit ce contour jusqu’` ı e e a n’avoir que 4 descripteurs. il n’existe que 2 chaˆnes possibles (et celles qui s’en d´ duisent e ı e par changement d’origine) : .278 CHAPITRE 14. On obtient tous les chemins r´ duits en e changeant l’ordre des associations. 8. e ı e On ferme un contour en lui ajoutant le chemin inverse d’un de ses chemins r´ duits. Simplification d’un chemin : c’est un chemin dont on a supprim´ des d´ tails sans changer globalement e e la forme. Surface d’une r´ gion simplement connexe : la technique est assez complexe mais ne n´ cessite pas la reconse e truction de la r´ gion [Freeman. 11.

W = contour inverse. comme elles peuvent avoir des origines diff´ rentes. comme elles peuvent diff´ rer par le sens de description. 1984] 3 . e Puis.3 Reconnaissance des formes par des chaˆnes de Freeman ı Pour que 2 formes et soient identiques.4. e e Dans le cas o` l’on ne recherche pas une similarit´ exacte mais seulement approch´ e (par exemple pour prendre u e e en compte la pr´ sence du bruit lors de la d´ tection des contours). Miclet. On utilise alors g´ n´ ralement des techniques de programmation dynamique (ale e gorithme de Wagner et Fisher [Wagner et Fisher. 1977. elargi pour des substitutions de plusieurs ´ descripteurs cons´ cutifs dans [Lowrance et Wagner. il faut comparer e a d’une part et a d’autre ` ` part. e u permutation de descripteurs. CHAINES DE FREEMAN 279 X=01033001 Y=0011003333000011 Z=12100112 W=32211232 A=0321 B=0123 X1=0103300323212 Y1=033 T=0010000333221100033332222222111221 F IG . Z = rotation ee ı ı . etc. 14. X1 = chaˆne originale et Y1 = chaˆne r´ duite. 3 Ce  sont des automates finis semblables a ceux qui sont utilis´ s en particulier pour les compilateurs et les editeurs de texte. il faut tout d’abord qu’elles aient le mˆ me nombre de descripteurs. 1975]) ou de relaxation (algorithme de Davis) pour retrouver e la distance minimale entre et . 1984]. ´e e 14. Y = contour double. on est amen´ a utiliser des techniques de distance e e e` d’´ dition pour lesquels on chiffre les coˆ ts des erreurs possibles : omission de contours. Enfin. ` e ´ ¡ ¡   ¢ ¡ ¡      ¡ ¥ . 1974. il convient de tester les deux chaˆnes descripteur a e ı ` descripteur sous toutes les hypoth` ses de permutation circulaires. T = exemple de boucle dans une chaˆne. ı ı e ı de A et B sont les deux contours el´ mentaires (inverse et direct) en 4-connexit´ . Des techniques rapides ont et´ d´ velopp´ es pour e ´e e e faire ces recherches (d’une complexit´ sous-lin´ aire en ).9 – Quelques propri´ t´ s des chaˆnes de Freeman : X = chaˆne originale.4. adjonction de contours.ˆ 14. Miclet. [Boyer et Moore.

car passer d’une origine – retrancher a toutes les valeurs ` . On param` tre la courbe par l’angle fait par le vecteur ` e tangent en chaque point et celui au point origine : et on cr´ e la variable r´ duite qui prend ses valeurs entre 0 e e et : . On appelle alors ¡ ' %  2 & ¡  ¡ ! ¡    ¡ ©   ¨   ¦ & 3 § 4. Donc : et :  © a une origine ` revient a : ` ©¦ § §© ¦ & ¡ 3 §  ©  '$ # ©¦ § § 7  £ £ §  $  ©¦ § §  '$   ¡  # E $ 6 ¥ ¦ # ¢   ¦    $ 3 # $ # ¢ # ¡ E £¦  b ¥ 6 ¥ ¦   ©   § ©E     ¦ § § ©¦   &  © ¦ § § § § 3 £©     ¦ 3 t ¦ ¥ ¦ §   # t   © © ¦ §       § B© § ¦ 3 ¦§ § ¦ ©     ¢ ¦     ¦ ¢ ¡ E ¡   § ¥ 2 E ¦ ¥ ¦   . e Φ (l) l M A A B F IG . Son e vecteur tangent sert de r´ f´ rence a la param´ trisation de la courbe.1 Descripteur par tangente Dans cette approche on consid` re le contour comme une courbe continue qui peut etre d´ crite par son abscisse e ˆ e curviligne a partir d’une origine choisie (cf. 14. si un contour est ferm´ .5 Descripteurs de Fourier 14. ils sont invariants par changement d’´ chelle (puisque est normalis´ ). le contour obtenu en filtrant les hautes fr´ quences ne l’est g´ n´ ralement e e e e e plus. ils sont invariants par translation de la forme. dans cette ´ e e repr´ sentation. il suffit de supprimer les ordres elev´ s dans le d´ veloppement. plus r´ guli` re. e e e e 14. on d´ crit la forme par un ensemble e e de points de contours. Ils b´ n´ ficient des propri´ t´ s suivantes : e e ee e 2.5. Fig 14. ils sont invariants par changement d’origine. Si de plus on veut simplifier le contour. o` est la longueur compl` te du contour. et on repr´ sente la e forme dans le plan complexe. C’est pourquoi on pr´ f` re souvent les descripteurs de Fourier par repr´ sentation complexe qui n’ont pas ce ee e d´ faut. initialement ferm´ e devient B.280 CHAPITRE 14. Pour comparer des formes on compare leurs descripteurs par ordre croissant. la forme A.5. malheureusement. On appelle descripteurs de Fourier l’ensemble des modules des : . On construit alors la fonction u e : ¦ le terme correctif prenant en compte l’enroulement de de la tangente pour un tour de contour. La fonction est une fonction p´ riodique sur e qui admet donc une s´ rie de Fourier : e . DESCRIPTION DE CONTOURS ET DE FORMES 14.10). puisque l’on a choisi la diff´ rence d’angle entre 2 tangentes. – changer en . On attache donc a chaque ` un nombre complexe . e ¦ 1. A droite : apr` s troncature du d´ veloppement ee ` e e e de Fourier. mais non ferm´ e. ils sont invariants par rotation. Le point de d´ part A est choisi arbitrairement. e 3.2 Repr´ sentation complexe e Dans cette repr´ sentation.10 – A gauche : descripteurs de Fourier par tangente.

Plus les coefficients sont nombreux. e Parmi leurs inconv´ nients. o` s’exerce l’action. de d´ phasage nul (puisque situ´ en ). la description est invariante par translation. ici ). les valeurs de e indiquent des actions de pression sur la courbe. e # WC 3     $ ¡ & ¢ %   C  ¨ &   3 c&    $ & ¡     7 $   C &  c&  Les coefficients . Si l’on l’omet. 3 actions pour et . A droite : le cercle r´ sulte de la prise en compte du seul coefficient e e . pour la d´ former vers l’ext´ rieur du e e cercle unit´ .6 Approximations polynomiales Il y a essentiellement 3 types de telles approximations : C 3  &    & $ 6  ¡ & ¡ sont nuls sauf pour .14.11 – A gauche : descripteurs de Fourier par repr´ sentation complexe. e 14. pour creuser la courbe vers son centre. apr` s troncature. en 1 seul point (donc ou ..6. etc. il faut noter que l’on ne peut pas ais´ ment garantir qu’un contour de forme simplee e ment connexe ne donnera pas. e   ¡   ¢ 3  &    ¥ ¦ ) ¥  &  2 & $   C C 2 & $  $  ¡ &    & 1. la forme est un cercle de rayon 2. sur le cercle unit´ . donc oe joue le rˆ le de facteur d’´ chelle. e e e – les valeurs de indiquent des actions de traction sur la courbe. APPROXIMATIONS POLYNOMIALES 281 3. – la phase du nombre complexe : exprime le lieu. jouissent d’int´ ressantes propri´ t´ s [Bertrand et al. Si tous les cˆ t´ s). e e On voit que les descripteurs de Fourier par repr´ sentation complexe ont le mˆ me type de comportement que e e les descripteurs par tangente. e u 4. 2 actions pour et . Et plus les coefficients sont elev´ s plus les ´ e d´ tails sont fins sur la courbe. Les coefficients et (pour et ) jouent des rˆ les sym´ triques (mais oppos´ s) de la o e e facon suivante : ¸ – l’ordre indique le nombre d’actions sur le cercle unit´ (entre et ) : 1 action pour e et . un contour qui s’auto-intersectera. les coefficients de la TF £ © ¦ ¡   de : v   ¡ $       ¡   3 t & $   3 c&    ¡ ¡y&   . pour . e y M k = xk + i y k x F IG . Le point courant e est d´ crit par e ses coordonn´ es complexes dans le plan image. Pour   .   est le centre de gravit´ de la forme. Ils sont mieux adapt´ s aux formes discr` tes puisqu’ils garantissent toujours que la e e forme demeure ferm´ e apr` s troncature du d´ veloppement de Fourier. Ils peuvent etre invariants par rotation si e e e ˆ l’on s’int´ resse aux seuls modules des coefficients . 14. Ces actions sont r´ parties e r´ guli` rement autour du cercle unit´ . plus la forme est complexe. la courbe pr´ sent´ e r´ sulte de l’adjonction d’un coefficient de pression (donc a e e e ` ). 1982]. e ee (ou un polygone r´ gulier a e ` rend la forme invariante par © i& "   ¡ ¦ ¥ 3 §  ©  ' ¨¡ ¡ ¨ descripteurs de Fourier. La normalisation par o e homoth´ tie.

2. les approximations analytiques par ajustements de nuages de points par des polynˆ mes du premier ordre o (conduisant donc a des polygones) . se posent les probl` mes difficiles de d´ terminer quels points ` e e appartiennent a un mˆ me contour et dans quel ordre les relier lorsque ces points sont issus d’un d´ tecteur de ` e e contour par nature local. C’est ce que nous abordons tout d’abord. DESCRIPTION DE CONTOURS ET DE FORMES 1. que l’on cherche a approcher par une droite. ainsi qu’aux approximations par des e e e e polynˆ mes d’ordre plus elev´ . e Les approximations polygonales des formes d´ crites par des points de contour sont les repr´ sentations les e e plus employ´ es. Soit e e nombre . la distance minimis´ e est celle mesur´ e selon le seul axe .12) : # qui minimise la distance ¢% ! W&# ¢ "§ C’est un probl` me bien classique mais qui m´ rite pourtant un peu d’attention. Il y a 2 facons de prendre le probl` me. Dans les cas les plus simples. Deux probl` mes se posent alors : e e e e – peut-on eliminer d’´ ventuels points parasites qui n’appartiennent pas au contour ? ´ e – peut-on faire l’´ conomie de certains sommets de la ligne polygonale pour obtenir des formes plus simples ? e Ces probl` mes seront abord´ s dans le paragraphe 14.6.1)   .282 CHAPITRE 14. on se contente de relier 2 a 2 des points de contour dans un ordre e ` d´ termin´ au pr´ alable (donc selon une abscisse curviligne croissante). les approximations par des polynˆ mes de degr´ o e splines. On lui e e e o ´ pr´ f` re donc les m´ thodes par axe d’inertie. ` 2. en   ¢% ¡ t   ¢ © ¦   ¡£ Q        ¡     (14.1 Approximation d’un nuage de points par une droite unique Approximation par r´ gression lin´ aire e e Ces formules s’´ tendent tr` s ais´ ment aux espaces de dimensions sup´ rieures. Fig 14. C’est donc une mesure o ´ e e e g´ n´ ralement mal adapt´ e en traitement d’image. ` ¸ e ©  ¢ 6 ¡     £v©¢ ! ¡   £ ¡  7   ¡ # % C § © ¨ 3 3. e e Mais avant d’en arriver a cette situation simple. ee e % ¡ v ¢ ¢ ! £!  ¡! © ¡ ##7#   ¡v t % $# # £ # ¡ % % bb  t ¡ % bb © ! ! b Cb % C C   ¡ ¡  §   ¡ ¡ La solution est donn´ e par : e matrice . o` u d´ note la matrice pseudo-inverse de la e ! # 7 # %   C’est une approche aux moindres carr´ s : on recherche la droite e (cf. et sont donn´ s par : u e . et en particulier les approximations par des fonctions les points.6. puisque et y jouent habituellement un rˆ le equivalent. 14. les approximations polygonales par des crit` res g´ om´ triques obtenues en parcourant la courbe des points e e e ordonn´ s selon une abscisse curviligne . o` .

puis a eliminer les points trop eloign´ s de la droite (par exemple a l’aide d’un test statistique tel celui e ` ´ ´ e ` ´ de Cramer-von Mises5 .14. de d´ tections erron´ es dont les ecarts a la e e e e ´ ` droite ne sont pas gaussiens (ce sont des outliers4 ). Une premi` re facon de prendre en compte ces points consiste a faire une premi` re estimation aux moindres e ¸ ` e carr´ s. Ces m´ thodes ont recu une base th´ orique dans l’approche dite par moindres carr es e ¸ e tronqu´ s (LTS : Least Trimmed Squares) ainsi que toutes ses formes d´ riv´ es : moindres quantiles carr´ s (LQS). a droite par axe d’inertie. 1998]. mais on minimise dans ce cas la somme des distances de tous e les points a la droite : ` £ Ces equations s’´ crivent sans probl` me en dimensions sup´ rieures (pour estimer des vari´ t´ s d’ordre variable). 1990]. e e ` Estimations robustes Si l’on repose le probl` me pr´ c´ dent dans le cadre plus g´ n´ ral de l’estimation robuste. e e test de Cramer-von Mises calcule une distance entre la loi gaussienne th´ orique et la r´ partition exp´ rimentale des erreurs.12 – Deux approximations lin´ aires aux moindres carr´ s minimisant des distances diff´ rentes : a gauche e e e ` par r´ gression lin´ aire. les estimations aux moindres carr´ s nous assurent d’une bonne qualit´ de l’ese e tim´ e. qui passe par leur centre de gravit´ e e vecteur propre de plus grande valeur propre de la matrice de forme quadratique :   # ¢ %¢ % ¢ %¢ ! ¢ v £ © ¢ 6 ¡ ¡ % 3 C ¢ %¢ ! ¢ !¢ ! ¢ !  ¡ £¡ # # ¡ ¡  7  # % § t ¡ ¢ Y¢ Y ¡ © £¢ ¦  ££ Q © (14. Mais il faut souvent tenir compte de la pr´ sence. Rousseeuw et Leroy. 14. 1987].2) et qui est donn´ comme e ¦  U @ & & . Un point est e e e rejet´ si sa distance a la distribution des autres points est trop improbable sous l’hypoth` se gaussienne [Saporta.6. e e ` Approximation par axe principal d’inertie C’est aussi une approche aux moindres carr´ s. e appelle outlier un point qui n’est pas r´ gi par la mˆ me distribution statistique que les points dont on recherche une approximation. parmi les points. Lorsque le bruit est gaussien.. e e e e moindre carr´ (LKS) [Lee et al. ´ e e e ee Elles se transcrivent beaucoup plus difficilement a des polynˆ mes d’ordre plus grand car on ne sait pas.. On cherche e e ¸ e ici la meilleure droite repr´ sentant au mieux l’ensemble des points e sous l’hypoth` se d’un bruit entachant la e position des points. exprimer la distance d’un point courant a une telle fonction. on est amen´ a e e e e e e ` consid´ rer ce probl` me de facon un peu plus compl` te [Meer et al. e ` e 5 Le 4 on £ ¡ # £ C’est l’´ quation de l’axe d’inertie des points. APPROXIMATIONS POLYNOMIALES ∆ ∆ 283 d1 Mi d2 Mi régression axe d’inertie F IG . en r` gle ` o e g´ n´ rale. 1991.

Dans ce cas. D’autres approches robustes reviennent a une estimation par filtrage (comme le font la moyenne ou la r´ gression). On choisit e ` e ` finalement le couple de points qui conduit au plus fort consensus. On attribue chaque point a la droite qui minimise la distance 14. 1981]. Chaque conique indic´ e par est alors d´ crite e e e e par son centre . il est possible de faire une classification au sens des nu´ es dynamiques par exemple. On leur associe une droite qui fournit des coefficients et . Pour tout point . dans laquelle chaque point appartient a l’une des droites avec une appartenance ` fonction de sa distance a la droite. Estimation d’un m´ lange de droites e Si l’on sait que droites existent dans l’ensemble des points. 1987]. le minimum des ´e e ` e m´ dianes des distances quadratiques (LMS Least Median of Squares) d´ termine le centre d’un nuage de points en e e calculant pour chaque point la distance a tous les autres. c’est par exemple le cas e de la m´ thode RanSac (Random Sample Consensus) [Fischler et Bolles. Cette m´ thode consiste a choisir e e ` 2 points et a adopter la droite qui les joint comme approximation. Par combinatoire sur l’ensemble des points. Pour cela on initialise le processus en choisissant droites (issues par e exemple de l’ensemble des points par tirage al´ atoire) repr´ sent´ es par leurs param` tres e e e e . Le filtrage m´ dian peut tol´ rer jusqu’` e e e e a d’outliers. On it` re le e e processus enchaˆnant classification et estimation. on v´ rifie : ` e [Bezdek. puis en caract´ risant la distance de ce point au nuage par ` e la valeur moyenne des distances et enfin en choisissant comme centre du nuage celui dont la m´ diane est minimale e [Rousseeuw et Leroy. On montre qu’il n’est pas n´ cessaire de tester e tous les couples mais qu’un petit nombre choisis al´ atoirement (de l’ordre de quelques pourcents) est usuellement e suffisant. son rayon et sa matrice d’ellipticit´ e : 6 Les distances ainsi d´ finies ne v´ rifient en fait plus les propri´ t´ s d’une distance. Ainsi. On mesure alors le nombre de points qui sont ` en accord avec cette hypoth` se (par exemple a l’aide d’un crit` re de distance du point a la droite). e e ee s   # 3 bbb   ¤ # WC © &§¢ ¡ # ¢# 7 #  #    ¡¢ ¢     ¡ 6   ¢ C ¨ £¢ © 6  © & § ¢ ¡ ¡ £ ¢ v © ¡ ¥ ¢ ¡  ¡¢ ¢# ¢ #  # # 3 ¢ © ¡ ¢  ¢ "§ ! §¢ 7   ¡ ¡© ¦   ¢ ¡ 3 ¡ ¢ § t &  ¡  ¢¥  ¢ ¡ ¥ & ¡ ¢ #   ¥ ¢ ¨ £¤#  ¡¢ #      # ¢ ¥  ¡    # ¤  . DESCRIPTION DE CONTOURS ET DE FORMES Mais cette approche est r´ put´ e dangereuse (on peut eliminer successivement les points appartenant a la droite e e ´ ` si un outlier est trop eloign´ de celle-ci). ee u e e Dans une estimation par m´ diane. On les appelle des M-estimateurs. Une autre famille de m´ thodes utilise la version floue des nu´ es dynamiques (les C-moyennes-floues ou Fuzzye e C-means). 1981]. on choisit 2 points quelconques e et de l’ensemble.2. ` Extension de l’estimation a des coniques Dans le cas o` l’on recherche des formes repr´ sent´ es par des cercles ou des ellipses. Les ensembles et sont tri´ s s´ par´ ment et l’on choisit les valeurs e e e m´ dianes et comme estimateurs des param` tres de la droite.284 CHAPITRE 14. Une autre approche consiste a int´ grer cette pond´ ration des points lointains directement dans la distance (c’est le cas ` e e ı des M-estimateurs [Huber. On lui pr´ f` re des techniques d’estimation par m´ diane ou par m´ dianes ´ e ee e e it´ r´ es. les distances 6 croˆssent moins vite que la loi quadratique ou d´ croˆssent mˆ me pour tendre vers 0 pour les grandes distances. 1981]). De nombreux estimateurs robustes ont et´ calcul´ s a partir de la notion de m´ diane. e ı e Une autre famille d’estimateurs robustes s’appuie sur des recherches syst´ matiques.1 ou mieux 14. On converge vers une solution qui d´ pend assez fortement de ı e l’initialisation. ` e mais en pond´ rant chaque point par un coefficient e qui tend vers 0 pour des points loin de la solution. on peut choisir une u e e param´ trisation matricielle de la forme quadratique les repr´ sentant. mais capables d’´ liminer beaucoup plus de points erron´ s. Apr` s classification de tous les ` e points on estime pour chaque droite ses param` tres e par l’une des m´ thodes vues ci-dessus. plus coˆ teuses en temps de calcul. l’estimation par m´ diane permet de tol` rer e e e jusqu’` a d’outliers ( ). Dans le cas de l’estimation simultan´ e de deux variables. on obtient deux ensembles de coefficients : et .

e e Algorithme de Dunham Dans cette m´ thode on cherche a supprimer les cordes successives qui sont presqu’align´ es. Les sommets du polygone sont e choisis successivement comme les points de les plus eloign´ s des cordes pr´ c´ demment tir´ es.14. 14.6. Le plus connu est l’algorithme de la corde. simplification de contours polygonaux Lorsque l’on dispose d’une courbe continue ou finement echantillonn´ e et que l’on souhaite la r´ duire a une ´ e e ` ligne polygonale. e Algorithme de la corde (ou de Ramer) C’est un processus de subdivision qui peut etre entrepris soit de facon r´ cursive (chaque segment cr´ e fait ˆ ¸ e e´ l’objet d’une nouvelle subdivision).13.2 Approximations polygonales. dans son impl´ mentation it´ rative. On se fixe donc e ` e une tol´ rance angulaire . La distance d’un point L’estimation des param` tres se fait de la mˆ me facon que pr´ c´ demment a partir d’une conique initiale souvent e e ¸ e e ` circulaire. Les points et sont successivement s´ lectionn´ s pour cr´ er la e e e ligne polygonale repr´ sentant la courbe e . Tr` s employ´ dans de nombreuses e e ` applications par la simplicit´ de sa mise en œuvre. Le crit` re de s´ lection est la distance maximale a la corde polygonale e e ` pr´ c´ demment obtenue. soit de facon it´ rative (la courbe est consid´ r´ e globalement a chaque etape). l’algorithme de la corde n’est pas tr` s rapide. Le processus ´ e e e e e e e s’arrˆ te lorsque la nouvelle distance candidate est inf´ rieure a un seuil fix´ . 14. Partant de . il se peut que la e e distance a l’´ tape soit sup´ rieure a celle a l’´ tape ` e e ` ` e . ¡ M1 M1 M3 A B A B A M2 A B F IG . on couvrira par une mˆ me corde tous les points de la courbe qui se e e £ ! B M2 M3 ¢ ¨ 0 3 £ §¡ v ©  s ¢ ¡ ¥ 3 6 $ ¡ ¢ §¢ $ £ a cette conique s’exprime par : ` C ¡© 6 # 3 ¢ ¡ ¡   6 3 $ ¡ ¢ ¡ § t  §  2©   & § £¢ Q s   . Il ne garantit pas e e non plus une convergence uniforme vers la courbe finale car. APPROXIMATIONS POLYNOMIALES ¡ ¡ 285 o` u est le point courant du plan. on dispose de tr` s nombreux algorithmes qui proposent soit des crit` res d’approximation soit des e e mises en œuvre diff´ rents. ¸ e ee ` ´ C’est cette derni` re version que nous examinons sur l’exemple de la figure 14.6.13 – Algorithme de la corde.

les fonctions approximantes qui ne passent pas n´ cessairement par les points mais qui s’en approchent de e facon contrˆ l´ e. e B M2 M1 M1 A M3 B M2 M3 A F IG .2 lorsque nous avons estim´ des fonctions r´ guli` res lors de segmentation par r´ gions. 1999] : ˆ e 1.4. o e e – les polynˆ mes d’ordre 3 permettent d’avoir des courbures continues. Le choix du degr´ du polynˆ me se fait g´ n´ ralement ¸ e e o e e de facon a assurer des propri´ t´ s de continuit´ au contour obtenu : ¸ ` ee e – les segments de droite (degr´ 1) assurent la continuit´ du contour. les points ` et sont choisis lorsque la tol´ rance angulaire e est insuffisante a approximer la courbe. mais dans un sch´ ma progressif. partant d’une extr´ mit´ . 1993a. e Le processus est r´ p´ t´ en ce point. 2. DESCRIPTION DE CONTOURS ET DE FORMES trouvent dans la tol´ rance et l’on choisira le premier point du polygone comme le dernier point de cet ensemble. o Les fonctions splines sont de bons candidats pour ce type d’approximation. 2000]. e ee Algorithme de Wahl et Danielsson Son objectif est de minimiser l’aire laiss´ e entre la courbe et la ligne polygonale. Deux types de fonctions e e e e peuvent etre utilis´ es [Unser et al.14 – Algorithme de Dunham. un algorithme progressif utilise le crit` re de distance de tout point de la courbe au segment d’approxie mation. e Algorithme progressif Enfin.3 Approximation par des splines L’approximation d’un ensemble de points de contours par des polynˆ mes d’ordre plus elev´ que les droites est o ´ e une bonne facon de repr´ senter ce contour [Chalmond. Dans ce sch´ ma. a gauche. ¸ oe ¥ 6 s £ 6 # ¡ 6 s . algorithme de Wahl et Danielsson : il cherche un minimum des ` surfaces laiss´ es entre la ligne polygonale et la courbe. la courbe est parcourue. et le e e e e point courant est retenu comme extr´ mit´ d’un segment d’approximation s’il est le dernier point visit´ permettant e e e une approximation de tous les points d´ j` visit´ s. A droite. e e – les approximations par polynˆ mes d’ordre 2 permettent d’avoir des d´ riv´ es continues. a une tol´ rance donn´ e.. 14. au chapitre e e´ 12. Unser.5. les fonctions interpolantes qui passent exactement par tous les points de contours qui sont utilis´ s pour e calculer la spline . ea e ` e e 14. Nous en avons d´ j` vu l’usage a ea ` diverses occasions : au chapitre 10.6.286 CHAPITRE 14.2 lorsque nous avons discut´ du r´ echantillonnage des images.

les coefficients des splines de l’´ quation 14.4.14. et des points de contrˆ le o qui la d´ terminent. on peut r´ ecrire cette equation [Goshtasby et al. e et sont des fonctions de mˆ me dimension : e des vecteurs de si les points sont d´ finis par leurs coordonn´ es du plan ou des vecteurs de e e dans l’espace.4) ¥ ¡ C  & ©3 & ¢ $ b4 b b © § $ #  ¢ d  £        3  7 © 7 $ £ § ¢ $ ¥ # $ ¡ % ¦$   ¦ $ £ ¤       © B¨ $ ©   ©   § 1¢ d § $¥   7   ¢    © 1¢ § 7 1¢ § ¢ d d  © § $ ¥   4   £¡  (14.6. o e Les positions des points de raccord entre splines sont donn´ es par e Il y a de nombreuses facons de d´ finir les variables . 1990] e´ ´ sous la forme : Interpolation Dans ce cas. 14.3 : e (14.3 sont inconnus et l’´ quation devient : e e  C  & ©3 d b4 b b #     © § ¥ $     #¢ f ¡ 7 % £ ¦   $  B© d qui prend la forme d’une convolution : . Ceci montre que les sont des points filtr´ s issus des e     #C   © £ ¢  § $ ¥ #  ¡ % ¢ d § ¥ ¢  % © ¨ $ #  £ ¦$ %   © &C§ ¡ $$ ¥ ¢¨ § $ ¥   ©   3 ¤ sont d´ finies a partir des fonctions e ` Les fonctions equations 10. on d´ finit la spline d’ordre par morceaux en fonction d’une variable e continue .3) . les jonctions entre les morceaux de splines sont les points de contrˆ le eux-mˆ mes. APPROXIMATIONS POLYNOMIALES Approximation 287 Dans le cas des fonctions approximantes. La plus naturelle consiste a consid´ rer que les echantillons ¸ e ` e ´ sont r´ guli` rement distribu´ s en fonction de (attention cela conduit a une param´ trisation o` n’est pas l’abscisse e e e ` e u curviligne le long du contour)..15 – Dans le cas d’une interpolation spline.2 ´e dans l’´ quation 14. alors et . .32 et suivantes : ´ ¨ qui ont et´ introduites au chapitre 10. Le morceau est d´ fini par : e Q4 P4 P3 Q3 P1 Q1 Q2 P2 F IG .

A un point de est associ´ e une droite de (d’o` e e u le nom de 1 a m : a 1 point sont associ´ s points. ` e ` ` Lorsque l’on transforme tous les points de par la transformation. on choisit d’associer a tout bi-point e ` . Pour faire cette transformation il y a 2 facons : la transformation de ¸ Hough de 1 a m et la transformation de Hough de m a 1. ` ` 14. Transformation de m a 1 ` Dans cette d´ finition. id´ alement. attention.7 Transformation de Hough La transformation de Hough est un outil de traitement des images dont l’usage d´ borde largement l’applicae tion pour laquelle nous la pr´ sentons maintenant [Ballard. on associe a un ensemble de droites ` qui. 1978. Elles sont d´ finies e dans par : . on a ). En combinant tous les couples de points de . 1985b]. on associe a tout point e ` de toutes les droites du plan. se coupent en des points e . Maˆtre. Les transform´ s des e sont les droites cherch´ es dans .16). Les solutions combinatoires (o` l’on recherche syst´ matiquement les classes possibles) sont g´ n´ ralement e u e e e inacceptables. un espace de param` tres. 1978. ce qui est l’´ quation d’une droite. Ceci s’obtient en associant a l’espace de l’image (d´ not´ et d´ fini par ses variables ` e e e d’espaces ). e e ¢  ©   §   Q ¨ # R ‚  R    R ¡ § ' i§ ¢   £ R   d R  ¡ ¢ d ¡ #¢ 6 $  ©  § $ ¥ 6    ©   ¢ &# ¢ "§ % ! #¢ f ¡ 7 ¡   ¢ % £ ¥ ¦   $   R  © ¢ ¡ ¢ 6 ¢  1§ #  $   ¥# #  © C 4 3 §     §     ¡£   ¢f    sont d´ termin´ s en contraignant les splines a passer par les points de contrˆ le e e ` o : ¢% ' ¥ §  ¡  ¢ d # ¢ ! ! # $  3  %   &0X %# ! ¥ ¡ ¢   £ . une droite de qui se transforme en un unique point7 de . Ces applications e ı seront vues plus tard. ´e Elle consiste a transformer un probl` me inconnu (retrouver des droites) en un probl` me mieux connu : retrou` e e ver des nuages de points.15). DESCRIPTION DE CONTOURS ET DE FORMES dont on a vu au chapitre 10. e figure 14. Sklansky. on se retrouve devant un difficile probl` me de e e e e m´ lange. Le nombre de transformations a accomplir est ` . Le nombre de transformations a faire est ` . Nous nous int´ ressons actuellement au sous-probl` me suivant : e e ` Connaissant un ensemble de pixels (potentiellement bruit´ ) appartenant a une fronti` re que l’on sait polye e gonale.7.2 les divers modes de r´ solution soit par inversion de matrice soit par filtrage (cf.288 et les coefficients inconnus CHAPITRE 14. e e e ` £ ¢ ¡ ¢ ¡ 7 la d´ nomination e ma1 ` se traduirait alors pr´ cis´ ment par e e 2 a 1 .4. comme pr´ c´ demment. L’espace de Hough est alors constitu´ de points que l’on identifie e imm´ diatement aux intersections des droites obtenues par la transformation de 1 a m. Les coordonn´ es e et du point se d´ duisent imm´ diatement de l’´ quation e e e de . La transformation de Hough nous propose au contraire une solution el´ gante. many en anglais) et a un point de une droite de . Ces points e s’obtiennent ais´ ment en ne conservant que e les intersections des droites de et en recherchant les nuages d’intersections (figure 14. a la recherche des nuages de points les plus denses du plan . e ` On se ram` ne donc. ` n’a pas la mˆ me signification dans les 2 d´ finitions. 14.1 D´ finitions e Transformation de 1 a m ` Dans cette d´ finition. comment d´ terminer le nombre de segments impliqu´ s dans cette ligne polygonale et leur position ? e e Exprim´ dans les termes que nous avons vus pr´ c´ demment. on obtient tous les points de . d´ not´ par (dans le cas o` l’on recherche des droites repr´ sent´ es e e e u e e par l’´ quation e .

Deux points ` 1 point de l’espace des param` tres e . Un point est transform´ en une droite e de l’espace ` des param` tres e . l’un en A.7. On a repr´ sent´ quelques-unes seulement de toutes les droites existantes. l’autre en B.16 – Transformation de Hough de 1 a m. TRANSFORMATION DE HOUGH 289 b y B A a Mk x ∆k F IG . 14. Ces deux transformations sont donc tout a fait equivalentes dans leurs r´ sultats.17 – Transformation de Hough de m a 1. ` Passage d’une TH a l’autre Il est assez simple de montrer que l’accumulateur de la TH de m a 1 se d´ duit de celui de la TH de 1 a m par ` e ` un seuillage au niveau 1. d´ finissent une droite qui se transforme en e $ £ $ 6 $ 6 6 © ¥ # # ¥$§  ¥# #  $ ¡ d . 14.14. Elles d´ finiront e e e finalement 2 points d’intersection. ` ´ e b y Mj Q jk a Mk x # ¡ F IG .

1978] a d´ montr´ qu’il y a equivalence entre la TH et la d´ tection par filtrage adapt´ (par e e ´ e e corr´ lation) dans une situation particuli` re mais fr´ quente. Soit la forme caract´ ristique de l’objet disponible ( e si appartient au contour de l’objet. ` e La transformation est de 1 a m si on associe a un point de la vari´ t´ de d´ crivant toutes les formes passant ` ee e ` par ce point. Il existe g´ n´ ralement de nombreuses transformations de n a m ( e e ). La transformation est de m a 1 si l’on associe a toutes les combinaisons ` points de une seule ` forme (donc un point unique de ). # de largeur est appel´ e accue sera plus probable dans a 3  %# 1$ 3 ! 3 a %# ! &$"§   % ! Q © Q a a #   3 %# &$! % #0! § © 10) %# !§ © 3 3 ¡ © %# !§ &$"  © Cette d´ monstration est assez simple si l’on voit que chaque point e candidat a etre associ´ a un point quelconque de de coordonn´ es `ˆ e` e (cf. Le filtrage adapt´ conduit a une d´ tection e e ` e optimale au sens de l’erreur quadratique moyenne. Elle contiendra un nombre d’autant plus important que la droite . Cette inversion des op´ rations peut permettre de tirer profit d’a prioris importants pour acc´ lerer les calculs.2 Mise en œuvre de la TH Discr´ tisation de e   ¥ # # ¢ ¥  !¢ # % ¢ ¥ # ¢ Dans la pratique le plan est discr´ tis´ . des exemples seront e e e ` vus plus loin. Si les seules inconnues d’un probl` me de d´ tection sont e e e e e ` e les deux translations du plan ( et ). TH et filtrage adapt´ e Sklansky [Sklansky. Chaque cellule de position e e mulateur. on peut utiliser simultan´ ment la position d’un point de contour et la direction de e ` la tangente en ce point. e e Grˆ ce a cette propri´ t´ la TH peut h´ riter des nombreux r´ sultats obtenus en filtrage adapt´ : pour prendre en a ` ee e e e compte le rˆ le du bruit si celui-ci a une densit´ de probabilit´ connue. 1985b.7. o` l’on se place dans une situation u ` interm´ diaire : en associant points de on limite le sous-espace d’arriv´ e a une partie de la vari´ t´ de la transe e ` ee formation de 1 a m. en sommant sur tous les points du plan tandis que la TH choisit un point du plan et incr´ mente e e toutes les int´ grales (les compteurs) qui lui sont asssoci´ es par un d´ placement e e e quelconque. 1992]. Celui-ci proc` de usuellement en calculant l’int´ grale ci-dessus pour un e e e e d´ calage e donn´ . en recherchant les maximums de la fonction de corr´ lation : e Ce qui est bien le r´ sultat cherch´ . et 0 sinon). Cette contribution a l’accumulateur de position ` . Ces probl` mes n’´ tant pas directement li´ s a la recherche de contours. pour d´ terminer la taille des accumulateurs o ` e e e lorsque la PSF est connue. ni transformation perspective. Somm´ sur toute la courbe on obtient : e de coordonn´ es e de l’image est si l’on d´ cale du vecteur e vaut exactement : © %# ! 10)§ R C  ¥#  ¢ ©  © % $! § # © 3 3 %# !§ 10" % % #$ ! !   3   § # ¡ a6 4 ¡© © %# !§ &0)   4 ¡    3 % ! % Q &© Q ! "§ ¡©  R   3 %# &$! F BF  3   © ! )§ ¡ %# ! 10"§ ¡© © % %# !§ &0)  ¡  3 # $! R ©%  %# !§ 10)  F F 3 § £ R  B©   !  ©  % 0! § # a      # § £  £  ‚ © a a #  § # $ ¡© %# !§ 10" R . etc. [Maˆtre. Soit la forme recherch´ e. c’est a dire si la forme ne subit ni changement d’´ chelle ni rotation. En fait on montre que la TH agit en pratique en inversant l’ordre des e e int´ grales par rapport au filtrage adapt´ .18).290 G´ n´ ralisation e e CHAPITRE 14.. figure 14. Par exemple. DESCRIPTION DE CONTOURS ET DE FORMES On appellera transformation de Hough associ´ e a une forme param´ tr´ e par les variables e ` e e la transformation qui fait passer de l’espace image a l’espace des param` tres . Princen et al. ı 14.

14. Des solutions ont donc et´ propos´ es pour adapter localement la taille des accumulateurs (tr` s pr´ cis pr` s des ´e e e e e lieux o` les votes sont nombreux).18 – Transformation de Hough : le point de coordonn´ es e fait subir a cette courbe g une translation de ` . TRANSFORMATION DE HOUGH 291 f(x. 2. e e e Lorsque tous les candidats ont vot´ .2. on recherche les accumulateurs de de comptes localement maximaux. Ce probl` me est particuli` rement important dans le cas o` l’on recherche des formes poss´ dant de nombreux e e u e param` tres. puisque l’espace est l’espace produit de tous ces param` tres. la mise en œuvre de la TH n´ cessite un espace m´ moire de taille e e o` u et repr´ sentent les e domaines de variation de et . Les points sont alors visit´ s successivement e ` e e (individuellement dans la TH de 1 a m. 12. ou par des passages successifs sur l’ensemble des points de . e e   #  $§ ¥ £ # £ ¤¤     ¡ ¡     %# &$! F IG . Pour chaque vote.v) g O Au d´ but de la transformation. Des accumulateurs trop grands donneront une mauvaise pr´ cision dans la d´ tection de la droite. de f sera associ´ au point e © a ¡ de g si l’on © a 3 %# & 3 ! "§ ¥   #  . e e 1. tous les accumulateurs sont a z´ ro. Chaque hypoth` se donne naissance a e ` ` des votes pour des cellules particuli` res. le premier passage permettant de dimensionner les cellules. e e Par ailleurs.y−v) g(u.y) f (x−u.14.7. Cela peut se faire dynamiquement par des approches de subdivision r´ cursive u e des cellules (selon le principe des quad-tree cf. Il est alors de grande dimension.4). e On ne saura d´ cider de la position d’un maximum entre plusieurs cellules voisines de comptes faibles et e proches. e Le choix de la taille des accumulateurs est donc un probl` me d´ licat. combinatoirement pour les autres). l’accumulateur de la cellule est incr´ ment´ de 1. Des accumulateurs trop petits recevront tr` s peu de votes et donneront des statistiques peu significatives.

La transformation de m a 1 associe au doublet le point de de coordonn´ es : e ` y Mi ρ θ ∆i ρ x θ F IG . chaque point donne une sinuso¨de. Dans le cas d’une e e ` param´ trisation cart´ sienne ( e e ). e o ¤  t v C A# ¢  §# t  t   #  ¦ ¢ £ £ ¦ t ¥  # ¥ C 3 t ¥  #    ¢   % ! § @% ¢ @ § 9 9    (  &% ¢3 ¡ ¦ @  §§ @@¢ ¥ 9 # % ¦¢ @ 9§ 9  § 9 ¥ § ¢ ¢ £ ©     §   4 £¢ %   ¤  % ¥  ¡  £¡ ¢    6 ! ¨#  # ¢ ¢% £¢ ! ¥ 6   %      4 ¢  ¡ ¡ ¦ ¢ ¦ ¢ ¦  ! ¥  ¦  ¦ ! ¨#  % £¢ %  £¢ © ! §   ¡ ¡ !  t ¦  B© #   WC v ¦   §   4 #  #  . les paraboles (3 param` tres si l’on connaˆt la direction de leur axe. on voit que.292 Param´ trisation des formes e CHAPITRE 14. 14. Les autres e e e e e courbes param´ tr´ es d´ tect´ es par la TH sont : e e e e 1. ee La transformation de 1 a m s’´ crit : e . Une droite e est rep´ r´ e par l’angle ee ` et la distance au pied de sa normale . Dans ce cas la droite est rep´ r´ e par la distance et l’angle . par exemple la param´ trisation e e normale (cf.3 D´ tections par TH e La TH est tr` s souvent utilis´ e. figure 14. d’´ quation : e   avec : . Cette param´ trisation est tout d’abord homog` ne puisque les angles sont a priori equiprobables. Dans l’espace . ı 14. statistiquement.19). ` e e On peut cependant choisir une param´ trisation plus heureuse pour la droite. elle d´ crit pour .7. 5 dans le cas g´ n´ ral). conduisant a un insoluble probl` me de r´ solution de cellule. comme nous l’avons vu pr´ c´ demment. Par exemple pour e ı e e d´ tecter des cˆ tes dans les radiographies du corps humain) .19 – Transformation de Hough de 1 a m en coordonn´ es normales. les domaines de variation de et sont potentiellement de moins l’infini a plus l’infini. ainsi que les e e ´ distances . Elle fournit egalement des domaines de variation finis : ´ et si L est e ` le cˆ t´ de l’image. pour d´ tecter des droites. Par ailleurs. conduisant donc a des cellules qui seront tr` s in´ galement remplies si leur taille est uniforme. puisqu’une droite dont serait sup´ rieur a la longueur de la diagonale de l’image ne serait pas oe visible dans l’image. si l’on examine la ` ` e e e des droites du plan pour et variable par exemple. DESCRIPTION DE CONTOURS ET DE FORMES Le choix d’une bonne param´ trisation des formes recherch´ es apparaˆt imm´ diatement a la lecture du parae e ı e ` graphe ci-dessus si l’on souhaite appliquer la d´ marche propos´ e a la recherche de droites. et la forme associ´ e a un point est donc une sinuso¨de e ` ı ` dans l’espace .

projection perspective. CONCLUSION 293 2. des traces sinuso¨dales (5 param` tres). On e e e param` tre alors le cercle par son centre et son rayon et la forme associ´ e dans cet espace est un cˆ ne. 3. centr´ e e o e au centre du cercle. 14. forme fr´ quemment recherch´ e en exp´ rimentation en physique ou ı e e e e en g´ ologie. puisque ces deux objectifs e e` e ea sont aussi ceux que la reconnaissance des formes se donne.8. en effet. ´ e e 4. etc. Nous avons cependant vu que toutes les repr´ sentations cherchent a marier la simplicit´ de la description et e e ` e la fid´ lit´ a la forme. beaucoup de ces repr´ sentations tiren profit e e de sp´ cificit´ s attach´ es a la famille particuli` re des objets a traiter pour une application donn´ e dans un contexte e e e ` e ` e pr´ cis. En cela. Les param` tres sont alors ceux qui caract´ risent la d´ formation : changement d’´ chelle. elles rel` vent d´ j` toutes de la reconnaissance des formes.14. e La TH est egalement utilis´ e pour suivre des formes quelconques sous des hypoth` ses de transformations ´ e e particuli` res. e e egalement utilis´ e pour d´ tecter des formes circulaires vues en perspectives. .8 Conclusion Il n’est pas possible d’´ puiser toutes les vari´ t´ s des repr´ sentations et des mod´ lisations qui ont et´ adopt´ es e ee e e ´e e pour d´ crire les formes des objets en traitement des images. les cercles (3 param` tres) par exemple pour d´ tecter des cuves ou des citernes en imagerie a´ rienne. les ellipses (5 param` tres : les 3 du cercle + la direction de l’axe et l’applatissement ou l’ellipticit´ ). rotation a 2 e e e e e ` ou 3 D.

294 CHAPITRE 14. DESCRIPTION DE CONTOURS ET DE FORMES .

1 G´ om´ trie projective e e Les principaux el´ ments de g´ om´ trie projective peuvent etre trouv´ s dans [Faugeras. Nous verrons tout d’abord la structuration de l’espace et des transformations de e e l’espace et introduirons l’espace projectif qui permet de traiter lin´ airement les transformations les plus utiles. 1993]. tel que tous les -uplets soient lin´ airement e ind´ pendants. Ces transformations ont fait l’objet d’´ tudes intensives ces derni` res ann´ es [Faugeras. Nous aborderons enfin la g´ om´ trie e e e diff´ rentielle qui permet de d´ crire la surface des objets de l’espace.1)     (15. 2002]. e e e Mohr et al. e Nous examinerons ensuite les diverses repr´ sentations possibles des rotations.Chapitre 15 ´ e El´ ments de g´ om´ trie tridimensionnelle e e Chapitre r´ dig´ par Isabelle B LOCH et Henri M A ˆTRE e e I Les images sont des repr´ sentations bi-dimensionnelles de l’espace tri-dimensionnel qui nous entoure. Ces coordonn´ es sont appel´ es coordonn´ es homog` nes.. C’est l’objet de ce chapitre de pr´ senter ces outils. Une e e colin´ ation est d´ finie par une matrice de taille e e de d´ terminant non nul. La base projective standard est d´ finie par : e e et 295 © C ¡ C #C A# W&§ © bbb    §    £ #¦ © C ¡ ©  ¡#  § # WCA# # § # bbb  ¡ ©  bbb      ! &# # ¡ "§ ! x C A bbb ©    4 ¡ § ©  ! ¡ # % &# # ¡ )§ %  bbb ¢ 1# C ¦ ¢ !      ¡W% #  ! ¢ ¨ ¢ 1!# ! ! 1#  # ¡ " § bbb  ¡ © ¡#     ¨ ¨ C de ! Un espace projectif de dimension . e e 15. leur rˆ le dans la formation de l’image et les principaux e o r´ sultats qui leurs sont attach´ s. e e Une base projective est un ensemble de points. La e structure des images est donc r´ gie par les lois des transformations g´ om´ triques qui accompagnent la formae e e tion de l’image. 1993. Gallice.1 Espace projectif et coordonn´ es homog` nes e e dans lequel au moins une coordonn´ e est non nulle. e ` Les transformations lin´ aires d’un espace projectif e dans un autre sont appel´ es colin´ ations. e e e e e Deux vecteurs et repr´ sentent le mˆ me point si et seulement si il existe un r´ el e e e non nul tel que . 1994. ´e e e ˆ e 15.2) .1. a un facteur non nul e ` pr` s ( et e d´ finissent la mˆ me transformation). qui font intervenir des outils adapt´ s de repr´ sentation et de traitement de l’ese e pace. Un point pour lequel est appel´ point a l’infini. not´ e coordonn´ es : e      est un espace dans lequel un point est repr´ sent´ par un vecteur e e (15.

e ` (15. ELEMENTS DE GEOMETRIE TRIDIMENSIONNELLE de Un changement de base est d´ fini de mani` re unique par une colin´ ation. e La droite obtenue pour est appel´ e droite a l’infini. ce qui peut sembler surprenant Une des cons´ quences de ce r´ sultat est que l’espace projectif e e puisqu’intuitivement on manipule dans des points a l’infini. est egalement sur la sph` re unit´ mais repr´ sente le mˆ me point de ´ e e e e . ce qui est plus simple. o " 15. alors C A# § ¡ # § C ¦ L’espace est appel´ droite projective.5) L’espace est appel´ plan projectif. Un point de e e e est d´ fini par un triplet de coordonn´ es e e non toutes nulles dans la base standard . La source principale de ce r´ sultat est e a e qu’un point est un point de si .296 ´ ´ ´ ´ CHAPITRE 15. Par dualit´ . On en d´ duit que deux droites s’intersectent toujours dans l’espace projectif . Si l’on se restreint aux points tels que s’´ crit de mani` re equivalente comme : e e ´ .1. Un plan de est egalement d´ fini par quatre nombres non tous nuls ´ e et l’´ quation du plan est : e (15.4) ¡# ¥ ¡    ©  £   £¦ U ¡ © ¨  ¡ £ U g ¡ U ¥ U C      £¢ £¢ ! ¡ ¡ #  ¦ £ ¦  ¡ $¡ 2 £ ! £¦£ !  ¡¦¡ b ¢ (¥! ¦¢ ¡   ¡ # ¦ £¢ ! o` la i-` me coordonn´ e de est egale a 1. Un tel point est egalement un point de ´ . (15. . ce qui revient a exclure le point ` . repr´ sent´ e par une matrice inversible e e e e e de taille . Tout point u e e ´ ` quel -uplet de la base. Le point est obtenu pour et est appel´ point a l’infini. Sa base standard est compos´ e des points e e . Cette equation repr´ sente egalement l’ensemble des droites qui passent par . Le point .6) ! ¦ avec ou . par exemple :    s’´ crit comme combinaison lin´ aire de n’importe e e (15. c’est-` -dire dans laquelle on identifie les points aux antipodes. et la sph` re e e e de I repli´ e pour repr´ senter des R e e rotations a l’aide de la notion de quaternions (nous y reviendrons plus loin). Ainsi tout point de la droite projective peut s’´ crire par exemple : e . Les sph` res ` e et repli´ es (dans I et I e R R respectivement) sont utilis´ es pour repr´ senter des directions. ´ e ´ Une droite passant par deux points et est repr´ sent´ e par le produit vectoriel e e . En effet.7) © ¥   %# !# ¨ &01i©§ ¥   ! ¦ g ¦ # # ¡ )§ ! © bbb ¥ £   ! % ' Q ¡ ! Q  Q ! g #¥ # ! ! ! ¥ !¥ &# 1# © &# )§ ©g ¥ £ ¡ ©¥Q # b £ #¡   Q ¢ !¢ Q § b Q £ ¥#¡   ¡ ¥¦ ¡ £¢ ¦ 1# # )§ ¦ © p bbb ¡ ¥ © ! § ! ! ¥ 1# £ &# ¡ ¡ ¥ ¥ ¤ ¤  ¡ ! ! )§ ¡ Q % ¡ % ¤ $¡  © !  !   ¥! ¨ % ¡ ¥   ' ! )§ Q ¡ ¨ ¡ Q £ ¤  £    9 Q Q ¡ avec . ce qui signifie que le d´ terminant de e est nul. aux antipodes de . est compact. soit encore . le point d’intersection de deux droites et est repr´ sent´ par le e e e produit vectoriel . Un point appartient a ` la droite si et seulement si : Cette equation de droite fait apparaˆtre une dualit´ entre point et droite et il n’y a pas de diff´ rence formelle entre ´ ı e e les deux.3) !    U  ! ! ¡ ¢    !    £ ¤       !   ¡ © ¡# ! ¢¦  ! ! &# # ¡ "§ 3 ! ! bbb  © U C ¡¦   2  £ !  2  ¡ ! §   5x © ¡   C    ©  ¥9 ¡ C ©  § C # § C    §     £ ¤  ¥¦ ¨ . Le th´ or` me d’´ quivalence permet de ` e e e manipuler plutˆ t que . et un point de e e e est d´ fini (toujours a un facteur non nul pr` s) par 4 coordonn´ es e ` e e non toutes nulles. Une droite de est egalement d´ finie par un triplet de nombres ´ e non tous nuls. Il est tr` s important pour la repr´ sentation d’une image. tout point de la droite peut s’´ crire e pour et quelconques. e ` L’espace projectif a pour base standard d´ finie comme pr´ c´ demment. On peut montrer que l’espace projectif est topologiquement equivalent a la sph` re unit´ ´ ` e e de I R repli´ e.2 Espaces projectifs . et (15.

c’est-` -dire qu’il est ind´ pendant de la base projective choisie. Les coniques non-d´ g´ n´ r´ es (de rang 3) sont les cercles.1. ´ e e Une conique1 de est d´ finie par l’expression quadratique suivante : e est une matrice de taille d´ finie a un facteur non nul pr` s (elle a donc 5 coefficients ind´ pendants).1.2.12) % 0¡  !   % © $¡  ! "§ ‚ © ¡ % $¡  ! "§ ! ! ¡ % ¢ y¢ x o` u   ! ‚¡ !  !  g ! ¥ d ! £   ¥   (15.9) (15. Une e e ee e ı ı ı quadrique d´ g´ n´ r´ e de rang 3 est un cˆ ne.11) . L’intersection d’un plan et d’une quadrique est une conique de . e ` e e L’intersection d’une droite et d’une conique peut alors etre exprim´ e facilement. en e ´ e ` remplacant par .3 Expression lin´ aire de probl` mes g´ om´ triques e e e e Un des int´ rˆ ts de la g´ om´ trie projective est de permettre d’exprimer certains probl` mes g´ om´ triques simee e e e e e plement par des equations d’alg` bre lin´ aire. Les quadriques none d´ g´ n´ r´ es (de rang 4) sont les sph` res. ¸ 1 Les coniques prendront une place importante en vision par ordinateur dans toutes les op´ rations de localisation et d’orientation des cam´ ras e e a partir de points connus de la sc` ne. Le plan tangent a la conique au point est donn´ par ` e . les ellipso¨des. GEOMETRIE PROJECTIVE 297 Cette equation fait apparaˆtre une dualit´ entre point et plan cette fois. Par ˆ e ` dualit´ . C’est donc bien une a e caract´ ristique intrins` que de la conique. Les coniques d´ g´ n´ r´ es. Soit ˆ e un point de la ` droite d´ finie par les deux points et . Une droite de peut etre d´ finie soit a partir de deux points.3. et repr´ sente egalement l’ensemble des plans ´ ı e e ´ qui passent par le point . e e . sont respectivement des paires de e e ee droites et des droites.´ ´ 15. si le rang vaut deux c’est une paire de plans. soit comme intersection de deux plans. Il est important de noter que ce rang est un invariant projectif. e e Dans le cas o` le discriminant de l’´ quation est nul. une droite est donc transform´ e en une droite. les deux points d’intersection sont confondus et la droite u e ` e est alors tangente a la conique. les e e e e ee paraboles et les hyperboles du plan. de rang 2 ou 1. et si le rang vaut 1 c’est e e ee o un plan. Le rang de la matrice d´ finit le rang de la quadrique et est un invariant projectif. La tangente a la conique au point est alors donn´ e par : ` Le rang de la conique (rang de la matrice ) permet de classifier les coniques. Ce point appartient a la conique si et seulement si : e et la r´ solution de cette equation en donne les intersections de la droite et de la conique (deux solutions en e ´ g´ n´ ral).10) (15. Tout plan intersecte le plan a l’infini selon une droite a l’infini.8) d ‚ ¥ ‚ (15. Nous en donnons ici quelques exemples. ` ` Le plan a l’infini est obtenu pour ` 15. L’intersection d’une droite et d’une quadrique s’obtient en r´ solvant une equation du second degr´ similaire a celle obtenue pour une conique. par exemple lors de la recherche des formes fondamentales en section 15. les ellipses. une quadrique dans e pr` s) et l’´ quation suivante : e e est d´ finie par une matrice e de taille ) )   % ! ‚¡ % ¡ £ b !  ‚  % ‚¡ ¦ ! $¡   ¥ ¢   ‚ ! ¦ ‚¡ soit : (` un facteur non nul a (15. ` e x d ¥ ! d b  ¢  ! d ! ¥ ¡ De mani` re similaire. les parabolo¨des et les hyperbolo¨des de l’espace.

A chaque niveau sont associ´ s un groupe de transformations lin´ aires et des invariants.13)     . et la structure e r´ duite plus simple de l’espace projectif permet alors de manipuler cette repr´ sentation. le groupe le plus g´ n´ ral e e e des transformations lin´ aires. du moins structur´ au plus complet.298 ´ ´ ´ ´ CHAPITRE 15. et est invariant par toute transformation projective e .1. e ` e e e Les invariants de sont. e e Espace Degr´ s e de libert´ e 15 Forme des transformations lin´ aires e Invariants Projectif M´ trique e 7 TAB . d´ finis e e e de la mani` re suivante. ce qui permet de construire une stratification des espaces. C’est la transformation ` ´ ` qui fait passer de la projection perspective (o` les fuyantes ont une point de fuite en commun) a la perspective u ` cavali` re (o` les fuyantes sont parall` les). les bi-rapports. L’espace projectif e e etant le moins structur´ . comme le montre le tableau e 15. e Dans l’espace projectif. ce qui laisse 15 degr´ s de libert´ . distances absolues % ! ¥   (15.1 – Stratification des espaces.4 Stratification. Ainsi les transformations euclidiennes forment le plus petit groupe. 15. Ce sont egalement des invariants. C’est l’espace le plus complet. ´ Le passage de l’espace projectif a l’espace affine se fait en eliminant les points a l’infini. c’est aussi celui qui a le plus grand groupe de transformations et le plus petit nombre ´ e d’invariants. le groupe des transformations est celui des colin´ ations. de colin´ arit´ et de tangence.1. le groupe des transformations est un sous-groupe du groupe des transformations ` du niveau pr´ c´ dent. e e ee Souvent nous n’en avons qu’une repr´ sentation partielle. voir figure 15. e u e ¥   % ¢ ¨  ! ¢ ¨ ) x ) % ¨ ¥§ ¥¥ ¥§     !% % %%  ¨      ¨ Euclidien 6 # # ¨ ¨ # ¨ ¨ ¨ ¨ # £ ¤¡ ¡ £ ¤¡ ¡  ¤  £      Affine 12 C  £ ¥ ¡ ¥ ¥ ¥¥ ££ ¡£ ¢¢ § @ ¦ ¥ £ ¦ C 9 ¦¦ ¥ ¡ £ ¡ ¡ ¡ ¥ ¥ ¥ ¡ £ ¥ ¡ ¡ ¥ ¡ ¢¢ § @ ¦ ¥ £ ¡ £ £ ¡ ¡ £ ¡ ¦ 9¦ ¥¡ ¡ £¡ ¡ ¡¡ ¡ ¦ C    g¥ ¥¥ £¥ ¡¥ ¥£ ££ ¡£ ¢¢ § g £ ¦ g g ¡ g ¥ ¥ ¡ g £ £ ¡ g ¡¡ ¡ g ¡ ¡ ¡ ¡ g¥ ¡ ¥¥ ¡ £¥ ¡ ¡¥ ¡ ¢¢ § g £ ¡ ¥ £ ¡ £ £ ¡ ¡ £ ¡ ¦ g¡ ¡ ¥¡ ¡ £¡ ¡ ¡¡ ¡ # # # # # # # # £ ¤¡ ¡ £ ¤¡ ¡           bi-rapport distances relatives le long de directions. par exemple sous forme d’une image. D’un niveau a l’autre. Les seize coefficients d’une matrice e repr´ sentant une collin´ ation de e e sont d´ finies a un facteur non nul pr` s.1. La droite portant ces points est par e e e e e . outre les relations d’incidence. ELEMENTS DE GEOMETRIE TRIDIMENSIONNELLE 15. Soient quatre points colin´ aires de param` tres . Ces bi-rapports peuvent egalement etre calcul´ s pour 4 droites s’intersectant en un point ou 4 plans s’intersec´ ˆ e tant en une droite. groupes de transformations et invariants Le monde est en g´ n´ ral consid´ r´ comme un espace euclidien tridimensionnel. Le bi-rapport des exemple d´ finie par les points et et chacun des quatre points est repr´ sent´ par e points est alors : et est un invariant projectif : il ne d´ pend pas des choix de et . parall´ lisme e distances angles relatives. Les espaces m´ triques et e e e affines sont interm´ diaires.

e Dans l’espace euclidien.1 – Dans une transformation euclidienne.´ ´ 15. le passage de la droite projective a la droite affine se fait par une bijection pour ` mˆ me le passage entre l’espace affine 3D et e se fait par la bijection suivante : (15. e e Cette fois les distances relatives et les angles sont des invariants suppl´ mentaires. De   £   b¡© C# %# ! Ai¨ # &0)§   ¦ ¡ © ¨ ¥   # &0)§ %# ! ¡ ¥   © # £ ¨ # £ % 1# £ ! "§ ¥   ¢ x ¢ . e e forment donc un emboˆtement de sous-groupes. L’ensemble des transformations lin´ aires de e fication. le parall´ lisme est un invariant des e transformations affines. Les distances absolues e e e sont donc cette fois des invariants. les transformations affines sont les transformations lin´ aires e dont la forme g´ n´ rale est donn´ e dans le tableau 15. en b). `   Le groupe des transformations de l’espace m´ trique est le groupe des similarit´ s (compos´ es de rotations. ainsi que les rapports des longueurs dans une direction donn´ e (correspondant au bie rapport lorsque deux des points sont a l’infini). La forme g´ n´ rale d’une transformation m´ trique e e e e 15. Elles ont 12 degr´ s de libert´ et laissent le plan a l’infini invariant. le cube original se transforme : en a) par rotation et translation (transformation euclidienne) .1.1.1. une telle transformation s’´ crit comme la succession d’une rotation (matrice e e e orthonormale ). par une affinit´ (sous forme d’un e e parall´ logramme) . par une projection perspective. en c). en d). qui n’ont pas d’´ quivalent dans l’espace affine. e e e est montr´ e dans le tableau e translations et homoth´ ties). e e e e e ` Les invariants projectifs sont a fortiori des invariants affines.2. e En utilisant cette bijection.14)   £ 2 . En coordonn´ es cart´ siennes. e Le plan a l’infini de ` peut etre consid´ r´ comme les points limites de norme infinie. par une transformation m´ trique . le facteur d’homoth´ tie est fix´ et les transformations euclidiennes sont donc les e e transformations rigides (6 degr´ s de libert´ au lieu des 7 des transformations m´ triques). 15. donc repr´ sent´ s par les ˆ ee e e coordonn´ es homog` nes e e . GEOMETRIE PROJECTIVE 299 b c a forme originale d F IG . De plus. puis un produit par un facteur d’homoth´ tie. appel´ stratiı e ¡ Par exemple. Les e coordonn´ es homog` nes permettent de regrouper ces trois termes dans une seule matrice. tel que repr´ sent´ sur la figure 15. puis une translation (vecteur de longueur 3).

300 ´ ´ ´ ´ CHAPITRE 15. On note que l’ordre dans lequel s’effectue ces u ` rotations est important pour le r´ sultat final.2 Repr´ sentations des rotations de I e R 15. Soit l’angle de la rotation autour de l’axe (dans le plan ). o` est la matrice u identit´ ) et de d´ terminant egal a 1. e Finalement s’´ crit : e Inversement.3). e o` la loi de composition s’effectue de la droite a la gauche. z γ β α x y F IG .2 – Les transformations d’espaces qui s’expriment lin´ airement en repr´ sentation projective forment un e e emboˆtement appel´ stratification. Elles peuvent se d´ composer sous la forme de trois rotations a 2 dimensions. la connaissance de la matrice de rotation Posons . ı e 15. l’angle de e e la rotation autour de et l’angle de rotation autour de . Ces angles sont appel´ s angles d’Euler de la rotation (figure 15. 15.2. ELEMENTS DE GEOMETRIE TRIDIMENSIONNELLE transformations euclidiennes transformations métriques affinités projections F IG .1 Les angles d’Euler Les rotations de I sont d´ finies par des matrices orthogonales (satisfaisant R e . elle peut s’´ crire : e ¤ ¡ ¨ % ¡  ¡     ! ¢ (15.3 – Repr´ sentation de la rotation par les angles d’Euler.15) ¨   ¡  ©   4   ! ¥   ¤ %   £¡ ¢      ¡ ¡£   ! £¡         ¡ £¤      . 15. e b ¦§ ¡ ¡ £¡ ¢  £¡ ¢      40  £¡ ¤¢  ¡  3 ¡   4 © ¡ #  #  2)¡§   4   ! ¤   4 ¤ ¤ £¡   £¡ ¤¢          ! © ¨ £¡   # ¤ 1# § 3 3    ¡ ¡     !   !   ©    # # §   4(  £¡ ¤¢    ¡ 3  ¡ £¡ ¤¢    ¡  © £¡ ¤¢  £¡ ¤¢  ¤   4  ¤ ¤ # ¤# ¡ 1B§ £¡   £¡ ¤¢      ! £¡     ©  3 3 # ¤# ¡ &2)§   ¡ ££ ¤ ¤  # ¤# ¡ &2)§ Si l’on note une telle matrice. e e ´ ` e ` autour de chacun des axes du rep` re. On a : permet en th´ orie de retrouver les angles d’Euler.

appel´ e axe de la rotation. e ` e e Plus pr´ cis´ ment.2 Exponentielle d’une matrice anti-sym´ trique e z u θ y x F IG . Mais cette d´ duction math´ matique ignore totalement la pr´ sence possible de bruit sur les coefficients e e e de la matrice . e ˆ e et d’angle . qui sont soue ` ´ ´e vent utilis´ es en traitement d’images et en vision par ordinateur [Faugeras. REPRESENTATIONS DES ROTATIONS DE I R   4 – si alors : . 1993]. 1993]. il existe d’autres formulations.17) On peut alors montrer que est une matrice de rotation d’axe de ce r´ sultat peut etre trouv´ e par exemple dans [Faugeras. et que nous d´ crivons dans les e e paragraphes suivants.4). Elle peut alors etre d´ finie a partir R e ˆ e ` de cet axe et d’un angle (figure 15. e Parall` lement a cette ecriture classique.2. soit la matrice anti-sym´ trique e e e (15. La preuve ¢   v ¥ ¦   t £    ¤  £   ¡ # ¥ # %§ # ©f  b ¦§  ¡ ¡ ¡ #    ¥ b  3 ¡ ¢      ¡ f 3  # 7  £ £¦   ¥ 301 ¥ f     £¤ 3 ¦     ¤   4 ¡ £   ¡ ¥ ¥    ¥ ¡ ¤4   ¥      ¦  ¥ ¤    2     .´ 15. e Une rotation de I laisse une droite invariante. souvent plus el´ gantes. ¡ 15. sans revenir a la d´ composition en trois rotations selon les trois axes du rep` re. C’est la repr´ sentation dite canonique. – si alors et on ne peut connaˆtre que ı .16) On d´ finit l’exponentielle de e par la somme : (15. il est possible de la repr´ senter a partir d’une matrice antie R sym´ trique. et . 15. e e ` Etant donn´ e une rotation de I d’axe quelconque. La r´ solution doit en pratique prendre en compte la propri´ t´ de la matrice d’ˆ tre unitaire pour e ee e r´ gulariser la solution.4 – Repr´ sentation canonique de la rotation.2.

e e e 15.4 Quaternions Les quaternions ont et´ introduits pour etendre les propri´ t´ s des nombres complexes (qui repr´ sentent el´ gamment ´e ´ ee e ´e les rotations du plan) a des espaces de dimension plus elev´ e. Le produit de deux quaternions et est d´ fini de la mani` re suivante : e e (15. o` est un r´ el et un vecteur de I . le calcul des puissances successives de donne : dont on d´ duit le th´ or` me. Un r´ el pur a alors la forme e et un imaginaire pur (ou quaternion vectoriel) a la forme .20) ¡ ¡ # § ©  a  E a g ¡ #¥ # ©g¡ ¥¡ £¡#¡ ¡ § a ©' a ¡ # § x  'E ' E ' 3 ' EXE  ' ¡ a a a a a # § # § ©' ' E  ' ¡ © E  a# § © ¨ E # # ¡ ¢  C ¡ #£  © E ¥ ¡ ¢  C £  © # § © 3 E  a E ¡ 3 a § 3 7 § © 7 £ £¦ ¡ a  £ # E§ £¦ De plus. e R. le produit de deux quaternions u r´ els est le produit classique sur I alors que le produit de deux quaternions vectoriels est leur produit vectoriel.302 ´ ´ ´ ´ CHAPITRE 15. non commutative.2. Ils sont d´ finis comme des vecteurs de I .3 Forme canonique et th´ or` me de Rodriguez e e Le th´ or` me de Rodriguez permet d’´ viter le calcul de la somme infinie et de la ramener a la somme de trois e e e ` termes uniquement. ELEMENTS DE GEOMETRIE TRIDIMENSIONNELLE 15. En particulier. Un quaternion e e repr´ sent´ de mani` re equivalente sous la forme e e e ´ . Ce th´ or` me exprime la rotation sous la forme suivante : e e   On a ainsi une expression simple d’une rotation d’axe et angle quelconques. Le conjugu´ d’un quaternion e est le quaternion d´ fini par : e (15. Par analogie avec les complexes. sur ` ´ e e R peut etre ˆ lesquels on d´ finit une multiplication particuli` re.18) 3  ¡ ¡ £  ¡ ¥  ¡ # ©g¡  ¥ ¡# £ ¡§ ¡  ¡ a . avec u e R et . En effet.19) e R o` et d´ signent les produits scalaire et vectoriel classiques de I . on a :   pour #C b i   pour # £ # ¦§ 3  b  £     4£ 03  £¥ ¦§ 3 f f ¥ #   £ # # ¥    3 3 f 3 # C  £  # £ £ #  %£   © C % 3 §  ¡ #  £  £ £ £ ¡ ©C 3§  £  #  ¥ f¥ 3 #£ f 3 g  p  3  g ¥   £  ¡ f  £¤ 3  ©£f  ¡ £¥    u     4 ¡ 3 £f 3 ¥ f # # £¡ ¤¢     £¥ © ¦  a # E§  £ £¤  # $ §    (15.2. on appelle la partie r´ elle du quaternion et sa partie e imaginaire.

avec ¡ On peut alors exprimer les coefficients de . En effet. Muni du produit d´ fini plus haut. Si maintenant une rotation est repr´ sent´ e sous forme matricielle et si est un des deux quaternions correse e pondants. Cet isomorphisme est etabli par la relation entre ´ et exprim´ e plus haut. On peut montrer que est isomorphe au groupe quotient . Soit e l’ensemble des quaternions de norme 1. En effet.2. REPRESENTATIONS DES ROTATIONS DE I R La norme d’un quaternion est d´ finie de mani` re naturelle par : e e o` u d´ signe la norme euclidienne de dans I . alors leur composition est repr´ sent´ e par e e (et ). La norme d’un quaternion est un r´ el pur. On a : a partir de ceux de . et par la pr´ servation de la structure de groupe : si deux rotations e e et sont repr´ sent´ es par les quaternions et (en choisissant une des deux repr´ sentations possibles pour chaque e e e rotation). Soit ` et Y Le produit vectoriel peut s’´ crire comme produit d’une matrice anti-sym´ trique et d’un vecteur. L’int´ rˆ t des quaternions ici r´ side dans leur lien avec les rotations de I . L’ensemble e e des rotations de I muni de la composition (produit des matrices de rotations) est egalement un groupe R ´ . soit e e matrice d´ finie a partir de par : e ` la ¡ £¨ ¡ © ¥    # 4#(§ ¡ ¨  a © &© 3 a © a # E§  § ¡ ¡ ! E    !© £ 3 £ E§  bh© ! !a§ ! a ! E§ ©  E $©  a # 5x a ! § © 3 E © a # § xa © 3 E © a £¡ x ¡¡ ¡ ¡ ¡ 3  ¥ ¢3 2  b ¡   ¡ ¦§ x &# § x ! ©  £¡ x ¡¡ ( b ¡  4 3  b ¡ x ! x  ¡¡        (  3 £¡ ¤¢  ¡ ' ¡ ¡ ¡ ¡ 3 7¡  4 3   £¤  B©     ¡  a et (15. Cette equation fait e R e ´ apparaˆtre que la multiplication d’un quaternion avec son conjugu´ commute. une rotation d’axe ee e R d’angle peut etre repr´ sent´ e par le quaternion ˆ e e tel que : (15. D´ finissons la relation e par .23)   # © ¨ #  ¡  ¡   ' ¥ ££ ¡ £ §  © £¨ ' ¡ # ££ x ¡  a § £  £E  #      ! ¥ 303  E © a  # E§ ¡ !1# §  ! § # § ©    a ! a E §  3 a ! #0! a §  E 3 x a# E § 3 ! g ! # § x       ¡ ¡   ¡ £¡ ¥  ¡ © Y a ¡ © ' # § ¡ ¡ ¥ x £ ¡ ¡ ¡¨ ¨  ¡ ¡    £ ¡ (15. La norme du produit de deux quaternions vaut simplement .21)       # § © 3 E 3 a ! ¡ x ! x   a C ¡ ¥   ¥  £E  © £   £   #  §   £ ¡£ © et 4  a # E§ £(   .´ 15. on a pour tout vecteur de I : R (15.24) ou sous forme simplifi´ e en identifiant un vecteur et un quaternion : e (15.22) Notons que le quaternion repr´ sente la mˆ me rotation.25) . Cette relation est une relation d’´ quivalence. mais ce n’est pas le cas du produit ı e de deux quaternions quelconques. c’est un groupe (non ab´ lien). Ce n’est pas surprenant puisque une rotation d’axe e e et d’angle est equivalente a une rotation d’axe ´ ` et d’angle .

et on peut donc ecrire sous la forme : ´ ¡ est une fonction lin´ aire des quatre e ! ¡  ! ¡  b b b C §  ¡¡ ¥   b    ¦§ # % ¢ A ¡ £  ¨ ¢%  £ 53 £ 3 £ E 4 (§ © ( E 3   4 §   © €4 E    (      ¡  ¢ !   b bb C   £   ¡    x b b £ £ © ¦ 0©  ¡ ¦ £ ¡ £ b £ ¡   ¢¢ §   ¢ ¨% # ! &¢ A £  3 ¦  b £ ¡ x ¢ £W% x ¡ C § ©( E    4   3 £ 4  £ 3 £ E (§ ©   E 3 )(   4 ¢% x ¡ x £¢ % x  ¢ ¢ ¡ ¡ x £¢ % x  ¢ "§ § % £¡ ¤¢  ¡ ¡   4     ¨ ¨ ¡ 3 3 ¥   3 ¡ ¡ ¡ ¡ 3 3 g ¦ ¢ ¥! £¢ ¢ ! x ¢ £¥! x ¢ ! 3 ¡  ¤£¢   ¡    4 ¤¡  ¢ ¥! ! £    ¡    ¡ ¥   ¦ £¢ ¥ YE ¦ ¡ ¡ ¡ £¢   £  ¦ ¦ ¦ U £¢ £¢ £¢   C    ¡ § © €4 E 3   ( §   ©   E  "(   4 3 £ 53 £ ' £ E £¤ 4 ( §  ©£ 3 £E    a   £   ¡      ¢ !       ©   ! Y ¨ ¡ # § ¦ ! Alors on a On a alors : . L’ensemble des quaternions de norme 1.304 ´ ´ ´ ´ CHAPITRE 15. o` l’on cherche a optimiser la transformau ` tion entre deux ensembles de points ou deux objets. Le crit` re de recalage e e le plus souvent utilis´ est celui des moindres carr´ s. De mˆ me en posant e on peut ecrire sous forme matricielle ´   a© a © a  # a 4 # § (   a  ¥ ¡a U . et on cherche alors la transformation qui minimise : e e (15. une rotation d’axe et d’angle par exemple s’exprime dans e e ¡ (15.29) ¡   On peut montrer facilement que la translation optimale est celle qui fait co¨ncider les centres de gravit´ de et . Soient et les deux ensembles de points a recaler. Soit une transformation rigide form´ e d’une translation et d’une rotation . est de mani` re imm´ diate isomorphe a la sph` re unit´ e e ` e e de I . ¥   ¡ . on a : ee ¢% x ¡ x ¢ ! D’apr` s la d´ finition du produit de quaternions.27) Faisons maintenant le lien avec l’espace projectif . ı e et on supposera donc dans la suite que et ont mˆ me centre de gravit´ ( e e ) et que la translation est nulle.30) En utilisant les propri´ t´ s des quaternions de norme 1. Soit un des deux quaternions repr´ sentant la rotation . ` par : En coordonn´ es homog` nes. le point correspondant au point (on suppose ici que cette correspondence est ` connue).26) (15. On en d´ duit donc que le groupe des e e rotations est isomorphe a l’espace projectif . . L’expression de devient alors : e (15. ELEMENTS DE GEOMETRIE TRIDIMENSIONNELLE (15. l’expression e e composantes de . On en d´ duit que le groupe quotient R e est isomorphe a la sph` re ` e repli´ e. dans laquelle on identifie les points aux antipodes.28) Une des applications typiques des quaternions est le recalage rigide.

1 Courbes. tangent a la courbe en . e La d´ riv´ e de la tangente par rapport a l’abscisse curviligne d´ finit un vecteur unitaire e e ` e courbe en et un r´ el appel´ courbure de la courbe au point : e e        £© © § ' ¨ § ' ¨!£ ¡$  b     ¡  &    EQ Q  E Q   ¨ 5  Q Q Q §    E Q ¨ Q et donc Q § £© '¨£  E Q D’apr` s la d´ finition de . e ee La tangente a la courbe en est d´ finie par le vecteur : ` e (15. Le plan d´ fini par le point et les vecteurs ` e et est appel´ plan osculateur a la courbe en et contient le cercle osculateur. utiles en particulier pour le ´e e e e traitement d’images et de donn´ es tridimensionnelles.3 G´ om´ trie diff´ rentielle e e e Dans cette partie. GEOMETRIE DIFFERENTIELLE 305 La solution du probl` me de minimisation aux moindres carr´ s est alors le quaternion qui est le vecteur propre de e e norme 1 correspondant a la plus petite valeur propre de . puisqu’en d´ rivant l’expression ` e ( est unitaire) on obtient . 1976] est une bonne r´ f´ rence dans ce e ee domaine. La rotation optimale s’obtient en calculant les ¡     . rep` re de Frenet e Soit une courbe de l’espace param´ tr´ e par . a pour rayon .´ ´ ´ 15. e ` La binormale est d´ finie par : e (15.31) est effectivement normal a . on a : e e b E Q ¨ Q          E &      ¨ ¦ ¡ ¢¦ 7  o` u est le param` tre du point de r´ f´ rence sur la courbe.33) E  Q £ © § ' ¨ £  ¢ W% ¢ ¢ b ¡   ¢ ! ¡      £¢   ¦ F    ©  § E ) x )      x  o` les u sont des matrices valeurs propres de la matrice ne d´ pendant que de e de taille suivante : ) )  © § ¨ ¢  et .34)    C ¡ Le vecteur   dont on d´ duit que le vecteur tangent est unitaire. 15.3. Un point de la courbe est rep´ r´ par rapport a l’origine de e e ee ` l’espace par le vecteur et par rapport a un point de r´ f´ rence sur la courbe par l’abscisse curviligne ` ee repr´ sentant la longueur de la courbe entre le point de r´ f´ rence et : e ee (15. Le cercle osculateur. nous rappelons quelques el´ ments de g´ om´ trie diff´ rentielle. L’ouvrage [Carmo.32) appel´ normale a la e ` (15. ` 15.3.

47) .35) (15. ` ` Le triplet d´ finit un rep` re orthonorm´ .306 ´ ´ ´ ´ CHAPITRE 15. On a alors : Dans ces equations. les points au-dessus des symboles d´ signent les d´ riv´ es par rapport a .2 Courbes sur une surface. ELEMENTS DE GEOMETRIE TRIDIMENSIONNELLE   et est donc un vecteur unitaire orthogonal a et a .36) (15..3. Le plan tangent a la surface en est le plan ` .46)  © .40) (15. formes fondamentales  § © U   § #  Consid´ rons maintenant une surface . local en . param´ tr´ e par e e e .38)       2© a #  $§   (15.39) (15.. appel´ rep` re de Frenet.42) (15. e e e e e Les formules de Frenet-Serret donnent les d´ riv´ es des vecteurs introduits ci-dessus par rapport a l’abscisse e e ` curviligne dans le rep` re de Frenet : e Ces expressions peuvent s’´ crire sous forme condens´ e : e e En pratique. il est souvent plus facile de manipuler les expressions qui d´ pendent d’un param` tre (qui peut e e etre quelconque) plutˆ t que des expressions qui d´ pendent de l’abscisse curviligne (qui peut etre difficile a calcuˆ o e ˆ ` ler). ´ e e e ` 15.43) (15.41) (15.37) (15. Un point sur la surface est rep´ r´ par le vecteur ee d´ fini par les deux vecteurs suivants : e (15.44) (15.45) ¨ (15. ¨  b b   ¦§   §     ¡ £¤  ¨  E Q ¡ § ¡   ¦§ 3 £¤ £ & r ¡E § © # b   ¨ ¢£¡  ¡ ¨ Q a ¡¢¡      ¢ ¨ ¨ ¥ ¡E ¡ ¨ ¨ 5  ¡ Q¨ & ¡E Q ¨ § 3   § ¡       ¨ ¥ a ¨    ¥ ¥ ¥ ¡ ¡E ¨     §   ¦§   &    §     £¤ ¡ U E Q Q   et C  § ¡ § C    ¡   C   e o` est appel´ la torsion de la courbe en u suivantes : . Ces equations s’obtiennent facilement en d´ rivant les expressions ´ e    3 & 3 §        &       EQ ¨ 5 EQ E Q E Q   §   Q Q Q Q     ¡   © § # # §     (15.

dont les points s’´ crivent e e e .´ ´ ´ 15. Elle mesure le d´ placement sur la surface au point de param` tres e e e pour des variations de ces param` tres. et est la matrice (15. on a : ` ¨ (15.49) dont les colonnes sont les vecteurs ¨ o` est le vecteur des d´ riv´ es de par rapport a et est la matrice u e e ` repr´ sentant les d´ riv´ es partielles de par rapport a et respectivement : e e e ` o` d´ signe toujours l’abscisse curviligne sur la courbe. La d´ riv´ e de e e par rapport a . e e £                      ¡ ¡                           ¡ ¡     ¢ o` u est la courbure de la courbe.55)   ¡ E e¡  ¨ b¢ a a ¨ ¥ ¥  ¢ b ¦ Q £ §¡ ©  ¨  ¥ ¥ ¡  ¡ ¡   £ ¡ a £ ¨ £a ¡  ¥¡ ¡ § ¡   ¥ ¥    & £ ¡E    ¢   ¡a ¡ a ¥£ ¥    £ ¡ £ £ ¥   ¡ ¡ F   ¨ Q  ¦ Q ¦E Q ¨   ¥   ¡  & £ ¡E ¡ ¡  F et l’abscisse curviligne : #  § e appel´ e premi` re forme fondamentale.48) © Q a # $ § Q ¦   ¡  E & ¥ (15.50) . e ee e Soit une courbe sur la surface. L’application qui a tout point de la surface associe le point correspondant a sur la sph` re de Gauss est R ` ` e appel´ e application de Gauss.3. et u e ¡     Examinons maintenant les d´ riv´ es secondes de .52) (15.53) Le long de la normale a la surface. Nous verrons par la suite l’int´ rˆ t de cette application et de sa diff´ rentielle.54) appel´ e deuxi` me forme fondamentale. vecteur tangent a la courbe.51) ¡ © &© ¦ § # § §  ©¦  a       x  ¡    ¦ a b Q Q b ¡ ¨ a     ¨ a ¥ ¥ ¥ ¨ ¨ ¥ ¡ ¡  ¥ a  ¨      ¦  QQ ¥ ¥ ¨ ¨ ¡¨        ¨ ¦    ¡ ¥ ¨ ¥   ¦    ¡    ¨ ¦ ¨ 5   Q Q   E   ¨ ¡ ¨   ¥ ¥ ¨ ¢E       ¢ ¨  La normale a la surface en ` est le vecteur unitaire orthogonal a ` § © U     : (15. param´ tr´ e par . e Le vecteur tangent unitaire a la courbe peut alors s’´ crire en fonction des matrices et sous la forme : ` e ¥ © a  ¡ ¡  ¥¡ ¡   ¡                  ¨ 5 ¡ ¡ £ §¡ © ¡   ¥ ¡ ¡   § ¡   Q                               ¥ ¡ ¡ ¡            ¡    £ ¡   £ ¡E La longueur de ce vecteur tangent est : est la matrice (15. GEOMETRIE DIFFERENTIELLE 307 e On appelle souvent sph` re de Gauss la sph` re unit´ de I sur laquelle un point repr´ sente un vecteur unitaire de e e e R I . Soient e e la normale a la courbe (d´ finie a partir de la ` e ` d´ riv´ e de comme nous l’avons vu plus haut). et la normale a la surface. vaut : ` ` (15. La d´ riv´ e de l’expression e e ` e e (sur la courbe) peut s’exprimer par les deux formes equivalentes suivantes : ´ (15.

etc.59) . courbure ` ` courbure normale de la surface dans la direction de la tangente a la courbe. e n kn n N kN F IG .3 Courbures sur des surfaces Introduisons maintenant les notions de courbures de surface. On appelle point ombilic un point pour lequel e e que toutes les courbes sur la surface passant par ce point ont la mˆ me courbure). 15. Ces utilisations sont possibles car les courbures gaussienne et moyenne sont des propri´ t´ s intrins` ques de la ee e surface et sont invariantes par changement de param´ trisation.58) (15. Ces deux valeurs sont utilis´ es pour caract´ riser localement des surfaces. en recon` e e naissance d’objets 3D. et on a (figure 15. C’est la longueur (sign´ e) de la projection de e sur . En effet.3. la courbure gaussienne d´ finie par : e e e La courbure gaussienne est le d´ terminant de la diff´ rentielle de l’application de Gauss. ` La courbure normale peut egalement etre exprim´ e en fonction des formes fondamentales : ´ ˆ e Les courbures principales et sont d´ finies comme les valeurs minimale et maximale de e associ´ es sont appel´ es directions principales.57) . et la courbure moyenne e e est proportionnelle a sa trace.5 – Courbe sur une surface. ˆ e Le vecteur tangent et la normale a la surface d´ finissent un plan. normale a la courbe et normale a la surface.5) : qui est donc positive si la courbe est tourn´ e du cˆ t´ positif de e oe et n´ gative sinon. plusieurs types de courbure peuvent etre d´ finis pour une surface. soit une autre param´ trisation e e de © ' $§ #'  a b £   & 0 ¡ & et la courbure moyenne : £ &  ¡ & & & ¡   b   ¡  ¥¡ ¡  ¡  ¡ ¡  #  ¥         ¡   ¢¨ £ ¡E ¡      £&¡ &  &    &    ¡      &&     &  &   £ & ¡& ¡    u¡ ¨ (15. et les directions (c’est-` -dire a (15. dont l’intersection avec la surface ` e est une courbe. On appelle courbure normale de la surface dans la direction la courbure de cette courbe. e Deux courbures particuli` res sont souvent utilis´ es.308 ´ ´ ´ ´ CHAPITRE 15. ELEMENTS DE GEOMETRIE TRIDIMENSIONNELLE 15. Contrairement au cas d’une courbe o` l’on d´ finit u e une courbure.56) de la courbe et & (15.

et deviennent alors : et donc .3. d´ finie par la matrice de changement de param´ trisation e e   par rapport a ` © a :  ' 6   6 # ¡ © ¦ ¨ b £  £   £         ¥ ¦     ¡ ¡ ¦ ¢6 3 3 6 3             3 F   ¡     ¥¡ 6 ¥     ¥                        %   §   ¢ ¢    ¢6   ¡ Q ¡E  '     ¥    F   ¥ ¦ ¥ ¥ C              F  ¦      '      ¢ © § ¨  ¥    (15. les courbures gaussienne et moyenne sont invariantes par changement de param´ trisation. e e (15. la longueur d’une courbe entre les points de param` tres e et est donn´ e par : e ¨ b &© Q  § ¡ ¡ © § ¨ ¨ ¥ et (15.6) par : `   #  $§ ¡   b Q © ¡  § ¡  ¡  b 7   b la surface. GEOMETRIE DIFFERENTIELLE 309 Les matrices . e 15. on peut calculer l’aire d´ finie par la courbe entre deux points de param` tres e e et les segments joignant chacun de ces points a l’origine (figure 15.63) £  Dans le cas d’une courbe plane.61) et de ses d´ riv´ es. fr´ quemment rencontr´ e.5 Interpr´ tations g´ om´ triques e e e Plusieurs mesures g´ om´ triques peuvent s’exprimer de mani` re simple en fonction de e e e Ainsi.4 Une notation fr´ quente e Une autre notation.62) ¡ .3. consiste a ecrire la premi` re forme fondamentale sous la forme : e e `´ e ¦ ¥ ¦   et la deuxi` me forme fondamentale sous la forme : e Les courbures principales sont alors les valeurs propres de : et les courbures gaussiennes et moyennes sont donn´ es par : e 15. les directions et courbures principales.3.60) (15.´ ´ ´ 15.

9) . 15. pour laquelle (en forme de selle) (figure 15.65) Le volume de la portion d’espace limit´ e par le morceau de surface et les segments joignant chacun des quatre e points a l’origine vaut : ` (15.66) et donc le volume total d´ fini par e et vaut : ¡ (15. le signe de d´ terminant le sens dans lequel est tourn´ e la e e surface par rapport a l’origine (figure 15.8) . pour laquelle .67) L’application de Gauss permet d’interpr´ ter la courbure gaussienne. et les points .64)   et donc la surface totale de (obtenue pour des param` tres variant dans un ensemble e ) est : (15.310 ´ ´ ´ ´ CHAPITRE 15. et .  U Q UQ © Q  a a #  Q  # a b Q &a Q© a ¨ §    Q Q £ §¡  ¥   Q Q  a a ¨  a b Q Q £  ¡ ¥ a Q © a Q    © Q  a a  ¥ ¥ Q b U  Q ¨ ¡ ¥ ¥ ¨  ¡ ¥ ¥ #  § § ¨  ¥ ¥  ¡     § ¨ F `F ‚ © a ¡ U Q  ¨   ¥ ¥ ¨ F F C   ¢ ¡ # $ ¨  C   ¢ Q  ¥ ¥  U § §   U © a   #  § Q . La surface de ce morceau el´ mentaire est : ´e (15.6 – Le rep` re local et la courbure le long d’une courbe e Placons nous maintenant dans le cas d’une surface.7) : e e (15. Si l’on calcule les normales a la surface en tout point de . l’application de Gauss transporte ` sur un el´ ment de surface ´e de la sph` re unit´ . 1986].68) Le signe des courbures gaussienne et moyenne permet de classifier les surfaces (localement) [Besl et Jain. Soit un el´ ment e ´e de la surface. ELEMENTS DE GEOMETRIE TRIDIMENSIONNELLE P dr =. On distingue ainsi : – un surface elliptique. La courbure gaussienne est alors le rapport de ces deux surfaces (figure 15. et consid´ rons le morceau de surface d´ fini par le point ¸ e e de param` tres e . rdu Q r(u) dA r(u+du) O F IG . ` – une surface hyperbolique.

a gauche ` .8 – Surfaces elliptiques : . dans le e ).7 – Application de Gauss : l’aire de surface est projet´ e sur la sph` re unit´ . en appliquant directee ment les equations vues plus haut. ´  ¨   ¨  ¡     ¨              ¡        ¦ ¦     ¢2   . GEOMETRIE DIFFERENTIELLE application de Gauss 311 dA dS sphère de Gauss surface F IG . Le calcul des courbures peut alors se faire analytiquement. Le cycle de points correspondants sur la sph` re de Gauss. auquel on donne un sens de parcours.´ ´ ´ 15. 15. e e cas d’une surface hyperbolique ( 15. a et . . une quadrique par exemple. au moins localement. a droite ` Consid´ rons un cycle de points sur un morceau de surface elliptique ( e ). Au contraire. Le principe le plus courant consiste a approcher localement la surface par une surface ` param´ tr´ e.6 Principales m´ thodes de calcul des courbures e En g´ n´ ral en traitement d’images et vision on ne connaˆt qu’un echantillonnage de la surface. surface est egale a ´ ` – une surface parabolique pour laquelle (c’est-` -dire qu’une des deux courbures principales est nulle).3. 15. e e (c’est-` -dire que les deux courbures principales sont nulles) a – une surface plane pour laquelle (figure 15. La courbure gaussienne de la e e e . le sens est invers´ sur la sph` re de Gauss. Les principales e e ı ´ m´ thodes de calcul des courbures se divisent en deux classes : les m´ thodes analytiques et les m´ thodes discr` tes. obtenu par l’application de Gauss. L’application de Gauss pr´ serve donc l’orientation dans le cas d’une surface elliptique.11). F IG . dont on calcule les param` tres pour minimiser une fonction d’ajustement e e e (moindres carr´ s typiquement).10) . a le mˆ me e e sens. le signe de d´ terminant le sens dans lequel est tourn´ e la surface (figure 15.3. e e e e Les m´ thodes analytiques n´ cessitent de transposer les points echantillonn´ s sur la surface en une forme analye e ´ e tique.

 ¨   ¡   ¡  ¢    . a gauche ` .10 – Surfaces paraboliques : et . a droite ` Donnons maintenant quelques exemples de m´ thodes discr` tes. ELEMENTS DE GEOMETRIE TRIDIMENSIONNELLE F IG . 15. .312 ´ ´ ´ ´ CHAPITRE 15. 15.   2   ¢      . qui utilisent directement les points echantillonn´ s e e ´ e sur la surface : – m´ thode par d´ rivation num´ rique : les d´ riv´ es sont calcul´ es par diff´ rences finies entre points voisins afin e e e e e e e F IG .9 – Surface hyperbolique : F IG . 15.11 – Surface plane : .

72) (15.71) (15.78) (15. d´ signent les d´ riv´ e partielles de e e e par rapport a .79)   et       les ¨ % # &$"§  a %# ! ¢  ¡ ! b ¡ &© © ¢ ¢ # ¢U ¢       % ! '¥ '@ 3 '¥ a   C #  § § # $§ #   d '9 3  3       3  ¡ ¡ ¡ ¡    3  ¡¥ d ¥ ¦ a ¡   ¡ ¢        ©   B© a§  §     ¥ ¥ ¥ ¥   a #  § ¡ ©  ¨ # &0)§ %# ! d § ¨ © 3 ©   a ¡ #  § § ¢   U  § ¡ d     a ¨   % ! ¢   C  ¡ ¡ ¡ ¡ ¡ . et respectivement.76) (15. – calcul par d´ ficit angulaire : pour calculer la courbure gaussienne en un point e autour de .75) (15.3. dont on calcule (15.´ ´ ´ 15. et : ` par rapport a ` et aux d´ riv´ es de l’image e e ¨  7 ¡ #¢   © a  avec si . on peut calculer directement les deux formes fondamentales (et donc les courbures principales. 15. Pour cela.3. .70) (15. et sinon . la surface est param´ tr´ e par e e et . on triangule la surface de . On a alors : (15.74)  § Le th´ or` me des fonctions implicites permet de relier les d´ riv´ es de e e e e par rapport a . not´ e e et on a : ¡ et on peut alors calculer les coefficients des formes fondamentales : £ '¥ ¡ £¥ ' 9  £' ¦§  £¤ ¡ 9 X' 9     ¡C ¢  ¡ ¨ ¡ £ '¥  £© § ¡ ' £ ' @¥ ' '9 £' ¥  £  £ ¥ ¥  '' 9 ' ' 9 '' ' 9 3 ¥¥ £ 3 ¥ ¥ '  a  ¥ ¡ ¨ ¥ § ¥ ¥ ¡ ¡ ¡  C £¥ ¦§ '  ££ ¡ ¡ ¡ ¡     ¡ ¢  £¥ C '@  £ ' £¥ '@ '9 ¡ ¡ ¨  ¡ ¥ £¤ ¥ ¡ ¡   ¡ ¡ ¡ £  ¨       ¥ ¥ £  ¢ ¦   ¥ '¥ '@ '9 o` u .69) cette equation correspondant a l’interpr´ tation de ´ ` e en termes d’application de Gauss.7 G´ om´ trie diff´ rentielle dans des volumes num´ riques e e e e Dans le cas d’images volumiques . alors la courbure gaussienne est donn´ e par : ` e 313 (15.77) (15. et e e normales a la surface en ces points. en construisant des triangles form´ s de et de deux voisins e et l’angle en et la surface . GEOMETRIE DIFFERENTIELLE de d´ finir des equations approch´ es des equations analytiques . gaussienne et moyenne) pour toute isosurface sans exprimer cette surface explicitement. on a alors : . La coordonn´ e est alors une e fonction implicite de et . e ´ e ´ – m´ thode de d´ rivation de la normale : soient et deux points proches sur la surface.73) (15.

ELEMENTS DE GEOMETRIE TRIDIMENSIONNELLE En pratique. e e e # © ¨ # 1WC %# 3 ! "§ ¡   3 0© ¨ # 1WC %#  ! "§ ¡  © ¨ # &$"§ %# ! ! ¡ ¥ ¥ 9  ' ¡ . les d´ riv´ es de l’image se calculent de mani` re discr` te. ´ ´ ´ ´ CHAPITRE 15. par exemple : e e e e ou par convolution avec les d´ riv´ es d’un filtre gaussien ou de Deriche (on calcule ainsi les d´ riv´ es de l’image e e e e filtr´ e).314 etc. ce qui permet d’avoir des d´ riv´ es moins sensibles au bruit de l’image.

Dans la vie quotidienne certaines lampes utilis´ es en eclairage urbain ou des tubes en eclairage domestique ou professionnel peuvent se come ´ ´ porter. 2001]). c’est-` -dire monochromatique (une seule longueur d’onde). chaque point de cette sc` ne est une source secondaire de rayonnement caract´ ris´ e e e e e 315  . en prospection sismique. e ´ Les principales sources coh´ rentes sont : e – dans le domaine visible : les lasers. elle poss` de une coh´ rence spatiale. etc.1 Imagerie coh´ rente et incoh´ rente e e Deux grandes classes d’images doivent etre distingu´ es qui ont des propri´ t´ s tr` s diff´ rentes (voir chapitre ˆ e ee e e 1) : les images obtenues en imagerie coh´ rente et celles obtenues en imagerie incoh´ rente. e e e e ´ e Lors de la formation d’une image en eclairage coh´ rent. Les sources sont alors des transducteurs pi´ zo-´ lectriques ou des g´ n´ rateurs electro-m´ caniques. il ´ e e e emet un rayonnement dans les gammes centim´ triques (voir [Maˆtre. certains rayonnements utilis´ s ´ e ı e en m´ decine ou en contrˆ le non destructif : PET (Imagerie par emission de Positons). e o ´ – dans le domaine des ondes acoustiques : en imagerie ultrasonore. les lampes spectrales (Hg. Cd.). e e e – dans les autres domaines des ondes electromagn´ tiques : le radar est le type-mˆ me de source coh´ rente . et les phoe a tons qu’elle emet pr´ sentent une relation de phase qui se maintient dans le temps au del` de la dur´ e de vie ´ e a e des photons . 2. une source primaire est r´ fl´ chie ou diffract´ e par la ´ e e e e sc` ne que l’on veut imager. elles pr´ sentent des propri´ t´ s interm´ diaires entre celles des deux types principaux. comme des sources coh´ rentes . rayons .Chapitre 16 Formation de l’image et couleur Chapitre r´ dig´ par Henri M AˆTRE et Anne-Catherine C ARRILERO e e I 16. Pour compliquer les e e choses. etc. des images sont faites en imagerie ”partiellement coh´ rente”.1. dans des conditions tr` s particuli` res. comme celles obtenues en microscopie par e exemple . On peut les rendre coh´ rentes en les filtrant e e par des filtres monochromatiques tr` s etroits et en les diaphragmant. Les sources naturelles dans le domaine visible ne sont pas coh´ rentes. elle est temporellement coh´ rente. 1991] : e e ee e 1. c’est-` -dire que les divers points de la source emettent des rayonnee e a ´ ments en phase. e ee e Imagerie coh´ rente e Une source est coh´ rente si elle pr´ sente deux types de propri´ t´ s [P´ rez.1 Formation des images 16. etc.

et cel` pour chacune des longueurs d’onde e ´ a 1 Des termes diff´ rents sont employ´ s dans des domaines diff´ rents : granularit´ est le terme employ´ en optique. Ainsi la contribution d’un point du pixel peut-elle etre positive ou n´ gative selon que sa e ˆ e phase est en accord avec celle de ses voisins ou non. 2001]). tous les effets de phase sont tr` s importants car ils r´ gissent pour une grande part le e e e bilan de l’´ quation 16. FORMATION DE L’IMAGE ET COULEUR détecteur rayonnement incident θ F IG . mais son traitement b´ n´ ficie de la connaissance de tr` s fortes propri´ t´ s ı e e e ee statistiques qui n’existent pas en optique incoh´ rente. puis de la sc` ne au capteur). e e e e e chatoiement en radar. tavelure en astronomie. e £ Q©    Q 1© % ! ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢  ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡  ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢  ¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¢ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡¢ ¢                                                                                        ¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡ ¢ ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡   ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡¢ ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡   ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢ ¢ M pixel %# ! &0)§ ¥   ¦  3 § X¦ 10)§ ¡! © %# ! # © %# ! &$"§ ¦ @   @   # © (( % @ F 9 @ # §  &   9 9 # §  © 9 F   ¥ £( &     # % © %# ! &$"§   (16. en eclairage incoh´ rent. Le capteur s´ lectionne les e seules contributions provenant du pixel dont il fera l’image (sur des crit` res angulaires ou sur des crit` res de temps e e de propagation) et construira un signal egal a (nous consid´ rons ici une s´ lection angulaire) : ´ ` e e Le terme exprime les effets des absorptions et des att´ nuations dues a la r´ flexion sur le pixel . il e ` e s’exprime en fonction de l’amplitude de l’onde incidente et des propri´ t´ s du mat´ riau.1 – Formation d’une image : le rayonnement renvoy´ par chaque point de la sc` ne est collect´ (par exemple e e e par une s´ lection angulaire en fonction de ) et somm´ sur le capteur. on somme des densit´ s spectrales d’´ nergie. Le capteur mesure une energie. En eclairage coh´ rent on somme des amplie e ´ e tudes complexes. 1999. Le terme anglo-saxon consacr´ est speckle.1. e Imagerie incoh´ rente e Le processus de formation des images en optique incoh´ rente est finalement beaucoup plus simple. 16. e En imagerie coh´ rente. c’est-` -dire le carr´ du module de ´ a e l’int´ grale ainsi obtenue. L’imagerie coh´ rente est consid´ r´ e comme tr` s bruit´ e par rapport a l’imagerie incoh´ rente e e ee e e ` e (voir [Nicolas. Le terme de phase comporte ee e d’une part les retards dus a la propagation (de la source au point de la sc` ne.316 CHAPITRE 16. puisque e le capteur int` gre les energies issues de chaque point source du pixel. Le terme traduit les att´ nuations dues a la propagation entre le point du sol et le capteur. ´ e e e par sa phase et son amplitude dans chaque direction de l’espace (principe d’Huygens).1) ¦ © %# ! &$"§ # . La e ` sommation se fait sur les amplitudes complexes. ainsi ` e e que les d´ phasages introduits par l’interaction avec la sc` ne (ce que l’on appelle fr´ quemment la phase propre e e e du pixel). La variation tr` s rapide de l’amplitude cr´ e le ph´ nom` ne e e e e de granularit´ 1 . Maˆtre.

1. puisqu’ils n’interviennent que par la modulation du terme (par exemple en traduisant la nature plus ou moins directionnelle des r´ flexions). 16. en e e ´ e ´ e thermodynamique ou en chimie [Callet.16.1. des mod´ lisations compl` tement artificielles et purement e ` e e math´ matiques ont et´ propos´ es pour simuler les apparences dans des domaines comme la synth` se des images. et o` u la sensibilit´ spectrale du capteur.1 et 16. en electromagn´ tique classique.2 Interaction mati` re rayonnement e Cette partie a et´ r´ dig´ e en partie a partir du livre de Patrick Callet [Callet. 1998]. et devant l’ampleur et la complexit´ des bilans e e et des mod` les qui cherchent a s’appuyer sur la physique. en electromagn´ tique quantique. Dans de nombreux cas il est tr` s difficile de mettre en evidence e ´ les ph´ nom` nes dominants et des interpr´ tations a des niveaux diff´ rents peuvent conduire a des r´ sultats tr` s e e e ` e ` e e diff´ rents. ´e e e ` C’est l’un des probl` mes les plus complexes de la formation de l’image. ´ e e e ` ces niveaux n’´ tant pas compatibles. en optique ondulatoire. FORMATION DES IMAGES auquel il est sensible (avec une sensibilit´ e  317 repr´ sente la densit´ spectrale d’´ nergie r´ emise par le point e e e e´ dans la direction du capteur. 1998]. e ´e e e Ces mod` les ont et´ hybrid´ s avec des mod` les physiques conduisant a un tableau extrˆ mement confus. e En comparant les equations 16. e e 16. Pour compliquer le tableau des connaissances actuelles.2) © ¥¨ # 10)§ %# !  .2 on comprend que les effets g´ om´ triques interviennent beaucoup ´ e e moins dans ce second cas. cette modulation etant. toutes choses egales par ailleurs. e ´ ´ aussi pr´ sente dans le terme de l’´ quation 16. e ´e e e ` e réflexion absorption transmission diffusion et réémission diffraction F IG .2 – Les principaux m´ canismes de propagation des rayons lumineux e § © ¥¨ E  # ¨ Q % Q ! Q© ¨ # &%$"!§ 6  @   @   # % @ F 9 @   9 9 § © E 9 F ¥¨ ¦   # % I §E ¨   )) :   F  © £(( # § # &   (16.1. Les processus mis en jeu sont tr` s e e nombreux et op` rent fr´ quemment de facon simultan´ e rendant leurs contributions individuelles tr` s difficiles a e e ¸ e e ` evaluer. Par ailleurs ces ph´ nom` nes peuvent s’expliquer par des mod´ lisations a divers niveaux de la physique. Ainsi des explications peuvent provenir d’une simple interpr´ tation en ope e tique g´ om´ trique.

. 1975] s’en inspirent pour proposer des mod` les de miroirs moins parfaits pour lesquels la d´ croissance de l’intensit´ autour de l’angle e e e sp´ culaire est de la forme e . 16. FORMATION DE L’IMAGE ET COULEUR Elles r´ sultent d’une mod´ lisation en optique (g´ om´ trique : sans interf´ rences.. etant une constante adapt´ e a chaque mat´ riau. on peut justifier un mod` le tr` s classiquement utilis´ en e e e e synth` se d’images. 1977]. ´ e ` e ´ Des approches photom´ triques suivant ces directions s’appuient sur une fonction dite de r eflexion bidirectione nelle (FRB ou BDRF) qui relie l’´ nergie recue dans une direction rep´ r´ e par rapport a la normale a la surface en e ¸ ee ` ` fonction de l’´ nergie emise par la source (elle mˆ me rep´ r´ e par rapport a la normale). Des relations empiriques comme la formule de Phong [Phong. l’intensit´ r´ emise est proportionnelle au cosinus de l’angle e e´ Outre la r´ flexion sp´ culaire. 1982] qui donne au mat´ riau un indice complexe e e effectif du type : On construit egalement des mod` les de milieux rugueux (rugosit´ de Bekmann ou de Beckmann et Spizzichino. 1995]. la luminance est ind´ pendante de e e la direction d’observation et ne d´ pend que de la direction de la source. e e e e  £  £¡   £   ¡  ©    £¡ ¢    C § ¡     ¤  s § © ¢3 £   §  s     ! £ © § ¡ θ M . A droite. C’est e e un mod` le de ce type qui a et´ exploit´ en synth` se d’images par Blinn [Foley et al. celui de Cook et Torrance [Cook et Torrance. Cette FRB est normalement e ´ e ee ` donc fonction de 4 angles [Nicodemus et al. Pour une surface v´ rifiant la loi de Lambert. ´ e e formules de Goodman pour l’imagerie coh´ rente et la granularit´ totalement d´ velopp´ e) [Beckmann et Spizzichino. ` observation source N θ2 θ1 ψ1 M ψ2 F IG . e´ e La repr´ sentation vectorielle des champs electro-magn´ tiques conduit des equations de Descartes aux equations e ´ e ´ ´ de Fresnel. Les relations de Descartes ( e ) r´ gissent les r´ flexions sp´ culaires e e e (miroirs ou dioptres parfaits). souvent en concurrence e ´e e e au mod` le de Phong dont il ne diff` re que peu. ou ondulatoire : avec ine e e e e terf´ rences et diffraction). Pour une surface lambertienne l’´ nergie e e r´ emise par unit´ d’angle solide est proportionnelle au cosinus de l’angle fait par cette direction avec la normale. 1963]. dans le cas e e e ` de la diffusion lambertienne. la forme la plus usit´ e de FRB est la loi de Lambert qui correspond a une surface e e e ` isotrope et parfaitement diffusante. Un mod` le de ce type est par exemple utilis´ dans les mod` les de milieu rugueux de Torrancee e e Sparrow [Torrance et Sparrow. Des propri´ t´ s d’isotropie peuvent parfois etre mises en avant ee ˆ pour ramener ces variables de 2 a 4. e e Les lois de Descartes-Fresnel permettent en particulier de relier les champs absorb´ s et dispers´ s par le milieu e e e e (relations entre parties r´ elles et imaginaires de (relations de Kramers-Kronig)).318 R´ flexion et r´ fraction e e CHAPITRE 16. En g´ n´ ralisant les relations de e Fresnel aux milieux m´ talliques (d’indice complexe).3 – La fonction de r´ flectance bidirectionnelle exprime l’intensit´ r´ emise par la surface en fonction de e e e´ l’intensit´ de la source et des 4 angles rep´ rant source et r´ cepteur par rapport a la normale. 1967] qui consid` re une distribution gaussienne de micro-facettes al´ atoires.

´ ` e Dispersion dans les milieux homog` nes e Cette mod´ lisation consid` re la propagation des ondes electromagn´ tiques dans la mati` re. L’intensit´ de l’onde traversant un espace de longueur prend alors e e la forme : est la densit´ optique. 1963]. diffraction de ´ e e e Bragg). ont et´ compl´ t´ es par des ape ´e ee proches plus complexes de diffusion multiple. 1993]. entraˆnant d’importants effets ı color´ s en fonction de l’angle d’observation. C’est souvent des approches qui sont retenues e pour r´ soudre des probl` mes concrets. e e e fum´ es. de la poussi` re. mol´ cules ou atomes. des approches ph´ nom´ nologiques ont et´ faites du ph´ nom` ne de diffusion pour e ` e e ´e e e rendre compte des r´ sultats sans en expliquer les causes exactes. les plus simples a mod´ liser.1. etc. Pour la formation des images. ` o a ¨ ( s g % g ¨ % ¨ © Q )( 3 §  ©  ' 7 ¡  ¡ ¨ # ' ¡ ¡ #   s Q . on traite des populations de particules incoh´ rentes dans un milieu tr` s dilu´ e e e (cel` entraˆne qu’il n’y aura qu’une interaction au plus pour un rayon donn´ ) de taille tr` s petite devant . 1975]. La diffusion par les particules explique de tr` s nombreux ph´ nom` nes physiques : couleur du ciel ou des mers. On etablit ainsi des relations entre la fonction di´ lectrique complexe et la polarisabilit´ des ´ e e dipˆ les. Les dipˆ les etant les structures sensibles au champ EM. On explique ainsi l’apparence des vitraux et le rˆ le des ions e e o m´ talliques comme e et (´ quations de Maxwell Garnett) [Berthier. Diffusion et diffraction par des particules Une autre famille de probl` mes provient de la diffusion et de la diffraction de la lumi` re par des particules de e e dimension comparable ou inf´ rieure a la longueur d’onde : poussi` res. du caf´ . ee e ´ Parall` lement a ces travaux. et a e ` ` . On cherche a exe e ´ e e ` primer les modifications du champ electro-magn´ tique incident sous l’effet des perturbations induites dans le ´ e milieu par ce champ. 1969]. a e d´ fini uniquement par son indice de r´ fraction effectif.16. Sa th´ orie conduit a des r´ sultats asymptotiquement equivalents a ceux de Rayleigh quand la taille des o e ` e ´ ` particules tend vers 0. etc. Dans le cas de propagation dans des mat´ riaux volumiques epais on retrouve l` aussi la th´ orie des r´ seaux e ´ a e e epais de Bragg a partir d’une mod´ lisation en optique ondulatoire. ceci a conduit a la d´ finition ` e o ´e ` e d’un milieu effectif. On a ı e e montre alors que la puissance diffus´ e par unit´ de volume est proprtionnelle a e e ` . e ` e e Dans l’approche de Rayleigh. mais aussi les e ´e ee ee o multipˆ les. e Ces th´ ories ne prenant en compte qu’une seule interaction sur un faisceau. Une telle approche est par exemple celle de Melamed qui essaie de rendre e e compte de l’effet de poudres pulv´ rulentes (en ce cas on ram` ne le milieu a une seule couche faiblement absore e ` bante de particules de taille grande devant ) [Melamed. mais celles-ci n’aboutissent pas a des expressions explicites et on ` leur pr´ f` re des d´ marches plus empiriques comme par exemple les equations du transfert radiatif [Kerker. 1942] plutˆ t qu’` l’original de Kubelka-Munk en allemand. Le mod` le de Kubelka-Munk2 est particuli` rement adapt´ a pr´ senter les effets des mat´ riaux e e e e` e e 2 On o` u se reportera a l’article [Duntley. c’est-` -dire d’un milieu virtuel permettant de rendre compte des mˆ mes effets coloriques. du e sable. La th´ orie de Rayleigh a et´ compl´ t´ e par Mie qui a consid´ r´ non seulement les dipˆ les. elle o ´ ` e s’appuie donc sur la r´ solution des equations de Maxwell dans un milieu caract´ ris´ par la pr´ sence de dipˆ les e ´ e e e o [Born et Wolf. Une mod´ lisation en est faite par la m´ thode de Lorentz qui conduit aux equations de Clausius-Mossotti o e e ´ (liant a la polarisabilit´ des dipˆ les el´ mentaires). proportionnelle a la concentration des particules. FORMATION DES IMAGES 319 On peut egalement traiter les milieux p´ riodiques ainsi que les r´ seaux (´ quations de Kirchoff. On peut egalement appliquer la e ´ th´ orie du champ moyen (m´ thode de Bruggeman) qui permet d’´ viter de connaˆtre les fonctions di´ lectriques des e e e ı e particules participant au milieu. Il rend compte ainsi de la neige.

` 16.3 Les sources de lumi` re e 1. e Dans la pratique. – rouge + vert + bleu = blanc. il y a une etroite relation entre l’´ nergie de liaison et la position des bandes d’absorption des mat´ riaux ´ e e qui contrˆ lent l’aspect ext´ rieur du mat´ riau. il est proche d’une lumi` re solaire directe. Grassman a etendu cette propri´ t´ a toute couleur et a donc etabli la ”trivariance” de l’espace ´ ee` ´ ˆ color´ : tout rayonnement peut etre remplac´ par une combinaison lin´ aire de 3 primaires qui aura la mˆ me e e e e apparence color´ e pour un observateur. Ceci est d´ crit par les equations de la m´ canique quantique appliqu´ es o e e e ´ e e a la structure en question.2 D´ finition des diff´ rents espaces couleur e e 16. Illuminant B : T = 4800K. Les couleurs compl´ mentaires (qui additionn´ es en bonne proportion donnent du blanc) sont donc : e e . D65 et D75 : les temp´ ratures respectives sont 5000K.1 Trivariance et primaires Maxwell a montr´ qu’une lumi` re blanche peut etre reproduite “en apparence” par une combinaison lin´ aire e e ˆ e de trois primaires. papier color´ . plastiques. Le m´ tam´ risme naturel exact est extrˆ mement e e e e e e e e rare. le choix des primaires se porte sur le rouge. e e Ces propri´ t´ s expliquent les couleurs vives de certains oxydes. Il d´ coupe le milieu en couches succese e e sives et met en evidence le rˆ le important du rapport du coefficient d’absorption sur le coefficient de diffusion. FORMATION DE L’IMAGE ET COULEUR synth´ tiques : pigments dans les peintures. de la dimension de certaines structures. Le m´ tam´ risme forme une classe d’´ quivalence. ils e correspondent a quatre rayonnements diurnes.320 CHAPITRE 16. Une bande d’absorption dans le violet donnera au mat´ riau une apparence jaune ou rouge tr` s vive.2. et le bleu dans les synth` ses additives (les seules que nous aborderons ici). e 2. Deux rayonnements qui donnent une mˆ me impression color´ e mais n’ont pas le mˆ me contenu spectral sont e e e dits m´ tam` res. Dans un compos´ e e ` e e chimique. de l’existence de transitions electroniques ´ particuli` res. etc. vert et bleu. et le jaune. on obtient les couleurs secondaires qui sont egalement les e ´ primaires soustractives : – rouge + vert = jaune. e 4. Illuminants D50. – rouge + bleu = magenta (couleur mauve). Illuminant C : T = 6500K. partant d’une lumi` re consid´ r´ e blanche. on additionne les primaires pour e e e obtenir la teinte cherch´ e . Dans la synth` se additive. – vert + bleu = cyan (couleur bleu-turquoise). Ainsi l’augmentation de l’intensit´ de la liaison de covalence favorise l’apparition de ` e niveaux peu serr´ s et donc l’absorption se fera aux plus grandes longueurs d’ondes. le vert. le magenta et le cyan (leurs couleurs e compl´ mentaires) dans les synth` ses soustractives. 6500K et 7500K.1. D55. on soustrait a e e e ee ` l’aide de filtres les primaires. Si l’on m´ lange les primaires rouge. dans la synth` se soustractive. e e e 16. ´ o Approche chimique Dans une telle d´ marche on s’int´ resse essentiellement a la structure chimique des compos´ s. plutˆ t vers le rouge que le e o bleu. e 3. ou de la pr´ sence et de la concentration d’impuret´ s. la plupart du temps. D’autres apparences d´ coulent de la position ee e relative des anions et des cations au sein de la structure cristalline. il est proche d’une lumi` re du jour moyenne. Illuminant A : temp´ rature T= 2856K. 5500K.

suivant les trois e e primaires choisies. propres au capteur choisi. dont les expressions sont les suivantes : o` u est la distribution spectrale de la source lumineuse secondaire. Les lois de la colorim´ trie [Marion. par exemple une cam´ ra. V et B (d´ nomm´ es compoee e e santes trichromatiques). exprim´ e en cand´ la par e e . verte et bleue qui nous permettent de recr´ er l’image en couleur.3) o` u est la densit´ spectrale de puissance de la lumi` re r´ fl´ chie sur le capteur. e un facteur ne d´ pendant que e 16. par ` e exemple rouge.´ ´ 16. a l’aide de filtres appliqu´ s successivement sur le capteur 3 . DEFINITION DES DIFFERENTS ESPACES COULEUR 321 – jaune et bleu. Il existe une infinit´ d’espaces colorim´ triques. 3 ou de trois capteurs masqu´ s par un filtre chacun e ‚ © ¨§ © © © # ¥  # £  # ¡ §   ¨ i¥¨ § Q © ¨ Q © ¨§ ¨ Q ¥¨ § © ¢ #   WC # ¡ ¢E   ¨ Q© ¨ § ¡ ¥¨ § © £ ¤E E © ¨§    © © ¥¨ ¨§ £ ( § ¤ §   © ¨ U     © © ‚     A § © ¥¨ U © 7 ¢7 A  g 77  F © § &§¢ 2¢¢ ¢ ¨§ ¥  £  ¡ ‚ U U £  2© ‚ £ £ £ £ £   ¢ % % % F F F      § &¢   § Y © ¨§ ¡ © © ‚ §¢ © § © ¥¨ U ( ¨§ U . Le capteur. On obtient ainsi trois images. On interpose des filtres entre l’objet et la cam´ ra pour s´ lectionner le contenu spectral de la lumi` re e e e mesur´ e. e e ´ e e L’objet est alors consid´ r´ . et . La luminance.2 Choix d’un espace de couleur Nous d´ sirons cr´ er l’image d’un objet eclair´ par une source primaire de lumi` re (par exemple le Soleil). du point de vue du capteur. e Suivant le sch´ ma de Maxwell. – magenta et vert. Cette egalisation ne disparaˆt qu’aux tr` s faibles eclairements (perte de la sensation color´ e) et aux e ´ ı e ´ e forts eclairements (´ blouissement). on d´ compose donc le rayonnement arrivant sur le capteur. Un espace colorim´ trique est d´ fini par un blanc de r´ f´ rence (c’est-` -dire une r´ partition e e ee a e donant une sensation visuelle de blanc) et 3 primaires . On appelle e e composante trichromatique de la couleur dans le syst` me colorim´ trique e e . se calcule comme : (16. ´ e – La luminance visuelle d’un m´ lange de couleurs est la somme des luminances visuelles des luminances de e ses composantes. e e e e de la g´ om´ trie de prise de vue et e e la courbe de sensibilit´ spectrale de l’œil. 1997] sont compl´ t´ es par : e ee – l’´ galisation visuelle des couleurs demeure si l’on change egalement les quantit´ s de chaque lumi` re du e ´ e e m´ lange.2. Tout point de l’image est donc e rep´ r´ dans un espace tridimensionnel par ses trois composantes chromatiques R. e e est concu pour recevoir l’information photom´ trique emise par l’objet et traduire ces donn´ es energ´ tiques en ¸ e ´ e ´ e une image. comme une source secondaire de lumi` re emettant un ee e ´ rayonnement qui d´ pend du rayonnement incident auquel il est soumis. les 3 rapports : o` les u sont les luminances de la primaire n´ cessaires pour egaler visuellement la sensation de la lumi` re e ´ e (et idem pour ).2. – cyan et rouge.

3 e ´ ` W/nm . 546 nm pour le vert et 436 nm pour le bleu . d´ finies pour le triplet rouge. est la sensibilit´ du capteur rouge.  §  £ Y C      §  Y    # ©   4   ) t © ¨§ ¢ © ¨§ ¤  # © ¨§   © ¥¨   § # ¥ © © ¥¨ ¨§ © ¥¨ §   §   C E   a . et diagonale reliant les points caract´ ris´ s par les trois composantes e e (blanc) est appel´ e axe achromatique. ont des valeurs nulles en dehors du e e domaine visible des longueurs d’onde . B 1 axe achromatique Vert Rouge 1 R F IG . les 3 primaires ont pour puissance 1 Watt et sont monochromatiques. e ´ de densit´ de puissance constante et egale a 5. vert. dans ce cube. Cette repr´ sentation conventionnelle laisse croire que les composantes e e port´ es par les 3 axes orthogonaux sont ind´ pendantes. bleu.2. On en d´ duit l’expression des composantes chromatiques lorsque le stimulus n’est pas de luminance e unit´ . le blanc de r´ f´ rence est choisi comme ee c’est le blanc d’´ gale energie. La ˆ e e e (noir). et de mˆ me pour le vert et le bleu. vert et bleu. Elles sont egales aux composantes trichromatiques ´ lorsque le stimulus a caract´ riser est de luminance constante et d’int´ grale unit´ .3 L’espace RVB de la CIE 1931 La CIE4 a d´ fini un espace RVB de r´ f´ rence (CIERVB 1931) a partir des el´ ments suivants : e ee ` ´e 1. 16.322 CHAPITRE 16. Elles sont alors not´ es : ` e e e e . mais on sait exp´ rimentalement qu’il n’en est rien. de longueurs d’ondes : 700 nm pour le rouge. . par l’´ quation e e %  §     § ¨ Q © ¨ § © ¨ ƒ¢ ¨ v 4   ' F  7 2. mais de luminance e : 4 CIE=Commission Internationale de l’Eclairage © ¨§ ¨ C Y Le triangle de Maxwell est le triangle d´ fini.4 – Le cube des couleurs et le triangle de Maxwell Bleu Triangle de Maxwell (R+V+B=1) 1 V Les fonctions colorim´ triques de RVB CIE 1931 e Les fonctions colorim´ triques. FORMATION DE L’IMAGE ET COULEUR sont les transmittances des filtres rouge. . e e e 16. e e L’espace RVB peut etre repr´ sent´ sous forme d’un cube dont trois des arˆ tes portent les trois primaires.

2. Verte et Rouge. ` 2. 16. fait apparaˆtre la teinte plus ee ı rouge).b 1. DEFINITION DES DIFFERENTS ESPACES COULEUR 323 Les fonctions colorim´ triques sont egalement nomm´ es courbes d’excitation ou fonctions de m´ lange. et TLC). Les trois composantes RVB sont fortement corr´ l´ es (diminuer la composante V. e e e e § ¨ 1Q© ¨ § a © ¨ ƒ¢ © ¨ 1Q© ¨ § ¥ ¥¨ § ¢ F 650 700 750 F   § Y . qui caract´ risent une inhibition. et il est difficile de s´ parer la notion d’intensit´ de la notion de chromaticit´ . e e 3 2. e Pour eviter ces inconv´ nients. De gauche a droite : Bleue. visuel hypoth´ tique. TLS.5 0 −0.5 350 400 450 500 550 600 longueur d"onde en nm F IG . il a et´ propos´ de passer a des espaces diff´ rents : tout d’abord l’espace XYZ.5 1 0.´ ´ 16. Elles e ´ e e sont repr´ sent´ es figure 16.5.5).5 – Fonctions colorim´ triques. L’espace RVB n’est pas le meilleur espace pour reproduire la perception visuelle humaine : il est par exemple difficile d’attacher simplement une couleur a un point de cet espace. ´ e ´e e ` e puis des espaces dont la repr´ sentation se rapproche de la perception humaine des couleurs. Notez les valeurs n´ gatives (en e ` e particulier de Rouge). e Limites de cet espace 1. et dans lequel on peut e d´ corr´ ler l’intensit´ de la couleur (Lab. une couleur pure a toujours au moins une composante n´ gative (voir fig 16. e e e 3.v.5 2 fonction r.

Ces primaires furent nomm´ es : e ` e et les fonctions colorim´ triques e associ´ es e .” e e e La Clart´ est “un attribut d’une sensation visuelle. On peut egalement les d´ finir litt´ ralement ind´ pendamment des espaces [S` ve. contrairement a la saturation. On d´ finit donc une ` e e matrice de passage inversible nomm´ e : RVB XYZ (dont les valeurs d´ pendent du syst` me physique d’acquisition e e e et d’affichage de l’image si l’on ne se place pas dans RVB 1931). ce qui permet de relier directement la luminance de la couleur a la valeur (voir equation 16. FORMATION DE L’IMAGE ET COULEUR Dans ces diff´ rents espaces.3) : ` ´ . Dans les paragraphes suivants les diff´ rents espaces utilis´ s.6. Le passage de l’espace RVB a l’espace XYZ se fait par une transformation lin´ aire. Ces primaires ne e e e e sont pas physiques mais irr´ elles. La transformation r´ ciproque se fait grˆ ce a la e a ` e matrice inverse de RVB XYZ nomm´ e XYZ RVB. La CIE proposa un changement de primaires afin d’avoir des fonctions ` colorim´ triques a valeurs positives. On choisit en particulier egale a la sensibilit´ relative spectrale e ´ ` e de l’œil. on d´ finit math´ matiquement les caract´ ristiques de la couleur : la Teinte. la e e e e Saturation et le Chroma. La teinte d´ termine donc la couleur d’une surface. e e e 16. Ces deux matrices sont. d´ finies de la facon suivante : e ¸ ¡ Les espaces RVB et XYZ n’ayant pas les mˆ mes blancs (ils sont en fait proportionnels). evalu´ ` ˆ e ¸ e ´ relativement a sa luminosit´ .. on d´ finit un espace e e   © § ‚ © ¥¨ ¡ § ¢ w  i b ! ¢ C b C ¢ ¤ ¤ b v !  b    t # ' 5 v   b  ¤b ¤   b¥C ) C wX  C b  b i ¢ ¢ ¤ ¡ t ¡ # v 3   t '    ¤  i 3 b w AC   b  b  3 b  H C      % ¢ ¡ C  b   i 3 b   b   % )   ¡    § Y     ¡    § § Y Y       ¡    ¨ # % $! #   . e Le Chroma est “le niveau de coloration d’une surface. le chroma augmente avec la clart´ de la surface.2. jaune.324 CHAPITRE 16.” La Luminance est “une grandeur physique qui caract´ rise une surface emettant un rayonnement dans une e ´ direction donn´ e. faisant intervenir ces grandeurs.”. e e qui correspondent donc a des inhibitions. Le e e ¸ ´ ` chroma d’une surface donn´ e est un attribut perceptif ind´ pendant du niveau d’´ clairement. e e e e Ils n´ cessitent que l’on d´ finisse tout d’abord l’espace interm´ diaire XYZ.5. leurs expressions formelles seront d´ finies e par la suite et leurs notations seront respectivement C et S. evalu´ relativement a la lumi` re qu’elle recoit. La clart´ s’´ value relativement au diffuseur parfait eclair´ dans les mˆ mes e ¸ e e e e ` ´ conditions. 1996]. dans le cas du passage des espaces CIE 1931..4 L’espace XYZ Comme nous pouvons le voir sur la figure 16. La saturation d’une surface de chromaticit´ constante est un attribut perceptif ind´ pendant de sa clart´ . Il permet d’estimer la proportion de couleur chromatique pure dans la sensation e ` totale. C’est le quotient du flux emis par l’angle solide et l’aire apparente de la surface depuis la e ´ direction d’´ mission. seront pr´ sent´ s. Les nouvelles fonctions colorim´ triques sont repr´ sent´ es sur le sch´ ma 16. ” e Les notions de chroma et de saturation sont souvent confondues. Pour une surface de e e e chromaticit´ constante. les fonctions colorim´ triques prennent des valeurs n´ gatives. selon laquelle une surface paraˆt diffuser plus ou moins e ı de lumi` re relativement a celle recue. ´ e e e e D´ finitions des grandeurs chromatiques e La Teinte est d´ finie de la facon suivante : “Attribut de la sensation visuelle qui peut etre d´ crit par des e ¸ e ˆ qualificatifs tels rouge.” e e ` La Saturation quant a elle peut etre d´ finie de la facon suivante :“Niveau de coloration d’une surface.

6 0. PAL ou SECAM aux espaces de la CIE et d’un type de t´ l´ vision a l’autre (les deux syst` mes europ´ ens ont les mˆ emes blancs et les ee ` e e e mˆ mes luminophores). ce qui signifie que les ecarts de couleur dans cet espace sont egaux aux ´ ´ ecarts de couleur percus par un observateur (en premi` re approximation).8 325 1. )   ' ¡' ¡  ' ' '     §   Y   § Y  §   Y   ' ' ¡'     . ´ ¸ e e L’origine de cet espace vient de la propri´ t´ suivante : la luminance d’un rayonnement est ind´ pendante de la ee e chromaticit´ de ce dernier. DEFINITION DES DIFFERENTS ESPACES COULEUR 1.6 1. C’est un espace normalis´ par le CIE. e 16.6 – Primaires de la CIE.2.y.5 L’espace Lab et le rep` re TLC e L’espace Lab est un espace uniforme.´ ´ 16. e !   )b C C b ¢ b  3 ) C % b b ¢  i C 3   i b   ¤ i¢b  3   ¡ ' b i 3 b   H  C b b  b  C i  i C b  C b  b b !    i C ¢ b  b   ¢ ) ¢ ¢ ) 2 ' ¨ # % ! # ¢  '  F IG . permettant de passer par exemple des espaces NTSC. 16. e A partir de cet espace nous pouvons d´ finir l’espace Lab.4 0.2 fonction x.4 1.z 1 0.2 0 350 400 450 500 550 600 650 longueur d"onde en nm  700 750 800 850 X’Y’Z’ qui se d´ duit de XYZ par changement de blanc et qui est reli´ a RVB par : e e` Des matrices semblables existent.8 0.2.

85. Yn = 100.326 CHAPITRE 16. Elles permettent d’introduire deux caract´ ristiques de la couleur : la teinte T et le chroma C dont les e expressions sont les suivantes : La signification du chroma est la suivante : si dans l’espace Lab on effectue une coupe orthogonale a l’axe des ` luminances. Il est d´ fini par les equations ´e e e ´ suivantes : Pour des valeurs de l’argument inf´ rieures a 0. Remarque : la teinte est une notion d´ licate car une valeur de teinte a 0 semble tr` s eloign´ e d’une valeur de e ` e ´ e teinte egale a 2 . On d´ finit de plus un blanc de r´ f´ rence dans l’espace XYZ dont les coordonn´ es e ee e sont d´ termin´ es en fonction de la nature de l’illuminant choisi [S` ve. ¸ e ¥ ¥ C r ¡¡¡  ! r       '  b   #   ¡ #     ¥ 3 ¥¥ ! ¥ ¨  ¥¥ £ ! ! £¡ ¤¢  ¥¥ ¥¥ ¡  ¡   ¡  ¡ ¡   w XC § §   £¥ 3 £¥ ¥¥ ¥ ¡  3 ¥ ¥ ¡       ¤ 3 ¥¥   Aw  WCC      ¨ ¡ ¢  #  £ £¥ §  § # £ ¥ # ¥ # § ¥ § §  ¥  #   ! # ¡ ¥ £    ¨  ¢  ‚ § #   # #   ! 3 ¥ 2 #    #   ¥ # ¢     # ¢ ¥   ¥  ¡  ¡¥   # ¥ # # ¢   # B¡ #   . cela est possible dans le cas de l’espace Lab. en ee e e revanche.07. la fonction puissance e ` est remplac´ e par e . Yn = 100.58. – Illuminant D65 : Xn = 95. L’espace Lab est un espace uniforme. Zn = 118. Yn = 100.23. On ˆ e e a donc : et et jaune pour et bleu pour vert pour et et rouge pour et L’axe achromatique L est donc d´ fini par e et . ses valeurs varient donc entre 0 et 2 ou entre e et . on pr´ f` re souvent utiliser les coordonn´ es cyo e ee e lindriques. On remarque que l’axe peut etre d´ compos´ en deux couleurs : vert et rouge et l’axe en bleu et jaune. tel qu’il a et´ adopt´ par le CIE en 1976. Ces deux grandeurs sont repr´ sent´ es sur le sch´ ma ´ ` e e e 16. – Illuminant C : Xn = 98.7. e e e – Illuminant A : Xn = 109. Le chroma est alors la distance ` e e e d’un point de ce plan a l’axe achromatique. On peut ainsi voir que le plan orthogonal a l’axe des clart´ s est le plan chromatique contenant les deux axes a ` e et b.88. Celles-ci sont obtenues a partir des composantes e e ` . La teinte est d´ finie comme un angle. FORMATION DE L’IMAGE ET COULEUR Il est important egalement de constater que dans le cas de l’espace RVB les composantes trichromatiques sont ´ corr´ l´ es. On dispose de trois composantes pour un seul point de l’espace : la clart´ . 1996]. Caract´ ristiques de cet espace e 1. a une valeur de fix´ e. Plutˆ t que de caract´ riser la couleur par les valeurs et . Zn = 108.008856. donc par d´ finition tout ecart entre deux couleurs est egal a l’´ cart e ´ ´ ` e percu par l’homme c’est donc un espace dont la m´ trique est proche de celle de l’espace visuel humain. Ainsi il est impossible d’obtenir l’information de luminance ind´ pendamment de la chromaticit´ . Zn = 35. alors que ce sont deux teintes identiques.04. porte le nom de CIELab. Les points d’isochroma se situent sur un cercle dont le centre est le ` point d’intersection entre l’axe achromatique et le plan de chrominance choisi. on d´ finit un plan particulier de chromaticit´ . L’espace Lab. et les coordonn´ es de chrominance.

16.7 L’espace TLS C’est un espace cr´ e par les traiteurs d’images pour sa commodit´ d’emploi. Les composantes sont d´ finies. On peut ecrire cette transformation e ´ ´ sous forme matricielle. C2 les valeurs de chrominance.2. La composante e e ` e Y est d´ finie comme etant la luminance et C1. e 3.2. Les composantes d’un point de e´ e cet espace sont : Teinte (T) Luminance (L) et Saturation (S). on obtient alors : La matrice est d´ finie suivant l’espace utilis´ : TLS ou visuel hypoth´ tique. On l’appelle en anglais l’espace HIS (Hue.7 – Coupe orthogonale a l’axe des luminances dans l’espace Lab : le rep` re TLC. en passant a l’espace YC1C2. Malheureusement le chroma d´ pend de la e ee e 6 . ` e 2.2. et d’autre part a l’approximation caus´ e par l’exposant . par la matrice e ` d´ finie par : e ¡¥ 6 !   Y §  v 6 t  ! C   ‚  ¡ ‚ ¢ est d´ corr´ l´ e des composantes chromatiques.´ ´ 16. ` e 4.6 L’espace YC1C2 C’est un espace g´ n´ rique. ee e e notamment l’espace TLC. e e e 16. Intensity. e e e ´ e C’est pourquoi il est pr´ f´ rable de passer par l’interm´ diaire d’autres espaces pour d´ finir ces grandeurs. Il est obtenu a partir de l’espace RVB par transformation lin´ aire. Le passage de RVB a Lab entraine des pertes de pr´ cision num´ rique qui sont dues d’une part aux change` e e ments successifs d’espaces. 16. La composante clart´ . L’acc` s aux informations de teinte et de chroma est fauss´ par les diff´ rentes etapes n´ cessaires au calcul. DEFINITION DES DIFFERENTS ESPACES COULEUR 327 b courbe d’iso-chroma C T L a F IG . Saturation).

16. Or dans le cas du syst` me visuel hypoth´ tique. donc les courbes d’iso-chroma sont des cercles. etant donn´ la d´ finition de S (S=f(Min(R. e e e L’espace TLS est egalement appel´ syst` me de coordonn´ es triangulaires. .2.8. compromet la transformation e e e r´ ciproque passant de l’espace TLS a YC1C2. 1995].V.8 Le syst` me visuel hypoth´ tique e e Pour correspondre a la perception visuelle Garbay a d´ fini ce syst` me dont la sensibilit´ est ind´ pendante de la ` e e e e longueur d’onde. 1995]. Cet espace pr´ sente un inconv´ nient : la fonction Min. la matrice ´ e ` de l’espace visuel hypoth´ tique introduit une rotation de e des axes C1 et C2 d´ fini dans l’espace TLS. La teinte est d´ finie comme l’angle compris entre la droite D’ et l’axe de r´ f´ rence e ee C1.C2). de coordonn´ es (C1. du facteur de puret´ et de l’intensit´ de la couleur consid´ r´ e [Carron. Pour eviter cela on peut utiliser le syst` me visuel hypoth´ tique e ` ´ e e [Carron. Soit e ı ee la projection orthogonale de sur l’axe achromatique. D’o` l’expression suivante pour le chroma : ee e u Remarques : Diff´ rences entre l’espace TLS et le syst` me visuel hypoth´ tique. Cela vient du fait que le plan de ´ e e e chrominance est d´ fini par le triangle de Maxwell. e e ee Dans ce mod` le on d´ finit une matrice M de passage a l’espace YC1C2 par : e e ` Par la suite on d´ finit les deux grandeurs suivantes : la teinte et le chroma. FORMATION DE L’IMAGE ET COULEUR On obtient alors les valeurs de . e On peut noter egalement une diff´ rence dans les matrices de passage de RVB a YC1C2. e e ` figure 16. l’axe achromatique est l’axe lui etant orthogonal. En effet dans l’espace TLS.B))) on peut dire que les ´ e e courbes d’iso-saturation sont des triangles homoth´ tiques au triangle de Maxwell et de taille inf´ rieure a ce dernier. ce qui e 6 ©  £ #  ¡ ¡ £ ¡ © ¡ ¡ ' ¡  ¡   !  #   § ¡ ¥ ¡ 0 §   3 !¦ 0 ¡             ¡ ¢ 3   ¡¡ ¢    ¡ ¡ C 3   ¢C 3 C¡ ! ¢ ¢C ¢ ¡ C ¢ ¢C  C ¡   ¢C 3   ¡ C 3    ¡ ¢ 3   ¡ ¡¢ ¡ ! ¢ ¢C ¢ ¡ C ¢ ¢C  C '   & ' 0 ¨   ‚    ¡  ¡ ‚ £ ¤ £ ¡ ¢  ¢ (¤£¢'¡   (' ¦ ¡ ¡ ¢ £ ¢# ¡  U    ¥¡   ¥ 0 3 &  S6  S6 #      U     ¢   C §  U Y   £   £¡   ¡   © £  ‚  ¡  £C ¢  ‚  § ¡  ‚ . Soit la droite passant par et . Soit D’ la droite passant par un point quelconque et par le point origine de l’axe achromatique. figure 16.328 CHAPITRE 16. Le chroma est la distance s´ parant le e point consid´ r´ .8. il est e e e d´ fini comme une distance euclidienne. le chroma n’est pas d´ fini par une fonction Min. La teinte est l’angle que font la droite et l’axe de r´ f´ rence ee . qui d´ finit la saturation. de la facon suivante : ¸ £  La saturation est d´ finie comme une distance s´ parant un point quelconque du point achromatique. de l’axe achromatique. On remarquera qu’on diff´ rencie les termes de Chroma et de e Saturation . e Soit un point de l’espace dont on d´ sire connaˆtre les propri´ t´ s chromatiques. on remare e quera que ce n’est pas une distance euclidienne. donc la e ´ diagonale principale du cube dans l’espace RVB.

C2 (visuel hypothetique) C2 (TLS) B C1 V R C1 F IG . ce qui privil´ gie le choix de la repr´ sentation par TLS. d’o` l’apparition de l’espace TLC. e e Mais plutot que d’avoir a choisir entre ces deux espaces.2. voir sch´ ma e e 16. cependant on constate e e que la formule de la saturation dans TLS ne permet pas la transformation inverse. u . en consid´ rant l’axe achromatique perpendiculaire au plan de la figure. on peut adopter la voie d´ crite par Carron [Carron.´ ´ 16. 1995] : ` e faire un compromis entre les deux espaces.9 – Les plans C1C2 de l’espace TLS et C1C2 du syst` me visuel hypoth´ tique e e On voit qu’il existe des diff´ rences entre l’espace TLS et l’espace visuel hypoth´ tique. Si on reprend la sch´ matisation de l’espace RVB (voir figure 16. e implique que l’axe de r´ f´ rence C1 ne passe plus par le sommet rouge du triangle de Maxwell. 16.4). pour cela il est pr´ f´ rable de ee choisir la formule du chroma d´ finie dans l’espace visuel hypoth´ tique. dans ce syst` me les axes C1 e e e et C2 ne portent aucun sommet du triangle de Maxwell.9.8 – Les courbes d’iso-saturation dans l’espace TLS et d’iso-chroma dans l’espace visuel hypoth´ tique. 16. DEFINITION DES DIFFERENTS ESPACES COULEUR B=1 courbes d’iso-chroma Courbes d’iso-saturation B=1 C=1 329 point achromatique V=1 R=1 S=1 V=1 R=1 Representation des courbes d’iso-saturation dans l’espace TLS Representation des courbes d’iso-chroma dans le systeme visuel hypothetique F IG . on peut repr´ senter les axes e e C1 et C2 des deux espaces. mais correspond a ee ` l’axe Rouge-Vert. En revanche.

2.330 CHAPITRE 16. C’est pourquoi on e ` pr´ f` re parfois utiliser l’espace TLC. luminance et chroma se fait en peu d’´ tapes et ı e donc n´ cessite moins d’approximations que les expressions obtenues a partir de l’espace Lab. Syst` me NTSC e Il propose un espace RVB reli´ a l’espace XYZ par les matrices : e`    i b b !   i ' ' 55 ' 2 w ¢ ' b  3 3 ¢ ' CWC b  3 ¢  ¤  b bH   3 CC   bi CC b i  b !    i © ) §  # © ¡ E !f 3 # 2  §  ¥ © ¡ E !f £   ‚  £C ‚§ ¡ ¡   ¡¡ ¢   ¡ ¢ 3    ¢C 3   ¡ ¡ C 3 C¡ ! ¢ ¡ C ¢ ¢C ¢ ¢C  ¡ ! ¡ '   5¢ b C ' ¢¡¢ ¢¡¢ ¡ '   2b C )   b ww b    ¤  i b  C 3  ¢ b  ¡   b      w b   ¡ ¡ 3 ¡ ¢ ¢  ¢¡C ¢¡C ¢ ¡  3     ¡ ¡   3 6 ¡¡   % © E  C C C   ¨    ¡ ¡   ¡     E (  ¨C ‚   #   ¡ © ¢‚ §    S6 %   Y ¡   6     E § ¡   Y ¡   © § Y     ¡   6 .10 Les espaces de la t´ l´ vision ee Afin de garantir une reproductivit´ universelle des couleurs. e ` ` De surcroˆt. afin d’eviter la perte de pr´ cision au cours des changements d’espaces. les syst` mes de t´ l´ vision se sont dot´ s de normes.2. On obtient ainsi : Ces formules sont inversibles ce qui permet un retour apr` s traitement a l’espace YC1C2 puis a l’espace RVB. FORMATION DE L’IMAGE ET COULEUR 16. on constate uniquement un e e e changement d’orientation pour l’axe C2. la teinte et le a e chroma . on constate que le passage aux valeurs de teinte. ee e 16. La matrice de passage de l’espace YC1C2 a l’espace RVB est d´ finie par : ` e Grˆ ce au composantes Y.9 L’espace TLC Cet espace est obtenu en effectuant un passage de l’espace RVB a l’espace YC1C2 par l’interm´ daire de la ` e transformation lin´ aire exprim´ e a l’aide de la matrice e e ` d´ finie de la facon suivante : e ¸ La matrice ainsi d´ finie est tr` s proche de celle d´ finie pour l’espace TLS. e e ee e aussi bien pour l’affichage que pour la transmission. C1 et C2 nous pouvons d´ finir les grandeurs suivantes : la luminance.

. et ).´ ´ 16. et viennent rendre compte des interactions spatiales ¢ ¡ 6 3 ¡¢ U 6  ¡ ‚ ¢ ¡U # ‚ ¡ 6 # ¡¢ ‚ £ ¡ £ ‚ § © § £  ¡ ‚ © Y (§ ¡  ©  §   ¡  § i¢ On transmet Y et ainsi que w C ¤¢ % b   b  3    i b   b      b C    b  3  £    ¡   b ! ¤   i 3 ¢  b C 3 ¢    b ¢  ¢ ¢ Cb C   C b    i       i       b   £ b  ¢ ¢ i   b   b . ´ e Nous pr´ sentons ici un mod` le de la vision . e e Le signal . Ce mod` le est cependant moins complet d’un point de vue colorim´ trique que des mod` les ´ e e e plus r´ cents comme celui de Nayatani [Nayatani et al. e Le mod` le de Frei-Faugeras fait passer d’une image repr´ sent´ e par ses coordonn´ es RVB a une image dans e e e e ` un espace perceptuel . est tout d’abord converti en valeurs e . transform´ en signal CIE 1931 XYZ. MODELISATION DE LA PERCEPTION COLOREE DES IMAGES Syst` mes PAL et SECAM e Ils proposent le mˆ me espace RVB reli´ a l’espace XYZ par les matrices : e e` 331 NTSC : les signaux en composantes La transmission se fait par Y et I et Q : li´ es a RVB de NTSC par la matrice : e ` PAL : les signaux en composantes ¡ SECAM : les signaux en composantes ¡ ¡ On transmet Y et . un grand int´ rˆ t est apparu dans la mod´ lisation de la e e ee e perception de facon a evaluer automatiquement les performances d’un op´ rateur humain ou d’appr´ cier la qualit´ ¸ `´ e e e d’un document sans passer par une longue etape exp´ rimentale. moyennes et courtes. un filtre spatial sur chaque canal (il est repr´ sent´ sur la figure 16.10). Enfin 3 filtres diff´ rents e .3. Cette absorption est suivie d’une etape de e ´ compression (traduite par un filtrage non-lin´ aire logarithmique) conduisant aux valeurs e .3 Mod´ lisation de la perception color´ e des images e e Devant la complexit´ des exp´ rimentations sur la couleur. ' ) 2 ) ) ' ' ¢ !     C b ¢ b ) ¢ ) ! ©   C ¤ i ¢   ¤ b  3 b     C ¢ bC  3     b¤  3 b i b   i ) 3 ¢ ¢     )     'b ¡ )    '          ¡ ¡ CWC b w ¤  i b i   i  b ¢ ¢    ¢     §     Y   ©      £ ¡ 3   §   § 3 ¡ ¢ Y    £ ‚ ¡ § )   b i        3 ‚    § Y     §   Y     ¡ ¡U 3 ¡¢   U  £ 6 ‚ . Celles-ci expriment assez bien l’absorption par ce qui semble etre les trois familles de r´ cepteurs des cˆ nes des primates. 1991]. . o` code la luminance et u et les antagonismes rouge/vert et jaune/bleu. ˆ e o et d´ notant les longueurs d’ondes longues.mais tr` s repr´ sentatif de ceux que l’on a pu e e e e elaborer sur ce sujet. qui n´ anmoins ne e e permettent pas ais´ ment de faire varier la distance d’observation. 16. Un tel mod` le comporte un etage de r´ cepteurs non-lin´ aires. 1990] ou celui de Guth [Guth. Un second etage ´ donne naissance au canal achromatique et aux valeurs d’antagonismes chromatiques et ( .assez ancien . une s´ paration de l’information color´ e en un 1 canal e ´ e e e e achromatique et 2 canaux chromatiques.

Ils sont pr´ sent´ s sur la figure 16. e e Le mod` le d´ velopp´ par von Kreis reprend le mod` le de Frei-Faugeras.6 cycles par degr´ ).5). e e e e de chaque canal (respectivement . conform´ ment a l’approche de Marr [Marr et Hildreth. 1976]. 1976]. e e Ces filtres ont et´ r´ alis´ s par diff´ rences de gaussiennes. sont assez etroits. Les valeurs de ces divers filtres. paragraphe 11. FORMATION DE L’IMAGE ET COULEUR R G B γ γ γ RGB LMS log log log ~~~ LMS AC1C2 H(f) H1(f) H2(f) ~ A ~ C1 ~ C2 F IG . ainsi que des e matrices de composition et des non-lin´ arit´ s du mod` le sont propos´ es dans [Faugeras.10 – Le mod` le de vision propos´ par Frei et d´ velopp´ par Faugeras [Faugeras. 1980] ´e e e e e ` (voir chapitre sur la segmentation. ee e £ ‚ ¡ ‚  £  ¡  .332 CHAPITRE 16. et ) ind´ pendamment.11. e e e e Les filtres spatiaux et agissant sur les canaux antagonistes. mais tient compte du ph´ nom` ne e e e e e e d’adaptation chromatique qui permet de conserver une perception quasi-permanente de la couleur mˆ me lorsque e l’´ clairage incident varie fortement en teinte. exprimant une nette ´ s´ lection fr´ quentielle dont le rˆ le sera d´ terminant dans notre exp´ rience (maximum de r´ ponse respectivement a e e o e e e ` 4 cycles par degr´ et 2. 16. Pour cela von Kreis proc` de tout d’abord a une normalisation le e e ` la couleur sur l’ensemble de la sc` ne observ´ e et introduit des gains chromatiques pour rattraper un possible e e d´ s´ quilibre de l’´ clairage.

transitivit´ : e et implique   !  ! 1.11 – A gauche la fonction de transfert du canal diff´ rence de deux gaussiennes. . . anti-sym´ trie : si e et alors ¨  !  ¨ %  % '   ! 2. Si la relation n’est pas injective alors elle d´ finit un pr´ -ordre sur .12 – A gauche : .4. e ´e e e ` !  % ' ! %  !   ¥     x    &$! %# '   ! © ! "§   £    ' !  '     % # !  2©   ' "§ !   ¢ !  !   ' !   ' ! %  ' %   % ! 3. On peut alors cr´ er un ordre sur e e e en remplacant les ¸ par leur classe d’´ quivalence d´ finie par : e e On dit qu’il existe un ordre total sur un espace si quelque soit soit soit (soit et ).4 Les traitements des images en couleur 16. r´ flexivit´ : e e . le sup des n’appartient pas a l’ensemble qui n’a donc pas de plus grand el´ ment. il est dit partiel. £ ‚ © F IG . 16. On peut induire un ordre sur un espace non ordonn´ a partir d’un espace ordonn´ si l’on fait correspondre e ` e a tout el´ ment ` ´e un el´ ment ´e par une relation : injective. A droite : la fonction de transfert e § £ ¡ ‚ ©  § ¡  (` une dimension). 16. mais ne classe pas les autres. Si un ordre n’est pas total. calcul´ e a partir d’une a e ` du canal .16. e e Les entiers naturels sont ordonn´ s dans .4. LES TRAITEMENTS DES IMAGES EN COULEUR 10 0 333 10 0 10 −1 10 −1 |H(f)| 10 −2 |H(f)| 10 −2 10 −3 10 −1 10 0 10 cycles/degree 1 10 −3 10 −1 10 0 10 cycles/degree 1 16.1 Un ordre pour l’espace  ? ) qui v´ rifie les 3 propri´ t´ s e ee Un espace est ordonn´ s’il est muni d’une relation entre ses el´ ments (not´ e e ´e e suivantes : e Si seules les relations 1 et 2 sont v´ rifi´ es. alors la relation est un pr´ -ordre. Les couples de e ou les triplets de ne b´ n´ ficient pas d’ordre e e naturel. A ` ´e droite : l’ordre canonique d´ finit les el´ ments sup´ rieurs et inf´ rieurs a . T1 x2 y=sup{xi} T1 y? x x1 x3 To y<x y? To y>x F IG . ¡     ' ! !  % %  ! .

puisque ni le min ni le max d’un e e e e ensemble de valeurs n’appartient forc´ ment a cet ensemble. e e e e Si l’on veut b´ n´ ficier d’un certain nombre d’outils d´ velopp´ s en traitement des images. L’impossibilit´ de le faire au moyen de l’ordre canonique est illust´ sur la figure 16. il faut pouvoir induire e e e e un ordre total dans l’espace des couleurs. 16. Aucun de ces balayages ne r´ soud compl` tement le probl` me car l’ordre induit dans l’espace e e e transform´ respecte mal la notion de voisinage que l’on avait dans l’espace e initial. il est alors possible d’appliquer les algorithmes de la morphologie math´ matique ou des filtres non-lin´ aires de rang . On ne peut donc d´ finir au moyen de l’ordre canonique le dilat´ (ou l’´ rod´ ) d’une image en couleur par cet ordre. (comme les filtres m´ dians en partie e e culier).12). on obtient un ordre partiel dit ordre canonique par la relation conjonctive des deux relations d’ordre (voir figure 16. Plusieurs ordres sont possibles. par exemple.13. Avec un tel ordre.13 – Les divers modes de balayage de l’espace £   C A# C# Toute application injective de dans est discontinue.334 CHAPITRE 16. e e On ne peut d´ finir le dilat´ (ou l’´ rod´ ) d’une image en couleur par cet ordre. balayage de Peano ¡ !  ¡   7 !  7   ¥ ¡ v t £v t   ¡ 1# 7 A ! !      '     .12 pour la dilatation. e ` Il a et´ propos´ donc d’induire un ordre dans cet espace par un balayage judicieux des 3 dimensions (le choix ´e e d’une application injective ci-dessus). Ceci est confirm´ par le e th´ or` me de Netto : e e balayage vidéo balayage zig-zag balayage de Regazzoni balayage de Hilbert entrelacement de bits variantes de l’entrelacement de bits F IG . FORMATION DE L’IMAGE ET COULEUR Si un espace est espace produit de 2 espaces ordonn´ s e et . qui sont illustr´ s a 2 dimensions dans e ` la figure 16.

Une fois choisi l’espace des couleurs. Chaque point a alors 8 voisins appartenant au voisinage .5 pour coder sur 15 bits (on r´ duit le nombre de couleurs a 36 000 e ` environ. 3. pour chaque point de l’ensemble on calcule la somme des distances a tous les autres. 16. Buzo. ´ ` 3. on trouve les r´ sultats suivants : e balayage pourcentage de points du voisinage 1D appartenant au voisinage 2D Hilbert 58 % Peano 57 % Entrelacement 45-50 % ZigZag 27 % Regazzoni 26 % TV 25 % A ce titre.2. on recalcule une moyenne. non le point qui minimise la somme des distances. LES TRAITEMENTS DES IMAGES EN COULEUR 335 Consid´ rons la 8 connexit´ de l’espace e e . une autre possiblilit´ consiste a remplacer les points a distance trop grande par leur projection sur la sph` re e ` ` e centr´ e en la moyenne et de rayon egal au seuil de distance.4. Statistiquement.16. 2.4. on ecarte de l’ensemble tous les points a une distance trop grande de cette valeur moyenne. ` ` On calcule parfois des moyennes ”frustr´ es”. Soit e ` ce voisinage. e ´ 4. on utilise souvent la technique du minimum de distance : 1. on choisit pour point m´ dian celui qui minimise la somme des distances.2 pour coder sur 1 octet une image couleur. ex : palette 5. 9 Y g£   £ ¡! £v C# t ! £ ¡ 9 © 9 © ! 9 Y . on veut en extraire une valeur significative. la quantification uniforme . le choix d’une couleur moyenne est trivial puisqu’il revient a filtrer canal par canal et ` a constituer la valeur moyenne a partir des 3 moyennes des composantes. ce qui permet de construire des histogrammes) ou palette 4.4. Les diverses techniques permettant de quantifier la couleur partent g´ n´ ralement d’un signal sur e e Elles r´ duisent ce nombre par : e 1. mais ´ celui qui minimise la m´ diane des distances d’un point a tous les autres. ` 2. cette m´ thode de classification permet e e e de minimiser la distorsion entre la repr´ sentation originale et la repr´ sentation quantifi´ e.2 Qu’est ce qu’une couleur repr´ sentative d’un nuage ? e On suppose que l’on dispose de points de couleur. la m´ thode LBG (Linde. pour les points retenus. c’est-` -dire calcul´ e a partir de l’ensemble priv´ de ses el´ ments e a e ` e ´e extrˆ mes. 1980] : – pour classe celle qui est la plus proche de l’´ chantillon consid´ r´ au sens de la norme adopt´ e pour mesurer e ee e la distorsion. D´ finissons une 8-connexit´ le long du balayage de l’image. Cette valeur moyenne est la moyenne frustr´ e de l’ene semble. les balayages de Peano et de Hilbert (deux balayages a structure fractale puisqu’auto-similaires) et ` l’entrelacement de bits sont parmi les plus satisfaisants. Pour cela on travaille en deux etapes : e ´ 1. on trie ces distances par ordre croissant. Elle etend a N e e e ´ ` dimensions la soluion classique de Lloyd et Max en choisissant [Linde et al.. Parmi les e ` e e techniques choisies.3 Comment calculer une palette ? niveaux. a partir de l’ensemble des points on calcule une moyenne. qui associe les 4 points pr´ c´ dant et les 4 points e e e e succ´ dant a le long de la courbe. Gray) ou m´ thode des k-moyennes . sur toute la surface .5. e On peut egalement choisir dans l’algorithme ci-dessus. ` 2. Le choix d’une valeur m´ diane n’est pas trivial a cause des probl` mes d’ordre expos´ s ci-dessus. e `   16. Un balayage pr´ servera la topologie de e si les points de se retrouvent dans .

e e e Attention. les equations fortement e e e ´ non lin´ aires de changement d’espaces (par exemple de XYZ a Lab) interdisent d’optimiser (par exemple aux e ` moindres carr´ s) les filtres simultan´ ment dans les divers espaces (figure 16. la recherche du maximum du gradient dans la direction du gradient n’est . A et B.4.. le median-cut. Par exemple on sait que les ombrages (aussi bien propres que port´ s) sont peu color´ s.pas lin´ aire et il n’est e pas equivalent de l’appliquer avant ou apr` s la combinaison des canaux.14).  !  £ E ¨   ¦   !f #  #f E¦Q E E¦Q ¦ 4 4E ¨     !f   ¦ ! § # 4   ¦ ¡   # ¦ (  E £ ¦ ¨ ¨   ¦   4f  ¦    # ¦ (  E £ ¦ ¨ ¨   ¦   4f   ¥¡   M B ¡¥ ¡   . l’octtree les r´ seaux de Kohonen e 3. On peut alors ` e e ne segmenter que les composantes chromatiques des objets si l’on veut s´ parer des objets sans les fragmenter en e fonction des ombres. 16.4 Comment filtrer 2 couleurs ? Les expressions classiques du filtrage lin´ aire s’appliquent bien sˆ r aux images en couleur et l’extension a e u ` des signaux vectoriels ( au lieu de comme dans les images a niveaux de gris).4. 6. En effet. de Canny. de Shen). ne change pas ` fondamentalement le principe du filtrage. e e la m´ thode des k-moyennes floues. On dispose de e 3 images de contours qu’il convient alors de composer pour obtenir une seule image de contours (on dit souvent fusionner ). FORMATION DE L’IMAGE ET COULEUR – pour repr´ sentant d’une classe le centre de gravit´ de cette classe. On choisit fr´ quemment une combinaison des 3 contours qui accepte tous les contours : par exemple e au moyen d’un max des 3 images de contours.336 CHAPITRE 16.5 La d´ tection des contours des images en couleur e La d´ tection des contours des images en couleur peut se faire tout d’abord en appliquant s´ par´ ment une e e e d´ tection de contours scalaires (voir chapitre 11) sur chacune des composantes [diZenzo. e e A M’ F IG .elle . ` ` e e 16. e l’algorithme de population. 4. 5. ´ e On peut tirer profit d’informations particuli` res sur le probl` me a traiter pour privil´ gier un type de repr´ sentation e e ` e e a d’autres. Si l’on choisit une combinaison en modules : on se ram` ne alors souvent a une d´ tection de contours sur le module de l’image (c’est-` -dire a peu pr` s sur l’image e ` e a ` e de luminance) car beaucoup de d´ tecteurs de contours sont lin´ aires (d´ tecteur de Deriche. le passage par une transformation non-lin´ aire (par e exemple l’exposant du passage de XYZ a Lab) conduit a des couleurs (ici M et M’) tr` s diff´ rentes. Il est cependant tr` s important de bien choisir l’espace de repr´ sentation e e des signaux afin que la lin´ arit´ soit bien prise en compte dans l’espace souhait´ . 16. 7. 1986].14 – Lors de l’interpolation de deux couleurs.

egalement appel´ s quaternions purs. En particulier.4. le produit scalaire de 2 quaternions ( ) et la norme d’un quaternion ( ). Les quaternions forment un anneau qui peut etre construit a partir de tout anneau commutatif. sauf si les 2 quaternions ont leurs parties vectorielles proportionnelles. la somme. ) h´ ritent des propri´ t´ s sp´ cifiques e e ee e du produit de quaternions. Ces propri´ t´ s permettent d’obtenir des r´ sultats particuliers par des mises en u e ee e equation tr` s simples.127.5. ˆ ` Dans le domaine du traitement de l’image on utilise les quaternions construits sur dans les applications comme la calibration des cam´ ras o` le changement d’espace de repr´ sentation ou le matching de points.0).0. Ils se construisent a partir d’une base constitu´ e de ` e .7 Couleur et quaternion par un quaternion pur. l’une scalaire . v´ rifiant des propri´ t´ s de multicativit´ seme ee e blables a celles des complexes : ` Un quaternion se compose de 2 parties. Elle utilise la repr´ sentation par quaternions. Mais les quaternions e u e sont egalement utilis´ s a partir de leur construction sur et sur ´ e ` en th´ orie des nombres ou en m´ canique e e quantique. et la partie vectorielle u e : o` repr´ sente le produit vectoriel. 1996]. pour des quaternions purs et . 2000] ˆ on pr´ f` re le point de coordonn´ es (127. ´ e g ¡¡ § ¡    ¡ ¡ 3 #   ¡ ¡  " y&    # ¡  ¡ ©' ¡  '  ' ' ' §  ¡ ¡ © ¡ ¡ 0¡ ¡   © 3   ¡ '  C 3   & "    "£ £  " £ & £  "    H&    & 3 c&  &  & b C "  " b C    b  C  # & # )"#   WC§ 3 ¦ ¡ f¦ Y § ¡  § ¡  &  0$© ¡ # © ' ' ¡ ¡ 3  v ' b ¡ ¡ "  Q y& 7 f     # x   ¡ 3    v' ¡ ¢C ¡ # ¢ Y§ # #' ¡ ¡ ¡ ¡   " ¡ ¡ t t ¨ ( ¦  $©  f¦ Y ¥ # 3 ' ¡ #' ¡ f U #    # $ # # 3 § ¡    '  ' § § ¡ ¡ # Y#    ¡¡ ¡ ¡   3    " ¥¡ ¥¡ £¡ ¡ ' v ¡ ¡ b t ( x # f U . d´ note le produit scalaire de 2 vecteurs. LES TRAITEMENTS DES IMAGES EN COULEUR 337 16.5..16. En effet :  16.( ). etc. Elle permet de manipuler la couleur dans une repr´ sentation analytique compacte e e autorisant la plupart des traitements accomplis sur les scalaires par une extension formelle. mais dans [Evans et al. convolutions. Le produit n’est pas commutatif. On repr´ sente ee e e ensuite un point de couleur par un quaternion pur. Elle a et´ proe ` ´e pos´ e dans [Sangwine.5) qui se situe au centre du cube des couleurs. de facon a repr´ senter par un nombre unique un vecteur de e ¸ ` e (et donc a fortiori de ) de la mˆ me facon que la repr´ sentation par nombre complexe permet de manipuler e ¸ e des objets de . on v´ rifie ais´ ment que la partie scalaire e e du produit de quaternions et vaut : o` .6 Repr´ sentation par quaternions e Cette technique particuli` re et originale peut s’appliquer a n’importe quel espace chromatique.127. c’est tout d’abord choisir un espace de couleur Repr´ senter un point de couleur e (par exemple RVB). le produit.4. forment un espace ´ e vectoriel isomorphe a . l’autre vectorielle : ¡ Les quaternions vectoriels (c’est-` -dire tels que a ). Par exemple comme : Les op´ rations conduites sur les quaternions (produits. ` Les op´ rations sur les quaternions permettent de d´ finir le conjugu´ de e e e . puis une origine de l’espace des couleurs (ce peut etre le noir (0.4.

on montre que l’on peut filtrer une image en couleur par un filtre passebas qui n’agit que sur la composante chromatique parall` le a une couleur donn´ e quelconque e ` e (et pas sur les composantes orthogonales) en construisant le quaternion unitaire : . puis en convolant (` droite a ou a gauche) l’image par un noyau (par exemple de ` pixels) d’amplitude : En effet. FORMATION DE L’IMAGE ET COULEUR Par exemple dans [Evans et al. ! ¥¥ ¥ ¡ ¡ ¡ ¡ ¡ ¡ ¥ ¥¥ ¡ ¡¡ 3 ¥¥¥ ¡¡¡  avec ¡ Leur somme est un scalaire qui peut etre orient´ selon ˆ e filtrage hypercomplexe qui vaut : ¡ en le multipliant par .338 CHAPITRE 16. 2000].. On aboutit a un ` ¡ ‚ ¥ a ©¦ 3 ¡  % &# E " x !§ 3 ¥ ¥¥ ¡  ¡ ¡ ¡  ©¦ 3  ¥ ¡ ¥ ¥ ¡ ¡ % &# E " !§ 3 v' ¡C ! ¢   ¡ ¥¥ ¥ © ‚ ¡ ¡ ¡ ¡ ¡¢ ¨ ¡ ¦ ¡ ¡ ¡ ¥  ¡  © ¡ ¥¥ ¥ ¡ ¡C ¢ y¢ x a ¡ ¡ ¡ ¡ ¡ ¢ ©' %# ! &$"§ ' ¡ ¡ ¡ 3    ¡¢ ¨ t v ¥¥ ¡¡  ¥ ¥ ¦ ¡ ¡ ¡     ¡   ¡ ¡ ¡ ¡ © ©  © ¡ ¡  f¦ Y %# ! &$"§  3 ©  v t 3 %# ! 10"§  v ¦ C  ¢ ¡ C  ' ¢      © (#f t 6 ¥   ¡ ¡   ¡   ©   U © £ t ¦ 6 f¦ Y a ¡   . 2000]. ces convolutions : et fournissent 2 quaternions et de mˆ me partie e r´ elle et de parties vectorielles oppos´ es. Les parties vectorielles sont   egales au produit vectoriel : ´ Cette repr´ sentation par quaternions permet de d´ finir d’une facon semblable des d´ tecteurs de contours e e ¸ e [Sangwine. des TF de l’espace des couleurs ([Ell et Sangwine.. Les parties scalaires obtenues sont egales a la moyenne des composantes e e ´ ` chromatiques de l’image parall` les a e ` . 2000]. 1998]. des filtres passe-bas [Evans et al.

en revanche. Mais ceci n’est jamais vraiment gˆ nant pour les propri´ t´ s structurelles que l’on peut etudier grˆ ce a la e ee ´ a ` SVD. A. eventuellement dans ´ les matrices r´ elles se particularisent en changeant les transpos´ es–conjugu´ es ( e e e matrices unitaires sont remplac´ es par des matrices orthogonales. il existe des matrices unitaires et . Si le classement se pr´ cise comme suit : e e e A la plus petite valeur alors est le rang de .Annexe A D´ composition en Valeurs Singuli` res : e e SVD Chapitre r´ dig´ par Denis M ATIGNON e e A. et les e A     ¡  © 4 Y ¡   £ ¡     ( ¡       A ©    ¡ # b Ab # ¡ ¡ §   0 15 ¡ b   ¡    &' ¢ ¡ a ¡ ¡ A   §  ©  9   ¡ A ¡ ¢        ¡ ¢ ¡  A ¡ ¡    Y    ¨       . et de leur positivit´ . les r´ sultats donn´ s pour e e ) en transpos´ es ( ). les e et les (colonnes de U et V respectivement) constituent les vecteurs singuliers de a ` gauche et a droite respectivement : ` et L’existence de la SVD provient de la diagonalisabilit´ en base orthonom´ e des matrices hermitiennes e e et . et on peut caract´ riser le noyau et l’image de e et par : 339            ¢ ¡   ¡ ¡ ¡   ¡    ©          # b Ab # ¡   b ¡    ¢ ¡ # § ¢ ¢ a   ¡  ¢    ¡ ¡ ¡ )(¡     ¡ #   ¡ ¨ ¡  A ¢ ¢ a #   bbb ¡    # ¡ ¡ ¢  ¡ a  # ¡   a    ¡   ¡ ¡ avec o` u et b i Y ¡ £ ¡ ¡¡ A     A ¡ Y On etudie la d´ composition d’une matrice ´ e .1 D´ finition e ¡ telles que : La matrice rectangulaire est constitu´ e de sauf sur la diagonale qui comporte r´ els positifs.2 Lien avec le rang et interpr´ tation de la d´ composition e e § ¢ la plus grande valeur singuli` re de e et On appelle singuli` re de (´ ventuellement nulle). l’unicit´ de la SVD n’est assur´ e que si la matrice est carr´ e et poss` de valeurs singuli` res deux a deux e e e e e ` distinctes. On a l’unicit´ des valeurs singuli` res (comme on a celle du spectre de e e e ) . les ou valeurs e e singuli` res de . e Th´ or` me 1. Soit e e .

et l’on a : A. on voit tr` s bien comment agit sur chaque vecteur de la base orthornorm´ e e e e e de l’espace de d´ part e : elle le transforme en fois le vecteur de la base orthornorm´ e de l’espace d’arriv´ e e e . si l’on se donne e e comme tol´ rance num´ rique. e Plus pr´ cis´ ment. le th´ or` me 2 permet d’´ crire : e e e   ©  §   2 £ 0& La propri´ t´ suivante joue un tr` s grand rˆ le dans les probl` mes d’approximation : ee e o e une SVD de . en notant . consid´ rons pour e Th´ or` me 2. alors : la suite de matrices C# § ©     ¡ # Ab b # ¡ ¡ § 0 5 b        ¢ a ¡ 1 # a b Ab b   © #¡ ¡ £ ' ¡ ¡  ¢B©    ¨ On peut alors donner une expression plus compacte de la d´ composition de e les sous-matrices rectangulaires extraites. DECOMPOSITION EN VALEURS SINGULIERES : SVD   Sur cette derni` re d´ composition. la matrice © ¨      a  ¡  ¨ #   ¢ C A# ¡ $ ¢ £ £ $ ¡     ¢ ¢ ¡ ¡ a ¢ ¢ ¢  a ¡ ¡  ¨ ¡         &  C § ¡ £¡ ¡ ¡ © )(¡  ¡  ¡ ¥  £ ¡   £¢ ¡ ' § ¦ ¢   C §   £¢  3 £  ££    ¦      £20 & §    ¡      ©  #     ¡ 0 1( ¥ #       ¨ ¡   ¡ b Ab b ¢   ¡ ¡ £ Y #       ¡ #¡ #    ¡ ¡ §    ¢ ¥  £ Y   ¢ ¤ %¨ ¡ ¦     §      ! ¡ 3 £    ¢   ¢ £ £ ¡ £ ¡  B©           ¡   ¡ Y £ 9  ¡ ¡ ¦ $ £ ¦ £ ¥ £ (  ¥¤  ¡ ( B© §#   ¨ § $ 8  ¡ ¡ ¡ ¡ ¡ Y &    &' £ ¤¡ §       ¡   &( ¥ ¡ ££ ¡  ¢ § £ £   2 £    0 B & ¢ ££  Y # £ ¨ ©¨ ¡ A ¢ ¢ ¢ #   a ¡   © ¨   ¡ ¡ £ $¢ C A# § Y           $     Y ¡  . et carr´ e diagonale extraite ou partie utile de : e   .3 Normes La norme 2 et la norme Frobenius de   se calculent ais´ ment a partir de la SVD : e ` En fait. les valeur singuli` res de mesurent la distance (en norme 2) de la matrice par rapport aux matrices de e rang inf´ rieur. Soit e e de rang exactement .340 ´ ` ANNEXE A. et que l’on mesure le rang num´ rique e e e de correspondant par . on montre de mˆ me que e et . Pour .

d’o` : u Le nombre apparaˆt clairement comme une mesure de la sensibilit´ de l’op´ ration d’inversion. ´ ` o` u Remarquons que est au minimum egal a 1 pour les matrices et ce mˆ me pour des matrices dont les valeurs propres sont raisonables. enfin . alors . un raisonnement pr´ cis utilisant les vecteurs singuliers montre que la borne e propos´ e est optimale pour certaines directions de e .1 Conditionnement d’un syst` me lin´ aire non singulier e e Consid´ rons le syst` me lin´ aire e e e suppos´ r´ gulier. ı e e Caract´ risons la par les valeurs singuli` res de . peut etre tr` s grand. de plus. e ). Il est trouve imm´ diatement la d´ composition correspondante de e e alors evident que ´ . e est unitaire.2 Pseudo-inverse ! % § 0 ¢ A Plusieurs causes de singularit´ ( e ) existent dans les syst` mes lin´ aires e e 341 : ¡ % ¢ ¢ ¢   a ¡  4  ¡¡   £¢  €¨     ‚       ¡ % ¡ Y   # £ £ £ £ ¥   £ q£ £  q£ Q Q  ¥ ¡  ¨ %  ¢ ¢¡  ¢   a ¡   % ¥ § ¢ A # ¥ #©  # Q Q  ¡ £¢ £   ¡   % £ £ £    ¡¡©  ¥ En divisant le tout par . On cherche a evaluer les e e a `´ variations de la solution relativement aux variations de et de (impr´ cisions sur le syst` me et les donn´ es). e est le nombre de condition ou conditionnement de la matrice . e e En introduisant une SVD de : (dans le cas r´ gulier. on : . et en utilisant que  . ˆ e B.Annexe B ` Applications de la SVD a la r´ solution des e syst` mes lin´ aires e e Chapitre r´ dig´ par Denis M ATIGNON e e B. c’est-` -dire inversible. on obtient la majoration suivante : % et  ! Q ¥ ! v Q  h£ q£ £ £ £  q£ £ Q t ¥ ¡ %   ! ¡ £   ! £ q£ Q ¥ # v % 7 Q ¡ ¥ ! £ ££ £  Q !  ¡  %Q 3t ¡  % Q ¡   §   3 B© ¡  Q  £% £ Y   2©  ¡  § 9 ¥   ! £ £ ! £ q£ Q ¥ ¡    A ! ¡ %  ¡  £  ¥ ¡ ¡ %  Q ¡ ¥ % % Q £  ¡ ¡ ¡  ¡ ¡ £ £ £ ¡ % ! £ £ !   © £ £ £  ‚ % ¥ !  3%  Q §   Q ©  ‚ ‚ ‚  ¡ ¥ ¡ % §  Q . D´ finition 1. e e e Le calcul diff´ rentiel permet une analyse directe dans le cas r´ gulier : comme e e .

au cas o` ce syst` me n’a pas de solution exacte u e on cherchera la solution qui minimise l’erreur (ou solution en moindres carr´ s puisque la norme est e euclidienne) . d’inverse dans ce cas . d’o` : u . au cas o` il y a plusieurs solutions. autrement dit qui u minimise . Th´ or` me 3. bien souvent il y a un sous-espace affine de solutions. Nous voyons maintenant l’utilit´ de la notion de pseudo-inverse pour calculer des solutions robustes d’un e syst` me lin´ aire g´ n´ ral. on appelle pseudo-inverse de la matrice d´ finie par : e D´ finition 2. d’inverse dans ce cas . o` u . e e e e a e B. en revanche il y a forc´ ment une solution qui minimise la distance e . APPLICATIONS DE LA SVD A LA RESOLUTION DES SYSTEMES LINEAIRES carr´ e n’est plus inversible . on prendra celle qui est de norme minimale. c’est-` -dire potentiellement singulier ou proche de la singularit´ . et il peut etre e e e ˆ int´ ressant de calculer la solution de norme minimale. est rectangulaire horizontale avec . il peut n’y avoir aucune solution exacte. o` u . est rectangulaire verticale avec . Soit e   et Contrairement a ce que laisserait supposer la d´ finition. On donne maintenant une expression directe de dans les deux cas particuliers de rang plein.3 Solutions robustes d’un syst` me lin´ aire. e Nous donnons a pr´ sent la d´ finition de la pseudo-inverse d’une matrice en ayant recours a la SVD puis nous la ` e e ` sp´ cifions dans deux cas particuliers parmi ceux evoqu´ s ci-dessus. moindres carr´ s e e e On cherche a r´ soudre ` e . est la projection orthogonale sur dans . et l’on a alors      £   Y   ¡   Y    ƒ         ¡ %   ¡     Y Y         Y     ¡   Y     % Y £ %       Y £ 4 ¡     ¡ Y ¡   ¡    Y Cas de syst` me surd´ termin´ avec e e e inversible.342 - ` ´ ` ´ ANNEXE B. il n’y a donc pas de solution exacte. e ´ e une SVD de A de rang . et l’on a alors      ¨ £   A ¡ ¡      ' §  # #  b ¡ # b Ab # ¡   ¡ ©    ' & §   bbb  ¢©  & ¡     a      a      ¡   ¡  ƒ       (¡  )(¡       ƒ  Elle v´ rifie : e   £ ! %  3 £   ¢  ¢ ¡ %¢ ¡ ¡  a ( ¡ 2   £¢ % ¦       ¡ ¨ %   4  ¡ ¡   (¡ ¡ ¡ Y ¡ ¡ ¡  %   ¡ ©     4 e¨     4  % ¨ ! £ £ § ©        % ¡ % ! % ©       ©     £ ! %  3 £ § % §  Y# § ¡ #        Y  Y                    ! £ £    carr´ e e 4 ¡x¡ x 4 carr´ e e . autrement dit il y a plus d’´ quations que d’inconnues : on parle e alors de syst` me surd´ termin´ . d’o` : u . si e . ` e est d´ finie de mani` re unique et ne d´ pend pas du e e e choix de SVD que l’on fait pour la construire. On a en particulier : est la projection orthogonale sur dans . mais une solution qui e e e a minimise l’erreur . La solution de norme e e minimale dans qui minimise l’erreur dans est exactement donn´ e par : e   ¡     ¡   £ ! %  3 £          ¡ %   ¡   Y         £ %     %   ¡   ¡ ! % £   &# 3 £  ! % A   ¡           !   A     ¡  £ ¡   %   Y ¡    ¡   ¡ Cas de syst` me sous-d´ termin´ avec e e e inversible. autrement dit il y a plus d’inconnues que d’´ quations : on e parle alors de syst` me sous-d´ termin´ . l` encore. si e alors il y a un sous-espace affine de solutions et il peut etre ˆ int´ ressant de chercher celle de norme minimale .

et l’on a alors prouv´ le th´ or` me. ce minimum est nul si et seulement si est atteint ¨    Y      C     4     ' ƒ¨  % C  & ¢¥ ¢ ¡ ¡ ¢ ¢  £ ¡ % (¡  3 £ ¡  #    ¡ ¢ # £ ¢ ¥ £ # # ¡ ¡  # 3 £     ¦ ¥ £¢    £ &' ¢ ¡ # ¢ ¡ 3 ¢ ¥  ¥ ¡     £¢ ¡ ¦ £ ¢ ¥ ¡   ££ ¡  ¡  ¡4 ©  Y#   % ¡ #   A   #  ¡ #   % ¡   ¨ 4£ ¢ 3 £    ¨ ¥  ¥        §   !    C %   Y £ #£      ¨   #     ! ! Y ! !   %  3 #  #   ¡  Y # A ¡   ¡   ¢ #  ¨ . % ! . celle de norme minimale est celle pour laquelle pour : en r´ interpr´ tant cela matriciellement. o` u ! % % ¡ ¡    &' ¡    ! Cas de syst` me sous-d´ termin´ avec e e e sous-espace affine de solutions exactes dans ce cas tout entier et poss` de un e est celle de norme minimale.3. !    % § % ©   ƒ          (     )¡   4 ¡ % Cas de syst` me surd´ termin´ avec e e e en un point unique dans ce cas et le minimum de . en cons´ quence : e et ont mˆ me norme. En revenant dans les bases initiales . e et ont mˆ me norme. dans ce sous-espace affine de solutions. et qu’il est atteint pour les tels que pour et quelconques pour (ce qui correspond exactement a la param´ trisation de ` e ) . Comme sont des matrices unitaires. il vient e e . . o` e e e e e u . e En notant d´ sormais e et . le probl` me se met sous la forme beaucoup plus simple : trouver e la solution de norme minimale dans qui minimise l’erreur dans . elles conservent la norme euclidienne dans respectivement . MOINDRES CARRES 343 Pour prouver ce th´ or` me fondamental. qui donne tout son sens a la notion de pseudo-inverse. SOLUTIONS ROBUSTES D’UN SYSTEME LINEAIRE. e e e Nous regardons plus pr´ cis´ ment ce qui se passe dans les deux cas particuliers envisag´ s pr´ c´ demment. nous allons e e ` utiliser une SVD de . il vient : ¡ On en d´ duit que le minimum vaut e .` ´ ´ B. Or en d´ composant par e blocs.

344 ` ´ ` ´ ANNEXE B. APPLICATIONS DE LA SVD A LA RESOLUTION DES SYSTEMES LINEAIRES .

Annexe C Optimisation sous contraintes Chapitre r´ dig´ par Denis M ATIGNON e e ´ C. ´ e ` e C. e Th´ or` me 4. On d´ finit le lagrangien du probl` me : e e Ce th´ or` me est une version tr` s particuli` re et fort utile dans la pratique de l’optimisation sous contraintes e e e e egalit´ s de fonctions a valeurs r´ elles . Soit a trouver le minimum de e e avec sous contraintes egalit´ s e ` ´ et contraintes in´ galit´ s e e . 345 4   # # # ¢# # ¢#7 ¢ 6 b Ab ! 7 ¡ ¢ 6 ! A d b !b b £ ¡ " b !§ ¡  ¡ ¡ B©  C pour ¢ admet un minimum en si et seulement s’il existe des multiplicateurs de Lagrange associ´ s e le point est un point critique du lagrangien. et les sont des vecteurs.1 Contraintes egalit´ s e Nous donnons le th´ or` me relatif a la minimisation d’une forme quadratique positive sous contraintes egalit´ s e e ` ´ e lin´ aires. et les sont des vecteurs. e e e Th´ or` me 5. Soit a trouver le minimum de e e avec sous contraintes egalit´ s e ´ ` . condition de Lagrange optimisation. soit : ¡   ¨ 4 4 ! ¡ 7  ¢   ¢ ©  ¢% ¢¢ ¨  ! d ! 3 ¡ ¡ A £¢ ! ¢ ¦ ¡ ¡£ 3 ¢§¢ ¨ ¡ 7  B© ¢% ¢ ¡ !§ " ¡ 3  A £¢ ¦ ! ¢ d ! ¡ 3 © ¡ ¢ !§ "  ©  B© ¡ ¡   A   A ¦ ¦ ¢ # ¨ # Ab b # ¡ ¨ $"!§ ¨ ¥ b ! ¥ # ¨ # Ab b # ¡ ¨ 0)!§ ¥ b © d ¡ ¡ A ¡ # ¨ # b b b # ¡ ¨ 0"!§ ¨         ! ¡ ¡   A 6 § ¢#bbb#¡ ¢# ¢ § ¥ §     !   7 ©   A ¨ # b b b #  ¡ ¨ #   "!§    ¡ d W% ¢ ¢%    ! ¢ ! ¢ ¡ ¡ ¢ ¢ pour lesquels .2 Contraintes in´ galit´ s e e Nous donnons le th´ or` me relatif a la minimisation d’une forme quadratique positive sous contraintes egalit´ s e e ` ´ e et in´ galit´ s lin´ aires.

et . OPTIMISATION SOUS CONTRAINTES pour pour C ¨   3 ¢ W% 3 ! ¡ ¡ 6  „B©   ¡ § C ! ¢ ¡ ¢ ¡ £¢ A  ©   2 ¨ !   ¡ 3   ¡ 6   # ¡ # b Ab # ¡ ¡ # A ¨ # Ab b # ¡ ¨ 0)!§ ¡ ¥   b b ¢ ¥ # ¡ # b Ab # ¡ ¡ # A ¨ # b Ab # ¡ ¨ 0)!§ ¨ ¥   b b # ¡ # b b b # ¡ ¡ # A ¨ # b b b # ¡ ¨ 0"!§ © alors     ¡ ¡ ¡ § 7 ¦ 3 ¡ ¢  d ! ¡  ©   ! ¥ § ¥ ¥  ! )§   ¡ # Ab b #  ¡ ¡ #  A ¨ # Ab b # !  ¡ ¨ #   b b si pour C Voir des r´ sulats plus g´ n´ raux e e e condition de Kuhn et T¨ cker u ¡ en optimisation.  ¡ " ¡ ¡ "   4    ¢ ¡  ¢¢ ¨ ¡ ¢        ¡ ¨   © ¡ ¨ 3 ! ¡ ¡ 6 § ¡ ¡ £ ¡ ¡   ¦ 3 © ¢% 3 ! ¢ ¡ ¡ A £¢ ¢ §1¢ ¨ ¦ 3 © !§ "   ©   # § ¡ # Ab b # ¡ ¡ # A ¨ # Ab b # ¡ ¨ $"!ƒ b b § admet un minimum en pour lesquels le point 346 On d´ finit le lagrangien du probl` me : e e si et seulement s’il existe des multiplicateurs de Lagrange associ´ s e est un point critique partiel du lagrangien. soit : ANNEXE C.

[Andrews et Hunt. et Morel. Images and pde’s. Computer Vision. Amsterdam. (1994). 1976] Albert. A. et Bishof. Lions. Partial Differential Equations and the Calculus of Variations. [Andrey et Tarroux. et Hunt. 347 . et Mathieu. 1994] Antonini. et Blanc-F´ raud.. L.. P. Th´ se de doctorat. J. Using dynamic programming for solving variational problems in vision... Cours : Les Houches.Collection IC2. Intern. (1998). (1975). (2000). Academic ´ Press. Paredes. L. R. Unsupervised segmentation of MRF modeled textured images using selectionist relaxation. [Aurdal.. A. et Jain. R. 1993] Alvarez. (2001). (2001).. (1999). 16 :641–647. 107 :218–230.. P. et Kornprobst. 1996] Alvarez. R. volume 219. et Mullan.-M. Some remarks on the equivalence between e e 2D and 3D classical snakes and geodesic active contours. L. L. [Andres. Seeded region growing. 1975] Attasi. (1994). e J. [Amini et al. IEEE Transactions on Pattern Analysis and Machine Intelligence. Markov field approach : parameter estimation by qualitative boxes. IEEE Trans on Pattern Analysis and Machine Intelligence. I. Englewood Cliffs (USA). editeurs. In Garello. 2000] Arce. Digital Image Restoration.. Pattern Analysis and Machine Intelligence-12(9) :855–867. Analyse de signaux bidimensionnels. [Aubert et Blanc-F´ raud.. Paris. 16(9) :200–257. 1997] Aurdal. 1998] Andrey. ´ [Alvarez et al. Prentice-Hall. Herlin. G. [Arce et al. 2001] Alata. (1997). Analyse d’images IRM 3D multi-´ chos pour la d´ tection et la quantification de e e pathologies c´ r´ brales. chapter 2. Guichard.. editeur. Regression and the Moore-Penrose pseudo-inverse.. San Diego (USA). New-York. C. e e editeur. Mathematical Problems in Image Processing. (1994). et Cariou. Stochastic state representation of images. 2001] Aubert. L. volume 147 of Applied Mathematical Sciences. E... (1996). T. Deriche. 1990] Amini. R. O. Discrete Circles.. Herm` s . [Alata et Cariou. Handbook of Image and Video Processing. In Berger. (1993). Wavelet transform and image communication. ´ e [Albert. et Morel. P. 18(5) :695–706. (1990). A. L. T. [Antonini et al. Jaffr´ .. [Alvarez. 1992] Azencott. J. Mod´ lisation stochastique lin´ aire 2-D.. [Aubert et Kornprobst. Non-linear filtering for image analysis and enhancement. Academic Press... pages 81–100. P. C. J. Gaidon. Weymouth.. In Bovik.. G. M. M. L. Barlaud. G. Systems. et Tarroux. 34(1) :19–28. pages 3–14. Axioms and fundamental equations of image processing. 1994] Adams. Springer Verlag Lecture Notes in Eco. B. M.Bibliographie [Adams et Bishof. 1994] Andres. 1977] Andrews. J. 1999] Aubert. Elsevier. S. Rings and Spheres. (1976). P. H. Springer. [Attasi. (1992). M.. Ecole Nationale Sup´ rieure des T´ l´ communications. Lecture Notes in Control and Information Sciences. IEEE Trans on Pattern Analysis and Machine Intelligence. ee e e ee [Azencott. Archive for Rational Mechanics and Analysis. F. J. R. (1977). Computers & Graphics. and Math.. pages 67–116. 20(3) :252–262..

(1989). Springer. [Black et Rangarajan. [Berge. A. I. 1981] Blanc-Lapierre. (1970). et Duda.. 1982] Bertrand. Plenum Press. M. 1996] Black. A maximization technique occuring in the statistical ananlysis of probabilistic functions of markov chains. (1986). et Labit. et Tech. [Blake et Zissermann. [Baum et al. e [Bergeaud. 41 :164–171. Physica Verlag. J.. J. B-48 :259–302. [Besl et Jain. [Bertrand et al. S. (1982). C. On the statistical analysis of dirty pictures. Optique des milieux continus. 1992. Fusion of Image Information under Imprecision. [Beckmann et Spizzichino. 1996] Bergeaud. [Ballard.. [Besag. (1978). A. North-Holland. 1991] Bergen. The Annals of Mathematical Statistics. R. Int. Pattern Analysis and Machine Intelligence. In Maˆtre. Repr´ sentations adaptatives d’images num´ riques. Paris. (1958). Computational models of visual processing. C. 33 :33–80. J. Generalizing the Hough transform to detect a arbitrary shapes. A. S. M. Paris. [Berthier. and robust statistics with applications in early vision. des T´ l´ coms.. (1991). (1997).. et Landy. Sc. ee [Bloch et Maitre. New York. J. Baudin.. J. (1981). N. Paris. et Jain. editeur. Pattern Recognition with Fuzzy Objective Function Algorithm. Springer Verlag. Petrie. N. 1986] Babaud.. B-36 :192–236. On the unification of line processes. Paris. Wang. et Weiss. Hierarchy in picture segmentation : A stepwise optimization. Polytechnica. A. (1996). editeurs. (1996). Fonctions Al´ atoires. Series Studies in Fuzziness. 1998] Blake... H. 1978] Ballard. [Blake et Zisserman. Witkin. (1981). 13(2) :111–122. outlier rejection. et Picinbono. et Zisserman. Th´ orie des graphes et ses applications. Uniqueness of the Gaussian kernel for scale-space filtering..4. Computer Vision..Collection IC2. 2002] Barlaud. IEEE Trans. 4 :53–58. MIT Press. pages 253–271. 1958] Berge. 19(2) :148–153. pages 46–80. Masson. Dunod. 1981] Bezdek. Progress ı ´ in Picture Processing. Invariant Surface Characteristics for 3D Object Recognition. 19(1) :58–93. et Isard (1998). A. L. [Babaud et al. J. Vision. Queval. et Zissermann. (1996). et Youn` s. H. A.. T. et Spizzichino. Journal of the Royal Statistical Society. A. Active Contours. (2002). A. G. et Maitre. The ´ MIT Press.. [Besag. 1997] Azencott. Signal Processing. A. 1970] Baum. (1993). Herm` s e e . (1986). R. Distance Transforms in the Square Grid. L. (1987). 1989] Beaulieu. (1997). 1987] Blake. Comp. Amsterdam. Paris. Th` se de Doctorat de e e e l’Ecole Centrale. 11(2) :150–163. 1974] Besag. Les Houches. J. C. (1974). J. C.348 BIBLIOGRAPHIE [Azencott et al. IEEE Trans on Pattern Analysis and Machine Intelligence. G. F. D. H. Visual reconstruction. [Blake et Isard. Spatial interaction and the statistical analysis of lattice systems. Texture classification using windowed Fourier e filters. The scattering of electromagnetic waves from rough surfaces. In Landy. Y. (1986). (1987). [Bezdek. [Blanc-Lapierre et Picinbono. et Goldberg. et Rangarajan. R. . Bouchon Meunier Ed. Visual Reconstruction. Pattern Recognition. M.. et Maˆtre. B. 1993] Berthier. [Beaulieu et Goldberg. Compression et codage des images et des vid´ os. MIT Press. 1986] Besag. chapter 1. Journal of the Royal Statistical Society. Graphics and Image Processing. . G. 1986] Besl. IEEE Trans on Pattern Analysis and Machine Intelligence. M. J. M.. P. [Borgefors. 1996] Borgefors. 8 :26–33. 1987] Blake. B. Shape Interpolation by Fourier Descriptors ı with Application to Animation Graphics. Soules. Artech House. e Col. et Movshon. P. R. (1963). J.. [Barlaud et Labit. Session LVIII. M. [Bergen et Landy. Computational modeling of visual texture segregation. 1997] Bloch. 1963] Beckmann. A.

Basic gray-level image processing. Pattern Recognition. (1999). Springer Verlag. et Kuo. (1966). (1989). R. (1994). Comp. Fractals in Science. Y. A fast string searching algorithm. M. C. El´ ments de mod´ lisation pour l’Analyse d’Images. A. 1966] Brodatz. Segmentation d’images couleur dans la base Teinte Luminance Saturation : approche num´ rique et symbolique. 1976] Carmo. [Callet. [Bracewell. 2000] Chalmond. Springer e e . On geodesic active contours.. Math´ matiques et Applications. 1989] Chalmond. 3 :868–872. Academic Press. 1995] Bracewell. 1994] Bunde. 1998] Callet. Adaptive image region growing. pages 232–236. B. Springer e e Verlag. (1998). 357 :2495–2509. Mach. [Calle et Montanvert. 1994] Chang. Mc Graw Hill. 1998] Calle.. et Friedman. H. Berlin. Diderot Ed. F. [Chang et Li. Super-r´ solution inducing of an image. 20(10). E. (1995). N. (1975).. An iterative gibbsian technique for reconstruction of m-ary images. Arts et Sciences. (2000). C. Principles of Optics. (1981). et Donoho. 1986] Canny. Universit´ de Savoie. Ridgelets : a key to higher-dimensional intermite e tency ? Phil. P. et Zhu. Applied and Computational Harmonic e e Analysis. P. volume III. e e [Cand` s. et Havlin.Math´ matiques Applications. [Brodatz. P. San Diego (USA).. G. [Chang et Kuo. In Bovik. C. 1975] Born. of Ass. Texture analysis and classification with tree structured wavelet transform. Two-Dimensional Imaging. (1991). E. et Havlin. Th´ se de doctorat. R. A. S. Handbook of ´ Image and Video Processing... 1998] Cham. IEEE Trans on Image Proc. 1975] Carterette. 1999] Chalmond. editeur. The Fourier Transform and its Applications. C. J. Fast filter transforms for image processing. 22(6) :747–762. et Wolf. 16 :20–51. et Montanvert. 1978] Bracewell. volume 33. (1993). 1993] Chang. [Burt. A. Graphics and Image Proc. (1975). Differential Geometry of Curves and Surfaces. P.. Dover Pub. [Bunde et Havlin. In IEEE e ICIP’98 . [Canny. [Carron. D. 1999] Cand` s. B. Prentice-Hall. (1978). [Caselles et al. Seeing. (1998). 1981] Burt. New-Jersey. IEEE Trans. R. Oxford (UK). Trans. 2(4) :429–441. [Bracewell. 7(3) :468–473.Int. T. [Chalmond.   . New-York. S. (1998). Couleur-lumi` re couleur mati` re. et Moore. (1994). [Boyer et Moore. Englewood Cliffs. Computer Vision. on Image Processing. Fractals and Disordered Systems. (1999).BIBLIOGRAPHIE [Born et Wolf. Pergamon Press. T.. J. e [Cham et al.. (6) :197–218. Academic Press. Int.. Englewood Cliffs (USA). Belin. D. [Chalmond. E. pages 21–36. IEEE Pattern Analysis and Machine Intelligence. et Li. Conf.. [Cand` s et Donoho. 2000] Bovik. e e e [Carterette et Friedman. El´ ments de mod´ lisation pour l’analyse d’images. A computational approach to edge detection. (New York). (1976). Soc. Lam. X. 8(6) :679–698. e [Chalmond. A. M. [Carmo. Kimmel. 21(1) :61–79. Springer Verlag. Adaptive thresholding by variational methods. 1999] Cand` s. Harmonic analysis of neural networks. J.. (2000). 1997] Caselles. Lond. 349 [Bovik. et Sapiro. (1997). Prentice Hall. (1986). (1977). R. D. R. A. (1999). F. Comm. M. V. P. Vol V. B. Handbook of perception. [Bunde et Havlin. Comp. IEEE Trans on Image Proc. 1977] Boyer.. volume 33. on Image Processing. Textures. 1991] Bunde. A. 1995] Carron. (1995). E.

K. Paris. 1982] de Valois. Fleuret. Academic Press. 1992b] Daubechies. Paris. P.. ı e [Darell et al. 1996] Charbonnier. 21(11) :1145–1157. (1990). Wavelets. pages 59–66. I. Comp. Masson. I. P. R. et Torrance. Masson. et Chenin. Philadelphia. Analyse d’Images : Filtrage et Segmentation. J. Vision Graphics and Image Proc : Graph. The orientation and direction selectivity of cells in macaque visual cortex. 5(1) :25–39. 53(2) :211–218. G´ om´ trie discr` te. T. (1999). (1994). (1985).. Pattern Recognition Letters. 1982] Cook. 3(3) :195–203. [Daubechies. e [Cohen. 1992] Cohen. G. (2001). Reconstruction d’image : r´ gularisation avec prise en compte des e discontinuit´ s. IEEE Transactions on Image Processing. M. 1991] Chassery. [Coster et Chermant. Pr´ cis d’analyse d’images. Yund.. 10 :172–182. (1981). J. 1973] Cornsweet. Segmentation by textures using a coocurrence matrix and a split and merge algorithm. [Chesnaud et al. (1991). 1992a] Daubechies. Pattern Recognition. R. N. (1980). 5(12). (1996).. A. Masson.I. 53 :457–475. P. C. J. Vision Research. Split and merge image segmentation based on localized image features and statistical tests. Universit´ de Nice Sophia Antipolis. L... Lin. 1991] Chen. V. ACM Transactions on Graphics. et Chermant. (1975). 1985] Coster.. (1982). and Image Processing : Image Understanding. Ten Lectures on Wavelets. 1999] Chesnaud. L. et Philipp. e e e [Chellappa et Kashyap. of Computers. 1(1) :7–24. 2001] Cointepas. I. (1992a). 22 :531–544. graph. Bloch. Topologies on Discrete Spaces. S. Sclaroff. Deterministic e edge-preserving regularization in computed imaging. [Cooley et Tukey. et Chen. J. Texture synthesis using 2d non-causal AR models. 1979] Chen. e e e [Charbonnier et al. et Hepler.. USA.350 BIBLIOGRAPHIE [Charbonnier.. Aubert. Paris. [Cointepas et al. 1990] Darell. (1983). (1991). 1991] Cohen. ´ [Chassery et Montanvert. A. 1985] Chellappa. A. 19 :297–301. et Montanvert. M. et Garnero. A. A. L.. Eyrolles. E. et Kashyap. An algorithm for the machine calculation of complex Fourier series. (1996). 1975] Cullmann. ee Optique et [Cross et Jain. on Computer Vision (Osaka). G. et Pentland. T. [Chen et Pavlidis. 33 :194–293. H. New-York. ı T´ l´ communications. A reflectance model for computer graphics. J. 1980] Chassery. S. Maˆtre. L. (1992b). Comp..M.. et Barlaud.. m´ thodes et applications. G. Initiation aux chaˆnes de Markov. R. Y. M. [Cornsweet. pages 112–116.. A Cellular Model for Multi-Objects MultiDimensional Homotopic Deformations. Conf. J. Segmentation by minimum description length. editeurs. J.. Hermes. et Tukey. N. (1985). 1981] Cozannet. et Pavlidis. [Chen et al. (1992). et Boulet. (1979). (1985). 1983] Cross. et Jains. IEEE Trans on Acoustic Speech and Signal Proc. CBMS-NSF. and Image Proc. M.. I.. Statistical region snake-based segmene e tation adapted to different physical noise models. M. [Cook et Torrance... . (1982). [Daubechies.. Markov random fields texture models in image analysis. Philadelphia. Blanc-F´ raud.A. J. (1973). [de Valois et al. T. 1965] Cooley. P. SIAM. (1991). W. On active contour models and balloons.. 34(9) :1785–1798. [Cullmann... Computer Vision. 1996] Cocquerez. L. S. et Jain. et Rousseau. C. Math. e [Cozannet et al. [Coggins et Jains. (1965). R´ fr´ gier. J. Models and Image Proc.. D. Ondelettes et traitement num´ rique du signal.. Graphics. Visual perception.. Applied Statistics. IEEE PAMI. Reidel. In Int. A. Digital Image Processing. Th´ se de doctorat. Editions du CNRS. 1985] Coggins. [Cohen. [Cocquerez et Philipp. S. In Simon et Haralick.. M. 1994] Charbonnier. A spatial filtering approach to texture analysis. R. [Chassery et Chenin.

. T. (1986). Pechersky. ´ [Estournet. TELEe COM Paris. NewYork. Image Processing and Mathematical Morphology. (1997). Computer Vision. (1994). H. Pattern classification and scene analysis. Computer Vision.. X. Estimation of markov random field prior parameters using markov chain monte carlo likelihood.. Optical Society of America. et Elliott. (1987).. Math´ matiques. et Sigelle. et Smeulders. T. 19(11) :1199–1211. Elliott. [Deriche. (1942).. R. Information. L. X.-P. H. [Dodgson. Masson. J. F. W. 1987] Deriche. E. et Reveill` s. In Int. R. Herm` s. (1993). Marcel Dekker. Fine structures preserving Markov model for image processing. S.. (1973). 1987a] Derin. M. N. (1995). 1987b] Derin. 32(2). The optical properties of diffusing materials. H. H. (1987a). [Derin et Elliott.. [Derin et al. X. A. A Linear Algorithm for e e Segmentation of Digital Curves. J. 1973] Duda. Hypercomplex Wiener-Khintchine theorem with application to color image correlation. A note on the gradient of multi-image. R. M. Discrete Representation of Straight Lines. [Durant.). page 510. et Kuang. (1990). In IEEE. 9 :635–662. Informatique. 1985] Derin. M. E. (2000). J. (1987b). Quadratic interpolation for image resampling. 8(7) :954–963. 1995] Descombes. editeur. Herm` s. [Descombes et al. Th´ se de doctorat. ICIP 2000. 33 :116–125. IEEE Transactions on Image Processing. 1999] Descombes. (1999). 1992] Dougherty (Ed. (1997). [Derin et Elliott. Scopos. volume Tome 1 et 2. et Elliott. D. I. A new approch to parameter estimation for gibbs random field. [Decreusefond et Maruani. IEEE Trans on Pattern Analysis and Machine Intelligence. [Descombes et al. P. E. Interscience. 1984] Dorst. 1995] Debled-Rennesson. et Berthod. et Kaml´ . Sweden). [Descombes. [Delahaye. 2 :349–356.. Using canny’s criteria to derive recursively implemented optimal edge detector. (1992. on Image Processing. IEEE Trans. 1993] Descombes.. L’Onde Electrique. 2000] Ell. 2005] Decreusefond. volume II. Springer. Conf. Paris. J. Complexit´ et Hasard. H.. (1995). J. 1942] Duntley.). (1985). (2005).. 6(9) :1322–1326. B. Zerubia. Phye sique au fil des TIPE. Modeling and segmentation of noisy and textured images using gibbs random fields. 1961] Durant. J. 1986] diZenzo. The 9th Scandinavian Conference on Image Analysis (Uppsala. Paris. pages 792–796. L. 1994] Delahaye. S. IEEE Trans. [diZenzo. Mangin. 9(1). [Dougherty (Ed. International Journal on Pattern Recognition and Artificial Intelligence. 9 :39–55. et Sangwine. J. 1997] Dodgson. Diagnostic et reconnaissance des formes. et Hart. 6(4) :450–463. Graphics and Image Proc. Int. (1969). 1990] Dubuisson. IEEE Trans on Pattern Analysis and Machine Intelligence. IEEE Transactions on Pattern Analysis and Machine Intelligence. on ASSP. .. D. [Duntley. Solutions num´ riques des equations alg´ briques.). (1961). e e ´ Paris. S.BIBLIOGRAPHIE 351 [Debled-Rennesson et Reveill` s. on PAMI.. e [Duda et Hart. Morris. Modeling and segmentation of noisy and textured images using gibbs random fields. [Dorst et Smeulders. Etude statistique d’un signal d’images. e e [Demigny et Kaml´ . Champs Markoviens en Analyse d’Images. [Dubuisson. et Maruani. (1984). A discrete expression of Canny’s criteria for e e step edge detector. Performances evaluation.. 1969] Estournet. Paris. 1997] Demigny. H. 1(2) :167–187. [Ell et Sangwine.

University of Utah. and the Bayesian Restauration of Images. 10 :260–268.. [Forsythe et Moler. 2002] Gallice. In Int. 1961] Freeman. Graduate Studies in Mathematics. Collection IC2.Optique coh´ rente. 1984a] Geman. Atlantic City. M. 13(5) :401–412. 1993] Faugeras. (1998). Digital Color Image Processing and Psychophysics within the framework of a human visual model. [Fischler et Bolles. [Freeman. G. Partial differential equations. 3(1) :45–56. In IAPR 10th Int. (1990). Introduction a ` l’infographie. [Francon. [Gagalowics et Tournier-Lasserve. (2002). Prentice hall. (1990). Third order model for non homogeneous natural textures. Cambridge. R. 1995] Fisher. Parallel and deterministic algorithms from mrf’s : Surface reconstruction. D. Vibrations lumineuses . pages 541–544. Stochastic relaxation. Th´ se de doctorat. J.. 1984b] Geman. Herm` s. (1993). J.. Images de profondeur. pages 409–411. J. 1991] Geiger. et Tournier-Lasserve. Herm` s. (1924). (1986). (1984b). Stochastic Relaxation. Vancouver. Paris. John Wiley. Random sample consensus : A paradigm for model fitting withapplications to image analysis and automated cartography.. 6 :57–97. Paris. F. 1990] Fairfield. Conf. K. G. Addison-Wesley. Pattern Recognition. On the encoding of arbitrary geometric configurations. 1990] Fua. C. Three-Dimensional Computer Vision : A Geometric Viewpoint. S. Universit´ Paris Sud. volume 1. (1984a). Feiner. [Geman et Geman. D. MIT Press. New York.. on Pattern Recognition. (1966). ´ [Evans. 1981] Fischler. 12(7) :721–741. (1967). (1995). (1998). Hughes. R. PAMI6(6) :721–741. IEEE Trans on Pattern Analysis and Machine Intelligence. P. 2000] Evans. IEEE Trans on Electr. Gibbs distribution and the Bayesian restoration of images.. Paris. 2001] Garello. A.. [Faugeras. H. et Bolles. J. Conf. Comput. F. Hermes. K. Hypercomplex color-sensitive smoothing filters. pages 198–201. (1970). (1977). ACM Computer Survey. [Gallager. (1977). Machine Vision and Applications. et Ell. [Fua et Leclerc. et Philips. D.. [Garello. American Mathematical Society. R. Y. e [Faugeras. 1986] Gagalowics. Berlin.. Les suites de Farey et les probl` mes des nombres premiers. e e [Foley et al. Temps-fr´ quence. (1981). 1998] Flandrin. O. 1995] Foley.352 BIBLIOGRAPHIE [Evans et al. Holographie num´ rique et application a divers traitements des images. (1991). Computer solutions of linear algebraic systems. S. [Geman et Geman. A. Information Theory and reliable communication. (2000). Th` se e e ` d’´ tat. G ottinger Nachriche ¨ ten. (1976). M. editeur. Paris. Analyse de signaux bidimensionnels. L. R. 1976] Faugeras. ICIP 2000. (1995). P. [Gallice. 1998] Evans. Paris. van Damm. 1924] Franel. [Franel. (2001). [Fukunaga. J. C. 24 :381–385. 1977] Fleuret. et Girosi. 1970] Francon. et Geman. e [Geiger et Girosi. Communication of the ACM. Y. (1990). J. Introduction to statistical pattern recognition. 1990] Fukunaga. [Fairfield. O. Model driven edge detection. Academic Press. et Leclerc. . [Fisher. e e [Fleuret. 1966] Gallager. 1967] Forsythe. Dunod. C. Computer processing of line drawing images. (1961). ¸ ¸ e [Freeman. Toboggan contrast enhancement for contrast segmentation. A. In IEEE. T. Sangwine. IEEE Transactions on Pattern Analysis and Machine Intelligence. pages 712–716. 1977] Freeman. Springer Verlag. H. L. Gibbs Distribution. volume 86. et Moler. [Flandrin. J. Englewood Cliffs (USA). et Geman. MA. Vancouver. C. IEEE Transactions on Pattern Analysis and Machine Intelligence. S. Fractal Image Compression. S.

Tomographie m´ dicale. C.D. et Shepard. 1968] Guzman.’s. (1985). et Sibson. (Amer. (1957). . 1996a] Guillois. sect.. Freeman.. S. et Barsky. Hachette. ı [Golub et van Loan. 9(11) :1862– 1876. [Guillois.E.. [Grangeat. Nonlinear Multiresolution Signal Decomposition Schemes : Part I : Morphological Pyramids. E. J. a ¨ Berlin. (1985). Comput. Oberfl¨ che und Isoperimetrie. Washington DC). A. S. 52 :264–275. G. K. Baltimore. (1978). Bayesian image analysis : an application to single photon emission tomography. 1990] Goshtasby. Computing Dirichlet Tessellation in the Plane. Vision Graphics and Image Processing. F. Computer Vision Graphics and Image Processing. R. Mangin. G. P. (1998). J. 1957] Hadwiger. P. MIT Press. 2002] Guichard. 19(12) :1338–1359. R. [Gregory.Brown University. (1996).. Image Iterating Smoothing and P. (2001). Herm` s. 1987] Giraudon. Sanocki. et Shapiro. (1989). T. 1985] Grossberg. 2000] Goutsias. S. H.. I.. Vorlesungen uber Inhalt. (1997). volume 33. [Grossberg et Mingolla. e Division of Applied Mathematics . H. Soc. et Morel. France. Hermes. G. T. Sarkar. P. (1996b). [Gordon. pages 12–18. boundaries and emergent segmentations. [Goodman. 1989] Grunbaum. [Heath et al. D. Survey : Image segmentation techniques. Segmenting internal structures in 3D e e ı MR images of the brain by Markovian relaxation on a watershed based adjacency graph. Statist. D. F. Techniques de compression des images. [Giraudon. 1978] Green. AFIPS. [Guzman. E. [Guyon. G. 1998] Gordon. Model for color vision and light adaption. Paris. Chaˆnage efficace de contours. Decomposition of visual scene into thre-dimensional bodies.. [Goshtasby et al. E. Champs al´ atoires sur un r´ seau . F. L’œil et le cerveau. ITechnique de compression des images. A paraˆtre. John Hopkins University Press. M. Paris.-M. IEEE Pattern Analysis and Machine Intelligence. 1966] Gregory. From images to surface. [Grunbaum et Shepard. Hermes. Am. [G´ raud et al. J. Theories of Visual Perception. (1987). INRIA. Assoc. (1985). 1992] Guyon. M. statistique et applications. J. Springer-Verlag. Bloch. 1987] Graffigne.. (1991). [Grimson. B. S. IEEE ICIP (Austin). J. A. (1996a). (1981). 1976] Goodman. X. Some fundamental properties of speckle. Rapport technique 605. A.. Statist. pages 291–304. J. 1996b] Guillois. [Guth. Cours de DEA. (1966). 1997] Heath. J.mod´ lisations. et Heijmans. 21 :168–173. The Computer Journal.. (1990). Opt. et H. III :548–552.BIBLIOGRAPHIE 353 [Geman et McClure. (2000). (2002). (1987). computer Conf. e e e Collection Techniques Stochastiques. la psychologie de la vision. et McClure. Proc. (1992). ENS-Cachan. 1981] Grimson. 8(6). Experiments in Texture Analysis and Segmentation. Journal Optical Society of America. 1996] Golub.. I. R. IEEE Transactions on Image Processing. 1995] G´ raud.Maˆtre (1995). Neural dynamics of perceptual grouping : textures. et Bowyer. C. F. [Haralick et Shapiro. New York (USA). [Graffigne. J. Collection IC2. Cheng. Th´ se de doctorat. [Goutsias et Heijmans. The Singular Value Decomposition. M. [Hadwiger. 29 :100–132. In Proc J. S. A. 2001] Grangeat. John Wiley. C. [Guichard et Morel. et van Loan. J.. e e [Green et Sibson. Comp. 1985] Geman. 1991] Guth. (1968). A robust visual method for assessing the relative performance of edge detection algorithms. A. ı [Guillois. Masson. et Mingolla. B-spline curves and surfaces viewed as digital filters. Paris. (1976). Tilings and Patterns : an Introduction. B. Cambridge USA. 66(11) :1145–1150. 1985] Haralick. perception Psychophys. 38 :141–171. L.

354

BIBLIOGRAPHIE

[H´ gron, 1985] H´ gron, G. (1985). Synth` se d’image : algorithmes el´ mentaires. Bordas, Dunod Informatique, e e e ´e Paris. [Heijmans, 1991] Heijmans, H. (1991). Theoretical Aspects of Gray-Level Morphology. IEEE Trans. on Pattern Analysis and Machine Intelligence, 13 :568–582. [Heijmans et Goutsias, 2000] Heijmans, H. J. A. M. et Goutsias, J. (2000). Nonlinear Multiresolution Signal Decomposition Schemes : Part II : Morphological Wavelets. IEEE Transactions on Image Processing, 9(11) :1897– 1913. [Heijmans et Ronse, 1990] Heijmans, H. J. A. M. et Ronse, C. (1990). The Algebraic Basis of Mathematical Morphology – Part I : Dilations and Erosions. Computer Vision, Graphics and Image Processing, 50 :245–295. [Heitz et al., 1994] Heitz, F., P´ rez, P., et Bouthemy, P. (1994). Multiscale minimization of global energy function e in some visual recovery problems. Comp. Vision Graphics and Image Proc : Image Understanding, 59(1). [Hellstrom, 1967] Hellstrom, C. (1967). Image restoration by the method of least squares. J. Opt. Soc. Amer., 57(3) :297. [Hestenes, 1975] Hestenes, M. (1975). Pseudoinverse and conjugate gradient. Com. of the Ass. Comp. Mach., 18(1) :40–43. [Horowitz et Pavlidis, 1976] Horowitz, S. et Pavlidis, T. (1976). Picture segmentation by a tree traversal algorithm. J. Ass. Comp. Mach., 23(2) :368–388. [Householder et Bauer, 1960] Householder, A. et Bauer, F. (1960). On certain iterative methods for solving linear systems. Numer. Math., 2 :55–59. [Hu, 1962] Hu, M. K. (1962). Visual pattern recognition by moment invariants. IRE Trans on Information Theory, IT-8(2) :179–187. [Hu et Fahmy, 1992] Hu, R. et Fahmy, M. (1992). Texture segmentation based on a hierarchical Markov random field. Signal Processing, 26 :285–305. [Huang, 1976] Huang, T. S. (1976). Picture Processing and Digital Filtering. Topics in Applied Physics, 6. [Huang, 1981] Huang, T. S. (1981). Two Dimensional Signal Processing I. Topics in Applied Physics, 42. [Hubel et Wiesel, 1969] Hubel, D. et Wiesel, T. (1969). Anatomical demonstration of columns in the monkey striate cortes. Nature, 221 :747–750. [Huber, 1981] Huber, P. (1981). Robust Statistics. Jojn Wiley and Sons, New York. [Hueckel, 1971] Hueckel, M. (1971). An operator which locates edges in digitized pictures. J. Ass. Comp. Mach., 18(1) :113–125. [Ising, 1925] Ising, E. (1925). Beitrag zur theorie des ferromagnetisms. Zeitschrift fur Physik, 31 :253–258. [Jain et Farrokhnia, 1991] Jain, A. et Farrokhnia, F. (1991). Unsupervised texture segmentation using Gabor filters. Pattern Recognition, 24(12) :1167–1186. [Julesz, 1971] Julesz, B. (1971). Foundations of Cyclopean Perception. The University of Chicago Press, Chicago. [Karabassis et Spetsakis, 1995] Karabassis, E. et Spetsakis, M. (1995). An analysis of image interpolation, differentiation and reduction using local polynomial fits. Graphical Models and Image Processing, 57(3) :183–196. [Kass et al., 1988] Kass, M., Witkin, A., et Terzopoulos, D. (1988). Active contour models. Int. J. Comp. Vision, 1 :321–331. [Keren et al., 1990] Keren, D., Marcus, R., Werman, M., et Peleg, S. (1990). Segmentation by minimum length encoding. In 10th Int. Conf. on Pattern recogn. (Atlantic City), pages 681–683. [Kerker, 1969] Kerker, M. (1969). The scattering of light and other electromagnetic radiation. Academic Press, New York.

BIBLIOGRAPHIE

355

[Kervrann et Heitz, 1995] Kervrann, C. et Heitz, F. (1995). A Markov random field model-based approach to unsupervised texture segmentation using local and global statistics. IEEE Trans Image Processing, 4(6) :856– 862. [Khalimsky et al., 1990] Khalimsky, E., Koppermann, R., et Meyer, P. R. (1990). Computer Graphics and Connected Topologies as Finite Ordered Sets. Topology and its Applications, 36 :1–17. [Khoumri, 1997] Khoumri, M. (1997). Estimation d’hyperparam` tres pour la d´ convolution d’images satellitaires e e - rapport de stage dea. Rapport technique, INRIA Sophia. [Kim et Yaroslavski, 1986] Kim, V. et Yaroslavski, L. (1986). Rank algorithms for picture processing. Comp. Vision Graphics and Image Proc., 35 :234–258. [Kimia et al., 1992] Kimia, B. B., Tannenbaum, A., et Zucker, S. W. (1992). On the evolution of curves via a function of curvature. I. the classical case. Journal of Mathematical Analysis and Applications, 163(2) :438– 458. [Kirkpatrick et al., 1982] Kirkpatrick, S., Gellatt, C. D., et Vecchi, M. P. (1982). Optimization by simulated annealing. IBM Thomas J. Watson research Center, Yorktown Heights, NY. [Kittler et al., 1985] Kittler, J., Illingworth, J., et Foglein, J. (1985). Threshold selection based on a simple image statistic. Comp. Vision Graphics and Image Proc, 30 :125–147. [Klein, 1989] Klein, R. (1989). Concrete and Abstract Vorono¨ Diagrams. Springer Verlag. ı [Klette et Rosenfeld, 2004] Klette, R. et Rosenfeld, A. (2004). Digital Geometry. Morgan Kaufmann, San Francisco. [Koenderink, 1984] Koenderink, J. (1984). The structure of images. Biological Cybernetics, 50 :363–370. [Kolers, 1972] Kolers, P. A. (1972). Reading pictures : Some cognitive aspects of visual perception. In Gordon et Breach, editeurs, Picture Band with Compression, pages 97–126. T. S. Huang and O. J. Tretiak. ´ [Kolmogorov, 1965] Kolmogorov, A. (1965). Three approaches of the qualitative definition of information. Information Transmission, 1(1) :3–11. [Kong et Rosenfeld, 1989] Kong, T. Y. et Rosenfeld, A. (1989). Digital Topology : Introduction and Survey. Computer Vision, Graphics, and Image Processing, 48 :357–393. [Kotropoulos et al., 1997] Kotropoulos, C., Gabrani, M., et Pitas, I. (1997). Adaptive multichannel L-filters with structural constraints. In IEEE - Int. Work on Non Linear Signal and Image Processing, NSIP’97, pages 181– 183, Michigan. [Kovalesky, 1989] Kovalesky, V. A. (1989). Finite Topology as applied to Image Analysis. Computer Vision, Graphics, and Image Processing, 46 :141–161. [Kunduri et al., 1999] Kunduri, S., Maˆtre, H., Roux, M., Demigny, D., et Karabernou, M. (1999). An improved ı method for isotropic edge orientation estimation . In SPIE, editeur, Europto’99, Florence. ´ [Laine et Fan, 1993] Laine, A. et Fan, J. (1993). Texture classification by wavelet packet signature. IEEE Trans on Pattern Analysis and Machine Intelligence, 15 :1186–1190. [Lakshmanan et Derin, 1989a] Lakshmanan, S. et Derin, H. (1989a). Simultaneous parameter estimation and segmentation of gibbs random fields using simulated annealing. IEEE Transactions on Pattern Analysis and Machine Intelligence, 11(8) :799–813. [Lakshmanan et Derin, 1989b] Lakshmanan, S. et Derin, H. (1989b). Simultaneous parameter estimation and segmentation of gibbs random fields using simulated annealing. IEEE Trans on Pattern Analysis and Machine Intelligence, 11(8) :799–813. [Landau et Lifschitz, 1961] Landau, L. et Lifschitz, E. (1961). Cours de Physique Tome 5 - Physique Statistique. Editions Mir. [Leclerc, 1989] Leclerc, Y. (1989). Constructing simple stable descriptions for image partitionning. Int. J. of Computer Vision, 3(1989) :73–102.

356

BIBLIOGRAPHIE

[Lee et al., 1998] Lee, K.-M., Meer, P., et Park, R.-H. (1998). Robust adaptive segmentation of range image. IEEE T. Pattern Analysis and Machine Intelligence, 20(2) :200–205. [Lee, 1998] Lee, T. (1998). Segmenting images corrupted by correlated noise. IEEE Trans on Pattern Analysis and Machine Intelligence, 20(5) :481– 492. [LeGrand, 1956] LeGrand, Y. (1956). Optique Physiologique. Editions de la Revue d’Optique, Paris. [Lelong-Ferrand et Arnaudi` s, 1971] Lelong-Ferrand, J. et Arnaudi` s, J. (1971). e e Alg` bre, volume 511. Dunod Universit´ s, Paris. e e Cours de Math´ matiques, e

[Linde et al., 1980] Linde, Y., Buzo, A., et Gray, R. (1980). An algorithm for vector quantizerdesigns. IEEE Trans on Communications, C-28 :84–95. [Locher et al., 1972] Locher, J. L., Broos, C. H. A., Escher, M. C., Locher, G. W., et Coxeter, H. S. M. (1972). L’œuvre de M. C. Escher. Editions du Chˆ ne, Paris. e [Lowrance et Wagner, 1975] Lowrance, R. et Wagner, R. (1975). An extension of the string to string correction problem. J. Ass. Comp. Mach., 22(2) :177–183. [Lu et Fu, 1978] Lu, S. et Fu, K. (1978). A syntactic approach to texture analysis. Computer Graphics and Image Proc., 7(3) :303–330. [Lu et Fu, 1979] Lu, S. et Fu, K. (1979). Stochastic tree grammar inference for texture synthesis and discrimination. Computer Graphics and Image Proc., 9 :234–245. [Maeland, 1988] Maeland, E. (1988). On the comparison of interpolation methods. IEEE Trans. on Medical Imaging, 7(3) :213–217. [Maˆtre, 1977] Maˆtre, H. (1977). Propri´ t´ s fondamentales des signaux d’image. GRETSI, 1 :34–40. ı ı ee [Maˆtre, 1981] Maˆtre, H. (1981). Iterative picture restoration using video optical feedback. Comp. Graph. and ı ı Image Proc., 16 :95–115. [Maˆtre, 1985a] Maˆtre, H. (1985a). Un panorama de la transformation de Hough. Traitement du Signal, 2(4) :305– ı ı 317. [Maˆtre, 1985b] Maˆtre, H. (1985b). Un panorama de la transformation de Hough. Traitement du Signal, ı ı 2(4) :305–317. [Maˆtre, 1986] Maˆtre, H. (1986). Contribution to the Prediction of Performances of the Hough Transform. IEEE ı ı Transactions on Pattern Analysis and Machine Intelligence, 8(5) :669–674. [Maˆtre, 1996] Maˆtre, H. (1996). Entropy, imformation and image. In Maˆtre, H. et Zinn-Justin, J., editeurs, ı ı ı ´ Progress in Picture Processing, volume LVIII, pages 81–117. North Holland, Amsterdam. [Maˆtre, 2001] Maˆtre, H. (2001). Le traitement des images de Radar a Synth` se d’Ouverture (Ouvrage collectif). ı ı e ` Hermes , collection IC2, Paris. [Mallat, 1989] Mallat, S. (1989). A theory of multiresolution signal decomposition : the wavelet representation. IEEE Trans on Pattern Analysis and Machine Intelligence, 11 :674–693. [Mallat, 2000] Mallat, S. (2000). Une exploration des signaux en ondelettes. Les editions de l’Ecole Polytech´ nique, Palaiseau, France. [Mallat et Zhong, 1993] Mallat, S. et Zhong, Z. (1993). Matching pursuits with time-frequency dictionaries. IEEE Trans. Signal Processing, 41(12) :3397–3415. [Mandelbrot, 1977] Mandelbrot, B. (1977). Fractals, Form, Chance and Dimension. W.H. Freeman, San Francisco. [Manjunath et Chellapa, 1991] Manjunath, B. et Chellapa, R. (1991). Unsupervised texture segmentation using Markov random field models. IEEE Trans on Pattern Analysis and Machine Intelligence, 13(5) :478–482. [Marion, 1997] Marion, A. (1997). Acquisition et Visualisation des Images. Eyrolles, Paris.

275 :438–439. Eyrolles. Linear feature extraction and description.. National Bureau of Standards... 1 :169–182. Robust regression methods for computer vision : A review.. R. Graph. Hermann. 1977] Modestino. I. K. D. Com. (1994). Syst` mes d’imagerie satellitale. (1999). 1953] Metropolis. On the optimal detection of curves in noisy images. Ondelettes et op´ rateurs. volume LNCS 825. 1973] Murch.. Edge detection using heuristic search methods. Sobagaki. et Hildreth. [Mumford et Shah. Theory of edge detection. 65 :117. Rosenbluth. E. [Martelli... B.. (1977). et Shah. J. 1995] Nicolas.. L. R. Pure and Applied Math. (1944). In Mundy. 1989] Mumford. 1990] Meyer.. Color-appearance model and chromatic-adaption transform. Texture discrimination and Fourier analysis in the human visual system. M. Bobbs-Merrill. Rosenfeld. [Nayatani et al. et Priouret. N. P. 1994] Mohr. M. A. and Image Proc. et Brand. Com. et Hashimoto. W. 1963] Melamed.. C. Graphics and Image Proc.. J. Rapport technique. In GRETSI’97. of Applied Physics. H. J. 1990] Nayatani. (1972). Grenoble. Comp. N.. Accurate projective reconstruction. e [Miclet. M. Berlin. P. [Murch.. Optimal approximations by piecewise smoothed functions and associated variational problems. J. Rosenbluth. cours de 3a. Paris. [Meyer.. W. (1987). Un nouveau crit` re pour e la s´ lection de l’ordre d’un mod` le. Techniques num´ riques de traitement du signal : les aspects 2d. London. Comp. ENST. Number 160. pages 451–454. J. et Fries. 1978] Ohlander. Optical properties of powder. et Forsyth. 8 :313–333. Y. In Proc.. Y. Chemical Physics. Application of invariance in computer vision. (1978).. Ginsberg. [Nicolas.. 1972] Martelli. Boufama. Physical Review. A.. (1989).. Ondelettes. Zisserman. [Nicodemus et al.. A. Th´ or` mes de convergence presque sˆ re pour une e e e e u classe d’algorithmes stochastiques a pas d´ croissant. Comp. C. (1973). L. Computer Graphics and Image Processing. [Nevatia et Babu. and Image Proc. [Mayhew et Frisby. 1997] Olivier. H. ElMatouat. 13(3) :257–269. J.. M. Takahama. Computer Vision. Nature. D. T. New-York. (1990). E. et Frisby... ACM. et Teller. 9 :394–407. 1977] Nicodemus.. e e [Onsager. Picture segmentation using a recursive region splitting method. volume 207 of B. K. D. 34 :560–570. J. et Limperis.. Edge detection in noisy images using recursive digital filters. (1953). 1978] Mayhew. J. 15(14) :210–221. Washington. . et Reddy. [Olivier et al. (1995). 1984] Miclet. 21 :1087–1091. 1991] Meer. Color Research and Application. N. e [Modestino et Fries. [Mohr et al... pages 187–217. M. 14 :335– 345. [Natsuyama. T. (1980). 1987] M´ tivier. F.BIBLIOGRAPHIE 357 [Marr et Hildreth. Geometrical considerations and nomenclature for reflectance. [Ohlander et al. A. Comp. K. 1971] Montanari. Price. (1984). Int. 1980] Nevatia. Edge preserving smoothing. (1977). 6 :59–70. P. e cours de dominante SIG/IMA. [Nicolas.. ´ pages 297–316. D. ENST. R. J. Springer-Verlag. A. Graph. (1980). 74 :403–428. e Paris. (1990). (1978). ` e [Metropolis et al... [Montanari. Teller.. editeurs. M. K. 1979] Natsuyama. 1980] Marr. J. U. et Kim. 1944] Onsager. Paris. [Melamed. J. Paris. E. (1971). F. Jouzel. R. J... D. Hsia. (1991). G. pages 409–433. Mintz. Royal Soc.. Probability Theory and Related Fields. P. [M´ tivier et Priouret. XLII :577–685. et Courtellemont. (1963). A. D.. Graphics and Image Proc. N. [Meer et al. et Babu. P. Equation of state calculations by fast computing machines.. (1979).. L. Richmond. (1997). M´ thodes structurelles pour la reconnaissance des formes. Visual and auditory perception. J. Tome 1. 1999] Nicolas.

Digital image processing. 4(1) :1–24.. et Crouzy. IEEE Transactions on Pattern Analysis and Machine Intelligence. H. (1975). and Image Understanding. IEEE Transactions on Pattern Analysis and Machine Intelligence. M. F. et Wilson. P. 13(5) :1483–1491. 1991] P´ rez. 1994] Pieczynski. H. [Phillips et Wilson. J. L. [Pitas et Venetsanopoulos. Front propagating with curvature dependant speed : Algorithm based on the Hamilton-Jacobi formulations. P. [Phong. Computer Vision. J. 36 :10–30. pages 1003–1015. (1974). 2001] Pesquet-Popescu. L’œil et la vision. e [Perona et Malik. J. 1986] Pham.A. Digital Straight Segments. (1990b).. The science of fractal images. 63(3) :476–494. P. Algorithmes Num´ riques (Tome 1). (1990). M. S. pages 16–22. Comp. [Pratt. [Pratt. J. A. et Simoncelli. [Preparata et Shamos. Optique g´ om´ trique. B. 1990a] Perona. (1996). A. H. 1972] Pirenne. W. (1962). et Saupe. [Porte et Vignes. D. Comp. ondulatoire et polarisation. (1990a). et Malik. 1988] Preparata. Universit´ J. e e e e . e [Portilla et Simoncelli. 1975] Pratt. 1984] Phillips. J. H. 1975] Phong. S. (1972). Une approche multi´ chelle a l’analyse d’images par champs e ` markoviens. (1984). Gauthiers-Villars. 12(7) :629–639.. 1974] Porte. J. Traitement du Signal. 11(2) :141–153. e e e [Pham. Paris. [Pesquet-Popescu et Pesquet. M. IEEE. Th´ se de doctorat. (1988). et Vignes. 1988] Osher. G. I. Ondelettes et applications. [Perona et Malik. Fourier.358 BIBLIOGRAPHIE [Osher et Sethian. 1990b] Perona. F. P. Miami. JOSA . et Heitz. et Pesquet. J. Computational Geometry. M. [Perona et Malik. A parametric texture model based on joint statistics of complex wavelets coefficients. et Shamos. 1988] Peitgen. C. 12(7) :629–639. 1987] Perona. Masson. et Malik. IEEE Trans on Pattern Analysis and Machine Intelligence. Technip. (1986). J.. J. (1988). [Peyrard. TE 5 215. J. Scale-space and edge detection using anisotropic diffusion. 1962] Phillips. A technique for the numerical solution of certain integral equations of the first kind. [Palmer et al. Scale-space and edge detection using anisotropic diffusion. (1991). 9 :84. Mach. (2001). Paris. [P´ rez. Nonlinear digital filters. (2001). (1988).. In IEEE Workshop on Computer Vision. Communications of the ACM. (2000).-C. et Venetsanopoulos. D. Illumination for computer generated pictures. Approximations de type champ moyen des mod` les de champ de Markov pour e la segmentation de donn´ es spatiales. P. and Image Processing. (1978). 6 :661–674. P. Dabis. New-York. Paris. an Introduction. P. e e ee [Petrou et Kittler. [Perez et Heitz. 6(18) :311–317. Vector formulation of 2D signal processing operations. et Sethian. R. Grenoble. et Malik. J. N. 1 :226–232. (1975). et Kittler. In 8i` me Congres AFCET RFIA. 40(1) :49–71. W. Journal of Computational Physics. W. Springer Verlag. A performance measure for boundary detection algorithms. [Pirenne et Crouzy. trait´ T´ l´ coms. and Image Proc. (1987). 1978] Pratt. 1984] Pentland. E. International Journal of Computer Vision. Fractal based description of natural scenes. Ass. I. B. 2000] Portilla. [Phillips. (1984). 1996] Palmer. Berlin. Kluwer Academic. Wiley Intersience. [Pentland. Hidden markov fields and iterative conditional estimation. [Pieczynski. (1991). 79 :12–49. 1991] Petrou. Techniques de l’Ing´ nieur. (1994). Optimal edge detectors for ramp edges. Comp. (1991). Graphics. IEEE-Pattern Analysis and Machine Intelligence. et Kittler. Orientation bandwidths of spatial mechanisms measured by masking. 1990] Pitas. Vis. Springer Verlag. 2001] Peyrard. [Peitgen et Saupe. Graph. Scale space and edge detection using anisotropic diffusion. T. 1991] Perez.

Amer. (1987). [Rousseeuw et Leroy. John Wiley. J.. 1987] Rousseeuw. Cambridge. et Osher. N. G. et Chen. . [Rosenfeld. Total variation based image restoration with free local constraints. (1991). Local discriminant bases and their applications. 1987] Rissanen.. H. 6 :139–187. 6 :492–501. pages 621–630. [Rissanen. J. et Fatemi. (1992b). 1992] Princen. Journal of ACM. Theory. R. Inform. et Walker. H. L. [Saint-Marc et al. Vision Graphics and Image Proc : Image Undesrtand. 1985] Ronse.1-4. Encyclopedia of Statistical Sciences. A. W. 1974] Rosenfeld. [Ronse et Heijmans. pages 618–624. (1994). T. M. Cambridge University Press. et Medioni. 60(1-4) :259–268. [Richardson. e [Sahoo et al. C. et du Buf. 1988] Sahoo. J. World Scientific. (1985). A. C. 21(4) :291–310. [Robinson. A.. Filtering of texture classification : a comparative study. (1993). J. (1998). volume I. [Redner et Walker. S. (1961). 41(1) :233–260. Dunod. Analyse R´ elle et Complexe. IEEE Pattern Analysis and Machine Intelligence.. Osher. (1989). 57(3) :359–372. (1999). Images. 1994] Rudin. 26 :195–239. 1987] Rudin. Stochastic complexity in Statistical Inquiry. J. (1984). Computer Graphics and Image Processing. 30 :629–636. The problem of contiguity : an appendix of statistics of deadly quarrels. 23(12) :1264–1269. 1995] Saito. (1987). 3 :323–326. 1999] Roddier. [Rosenfeld. F. L.. [Rosenfeld. 1970] Rosenfeld. Comp. on Computers. T. 1992a] Rudin. [Rissanen.. 1998] Rudin. Y. (1984). In IEEE ICIP’94. [Rudin et al. J. Monthly. (1988). maximum likelihood and the em algorithm. H. [Randen et Husøy. P. 1992b] Rudin. L. et Kittler. Dallas (TX). Nonlinear total variation based noise removal algorithms. [Rudin et Osher. Vision Graphics and Image Proc. Nonlinear total variation based noise removal algorithms. (1995). (1992a). 1993] Reed.. 1999] Randen. Comp. 1991] Ronse. Singapore.BIBLIOGRAPHIE 359 [Princen et al.. Osher. et Coifman. (1989). Math. Math. General System Year. 259-268. 1977] Robinson. S. Image and Vision. 1989] Rissanen. [Saito et Coifman. [ISSN 0167-2789]. et Husøy. Adaptive Optics in Astronomy. E.. pages 31–35. 1979] Rosenfeld. (1979).. Digital Straight Line Segments. [Rudin.. (1992).. Graphics and Image Processing. Th´ se de doctorat. e California Institute of Technology. In CVPR’89. et Leroy... A. Digital Topology. [Rissanen. (1977). New-York. Soltani. [Reed et du Buf. J. The Algebraic Basis of Mathematical Morphology – Part II : Openings and Closings. A Simple Proof of Rosenfeld’s Characterization of Digital Straight Line Segments. Minimum description length principle. P. 1984] Redner. (1974). IEEE Tr. A. Pattern Recognition Letters. (1987).. L. Physica D. Chen. Mathematical Imaging and Vision. 1989] Saint-Marc. J. A formal definition of the Hough transform : properties and relationships. 17(1) :146–160.. J. et Fatemi. Illingworth. A survey of thresholding techniques. [Ronse. Mixture densities. Edge detection by compass gradient masks. (1970). Computer Vision. Wong. 1961] Richardson. 1984] Rissanen. R. (1999). [Roddier. Robust regression and outlier detection.. J. IEEE Trans. [Rudin. G. J. P. S. A review of recent texture segmentation and feature extraction techniques. 1 :153–168. S.. No. Adaptive smoothing : A general tool for early vision. et Heijmans. 54 :74–97. Connectivity in Digital Pictures.. Numerical Analysis of Singularities and Shock Filters. Physica D 60. A. SIAM Review. E. 5(4) :337–358. 3eme edition. [Rudin et al. 3 :523–527. L.

(1990). tome I : Th´ orie des ensembles et topologie. (1999). Cambridge University Press. S. 54(2) :224–243. 1978] Saporta. Th´ orie et M´ thodes Statistiques. INRIA Sophia Antipolis. Ecole Nationale Sup´ rieure des e e T´ l´ communications. G. J. (1988. G. L. An optimal frequency domain filter for edge detection in digital pictures. [Serra. L.). K.. (1994. Paris. Morphologie Math´ matique. 27(100) :923–926. 1991] Sarkar. [Sethian. M. J. S. (1994b). Eds. Univ. 1986] Shen. and Image Proc. Pattern Recognition. 1985] Sethian. (1982b). [Spacek. London. 1993] Sigelle. Litoral. D. [Soille. IEEE Trans on Pattern Analysis and Machine Intelligence. Integral Geometry and Geometric Probability. e [Schwartz. Int. et Figueiredo. Vision Graphics and Image Proc Image Understanding. J. [Shanmugam et Green. [Terzopoulos. An optimal linear operator for edge detection. 101. [Santalo. M.. J. [Shen et Castan. Multilevel computational process for visual surface reconstruction. et Mattioli. Part II : Theoretical Advances. 1993] Suk.Physique fondamentale et appliqu´ e. Princeton University Press. Comp. (1983). Image and Vision Computing. A new image segmentation technique based on partition mode test. 1983] Terzopoulos. Paris. 1996] Sangwine. L. (1978). (1979). A.). Morphologie math´ matique. (1948). Paris. K. Berlin. 1986] Spacek. J. Comp. Level-set methods. Electronics Letters. et Mattioli. Complemento a la Nota : un Teorema Sobre Conjuntos de Paralelepipedos de Aristas Paralelas. Colour image edge-detector based on quaternion convolution. Curvature and the evolution of fronts. 1994b] Schmitt. (1940). 1940] Santalo. e e [Saporta. Physique de la couleur : de l’apparence color´ e a la technique colorim´ trique. H. (1998). The mathematical theory of communications. J. 1 :37–49. Springer-Verlag. (1996). (1986). 1999] Soille. J. Academic Press. 1996] Sethian. [S` ve. M. Proc of the IEEE. et Green. J. Academic Press. (1982a). 1976] Santalo. . 32(21) :1979–1980. (1996). e e e ` e Masson . 1998] Sangwine. L. R. Electronics Letters. 4 :43–56. Champs de Markov en traitement d’images et mod` les de la physiques statise tique : applications en relaxation d’images de classification. Addison Wesley. 27 :379–423. 1985] Tagare. et Chung. A. Bell System Technical J. Optimal infinite impulse response zero crossing based edge detectors. Simultaneous image restoration and hyperparameter estimation for incomplete data by a cumulant analysis. S. Paris. ee [Sigelle. M. 1997] Sigelle. e [Tagare et Figueiredo. e e [Sarkar et Boyer. (1997). [Suk et Chung. e [Schmitt et Mattioli. [Schmitt et Mattioli. (1985). 16(5) :469–480. (1993). Mat. [Sangwine. 1988] Serra (Ed. (1996). 1982a] Serra. In Proceeding CVPR Miami. et Boyer.. [Serra (Ed. (1993). J. Rapport technique. analyse de donn´ es et statistiques. (1995). 1948] Shannon..360 BIBLIOGRAPHIE [Sangwine. [Santalo. e [Serra. 1982b] Serra. New York.). R. Image Analysis and Mathematical Morphology. 1990] Saporta. 24 :52–96. Edge detection and motion detection. Probabilit´ s. Comm. 34(10) :969–971. Vision Graph. P. 1994a] Schmitt.a). IEEE Trans. Masson. 1979] Shanmugam. [Sklansky. J. S. Analyse. Nac. (1978). S. Hermann. [Sigelle. [Saporta. Th´ se de doctorat. Image Analysis and Mathematical Morphology. Image analysis and mathematical morphology. Phys. (1985). (1991). et Castan. Fourier transforms of colour images using quaternions or hypercomplex numbers. M. J. New-York. 2 :49–60. Editions Technip. Masson. Publ. (1976). On the Hough technique for curve detection. Order filters. 73(1) :163–165. Academic Press. 1995] Schwartz. 1978] Sklansky. Math. Comp. Morphological Image Analysis. [Shannon. [Sethian. (1986). C. 1996] S` ve.

Signal Processing.. M. T. J. 1982] Vickers. (1993b). M. V. A. Comp. K. IEEE Trans. 13(6) :583–598.. M. (1944). (1999). et Fisher. 1998] Weickert. Computational Geometry. B. European Symposium on Satellite Remote Sensing III (Taormina.Part II. 1999] Unser. (1995).. on Pattern Analysis and Machine Intelligence. [Vincent et Soille.. Marcel Dekker. Opt. IEEE Trans. Morphological Algorithms. M. Ass. B-spline signal processing .. Aldroubi. M. et Maˆtre. et Arsenine. [Unser. IEEE Pattern Analysis and Machine Intelligence. (1974). Teubner. 1998] Wang. et Oosterlinck. 1996] Tupin. et Kovaˇ evi` . et Viergever. F. A. M. et Soille. Dewaele.. on Signal Processing.-M. 1985] VanGool. The application of numerical filtering to the solution of the integral equations encounteredin indirect sensing measurements. Anisotropic Diffusion In Image Processing. 4(11) :1549–1560. J. Signal Processing. 20(6) :619–636. Reconnaissance des formes et analyse de sc´ nes en imagerie radar a ouverture e ` synth´ tique. L. 29 :336–357. 1993a] Unser.. pages 255–288. e e e ee [Tupin et al.. (1998). 16 :365–388.BIBLIOGRAPHIE 361 [Tikonov et Arsenine. 8 :147–153. The string to string correction problem. [Weickert. 1993b] Unser. 21(1) :168–173. Trouv´ . New Jersey. 1997] Tupin. J. 16(6) :22–38. L. 1974] Wagner. e e e e Editions MIR.. (1986). [Wertheimer. R. 11 :78–99. and Image Processing. T. On edge detection. V. [Wang. 1995] Vetterli. P. Franklin Institute. (1991). B-spline signal processing . M. Wavelets and subband coding. c c c c Englewood Cliffs. 1989] Vincent. M. (1986).. Theory for off-specular reflection from roughened surfaces. 1991] Vincent. Stuttgart. et Poggio. (1989). Italy). Ecole Nationale Sup´ rieure des T´ l´ communications. L.. 11(1) :61– 79. Social Research. A. (1998).. Am.. (1992).. (1974). IEEE Trans. A maximum likelihood approach to to texture classification.-P. Prentice Hall.. a perfect fit for signal and image processing. Graphs and Mathematical Morphology. 7 :398–410. [Vincent. J. et Modestino. In Dougherty. J. . (1965). J. 1995] Unser. 1985] Toussaint. (1985). et Eden. Th´ se de doctorat.. on Signal Processing. Moscou. 1992] Vincent.Part i. E. Splines. IEEE Trans on Image Processing. (1998). [Twomey. L. M. IEEE Trans on Pattern Analysis and Machine Intelligence. editeur. M. 4 :61–68. 1986] Unser. E. 1974] Tikonov. P. 41(2) :834–848. Improving IFSAR e ı phase unwrapping by early detection of non-interferometric features. 1965] Twomey. [Unser et al. M´ thode de r´ solution de probl` mes mal-pos´ s. [Unser. [Unser. [Wagner et Fisher. (1985). 41(2) :821–833. Stochastic relaxation on partitions with connected components and its application to image segmentation. [Unser et al. Local linear transforms for texture measurement. 1998] Weickert. [Torre et Poggio. (1982). Efficient and reliable schemes for nonlinear diffusion filtering. IEEE Signal Processing Magazine. A. J. 1986] Torre. (1997).. Soc. Amsterdam. Mathematical Morpho´ logy in Image Processing. Nicolas. [Vetterli et Kovaˇ evi` . J. (1995). [Vincent. H. ter Haar Romeny. 57(9) :1105–114. Descombes. 1944] Wertheimer. A. (1996). 1967] Torrance. Comp. Gestalt Theorie. 279 :95–109. X. (1993a). (1967). IEEE Pattern Analysis and Machine Intelligence. Watersheds in Digital Spaces : an Efficient Algorithm based on Immersion Simulations... IEEE Transactions on Image Processing. Aldroubi. [Tupin.. Graph. Textural analysis anno 1983. Texture classification ans segmentation using wavelet frame. North Holland. et Eden. S. E. [Weickert et al. [VanGool et al. F. G. Mach. [Torrance et Sparrow. [Vickers et Modestino. et Sparrow. M. J. [Toussaint.

80(3) :295–314. S.. A. Vision Graphics and Image Proc : Graphical Models and Image Processing. IEEE Transactions on neural networks. L. Comp. IEEE Trans on Pattern Analysis and Machine Intelligence. [Younes. Hyperparameter estimation of a variatioe e nal model using a stochastic gradient method. The potts model. Springer Verlag. J. . C. pages 1019–1023. [Zhang et Modestino. J. et Maˆtre. (1993). J. P. Comp. Frigessi. Two-Dimensional ´ Digital Signal Processing I. Random Fields and Dynamic Monte Carlo Methods. Berlin. [Zerubia et Blanc-F´ raud. A. J. Y. 21(2). T. [Witkin. Unsupervised segmentation of noisy and textured images using Markov random fields. (1982). et Yuille. [Won et Derin. Lecture Notes in Statistics. 1982] Wu. of the Ass. 1989] Younes. 82 :625–645. Springer-Verlag.. 1992] Won. L. (1996). volume 3459. volume LVIII. et Modestino. ´ [Younes. 1981] Wood. B. W. Scale-space filtering.. S. Image Analysis. 1992] Wu. region growing and Bayes/MDL for multiband image segmentation. J... editeurs. et Chellapa. Barone and A. Estimation and annealing for gibbsian fields. 54(4) :308–328. Smoothing speckled synthetic aperture radar images by using ı ı maximum homogeneous region filters. In Proceedings of the International Joint Conference on Artificial Conference. Mach. 1988] Younes. J. 24(2) :269–294. H. 4(4) :703–709. The solution of toplitz set of linear equations. 1998] Zerubia. Mean field annealing using compound GaussMarkov random fiel ds for edge detection and image estimation. P. [Wu et Maˆtre. 1974] Zohar. [Younes. J. et Kang. A model fitting approach to cluster validation with applications to stochastic model-based image segmentation. H. [Zhu et Yuille. Probability Theory and Related Fields. [Zamperoni. 1993] Zerubia. Comp. Review of Modern Physics. Parameter estimation for imperfectly observed gibbs fields and some comments on chalmond’s em gibbsian algorithm. Les Houches 92. 4 :1009–1017. 1995] Winkler. et Derin. Graphics and Image Proc.362 Index [Weszka. 1983b] Witkin. statistical methods and algorithms in image analysis. pages 119–182. S..-K. (1983b). (2000). 1978] Weszka. (1974). (1992). 18 :884–900. 1990] Zhang. (1988). 1983a] Witkin. North-Holland. (1995). 7 :259–265. Vision Graphics and Image Proc. Two-Dimensional Kalman filtering.. Feature extraction. Y. J. G. Merriman. et Zinn-Justin. editeur. 1996] Zamperoni. (1998). Inst Henri Poincar e. 1996] Zhu. P. (1991). A. In Maˆtre. [Wood. Osher. In SPIE Bayesian Inference for Inverse Problems Proceedings. F. A. 54(1). [Wu. Applications of mathematics. [Zhao et al. 1991] Younes. A Mathematical Introduction. (1983a). L. Springer. H. [Winkler.. Comp. Progress ı ´ in Picture Processing. [Witkin. Scale-space filtering. Optical Engineering. (1978). 31(8) :1785–1792. R. H. (1990). (1996). IEEE Trans on Pattern Analysis and Machine Intelligence. Parametric inference for imperfectly observed gibbsian fields. pages 1019–1021. (1989). 2000] Zhao. In Huang. [Zohar. M. et Blanc-F´ raud. A survey of threshold selection techniques. In International Joint Conference on Artificial Intelligence. volume 42 of Topics in Applied Physics. (1981). Region competition : Unifying snakes. [Zerubia et Chellapa. (1992). L. In stochastic models. Implicit non-parametric shape reconstruction from unorgnized data using variational level set method.

115 courbure. 42 chroma. 77 contour. 97 birapport. 21 BV. 36 crit` re d’Akaike. 37 binormale. 127 entropie. 59 e B-splines. 6 adaptation chromatique. 114 CIELab. 114 conditionnement. 72 diffusion. 133 conique. 38. 54 approximations polygonales. 38 e autor´ gressif. 90 blanc de r´ f´ rence. 55. 127 e DOG. 96 . 26 cooccurrence. 61 coordonn´ es homog` nes. 88. 89 coniques. 100 principale. 87 e 363 composantes trichromatiques. 116. 100 crit` re e de Neyman Pearson. 113. 29 entrelacement. 76 Canny. 100 moyenne. 11 d´ cision bay´ sienne. 40 e cubique. 22 cercle osculateur. 124 algorithme de la corde. 7 C-moyennes floues. 36 e e d´ composition en valeurs singuli` res. 77 analyse en composantes principales. 127 BDRF. 39 espace Lab. 60 chatoiement. 97. 68 ı champ de Markov. 74 attache aux donn´ es. 6 distance interquartile. 110 boˆte englobante.Index equation ´ de diffusion. 6 diffusion anisotrope. 54 colin´ ation. 117 ee Blinn. 97 chaˆnes de Freeman. 118 chrominance. 11 balayage. 37 e croissance de r´ gion. 39. 117 espace projectif. 16 contours actifs. 108 chi2. 100 courbure gaussienne. 87. 66 ı boussoles directionnelles. 117 e coefficient de variation. 87 e e courbes d’excitation. 54 distance frustr´ e. 88 ensemble de niveau. 118 clart´ . 6 de Perona et Malik. 131 e e d´ tection de contours. 23 descripteurs de Fourier. 21 droite a l’infini. 117 CIE. 88 ` projective. 15 e Deriche. 110 Bhattacharyya. 37 aplatissement.

20 d’une gaussienne. 4 e de diffusion anisotrope. 44 loi de Lambert. 46 merging. 21 Martelli. 99 formes fondamentales. 57 Gestalt Theorie. 63 e indice d’allongement. 90 invariant projectif. 5 de Rudin. 65 interpolation. 19 de Nagao. 115 e forme fondamentale. 76 m´ dian. 41 INDEX . 91 Julesz. 19 de contours. 4 de Wu. 20 log-vraisemblance. 76 e morphologique. 19 ee ICM. 76 m´ lange. 21 kurtosis. 8 de Saint Marc. 87 e e Gabor. 108. 9 e filtre adapt´ . 48 granularit´ . 114 e fonctions de m´ lange. 116 estimation robuste. 50 gradient . 80 Hueckel. 54 labels. 57 miroirs. 1 e e LOG. 6 de rang. 7 membrane. 18 Graduated Non Convexity. 61 image d’´ tiquettes. 90 invariants affines. 9 LMS. 54 Karhunen Loeve. 128 level sets. 20 e lin´ arit´ . 1 e e e Hough. 40 Guzman. 127 homog´ n´ it´ . 50 growing. 68 Frenet. 8 Toboggan. 11 invariant. 37 Marr. 37 Kirsch. 42 groupement perceptuel. 38 maximums du gradient. 8 de Wiener. 9 de Perona et Malik. 30 filtrage par fenˆ tre maximale. 76 g´ om´ trie diff´ rentielle. 112 e e Mahalanobis. 75. 36 fermeture . 76 e m´ tam` res. 97 e e e g´ om´ trie projective.364 espace XYZ. 76 fausse alarme. 18 ` de Gabor. 98 Freeman. 66 Hilbert. 5 sigma. Osher et Fatemi. 21 e Maximum A Posteriori. 19 filtres a phase nulle. 98 Fuzzy-C means. 55 e fonctions colorim´ triques. 63 lagrangien. 110 look-up table. 9. 110 laplacien . 138 Lambert. 42 fonction d’autocorr´ lation. 21 LBG. 1 M-estimateurs. 97 Frenet-Serret. 21 hyst´ r´ sis. 16 mean curvature. 110 e graphe d’adjacence. 58 Fisher-Snedecor. 29 lignes de crˆ te. 30 masques adapt´ s.

49 th´ or` me e e de Netto. 89 quantification adapt´ e. 40 statistiques du premier ordre. 7 moyenne frustr´ e. 127 de Rodriguez. 125 ordre total. 130 r´ flexion bidirectionnelle. 76 e ondelettes.INDEX mod` les e g´ od´ siques actifs. 39. 38 e RanSac. 36 rapport iso-p´ rim´ trique. 54 stratification. 122 Shen et Castan. 91 Student. 125 e pr´ dicat. 26 speckle. 46 poursuite . 21 non-lin´ arit´ . 110 e r´ gularisation. 127 Nevatia et Babu. 108 teinte. 11 splitting. 110 sph` re de Gauss. 118 template matching. 125 orientation. 1 e e NTSC. 20 probabilit´ de d´ tection. 87 ` Potts. 30 e e moindres carr´ s. 42 SVD. 36 e e e Torrance-Sparrow. 42 Suk. 24 Smirnov-Kolmogorov. 91 de Hough. 42 sur-segmentations. 30 mouvement par courbure moyenne. 1 e Prewitt. 65 e e recalage rigide. 128 quaternions. 18 PAL. 116. 21 tests statistiques. 66 norm´ . 42 texture. 134 e moment invariant. 94. 127 plan a l’infini. 110 transform´ e e en Z. 61 e repr´ sentation canonique. 21 primal sketch. 122 nu´ es dynamiques. 131 table de transcodage. 58 quad-tree. 94 Saint Marc. 127 e Mumford et Shah. 45 Netto. 99 e spline. 30 pseudo-inverse. 66 e Montanari. 39 e pr´ traitements. 58 ordre. 42 QMF. 42 quadrique. 100 point a l’infini. 39 Peano. 126 ordre partiel. 1 tavelure. 94 th´ orie bay´ sienne de la d´ cision. 61 programmation dynamique. 12 transformation affine. 63 365 . 54 e quantification vectorielle. 61 snakes. 90. 40 e partition. 46 point ombilic. 125 ordre canonique. 133 pyramide. 36 e e processus ARMA. 89 ` plaques minces. 108. 59 de bords. 122 partage de r´ gion. 8 saturation. 96 recuit simul´ . 76 rapport de vraisemblance. 80 tri planaire. 19 pr´ -ordre. 78 splines. 116 SECAM. 93 e Rodriguez.

20 e zigzag.366 tri` dre de Frenet. 127 INDEX . 59 z´ ro du laplacien. 114 trivariance. 97 e triangle de Maxwell. 42 Yule-Walker. 55 Wilcoxon. 7 Wiener-Kinchine. 112 TV.

You're Reading a Free Preview

Télécharger
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->