Académique Documents
Professionnel Documents
Culture Documents
2 Universit
Abstract
In this paper, we present a new similarity metric between mesh segmentations : the 3D Normalized Probabilistic
Rand Index (3D-NPRI) ; it allows to quantify the consistency between multiple segmentations of a 3D-mesh
model. The paper presents a thorough comparison between this new metric and existing ones addressing the
quality assessment problem of mesh segmentation. We show that this new metric outperforms the existing ones in
terms of properties and discriminative power. Finally the 3D-NPRI is applied to evaluate four recent segmentation
algorithms. For this end, we use a corpus of manually segmented models. It is composed of a set of 3D-mesh
models grouped in different classes associated with several manual segmentations produced by human observers.
Cet article prsente une nouvelle mtrique de similarit entre segmentations de maillages : LIndice de Rand Probabiliste Normalis pour la 3D (3D-NPRI), il permet de quantifier la consistance entre plusieurs segmentations
dun mme modle 3D. Nous prsentons une comparaison dtaille entre cette nouvelle mtrique et les mtriques
existantes adressant le problme dvaluation de la segmentation de maillages. Nous montrons que cette nouvelle
mtrique est plus performante que les autres en terme de proprits et de pouvoir discriminant. Enfin, nous utilisons le 3D-NPRI pour valuer quatre algorithmes rcents de segmentations. Dans ce but, nous utilisons un corpus
de modles 3D segments manuellement. Ces modles 3D sont regroups en diffrentes classes, et chacun sont
associes plusieurs segmentations manuelles effectues par des oprateurs humains.
1. Introduction
La segmentation de maillages tridimensionnels est un processus fondamental de nombreuses applications telles que
la reconnaissance de forme, la compression, la dformation,
le plaquage de texture, etc. Elle consiste dcomposer une
surface polygonale en diffrentes parties prsentant des caractristiques communes, soit dun point de vue strictement
gomtrique, soit dun point de vue plus smantique.
Selon les tats de lart rcents du domaine [AKM 06,
Sha08], les techniques de segmentations de maillages
peuvent tre classifies en deux catgories : les mthodes bases surface (gomtriques), et les mthodes bases parties
(smantiques).
Ces dernires annes, le dveloppement dalgorithmes de
A(Ri R j )
Oindex = max j
A(Ri )
Avec A(.) loprateur qui retourne laire dune rgion. Si
on suppose que S1 est la segmentation automatique et S2 une
vrit-terrain, alors la distance entre elles est la moyenne de
lindice de chevauchement travers toute les rgions de S1 .
L3D (S1 , S2 , vi ) =
|R(S1 , vi )\R(S2 , vi )|
|R(S1 , vi )|
GCE(S1 , S2 ) =
1
min{ L3D (S1 , S2 , vi ), L3D (S2 , S1 , vi )}
N
i
i
LCE(S1 , S2 ) =
1
N
Cas de dgnrescence
Independence de cardinalit
Tolrance au raffinement
Vrits-terrains multiples
oui
non
oui
non
Indice de
chevauchement
oui
non
oui
non
RI(S1 , S2 ) =
1
j
j
j
j
I(l1i = l1 l2i = l2 )+I(l1i 6= l1 l2i 6= l2 )
(N
)
i,
j
2
i< j
O I est la fonction identit, le dnominateur est une combinaison qui reprsente le nombre de paires uniques possibles parmi N sommets ou facettes. Ceci donne une mesure
range entre 0, si les deux segmentations ne sont pas identiques, et 1 autrement.
Distance
de Hamming
oui
non
oui
non
Indice
Rand
non
oui
non
non
de
Mesure
idale
non
oui
oui
oui
modle 3D du corpus sont associes 4 segmentations manuelles, ce qui donne un total de 112 segmentations vritsterrains, effectues par 36 volontaires. La figure 1 illustre
les modles du corpus accompagns dune segmentation manuelle. Afin que notre corpus soit utile pour nimporte quel
algorithme de segmentations Nous avons slectionn un petit nombre de modles tout en respectant certaines proprits. Tout les modles du corpus sont manifolds, et connexes.
Pour collecter des segmentations prcises, nous avons assist
nos volontaires dans le traage des frontires des diffrents
modles. Ils les ont librement segment et aucune condition
na t impose sur la manire deffectuer cette tche. Nous
avons utilis lapplication MeshLab qui permet de segmenter un modle 3D sommet par sommet laide de couleurs.
Chaque rgion est distingue des autres par une couleur diffrente.
Les mesures prcdentes souffrent soit de cas de dgnrescence et/ou de sensibilit au raffinement et/ou de limitation en terme de comparaison avec plusieurs vrits-terrains
(segmentations de rfrence). En effet, aucune de ces mesures ne satisfait lensemble des critres dfinis prcdemment. Les proprits de chacune dentre elles ainsi que dune
mesure idale sont rsumes dans le tableau 1. Il est noter
que la proprit comparaison significative napparat pas
dans le tableau. Une manire possible dexaminer cette dernire est de fournir une tude exprimentale (voir la section
4, pour plus de dtails).
3. Le corpus vrit-terrain
Nous avons amlior la version prcdente [BVLD09] de
notre vrit-terrain en terme de nombre de modles et de
nombre de segmentations manuelles par modle. Le corpus
est disponible en-ligne et contient 28 modles reprsents
par des maillages triangulaires. Ces derniers sont groups en
5 classes : animal, meuble, main, humain, et buste. A chaque
. http://www-rech.telecom-lille1.eu/
3dsegbenchmark
. http://meshlab.sourceforge.net/
PRI(Sa , {Sk }) =
1
(N
2)
ei j pi j + (1 ei j )(1 pi j ) (1)
i, j
i< j
Et pi j prsente la probabilit que les sommets i, et j appartiennent au mme segment dans lensemble des vritsterrains {Sk }, et est calcule par la moyenne de la distribution de Bernoulli correspondante :
pi j =
1
K
I(lSi
k
= lSk )
lit entre les segmentations, mme si celles-ci sont appliques sur des modles diffrents : en effet il les classe dune
manire correspondant notre perception par rapport la
vrit-terrain : (e) est excellent, (c), (d), et (f) sont corrects
et (a) et (b) sont mauvais (leurs scores sont dailleurs ngatifs). Les autres mtriques chouent classer correctement
ces segmentations.
(a)
(b)
(c)
(d)
(e)
{S1 , S2 , ..., Sk }, ainsi que les paires de sommets ayant diffrent label dans Sa , et dans {S1 , S2 , ..., Sk }. Donc si on suppose que Sa est un raffinement de cet ensemble ou viceversa, alors le nombre de paire en accord reste important,
ce qui veut dire que lindice prsente une bonne tolrance au
raffinement.
A ce niveau, nous avons montr que le PRI satisfait les
quatre proprits : habilit comparer une segmentation automatique avec des vrits-terrains multiples, il ne souffre
daucun cas de dgnrescence, il est indpendant de la cardinalit de la segmentation, et il est tolrant au raffinement.
Nous avons montr aussi que le PRI donne de meilleurs rsultats que les autres indices en terme des trois premires
proprits. Afin de renforcer le pouvoir discriminant du PRI,
nous proposons de le normaliser, comme cela a galement
t propos dans [UPH07].
Nous dfinissons ainsi le NPRI dune segmentation automatique Sa dun modle 3D comme suit :
NPRI(Sa ) =
(2)
(g)
Figure 3: Exemple de comparaison de segmentations de diffrents modles : De a f segmentations obtenues par lalgorithme de Tierny et al. [TVD07]. Le graphe (g) montre les
scores des diffrents indices pour chaque segmentation (a
f).
Afin de comparer le pouvoir discriminant du NPRI avec
celui des indices existants, nous avons compar avec la vrit
terrain : des segmentations de la vrit terrain elle-mme et
des segmentations alatoires. La figure 4 illustre la distribution des indices pour ces deux types de segmentations pour
tout les modles du corpus.
Il apparait clairement que le NPRI et le PRI donnent des
rsultats meilleurs que les autres indices en terme de pouvoir
discriminant puisque les deux distributions sont bien spares. Les autres mtriques narrivent pas distinguer clairement ces deux types de segmentations (vrit-terrain et alatoire) puisque certains modles partagent les mmes scores
pour les deux.
5. Exprimentations
Dans cette section nous appliquons notre 3D-NPRI ainsi
que le corpus afin dvaluer quatre algorithmes de segmentations : Attene et al. [AFS06], Lavou et al. [LDB05], Shapira
(f)
(a) NPRI
(b) PRI
(c) HDI
(d) LCI
(e) GCI
(f) OI
classement reste le mme pour les deux niveaux de segmentations, ce qui signifie que les segmentations obtenues par
les algorithmes restent consistantes. Ont peut remarquer enfin que ces rsultats sont logiques puisque les trois premiers
algorithmes sont bass partie alors que le dernier est bas
surface.
[BVLD09] B ENHABILES H., VANDEBORRE J.-P., L A VOU G., DAOUDI M. : A framework for the objective
evaluation of segmentation algorithms using a groundtruth of human segmented 3d-models. In IEEE International Conference On Shape Modeling And Application
(SMI) (2009).
Algorithme
[TVD07]
[LDB05]
[AFS06]
[SSCO08]
Segmentation
grossire
2
4
3
1
Segmentation fine
2
4
3
1