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

. . . . . . . .3 Topologie discr` te . . . . . . . . . . . . . . . e 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 4. . .1. . . . . .2 Topologie a partir de la notion de voisinage el´ mentaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4 Le mod` le fractal . . . 3. . . . . . . . . . . . . e   . . . . . . . . . . . . . . . . . . .4. . . . . . . . . . . . . . . . . . . . .1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .5 Pavage de Vorono¨ et triangulation de Delaunay . . . . . . . . . e 3.4. . . . . .2. . . . . . . . . . . . . . . . . . . . . . . . .1 Echantillonnage du signal . . .2 Pavages plans r´ guliers . . . . . .7 Critique de la d´ marche pr´ c´ dente . . . . . e 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. . .7. . . . . .2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 L’extension en dimension . . .1 Discr´ tisation d’une droite continue . . . . . . . . . . . . . . . 3. . . . . . . . . . . . . . e 4. . . . . . . .4 2. . . . . . . .1 La dimension fractale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ` ´e 4. e 3. . . . . . . . . . . . . . .3. . . . . . . . . . . . e e e 4. e 4. . . . . . .4 Dualit´ pavage / maillage . . . . . . . . . . e 2. . . . . . . . . . . . . . . . . . . . .2 La causalit´ . . . . . .2. . . . . . . . . . . . . . . . .1 Les limitations physiques du spectre . .1 Quelques approches . . . . . . . . . . . . . . . . . . . .1. . . . . . . . . . . . . . . . . . . . . . . . . . . .2 L’homoth´ tie interne . 3. . . .4 Cercles discrets . . . . . . . . . . . . .4. . . . . . . . . . . . . . 4 Repr´ sentations discr` tes e e 4. . . . . . . . . . . . . 3.2 Caract´ risation d’un segment de droite discret . . . . . . . . . . .2. . . . . . . . . . . . . . . . . . . . . . . .7. . 4. . . . . . . .3 Pavages plans semi-r´ guliers . . .1 Les signaux monodimensionnels a bande limit´ e . . . . . . . . . . e 4. . . . . . . . . . . . . . . .1. . . . . . . . . . . . . . .3. . . . . . . .4 Repr´ sentations g´ om´ triques . . . . e 4. . . . . . . . . . . . . . . .6 Fonction distance . . . . . . . .2 Exemples . . . . . . . . .4. . . . . . . e e 4. . . . . . . . . . . . . . . . . . 3. . . . . . . . . . .3. . . . .7. . . . . . . . . . .2 Reconstruction du signal echantillonn´ a la fr´ quence de Nyquist ´ e` e 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 La monodimensionnalit´ . . . . . . . . . .4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e e e 2. . . . . . . . . . . . . . . . . . . . . . . ` TABLE DES MATIERES . . . . . . . . . . . . . . . . . . . . . . . e 4.1 D´ finition de distances discr` tes . . . . .4 Vers un mod` le complet d’image ? e . . . 4. . . . . . . . .7.3 Nombre d’Euler : un exemple de caract´ ristique topologique d’un objet e 4. . . . . . . . . . .6. . . . . . . .4. . .6. . . . . . . . 4. . . . . . . e 4. . . . . . .3 Droites analytiques discr` tes . . . . . . . 4. . . . . . . . . . . . . . . . . . . . . . .5 Exemples de structures al´ atoires . . . . . . . . . .1 D´ finitions et contraintes . . .2. . . . . . . . . . . . . . . . . . . . . .4. . . . . . . . . . . . . . . . . . . . ` e ´ 3. . . . . . . . . . . .2 Pavages et maillages . .2 Filtrage du signal . . . . . . . . . . .3 Reconstruction dans le cas de sur´ chantillonnage . . . . . . . . .2. . . . . . . . . . . . . . . . . . la repr´ sentation fractale e e 3. . . . . . . . . 4. . . . . . . . . . e 2. . . . e 2. . . . . .3 Que faire de la th´ orie fractale ? . . . . . . . . . . . . . . e 4. . . . . . . . . . . . . . . . . . .2 Signaux r´ els . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ı 4. . . . . . . . . . . . . . . . . . . . . e 3. . . . . . . . . . . . . . . . . . . . . . . . .1 La stationnarit´ . . . . . . . . . . . . . . . . . . . . .

. . . 6 Morphologie math´ matique e 6. . . . . . . . . . . . . . . . . . . . . . . . . .3 Cadre topologique . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 Erosion et dilatation de fonctions . . . . . . .3 M´ thode de plus grande pente . . . . . . . . . . . . . . . . . .2 D´ termination statistique . . . . . . . . . . . . . . . . . . . .4 M´ thode du gradient conjugu´ . . . . . . . . . . . . . . . . . 6. . . . . . . . . . . . . .1. . . . . . . . . . . . . .4 Cadre alg´ brique . . . . . . . . . .2. . . . . . .5 Ouverture et fermeture num´ riques . . . . . . . . . e 5. . . . . . . . . .2. . .2. . . . . . . . . . . . . . .1 Le filtrage inverse . .5. e e 6. . . . . . . . . . . .1 Approche analytique . . . . . . . .2 D´ fauts singuliers et mal conditionn´ s . . . . . . . . . . . . . . . . . . . . . . . . . . . .1. . e 5. . . . . . . . e 6. . . . . . . . . . . . . . . . . . . . . .2. . e 5. . . . . .2 Un exemple : le sch´ ma bool´ en . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1. . . . .5. . . .1 Notion d’´ lement structurant et cadre ensembliste e 6. . . . . . . . . . . . .4 La restauration it´ rative . . . . . . . . . . . . . . . . . . . . 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 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. . . . . . . . . . . . e 5. .4. e e 5. . . . . . . . . . . . . . . . . . .4. . . . . . . . . . .1 D´ termination par calibrage . . . . . 6. . . . . . . . . . . . . . . . . . . . .1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . e . . . . . . . . . . . . . . . . . . . . . . . . . 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.1 Ensembles ferm´ s al´ atoires . . .5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 M´ thode de Gauss-Seidel . . . . .2. . . . . . . . . . . . . . . . . . . . . . . . .3 D´ composition en valeurs singuli` res e e 5. . 5. . . . . . .6. . . . . . . . . . . . . . . . . . . . . .3 Discussion . . . . . . . . . . . . . . . . . . e 6. . .4. . . . . . . . . .2. . . .2. . . . . . . . . . . . . . e 5.1 M´ thode de Jacobi . . . . . . . . . . . . 5. . . . . . . . . . . e e . . . . e 6. . . e e 5. .4. . . . . . . . . . . . .1 D´ fauts singuliers . . . .4. . .2 Les quatre op´ rations . . . .2 Erosion et dilatation binaires . . . . . . . . . 6. . . . . .5 Cadre probabiliste . . . . e 6. . . . . . . . . . . . . . .4 Ouverture et fermeture alg´ briques . . . . . . . . . e 5. .2 Erosion et dilatation alg´ briques. . .4 Ouverture et fermeture binaires . . . . . . . . . . . . . .4. . . . . . . . . . . .4. . . . . . . . . . . . . . . . . .5 M´ thodes de projection (POCS) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .5 L’estimation des d´ fauts . . .1 Introduction et pr´ liminaires . . . .3 Restauration des signaux bidimensionnels . . . . . . . . . . . . . e 5. . . . . . . . . . . . . . . . . . e 6. . . . . . . . . . e 5. . . . . . . . . . . e 5. . . e 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 Treillis . . . . . . . . . . e e 5. . . . . . . . . . . .6 R´ duction des effets de bord . . . . . . . . .4. . . . . . . . . . . . . . . . . . . . .5. . . . . . . . . . . . . .4 Conclusions (provisoires) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6. . . . . 5. . . . . .2. . . . . . . . . . .` TABLE DES MATIERES 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 5.2 Syst` me mal conditionn´ . . . . e 6. . . . . . . . . . . . . . . . . .3 Lien avec les op´ rateurs morphologiques . .2 Approche alg´ brique . . . . . . . . . . . . adjonctions . . . . . . . . . . . . .4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 Algorithmes de calcul . . . . 5. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . .1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .6. . . . . 127 e Description de l’image . . . . . . . . . . . . . . . . . . . . .2 6. . .6 7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 6. . . . . . .3 6. . . . . . . . . 123 7 D´ finition et simulation d’un champ de Markov e 7. . . . . . . 121 e e Applications de l’ouverture et de la fermeture . .1 7. . . . . . . . . . . . . . . . . 121 6. . . . . .7. . . . . . . .7. . . . . . . . . . 136 Applications : restauration et segmentation . . . . .1. . . . . . . . . . . .5 7. . . . . . . . . 131 Le recuit simul´ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 7. . 111 e Rehaussement de contraste . . . . . . . . . . . . . . 119 e e e e Op´ rations morphologiques g´ od´ siques. . . . . . . . . . . . . . .1. . . . . . . . . . . . . . .2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .9. . . . . . . . . . . . 128 e Champs de Markov . . . .5 6. . 113 Chapeau haut-de-forme . . . 141 Mod´ lisation bay´ sienne et fonction de coˆ t . . . . . . . . . . . . . . . . . . 117 Squelette discret . . . . . .Champs de Gibbs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 Ouverture annulaire . . . . . . . . . . . .1. . . . . . . .3 127 D´ finition et simulation d’un champ de Markov . . . . 118 Distance g´ od´ sique et boules g´ od´ siques . .9 6. . . . . . . . . . 119 e e 6. . . . . . . . . . . . 116 ´ Squelette . . . . . . . . . .1. .8. . . . . . .2 6. . . . . .3 6. . . . . . . . .3 6. .1 6. .2 Applications en segmentation . . . . . . . .9. . . . . . . . . . . . . . . . . . . . .1 7. . 141 . .8. . . . . .7. . . . . . 115 e Ouverture surfacique . .2 7. . . . . . . . . . . . . . . . . . . . . .9. . . .7. . . . . . .6 6.8. . . . . . . . . . . . . . . . .2. . . . . . . . . . . .2 6. . . . . . . . . . . . . . .10. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112 Gradient morphologique . . 116 e e e G´ od´ sie . . .8. . . . . . . . . . . . . . . . 116 Transformation en tout ou rien .4 6. . . . . . . . . . . . . . . . . . . . . . . . . . .8 6. . . . . . . . . . . . . . . . . 112 Filtres altern´ s s´ quentiels . . . . . . . . . .7 6. . . . . .4 6. . . . . . . . . 120 e e e Squelette g´ od´ sique par zones d’influence . . . . . . . 113 e e Filtres auto-duaux . . . . . . . . . . . . . . . . . . .2. . . . . . . .10 Ligne de partage des eaux . . . .6. . . . . . . . . . . . . . . . . . . . . .1 6. 111 e 6. . . . . . . . . . . . . . . . . . . 111 Erod´ ultime . . . . . . .1. . . . . . . . . . . . . . . . . reconstruction . .6. . . . . . . . . . . . . . . . . 122 6. . .6 ` TABLE DES MATIERES Applications de l’´ rosion et de la dilatation . . . . . . . . . . . . . . .3 Mesures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113 Transformation en tout ou rien et op´ rateurs d´ riv´ s . . . . . . . . . . . . . .3 7. . . . . . . . . 127 Mod´ lisation probabiliste de l’image . . . . . . . . . . . . . . . . . . . .7. . . . 129 Echantillonnage de MRF . . . . . . . . . . . . . . . . . . .6 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121 e ee 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 6. .11 Conclusion . . . . . .1 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 7. . . . . . . . . . . . . . . . . . . . . . . . . .5 6. . . . . . . . . . . . .8. . . . . . . . . . . . . . . . . .1. 118 SKIZ . . . . . . . . . . . . . . . . . . . 114 Granulom´ tries . . . .1 D´ finition et propri´ t´ s . . . . . 141 e e u Estimateur MAP . . . . . .6. . . . . . . . . . . . . . . . . . . . . . . . .2 7. . . . . . . . . . . . .7. . . . . . . . . . . . . . . . . . . . . . . 143 Estimateurs dans un cadre markovien . . . . . .7 7. . . . . . . . . . . . . .4 6. . . . . . . . . . . . . . . . . . .4 7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137 Introduction . 116 Amincissement et epaississement . . . . . . . .10. . . 133 e Quelques MRF fondamentaux . . . . . . . . . .

. . . . . . 9. . . . . . . .1 Principes de l’analyse lin´ aire des images . . . . . . . . . . . e 8. . . . . . . . . . . .5 7. . . . . . . . . . . .1 Applications sur le graphe des pixels . . . . . . 7. . . . . . . . . . . . . . . . . . .2 Pourquoi les analyse multi-´ chelles sont r´ gies par des E. . . . . . . . . . . . . . . . . . . . . . .3 7. . . . . . . . . . . . 7. . . . . . e e 8. . . . . . . . . . . . . . . . . . . . e . . . . . . . . . .1 Graphes de r´ gions : application a la segmentation d’une image d’IRM c´ r´ brale e ` ee 7. . . . . . . . . . .4 Application aux images . . . . . . . . . . . . . . . . . . . . . . . . . . . .2. . . . . . . . . . . . . . . . . . . . . . . . . . . . .1. . . . . . . .3 Equation de la chaleur et noyau gaussien . . . . .3. . 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. . . . . . . . 8. . . . . . . . . . . . . . . . . . . . e 9.2 Trames . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7. . . . . . . . . MPM. . . . . . . . . . Applications sur des graphes de primitives . . . . . . . . . . . . . . . . . e 8. . . . . . . . . . . . . . . . . . . . . . .2. . . . . . . . .2. . . . . . e e 7. . . . . . . . . . .2. . . . . . . . . . . .4. . . . . . . 8. . . . .1. . . . . . . . . . . . . . . . .3 Classification des analyses multi-´ chelles . . . . . . 8. . . . . . . . . . . .6 8 Equations aux d´ riv´ es partielles et traitement d’images e e 8. . . . 7. . . . . e 8. e 8. . . . . . .6 Comparaison des estimateurs MAP. . . . . . .5. e 8. . . .1. . . . . . . . . . . . . . . . . ` e e 7. . . . .3 Mouvement par courbure moyenne et variantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1. . . . . . . . . . . . . . . . . . .2. .1 Notations et structure locale des images . . . .1 Objectif . . . . . . . . . .4 7. . . . . . . . . . . . . . . . . . . . . . .3. . . . . . . invariance par changement de contraste . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4 L’´ quation de Rudin-Osher-Fatemi . . et TPM . . . . 7. .1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .5 L’´ quation de la chaleur inverse . . . . 8. . . . . . . . .1 Processus de bords explicites et implicites . . . . . . . . . . . . . . . . . . . .3.3 Conclusion . . .5 Estimateur TPM . . . . . . .5. . . e 7. . .2 L’´ quation de Malik et Perona . . . . . . . . . . e e Processus de bords . . . . . . . . . . .3. . . 7. . . .1. . .P. . .2. . . . . . . . . 9 Ondelettes et traitement d’images 9. . . . . . . .5 Le filtre de choc de Rudin . . . .3.4 Estimateur MPM . . .1 Introduction . . . 8. . . . . . . .6.1 Quelques notations . . . . . . . . . . . . . . . . 7. . . . . . . . . . . . . . . . . . . . . . . . . . . .3 EDP et analyse multi-´ chelles . . . .D.2 Segmentation . Estimation des param` tres . . . . . . . . . . . .6 Limitations. . . . . . . .1 D´ finition et propri´ t´ s des analyses multi-´ chelles . . . . . . . . . . . . . . . . . . . . .1 L’´ quation de la chaleur et ses limitations . . . . . . . . . . e 8.2. . . . . . . . . . . . .2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Donn´ es compl` tes . . . . . . . . . . . . . . .6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Algorithmes de minimisation . . . . . . . e ee e 8. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4. . .2 Graphes de segments : application a la d´ tection du r´ seau routier . . . . . . . . . . . . . . . e 8.2 Equations de diffusion non-lin´ aires . . . . . .2 Pourquoi l’´ quation de la chaleur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8. . . 8. . . . . . . . . . . . . . . . . . . . . . . . . . . . Quelques applications des champs markoviens .6. . . . . . . . .3 Donn´ es incompl` tes .` TABLE DES MATIERES 7. . . . .2. . . . . . . . . . . . . . . . . . . . . . . 7.

.1. . . . . . . . . . . e 11. . . . . . . . . .1 Les filtres a coefficients adaptatifs . . .1. . 10. . . . . . . . . . . . . . . . . . . . . . . . . e e e 10. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10. . .4. .2. . . . . . . . . . . . . . . . . . . .3. .1.3. . . . . . . . . . . . . . . . . . . . . .1 Les traitements photom´ triques ou colorim´ triques e e 10. . . . .8 9. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Algorithme de poursuite 9. . . . . . . .3. . . . . . . . . . . . . . . 10. . . .3 Am´ liorations . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Homog´ n´ it´ . . . . . . . . .2. . . . . . . . . . .4. . . . . . . . . . . . . . . . . . . . . . e 11. . . . . . . . . . . . . . . . . . . . . . . . . . . . 11. .4 Filtrages par equations de diffusion . . . . . . . . . . 10. . . . . . . . . . . . . . . . . . . . . . . . . . .2. . . . . . . . . . . . . . . .2 Filtrage de rang . . . . . . . . . . . . . . . . . .1. . . . . . . . . . .3 Interpolation adaptative .et post traitements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2. . . . . . . . . . .3 Propri´ t´ s . . . . . . . . . 11. . . . . . . .6 Exemples de trames .3 L’extension a 2D . . . . . . . . . . . . . . . . . . . . . e 9. . . . . . . e . . . . . Poursuite adaptative . . . . . . . . . . . . . . . . . .2. . . e´ 10. . . . . . . . . . . . . . . . . . . . . . . . . .5 Algorithme des trames . . . . . . . . . . . . . .2. . ` . . . . . . . . . . . . . .3. . . . . . . . . . . . . . . . . . . . . . . . ` 10. . . . . . . .3 Les filtres adaptatifs . . . . . . . . . . . . . . . . .1 Un mod` le continu de contour. . . . . . . . . . . ` TABLE DES MATIERES . .2. . . . . . . . . . . . . . . 10. . . . . . . . . . .2 Les approches classiques . . . . .5 Les d´ tecteurs par masquage adapt´ . ´ 10. . . . . . . . . . . . . . . . . . . . . .2 Les filtres a fenˆ tres adaptatives . . . . . . . . . . . . 10. . . . . .3 Filtrages morphologiques . . . . . . . . . . . .4 Trame duale . . . . . . . . . . . . e 11. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 10. . . . . . . . . . 9. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ee 9.2 Les d´ tecteurs de gradient par masques . .2 Suppression des bruits . . . . . .3 Les approches analytiques . . . . . . . . e e 11. . . . .1 Interpolation avec des polynˆ mes . . . . . . . . . . . . . . . . . . . . . . . .3. . . . . . . . . . . . . . . . . . . .2. . . . . . . . . . . . . . . . . . . .2. . . . . . . . . . . . . . . . . . . . . . .4 Les d´ tecteurs de passage par z´ ro du laplacien e e 11. . . . . . . . . . . . . . . . . . . e 11. . . . . .1 Motivation . .1 Filtrages lin´ aires . .2. . . . . . . . 11 La d´ tection des contours dans les images e 11. . . . .1 Les d´ tecteurs de gradient par filtrage . . . . . . . . . . . . . . . . . . . . .2 Interpolation par des B-splines . . . . . . . . . . . 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. . . 11. . . ` e 10. . . . . . . . . . . .4. . . . . . . . . . . . . . . . . . .4 Le r´ echantillonnage des images . . . . . . . e 11. . .3 10 Les pr´ traitements e 10. . . . . . . . . . . . . . . . . . . . . . . .3. . . . . . . . . . . .1 Les crit` res de Canny . . . . . . . . . . . . . . . . . . . .3 Pr´ . .3. . . . . . . . . .3. . . . . . . . . . .4 Augmentation de contraste . . . . . . . . . . . . . . . . .2. . . . . . . . . 10. . seuillage . . . . . . . . . . . .1 Lin´ arit´ . . . . . . . . .2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 Binarisation. . . . . . . . . . . . .2 Les filtres de Deriche et Shen et Castan . . o 10. . . . . . . e e 10. . . . . . . . .2. . . . . . .2. . . . 9. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 D´ finition . . . . . . . . . . . . . 9. . . . 9. . . . . . . . . .

.3. . . . . . . . . . .3. . . .4 Les mod` les g´ od´ siques actifs . . . . . . . . . . . e 12. .2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11. . . . . . . . . . . . . . . . . . .2 Mod` les stochastiques . . . . . . .4. . . 12. . . . . . . e e 12. . . . . . . . . . . . . . . . . . . . . . . . . 12. . . e e e 13. . . . . . . . . . . . . . . . . . . . . . . . 13. . e e e 13. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 Analyse ou synth` se . . . . . . . . . . . . . . . . . . . . . . e e e 11. . . . . .1 La croissance de r´ gion . . . . . . . . . . . . . . . . . . . . . . . . . . .5. . . . . 12. . . . . . . . . . . . . . . . . . . . . . . . . . . 11. .1 Distribution al´ atoire ou r´ guli` re ? . . . . . . . . . . . . . . . . . . . . . . . . .1 Une approche physique des contours . . . . . . . . . . . e 12. . . . . . . . .4 Les pyramides . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11. . . .2 Seuillage sans apprentissage . . . . . . . . . . 11. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 Sch´ ma g´ n´ ral . e e e 13. . . . . . . . .5. . . . .4 Variantes autour des filtres analytiques . . . . . . . . .4 Les contours actifs = les snakes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2. . . . . . . . . . . . . 12. . . . . . . . .1 Approche formelle . . . . . . . . . . . . . . . . . . e 12. . . . . . . . . . . . . . . . .2. . . . . . . .2 Les m´ thodes par transformation de r´ gions . . . . . . . . . . . . . . . . 13. . . .5 S´ lection sur histogramme et r´ gularisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2. . . . . . . . . . . . . . . . . . . . ´ 13. . . . . .4. . e 13. . e 13. . .2 Les automates . e 13. .1 Avec apprentissage . . . . . . . . . . . .2. . . . . . . . . . . . . . . . . . . . . .4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3. . . . . . . . . . .1 M´ thodes de recherche dans des graphes e 11. . . . . . . . . . . . . . . . . . . . . . .4 S´ lection sur l’histogramme et dans l’image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 Les ensembles de niveaux (level sets) .2 Les echelles des textures . . . . . . . . . 13. . . . . . . . . . e 12. . . . . . . . . . . . . . . . . .3 Analyse et reconnaissance de textures . . . . . . . . . . . . . . .3 La r´ union de r´ gion . . . . . . . ´ 11. . . . . . . . . .5. . . . .1. . . . . . . . .2 Le partage de r´ gion . . . . . . . .4 Les filtres optimis´ s . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Mise en equation des contours actifs . . . . . . . . . . . . . . . . . . . .5 La poursuite et la fermeture des contours . . . . . . . . . . . . . . . . .3 M´ thodes de classification . . . .1. . . . . e e 12. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 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. . . . .1. . . . . . . . . . . . .3 La d´ tection d’´ nergie dans des canaux fr´ quentiels .1. . . . .1. . . . . .1. .1. . .2 Approches par mesures statistiques . . . . . . . . . . . . . . . .2 Mod` les de texture . . . . . . . . . . . . . . . . .2 Les variantes autour de la formulation de Mumford-Shah 13 Les textures 13. . . . . . . . . . . . . . . . . . . . e 12. .5 L’approche de Mumford et Shah . . .4 La m´ thode MDL = Minimum Description Length . . . . . . .2. . . . . . . . . . . . . .` TABLE DES MATIERES 11. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 Qu’est ce qu’une texture ? . . . . . . 12. . . . .5. . . . . . . . . 12. e . . . . . . . . . . . . . . . . . . . . .1. . . e e 12. . . . . . . e 13. . e 12. . . . . . . . . . . . . .3. . 11.3 Les graphes d’adjacence . . . . . . . . . . . . . . . . . . . . .1 Un mod` le biologiquement plausible . . . . . . . . .1 Les m´ thodes sur histogramme . . . . . .4. . . . .

. . e 14. . . .3 Polygones de Guzman . . . . . . . . . . . . .2. . . . . . . . . . . . . . . . . . . . .2 Repr´ sentations des rotations de I e R .3 D´ tections par TH . . . . . . . . . . . . . . . . . . . e 14. e e .1 Fonction caract´ ristique . . . . .4 Les approches par champs markoviens . . . e 15. . . . . . . . . . . .1 Repr´ sentation par les moments . . . . . . . . e e e e 15. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 13. . . . . . . . .2 Mise en œuvre de la TH . . . .3 Boˆtes englobantes et boˆtes minimales . . . . . . . . . . . . . . . . . . . .5 Les mod´ lisations autor´ gressives . . . . . . . . . . e 14. . . . . . . . . . . . . . . . . . .5 Les m´ thodes structurales . . . . . .1. . . . . . . . . .1. . . . . . . . . . . . . . . . . . . . . . . . . . . ı ı 14. . . . . . . .4. . . . . . . . . . . . .2. ı 14. . 14. . e 13. . . . .7 Transformation de Hough .2. .4. . . . . . . . . e 14. . . . . . . . . . e 14. . . . . . . . . . . . . . . . . e 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 14.3. . . . .6. . . . . . . . . . e e 13. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Exponentielle d’une matrice anti-sym´ trique . . . . . . . . . . . . .1 D´ finition . . . . . . .1 Les angles d’Euler . . . . .1. . . . . .2. . 14. . . . . . . . . . . . . . . . . . . . . . . . . . .7. . . . . . . . . . .3 Expression lin´ aire de probl` mes g´ om´ triques . . . . . . . .5. . . . . . . . . . . . . . .2 Espaces projectifs . . . . . . . . . . . . . . . . . . . . . . . . . .5 Descripteurs de Fourier . . . . . . . . . . . simplification de contours polygonaux .2 La m´ thode de Kervrann et Heitz . . . . .1. . . . . . . . . .4 Chaˆnes de Freeman .2 Description de formes . . . . . . . . . . . .2 Repr´ sentation par les moments invariants . . . . 14. . . . . e 14. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4 Stratification. . . . . . . 14. . 13. 14. . . . .1 Descripteur par tangente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .6 Textures h´ t´ rog` nes . . . .3 Reconnaissance des formes par des chaˆnes de Freeman . . . . . . . . . . . . . . . . . . . . . . . . . . .6. . . . . . . . . . . . 14. . . . . . . . ´ e 15 El´ ments de g´ om´ trie tridimensionnelle e e 15. . . . . . . . . . . . . . . . . . . . . . . . . . .1 D´ finitions . . . . . . . . . . . . . . . . . . . . . . . . . . . 14. . . .6 Approximations polynomiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . et . . . . . . . . . 14. .1 Approximation d’un nuage de points par une droite unique .4. . . . . . . . . . . . . . . . . . . . . . . . . e e 15. . . . . . . . . . . . . . . . . . . . . . . .2 Approximations polygonales. . . .6. . . . .4. . . . . . . . . . . . . . . . . . . . . . . . . . .7. . . . . . . . . . . . . . . . . . .10 13. . . .2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .7. . . . . . . . . . . . . . . . . . . . . . . 14. . . . . . . . . . . . . . . . . . 14. . ee e . . . 15. . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 Forme canonique et th´ or` me de Rodriguez . . . . . . . . 15. . . .3 Approximation par des splines . . . .2 Les propri´ t´ s des chaˆnes de Freeman . . ı 14. . . . . . .2 Repr´ sentation complexe . . . . . . . . .5. . . . . . . . . . . . . . . . . . ee ı 14. . . . . . . . . . . . . . . . . . . . . . .1 G´ om´ trie projective . . . . . . . . .2. . . . ¥ £ ¡ ¤  ¤  ¢  ¥ . ` TABLE DES MATIERES . . . . . . . . . . . . . . . . . . .8 Conclusion . . . . . . . . . . . . . . . . . . 15.1 La m´ thode de Manjunath et Chellappa e 13. . . . . . . . . . . . . . . . . . . . . . .4.1 Espace projectif et coordonn´ es homog` nes . . . groupes de transformations et invariants 15. . . . . . . . e e 15. . . .

. . . . . . . . . . . . . . . .4 L’espace XYZ . . . . . . . . 335 e 16. . . . . . . . . . .1 Formation des images .5 L’espace Lab et le rep` re TLC . . . . . . . . . . .2 Choix d’un espace de couleur . . . .4. . . . . . . . . .3. . .1.3. . . . . 330 16. . . . 325 e 16. . . . . 333 . 305 e 15. . . . . . . . . . . . . . . . .5 La d´ tection des contours des images en couleur . . . . . . . . . . . . . . . . . . . . . . . . . . . 320 16. . . . . . . . . . . . . . . . .2. . . . . . . . . . . . . . . . . . . . . . . . . . . . 335 16. . . . . . . . . . . . . . . . . . . .3. . . . . . 328 e e 16. . . . . . . . . . . . . . . . .3.3 G´ om´ trie diff´ rentielle . . . . . . . . . . . . . . . . . . . . .8 Le syst` me visuel hypoth´ tique . . . . . . . . . .2. . . . . 340 ¥   ? . . . . . . . .4. . . . . .2. . . . . . .2 D´ finition des diff´ rents espaces couleur . . . . . . . . . . . . .10 Les espaces de la t´ l´ vision . .4. . . . . . . . . . 327 16. . . . . . . . . . . . . . . . . . . . . . .2. . . 305 e e e 15. . . . . . . . . . . 331 e e 16. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .` TABLE DES MATIERES 11 15. . . . . . . . . .6 Principales m´ thodes de calcul des courbures . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4. . . . . . . . 324 16. . . .2. . . . . . . . . .4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 Imagerie coh´ rente et incoh´ rente . . . . . . . . . . . . . . . . . . . . . . . . .1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3. . . . . . . . . . . . . . . . . . 330 ee 16. . . . . . . . .7 G´ om´ trie diff´ rentielle dans des volumes num´ riques . . . . . .3 Mod´ lisation de la perception color´ e des images . . . . . . . . .2 Qu’est ce qu’une couleur repr´ sentative d’un nuage ? .9 L’espace TLC . . . . . .4 Une notation fr´ quente . . 311 e 15. . . . . . . . . . . . . . .3 L’espace RVB de la CIE 1931 . 306 15. . .7 L’espace TLS . . . . . . . . . . . . . . . . . . . . rep` re de Frenet . . . . . 309 e 15. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 Les sources de lumi` re . . 333 16. . . . . .2 Interaction mati` re rayonnement . . . . . 308 15. . . . . . . . . . .2.1 Un ordre pour l’espace 16. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 320 e e 16. . . . . . . . . . 337 e 16. . . . . . . . 320 e 16. . . . . 337 A D´ composition en Valeurs Singuli` res : SVD e e 339 A. . . . . . 315 16. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2. . . . . . 315 e e 16. . . . . . .1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 336 16. . . . . . . . . . . . 336 e 16.2. . . . . . . . . . . . . . . .2. . .6 L’espace YC1C2 . . .6 Repr´ sentation par quaternions .2. . . . . . . . . . 339 e A. 327 16. . . . . . . . . . . . . . . . .3 Comment calculer une palette ? . . . . . . . . . . 309 e e e 15. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4 Comment filtrer 2 couleurs ? . . . . . . . . . . . . . . . . . . . . . . . . .2 Lien avec le rang et interpr´ tation de la d´ composition . . . . . . . . . . . . . . .1 D´ finition . . . . . . . . . . . . . . . .1 Trivariance et primaires .2. . . 302 15. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 Normes . .7 Couleur et quaternion . . . . . . . . . . . . . . . . 317 e 16. . . . . . .3.3. . . . . . . . . .3 Courbures sur des surfaces . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4 Les traitements des images en couleur . . . . . . . . . . . . . 339 e e A. . . . . . . . . . . . . . 321 16. . . . . . . . . .1 Courbes. 322 16. . .2 Courbes sur une surface. . . . . . . . . . . . . . . . . formes fondamentales . . .5 Interpr´ tations g´ om´ triques . . . . .4. . 313 e e e e 16 Formation de l’image et couleur 315 16. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4 Quaternions . . .

. . . e e B. . . . . . . . . . . . . . . . . . .2 Pseudo-inverse . . . . . . . . . e e e C Optimisation sous contraintes 345 C. . . . . . . . . .1 Conditionnement d’un syst` me lin´ aire non singulier . . . . . . . . . . . . . . 345 ´ e C. . . . . . . . . . . . . .3 Solutions robustes d’un syst` me lin´ aire. . . . . . . . . . . . B. . . . . . . . . . . . . moindres carr´ s . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 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. . . . . . . . . . . . . . . . . . . . . . . . . . .1 Contraintes egalit´ s . . . . . . . . . .2 Contraintes in´ galit´ s . . . . . . . . . .

1). La lin´ arit´ des capteurs d’image est tr` s souvent m´ diocre. ind´ pendamment e e e e de leur usage futur. e 10. 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. en pare e e ticulier pour la restauration puisque c’est l’un des premiers pr´ requis des approches. 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.1. Mais il peut egalement provenir d’un eclairage in´ gal de la surface ´ e ´ ´ e a analyser. ` Avec des capteurs en ligne (comme on en trouve par exemple en t´ l´ d´ tection ou sur les scanneurs de docuee e ments).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. chapitre 5). les d´ fauts d’homog´ n´ it´ apparaissent sous forme de train´ es. 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. Si le capteur est lin´ aire (au sens de la section 10. C’est particuli` rement vrai e ¸ e e e e e pour les films et pour les tubes vid´ o. puis correction en associant e ´e une table de transcodage a chaque cellule. On sait pourtant que cette lin´ arit´ est indispensable pour un grand nombre de probl` mes. 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.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. pour leur assurer une bonne qualit´ . le calibrage ` e 209 . ` e 10. 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. 1997].1. Corriger une non-lin´ arit´ est une op´ ration simple lorsqu’il n’y a pas de saturation e e e e du capteur. Les capteurs solides (CCD par exemple) leur sont sur ce point tr` s sup´ rieurs e e e [Marion. 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.1. Elles concernent donc essentiellement les corrections de e contraste et la suppression du bruit. qu’elles soient analytiques ou e alg´ briques (cf. 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).

LES PRETRAITEMENTS Pour les capteurs bidimensionnels (films. 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). 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. 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 % ! &#$"§ %# ! &0)§ ''  © b Y  ca `B© ' 0 ' La surface de est d´ not´ e par et celle de par . fortement variable. en particulier pour corriger les d´ fauts d’´ clairement. e e e e e e e Les corrections par moyenne constante remplacent l’image par une image corrig´ e e qui v´ rifie : e avec une moyenne locale calcul´ e dans un voisinage e autour de : et sont les variances de sur et . par exemple en raison d’un eclairage peu uniforme. e e Les corrections par contraste constant cr´ ent une image e % ! &$" %# !§ 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 . on peut par exemple approcher celle-ci a l’aide d’un polynˆ me d´ pendant ` o e des variables d’espace. l’erreur : On obtient un syst` me de taille e avec pour inconnues les . 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. par rapport aux o . Si le signal d’int´ rˆ t est faible autour de la valeur ´ ee moyenne du signal. Il se met sous la forme : o` u est le vecteur des coefficients inconnus . proc` de par subdivision e e e e e du champ de facon a rechercher des statistiques constantes dans le champ de l’image. mais la formule n’est plus alors ` directe. 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. On peut imposer a l’image d’avoir une moyenne et un contraste constants.210 ´ CHAPITRE 10. 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 . 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. Homog´ n´ isation par subdivision du champ e e Une m´ thode souvent employ´ e.

Les plus utilis´ s sont les ¸ ` ee e histogrammes plats et hyperboliques (nous avons vu une telle transformation au chapitre 2) [Bovik. puis les m´ thodes non-lin´ aires. 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. ´ ` e e Exp´ rimentalement ces filtres ne sont pas tr` s bons (cf. mˆ me dans des zones de fort contraste (par exemple Dorst). Zamperoni. Complexit´ des filtres lin´ aires e e La complexit´ des filtres lin´ aires est g´ n´ ralement en e e e e . Ces m´ thodes proc` dent ` e e de trois facons diff´ rentes [Pratt.2.2. Nous verrons tout d’abord les approches lin´ aires..1. Par etirement d’histogramme : on cherche a exploiter au mieux la dynamique de l’histogramme. on recherche des filtres passe-bas. 1978.4 Augmentation de contraste Une famille de traitements a pour objectif de donner a l’image un plus grand contraste.1 Filtrages lin´ aires e Le cas d’un bruit multiplicatif est beaucoup plus difficile. 2001].1. § %# ! 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¢ . ee 10. Ils sont trait´ s plus compl` tement au chapitre 12 et dans les ´ e e e r´ f´ rences [Sahoo et al. Les plus utilis´ s sont le filtre de moyenne (sur de e e petites fenˆ tres de e ou pixels) et le filtre gaussien. 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). 1996] : ¸ e 1.1) car ils d´ gradent consid´ rablement les e e e e contours et rendent l’image floue. e e e ` ` Nous ne les evoquons ici que par souci d’exhaustivit´ . et en l’absence de toute autre information..10. figure 10. Un point d´ licat de ces m´ thodes est de d´ finir le gabarit du filtre utilis´ . 1988. 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. mais aussi en e modifiant l’histogramme de facon a le transformer en un histogramme de r´ f´ rence.5. 2000].2 Suppression des bruits C’est l’un des sujets les plus d´ licats du traitement des images. 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. Il est par exemple trait´ dans le cas de l’imagerie radar e [Maˆtre. 1998]. Il a vu couler beaucoup d’encre et de nome breuses m´ thodes lui ont et´ consacr´ es. Par des m´ thodes locales : ces m´ thodes modifient localement l’histogramme pour conserver toujours une e e bonne dynamique. ce qui est subjectivement d´ sagr´ able. mais progressivement de plus en plus come ´e e e plexes. SUPPRESSION DES BRUITS 211 10. seuillage Ce sont des cas extrˆ mes de pr´ traitements qui ram` nent l’image a deux ou a quelques niveaux seulement. on suppose le signal stationnaire. et on adopte donc souvent une approche par filtrage lin´ aire. tout d’abord ´ ` en utilisant toute l’´ chelle de gris ou de couleurs disponible (par une table de transcodage). 2. tout d’abord tr` s intuitives. e eliminant les variations a tr` s haute fr´ quence du signal.3 Binarisation. e e e 10. Intuitivement. Cham et al. e e e e e 3. 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. e e e 10. ı Dans les conditions les plus simples.

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)

¡

Le maximum est proche de  ¨ ¡ % !       C   ¨ ©      ©  § ¨ '¦  © 3 ¡ . A droite.4 – Filtrage par Diffusion Anisotrope : image originale bruit´ e (` gauche) et deux filtrages par 15 et 80 e a it´ rations avec e . sous-classe des signaux TV. on recherche la meilleure solution au sens de l’erreur quadratique moyenne. ¤ ¡   % (10.10. 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 : . D’un int´ rˆ t particulier sont les filtres qui garanee ee tissent une invariance du traitement par changement de contraste. 1994].16) . c’est-` -dire a contrainte sur la ` e a ` variation totale [Rudin et Osher. Filtres de courbure moyenne On a egalement vu au chapitre 8 que plusieurs autres formes avaient et´ propos´ es pour les filtres par E. mais celle ci conduit a des solutions souvent difficiles a ee ` ` mettre en œuvre.. variation du produit en fonction de . 10.. Cet argument a et´ poursuivi dans [Rudin et al. pour le cas % F IG .    ¨b  ¨ v   ¨ t a   Q ¦ W„ §¥ ¡ ¢  ¥ # §  de la gaussienne. On pr´ f` re parfois la norme . SUPPRESSION DES BRUITS 215 gaussienne 1/(1+x**2) F IG . ´ ´e e pour garantir la conservation de certaines propri´ t´ s des images.3 – A gauche. 1992] : ` Filtrage a Variation Totale Dans la plupart des approches de filtrage.D. 1992b] pour proposer un filtrage dans la classe ´e des signaux a variation totale born´ e (ou signaux BV). 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.P.2. 10. C’est le cas des filtres de courbure moyenne (ou mean curvature equation) [Kimia et al.

on minimise : ´ CHAPITRE 10.3. on filtre progressivement l’image d’origine. On s’en convaincra en notant l’identit´ des e ` e et le membre de droite est multipli´ par e . 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. dans le cas o` ´ u 10.16 et 10. 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. 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. equations 10.20. il calcule une moyenne des pixels de la fenˆ tre. LES PRETRAITEMENTS Ces deux contraintes sont des hypoth` ses sur le bruit (valeur moyenne nulle et ecart-type fix´ ). Filtre de gradient inverse Il est appel´ egalement filtre .1 Les filtres a coefficients adaptatifs Ces filtres s’inspirent des filtres de moyenne. comme condition aux limites ¥ ¥ . On peut egalement interpr´ ter e ı e ee e ´ e ces deux filtres comme des filtres de diffusion isotrope mais adaptative.3 Les filtres adaptatifs ` 10. sous ce formalisme. sous les contraintes : e % ! @ 9 Q Q£  £ ¤ ¤   F ¤ (10. 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. Le sch´ ma donne e e des r´ sultats assez semblables a ceux du filtre de courbure moyenne.216 Ainsi. e ´ e Ces relations conduisent aux equations d’Euler-Lagrange : ´ avec une valeur de donn´ e par : e Selon cette m´ thode.20) . pond´ r´ s par l’inverse de leur e´ e ee gradient.

3. toutes de 9 pixels. On d´ finit 9 fenˆ tres possibles (cf. Il conduit a de bons filtrages respectant bien les contours e e ` [Saint-Marc et al.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 . e e ¤ x ¤ £$ ¡ © $ ¨ ¤ § 3  © $ ' 4 © ' ' ( ")# (    §  $   ¡ % % ¦ ¦ ¡ )"# § C  TB©   ¡ # $'  & . e Filtre de Wu : filtrage par fenˆ tre maximale e Il proc` de par croissance de r´ gion [Wu et Maˆtre. ı e o Filtre de Nagao entourant le pixel Dans l’approche de Nagao [Natsuyama. chapitre 12. e e e e a ´e ` 10.2). On attribue alors la valeur du niveau de gris du point a minimum local. 1992]. on travaille sur une fenˆ tre de taille e central (qui appartient a toutes ces fenˆ tres). 4 de la fenˆ tre au centre et la fenˆ tre de droite. soit en faisant croˆtre une fenˆ tre et en contrˆ lant la croissance (cas du filtre de Wu). Puis. et tous ces points sont marqu´ s afin e e de n’ˆ tre plus trait´ s. figure 10. autour de chaque pixel. Il utilise un pr´ dicat d’homog´ n´ it´ sur une r´ gion e e ı e e e e e (cf.10. Sur chaque fenˆ tre on mesure la moyenne e e et la variance des niveaux de gris. On choisit alors de remplacer le pixel central par la valeur moyenne de la fenˆ tre dont la variance est la plus faible. 1989]. a partir d’un point non d´ j` parcouru. c’est souvent une mesure de la variance (ce peut etre le coefficient de variation ˆ £ ¤ ¢  x ¤   c¤ x F IG . 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. On r´ p` te ce traitement jusqu’` ce que tous les points aient et´ parcourus [Fairfield. Tous les points du chemin parcouru sont mis au mˆ me niveau. Toboggan de Fairfield Il agit de facon tr` s diff´ rente des pr´ c´ dents. mais la pond´ ration est exponentielle n´ gative : e e 217 Son action est plus nette que celle du pr´ c´ dent. 2. 1979].. 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). 10. 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.2 Les filtres a fenˆ tres adaptatives e Dans le cas de filtres a fenˆ tres adaptatives.3. ` e e e identifi´ es par un indice . la fenˆ tre la plus adapt´ e au ` e e e filtrage.5). Cela se fait de deux facons : ¸ 1. section 12. on recherche. LES FILTRES ADAPTATIFS Filtre de Saint Marc Il repose sur un principe assez semblable. On trace tout d’abord une carte du gradient. 1990].

A gauche. ´ 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 remplace le point initial par la moyenne sur la plus e ı grande fenˆ tre obtenue (cf. On part d’une zone de taille . on croˆt ı oe ee e oe ee e ı selon un triangle. e e ` A droite. permettant d’effectuer des sommations finies et non infinies. Si 2 cˆ t´ s adjacents sont h´ t´ romog` nes. on convole la fonction initiale 1 par un noyau : ¤ y¤ x ©   ¢ e¢ x ©  B© ! )§ §   © ¥ © !§ "  © ! )§ ¡     x    ¦ .6 – M´ thode de Wu. 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. chapitre 3).4.4 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.1 Interpolation avec des polynˆ mes o ce qui s’exprime dans l’espace de Fourier par : ¦  §© la consid´ rons ici monodimensionnelle pour simplifier. figure 10. ou en imagerie m´ dicale pour ee e ee e aligner les images sur les rep` res anatomiques). 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. 10. passage d’une fenˆ tre a la suivante dans le cas d’une croissance isotrope. 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. ¸ ` ´ e enfin on echantillonne cette image aux points que l’on d´ sire connaˆtre. si elle est homog` ne on l’´ tend a une fenˆ tre e e ` e puis en lui ajoutant des couronnes successives. etc. 1 Nous ©  et etant les TF de ´ ¨ et .) qui n´ cessitent que l’on trouve des solutions de remplacement. 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. Si elle n’est pr´ sente que sur un cˆ t´ de la fenˆ tre. e e Cela se fait en combinant reconstruction et filtrage en un seul filtrage. e F IG . souvent polynomiales. e ¡   ¢C 10. Si le pr´ dicat n’est plus v´ rifi´ . % ! "§ Q © % 3 ! "§  © © %§ ) §  © § £ £ ¤F % !§ ) Dans ces approches. la croissance ne se fait plus que selon un triangle. s’il y a un contour dans le plan inf´ rieur droit. Lorsque la fenˆ tre ne peut plus croˆtre. place m´ moire. pour les fonctions bidimensionnelles il convient g´ n´ ralement de faire le e e e produit d’un polynome en par un polynome en . on e e e e e reconstruit tout d’abord le signal continu dont cette image discr` te est issue.218 ´ CHAPITRE 10. on recherche la cause de e e e l’h´ t´ rog´ n´ it´ .6). 10. LES PRETRAITEMENTS pour une image de radar). 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.

1988]. sont souvent utilis´ es : e Interpolation au plus proche voisin : Interpolation lin´ aire : e § Interpolation quadratique : Plusieurs formules ont et´ propos´ es. 1999.2 Interpolation par des B-splines Les B-splines forment egalement une famille de polynˆ mes int´ ressants [Unser et al. 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. 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  $©     .4. LE REECHANTILLONNAGE DES IMAGES L’interpolation id´ ale est obtenue pour : e 219 Mais d’autres interpolations. plus rapides.. Celle de [Dodgson.4. Ainsi : ©  £¡ ¥ 5)   3  2  ¥ ¦ b f Ab b b !"§ 7 ¤2© !)§ 7 2© ¦ )§ 7 ¤ ¤ ! © © © ! ¤ ! )§ 7 2© )§ 7 ¤ © £¡ ¢  §    © © ¥ 6 ! 7 )§ ¤ g© 3  ¥    ¦5) ¥ ¡ #$© §   4  B© w ! "§ ¤  $  ¦  ¥   © !)§ ¤ © £ ! )§ ¤   !32  ) ¡   3 & '  C © §  @ A 8@ CB9 & # La valeur est souvent retenue. 1993a. 2000]. Unser.´´ 10. ´ 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.

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).33) % ¦ ¡ ¡ ¢¨ !§ "B¤   ¦ $  B© A ¥ ! &§ ¥ A © i& $f (10.. Les coefficients de la matrice sont les valeurs des aux nœuds du maillage. 1993b] jusqu’` l’ordre 7.. chapitre ´ e` 5) (invariante par translation le long de ). LES PRETRAITEMENTS La fonction d’ordre 0 est d´ finie par la fonction porte : e . les . par filtrage (c’est-` -dire par convolution) [Goshtasby 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. 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.. 1993b]. e e qui passent exactement par tous les points de l’´ chantillonnage. on est alors amen´ a inverser une matrice Toeplitz (cf. Leurs TF s’expriment simplement par : a Lorsqu’on interpole un signal dans l’approche par splines.34) © &§ E . e ˆ e e Unser et al. e 2. on choisit g´ n´ ralement des splines interpolantes.220 ¦ ¨ ´ CHAPITRE 10. 1993a. ¨ ©§ © © ¨ ©§ § & § 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 (10.34 liant les coefficients inconnus des splines aux coordonn´ es et e e e e aux amplitudes connues des echantillons . par r´ solution du syst` me d’´ quations 10. ou on les reproduit selon une e e e e e e sym´ trie miroir. Les inconnues. ils sont au nombre de . 1990] : a Pour cela. e On choisit donc g´ n´ ralement de r´ p´ ter les premi` res et les derni` res valeurs. et les diverses fonctions sont explicit´ es e dans [Unser et al.. ´ e On peut calculer les approximations par splines de deux facons : ¸ 1. et non des splines approximantes qui passent au e plus pr` s d’un ensemble de points.

3 Interpolation adaptative Des m´ thodes compl` tement diff´ rentes des pr´ c´ dentes effectuent des interpolations adaptatives.4. 1998] s’appuient sur des d´ compositions fractales qui permettent de e e retrouver les propri´ t´ s fines . chapitre 3). LE REECHANTILLONNAGE DES IMAGES 221 ` A deux dimensions.mais pr´ sentes a travers la pyramide d’hoee e e e ` moth´ tie interne (cf. l’interpolation spline se d´ duit du cas monodimensionnel par produit tensoriel de l’intere polation en et en (´ quation 10.´´ 10. e D’autres m´ thodes [Calle et Montanvert.filtr´ es par l’´ chantillonnage original . e ©' & ©3 )%§  ¤ © ©3 )!§  ¤ © ' & # & § f & ¡ ¢¨   ¦ ¡ $ ¢¨ $ ¦  © %# ! 10"§ E % ! (10.33) : e 10. dans le but e e e e e de pr´ server les objets pr´ sents dans la sc` ne et leurs contours en particulier.40) . Un exemple de telles techniques est e donn´ par [Karabassis et Spetsakis.4. Ces techniques contrˆ lent souvent e e e o l’interpolation par une d´ tection de contours ou une segmentation de l’image. 1995].

222 ´ CHAPITRE 10. LES PRETRAITEMENTS .

Enfin les techniques fond´ es sur le principe des contours actifs de Kass. 1986]. Une approche plus analytique. e e Nous pr´ senterons tout d’abord une approche formelle (mais malheureusement st´ rile !) de la d´ tection des e e e contours. 11. Dans les ann´ es 80. ils sont bien loin de la r´ alit´ . Witkins et Terzopoulos e e seront pr´ sent´ es. Plusieurs articles existent sur la comee ` e paraison des performances de d´ tecteurs de contours. puis les m´ thodes empiriques encore utilis´ es seront vues dans la partie 2. 1985]. Une excellente e e r´ f´ rence a ce probl` me est l’ouvrage collectif [Cocquerez et Philipp. Nous terminerons par une br` ve e e e pr´ sentation des m´ thodes de poursuite et de fermeture des contours. e e propos´ e par 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.. sera ensuite pr´ sent´ e. soit convoluaient l’image par des masques caract´ ristiques des contours e [Haralick et Shapiro.. avec ses d´ riv´ es qui sont aujourd’hui les plus employ´ es en raison de e e e e e e leur efficacit´ . ainsi que les approches par ensembles de niveaux (level sets). 1996]. e e e e comme ceux pr´ sent´ s sur la figure 11.1 .1 – Quelques mod` les de contours. puis Canny [Canny. 1986]. De plus. e marche d’escalier rampe toit F IG . ce qui rend ces techniques encore peu efficaces sur un probl` me concret. Heath et al. Le plus utilis´ est celui en marche d’escalier. Ces travaux ont abouti a une bonne compr´ hension de ce qu’il faut faire pour d´ tecter les contours. 1996. Les seuls mod` les de contours utilisables sont ceux de contours id´ alis´ s. pour obtenir des contours plus significatifs.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. 1980]. 1997]. soit estimaient un gradient. e e 223 . 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. C’est pourquoi. mais la d´ finition mˆ me des ` e e e e contours demeure tr` s vague. mˆ me si de tr` s gros e e e e e e progr` s ont et´ accomplis dans ce domaine. en particulier [Palmer et al. des approches plus syst´ matiques ont et´ mises en place par Marr e e ´e [Marr et Hildreth.

3)  . Ce rep` re est tourn´ d’un angle par rapport au rep` re e e e : (11. On proc` de alors en e e ˆ e a e deux etapes : on calcule tout d’abord le gradient. mais on peut egalement prendre des polynˆ mes de faible degr´ .2).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 : (11.1 Un mod` le continu de contour.224 ´ CHAPITRE 11. e  %# !§ &0) ¥¦ Dans une image suppos´ e continue e fortes variations de . On a beaucoup utilis´ pour cela la e e gaussienne. Un point de contour v´ rifie donc . 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.2) (11. figure 11. LA DETECTION DES CONTOURS DANS LES IMAGES 11. un contour apparaˆt comme une ligne o` sont localis´ es les tr` s ı u e e 3  (11. ´ 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. puis on recherche les extr´ mums dans la direction du gradient.4) et les equations 11. ´ o e On peut egalement se placer dans les axes locaux d´ finis par la tangente et la normale a la surface ´ e ` (cf. 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.

La somme des connaissances sur ce sujet se trouve dans [Torre et Poggio.3.1 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). 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. 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. ee e e e 11. 11. 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).2. 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). 1986]. Bien que certaines soient encore r´ guli` rement employ´ es.   £  ¡£ ¥ £ £ ¦  % £ £ ¥ ¥ ¥ ¥ ¥     £ £¡ £ ! £   ¥ ¥ ¥ ¥       £ £  £ ¡  ¢       ¡#  ¦ (11.2 – Rep` re local d´ fini par le vecteur normal et le vecteur tangent a l’image. LES APPROCHES CLASSIQUES 225 y t g Φ x F IG .11. e e ` Cette equation n’est pas plus simple a r´ soudre que la pr´ c´ dente.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. 1977.2. e e e e ¸ e Shanmugam et Green.5) . un lecteur int´ ress´ par les techniques plus e e e e e actuelles pourra se rendre directement a la section 11. ` 11. 1979]. celle-ci etant calcul´ e de diverses mani` res.

ils sont egalement centr´ s sur un pixel et non entre des pixels (filtres a phase nulle). Le produit du masque par les valeurs des pixels correspondant etant fait. des filtres de d´ rivation plus empiriques ont et´ oe e e e ´e e e . la constante de la loi exponentielle de l’auto-corr´ lation de l’image (cf.1. 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. 11. 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).2 Les d´ tecteurs de gradient par masques e A cˆ t´ de ces approches tr` s inspir´ es du traitement du signal.4. Les ` e e filtres les plus utilis´ s sont. 11. Puis le ´ masque est tourn´ de e autour de son centre et la mˆ me mesure est r´ p´ t´ e.3) appliqu´ s sur des fenˆ tres de e e pixels ou pixels (exceptionnellement. Comme un tel filtre ne filtre que du coin sup´ rieur gauche au coin inf´ rieur droit. 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). et . en cas d’images tr` s bruit´ es. 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 . ou selon la formule e approch´ e (en norme ). et que les coefficients sont anti-sym´ triques. sur des fenˆ tres plus grandes). on lui associe e e les 3 autres filtres obtenus par rotation de . LA DETECTION DES CONTOURS DANS LES IMAGES Ainsi. au point central pour les filtres ). Dans la pratique pour assurer des temps de calcul raisonnables. chapitre 2) et la e puissance du bruit. Modestino et Fries ont propos´ de d´ tecter les contours par un filtrage de Wiener. Par rotation de e 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 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 : .3 – Quatre filtres de d´ tection de contours par estimation du gradient. figure 11.226 ´ CHAPITRE 11. 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). mais les images ainsi obtenues sont g´ n´ ralement plus fiables et permettent des post-traitements ´ e e plus pouss´ s. la valeur absolue de la somme est retenue. on choisit des filtres d’ordre 1 ( ).2. 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 ¨ . 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). pour obtenir un filtre final. on calcule la seconde d´ riv´ e. 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 . Les filtres repr´ sent´ s estiment une e e e seule d´ riv´ e. un peu plus rapide a calculer : e ` § On peut egalement mesurer l’orientation ´ deux filtres comme dans l’´ quation 11.

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

LA DETECTION DES CONTOURS DANS LES IMAGES etapes seront vues plus en d´ tail plus loin. Mais l’estimation de la d´ riv´ e seconde etant tr` s sensible aux bruits. il convient de filtrer tr` s fortement e e e ´ e e l’image avant d’en mesurer le laplacien.5) qu’en l’absence de forte courbure. ´ e 11. puis d´ tection des z´ ros de la fonction ainsi obtenue. e e e b ¡ #£  £ % ¡ ¥ ¥ b Wv   £  £ ! ¥ © ¥  t ¡£% © £  ¥ ¥    ¨  £¦ ¤¨ ¡ ¦ ¡ ¨ # # £ £¥   ! ¥  E XE ¡ £% #  £ ¥ ¡ ¢ E ¥   £ ¨ ! £¥   ¥     4f  ¦ ©   E¦Q ¦ ¡# 4 (    .5). 1980]. 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). Il en est de mˆ me du r´ seau des lignes de e ´ e e crˆ te du gradient. 1980]. equation 11.228 ´ CHAPITRE 11. e e F IG .6. 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.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. 11. 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 11.5 – Filtre LOG pour deux valeurs diff´ rentes de . 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. en principe. 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. Nous avons eu l’occasion de voir (cf. Un autre filtre tr` s utilis´ et tr` s proche du LOG est le DOG (Difference of Gaussians) (figure 11. Cela conduit au filtrage suivant : o` u est un filtre passe-bas . les etapes de poursuite et de fermeture). 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. 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. Elles ont eu une grande importance hise ´e e torique. e Les filtres les plus utilis´ s pour ces filtrages passe-bas sont les filtres gaussiens [Marr et Hildreth.2.

noyau autoe e e reproducteur. L’approche par masques adapt´ s (template matching). e 11. Les filtres adapt´ s les plus utilis´ s sont le filtre de Kirsch (cf. en parall` le.2) et les boussoles directionnelles de Prewitt (cf. approximation par des splines. on calcule par exemple : pour toutes les valeurs de . le filtre de Nevatia et Babu (cf. ainsi que les post. etc. Sa mise en œuvre peut tirer profit des diverses qualit´ s de la gaussienne : s´ parabilit´ . 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). 11. e ı e elle permet egalement de soumettre. ces calculs a des architectures adapt´ es. Mais la qualit´ des ´ e ` e e contours. £ §¡  ¦© %# ! &$"§ £$ ¡ %10)§ # ! # § $ ¡ © &%$"! ¡    ¨ @ 9 © #    ¨ @ 9 B© 1%0"!§ £  ¡    ¨ @ b @ ¡ @   @ ¢   @   @ @ ¢ @     @ @ ¢ 9   ¢ ©  5© %# ! 10)§ %# ! &0)§ $¡ & $ ¨ @ A 8@ CB9 & © %# !§ 10" . ce qui permet d’en acc´ lerer la o e r´ alisation. e Dans des approches tr` s sommaires.11. filtre Dog filtre Log F IG . n’ont plus aujourd’hui qu’un int´ rˆ t historique.3).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. le DOG est parfois remplac´ par le DOB (Difference of Box). et le gabarit .6).1). C’est par exemple l’inverse du produit scalaire des deux fenˆ tres : si l’image est d´ not´ e e e e e . Pour cela.6 (pour simuler au e e ´ mieux le syst` me visuel). on d´ finit une distance entre un contour type et ` e une fenˆ tre de l’image. limite de suites de polynˆ mes. 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.5 Les d´ tecteurs par masquage adapt´ e e Dans ces techniques. tableau 11. 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). e e e e Les filtres LOG et DOG. permet de connaˆtre ais´ ment la direction du contour. LES APPROCHES CLASSIQUES 229 qui proc` de par diff´ rence de deux gaussiennes dont les ecarts-type sont dans un rapport 1.2. On ne conserve que la meilleure des valeurs et seulement si elle est suffisamment faible.2. tableau 11.. Les r´ sultats e e e e e de ces filtres est cependant g´ n´ ralement de pi` tre qualit´ .6 – A gauche : filtre DOG et les deux gaussiennes dont il est la diff´ rence (leurs ecarts-types sont dans un e ´ rapport 1. On leur pr´ f` re les filtres analytiques ee ee que nous verrons plus loin. A droite filtre LOG et filtre DOG compar´ s. e e tableau 11.

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´ . . e ` 11. ¡ Au-del` de ces approches souvent heuristiques. 1986] a propos´ un filtre d´ termin´ analytiquement a partir de 3 e e e ` crit` res : e 1. Hueckel a propos´ une d´ marche beaucoup plus rationnelle. 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. Canny. c’est-` -dire une r´ ponse forte mˆ me a de faibles contours. On les voit emerger dans e ` e e e ´ les ann´ es 85. Malheureusement les r´ sultats n’ont pas et´ au niveau des investissements et cette voie est maine ´e tenant abandonn´ e. par exemple. 1971].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 .1 Les crit` res de Canny e Canny. 1986.2 – Masques de Babu et Nevatia : il y a 12 filtres issus de ces 2 fenˆ tres par rotation. la premi` re de e e la seconde de . on note que le filtre reste lin´ aire. 3. a partir des travaux : [Torre et Poggio. 11. 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 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 .1 – Masques de Kirsch : il y a 8 filtres issus de ces 2 fenˆ tres par rotation de e ¥ .3. e e a la troncature des filtres). mais que le crit` re d’optimisation est plus complet. . assurer que pour un contour il n’y aura qu’une seule d´ tection (´ viter les effets de rebonds dus. e 11. ! Q © ! Q &© ! )§ £ ! "§     £ © £7 £ % ! )§ ¢ ¢   ¥  ¡        ¦ f ¦ ¦£¦ Q ¦      ¥ . 11. Shen et Castan. tronqu´ e a ses 8 premiers termes o e ´ e ` [Hueckel. garantir une bonne localisation. e a e e ` 2. 1986]. 1986. e e e e e  ¡ ¥ ¡ TAB . dans une approche originale. [Canny. garantir une bonne d´ tection.

qui r´ pond exactement aux mˆ mes crit` res ee e e e e de qualit´ que celui de Canny. Ce filtre donne des r´ sultats de e e bonne qualit´ . celui-ci a alors une expression complexe. Remarquons cependant que le filtre gaussien n’est pas RIF. 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 ). 11.11. 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© ¨ ! )§ ¢ #   . 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. 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. Canny e ¸ e montre que la d´ riv´ e d’une gaussienne est une bonne approximation de son filtre. Le param` tre de Deriche repr´ sente e e alors l’inverse de l’´ cart type de la gaussienne du filtrage de Canny ( e ). 1987]. Le crit` re de Canny (crit` re e e e ) vaut 1. compos´ e de 4 termes. Le filtre de Deriche s’´ crit de e facon r´ cursive en fonction des valeurs ¸ e de l’image.2 Les filtres de Deriche et Shen et Castan Au filtre de Canny.3.97 pour le filtre gaussien.12 pour le filtre RIF optimal.3 – Masques de boussole directionnelle : il y a 8 filtres issus de ces 2 fenˆ tres par rotation. Il a pu donc e e e etre synth´ tis´ de facon r´ cursive particuli` rement efficace [Deriche.3. 0. 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). e La r´ solution du syst` me est assez complexe (on maximise le produit e e sous la contrainte du terme constant). mais qui poss` de une r´ ponse impulsionnelle infinie (filtre RII). on pr´ f` re souvent le d´ tecteur de Deriche. a r´ ponse impulsionnelle finie (RIF) . ` 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. LES APPROCHES ANALYTIQUES 1 1 -1 1 -2 -1 1 1 -1 1 -1 -1 1 -2 -1 1 1 1 231 TAB . Canny souhaite obtenir un filtre monodimensionnel (dans la direction orthogonale au contour). 11. Par ailleurs.

on utilise. le filtrage 2D est donc obtenu par l’action de deux filtres crois´ s. e l’un en . lorsque l’on a choisi le gabarit du filtre dans la direction perpendiculaire e au contour.3. Demigny a etendu les crit` res d’optimalit´ des filtres de Canny a des images e ´ e e ` discr` tes. Dans [Demigny et Kaml´ . l’autre en . donne une localisation tr` s pr´ cise des contours. afin de mieux int´ grer le signal. 11.3 L’extension a 2D Tous ces filtres sont mono-dimensionnels. LA DETECTION DES CONTOURS DANS LES IMAGES Derivee de gaussienne Le filtre de Shen et Castan [Shen et Castan. en raison de sa forme a l’origine.    ! "§ % ¨ £s © ! "§ 3 © % ¨ C  ©  ! "§ ! )§ %# ¨ ¨ s   ' !§ )¥¨  © sf 3 s ! 3  ¡  © %# ! 10)§  5© ! ! "§   % ¨ % ! . 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. 1997]. 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. mais ` e e il est sensible aux bruits.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 © . 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. dans la direction du contour. e ´ ` ` 11. 1986] poss` de egalement de tr` s bonnes qualit´ s de d´ tection. Pour d´ finir l’un de ces deux filtres. Il les a ensuite etendus a des profils en rampe et non plus en marche d’escalier. Les seules fonctions s´ parables et isotropes sont les ` e e ¡ F IG . une fonction de prolongement e qui permet de filtrer les bruits. 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.232 ´ CHAPITRE 11. 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.

un filtre de d´ tection se compose e e de deux estimateurs de d´ riv´ es. 11. .8). ´ e e 11. l’un selon e e . ) En conclusion. dans une approche moderne de la d´ tection des contours. LES APPROCHES ANALYTIQUES 233 fonctions gaussiennes. selon . l’autre selon .3. L’un de ces d´ tecteurs (choisissons celui e selon ) se compose du produit de 2 fonctions : c’est une fonction passe-bas.d´ riv´ es sont typiquement issus de la gaussienne (Canny). et on cherche pour filtre une spline cubique de forme e % ! F IG . mais r´ sultats d’optimisations diff´ rentes. figure 11.4 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. 1986] : On modifie le crit` re de Canny. Des travaux importants ont et´ consacr´ s a la r´ duction de cet effet e ´e e ` e [Kunduri et al. c’est un d´ rivateur (ici e ).. Selon   !   ! § A¦ ! ! ©  3 b ¡ ¥ %   ¡ ¡ !   !   % § X¦ ! ©  3 ¡   % !     !   le filtre est un . ´ ` – selon c’est une fonction passe-haut (anti-sym´ trique). e e e e e Les couples fonctions de prolongement .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 . (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 . souvent egale a la d´ riv´ e de la pr´ c´ dente. la mise en œuvre discr` te du filtre sur e e une maille carr´ e rend les filtres anisotropes.11. sym´ trique. e mais on peut egalement les concevoir tr` s librement pour une application sp´ cifique. Mais mˆ me si l’on utilise des filtrages gaussiens. de e e l’exponentielle d´ croissante (Shen et Castan) ou du produit de l’exponentielle par (Deriche) (cf. ont et´ propos´ s e e ´e e dans : – [Spacek.3.

11. 1991] : On consid` re alors que le contour est egalement le r´ sultat d’un flou. introduite par l’utilisateur pour traduire les contraintes sp´ cifiques du probl` me qu’il se ´ e e pose. qui est contrˆ l´ par l’´ lasticit´ que l’on attribue au contour). e e Une excellente comparaison et analyse des filtres de d´ tection des contours est donn´ e dans [Cocquerez et Philipp. 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. 1991] : On modifie dans ce cas les crit` res de Canny. ce n’est e ´ e donc plus une marche. 1988] (voir aussi [Blake et Isard. e e e – [Sarkar et Boyer. Il s’agit d’une m´ thode semi-interactive dans laquelle l’op´ rateur place dans l’image. 1990]. e e Le second terme d’´ nergie : e caract´ rise les lignes que l’on souhaite suivre. 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 ¥ ! .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. section 11. en fonction d’une variable e e e e g´ n´ ralement l’abscisse curviligne : e e (11. e Voir par exemple [Fua et Leclerc. ce sont des lignes de fort gradient.6) o` : u – la premi` re d´ riv´ e prend en compte les variations de longueur de la courbe. au voisinage de la e e forme a d´ tecter. 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). on adopte une approche variationnelle e et on choisit la repr´ sentation r´ cursive d’un filtre RII comme Deriche. Ces deux termes agiront donc pour produire une courbe r´ guli` re (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.9). Sous ces energies. Cette ligne sera amen´ e a se d´ former sous l’action de plusieurs ` e e ` e forces : – une energie propre. figure 11. ´ e ` e e e – une energie potentielle impos´ e par l’image qui vise a plaquer la courbe sur les contours. assimil´ e a l’´ nergie m´ canique de tension et de torsion d’une ligne mat´ rielle. 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. (c’est donc un terme de tension e e e (r´ sistance a la rupture).234 ´ CHAPITRE 11.. – [Petrou et Kittler.4. ´ e ` – une energie externe. Dans le cas de d´ tection de e e contours. une ligne initiale de contour. e L’´ criture formelle du probl` me passe par la d´ finition param´ trique du contour.4 Les contours actifs = les snakes 11. qui sera ainsi un ´ ´ e compromis entre les diverses contraintes du probl` me. Witkins et Terzopoulos [Kass et al. mais une rampe.4). 1998]). LA DETECTION DES CONTOURS DANS LES IMAGES . 1996]. appel´ e contours actifs ou e snakes. le contour actif va evoluer pour rechercher la position d’´ nergie minimale.

il est possible d’´ tendre les contours actifs a des e ` a ©   ¤¡ ¡ F IG . e    %  ¥© ¨  v ¡ ¡ a # bbbbbb # ¡ £ # ¡¡ a a # ¡ 7 ta  ¡ Y    o` . raideur. ou toute autre fonction d´ finie a partir de ceux-ci.2 Mise en equation des contours actifs L’´ quation int´ grale 11. ou images a 3D)2 . ´e e ee e 2. 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 dans les nombreux cas o` l’on recherche les lignes de fort gradient. etc. 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. soit vers un z´ ro de e e .) de la courbe consid´ r´ e concentr´ e en ces points . e ` En l’absence de ce dernier terme.9 – D´ formation d’un contour actif a extr´ mit´ s fixes pour des valeurs du rapport e ` e e egales a 2. e e Nous ne d´ crivons ici que la premi` re approche la plus fr´ quemment employ´ e. dans le cas de volumes num´ riques tridimensionnels e surfaces actives pour lesquelles l’´ nergie s’exprime comme pour des plaques minces. On suppose que le contour evolue e e e e e ¸ ´ vers un minimum d’´ nergie. de contraindre le contour a resembler a un gabarit donn´ . 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.4. ´ ` ´ 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. 3 et 4. on obtient une equation diff´ rentielle vectorielle : ´ e 1.6 s’´ crit alors : e e ´ 11. et u courbe : sont potentiellement variables le long de . 11. 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.4. Il y a plusieurs facons de concevoir la discr´ tisation de la ¸ e .11. a s’approcher d’un contour d´ j` d´ tect´ sur ` ` e ` ea e e une autre image (suivi de s´ quences. u l’´ quation 11. En d´ signant par et e les d´ riv´ es de le long de la e e courbe. e e par exemple. e ` Enfin le dernier terme d’´ nergie : e est choisi par l’utilisateur.7 est r´ solue g´ n´ ralement de facon variationnelle. Il peut avoir des formes tr` s vari´ es afin.7) ¤ ¡ . en l’absence d’une energie li´ e a l’image.

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 .

Nous allons voir ici. Elles sont recommand´ es dans les cas suivants : e 1. A une dimension on proc` de donc e e e e ` e ` n-dimensions on proc` de a des classifications [Dubuisson. qui s’inspirent des m´ thodes de conquˆ te de l’optimisation combinae e e e toire. tout d’abord.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.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. e e 2.1. 1990]. e ` L’id´ e g´ n´ rale de ces m´ thodes consiste a isoler des pics de l’histogramme. et la probabilit´ a priori des classes). e 12. etc. e e e Nous verrons ensuite les m´ thodes pyramidales. A ` e ` 12. lorsque les images pr´ sentent des classes evidentes : documents ecrits ou sch´ mas en noir et blanc ou en e ´ ´ e couleur. e e Enfin. les m´ thodes utilisant l’histogramme. a des seuillages ou des multi-seuillages. objets tr` s contrast´ s (par exemple cellules d’une biopsie ou avion sur un ciel).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. mais dans lesquelles serait renforc´ l’aspect de coh´ rence de zone. ce qui enrichit e l’information port´ e par l’histogramme. prototypes des m´ thodes de subdivision hi´ rarchique descendante. 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. alors on peut ais´ ment se replacer e` e 243 . soit de luminoe e sit´ . Elle repose sur la recherche de zones poss´ dant des attributs communs. qui sont souvent tr` s proches des e e m´ thodes de classification conventionnelles.ou hyper-spectrales). lorsque les images sont d´ finies sur de nombreux canaux (images multi. e e e puis les m´ thodes de croissance de r´ gions. soit. plus rarement. mais au e chapitre 13). de textures (nous n’aborderons pratiquement pas ce second point dans ces lignes. 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.

. le seuil optimal est d´ fini comme celui minimisant ee e le coˆ t global : u (12. 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. 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. Souvent les histogrammes sont trop irr´ guliers e e et il convient alors de les filtrer.1. 1985. 1990. 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 § © ©   . 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).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.244 ´ CHAPITRE 12. Dans ce cas on s’int´ resse en particulier a e e e ` une classe (ici on choisit ). u en supposant ces grandeurs toutes connues.2 Seuillage sans apprentissage Lorsque l’on dispose du seul histogramme pour extraire des classes. soit par des equations de diffusion (´ ventuellement e ´ e isotropes). 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.3) et la d´ cision se fait en comparant le rapport de vraisemblance e a . – – et les probabilit´ s conditionnelles qu’un pixel de la classe ait un niveau de gris (et e idem pour ). Weszka. On fixe sa probabilit´ a une valeur acceptable : e e` . en d´ notant par : ` e et les probabilit´ s a priori des classes et (sous la contrainte e ` ). Duda et Hart. 12. on recherche g´ n´ ralement des modes de e e cet histogramme qu’on isole par des seuillages au creux des vall´ es. 1973] et choisir les e e e seuils qui minimisent le coˆ t des fausses erreurs. ` 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. 1978]. LA SEGMENTATION PAR REGIONS dans les conditions de la th´ orie bay´ sienne de la d´ cision [Dubuisson. 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). u Pour des histogrammes a 1 dimension et pour 2 populations et . – et les coˆ ts des mauvaises classifications de et . 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.2) (12.

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. Ces deux transformations sont identiques a une normalisation pr` s des axes. 1990.1. s´ parateurs. ` e e Dans les espaces de dimension . ` e On it` re ce processus. puis en estimant la position des meilleurs ` e noyaux de ces classes ainsi obtenues. soit en subdivisant a nouveau l’histogramme de la zone retenue. Si l’on ne le connaˆt pas. on proc` de de facon it´ rative dans l’espace image et sur l’histogramme : e ¸ e 1. e ` e e   £ £ ¡ ¡ ¡   ¡  ¡ ¡£  ¡ ¡ £   C  ©   © £ © £ 4 53 £ 4 53 4 3 ¡ ¡ 4 § ¡ ¡£ § 4 ¡© % 4 § ¡¡ ¡ ©£ £ © % ¢ £ 4 53 ¡ ¡ 4 53 ¡  ¡ 4 ¡ § ¡ ¡ 4 § § © £ 4 3 ¡ ¡ 4 § ) ¡ C ¢ 4 .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. 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. les distances utilis´ es entre deux nuages de points caract´ ris´ s par leur e e e et leur matrice de covariance sont.1.. 1978] et souvent reprise.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. Pour pallier ce d´ faut. les plans. 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. dans une approche propos´ e dans a ee e e e [Ohlander et al.3 M´ thodes de classification e Disposant d’un histogramme. : e 12. 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). 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. e e e pour ne s’attacher qu’` leurs propri´ t´ s de radiom´ trie. e ea e e ainsi que les k-plus-proches voisins. Il est important pour cette m´ thode de disposer du nombre de classes e recherch´ es..1. soit en s’occupant d’un e ` autre mode de l’histogramme original. e – les r´ seaux neuromim´ tiques et en particulier les cartes de Hopfield. ou les courbes.´ 12. 1997]) qui permettent d’´ valuer des classifications obtenues e e avec des nombres de classes diff´ rents1. la plupart des techniques de classification ´ s’appliquent a sa segmentation. e e – et. Dans les espaces de grande dimension (imagerie hyperspectrale par exemple). parmi les zones de l’images contribuant a ce mode on s´ lectionne la zone connexe la plus grande. par ordre de complexit´ croissante [Fukunaga. sur l’histogramme on s´ lectionne un mode isol´ . mais de variances e diff´ rentes. 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. 12. qui permet de distinguer des lois de mˆ mes moyennes.1. e moyenne (vectorielle) Zhang et Modestino. e e 2. On peut le faire ´ ` e e par ACP (analyse en composantes principales) ou par analyse de Karhunen-Loeve. selon une distance a des noyaux donn´ s. 1997] que ces mod` les ont tendance a sur-´ valuer le nombre de classes trouv´ es. eventuellement multidimensionnel. qui rend compte de l’orientation des inerties des nuages dans l’espace : – la distance de Bhattacharyya. si l’on dispose d’un certain nombre d’´ chantillons d´ j` class´ s..

Dans d’autres approches. dans le cas le plus simple. recuit simul´ . le second exprime les a priori que nous avons sur les classes (par e exemple classes compactes. LA SEGMENTATION PAR REGIONS markovien (voir chapitre 7). section 12. aux contours r´ guliers ou de forme pr´ d´ finie. section 7. On recherche alors un minimum de e par toutes les techniques usuelles d’optimisation it´ ratives (ICM. etc. On consid` re que les r´ gions forment une partition sur l’image (cf. c’est le terme d’attache aux donn´ es (probabilit´ e e e e des observ´ es conditionnellement aux classes). g´ n´ ralement. processus discret binaire (0 ou 1) ou continu (entre 0 et 1) qui prend. lorsqu’il vaut 1 le e e voisin concern´ n’a plus d’effet sur le site.). figure 7. ses valeurs entre les pixels. etc.. 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)). selon la formule : e C’est donc l’´ quivalent d’un contour introduit dans l’image. 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. ainsi que des distributions conditionnelles des niveaux de gris sachant les etiquettes. dans des relations de voisinage pare e e ticuli` res. voir chapitre 7). 1992]. 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. Le coefficient e e permet de pond´ rer les effets de la r´ gularisation par rapport a ceux de la classification. probabilit´ a priori de classe. 1989b. on peut se dispenser d’introduire des etiquettes de classes en introduisant explicite´ ment un processus de bord.2). ´ 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. 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). Lakshmanan et Derin. Pour un fort. Won et Derin.). 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]). Heitz et al. (cf. ¡    7    %# !§ &$" © %# ! 10"§ . le niveau de gris de la classe dans laquelle on a plac´ le pixel e Un tel terme est equivalent a une probabilit´ gaussienne d’appartenance a la classe : ´ ` e ` © © %# !§ 10)    ¢ ¨   ¢ ¨ # ¡ £¢   ¡ 3 %# § £ © ¢ ¢© &0)!§ ¢ ¢ ¨ ¨ ¡ 3 £ © ¢ ¢© 3  ©  ' f %# !§  &$"§ ¦ @¢ 9 ¥  © §   3 ¨ ¤ ©¨ §¦ @ 9 ¥ 7 C §   ¤ ¨© §¦¨ @ 9 ¥  ¡    '¡ 3   § ¦  ¢    ©    7     ¦ ' ¤© ¢ ¨ © £  ¢    ¢ ¡ ¡     %# !§  &$"(§ © ' %# ! H&(' "§ ¡ © 'H&#(' !"§ $ % ¨ © . des etiquettes (d´ pendance ou ind´ pendance e ´ e e spatiale). 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. 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).1). 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. 1987b.246 ´ CHAPITRE 12. on peut attribuer une energie n´ gative si ´ e et positive dans le cas contraire (mod` les de Potts et d’Ising.4 et [Geman et Geman. 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 ´ . Dans le cas binaire. Des mod` les plus complexes peuvent prendre en e e compte des compatibilit´ s plus subtiles (classes plus ou moins proches). 1994.

avec la convexit´ de la fonctionnelle d’´ nergie. 1996]. parmi les e e e arguments les plus utilis´ s en segmentation d’images. les distances inter-m´ dianes. partant d’une telle partition. 1987.2 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. e a Dans de nombreux cas par exemple. a – la taille de la plus petite r´ gion (` maximiser). Nous nous int´ resserons aux e pr´ dicats sur les r´ gions e e de l’image. 12. etc. – les diff´ rences limit´ es : e e . de subdiviser n’importe e e quelle r´ gion pour obtenir une nouvelle partition v´ rifiant le pr´ dicat). Pour ´ ` e cela on choisit une fonction qui sature pour des valeurs fortes des diff´ rences entre niveaux de gris de sites e voisins. Des crit` res empiriques peuvent etre utiles : e e e ˆ – le cardinal de la partition (` minimiser). des bonnes propri´ t´ s de convergence du e e ee champ markovien et l’optimisation devient plus complexe (cf. e e Un pr´ dicat est une proposition logique dont la valeur d´ pend de son argument. 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. on dit que la partition le v´ rifie. u Enfin. LES METHODES PAR TRANSFORMATION DE REGIONS 247 ou par un coˆ t de type MDL (Minimum Description Length) (cf.2. les contrastes moyens ou e e minimums aux fronti` res. c’est-` -dire la distance s´ parant les 25 % inf´ rieurs des 25 % sup´ rieurs e a e e e de l’histogramme. 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. on peut egalement supprimer le processus de bord en le cachant a l’int´ rieur du potentiel . e (appel´ es r´ gions) de l’image. – etc. Tout pr´ dicat qui ne peut etre v´ rifi´ par la partition triviale est impossible. Pour v´ rifier le pr´ dicat. On connaˆt donc au moins une e ˆ e e ı partition qui v´ rifie tout pr´ dicat non impossible. Un autre pr´ dicat egalement utilis´ est : la r´ gion e ´ e e est distincte de ses voisines. on ne recherche que des partitions maximales. section 12.´ ´ 12. 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. On utilise des arguments qui mettent en jeu les diff´ rences de valeurs moyennes. 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. nous retiendrons les suivants : e – le contraste sur la r´ gion : e ).4) [Blake et Zisserman. 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 . figure 7. Black et Rangarajan. – la distance interquartile sur la r´ gion. On perd alors. e a – une distance entre r´ gions (par exemple somme des distances entre zones adjacentes) (` maximiser).7 et section 7.4). Le pr´ dicat de base de la segmentation est : la r´ gion e e est homog` ne. – l’entropie : .

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. On r´ duit cette s´ v´ rit´ progressivement.2. 1 2 6 F IG . Beaulieu et Goldberg. 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 appelle cette r´ gion. 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). 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. Ce n’est pas le cas de 1 et 2. 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). 1994. Partant de germes2 on applique successivement a l’image des e e ` pr´ dicats plus s´ v` res que le pr´ dicat . par exemple des zones o` l’image est constante e u e e e u     ¢           ¢   ¦ ¡# ¡   4 (     ¢  ¢ #   3 5 4 . et on retient la meilleure subdivision . Ainsi tous les pixels ne se retrouvent pas dans des r´ gions (cf. 12. 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. 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. LA SEGMENTATION PAR REGIONS En l’absence de strat´ gie pour trouver la meilleure partition v´ rifiant un pr´ dicat donn´ . 1989. On teste sur chaque . e e e e 12. plutˆ t qu’une fusion abusive qui ne serait plus r´ cup´ rable.1 – Croissance de r´ gion : 6 r´ gions ont et´ obtenues par 4 pr´ dicats successifs. On lui applique plusieurs divisions produisant de e nouvelles r´ gions e .2.1) [Adams et Bishof. e e figure 12. Plus importante est la ` e ´ e d´ cision de regrouper 2 r´ gions qui sont adjacentes et v´ rifient le pr´ dicat. c’est-` -dire : a 2 les germes sont souvent des r´ gions o` le pr´ dicat est trivialement v´ rifi´ .2 Le partage de r´ gion e Dans une d´ marche par partage de r´ gion (region splitting).248 ´ CHAPITRE 12. Chang et Li. La zone 6 n’a et´ cr´ ee e e ´e e ´ e e´ qu’au second pr´ dicat. 1994].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. et on se rapproche ainsi du pr´ dicat e e e e e e e objectif.

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

on teste la variable de Fisher : e e 12.2. C’est donc une technique de partage et r´ union.. autorise beaucoup plus de e e e . avec une priorit´ aux e e e e fusion que les simples r´ unions de pixels e plus grandes (cf figure 12. Si le pr´ dicat n’est pas v´ rifi´ . 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.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). Sinon il est candidat a une r´ union avec ses voisins. le pixel consid´ r´ est etiquet´ comme candidat a un e e e e e ee ´ e ` partage.3 – M´ thode de pyramidage par quad-tree.3). Un sch´ ma plus complet a et´ propos´ par Burt [Burt. Ainsi. Douze fenˆ tres diff´ rentes sont autoris´ es. Chaque pixel au niveau a 4 fils au niveau ´ .250 ´ CHAPITRE 12. 12.4 Les pyramides Afin de b´ n´ ficier des avantages des deux m´ thodes pr´ c´ dentes. Horowitz a propos´ une approche par pyrae e e e e e mide [Horowitz et Pavlidis. chapitre 6 et [Schmitt et Mattioli. 1991]). Une abondante litt´ rature a et´ propos´ e depuis pour am´ liorer ces filtrages e ´e e e par une approche en ondelettes. C 3   §  § © © C C 3 3 ¡   § ££ ¡ £   £   § £¡ ¡ ¡   §  © C 3 § £   5C ¢  3 §   x   ¡  §  ¦   § . La segmentation proc` de directement a un niveau interm´ diaire (par exemple e ` e ). la m´ thode propos´ e dans [Suk et Chung. LA SEGMENTATION PAR REGIONS – le test de Fisher-Snedecor d’´ galit´ des moyennes et des variances. 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. 1993]). ee e l’on profite du passage au niveau sup´ rieur (ici e   reunion partage niveau 2 niveau 1 niveau 0 F IG . 1976]. 12. Le pixel au niveau est la moyenne de ses 4 fils. et tous les pixels fils sont test´ s avec le pr´ dicat . 1981] o` les passages entre e ´e e u niveaux se font par filtrage gaussien. 1994b]). Des techniques inspir´ es de la pyramide ont et´ propos´ es qui donnent e ´e e de bien meilleurs r´ sultats. L’image est repr´ sent´ e sur une pyramide appel´ e quad-tree. constitu´ e de e e e e niveaux. l’image originale etant au niveau . figure 12. o` ` e e u ) pour acc´ l´ rer la proc´ dure (cf.4) (voir aussi [Chen et al.

On remet a jour la liste et on e ` it` re. e D’autres sch´ mas plus complexes sont mis en œuvre. on s’approche e e e de l’optimisation du crit` re global de minimum de variance sur les partitions. celui sur l’´ limination des petites zones e e e e e est un pr´ dicat de taille. et en acceptant progressivement des r´ unions de r´ gions de moins en moins semblables. 1998] pour obtenir des sege mentations meilleures. 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. On trie tous les couples e e de nœuds adjacents dans une liste ordonn´ e. ´ e e ´ e e Celui du partage et de la r´ union est g´ n´ ralement un pr´ dicat de contraste. L’id´ e du MDL consiste a exploiter l’analogie. e e – d’autre part par le choix d’un mod` le simple qui n´ cessite peu de param` tres. 1984. 12.4 – Les 3 etapes de la m´ thode de partage et r´ union de Suk. En partant d’une partition tr` s fine en r´ gions tr` s e e e e homog` nes.4 La m´ thode MDL = Minimum Description Length e C’est une technique issue de la th´ orie stochastique de l’information [Rissanen. On regroupe les 2 meilleurs candidats. Puis on d´ finit une fonction de similarit´ entre 2 nœuds. au sens de la th´ orie e ` e de l’information. 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 . Les petites zones sont associ´ es a la zone la plus proche en niveaux de gris.4. 12. e La m´ thode propos´ e par Beaulieu et Goldberg [Beaulieu et Goldberg. 1987. 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. entre longueur minimale de description et quantit´ d’information. Rissanen.´ 12. e e e £ !   % !   ¢ ¢    # ¦ ¢  # ¡ ¦   3 © ¢ %# !§ &$"    § ¥ ¨¦ @ 9¥ ¢ ¦ © ¢ §     © ¢ §    Q . 1989] e pour optimiser la repr´ sentation de donn´ es. Pour chaque etape il y a un pr´ dicat diff´ rent. Rissanen. 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. Elle a et´ reprise de facon simplifi´ e dans divers domaines du traitee e ´e ¸ e ment des images (en particulier en codage). 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. par exemple dans [Wang.

5) repr´ sente la quantit´ d’information n´ cessaire pour transmettre le mod` le.. On exprime o e e ¸ g´ n´ ralement : e e 1. splines. il est parfois possible de mener une optimisation compl` te et explicite du e MDL. 1990]. On ` e devra ensuite transmettre le second terme. 1989.252 ´ CHAPITRE 12. chacun ayant des jeux diff´ rents de . Utilis´ dans le cadre de la segmentation d’image. e e e On se place donc dans le domaine de la repr´ sentation param´ trique des donn´ es. Dans le cadre g´ n´ ral de la e e e e e e o` u classification ou du traitement du signal. Les techniques mises en œuvre en MDL sont a base de champs de Markov (optimisation par ` recuit simul´ ) [Lee. Soit e e e e le vecteur a composantes des param` tres. le mod` le doit d´ crire les contours des r´ gions et approcher au mieux l’image entre les contours. 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. Une chaˆne de contours u e u ı ı peut etre cod´ e de facons tr` s diverses : Freeman (cf. on cherche le meilleur qui maximise . ou d’optimisation de courbes [Darell et al.5. Leclerc. le coˆ t de la repr´ sentation d’une r´ gion par une fonction (par exemple constante). Zhu et Yuille. Soit l’observ´ e (l’image).4. le MDL introduit dans la segmentation un terme e de p´ nalit´ lors d’une repr´ sentation en r´ gions.. il existe des codes optimaux pour transmettre le premier terme en e utilisant un nombre de bits egal au logarithme de la probabilit´ ´ e .4) Si l’on dispose de plusieurs mod` les. le coˆ t de la repr´ sentation des contours (coˆ t de codage de la chaˆne des contours). Cela revient a maximiser la ` log-vraisemblance : (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 : ` ).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. 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. 1996]. c’est a dire le terme de l’´ quation 12. approximations polygonales. c’est-` -dire a donner peu de contours r´ guliers ` a ` e mais au bon endroit. e ` e ` e 2. il n’est g´ n´ ralement pas possible en traitement des images d’obtenir une solution explicite e e de l’´ quation 12. 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. Il vient limiter d’une part le nombre de contours (le premier terme e e e e ). ` e e Le MDL tend a procurer un compromis entre ces deux termes. d’autre part les el´ ments permettant de reconstruire le mod` le puisqu’il existe de nombreux mod` les potentiellement disponibles. 1990. etc. Dans le cas de la description d’une image. 1998. et conduira alors a des codages tr` s diff´ rents.  ©    ¡ !§ "(' § © ©  ¡  § !"§ ¡ §  © ¢    ¡ !§ )ƒ§ © ©  ¡  ¡  © ! )§ ! "§ ¡ ¡   §  ƒ ¡ $ ! ¢   §    0© 3  ¡  5© ! )§  ¡ ¡   !§ )ƒ§   3  © © §  ƒ  ¡ § ! "§ ' § & © $   #bbb # ¡  § © © §  ƒ  ¡ ! § !§ "ƒ§ .4) : e (12. Dans la pratique. Pour rechercher la meilleure description au sens de la th´ orie de l’infore mation. e Keren et al.4). 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. ´e e e On sait que selon la th´ orie de l’information. Le MDL est utilis´ en segmentation d’images de diff´ rentes facons. ˆ e ¸ e processus de bords. Dans le cadre de l’estimation ` e e au maximum de vraisemblance. chapitre 14. LA SEGMENTATION PAR REGIONS L’optimisation au sens du MDL procure un compromis entre ces deux termes.

on retrouve le probl` me d’Ising qui a une solution . 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.en e e e th´ orie exacte . 12.5. que nous examinons ci-dessous. on cherche a minimiser la distance entre la fonction de repr´ sentation et l’image. Γ2 R2 Γ3 R Γ1 Γ4 4 R1 R3 F IG . L’APPROCHE DE MUMFORD ET SHAH 253 12.par recuit simul´ (cf.5 – Approche de Mumford et Shah : on recouvre chaque domaine d’une fonction continue. 1989] qui n’a malheureu¸ e sement pas de solution exacte. ainsi que la longueur des cˆ t´ s. de support .5. figure 12.5 L’approche de Mumford et Shah 12. Soit l’image3 . ` 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). afin de garder la e coh´ rence de nos notations nous avons pr´ f´ r´ d´ signer par l’image et par son approximation. Mumford et Shah ont d´ duit des propri´ t´ s particuli` res des solutions e ee e et . on la remplace sur des domaines par des fonctions r´ guli` res e e qui se rejoignent le long de contours (cf.1 Approche formelle C’est une facon formelle de poser le probl` me de segmentation [Mumford et Shah.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. e e Mumford et Shah ont montr´ par ailleurs que l’´ quation g´ n´ rale 12.12. La fonctionnelle a minimiser ` se compose de : (12. [Mumford et Shah. 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¢ ¡ .5). chapitre 7)4 . 1989] les rˆ les de o et sont interchang´ s.6 peut evoluer vers deux formes limites. e e e e ´ – Tout d’abord la minimisation de l’´ nergie e : 3 Attention dans le texte original de Mumford et Shah.

Ce probl` me est g´ n´ ralement mal pos´ si les sont quelconques . paragraphe 11. Le probl` me e e e d’Ising evoqu´ plus haut en est un sous-probl` me r´ duit au cas a 2 classes. 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 ` . Elle est solution de : (12. On montre que si les sont fix´ s (c’est-` -dire si l’on a fait par ailleurs une d´ tection de contours). ` 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 . 12. les fonctions ont une d´ riv´ e normale aux e e horizontale le long des . e e u e e – les contours se rattachent aux bords de l’image selon des angles droits .4.2 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. 1987].5. sur des contours de forme restreinte. e e e e le probl` me peut etre bien pos´ . e ˆ e On peut montrer que est la limite de quand tend vers l’infini. le probl` me de Potts l’´ tend a un ´ e e e ` e e ` plus grand nombre de classes.254 ´ CHAPITRE 12.7. 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). LA SEGMENTATION PAR REGIONS que l’on obtient en imposant a d’ˆ tre constante par morceaux sur les ` e : . – par ailleurs. – soit des points extr´ mit´ s d’o` d´ marre une courbe unique (d´ marrage d’un pli) . e On cherche alors a r´ soudre l’´ quation 12.8) ¢    © %# ! 10"§  ¢  ¢  EE ¡  ©  %# ! &0)§ ¡ ¢   ¡ ( Q  £   ¥ ¥ £ ¡ ¢E     © % ! 10) %# !§ Q &© Q  3 3 £ ¡§ £ ¡ § ¥ ¡ ¡ £   § F  ¥  2© § ©¥ § ¡ ¡ b ¡ £ £ ¢ ¡ ¡   ¢ §  £© ¡¨ £  # ¡§     ¢¡   ¡      ¡ ¡ £   £ ¡   ¡ ¡ ¢ ¡ ¡ ¡   £ § £ ¢     ¡ .4) ´ e e ´ e e e e poss` de d´ riv´ es continues. – Puis la minimisation de l’´ nergie : e o` u est une constante et mesure la composante normale a du gradient de . La minimisation de est un probl` me bien pos´ .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 . est la limite de quand tend vers 0. 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. 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. e e e courbe de classe ¡ ¡ % ! %# ! &$"§ ¢ Q Q £ &© © % ! Q Q £ © © ¡ 3 £© %# ! &$"§ ¢ %# !§  10)§ ¡ ¡ ¨ ¡ §  § £ ¤ ¡ §    C F £F  ¡ F F ¢ ¦ ¢    ¡   ¦ ¢ b ¥ avec pour conditions aux limites : (12. 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.

e e e e Dans les 2 cas les discontinuit´ s sont fix´ es (par exemple par un d´ tecteur de contour pr´ alable). 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. puis par un raffinement it´ ratif de la solution.12.5. C’est la solution de l’´ quation sans e £ Par exemple en l’absence de contours. 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 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.8) a pour fonction de Green e Bessel modifi´ e de seconde esp` ce : e e . le probl` me est assez simple mais peu satisu e e faisant en termes de segmentation d’image [Grimson. e Si l’on ne connaˆt pas la position exacte des contours. la membrane (´ quation 12. a est de la forme : La plaque mince (´ quation 12. A chaque fonctionnelle est attach´ e une r´ ponse e e impulsionnelle . 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. Terzopoulos. 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)§   ¡ (12.7 : e pour grand. ` 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. 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. 1981. Dans le cas o` il n’y a pas de discontinuit´ s de le long des .ou fonction de Green .. sur chaque domaine.9) a pour fonction de Green : e avec . 1981] ou de relaxation multi-grilles [Terzopoulos. 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. on met en œuvre des techniques it´ ratives et (souı e vent) sous-optimales qui partent de contours estim´ s et les am´ liorent. La solution est obtenue par des techniques de relaxation [Grimson. C’est-` -dire que.4).9) ¦ £ ¥  § ¡ ¦ ¥ ¥ § ¡ ¡ ¥ C  ¥ © ¦ ¡ C ¢&§     ¥ ¦¢¢   g ¡   ¥ . 1983] 7 . 1983].

LA SEGMENTATION PAR REGIONS de Markov avec processus de bord explicites [Geman et Geman. la plus simple est celle de Mumford et Shah et s’exprime par : 2. une p´ nalisation pour les seuls forts changements de direction des contours. une minimisation de la courbure des contours : 3. 1984b] .4) sont egalement possibles. e e est particuli` rement adapt´ e a ce probl` me. 1987]).cf. On trouve dans la litt´ rature des formes vari´ es de cette energie : e e e ´ 1. on peut aussi introduire un terme de p´ nalit´ sur la longueur des contours comme dans e e e l’´ quation 12.256 ´ CHAPITRE 12. La m´ thode GNC (Graduated Non Convexity de Zisserman [Blake et Zisserman.5 . ´ e e ¡ ( Q ( QQ (Q   F      F      . 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 . permettent d’atteindre e l’optimum global.1. successivement optimis´ es par une technique de gradient.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. Elle remplace les fonctions d’´ nergie non convexes a optimiser par une e e ` e e ` famille de fonctions convexes qui.cf paragraphe 12.6. paragraphe 11. Dans ces sch´ mas. mais r´ put´ es moins bonnes.

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 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. dans le but d’isoler e e les textures. perles. e e F IG .1 illustre la diversit´ ı e e des textures et l’ouvrage de r´ f´ rence de Brodatz [Brodatz. 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. soit pour reconnaˆtre des r´ gions.Chapitre 13 Les textures Chapitre r´ dig´ par Henri M AˆTRE e e I 13. tapis d’aiguilles de pin et ´ de feuilles.1 Qu’est ce qu’une texture ? Dans le domaine du traitement de l’image et de la vision. 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. 13. La figure 13. La d´ finition que nous proposons n’est pas ` e e e op´ rationnelle et prˆ te sur ce point a critique. c’est-` -dire formant un tout pour ı e e a un observateur. il n’existe pas de d´ finition satisfaisante de la texture. poil court. soit pour segmenter l’image. 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.

e e . Grossberg et Mingolla. mais comme une variation de la g´ om´ trie qui supporte la texee e e e e e ture. figure 13. murs. discrimination angulaire. etc.2 – Lorsque la texture n’est pas homog` ne. 1971]). les textures r´ guli` res. On distingue assez naturellement deux mod` les extrˆ mes de textures.). etc. 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. LES TEXTURES pliqu´ es. de ` e e e couleur. d’´ clairage. Nous l` verons e e e e e cette hypoth` se au paragraphe 13. 13. 1944. e 13. tissus. 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. Au contraire. 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. e e e e ´ 2. nuages. 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. 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. similarit´ s des stimulus ` e e e el´ mentaires composant la texture [Wertheimer.). foule. F IG . et mˆ me en l’absence d’un contexte favorable (par exemple pr´ sence de silhouettes d’objet ou e e d’alignements perspectifs). Nos capacit´ s a m´ moriser et discriminer des textures sont tr` s variables. dans lesquelles la p´ riodicit´ du motif est evidente : grilles. Julesz. ee e e Pour toutes ces raisons. le syst` me visuel interpr` te la d´ formation de la texture. 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.2). etc. d’orientation. 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. ´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. 1985]. recouvrement de surfaces gauches.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. non comme une perturbation e e e des propri´ t´ s g´ om´ triques du champ textur´ . celle-ci restant globalement invariante dans un rep` re impr´ cis´ (cf. 1969. herbe. a partir des sym´ tries. des textures non reconnues (champs al´ atoires cr´ es math´ matiquement par exemple.258 CHAPITRE 13. 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. sensibilit´ aux variations locales e e de luminosit´ [Hubel et Wiesel. Notre m´ morisation est alors ree e marquable et invariante a de tr` s nombreuses transformations (changement d’´ chelle. proximit´ s. 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. (mais aussi pour simplifier consid´ rablement la tˆ che du traiteur d’image).1.6. entre lesquels se e e e positionnent un peu toutes les textures : 1. nous e a consid´ rerons par la suite les textures comme spatialement invariantes.

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. Cette primitive peut etre tr` s r´ guli` re g´ om´ triquement ˆ e e e e e (perle). . on observe souvent un objet el´ mentaire qui constitue la base de ´ e ´e la texture (poil. e e e 13. Elle est int´ gr´ e a la texture. . caillou sur une plage.1.2. e e e de Valois et al.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. sur la figure 13. e On trouve par exemple dans [Bergen et Landy. Cette juxtaposition poss` de ses propres lois d’isotropie. ou photom´ triquement (aiguille de pin). 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. Elle poss` de une taille et des propri´ t´ s statistiques caract´ ristiques (qui e ee e joueront sur sa fonction de corr´ lation.. Cette composante el´ mentaire de la texture a tendance e ´e naturellement a disparaˆtre lorsqu’on observe le champ global de la texture.` 13. densit´ de puissance) qui se combinent a celles du e e e e ` motif de base. On d´ compose tout d’abord le flot optique e e en une pyramide (cf. des mod` les de texo e e e tures on et´ propos´ s. 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. la verticale et les deux e e e diagonales. eau.). Elle peut etre au contraire relativement variable (personne dans e ˆ une foule. MODELES DE TEXTURE 259 La seconde approche sera plutˆ t d´ crite par des lois statistiques. 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. 1981]). Dans la suite.2. e ´ ` A petite echelle (donc pour des d´ tails fins). de p´ riodicit´ . 1982] ainsi que sur des exp´ rimentations sur les effets de masquage psychovisuel [Phillips et Wilson. ` ı e e ` ` A plus grande echelle (donc pour une analyse plus grossi` re). Une bonne analyse de texture donnera des informations sur ces deux composantes egalement. une description spectrale en o e termes de densit´ de puissance. toitures. pour des jeux vid´ o. 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.2 Mod` les de texture e 13. 1984]. tissus. perle.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. . nuage). 1991] un tel mod` le. bois. 1969. de e e e e e r´ gularit´ et induit donc d’autres lois statistiques (corr´ lation.1).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. s’inspirant de ce que l’on connaˆt aujourd’hui de cette perception.1. des propri´ t´ s de corr´ lation ou d’isotropie.4) par une succession de filtrages gaussiens et de sous-´ chantillonnages e adapt´ s (semblables aux pyramides de Burt et Adelson [Burt. murs. Chaque niveau de la pyramide est alors e filtr´ par 4 filtres qui produisent une d´ riv´ e seconde directionnelle selon l’horizontale. On proc` de ensuite a une mesure d’´ nergie dans chaque image par une int´ gration locale des sorties e ` e e ¡   . ´ e ´ 13. etc. la texture apparaˆt comme une juxtaposition plus ´ e ı ou moins r´ guli` re des motifs ci-dessus. ´ 13.2. paragraphe 12. des moments. son 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. aiguille de pin. m´ taux pour des repr´ sentations e e e d’int´ rieur.

.3. LES TEXTURES pr´ c´ dentes et l’on soustrait ces energies. 1999] 13. 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. e e 3. 1978]. 1983. Nous nous attarderons particuli` rement sur ce point a la section e e ` 13.2. o e e e Un tel sch´ ma de fonctionnement du syst` me visuel humain est tr` s sch´ matis´ et controvers´ .1.3). On d´ finit un voisinage e ¡ de tout pixel )"# § ©   .3 Analyse et reconnaissance de textures Il existe de nombreuses revues des diverses approches de l’analyse de textures. 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.2 Mod` les stochastiques e Ces mod` les. chaˆnes de Markov et champs de Markov. section 6. ces derniers etant e e e e ı ´ aujourd’hui les plus universellement adopt´ s. la pr´ cision de localisation des fronti` res des textures d´ tect´ es e e e e sera m´ diocre. e ´ ¡ ¡ $ )"# ¥   $ ¥ ¢ $8 ¢ $8 ¡   ¢ $8 1. 1985. de taille et de forme appropri´ es. 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. Eventuellement. 1993.5. 13. Elle doit comprendre au moins un motif de base de la texture mesur´ e pour fournir des statistiques hoe mog` nes sur la texture.260 CHAPITRE 13. La fenˆ tre d’analyse e La dimension du voisinage est importante. mais il a le m´ rite de comporter la plupart des etapes e e e ´ que nous reverrons plus loin pour analyser les textures. 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. e ´ 4. et si le vecteur de mesures est trop grand. Reed et du Buf. 1985]. figure e 13.3). etc. mais. La texture est alors consid´ r´ e comme la r´ alisation d’un processus al´ atoire gouvern´ par ses lois. Chellappa et Kashyap.4 [Cross et Jain. 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.2). La forme est g´ n´ ralement carr´ e.). Ces mesures seront attach´ es au pixel ( ). et plus g´ n´ ralement les ensembles ferm´ s al´ atoires. e e 2. ` e Randen et Husøy. 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. e e e e e – les mod` les autor´ gressifs et leurs d´ riv´ s. masque de contours. e ¢ 8 & .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. dans un mˆ me niveau de r´ solution. 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. 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. entre orientations voisines (pour e e ´ e e exprimer le contraste relatif entre directions). 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. 1994b] . si e est trop grand. au contraire. avant cette classification. C’est l’un des choix d´ licats de l’analyse des textures (cf. mettent l’accent sur la distribution statistique des pixels et sur leur d´ pendance e e spatiale.

une nouvelle image dont les plages seront tr` s distinctes et pourront.3. id´ alement. On calcule alors la matrice de taille et telle que . algorithmes g´ n´ tiques. e ¢ 8 Dans ces approches on mesure les propri´ t´ s statistiques autour du point ee dans le voisinage . r´ seaux neuro-mim´ tiques.1. On diagonalise et on ne retient que ses plus grands vecteurs propres sur lesquels on projette toutes les mesures. Lorsque l’on cherche non seulement a discriminer des plages de textures diff´ rentes. 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. Dans l’id´ al on aimerait pouvoir obtenir a partir de l’image e e ` . 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 . C moyennes floues. La classification se fait alors dans l’espace de dimension . 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 . 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. on utilise des techniques de classification supervis´ ees : k-plus proches voisins. ee 13.3. ANALYSE ET RECONNAISSANCE DE TEXTURES La classification des donn´ es e 261 Ce sont celles que nous avons vues au chapitre 12. classie e fieurs bay´ siens. plans s´ parateurs.13.3 – 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. pr´ alablements entraˆn´ s sur des ensembles e e e e e e ı e d’apprentissage [Vickers et Modestino. 13.4). 1982].3 : nu´ es dynamiques. 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. r´ seaux neuroe e e mim´ tiques. 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. mais aussi a reconnaˆtre ` e ` ı des textures particuli` res. etc.  )"#  § ©   ¨ § % $ ¡ B(©( # & u $ ¥ ¥ ¥ )"# § ©     x    § ¡ ¡ )"# § ©    ¡   . 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.

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

section 2. dans une direction donn´ e.3.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. les deux directions d’inertie maximale et minimale extraites de expriment bien les directions privil´ gi´ es de la texture et. A droite les 2 textures sont identiques a l’ordre 1 et a l’ordre 2. mais e ` ` diff´ rentes a l’ordre 3. enfin par transformation de Fourier. elle peut etre fr´ quemment approch´ e par une fonce ˆ e e tion r´ guli` re. Ces deux textures sont distinguables visuellement. 13. la texture est fortement anisotrope.4 – A gauche. 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. les 2 textures sont identiques au e e premier ordre mais diff` rent au second. ANALYSE ET RECONNAISSANCE DE TEXTURES On d´ duit de nombreuses propri´ t´ s de cette fonction : e ee 1. 13. la matrice de cooccurrence est sous cette forme un outil ni tr` s pratique. cf. les 2 textures diff` rent d` s le premier ordre. 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.4). Plus encore que la fonction d’autocorr´ lation. les matrices de cooccurrence sont des outils adapt´ s a l’analyse e e ` des textures. Elles sont obtenues pratiquement par une estimation sur la texture. 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 . 263 . poss` de des maximums locaux diff´ rents de e e . On a donc int´ rˆ t a e e e e ee ` comprimer ces matrices. e 2. ni tr` s e e e fiable (les valeurs sont des estimations tr` s m´ diocres des probabilit´ s r´ elles). 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. 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 ( ' % $&$" # . 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 . en contradiction avec la conjecture de e ` Julesz. e 4. Au centre. c’est-` -dire un d´ compte des occurrences des niveaux en a e et en . si le rapport e e est fort. 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. alors la texture est 3. et plus e e e particuli` rement par la fonction d’autocorr´ lation norm´ e centr´ e : e e e e F IG . la fonction d’autocorr´ lation donne acc` s au spectre de densit´ de puise e e sance (th´ or` me de Wiener-Kinchine.

6). 13. les 2 des e bords etant noirs et celui du centre blanc (en haut a gauche). – enfin. facteurs de sym´ trie. e e F IG . energie. – 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. Des configurations bien choisies pour un probl` me particulier e e peuvent etre tr` s discriminantes. 1979]. ou des vecteurs ` e de mˆ me module si la texture est isotrope) . e – en ne conservant que les seuls vecteurs significatifs . 13.6 – 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. Il convient donc souvent de e e e ´ e r´ duire la dimension de l’espace des param` tres par analyse en composantes principales. etc. rapport des inerties. on a pu montrer que quelques descripteurs des matrices de cooccurrences pouvaient tr` s bien les e repr´ senter : position du centre de gravit´ . ´ ` © ¢ Y#  # § 4 ¡ ¢ Y ¢ Y     6 4 . Les mesures ainsi faites permettent de construire un vecteur d’attributs qui permettra de discriminer des textures diff´ rentes. entropie. 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 . e e ´ e [Chen et Pavlidis. La matrice de coocurrence ainsi calcul´ e est e . 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. LES TEXTURES M Vi N F IG . 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.5 – Construction d’une matrice de cooccurrence : on d´ finit un vecteur . figure 13.264 CHAPITRE 13.

– celles qui s´ lectionnent un petit nombre de domaines fr´ quentiels significatifs (c’est par exemple l’analyse e e par filtres de Gabor). dans l’esprit des e e filtres de d´ tection de contour par masquage adapt´ . oe e – 4 filtres directionnels selon les axes et les diagonales.). 1985]. mais ils sont tr` s rapides. ANALYSE ET RECONNAISSANCE DE TEXTURES 265 13. Il n’est alors pas n´ cessaire d’utiliser de fenˆ tre d’estimation. 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). progression g´ om´ trique de fr´ quences. souvent gaussiennes. 13. figure 13. echelonn´ s de facon dyadique (c’est-` -dire centr´ s autour de fr´ quences suivant une ´ e ¸ a e e .7 – Les 5 filtres de base de Law. e F IG . 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. car les analyses fr´ quentielles e e e e utilis´ es disposent g´ n´ ralement de leurs propres fonctions de fenˆ trage.3. Les filtres sont au nombre de 25. le second de fr´ quence 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. figure 13.3 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. etc. Il est e e appliqu´ dans l’espace de l’image. obtenus par produit en et e e de 5 filtres de base (cf.3.7). ´ § ¡ £ §   ! # £¢ § ¡   £ © ¢ § 3 ¨§§ 7 §  ¡§ 3 ¡  © '  © £ a  £ ¡  ¨§§ ¢ 7 § § )  ¥§ % . Un filtre de d´ tection est le produit s´ parable de deux de ces filtres.13. 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.8) : 7 le recouvrement de ces filtres est contrˆ l´ par le param` tre . le premier de fr´ quence e e e e le troisi` me de fr´ quence e e . egalement de profils gaussiens. Leurs performances sont modestes.

2000].40 et 0. 1992b. 1995]. 0. 13. 1995]. Ces m´ thodes ont et´ pr´ sent´ es au chapitre 9. 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. Ils sont assez proches des e pr´ c´ dents.60. on conseille l’emploi de 5 fr´ quences radiales diff´ rentes et de 4 orientations. la recherche ` syst´ matique de l’´ nergie dans de nombreuses d´ compositions en sous-bandes peut etre tr` s lourde et hasardeuse. 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"§   . LES TEXTURES F IG . e e Dans [Randen et Husøy. e Les filtres de Gabor. 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. 1999]. 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. 1993. 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. 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. 1993]. Les ondelettes de Mallat [Mallat.4 Les filtres optimis´ s e Lorsque l’on cherche a distinguer 2 textures. 1989] utilisent e ´e e e elles aussi une d´ composition dyadique (mais deux directions d’analyse seulement). Saito et Coifman. 13. 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. Unser.25. 1991] : e Dans [Jain et Farrokhnia. 1991].8 – Les filtres en anneau dans le domaine spectral centr´ s sur les fr´ quences : 0. Les filtres dyadiques de Gabor Ce sont des filtres qui essaient de copier les fonctions de la vision des mammif` res. On propose ainsi l’usage de paquets d’ondelettes [Laine et Fan.266 CHAPITRE 13. 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. Ce ne e e sont donc pas des filtres dyadiques.3.

3. Derin et Elliott. ` Le choix des domaines et incombe a l’utilisateur. les el´ ments qui permettent e e ` ´e de d´ crire les r´ gions et leurs interactions. Il y a donc une abondante litt´ rature qui exploite le formalisme des e e champs markoviens pour segmenter des textures : [Hu et Fahmy. que l’on souhaite voir repr´ senter. alors le processus est AR. e e e` . 2001].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. 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. 1987b] [Won et Derin. celui li´ a l’entr´ e du filtre et d´ crit un e` e e processus de bruit. Si les coefficients sont nuls pour tout appartenant a . 1986]. Un etude tr` s compl` te ˆ e e e ´ e e de ces m´ thodes de description est pr´ sent´ e dans [Garello. alors le processus est MA. puisqu’il e e e e suffit de se donner les potentiels correspondant aux propri´ t´ s de d´ pendance. 1992. Afin de conserver aux mod` les ARMA une bonne localit´ . Si ` les coefficients sont nuls pour tout appartenant a . de distance aux centres ee e de classe. Ceci e e e e se fait en utilisant les equations normales associ´ es de Yule Walker [Alata et Cariou. ¡ 13. 1998]  § @ ¡ ¡  © (( 3 ¨ ¡ ")# ©$  § § % $ ¥ & 3  @ ¡ ¢ © ¡ ¨¦ % $¥ §¡ ¡ ¦ ¢  ¥ @ £ $ )"# §  0©   ¡ ¢ © (( ¦ # § & ¨ ¡ § 7 7 ¢ ¡ £ © ¡ ¢3 ¥ ¡ ¡ § ¥    (( 3 © ¡ ¡¥¡ ¡ ")# ©0   % $ & 3 § # § © ( & ¥ %$  £ ¢ £ ¥ ¡¡ ¢ @ #  ¡ ¡   ¡ ¡ ¨ §¦% $ ¥ ¨ ¡  ¦ ¢ ¡ £ )"#  §  ©   %$ ¢ # §¡ ¡ ¨ ¡ (13. il vaut mieux qu’il soit grand. 1992. Ils se prˆ tent doublement a l’analyse des textures : ` e ` 1. les signaux ´ e e bidimensionnels peuvent etre analys´ s par des mod` les autor´ gressifs bi-dimensionnels. 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. 13.4 Les approches par champs markoviens Les champs de Markov (cf. d’isotropie. il est souhaitable que le nombre de termes dans soit faible. etc. 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. Andrey et Tarroux. e e e Dans une approche autor´ gressive a moyenne ajust´ e (ARMA). 2. mais ˆ leur adaptation a traiter des images les distinguent. LES APPROCHES PAR CHAMPS MARKOVIENS d’optimisation. 2001]. chapitre 7) peuvent etre vus comme une sous-classe des processus ARMA. 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. Il est parfois possible de d´ terminer des valeurs optimales analytiques des filtres par ces crit` res. e e mais pour bien repr´ senter des signaux a longue p´ riodicit´ .4. 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. e e Les champs de Markov sont particuli` rement adapt´ s pour synth´ tiser et mod´ liser des textures. Les mod` les ARMA permettent de repr´ senter tr` s bien n’importe quelle densit´ spectrale de puissance. dans le terme d’´ nergie li´ aux connaissances a priori.13. dans les autres cas on optimise e e par essai-erreur. Dans de nombreux cas on choisit ` .1) . mais aussi parce qu’ils ont.

pour retrouver un champ de Markov a partir de la r´ alisation d’une texture. Ce probl` me a et´ abord´ au chapitre 7.268 CHAPITRE 13.. les SE.4. figure 13. La d´ termination des cliques utiles : on peut l’obtenir soit par l’analyse des fonctions de corr´ lation. soit par e e des techniques de croissance de voisinage. pour chaque texture . 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. puis les potentiels qui lient les sites dans ces cliques [Azencott et al. e e Dans une premi` re etape. e e ¸   ! ¨ d   et # £ #¨ ¡ ¡ ¨ # ¨   %   ¡ ¨  d avec . Seules les cliques d’ordre 2 sont utilis´ es. E. il faut apprendre les param` tres des textures. N NO NE O E SO S SE F IG . 1. accompagn´ es de tests d’ind´ pendance au fur et a mesure que e e ` l’on agrandit le voisinage.9).    %¨ %¡ %  ¨ % d ¢  ¨   ¦     ¦¥ 3   ¡ £¨ £ x % % ¡ ¡ ¡ ¢   ¨ ¥ £% C¡ d d ¨    © ((   ¦¥ # % ¨ "§ % ( (      ¨ ¤ ¡ ¢ ¡   ¡ (13. o` les u correspondent aux cliques des directions S. LES TEXTURES tr` s faciles d’emploi en synth` se des textures. et . du point (cf. Les energies ´ d’attache aux donn´ es pour une classe e sont de la forme : dont les inconnues sont. e e 13. Supposons que l’on recherche e classes. 2. 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). elle peut alors se faire par ´ des techniques de moindres carr´ s ou par des m´ thodes de filtrage (techniques de renormalisation).1 La m´ thode de Manjunath et Chellappa e C’est une technique assez typique des approches markoviennes.9 – Le 8-voisinage utilis´ par Manjunath et Chelappa. 1997]. L’image est arbitrairement subdivis´ e e ´ e e en petites fenˆ tres . 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. il faut d´ finir les e e e ` e e cliques significatives. soit par analyse a e ¸ e du nuage des points obtenus sur toutes les fenˆ tres. a la section 7. 13. e ´e e ` En r` gle g´ n´ rale. 1991]. .3. Prenons une seule fenˆ tre de taille e e dont on va supposer la texture homog` ne. etc. Elle repose sur l’hypoth` se de probabilit´ s e e gaussiennes dans chaque classe (donc de potentiels quadratiques) [Manjunath et Chellapa. 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.2) bv b b £ % 0# ¤ ¡ %3 ¨ % % # ¡ E   ¤ ¡ t  £ ¤¡ .

Initialement il n’y a qu’une classe. La construction des classes se fait de la facon suivante. 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. autrement que par r´ f´ rence aux primitives de la matrice de cooccurrence. Les incluent toute u e e l’information connue sur le site appartenant a la classe : par exemple ` . 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   . 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. 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. 13. 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. On reprend le balayage de l’image. on calcule sur des fenˆ tres recouvrant l’image. Les autres vecteurs de texture sont associ´ s a cette classe si leur distance e e e e ` est inf´ rieure au seuil donn´ . chapitre 7). On peut alors proc´ der a la phase de segmentation. section 13. ne permet pas de d´ terminer les potentiels et les e e e e cliques des textures retenues. Cela nous fournit vecteurs de param` tres e . assez grande pour permettre une caract´ risation statistique r´ aliste des textures (et de leurs motifs) . on repr´ sente la texture par un vecteur d’attributs issus de ces e e matrices .5).4. On introduit un champ de liaisons entre les pixels. 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.4. 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 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. soit par recuit simul´ (relaxation stochastique) e ee e (cf. 1990]. En chaque fenˆ tre. assez petite pour conduire a des segmentations fines des d´ tails. 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 .13. ` e Notons que cette m´ thode. 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 . etant ´ comme dans la formule 13. Afin de cr´ er de nouvelles classes. au contraire de la pr´ c´ dente. la taille des fenˆ tres doit etre : e e e ˆ 1. e e 2.2 La m´ thode de Kervrann et Heitz e Dans cette m´ thode [Kervrann et Heitz. Apr` s un passage sur l’image. identifi´ e au ¸ e vecteur de la premi` re fenˆ tre rencontr´ e. ee chapitre 7). e Comme dans le cas pr´ c´ dent. 1995]. e e On recherche la distribution des et des . 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. On va d´ sormais travailler au niveau des sites du champ e ` e de Markov. des matrices de e e cooccurrence (cf.

e e ee 4. 1979]. cycles) mettant en evidence les d´ pendances entre pixels. on parcourt ´ e la texture ou des sous-ensembles de la texture par un balayage syst´ matique de tous les sites. on est alors en mesure de reconstruire une texture parfaite en r´ p´ tant le motif moyen sur la maille moyenne. chacune contenant plusieurs primitives (typiquement de l’ordre de e e e primitives).6 Textures h´ t´ rog` nes ee e Si l’on fait l’hypoth` se que la texture sous-jacente est stationnaire. 1978. par exemple par l’examen de la e e e e fonction d’auto-corr´ lation.270 CHAPITRE 13. l’image est d´ coup´ e en sous-fenˆ tres. comme par exemple la d´ croissance de la corr´ lation a e e ` ). 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. 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. Cela est naturellement fait par syst` me visuel humain (cf. 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 peut d´ duire des variations de ses proe e pri´ t´ s statistiques dans l’image. Dans les e approches par graphes. Pour faire cela par traitement num´ rique. e 3. e e e figure 13. 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. 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. 2. 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.2). e ¡   ¢C ¤ ¥x ¤ .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. on repr´ sente les d´ pendances entre les diverses cmposantes de la texture par des graphes e e (arbres. e 13. construisant ainsi une e chaˆne de descripteurs. sur chaque sous fenˆ tre on d´ termine les 2 vecteurs moyens de p´ riodicit´ . 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. Les chaˆnes font alors l’objet d’un traitement syntaxique ı ı qui extrait ces d´ pendances [Lu et Fu. L’analyse d’une texture homog` ne se fait en plusieurs etapes : e e e ´ 1. puis d’´ tudier les variations e spatiales de ces propri´ t´ s. Dans les approches par grammaires. Lu et Fu. LES TEXTURES 13. Des m´ thodes plus structurales encore s’appuient sur des techniques de graphes ou de grammaires. connaissant ces vecteurs.

dans les applications de reconnaissance de caract` res. o` ils sont u e ` e e u pr´ sent´ s dans un d´ sordre total. 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. de la e facon la plus simple. en seuillant l’image [Sahoo et al. 1988. ainsi que pour des applications e de surveillance ou de guidage. et en tri en vrac. e 4. 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. 1998] ou a partir des m´ thodes d´ crites ¸ ` e e aux chapitres 11 et 12).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. De nombreuses repr´ sentations des formes ont et´ d´ velopp´ es concurremment. une certaine compacit´ pour permettre l’archivage de nombreuses formes et potentiellement de ces mˆ mes e e formes sous divers aspects. et en particulier une insensibilit´ aux e e d´ formations qui sont susceptibles d’entacher l’objet. e e ee 14. g´ n´ ralement sur un tapis roulant). on essaie de reconnaˆtre les divers objets qui la composent a partir de leur seule silhouette. Cham et al.. une fois l’image segment´ e (on peut le faire. 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 e e c’est a dire sous forme d’une image binaire. une bonne discrimination de formes diff´ rentes. e e e 271 ()' 6 ( )' 6 ( & )' 6 ! ¡  ## § " ©   #"# § ©    )"# § ©   ¡   ¡   ¡   C    &  § © #"#    )"#  § ©   .1 Fonction caract´ ristique e La repr´ sentation naturelle d’une forme dans une image est une repr´ sentation par fonction caract´ ristique.. par exemple en imagerie militaire. e 3. les seuls pixels non-nulles etant ceux couverts par la forme : ` ´ Dans une image o` de nombreux objets existent. une bonne adaptation aux op´ rations de reconnaissance des formes. une bonne fid´ lit´ a la forme initiale. e e` 2. 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.

on r´ organise ´e e e e l’image des etiquettes. figure e e ¸ 14. En x les etiquettes sont de valeur diff´ rente.272 0 22 1 CHAPITRE 14. Apr` s un second passage sur l’image. e e – si le point courant n’est pas connexe a ses deux ant´ c´ dents. puis on ` e e e ´ attribue au point courant cette nouvelle etiquette .1). Le point x cr´ e le pointeur e e e e 7 2. et si ses deux ` e e ant´ c´ dents ont la mˆ me etiquette. 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). on lui attribue l’´ tiquette de cet ` e e e ant´ c´ dent .ou 8. Pour recr´ er une image d’´ tiquettes en conformit´ avec cette liste. 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. Par exemple en 4-connexit´ un algorithme d’´ tiquetage fonctionne de la facon suivante (cf. 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. on d´ termine la liste finale e e des etiquettes de 0 a 4. au premier point est attribu´ e l’´ tiquette 0 . 14. e e ` 2. puis dans la liste des etiquettes. il faut donc faire un ´ ` e e e deuxi` me passage sur l’image.1 – Etiquetage d’une image en 4 connexit´ . un point nouveau est pris dans l’ordre du balayage . 1. a Lorsque l’ensemble de l’image a et´ ainsi trait´ (apr` s donc un passage complet sur l’image). 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. L’´ tiquetage vient attribuer une etiquette semblable a tous les points connexes au sens de la e ´ ` segmentation. on donne au point l’´ tiquette la plus petite parmi les deux. e Une image d’´ tiquettes r´ sulte d’une proc´ dure d’´ tiquetage. on incr´ mente la liste des etiquettes. La liste des etiquettes est alors filtr´ e de toutes les e ´ e etiquettes qui poss` dent au moins un pointeur. Le pixel x se voit attribu´ l’´ tiquette 2 car e ´ e e e 2 = min(2. mais que ses deux ant´ c´ dents n’ont pas la mˆ me ` e e e e e etiquette. z 4 3 et t 6 2. y le pointeur 3 2. e     9 ¡ A & 9 ¡ A & . L’image de gauche est le r´ sultat du premier passage juse e qu’au point not´ x. une liste d’´ tiquettes est initialis´ e a 0 .connexit´ sur les trames carr´ es. ´ 4. on lui attribue l’´ tiquette de ces ant´ c´ dents . 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. le balayage (par exemple vid´ o) de l’image est initialis´ . on ´ e ´ cr´ e un pointeur qui renvoie de l’´ tiquette la plus grande vers l’´ tiquette la plus petite . 6-connexit´ e ee e e e en trame hexagonale). on retourne en 3 jusqu’` atteindre le dernier point de l’image.7). le pixel y l’´ tiquette 2. e e e – si le point courant est connexe a l’un seulement de ses ant´ c´ dents. 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 . e e e e 3. e e e ´ e e e – si le point courant est est connexe a ses deux ant´ c´ dents. le pixel z l’´ tiquette 3 et le pixel t l’´ tiquette 2.

a b c F IG . ı ı 14. Ces param` tres ont et´ abondamment propos´ s e e e ´e e dans la litt´ rature [Coster et Chermant. figure 14. matrice de terme courant ) sont invariants par rotation.ellipse et axes d’inertie. 1962] . proportionnel au rapport du carr´ du diam` tre g´ od´ sique e e e e a la surface de l’objet. 1985]. 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 : © . il est maximum pour le cercle) . par exemple : e – le rapport iso-p´ rim´ trique.2. Pour des objets de petite taille (quelques pixels). DESCRIPTION DE FORMES 273 14. b .2.2. 14. la discr´ tisation du maillage induit e des comportements souvent peu satisfaisants.2 Repr´ sentation par les moments invariants e Des moments invariants ont et´ propos´ s (nomm´ s moments de Hilbert). (minimal pour les disques au sens du voisinage choisi). – l’indice d’allongement [Schmitt et Mattioli. proportionnel au rapport du carr´ du p´ rim` tre de l’objet a sa surface (dans des e e e e e ` images continues. 1994b].14.1 Repr´ sentation par les moments e Sur une image discr` te. 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. ces moments s’´ crivent : e e Les moments d’inertie (valeurs propres de la matrice d’inertie. invariants par translation. Les moments d’inertie norm´ s par la plus grande valeur propre sont invariants par e similitude (rotation et facteur d’´ chelle). rotation et ´e e e changement d’´ chelle (dans la limite de l’approximation par une maille discr` te) [Hu.boˆte minimale. Ils sont plus ambigus sur des formes complexes (cf. 14.2 – Description de formes par : a . Citons les plus e ´ e ` e utilis´ s. c .2).boˆte englobante.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). ` 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. 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 . beaucoup etant adapt´ s a des formes particuli` res.

figure 14. figure 14.3 Boˆtes englobantes et boˆtes minimales ı ı Lorsque les formes sont plus irr´ guli´ res. Cette longueur (exprim´ e en e e e e pixels) etant obligatoirement paire. DESCRIPTION DE CONTOURS ET DE FORMES 14.274 partir du moment norm´ : e CHAPITRE 14. soit a partir d’une liste des pixels de contour de la ` e ` ` forme. C’est la forme e .3). e e – les distances d’une forme a un prototype ne s’imposent pas de facon unique (cf. les formes deviennent tr` s nombreuses et le dictionnaire trop grand. figure 14. Un objet quelconque est donc d´ crit par une ` e e succession d’indices d´ crivant l’objet a divers niveaux de r´ solution. 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.2). puis diff´ rents a partir du niveau a e ` (cf. par les formules :  A  6  7 7 ¢ 6   £ A  A     0©    4 ¡£  .4). Cette approche rencontre plusieurs limites : – pour les ordres grands. on d´ crit chaque niveau par le demi-cardinal du nombre de pixels constituant la ´ e fronti` re. 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. ı e e 14. 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. ` 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 . figure 14. Afin de tenir compte des sym´ tries et des rotations de e . 1968].2.5). – soit la boˆte orient´ e selon le diam` tre minimal de l’objet (de calcul un peu plus complexe) (cf. 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´ . Dans chaque niveau. Ainsi. e ee la forme la plus simple (le carr´ unitaire) a une longueur 4 (et donc appartient au niveau 2). La recherche du e repr´ sentant se faisant par comparaison au prototype devient tr` s longue . Elle peut donc s’appliquer ` ı e e e soit a partir d’une image d’´ tiquettes de la forme a analyser.3 Polygones de Guzman C’est l’une des m´ thodes les plus anciennes [Guzman. Deux objets sont g´ n´ ralement identiques e ` e e e jusqu’` un niveau .

34) 7 1 13 2 2 8 3 (3.4 – Repr´ sentation de Guzman. 14. 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-). e e – la notion d’invariance par rotation. o` l’une est repr´ sent´ e par le prototype 34 et l’autre par le prototype 51. ¸ – certaines formes se retrouvent identiques dans des niveaux diff´ rents. CHAINES DE FREEMAN F IG .3 – Les premi` res formes du dictionnaire de Guzman.51) ¡   16 5 5 11 2 5 3 4 6 275 . 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 .5) 14 3 15 9 4 10 4 (14.L’approche de Guzman a et´ abandonn´ e aujourd’hui. 1961. 14. Les 2 formes A et B sont semblables aux niveaux de repr´ sentation 3 et 5. a un facteur d’´ chelle pr` s (par exemple e ` e e le carr´ el´ mentaire se retrouve dans tous les niveaux impairs). 1977]. e´e F IG . sym´ trie et changement d’´ chelle que l’on pourrait etendre eventuellement e e ´ ´ a d’autres transformations. e e mais diff` rent au niveau 14. Si elle est moins utilis´ e en reconnaissance des formes qu’elle le e fut. Freeman. – la notion de similarit´ entre tous les objets vus de tr` s loin . e 6 2 1 12 1 1 1 (14.1) 3 (5. ` 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.4.4 Chaˆnes de Freeman ı ˆ 14. mais elle apporte des concepts int´ ressants a la descrip´e e e ` tion des formes : – la notion de raffinement de la description. ¡   ¤¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ £ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤¤¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤ ££¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡££¤¤£ ¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ £¤ £¤ £¤ £¤ £¤ £¤ £¤ £¤ £¤ £¤ £¤ £¤ £¤ £¤ £ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤£ ¤¤¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤ £¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡¤£ £¤¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡£ ¤¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¤£¤£¤ ££¤¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡¤£¡ ¡£¡£¡£¡£¡£¡£¡£¡£¡£¡£¡£¡£¡£¡£¡ ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤¡£¡£¡£¡£¡£¡£¡£¡£¡£¡£¡£¡£¡£¡£¡¤£ ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤ ¤ £¤£¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡¤£ £¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡£¤¡ ¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡£¤£ B  ¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¢                             ¡ ¢¢¡ ¢¢¡ ¢¢¡ ¢¢¡ ¢¢¡ ¢¢¡ ¢¢¡ ¢¢¡ ¢¢¡ ¢¢¡ ¢¢¡ ¢¢¡ ¢¢¡   ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢ ¢  ¢¢¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡   ¢¢¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢  ¢ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡  ¢¢  ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡  ¢ ¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¢¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢   ¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢¢  ¢ ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡  ¢¡ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢  ¢¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¢  ¢ ¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡   ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡   ¢¢¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢¢ ¢  ¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢  ¡ ¢¢ ¡ ¢¢ ¡ ¢¢ ¡ ¢¢ ¡ ¢¢ ¡ ¢¢ ¡ ¢¢ ¡ ¢¢ ¡ ¢¢ ¡ ¢¢ ¡ ¢¢ ¡ ¢¢ ¡ ¢¢ ¡   ¢¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡  ¢ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¢  ¢  ¢¢  ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢  ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡  ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢  ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ A 14.

14. La distance d’une repr´ sentation a la forme initiale peut se mesurer par la surface entre les 2 e ` contours. Y est la e forme la plus proche par d´ faut (enti` rement contenue dans A). Les 3 formes X. 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.6. 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 et Y sont superpos´ es a e e e e ` droite. e e 2. 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. 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 e e ¢ ¥x   ) ¡   x  w   2 0 4 0 3 5 6 7 . e a e a Deux exemples de codages par chaˆnes de Freeman sont pr´ sent´ s sur la figure 14. e Dans d’autres techniques. Y et Z en sont des approximations. e 1 3 2 1 F IG .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 ). Dans le cas de la 4-connexit´ . ¸ e Cela peut se justifier en codage sur 3 bits si une direction est tr` s dominante par rapport aux autres. 14. Il y a de nombreuses formes a distance minimale. e Les codes des contours sont donn´ s par la figure 14. 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 . e e Le codage d’un contour se fait donc de la facon suivante : ¸ 1. transmission des coordonn´ es absolues du point de d´ part. DESCRIPTION DE CONTOURS ET DE FORMES X Z X Z F IG . 14. tandis qu’en 8 connexit´ elle occupe 126 bits ( 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). transmission de la liste des codes de d´ placement d’un point du contour au suivant sur le maillage. Z est celle par exc` s.4.276 ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢    ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢   ¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢  ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡  ¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¢ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡  ¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡  ¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡                                             ¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡¢  ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡  ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡¢  ¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¢  ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡   ¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡                                           ¢¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¢ ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡ ¢   ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡¢  ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡  ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡¢  ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢  ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡   ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¢ ¢ ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢  ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡  ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢  ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢  A Y CHAPITRE 14.6 – Les codes de Freeman en 4-connexit´ (` gauche) et en 8-connexit´ (` droite). 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.

4. CHAINES DE FREEMAN 277 le codage en 8-connexit´ est g´ n´ ralement plus compact.4.2 Les propri´ t´ s des chaˆnes de Freeman ee ı Les chaˆnes de Freeman se prˆ tent a un certain nombre de manipulations commodes.8 – En 8-connexit´ . On ne peut g´ n´ ralement pas r´ duire une courbe sans distorsion. Dans la figure de droite. exemple en 4-connexit´ : e . On obtient une dilatation de la courbe d’un facteur  en r´ p´ tant fois chaque descripteur. On mesure la longueur d’une courbe par les formules suivantes : – en 4-connexit´ : e nombre de descripteurs. e e 2. Inversion d’un chemin : on inverse tous les descripteurs et on inverse la s´ quence. – en 8-connexit´ : e nombre de descripteurs pairs + nombre de descripteurs impairs. La qualit´ du codage est cependant toujours au moins e e e e aussi bonne en 8-connexit´ . On fait tourner une courbe de (dans le cas d’une chaˆne de Freeman en ı retranchant) modulo a la chaˆne initiale. 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 . 14. 5. Il existe plusieurs simplifi´ es selon l’ordre de substitution que l’on adopte. 14. L’inverse d’un descripteur e est . il est possible de simplifier les courbes en remplacant certains couples de descripteurs e ¸ par le descripteur de la table ci-dessus. e 14. 3   &  §   ¢C¢ &     ¦ C  ¢C  £ x  & connexit´ ) en ajoutant (ou e   ©  §   Q    ¢ ¢ 4 "   ¡   "  & " . e e e 3. ` ı 4.ˆ 14. ı e ` 1. e 1 0 A X A Y X = 01000030030303003030303202221222232333033030000000100100100010 Y=100007707707776544434445576777000010101001 F IG .7 – Codage de Freeman. la figure b est une simplifi´ e de la figure a par e remplacement des seuls angles aigus. Approximation de la courbe A par la chaˆne X (en 4-connexit´ ) et par la chaˆne ı e ı Y (en 8-connexit´ ).

mais les fermetures obtenues ainsi sont de e longueur minimale. e ¢  C    ¡  ¡    ¦     C ¢C     ¢  ¦  C ¢  ¡ ¢     C   ¢         ¦       revient a une permutations ` . Il y a d’autres fermetures minimales que celles obtenues par addition de l’inverse d’un r´ duit. Pour connaˆtre le sens d’un contour ferm´ . ı e 10. En 8-connexit´ les configurations sont un peu plus nombreuses. Changement d’origine : le changement de l’origine d’une chaˆne de longueur ı circulaires des descripteurs modulo . On obtient tous les chemins r´ duits en e changeant l’ordre des associations. Si a un instant la chaˆne d´ j` parcourue se r´ duit a une e ı ea ` ı ea e ` chaˆne nulle. DESCRIPTION DE CONTOURS ET DE FORMES 6.8) : ´ e exemple en 4-connexit´ : 012 e 1 . 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 . Simplification d’un chemin : c’est un chemin dont on a supprim´ des d´ tails sans changer globalement e e la forme. On associe 2 par 2 des descripteurs inverses de la chaˆne et on les supprime. 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. ı exemple en 4-connexit´ : e . Courbe qui s’intersecte : pour savoir si une courbe d´ crite par sa chaˆne se recoupe. En 4-connexit´ . Fermeture d’un contour : on teste la fermeture d’un contour en v´ rifiant que la chaˆne r´ duite est nulle. 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. 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. en 8-connexit´ : 03 e 2 . Il y a beaucoup d’autres e fermetures possibles que par addition de l’inverse d’un r´ duit. on r´ duit ce contour jusqu’` ı e e a n’avoir que 4 descripteurs. 7. 8. – le carr´ direct : e – le carr´ inverse : e . il n’existe que 2 chaˆnes possibles (et celles qui s’en d´ duisent e ı e par changement d’origine) : . 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 a trouv´ un point double. e 9. 1977]. e ı e On ferme un contour en lui ajoutant le chemin inverse d’un de ses chemins r´ duits. 11. e 12.278 CHAPITRE 14. figure 14.

1974. T = exemple de boucle dans une chaˆne. 14. il convient de tester les deux chaˆnes descripteur a e ı ` descripteur sous toutes les hypoth` ses de permutation circulaires.4. [Boyer et Moore. 1977.ˆ 14.3 Reconnaissance des formes par des chaˆnes de Freeman ı Pour que 2 formes et soient identiques. comme elles peuvent avoir des origines diff´ rentes. CHAINES DE FREEMAN 279 X=01033001 Y=0011003333000011 Z=12100112 W=32211232 A=0321 B=0123 X1=0103300323212 Y1=033 T=0010000333221100033332222222111221 F IG . Enfin. 3 Ce  sont des automates finis semblables a ceux qui sont utilis´ s en particulier pour les compilateurs et les editeurs de texte. Miclet.4. etc. Z = rotation ee ı ı . ı ı e ı de A et B sont les deux contours el´ mentaires (inverse et direct) en 4-connexit´ . 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. ` e ´ ¡ ¡   ¢ ¡ ¡      ¡ ¥ . elargi pour des substitutions de plusieurs ´ descripteurs cons´ cutifs dans [Lowrance et Wagner. 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). e u permutation de descripteurs. e Puis. Miclet. 1984] 3 . Des techniques rapides ont et´ d´ velopp´ es pour e ´e e e faire ces recherches (d’une complexit´ sous-lin´ aire en ). il faut tout d’abord qu’elles aient le mˆ me nombre de descripteurs. Y = contour double. 1984]. X1 = chaˆne originale et Y1 = chaˆne r´ duite. ´e e 14. W = contour inverse. il faut comparer e a d’une part et a d’autre ` ` part.9 – Quelques propri´ t´ s des chaˆnes de Freeman : X = chaˆne originale. On utilise alors g´ n´ ralement des techniques de programmation dynamique (ale e gorithme de Wagner et Fisher [Wagner et Fisher. comme elles peuvent diff´ rer par le sens de description. 1975]) ou de relaxation (algorithme de Davis) pour retrouver e la distance minimale entre et . adjonction de contours.

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

la courbe pr´ sent´ e r´ sulte de l’adjonction d’un coefficient de pression (donc a e e e ` ). e # WC 3     $ ¡ & ¢ %   C  ¨ &   3 c&    $ & ¡     7 $   C &  c&  Les coefficients .   est le centre de gravit´ de la forme. APPROXIMATIONS POLYNOMIALES 281 3. la forme est un cercle de rayon 2.6. Ces actions sont r´ parties e r´ guli` rement autour du cercle unit´ .11 – A gauche : descripteurs de Fourier par repr´ sentation complexe. e y M k = xk + i y k x F IG . apr` s troncature. 1982]. e e e – les valeurs de indiquent des actions de traction sur la courbe. Si tous les cˆ t´ s). un contour qui s’auto-intersectera.. – la phase du nombre complexe : exprime le lieu. 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. e u 4. Et plus les coefficients sont elev´ s plus les ´ e d´ tails sont fins sur la courbe. pour . A droite : le cercle r´ sulte de la prise en compte du seul coefficient e e . jouissent d’int´ ressantes propri´ t´ s [Bertrand et al. e ee (ou un polygone r´ gulier a e ` rend la forme invariante par © i& "   ¡ ¦ ¥ 3 §  ©  ' ¨¡ ¡ ¨ descripteurs de Fourier. e 14.14. les valeurs de e indiquent des actions de pression sur la courbe. Si l’on l’omet. La normalisation par o e homoth´ tie. 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. Ils peuvent etre invariants par rotation si e e e ˆ l’on s’int´ resse aux seuls modules des coefficients . 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 . e   ¡   ¢ 3  &    ¥ ¦ ) ¥  &  2 & $   C C 2 & $  $  ¡ &    & 1. plus la forme est complexe.6 Approximations polynomiales Il y a essentiellement 3 types de telles approximations : C 3  &    & $ 6  ¡ & ¡ sont nuls sauf pour . sur le cercle unit´ . etc. Le point courant e est d´ crit par e ses coordonn´ es complexes dans le plan image. 14. en 1 seul point (donc ou . Plus les coefficients sont nombreux. o` s’exerce l’action. 2 actions pour et . les coefficients de la TF £ © ¦ ¡   de : v   ¡ $       ¡   3 t & $   3 c&    ¡ ¡y&   . 3 actions pour et . ici ). pour la d´ former vers l’ext´ rieur du e e cercle unit´ . e Parmi leurs inconv´ nients. de d´ phasage nul (puisque situ´ en ). donc oe joue le rˆ le de facteur d’´ chelle. la description est invariante par translation. pour creuser la courbe vers son centre. Pour   . il faut noter que l’on ne peut pas ais´ ment garantir qu’un contour de forme simplee e ment connexe ne donnera pas.

Il y a 2 facons de prendre le probl` me. 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.12) : # qui minimise la distance ¢% ! W&# ¢ "§ C’est un probl` me bien classique mais qui m´ rite pourtant un peu d’attention. puisque et y jouent habituellement un rˆ le equivalent. 14. o` . ` 2. que l’on cherche a approcher par une droite. 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. DESCRIPTION DE CONTOURS ET DE FORMES 1. ainsi qu’aux approximations par des e e e e polynˆ mes d’ordre plus elev´ . Fig 14. 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 14.1 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. la distance minimis´ e est celle mesur´ e selon le seul axe . C’est donc une mesure o ´ e e e g´ n´ ralement mal adapt´ e en traitement d’image. 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 analytiques par ajustements de nuages de points par des polynˆ mes du premier ordre o (conduisant donc a des polygones) . e e Mais avant d’en arriver a cette situation simple.6. Soit e e nombre . et sont donn´ s par : u e . 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 .282 CHAPITRE 14.1)   . et en particulier les approximations par des fonctions les points. C’est ce que nous abordons tout d’abord.2.6. ee e % ¡ v ¢ ¢ ! £!  ¡! © ¡ ##7#   ¡v t % $# # £ # ¡ % % bb  t ¡ % bb © ! ! b Cb % C C   ¡ ¡  §   ¡ ¡ La solution est donn´ e par : e matrice . les approximations par des polynˆ mes de degr´ o e splines. e Les approximations polygonales des formes d´ crites par des points de contour sont les repr´ sentations les e e plus employ´ es. en   ¢% ¡ t   ¢ © ¦   ¡£ Q        ¡     (14. On lui e e e o ´ pr´ f` re donc les m´ thodes par axe d’inertie. ` ¸ e ©  ¢ 6 ¡     £v©¢ ! ¡   £ ¡  7   ¡ # % C § © ¨ 3 3.

6. ´ e e e ee Elles se transcrivent beaucoup plus difficilement a des polynˆ mes d’ordre plus grand car on ne sait pas. APPROXIMATIONS POLYNOMIALES ∆ ∆ 283 d1 Mi d2 Mi régression axe d’inertie F IG .. Rousseeuw et Leroy. 14. e e test de Cramer-von Mises calcule une distance entre la loi gaussienne th´ orique et la r´ partition exp´ rimentale des erreurs. 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 5 Le 4 on £ ¡ # £ C’est l’´ quation de l’axe d’inertie des points. Lorsque le bruit est gaussien. 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 ` Approximation par axe principal d’inertie C’est aussi une approche aux moindres carr´ s.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. 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. 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. de d´ tections erron´ es dont les ecarts a la e e e e ´ ` droite ne sont pas gaussiens (ce sont des outliers4 ). exprimer la distance d’un point courant a une telle fonction. a droite par axe d’inertie. e e e e moindre carr´ (LKS) [Lee et al. 1990].14. les estimations aux moindres carr´ s nous assurent d’une bonne qualit´ de l’ese e tim´ e. 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). Une premi` re facon de prendre en compte ces points consiste a faire une premi` re estimation aux moindres e ¸ ` e carr´ s.12 – Deux approximations lin´ aires aux moindres carr´ s minimisant des distances diff´ rentes : a gauche e e e ` par r´ gression lin´ aire. Mais il faut souvent tenir compte de la pr´ sence. 1987]. 1998]. 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 . en r` gle ` o e g´ n´ rale. 1991. 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). 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.

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.2. ` e mais en pond´ rant chaque point par un coefficient e qui tend vers 0 pour des points loin de la solution. ` 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. Ainsi. Dans le cas de l’estimation simultan´ e de deux variables. plus coˆ teuses en temps de calcul. Chaque conique indic´ e par est alors d´ crite e e e e par son centre . ee u e e Dans une estimation par m´ diane. 1981]. 1987]. il est possible de faire une classification au sens des nu´ es dynamiques par exemple.1 ou mieux 14. on choisit 2 points quelconques e et de l’ensemble. 1981]. Une autre famille de m´ thodes utilise la version floue des nu´ es dynamiques (les C-moyennes-floues ou Fuzzye e C-means). les distances 6 croˆssent moins vite que la loi quadratique ou d´ croˆssent mˆ me pour tendre vers 0 pour les grandes distances. on v´ rifie : ` e [Bezdek. On converge vers une solution qui d´ pend assez fortement de ı e l’initialisation. c’est par exemple le cas e de la m´ thode RanSac (Random Sample Consensus) [Fischler et Bolles.284 CHAPITRE 14. Le filtrage m´ dian peut tol´ rer jusqu’` e e e e a d’outliers. Estimation d’un m´ lange de droites e Si l’on sait que droites existent dans l’ensemble des points. e ı e Une autre famille d’estimateurs robustes s’appuie sur des recherches syst´ matiques. 1981]). 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. Par combinatoire sur l’ensemble des points. 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. On it` re le e e processus enchaˆnant classification et estimation. on peut choisir une u e e param´ trisation matricielle de la forme quadratique les repr´ sentant. 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. mais capables d’´ liminer beaucoup plus de points erron´ s. De nombreux estimateurs robustes ont et´ calcul´ s a partir de la notion de m´ diane. On lui pr´ f` re des techniques d’estimation par m´ diane ou par m´ dianes ´ e ee e e it´ r´ es. 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 . on obtient deux ensembles de coefficients : et . dans laquelle chaque point appartient a l’une des droites avec une appartenance ` fonction de sa distance 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). 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). 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. On attribue chaque point a la droite qui minimise la distance 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. Cette m´ thode consiste a choisir e e ` 2 points et a adopter la droite qui les joint comme approximation. 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. l’estimation par m´ diane permet de tol` rer e e e jusqu’` a d’outliers ( ). On leur associe une droite qui fournit des coefficients et . Pour tout point . On les appelle des M-estimateurs. 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. Dans ce cas.

on dispose de tr` s nombreux algorithmes qui proposent soit des crit` res d’approximation soit des e e mises en œuvre diff´ rents. dans son impl´ mentation it´ rative. 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   . e e Algorithme de Dunham Dans cette m´ thode on cherche a supprimer les cordes successives qui sont presqu’align´ es. APPROXIMATIONS POLYNOMIALES ¡ ¡ 285 o` u est le point courant du plan. Le processus ´ e e e e e e e s’arrˆ te lorsque la nouvelle distance candidate est inf´ rieure a un seuil fix´ . Le crit` re de s´ lection est la distance maximale a la corde polygonale e e ` pr´ c´ demment obtenue. ¸ e ee ` ´ C’est cette derni` re version que nous examinons sur l’exemple de la figure 14. il se peut que la e e distance a l’´ tape soit sup´ rieure a celle a l’´ tape ` e e ` ` e . On se fixe donc e ` e une tol´ rance angulaire . Le plus connu est l’algorithme de la corde. Il ne garantit pas e e non plus une convergence uniforme vers la courbe finale car. 14. 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.6. Tr` s employ´ dans de nombreuses e e ` applications par la simplicit´ de sa mise en œuvre.14. Les points et sont successivement s´ lectionn´ s pour cr´ er la e e e ligne polygonale repr´ sentant la courbe e . 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. 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). Les sommets du polygone sont e choisis successivement comme les points de les plus eloign´ s des cordes pr´ c´ demment tir´ es. ¡ M1 M1 M3 A B A B A M2 A B F IG . 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.6.13.13 – Algorithme de la corde.2 Approximations polygonales. 14. Partant de .

14.6. les fonctions approximantes qui ne passent pas n´ cessairement par les points mais qui s’en approchent de e facon contrˆ l´ e. les fonctions interpolantes qui passent exactement par tous les points de contours qui sont utilis´ s pour e calculer la spline . les points ` et sont choisis lorsque la tol´ rance angulaire e est insuffisante a approximer la courbe. e e – les approximations par polynˆ mes d’ordre 2 permettent d’avoir des d´ riv´ es continues. Unser. o e e – les polynˆ mes d’ordre 3 permettent d’avoir des courbures continues. la courbe est parcourue. Dans ce sch´ ma. 1999] : ˆ e 1. mais dans un sch´ ma progressif. ea e ` e e 14. o Les fonctions splines sont de bons candidats pour ce type d’approximation.14 – Algorithme de Dunham. e Le processus est r´ p´ t´ en ce point. a gauche.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. partant d’une extr´ mit´ .5. un algorithme progressif utilise le crit` re de distance de tout point de la courbe au segment d’approxie mation. 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. e B M2 M1 M1 A M3 B M2 M3 A F IG . 2000]. 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. au chapitre e e´ 12.2 lorsque nous avons estim´ des fonctions r´ guli` res lors de segmentation par r´ gions. Nous en avons d´ j` vu l’usage a ea ` diverses occasions : au chapitre 10. A droite. algorithme de Wahl et Danielsson : il cherche un minimum des ` surfaces laiss´ es entre la ligne polygonale et la courbe. ¸ oe ¥ 6 s £ 6 # ¡ 6 s . 2. 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. a une tol´ rance donn´ e.286 CHAPITRE 14. Deux types de fonctions e e e e peuvent etre utilis´ es [Unser et al.. e Algorithme progressif Enfin. 1993a. e ee Algorithme de Wahl et Danielsson Son objectif est de minimiser l’aire laiss´ e entre la courbe et la ligne polygonale.2 lorsque nous avons discut´ du r´ echantillonnage des images.4.

Le morceau est d´ fini par : e Q4 P4 P3 Q3 P1 Q1 Q2 P2 F IG .2 ´e dans l’´ quation 14.14. 1990] e´ ´ sous la forme : Interpolation Dans ce cas.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 : . alors et .4) ¥ ¡ C  & ©3 & ¢ $ b4 b b © § $ #  ¢ d  £        3  7 © 7 $ £ § ¢ $ ¥ # $ ¡ % ¦$   ¦ $ £ ¤       © B¨ $ ©   ©   § 1¢ d § $¥   7   ¢    © 1¢ § 7 1¢ § ¢ d d  © § $ ¥   4   £¡  (14. on d´ finit la spline d’ordre par morceaux en fonction d’une variable e continue .15 – Dans le cas d’une interpolation spline. 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. APPROXIMATIONS POLYNOMIALES Approximation 287 Dans le cas des fonctions approximantes.6. 14. on peut r´ ecrire cette equation [Goshtasby et al. les jonctions entre les morceaux de splines sont les points de contrˆ le eux-mˆ mes. les coefficients des splines de l’´ quation 14.4.3) . 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). 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 .. . et des points de contrˆ le o qui la d´ terminent.3 : e (14. 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 10.32 et suivantes : ´ ¨ qui ont et´ introduites au chapitre 10.

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 %# ! ¥ ¡ ¢   £ . on obtient tous les points de . id´ alement.4. ce qui est l’´ quation d’une droite. on se retrouve devant un difficile probl` me de e e e e m´ lange.7. 14. 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. on associe a un ensemble de droites ` qui. on associe a tout point e ` de toutes les droites du plan. 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 e ` £ ¢ ¡ ¢ ¡ 7 la d´ nomination e ma1 ` se traduirait alors pr´ cis´ ment par e e 2 a 1 . ` e ` ` Lorsque l’on transforme tous les points de par la transformation. 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 . e figure 14. 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. Les coordonn´ es e et du point se d´ duisent imm´ diatement de l’´ quation e e e de . attention. Les solutions combinatoires (o` l’on recherche syst´ matiquement les classes possibles) sont g´ n´ ralement e u e e e inacceptables. une droite de qui se transforme en un unique point7 de . ´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. on a ). 1978.288 et les coefficients inconnus CHAPITRE 14. 1985b]. Le nombre de transformations a faire est ` . se coupent en des points e . e ` On se ram` ne donc. Maˆtre. 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 14.16).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. 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. 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. Transformation de m a 1 ` Dans cette d´ finition. on choisit d’associer a tout bi-point e ` . ` n’a pas la mˆ me signification dans les 2 d´ finitions. many en anglais) et a un point de une droite de . ` ` 14. Elles sont d´ finies e dans par : . 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.2 les divers modes de r´ solution soit par inversion de matrice soit par filtrage (cf. Le nombre de transformations a accomplir est ` . a la recherche des nuages de points les plus denses du plan . 1978. La transformation de Hough nous propose au contraire une solution el´ gante. comme pr´ c´ demment. Ces applications e ı seront vues plus tard. Sklansky. DESCRIPTION DE CONTOURS ET DE FORMES dont on a vu au chapitre 10.15). Les transform´ s des e sont les droites cherch´ es dans . un espace de param` tres.1 D´ finitions e Transformation de 1 a m ` Dans cette d´ finition. En combinant tous les couples de points de .

On a repr´ sent´ quelques-unes seulement de toutes les droites existantes.7. Ces deux transformations sont donc tout a fait equivalentes dans leurs r´ sultats.17 – Transformation de Hough de m a 1. d´ finissent une droite qui se transforme en e $ £ $ 6 $ 6 6 © ¥ # # ¥$§  ¥# #  $ ¡ d . l’un en A. Elles d´ finiront e e e finalement 2 points d’intersection. Deux points ` 1 point de l’espace des param` tres e . 14. 14.16 – Transformation de Hough de 1 a m. ` ´ e b y Mj Q jk a Mk x # ¡ F IG . TRANSFORMATION DE HOUGH 289 b y B A a Mk x ∆k F IG . l’autre en B. ` 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. Un point est transform´ en une droite e de l’espace ` des param` tres e .14.

18). ni transformation perspective. Elle contiendra un nombre d’autant plus important que la droite . 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. 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. Soit la forme recherch´ e. Si les seules inconnues d’un probl` me de d´ tection sont e e e e e ` e les deux translations du plan ( et ). etc. et 0 sinon). Le filtrage adapt´ conduit a une d´ tection e e ` e optimale au sens de l’erreur quadratique moyenne. Celui-ci proc` de usuellement en calculant l’int´ grale ci-dessus pour un e e e e d´ calage e donn´ . [Maˆtre. Chaque cellule de position e e mulateur. Princen et al. 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 ).2 Mise en œuvre de la TH Discr´ tisation de e   ¥ # # ¢ ¥  !¢ # % ¢ ¥ # ¢ Dans la pratique le plan est discr´ tis´ . Cette inversion des op´ rations peut permettre de tirer profit d’a prioris importants pour acc´ lerer les calculs. 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 .. en recherchant les maximums de la fonction de corr´ lation : e Ce qui est bien le r´ sultat cherch´ .7. pour d´ terminer la taille des accumulateurs o ` e e e lorsque la PSF est connue. des exemples seront e e e ` vus plus loin. Soit la forme caract´ ristique de l’objet disponible ( e si appartient au contour de l’objet. Par exemple. # 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.290 G´ n´ ralisation e e CHAPITRE 14. ı 14. Il existe g´ n´ ralement de nombreuses transformations de n a m ( e e ). 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. Ces probl` mes n’´ tant pas directement li´ s a la recherche de contours. En fait on montre que la TH agit en pratique en inversant l’ordre des e e int´ grales par rapport au filtrage adapt´ . on peut utiliser simultan´ ment la position d’un point de contour et la direction de e ` la tangente en ce point. 1992]. c’est a dire si la forme ne subit ni changement d’´ chelle ni rotation. 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 . 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. Cette contribution a l’accumulateur de position ` . figure 14. TH et filtrage adapt´ e Sklansky [Sklansky. 1985b. ` 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.

e e   #  $§ ¥ £ # £ ¤¤     ¡ ¡     %# &$! F IG .2. Chaque hypoth` se donne naissance a e ` ` des votes pour des cellules particuli` res. de f sera associ´ au point e © a ¡ de g si l’on © a 3 %# & 3 ! "§ ¥   #  .y) f (x−u. TRANSFORMATION DE HOUGH 291 f(x. Des accumulateurs trop petits recevront tr` s peu de votes et donneront des statistiques peu significatives. e e Par ailleurs. 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). e Le choix de la taille des accumulateurs est donc un probl` me d´ licat. 2. Des accumulateurs trop grands donneront une mauvaise pr´ cision dans la d´ tection de la droite. 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 . tous les accumulateurs sont a z´ ro. le premier passage permettant de dimensionner les cellules. 12. 14. l’accumulateur de la cellule est incr´ ment´ de 1. e e e Lorsque tous les candidats ont vot´ . Il est alors de grande dimension. Cela peut se faire dynamiquement par des approches de subdivision r´ cursive u e des cellules (selon le principe des quad-tree cf.7.y−v) g(u. puisque l’espace est l’espace produit de tous ces param` tres. on recherche les accumulateurs de de comptes localement maximaux.14. combinatoirement pour les autres).18 – Transformation de Hough : le point de coordonn´ es e fait subir a cette courbe g une translation de ` . 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.v) g O Au d´ but de la transformation. Pour chaque vote.4). e e 1. ou par des passages successifs sur l’ensemble des points de . e On ne saura d´ cider de la position d’un maximum entre plusieurs cellules voisines de comptes faibles et e proches. Les points sont alors visit´ s successivement e ` e e (individuellement dans la TH de 1 a m.

les paraboles (3 param` tres si l’on connaˆt la direction de leur axe. ı 14.3 D´ tections par TH e La TH est tr` s souvent utilis´ e. ee La transformation de 1 a m s’´ crit : e . figure 14. 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 #  #  . 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 . Dans l’espace . pour d´ tecter des droites. Elle fournit egalement des domaines de variation finis : ´ et si L est e ` le cˆ t´ de l’image. ainsi que les e e ´ distances . les domaines de variation de et sont potentiellement de moins l’infini a plus l’infini. 5 dans le cas g´ n´ ral). 14.7. Par ailleurs. conduisant a un insoluble probl` me de r´ solution de cellule.19 – Transformation de Hough de 1 a m en coordonn´ es normales. puisqu’une droite dont serait sup´ rieur a la longueur de la diagonale de l’image ne serait pas oe visible dans l’image.19). Dans ce cas la droite est rep´ r´ e par la distance et l’angle . conduisant donc a des cellules qui seront tr` s in´ galement remplies si leur taille est uniforme.292 Param´ trisation des formes e CHAPITRE 14. Par exemple pour e ı e e d´ tecter des cˆ tes dans les radiographies du corps humain) . statistiquement. Dans le cas d’une e e ` param´ trisation cart´ sienne ( e e ). on voit que. Cette param´ trisation est tout d’abord homog` ne puisque les angles sont a priori equiprobables. 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 . comme nous l’avons vu pr´ c´ demment. d’´ quation : e   avec : . par exemple la param´ trisation e e normale (cf. chaque point donne une sinuso¨de. si l’on examine la ` ` e e e des droites du plan pour et variable par exemple. Les autres e e e e e courbes param´ tr´ es d´ tect´ es par la TH sont : e e e e 1. elle d´ crit pour . Une droite e est rep´ r´ e par l’angle ee ` et la distance au pied de sa normale . ` e e On peut cependant choisir une param´ trisation plus heureuse pour la droite.

.8. e e egalement utilis´ e pour d´ tecter des formes circulaires vues en perspectives. 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. projection perspective. Les param` tres sont alors ceux qui caract´ risent la d´ formation : changement d’´ chelle. rotation a 2 e e e e e ` ou 3 D. 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. puisque ces deux objectifs e e` e ea sont aussi ceux que la reconnaissance des formes se donne. 3. forme fr´ quemment recherch´ e en exp´ rimentation en physique ou ı e e e e en g´ ologie. 14. CONCLUSION 293 2.8 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. centr´ e e o e au centre du cercle. les ellipses (5 param` tres : les 3 du cercle + la direction de l’axe et l’applatissement ou l’ellipticit´ ). elles rel` vent d´ j` toutes de la reconnaissance des formes. e La TH est egalement utilis´ e pour suivre des formes quelconques sous des hypoth` ses de transformations ´ e e particuli` res. en effet. etc. En cela.14. 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. ´ e e 4. des traces sinuso¨dales (5 param` tres).

294 CHAPITRE 14. DESCRIPTION DE CONTOURS ET DE FORMES .

1 Espace projectif et coordonn´ es homog` nes e e dans lequel au moins une coordonn´ e est non nulle. Nous aborderons enfin la g´ om´ trie e e e diff´ rentielle qui permet de d´ crire la surface des objets de l’espace. 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.1 G´ om´ trie projective e e Les principaux el´ ments de g´ om´ trie projective peuvent etre trouv´ s dans [Faugeras. Un point pour lequel est appel´ point a l’infini. 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. Ces transformations ont fait l’objet d’´ tudes intensives ces derni` res ann´ es [Faugeras. e Nous examinerons ensuite les diverses repr´ sentations possibles des rotations. Gallice. e ` Les transformations lin´ aires d’un espace projectif e dans un autre sont appel´ es colin´ ations.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. Une e e colin´ ation est d´ finie par une matrice de taille e e de d´ terminant non nul. e e e Mohr et al.. ´e e e ˆ e 15. e e 15. not´ e coordonn´ es : e      est un espace dans lequel un point est repr´ sent´ par un vecteur e e (15. a un facteur non nul e ` pr` s ( et e d´ finissent la mˆ me transformation). 1994.1. 2002]. Ces coordonn´ es sont appel´ es coordonn´ es homog` nes. C’est l’objet de ce chapitre de pr´ senter ces outils. leur rˆ le dans la formation de l’image et les principaux e o r´ sultats qui leurs sont attach´ s. 1993]. e e Une base projective est un ensemble de points.1)     (15. 1993. qui font intervenir des outils adapt´ s de repr´ sentation et de traitement de l’ese e pace. tel que tous les -uplets soient lin´ airement e ind´ pendants.2) . 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 . 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 .

On peut montrer que l’espace projectif est topologiquement equivalent a la sph` re unit´ ´ ` e e de I R repli´ e. soit encore . Le th´ or` me d’´ quivalence permet de ` e e e manipuler plutˆ t que .3) !    U  ! ! ¡ ¢    !    £ ¤       !   ¡ © ¡# ! ¢¦  ! ! &# # ¡ "§ 3 ! ! bbb  © U C ¡¦   2  £ !  2  ¡ ! §   5x © ¡   C    ©  ¥9 ¡ C ©  § C # § C    §     £ ¤  ¥¦ ¨ . Ainsi tout point de la droite projective peut s’´ crire par exemple : e .6) ! ¦ avec ou . 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. Une droite de est egalement d´ finie par un triplet de nombres ´ e non tous nuls. ce qui revient a exclure le point ` . 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 . La source principale de ce r´ sultat est e a e qu’un point est un point de si . ´ e ´ Une droite passant par deux points et est repr´ sent´ e par le produit vectoriel e e . 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. repr´ sent´ e par une matrice inversible e e e e e de taille . Le point .1. alors C A# § ¡ # § C ¦ L’espace est appel´ droite projective. e ` L’espace projectif a pour base standard d´ finie comme pr´ c´ demment. est egalement sur la sph` re unit´ mais repr´ sente le mˆ me point de ´ e e e e . et (15. Un plan de est egalement d´ fini par quatre nombres non tous nuls ´ e et l’´ quation du plan est : e (15.5) L’espace est appel´ plan projectif. aux antipodes de . e La droite obtenue pour est appel´ e droite a l’infini. le point d’intersection de deux droites et est repr´ sent´ par le e e e produit vectoriel . Tout point u e e ´ ` quel -uplet de la base. c’est-` -dire dans laquelle on identifie les points aux antipodes. est compact. Il est tr` s important pour la repr´ sentation d’une image. ce qui signifie que le d´ terminant de e est nul. ELEMENTS DE GEOMETRIE TRIDIMENSIONNELLE de Un changement de base est d´ fini de mani` re unique par une colin´ ation.2 Espaces projectifs . Sa base standard est compos´ e des points e e . 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).4) ¡# ¥ ¡    ©  £   £¦ U ¡ © ¨  ¡ £ U g ¡ U ¥ U C      £¢ £¢ ! ¡ ¡ #  ¦ £ ¦  ¡ $¡ 2 £ ! £¦£ !  ¡¦¡ b ¢ (¥! ¦¢ ¡   ¡ # ¦ £¢ ! o` la i-` me coordonn´ e de est egale a 1. On en d´ duit que deux droites s’intersectent toujours dans l’espace 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 . Les sph` res ` e et repli´ es (dans I et I e R R respectivement) sont utilis´ es pour repr´ senter des directions. e ` (15. Par dualit´ . Cette equation repr´ sente egalement l’ensemble des droites qui passent par . Le point est obtenu pour et est appel´ point a l’infini. Un tel point est egalement un point de ´ . . tout point de la droite peut s’´ crire e pour et quelconques. o " 15. ce qui est plus simple. par exemple :    s’´ crit comme combinaison lin´ aire de n’importe e e (15. (15.296 ´ ´ ´ ´ CHAPITRE 15. Si l’on se restreint aux points tels que s’´ crit de mani` re equivalente comme : e e ´ . 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.

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. 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).2. Soit ˆ e un point de la ` droite d´ finie par les deux points et . L’intersection d’un plan et d’une quadrique est une conique de .´ ´ 15. e e . les ellipso¨des. 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. ` ` Le plan a l’infini est obtenu pour ` 15. Les quadriques none d´ g´ n´ r´ es (de rang 4) sont les sph` res.12) % 0¡  !   % © $¡  ! "§ ‚ © ¡ % $¡  ! "§ ! ! ¡ % ¢ y¢ x o` u   ! ‚¡ !  !  g ! ¥ d ! £   ¥   (15. Une droite de peut etre d´ finie soit a partir de deux points. Le rang de la matrice d´ finit le rang de la quadrique et est un invariant projectif. e ` e e L’intersection d’une droite et d’une conique peut alors etre exprim´ e facilement. en e ´ e ` remplacant par . et repr´ sente egalement l’ensemble des plans ´ ı e e ´ qui passent par le point . les e e e e ee paraboles et les hyperboles du plan. 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. GEOMETRIE PROJECTIVE 297 Cette equation fait apparaˆtre une dualit´ entre point et plan cette fois.1. Par ˆ e ` dualit´ .11) . les ellipses.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 coniques non-d´ g´ n´ r´ es (de rang 3) sont les cercles. ` e x d ¥ ! d b  ¢  ! d ! ¥ ¡ De mani` re similaire. sont respectivement des paires de e e ee droites et des droites.10) (15. les parabolo¨des et les hyperbolo¨des de l’espace. Le plan tangent a la conique au point est donn´ par ` e . si le rang vaut deux c’est une paire de plans. une droite est donc transform´ e en une droite. Tout plan intersecte le plan a l’infini selon une droite a l’infini. e e Dans le cas o` le discriminant de l’´ quation est nul. ¸ 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. c’est-` -dire qu’il est ind´ pendant de la base projective choisie. les deux points d’intersection sont confondus et la droite u e ` e est alors tangente a la conique. de rang 2 ou 1. Nous en donnons ici quelques exemples. C’est donc bien une a e caract´ ristique intrins` que de la conique.8) d ‚ ¥ ‚ (15.1. soit comme intersection de deux plans. Il est important de noter que ce rang est un invariant projectif. et si le rang vaut 1 c’est e e ee o un plan.3. par exemple lors de la recherche des formes fondamentales en section 15. ´ 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).9) (15. Une e e ee e ı ı ı quadrique d´ g´ n´ r´ e de rang 3 est un cˆ ne. Les coniques d´ g´ n´ r´ es.

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). c’est aussi celui qui a le plus grand groupe de transformations et le plus petit nombre ´ e d’invariants. par exemple sous forme d’une image. ´ Le passage de l’espace projectif a l’espace affine se fait en eliminant les points a l’infini. ELEMENTS DE GEOMETRIE TRIDIMENSIONNELLE 15.298 ´ ´ ´ ´ CHAPITRE 15. Les espaces m´ triques et e e e affines sont interm´ diaires. 15. le groupe des transformations est un sous-groupe du groupe des transformations ` du niveau pr´ c´ dent. 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 . e e ee Souvent nous n’en avons qu’une repr´ sentation partielle. Soient quatre points colin´ aires de param` tres . C’est l’espace le plus complet. e Dans l’espace projectif. outre les relations d’incidence.1. Ce sont egalement des invariants. les bi-rapports. d´ finis e e e de la mani` re suivante. ce qui laisse 15 degr´ s de libert´ . Ainsi les transformations euclidiennes forment le plus petit groupe.1. et est invariant par toute transformation projective e .13)     . D’un niveau a l’autre. parall´ lisme e distances angles relatives. L’espace projectif e e etant le moins structur´ . voir figure 15. e ` e e e Les invariants de sont.4 Stratification. 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 – Stratification des espaces. 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. 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. La droite portant ces points est par e e e e e .1. e e Espace Degr´ s e de libert´ e 15 Forme des transformations lin´ aires e Invariants Projectif M´ trique e 7 TAB . et la structure e r´ duite plus simple de l’espace projectif permet alors de manipuler cette repr´ sentation. comme le montre le tableau e 15. de colin´ arit´ et de tangence. distances absolues % ! ¥   (15. groupes de transformations et invariants Le monde est en g´ n´ ral consid´ r´ comme un espace euclidien tridimensionnel. du moins structur´ au plus complet. le groupe des transformations est celui des colin´ ations. A chaque niveau sont associ´ s un groupe de transformations lin´ aires et des invariants. le groupe le plus g´ n´ ral e e e des transformations lin´ aires.

tel que repr´ sent´ sur la figure 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. puis un produit par un facteur d’homoth´ tie.2.1. par une projection perspective. Elles ont 12 degr´ s de libert´ et laissent le plan a l’infini invariant. en b).1. le cube original se transforme : en a) par rotation et translation (transformation euclidienne) . GEOMETRIE PROJECTIVE 299 b c a forme originale d F IG . `   Le groupe des transformations de l’espace m´ trique est le groupe des similarit´ s (compos´ es de rotations. e En utilisant cette bijection.´ ´ 15. en d). par une transformation m´ trique . par une affinit´ (sous forme d’un e e parall´ logramme) . appel´ stratiı e ¡ Par exemple. En coordonn´ es cart´ siennes.14)   £ 2 . De plus. les transformations affines sont les transformations lin´ aires e dont la forme g´ n´ rale est donn´ e dans le tableau 15. le parall´ lisme est un invariant des e transformations affines. 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). ainsi que les rapports des longueurs dans une direction donn´ e (correspondant au bie rapport lorsque deux des points sont a l’infini). qui n’ont pas d’´ quivalent dans l’espace affine.1. en c). e e forment donc un emboˆtement de sous-groupes. La forme g´ n´ rale d’une transformation m´ trique e e e e 15. e e e e e ` Les invariants projectifs sont a fortiori des invariants affines. e e Cette fois les distances relatives et les angles sont des invariants suppl´ mentaires. e Le plan a l’infini de ` peut etre consid´ r´ comme les points limites de norme infinie. L’ensemble des transformations lin´ aires de e fication. Les distances absolues e e e sont donc cette fois des invariants. De   £   b¡© C# %# ! Ai¨ # &0)§   ¦ ¡ © ¨ ¥   # &0)§ %# ! ¡ ¥   © # £ ¨ # £ % 1# £ ! "§ ¥   ¢ x ¢ . e e e est montr´ e dans le tableau e translations et homoth´ ties). une telle transformation s’´ crit comme la succession d’une rotation (matrice e e e orthonormale ). donc repr´ sent´ s par les ˆ ee e e coordonn´ es homog` nes e e .1 – Dans une transformation euclidienne. Les e coordonn´ es homog` nes permettent de regrouper ces trois termes dans une seule matrice. e Dans l’espace euclidien. puis une translation (vecteur de longueur 3). 15.

2 Repr´ sentations des rotations de I e R 15. On note que l’ordre dans lequel s’effectue ces u ` rotations est important pour le r´ sultat final.300 ´ ´ ´ ´ CHAPITRE 15.1 Les angles d’Euler Les rotations de I sont d´ finies par des matrices orthogonales (satisfaisant R e . l’angle de e e la rotation autour de et l’angle de rotation autour de . ı e 15. e e ´ ` e ` autour de chacun des axes du rep` re. Soit l’angle de la rotation autour de l’axe (dans le plan ).15) ¨   ¡  ©   4   ! ¥   ¤ %   £¡ ¢      ¡ ¡£   ! £¡         ¡ £¤      . On a : permet en th´ orie de retrouver les angles d’Euler. z γ β α x y F IG .3).2. 15. e Finalement s’´ crit : e Inversement. Elles peuvent se d´ composer sous la forme de trois rotations a 2 dimensions. la connaissance de la matrice de rotation Posons .3 – Repr´ sentation de la rotation par les angles d’Euler.2 – Les transformations d’espaces qui s’expriment lin´ airement en repr´ sentation projective forment un e e emboˆtement appel´ stratification. o` est la matrice u identit´ ) et de d´ terminant egal a 1. e o` la loi de composition s’effectue de la droite a la gauche. 15. ELEMENTS DE GEOMETRIE TRIDIMENSIONNELLE transformations euclidiennes transformations métriques affinités projections F IG . Ces angles sont appel´ s angles d’Euler de la rotation (figure 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. elle peut s’´ crire : e ¤ ¡ ¨ % ¡  ¡     ! ¢ (15.

2. souvent plus el´ gantes. il est possible de la repr´ senter a partir d’une matrice antie R sym´ trique.16) On d´ finit l’exponentielle de e par la somme : (15. e ˆ e et d’angle . e ` e e Plus pr´ cis´ ment.2. appel´ e axe de la rotation. 15. Mais cette d´ duction math´ matique ignore totalement la pr´ sence possible de bruit sur les coefficients e e e de la matrice . soit la matrice anti-sym´ trique e e e (15.17) On peut alors montrer que est une matrice de rotation d’axe de ce r´ sultat peut etre trouv´ e par exemple dans [Faugeras. C’est la repr´ sentation dite canonique. REPRESENTATIONS DES ROTATIONS DE I R   4 – si alors : . et que nous d´ crivons dans les e e paragraphes suivants. e Parall` lement a cette ecriture classique. 1993]. 1993]. La preuve ¢   v ¥ ¦   t £    ¤  £   ¡ # ¥ # %§ # ©f  b ¦§  ¡ ¡ ¡ #    ¥ b  3 ¡ ¢      ¡ f 3  # 7  £ £¦   ¥ 301 ¥ f     £¤ 3 ¦     ¤   4 ¡ £   ¡ ¥ ¥    ¥ ¡ ¤4   ¥      ¦  ¥ ¤    2     .2 Exponentielle d’une matrice anti-sym´ trique e z u θ y x F IG . e e ` Etant donn´ e une rotation de I d’axe quelconque.4). qui sont soue ` ´ ´e vent utilis´ es en traitement d’images et en vision par ordinateur [Faugeras. sans revenir a la d´ composition en trois rotations selon les trois axes du rep` re.´ 15. ¡ 15.4 – Repr´ sentation canonique de la rotation. – si alors et on ne peut connaˆtre que ı . et . e Une rotation de I laisse une droite invariante. 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. Elle peut alors etre d´ finie a partir R e ˆ e ` de cet axe et d’un angle (figure 15. il existe d’autres formulations.

e R. Le produit de deux quaternions et est d´ fini de la mani` re suivante : e e (15. En particulier.302 ´ ´ ´ ´ CHAPITRE 15. le calcul des puissances successives de donne : dont on d´ duit le th´ or` me. 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. 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.18) 3  ¡ ¡ £  ¡ ¥  ¡ # ©g¡  ¥ ¡# £ ¡§ ¡  ¡ a .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.19) e R o` et d´ signent les produits scalaire et vectoriel classiques de I . non commutative. Un quaternion e e repr´ sent´ de mani` re equivalente sous la forme e e e ´ . o` est un r´ el et un vecteur de I . avec u e R et . Par analogie avec les complexes. 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 (15.4 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.2. e e e 15. on appelle la partie r´ elle du quaternion et sa partie e imaginaire. 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. En effet. ELEMENTS DE GEOMETRIE TRIDIMENSIONNELLE 15. Ils sont d´ finis comme des vecteurs de I .2. sur ` ´ e e R peut etre ˆ lesquels on d´ finit une multiplication particuli` re.

En effet. La norme du produit de deux quaternions vaut simplement . Soit ` et Y Le produit vectoriel peut s’´ crire comme produit d’une matrice anti-sym´ trique et d’un vecteur. mais ce n’est pas le cas du produit ı e de deux quaternions quelconques. Cette equation fait e R e ´ apparaˆtre que la multiplication d’un quaternion avec son conjugu´ commute.21)       # § © 3 E 3 a ! ¡ x ! x   a C ¡ ¥   ¥  £E  © £   £   #  §   £ ¡£ © et 4  a # E§ £(   .22) Notons que le quaternion repr´ sente la mˆ me rotation. Cet isomorphisme est etabli par la relation entre ´ et exprim´ e plus haut. D´ finissons la relation e par . En effet. c’est un groupe (non ab´ lien).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. Cette relation est une relation d’´ quivalence. La norme d’un quaternion est un r´ el pur. On peut montrer que est isomorphe au groupe quotient . 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). on a pour tout vecteur de I : R (15. Soit e l’ensemble des quaternions de norme 1. alors leur composition est repr´ sent´ e par e e (et ). une rotation d’axe ee e R d’angle peut etre repr´ sent´ e par le quaternion ˆ e e tel que : (15.25) . 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 . On a : a partir de ceux de . 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 .´ 15. 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. Si maintenant une rotation est repr´ sent´ e sous forme matricielle et si est un des deux quaternions correse e pondants. L’ensemble e e des rotations de I muni de la composition (produit des matrices de rotations) est egalement un groupe R ´ .24) ou sous forme simplifi´ e en identifiant un vecteur et un quaternion : e (15.2. Muni du produit d´ fini plus haut. L’int´ rˆ t des quaternions ici r´ side dans leur lien avec les rotations de I . avec ¡ On peut alors exprimer les coefficients de .

Soit une transformation rigide form´ e d’une translation et d’une rotation . 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. 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. est de mani` re imm´ diate isomorphe a la sph` re unit´ e e ` e e de I . Soit un des deux quaternions repr´ sentant la rotation .28) Une des applications typiques des quaternions est le recalage rigide.30) En utilisant les propri´ t´ s des quaternions de norme 1. Soient et les deux ensembles de points a recaler. o` l’on cherche a optimiser la transformau ` tion entre deux ensembles de points ou deux objets. 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 : . le point correspondant au point (on suppose ici que cette correspondence est ` connue). ` par : En coordonn´ es homog` nes.29) ¡   On peut montrer facilement que la translation optimale est celle qui fait co¨ncider les centres de gravit´ de et . ELEMENTS DE GEOMETRIE TRIDIMENSIONNELLE (15. dans laquelle on identifie les points aux antipodes. ¥   ¡ . .27) Faisons maintenant le lien avec l’espace projectif . Le crit` re de recalage e e le plus souvent utilis´ est celui des moindres carr´ s. et on cherche alors la transformation qui minimise : e e (15.26) (15. L’expression de devient alors : e (15. On en d´ duit donc que le groupe des e e rotations est isomorphe a l’espace projectif . L’ensemble des quaternions de norme 1. une rotation d’axe et d’angle par exemple s’exprime dans e e ¡ (15. De mˆ me en posant e on peut ecrire sous forme matricielle ´   a© a © a  # a 4 # § (   a  ¥ ¡a U .304 ´ ´ ´ ´ CHAPITRE 15. on a : ee ¢% x ¡ x ¢ ! D’apr` s la d´ finition du produit de quaternions.

a pour rayon .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 .32) appel´ normale a la e ` (15. nous rappelons quelques el´ ments de g´ om´ trie diff´ rentielle. 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 (15.3.1 Courbes. L’ouvrage [Carmo.´ ´ ´ 15. puisqu’en d´ rivant l’expression ` e ( est unitaire) on obtient . 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. 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 . rep` re de Frenet e Soit une courbe de l’espace param´ tr´ e par . 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 . e ` La binormale est d´ finie par : e (15. 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.34)    C ¡ Le vecteur   dont on d´ duit que le vecteur tangent est unitaire.3. 1976] est une bonne r´ f´ rence dans ce e ee domaine. La rotation optimale s’obtient en calculant les ¡     . tangent a la courbe en . e ee La tangente a la courbe en est d´ finie par le vecteur : ` e (15. Le cercle osculateur.31) est effectivement normal a . ` 15. 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.

36) (15.42) (15.40) (15.37) (15. ´ e e e ` 15.38)       2© a #  $§   (15.39) (15.41) (15..47) . ELEMENTS DE GEOMETRIE TRIDIMENSIONNELLE   et est donc un vecteur unitaire orthogonal a et a .43) (15. Un point sur la surface est rep´ r´ par le vecteur ee d´ fini par les deux vecteurs suivants : e (15. local en .44) (15. les points au-dessus des symboles d´ signent les d´ riv´ es par rapport a . 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 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.306 ´ ´ ´ ´ CHAPITRE 15. appel´ rep` re de Frenet. ¨  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 : . Le plan tangent a la surface en est le plan ` .2 Courbes sur une surface. 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. param´ tr´ e par e e e . formes fondamentales  § © U   § #  Consid´ rons maintenant une surface .3.. ` ` Le triplet d´ finit un rep` re orthonorm´ .45) ¨ (15.46)  © .35) (15. On a alors : Dans ces equations.

53) Le long de la normale a la surface. La d´ riv´ e de l’expression e e ` e e (sur la courbe) peut s’exprimer par les deux formes equivalentes suivantes : ´ (15.50) .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. et est la matrice (15. e e £                      ¡ ¡                           ¡ ¡     ¢ o` u est la courbure de la courbe.52) (15. Elle mesure le d´ placement sur la surface au point de param` tres e e e pour des variations de ces param` tres.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. La d´ riv´ e de e e par rapport a . Nous verrons par la suite l’int´ rˆ t de cette application et de sa diff´ rentielle.´ ´ ´ 15. vecteur tangent a la courbe. dont les points s’´ crivent e e e . 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.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. et u e ¡     Examinons maintenant les d´ riv´ es secondes de .48) © Q a # $ § Q ¦   ¡  E & ¥ (15. e ee e Soit une courbe sur la surface. et la normale a la surface. on a : ` ¨ (15. 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 (15.3. 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). vaut : ` ` (15.54) appel´ e deuxi` me forme fondamentale. 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 . param´ tr´ e par .

Contrairement au cas d’une courbe o` l’on d´ finit u e une courbure. et la courbure moyenne e e est proportionnelle a sa trace. 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. 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. 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). soit une autre param´ trisation e e de © ' $§ #'  a b £   & 0 ¡ & et la courbure moyenne : £ &  ¡ & & & ¡   b   ¡  ¥¡ ¡  ¡  ¡ ¡  #  ¥         ¡   ¢¨ £ ¡E ¡      £&¡ &  &    &    ¡      &&     &  &   £ & ¡& ¡    u¡ ¨ (15. e n kn n N kN F IG . normale a la courbe et normale a la surface. ELEMENTS DE GEOMETRIE TRIDIMENSIONNELLE 15. ` 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.3 Courbures sur des surfaces Introduisons maintenant les notions de courbures de surface.3. C’est la longueur (sign´ e) de la projection de e sur . On appelle courbure normale de la surface dans la direction la courbure de cette courbe. ˆ e Le vecteur tangent et la normale a la surface d´ finissent un plan. plusieurs types de courbure peuvent etre d´ finis pour une surface. e Deux courbures particuli` res sont souvent utilis´ es. en recon` e e naissance d’objets 3D. Ces deux valeurs sont utilis´ es pour caract´ riser localement des surfaces. dont l’intersection avec la surface ` e est une courbe. En effet. etc.5 – Courbe sur une surface.59) . 15. et les directions (c’est-` -dire a (15.58) (15. et on a (figure 15.5) : qui est donc positive si la courbe est tourn´ e du cˆ t´ positif de e oe et n´ gative sinon.308 ´ ´ ´ ´ CHAPITRE 15.57) .56) de la courbe et & (15. courbure ` ` courbure normale de la surface dans la direction de la tangente a la courbe.

63) £  Dans le cas d’une courbe plane. GEOMETRIE DIFFERENTIELLE 309 Les matrices .6) par : `   #  $§ ¡   b Q © ¡  § ¡  ¡  b 7   b la surface. et deviennent alors : et donc .62) ¡ . les directions et courbures principales. 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. 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 15.3.61) et de ses d´ riv´ es.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.´ ´ ´ 15. e 15. 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. fr´ quemment rencontr´ e.4 Une notation fr´ quente e Une autre notation. les courbures gaussienne et moyenne sont invariantes par changement de param´ trisation. e e (15.60) (15.3. la longueur d’une courbe entre les points de param` tres e et est donn´ e par : e ¨ b &© Q  § ¡ ¡ © § ¨ ¨ ¥ et (15.3.

pour laquelle (en forme de selle) (figure 15. et . et consid´ rons le morceau de surface d´ fini par le point ¸ e e de param` tres e .6 – Le rep` re local et la courbure le long d’une courbe e Placons nous maintenant dans le cas d’une surface.68) Le signe des courbures gaussienne et moyenne permet de classifier les surfaces (localement) [Besl et Jain. ` – une surface hyperbolique.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. le signe de d´ terminant le sens dans lequel est tourn´ e la e e surface par rapport a l’origine (figure 15.7) : e e (15. 15.9) . l’application de Gauss transporte ` sur un el´ ment de surface ´e de la sph` re unit´ .  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. La courbure gaussienne est alors le rapport de ces deux surfaces (figure 15. Si l’on calcule les normales a la surface en tout point de .310 ´ ´ ´ ´ CHAPITRE 15. et les points .64)   et donc la surface totale de (obtenue pour des param` tres variant dans un ensemble e ) est : (15. Soit un el´ ment e ´e de la surface.8) . ELEMENTS DE GEOMETRIE TRIDIMENSIONNELLE P dr =. pour laquelle .67) L’application de Gauss permet d’interpr´ ter la courbure gaussienne. rdu Q r(u) dA r(u+du) O F IG .66) et donc le volume total d´ fini par e et vaut : ¡ (15. On distingue ainsi : – un surface elliptique. 1986].

La courbure gaussienne de la e e e . e e cas d’une surface hyperbolique ( 15. ´  ¨   ¨  ¡     ¨              ¡        ¦ ¦     ¢2   . une quadrique par exemple. a et . le sens est invers´ sur la sph` re de Gauss. 15. L’application de Gauss pr´ serve donc l’orientation dans le cas d’une surface elliptique. 15. a le mˆ me e e sens. GEOMETRIE DIFFERENTIELLE application de Gauss 311 dA dS sphère de Gauss surface F IG . Au contraire. a gauche ` . .11). F IG .8 – Surfaces elliptiques : . Le principe le plus courant consiste a approcher localement la surface par une surface ` param´ tr´ e.3. en appliquant directee ment les equations vues plus haut. au moins localement. 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. Le calcul des courbures peut alors se faire analytiquement.3.7 – Application de Gauss : l’aire de surface est projet´ e sur la sph` re unit´ .10) . le signe de d´ terminant le sens dans lequel est tourn´ e la surface (figure 15. Le cycle de points correspondants sur la sph` re de Gauss. 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 droite ` Consid´ rons un cycle de points sur un morceau de surface elliptique ( e ). dans le e ).´ ´ ´ 15. surface est egale a ´ ` – une surface parabolique pour laquelle (c’est-` -dire qu’une des deux courbures principales est nulle). dont on calcule les param` tres pour minimiser une fonction d’ajustement e e e (moindres carr´ s typiquement). e e (c’est-` -dire que les deux courbures principales sont nulles) a – une surface plane pour laquelle (figure 15. obtenu par l’application de Gauss.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. auquel on donne un sens de parcours.

11 – Surface plane : .  ¨   ¡   ¡  ¢    . 15. 15. a gauche ` . 15.312 ´ ´ ´ ´ CHAPITRE 15. 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 .10 – Surfaces paraboliques : et . ELEMENTS DE GEOMETRIE TRIDIMENSIONNELLE F IG .   2   ¢      . a droite ` Donnons maintenant quelques exemples de m´ thodes discr` tes. .9 – Surface hyperbolique : F IG .

la surface est param´ tr´ e par e e et .74)  § Le th´ or` me des fonctions implicites permet de relier les d´ riv´ es de e e e e par rapport a . en construisant des triangles form´ s de et de deux voisins e et l’angle en et la surface .73) (15.3.79)   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  ¡ ¡ ¡ ¡ ¡ . gaussienne et moyenne) pour toute isosurface sans exprimer cette surface explicitement. dont on calcule (15.69) cette equation correspondant a l’interpr´ tation de ´ ` e en termes d’application de Gauss. . e ´ e ´ – m´ thode de d´ rivation de la normale : soient et deux points proches sur la surface. et respectivement.70) (15. 15. Pour cela. – calcul par d´ ficit angulaire : pour calculer la courbure gaussienne en un point e autour de .´ ´ ´ 15. on triangule la surface de . et sinon . alors la courbure gaussienne est donn´ e par : ` e 313 (15.77) (15.72) (15. on peut calculer directement les deux formes fondamentales (et donc les courbures principales. 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 .3. GEOMETRIE DIFFERENTIELLE de d´ finir des equations approch´ es des equations analytiques . et : ` par rapport a ` et aux d´ riv´ es de l’image e e ¨  7 ¡ #¢   © a  avec si .78) (15. et e e normales a la surface en ces points. La coordonn´ e est alors une e fonction implicite de et .7 G´ om´ trie diff´ rentielle dans des volumes num´ riques e e e e Dans le cas d’images volumiques . On a alors : (15. d´ signent les d´ riv´ e partielles de e e e par rapport a . on a alors : .71) (15.75) (15.76) (15.

´ ´ ´ ´ 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). ELEMENTS DE GEOMETRIE TRIDIMENSIONNELLE En pratique. les d´ riv´ es de l’image se calculent de mani` re discr` te. e e e # © ¨ # 1WC %# 3 ! "§ ¡   3 0© ¨ # 1WC %#  ! "§ ¡  © ¨ # &$"§ %# ! ! ¡ ¥ ¥ 9  ' ¡ . ce qui permet d’avoir des d´ riv´ es moins sensibles au bruit de l’image.314 etc.

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

on somme des densit´ s spectrales d’´ nergie. 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 . 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). 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. c’est-` -dire le carr´ du module de ´ a e l’int´ grale ainsi obtenue. 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. e En imagerie coh´ rente. 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. 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. 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. en eclairage incoh´ rent. Le terme anglo-saxon consacr´ est speckle. 2001]). e Imagerie incoh´ rente e Le processus de formation des images en optique incoh´ rente est finalement beaucoup plus simple.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. e £ Q©    Q 1© % ! ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢  ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡  ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢  ¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¢ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡¢ ¢                                                                                        ¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡ ¢ ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡   ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡¢ ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡   ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢ ¢ M pixel %# ! &0)§ ¥   ¦  3 § X¦ 10)§ ¡! © %# ! # © %# ! &$"§ ¦ @   @   # © (( % @ F 9 @ # §  &   9 9 # §  © 9 F   ¥ £( &     # % © %# ! &$"§   (16. La variation tr` s rapide de l’amplitude cr´ e le ph´ nom` ne e e e e de granularit´ 1 . il e ` e s’exprime en fonction de l’amplitude de l’onde incidente et des propri´ t´ s du mat´ riau. 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. La e ` sommation se fait sur les amplitudes complexes.1) ¦ © %# ! &$"§ # .316 CHAPITRE 16. En eclairage coh´ rent on somme des amplie e ´ e tudes complexes. 16. puisque e le capteur int` gre les energies issues de chaque point source du pixel. puis de la sc` ne au capteur). Maˆtre.1. FORMATION DE L’IMAGE ET COULEUR détecteur rayonnement incident θ F IG . tavelure en astronomie. 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). Le capteur mesure une energie. 1999. e e e e e chatoiement en radar.

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. et devant l’ampleur et la complexit´ des bilans e e et des mod` les qui cherchent a s’appuyer sur la physique. ´ e e e ` ces niveaux n’´ tant pas compatibles. 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 16.2 – 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. 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.1 et 16. 16. puisqu’ils n’interviennent que par la modulation du terme (par exemple en traduisant la nature plus ou moins directionnelle des r´ flexions).2 Interaction mati` re rayonnement e Cette partie a et´ r´ dig´ e en partie a partir du livre de Patrick Callet [Callet. en electromagn´ tique quantique.2) © ¥¨ # 10)§ %# !  . en electromagn´ tique classique. 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.1. Pour compliquer le tableau des connaissances actuelles. en optique ondulatoire. 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.1. 1998]. 1998]. en e e ´ e ´ e thermodynamique ou en chimie [Callet. 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. ´e e e ` C’est l’un des probl` mes les plus complexes de la formation de l’image. et o` u la sensibilit´ spectrale du capteur. toutes choses egales par ailleurs.1. e e 16. e ´e e e ` e réflexion absorption transmission diffusion et réémission diffraction F IG . e ´ ´ aussi pr´ sente dans le terme de l’´ quation 16. cette modulation etant.16.2 on comprend que les effets g´ om´ triques interviennent beaucoup ´ e e moins dans ce second cas.

dans le cas e e e ` de la diffusion lambertienne. l’intensit´ r´ emise est proportionnelle au cosinus de l’angle e e´ Outre la r´ flexion sp´ culaire.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. Les relations de Descartes ( e ) r´ gissent les r´ flexions sp´ culaires e e e (miroirs ou dioptres parfaits). 1977]. A droite. 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. ou ondulatoire : avec ine e e e e terf´ rences et diffraction). Des relations empiriques comme la formule de Phong [Phong. Pour une surface v´ rifiant la loi de Lambert. etant une constante adapt´ e a chaque mat´ riau. 16. e´ e La repr´ sentation vectorielle des champs electro-magn´ tiques conduit des equations de Descartes aux equations e ´ e ´ ´ de Fresnel. ´ e e formules de Goodman pour l’imagerie coh´ rente et la granularit´ totalement d´ velopp´ e) [Beckmann et Spizzichino. la luminance est ind´ pendante de e e la direction d’observation et ne d´ pend que de la direction de la source. 1963]. 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. celui de Cook et Torrance [Cook et Torrance. En g´ n´ ralisant les relations de e Fresnel aux milieux m´ talliques (d’indice complexe). souvent en concurrence e ´e e e au mod` le de Phong dont il ne diff` re que peu.. 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 . C’est e e un mod` le de ce type qui a et´ exploit´ en synth` se d’images par Blinn [Foley et al. 1967] qui consid` re une distribution gaussienne de micro-facettes al´ atoires. on peut justifier un mod` le tr` s classiquement utilis´ en e e e e synth` se d’images. e e e e  £  £¡   £   ¡  ©    £¡ ¢    C § ¡     ¤  s § © ¢3 £   §  s     ! £ © § ¡ θ M . 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.318 R´ flexion et r´ fraction e e CHAPITRE 16. Des propri´ t´ s d’isotropie peuvent parfois etre mises en avant ee ˆ pour ramener ces variables de 2 a 4. 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. Cette FRB est normalement e ´ e ee ` donc fonction de 4 angles [Nicodemus et al. ´ 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). FORMATION DE L’IMAGE ET COULEUR Elles r´ sultent d’une mod´ lisation en optique (g´ om´ trique : sans interf´ rences. 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)). ` observation source N θ2 θ1 ψ1 M ψ2 F IG .. 1995].

entraˆnant d’importants effets ı color´ s en fonction de l’angle d’observation. 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. diffraction de ´ e e e Bragg). 1963]. 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. 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. La th´ orie de Rayleigh a et´ compl´ t´ e par Mie qui a consid´ r´ non seulement les dipˆ les. La diffusion par les particules explique de tr` s nombreux ph´ nom` nes physiques : couleur du ciel ou des mers. Les dipˆ les etant les structures sensibles au champ EM. du caf´ . c’est-` -dire d’un milieu virtuel permettant de rendre compte des mˆ mes effets coloriques. du e sable. 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. L’intensit´ de l’onde traversant un espace de longueur prend alors e e la forme : est la densit´ optique. 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. 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. e ` e e Dans l’approche de Rayleigh. e Ces th´ ories ne prenant en compte qu’une seule interaction sur un faisceau.1. les plus simples a mod´ liser. Il rend compte ainsi de la neige. e e e fum´ es. 1993]. 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. 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 . 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. 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. etc.16. ` o a ¨ ( s g % g ¨ % ¨ © Q )( 3 §  ©  ' 7 ¡  ¡ ¨ # ' ¡ ¡ #   s Q . 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 souvent des approches qui sont retenues e pour r´ soudre des probl` mes concrets. mol´ cules ou atomes. 1942] plutˆ t qu’` l’original de Kubelka-Munk en allemand. de la poussi` re. 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. 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). On etablit ainsi des relations entre la fonction di´ lectrique complexe et la polarisabilit´ des ´ e e dipˆ les. proportionnelle a la concentration des particules. ont et´ compl´ t´ es par des ape ´e ee proches plus complexes de diffusion multiple. 1975]. a e d´ fini uniquement par son indice de r´ fraction effectif. Pour la formation des images. 1969]. ´ ` e Dispersion dans les milieux homog` nes e Cette mod´ lisation consid` re la propagation des ondes electromagn´ tiques dans la mati` re. etc. mais aussi les e ´e ee ee o multipˆ les. On a ı e e montre alors que la puissance diffus´ e par unit´ de volume est proprtionnelle a e e ` . et a e ` ` . FORMATION DES IMAGES 319 On peut egalement traiter les milieux p´ riodiques ainsi que les r´ seaux (´ quations de Kirchoff. ee e ´ Parall` lement a ces travaux. ceci a conduit a la d´ finition ` e o ´e ` e d’un milieu effectif.

le magenta et le cyan (leurs couleurs e compl´ mentaires) dans les synth` ses soustractives. Une bande d’absorption dans le violet donnera au mat´ riau une apparence jaune ou rouge tr` s vive. Dans un compos´ e e ` e e chimique. ils e correspondent a quatre rayonnements diurnes. partant d’une lumi` re consid´ r´ e blanche. Illuminant A : temp´ rature T= 2856K. D55. e 2. et le bleu dans les synth` ses additives (les seules que nous aborderons ici). le choix des primaires se porte sur le rouge. ` 16. 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. papier color´ .2 D´ finition des diff´ rents espaces couleur e e 16. on additionne les primaires pour e e e obtenir la teinte cherch´ e . – rouge + bleu = magenta (couleur mauve). ou de la pr´ sence et de la concentration d’impuret´ s. plutˆ t vers le rouge que le e o bleu. et le jaune. de la dimension de certaines structures. il est proche d’une lumi` re du jour moyenne.320 CHAPITRE 16. 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. la plupart du temps.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. e e e 16. 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. – vert + bleu = cyan (couleur bleu-turquoise). on obtient les couleurs secondaires qui sont egalement les e ´ primaires soustractives : – rouge + vert = jaune. 5500K. vert et bleu. 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. Illuminant B : T = 4800K. D65 et D75 : les temp´ ratures respectives sont 5000K. on soustrait a e e e ee ` l’aide de filtres les primaires. 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. D’autres apparences d´ coulent de la position ee e relative des anions et des cations au sein de la structure cristalline. dans la synth` se soustractive. etc. Si l’on m´ lange les primaires rouge. plastiques. de l’existence de transitions electroniques ´ particuli` res. Les couleurs compl´ mentaires (qui additionn´ es en bonne proportion donnent du blanc) sont donc : e e . 6500K et 7500K. Illuminant C : T = 6500K. – rouge + vert + bleu = blanc. Le m´ tam´ risme naturel exact est extrˆ mement e e e e e e e e rare. 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. e e Ces propri´ t´ s expliquent les couleurs vives de certains oxydes.1. e 4. e 3. FORMATION DE L’IMAGE ET COULEUR synth´ tiques : pigments dans les peintures. ´ o Approche chimique Dans une telle d´ marche on s’int´ resse essentiellement a la structure chimique des compos´ s. Illuminants D50. il est proche d’une lumi` re solaire directe. le vert. Dans la synth` se additive. e Dans la pratique.3 Les sources de lumi` re e 1. Le m´ tam´ risme forme une classe d’´ quivalence.2.

a l’aide de filtres appliqu´ s successivement sur le capteur 3 . 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. du point de vue du capteur. e e e e de la g´ om´ trie de prise de vue et e e la courbe de sensibilit´ spectrale de l’œil. 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).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). ´ e – La luminance visuelle d’un m´ lange de couleurs est la somme des luminances visuelles des luminances de e ses composantes. 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 . 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. comme une source secondaire de lumi` re emettant un ee e ´ rayonnement qui d´ pend du rayonnement incident auquel il est soumis.2. e e ´ e e L’objet est alors consid´ r´ . Il existe une infinit´ d’espaces colorim´ triques. verte et bleue qui nous permettent de recr´ er l’image en couleur.´ ´ 16. propres au capteur choisi. On appelle e e composante trichromatique de la couleur dans le syst` me colorim´ trique e e . e Suivant le sch´ ma de Maxwell. par exemple une cam´ ra. V et B (d´ nomm´ es compoee e e santes trichromatiques). DEFINITION DES DIFFERENTS ESPACES COULEUR 321 – jaune et bleu. e un facteur ne d´ pendant que e 16. – cyan et rouge. – magenta et vert. se calcule comme : (16. On obtient ainsi trois images. 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 . et . 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. on d´ compose donc le rayonnement arrivant sur le capteur. par ` e exemple rouge. suivant les trois e e primaires choisies. exprim´ e en cand´ la par e e . 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. Les lois de la colorim´ trie [Marion. dont les expressions sont les suivantes : o` u est la distribution spectrale de la source lumineuse secondaire. Tout point de l’image est donc e rep´ r´ dans un espace tridimensionnel par ses trois composantes chromatiques R. Le capteur. La luminance.3) o` u est la densit´ spectrale de puissance de la lumi` re r´ fl´ chie sur le capteur.

e e L’espace RVB peut etre repr´ sent´ sous forme d’un cube dont trois des arˆ tes portent les trois primaires. ont des valeurs nulles en dehors du e e domaine visible des longueurs d’onde .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.  §  £ Y C      §  Y    # ©   4   ) t © ¨§ ¢ © ¨§ ¤  # © ¨§   © ¥¨   § # ¥ © © ¥¨ ¨§ © ¥¨ §   §   C E   a . La ˆ e e e (noir). e e e 16. les 3 primaires ont pour puissance 1 Watt et sont monochromatiques.3 e ´ ` W/nm . et diagonale reliant les points caract´ ris´ s par les trois composantes e e (blanc) est appel´ e axe achromatique. Elles sont egales aux composantes trichromatiques ´ lorsque le stimulus a caract´ riser est de luminance constante et d’int´ grale unit´ . et de mˆ me pour le vert et le bleu.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. est la sensibilit´ du capteur rouge. le blanc de r´ f´ rence est choisi comme ee c’est le blanc d’´ gale energie. 546 nm pour le vert et 436 nm pour le bleu .322 CHAPITRE 16. . Elles sont alors not´ es : ` e e e e . par l’´ quation e e %  §     § ¨ Q © ¨ § © ¨ ƒ¢ ¨ v 4   ' F  7 2. bleu. B 1 axe achromatique Vert Rouge 1 R F IG . 16. vert et bleu. dans ce cube. Cette repr´ sentation conventionnelle laisse croire que les composantes e e port´ es par les 3 axes orthogonaux sont ind´ pendantes. de longueurs d’ondes : 700 nm pour le rouge. . FORMATION DE L’IMAGE ET COULEUR sont les transmittances des filtres rouge. d´ finies pour le triplet rouge. vert. mais on sait exp´ rimentalement qu’il n’en est rien. mais de luminance e : 4 CIE=Commission Internationale de l’Eclairage © ¨§ ¨ C Y Le triangle de Maxwell est le triangle d´ fini. e ´ de densit´ de puissance constante et egale a 5. On en d´ duit l’expression des composantes chromatiques lorsque le stimulus n’est pas de luminance e unit´ .2.

Notez les valeurs n´ gatives (en e ` e particulier de Rouge). et TLC). e e 3 2.5 1 0.5). e Limites de cet espace 1.5 – Fonctions colorim´ triques.´ ´ 16. une couleur pure a toujours au moins une composante n´ gative (voir fig 16. DEFINITION DES DIFFERENTS ESPACES COULEUR 323 Les fonctions colorim´ triques sont egalement nomm´ es courbes d’excitation ou fonctions de m´ lange. fait apparaˆtre la teinte plus ee ı rouge). e Pour eviter ces inconv´ nients.5 2 fonction r. ` 2.b 1. visuel hypoth´ tique.5.v. Verte et Rouge. Les trois composantes RVB sont fortement corr´ l´ es (diminuer la composante V. e e e 3. et dans lequel on peut e d´ corr´ ler l’intensit´ de la couleur (Lab. Elles e ´ e e sont repr´ sent´ es figure 16. 16. TLS. il a et´ propos´ de passer a des espaces diff´ rents : tout d’abord l’espace XYZ. e e e e § ¨ 1Q© ¨ § a © ¨ ƒ¢ © ¨ 1Q© ¨ § ¥ ¥¨ § ¢ F 650 700 750 F   § Y . De gauche a droite : Bleue. 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.2. ´ e ´e e ` e puis des espaces dont la repr´ sentation se rapproche de la perception humaine des couleurs. et il est difficile de s´ parer la notion d’intensit´ de la notion de chromaticit´ . qui caract´ risent une inhibition.5 0 −0.5 350 400 450 500 550 600 longueur d"onde en nm F IG .

le chroma augmente avec la clart´ de la surface. C’est le quotient du flux emis par l’angle solide et l’aire apparente de la surface depuis la e ´ direction d’´ mission.” e e ` La Saturation quant a elle peut etre d´ finie de la facon suivante :“Niveau de coloration d’une surface. Ces primaires ne e e e e sont pas physiques mais irr´ elles. 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 e e e Ils n´ cessitent que l’on d´ finisse tout d’abord l’espace interm´ diaire XYZ.”. La clart´ s’´ value relativement au diffuseur parfait eclair´ dans les mˆ mes e ¸ e e e e ` ´ conditions. dans le cas du passage des espaces CIE 1931.” e e e La Clart´ est “un attribut d’une sensation visuelle.324 CHAPITRE 16. Ces deux matrices sont. La saturation d’une surface de chromaticit´ constante est un attribut perceptif ind´ pendant de sa clart´ . On peut egalement les d´ finir litt´ ralement ind´ pendamment des espaces [S` ve.2.” La Luminance est “une grandeur physique qui caract´ rise une surface emettant un rayonnement dans une e ´ direction donn´ e. evalu´ relativement a la lumi` re qu’elle recoit.. selon laquelle une surface paraˆt diffuser plus ou moins e ı de lumi` re relativement a celle recue. ” e Les notions de chroma et de saturation sont souvent confondues. contrairement a la saturation. e Le Chroma est “le niveau de coloration d’une surface. evalu´ ` ˆ e ¸ e ´ relativement a sa luminosit´ .5. La transformation r´ ciproque se fait grˆ ce a la e a ` e matrice inverse de RVB XYZ nomm´ e XYZ RVB. 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). La teinte d´ termine donc la couleur d’une surface. ´ 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. d´ finies de la facon suivante : e ¸ ¡ Les espaces RVB et XYZ n’ayant pas les mˆ mes blancs (ils sont en fait proportionnels).6. 1996]. FORMATION DE L’IMAGE ET COULEUR Dans ces diff´ rents espaces. Les nouvelles fonctions colorim´ triques sont repr´ sent´ es sur le sch´ ma 16.4 L’espace XYZ Comme nous pouvons le voir sur la figure 16. Le passage de l’espace RVB a l’espace XYZ se fait par une transformation lin´ aire. Le e e ¸ ´ ` chroma d’une surface donn´ e est un attribut perceptif ind´ pendant du niveau d’´ clairement. leurs expressions formelles seront d´ finies e par la suite et leurs notations seront respectivement C et S. ce qui permet de relier directement la luminance de la couleur a la valeur (voir equation 16. on d´ finit math´ matiquement les caract´ ristiques de la couleur : la Teinte. la e e e e Saturation et le Chroma. e e e 16. jaune. On choisit en particulier egale a la sensibilit´ relative spectrale e ´ ` e de l’œil. Il permet d’estimer la proportion de couleur chromatique pure dans la sensation e ` totale. Pour une surface de e e e chromaticit´ constante.3) : ` ´ . e e qui correspondent donc a des inhibitions. La CIE proposa un changement de primaires afin d’avoir des fonctions ` colorim´ triques a valeurs positives. Ces primaires furent nomm´ es : e ` e et les fonctions colorim´ triques e associ´ es e . les fonctions colorim´ triques prennent des valeurs n´ gatives. seront pr´ sent´ s. faisant intervenir ces grandeurs.. Dans les paragraphes suivants les diff´ rents espaces utilis´ s.

DEFINITION DES DIFFERENTS ESPACES COULEUR 1.6 0.y.2. e A partir de cet espace nous pouvons d´ finir l’espace Lab.2 fonction x.5 L’espace Lab et le rep` re TLC e L’espace Lab est un espace uniforme. 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 0.4 1. permettant de passer par exemple des espaces NTSC. 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 . 16.6 – Primaires de la CIE.4 0. C’est un espace normalis´ par le CIE.´ ´ 16. )   ' ¡' ¡  ' ' '     §   Y   § Y  §   Y   ' ' ¡'     .8 325 1.2.6 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. e 16. ´ ¸ 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. 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).

58. ¸ e ¥ ¥ C r ¡¡¡  ! r       '  b   #   ¡ #     ¥ 3 ¥¥ ! ¥ ¨  ¥¥ £ ! ! £¡ ¤¢  ¥¥ ¥¥ ¡  ¡   ¡  ¡ ¡   w XC § §   £¥ 3 £¥ ¥¥ ¥ ¡  3 ¥ ¥ ¡       ¤ 3 ¥¥   Aw  WCC      ¨ ¡ ¢  #  £ £¥ §  § # £ ¥ # ¥ # § ¥ § §  ¥  #   ! # ¡ ¥ £    ¨  ¢  ‚ § #   # #   ! 3 ¥ 2 #    #   ¥ # ¢     # ¢ ¥   ¥  ¡  ¡¥   # ¥ # # ¢   # B¡ #   . Il est d´ fini par les equations ´e e e ´ suivantes : Pour des valeurs de l’argument inf´ rieures a 0. Le chroma est alors la distance ` e e e d’un point de ce plan a l’axe achromatique. tel qu’il a et´ adopt´ par le CIE en 1976. 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. Yn = 100. La teinte est d´ finie comme un angle.008856. Ainsi il est impossible d’obtenir l’information de luminance ind´ pendamment de la chromaticit´ . 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. on pr´ f` re souvent utiliser les coordonn´ es cyo e ee e lindriques. e e e – Illuminant A : Xn = 109. 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. on d´ finit un plan particulier de chromaticit´ . Yn = 100. – Illuminant C : Xn = 98.85.326 CHAPITRE 16. Yn = 100. a une valeur de fix´ e.07. Zn = 118. la fonction puissance e ` est remplac´ e par e . 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 . 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. Zn = 108. Caract´ ristiques de cet espace e 1. Celles-ci sont obtenues a partir des composantes e e ` . On dispose de trois composantes pour un seul point de l’espace : la clart´ .88. Zn = 35. et les coordonn´ es de chrominance. 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. Plutˆ t que de caract´ riser la couleur par les valeurs et . porte le nom de CIELab. Ces deux grandeurs sont repr´ sent´ es sur le sch´ ma ´ ` e e e 16. L’espace Lab est un espace uniforme.7. 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. en ee e e revanche.04. cela est possible dans le cas de l’espace Lab. alors que ce sont deux teintes identiques. – Illuminant D65 : Xn = 95. 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 . 1996]. On remarque que l’axe peut etre d´ compos´ en deux couleurs : vert et rouge et l’axe en bleu et jaune.23. L’espace Lab.

e 3. 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. ee e e notamment l’espace TLC. Les composantes d’un point de e´ e cet espace sont : Teinte (T) Luminance (L) et Saturation (S). e e e 16. Malheureusement le chroma d´ pend de la e ee e 6 . On l’appelle en anglais l’espace HIS (Hue. C2 les valeurs de chrominance. La composante e e ` e Y est d´ finie comme etant la luminance et C1. on obtient alors : La matrice est d´ finie suivant l’espace utilis´ : TLS ou visuel hypoth´ tique. 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.2. 16. en passant a l’espace YC1C2. Il est obtenu a partir de l’espace RVB par transformation lin´ aire. La composante clart´ .´ ´ 16. ` e 4.7 – Coupe orthogonale a l’axe des luminances dans l’espace Lab : le rep` re TLC. Intensity. DEFINITION DES DIFFERENTS ESPACES COULEUR 327 b courbe d’iso-chroma C T L a F IG .2. par la matrice e ` d´ finie par : e ¡¥ 6 !   Y §  v 6 t  ! C   ‚  ¡ ‚ ¢ est d´ corr´ l´ e des composantes chromatiques. L’acc` s aux informations de teinte et de chroma est fauss´ par les diff´ rentes etapes n´ cessaires au calcul. et d’autre part a l’approximation caus´ e par l’exposant .6 L’espace YC1C2 C’est un espace g´ n´ rique. On peut ecrire cette transformation e ´ ´ sous forme matricielle.2. Saturation). ` e 2. 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.

donc la e ´ diagonale principale du cube dans l’espace RVB. compromet la transformation e e e r´ ciproque passant de l’espace TLS a YC1C2.328 CHAPITRE 16. 1995]. e On peut noter egalement une diff´ rence dans les matrices de passage de RVB a YC1C2. du facteur de puret´ et de l’intensit´ de la couleur consid´ r´ e [Carron. qui d´ finit la saturation. 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. figure 16. donc les courbes d’iso-chroma sont des cercles. La teinte est l’angle que font la droite et l’axe de r´ f´ rence ee .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. le chroma n’est pas d´ fini par une fonction Min. En effet dans l’espace TLS. Cet espace pr´ sente un inconv´ nient : la fonction Min. On remarquera qu’on diff´ rencie les termes de Chroma et de e Saturation .2.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. de l’axe achromatique. Cela vient du fait que le plan de ´ e e e chrominance est d´ fini par le triangle de Maxwell. Soit e ı ee la projection orthogonale de sur l’axe achromatique.V.8. on remare e quera que ce n’est pas une distance euclidienne. 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. l’axe achromatique est l’axe lui etant orthogonal. 1995]. Pour eviter cela on peut utiliser le syst` me visuel hypoth´ tique e ` ´ e e [Carron. de coordonn´ es (C1. 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. il est e e e d´ fini comme une distance euclidienne. La teinte est d´ finie comme l’angle compris entre la droite D’ et l’axe de r´ f´ rence e ee C1. Or dans le cas du syst` me visuel hypoth´ tique. etant donn´ la d´ finition de S (S=f(Min(R. FORMATION DE L’IMAGE ET COULEUR On obtient alors les valeurs de . e e ` figure 16. e e e L’espace TLS est egalement appel´ syst` me de coordonn´ es triangulaires. de la facon suivante : ¸ £  La saturation est d´ finie comme une distance s´ parant un point quelconque du point achromatique. e Soit un point de l’espace dont on d´ sire connaˆtre les propri´ t´ s chromatiques. 16. Soit la droite passant par et .C2). Soit D’ la droite passant par un point quelconque et par le point origine de l’axe achromatique.8. 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 ¢  ‚  § ¡  ‚ . Le chroma est la distance s´ parant le e point consid´ r´ . .

pour cela il est pr´ f´ rable de ee choisir la formule du chroma d´ finie dans l’espace visuel hypoth´ tique. En revanche. 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.4). e e Mais plutot que d’avoir a choisir entre ces deux espaces. d’o` l’apparition de l’espace TLC. voir sch´ ma e e 16. mais correspond a ee ` l’axe Rouge-Vert. on peut adopter la voie d´ crite par Carron [Carron. ce qui privil´ gie le choix de la repr´ sentation par TLS.8 – Les courbes d’iso-saturation dans l’espace TLS et d’iso-chroma 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 – 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.´ ´ 16.9. cependant on constate e e que la formule de la saturation dans TLS ne permet pas la transformation inverse. e implique que l’axe de r´ f´ rence C1 ne passe plus par le sommet rouge du triangle de Maxwell.2. Si on reprend la sch´ matisation de l’espace RVB (voir figure 16. en consid´ rant l’axe achromatique perpendiculaire au plan de la figure. 1995] : ` e faire un compromis entre les deux espaces. u . 16. 16. C2 (visuel hypothetique) C2 (TLS) B C1 V R C1 F IG .

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. les syst` mes de t´ l´ vision se sont dot´ s de normes.2. 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 . afin d’eviter la perte de pr´ cision au cours des changements d’espaces. e ` ` De surcroˆt. e e ee e aussi bien pour l’affichage que pour la transmission.330 CHAPITRE 16. La matrice de passage de l’espace YC1C2 a l’espace RVB est d´ finie par : ` e Grˆ ce au composantes Y. on constate uniquement un e e e changement d’orientation pour l’axe C2.10 Les espaces de la t´ l´ vision ee Afin de garantir une reproductivit´ universelle des couleurs. 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.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.2. C1 et C2 nous pouvons d´ finir les grandeurs suivantes : la luminance. ee e 16. la teinte et le a e chroma . C’est pourquoi on e ` pr´ f` re parfois utiliser l’espace TLC. on constate que le passage aux valeurs de teinte.

. 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 .3. est tout d’abord converti en valeurs e . 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.assez ancien . o` code la luminance et u et les antagonismes rouge/vert et jaune/bleu. moyennes et courtes. Enfin 3 filtres diff´ rents e . 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. ˆ e o et d´ notant les longueurs d’ondes longues. qui n´ anmoins ne e e permettent pas ais´ ment de faire varier la distance d’observation. 1990] ou celui de Guth [Guth. une s´ paration de l’information color´ e en un 1 canal e ´ e e e e achromatique et 2 canaux chromatiques. 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 . 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. ' ) 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 ‚ .mais tr` s repr´ sentatif de ceux que l’on a pu e e e e elaborer sur ce sujet. transform´ en signal CIE 1931 XYZ. ´ e Nous pr´ sentons ici un mod` le de la vision .´ ´ 16. Un tel mod` le comporte un etage de r´ cepteurs non-lin´ aires. Celles-ci expriment assez bien l’absorption par ce qui semble etre les trois familles de r´ cepteurs des cˆ nes des primates. e e Le signal . 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 . et ). un filtre spatial sur chaque canal (il est repr´ sent´ sur la figure 16.. 16.10). 1991]. Un second etage ´ donne naissance au canal achromatique et aux valeurs d’antagonismes chromatiques et ( .

sont assez etroits. Ils sont pr´ sent´ s sur la figure 16.6 cycles par degr´ ). 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. paragraphe 11.11. 1976]. ee e £ ‚ ¡ ‚  £  ¡  . conform´ ment a l’approche de Marr [Marr et Hildreth. e e e e Les filtres spatiaux et agissant sur les canaux antagonistes. e e Ces filtres ont et´ r´ alis´ s par diff´ rences de gaussiennes. 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. 1980] ´e e e e e ` (voir chapitre sur la segmentation.5). e e Le mod` le d´ velopp´ par von Kreis reprend le mod` le de Frei-Faugeras. Les valeurs de ces divers filtres. 16. et ) ind´ pendamment.10 – Le mod` le de vision propos´ par Frei et d´ velopp´ par Faugeras [Faugeras. 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 . 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.332 CHAPITRE 16. e e e e de chaque canal (respectivement . ainsi que des e matrices de composition et des non-lin´ arit´ s du mod` le sont propos´ es dans [Faugeras. 1976].

A droite : la fonction de transfert e § £ ¡ ‚ ©  § ¡  (` une dimension). Si un ordre n’est pas total. 16. 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. Si la relation n’est pas injective alors elle d´ finit un pr´ -ordre sur . T1 x2 y=sup{xi} T1 y? x x1 x3 To y<x y? To y>x F IG .16. e e Les entiers naturels sont ordonn´ s dans . . calcul´ e a partir d’une a e ` du canal .4. ¡     ' ! !  % %  ! . £ ‚ © F IG .12 – A gauche : . alors la relation est un pr´ -ordre. A ` ´e droite : l’ordre canonique d´ finit les el´ ments sup´ rieurs et inf´ rieurs a .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.11 – A gauche la fonction de transfert du canal diff´ rence de deux gaussiennes.4. le sup des n’appartient pas a l’ensemble qui n’a donc pas de plus grand el´ ment. . Les couples de e ou les triplets de ne b´ n´ ficient pas d’ordre e e naturel. il est dit partiel. 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 ). r´ flexivit´ : e e . 16. mais ne classe pas les autres. anti-sym´ trie : si e et alors ¨  !  ¨ %  % '   ! 2.4 Les traitements des images en couleur 16. transitivit´ : e et implique   !  ! 1. 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.

(comme les filtres m´ dians en partie e e culier). Plusieurs ordres sont possibles.334 CHAPITRE 16.13 – Les divers modes de balayage de l’espace £   C A# C# Toute application injective de dans est discontinue. e e On ne peut d´ finir le dilat´ (ou l’´ rod´ ) d’une image en couleur par cet ordre. on obtient un ordre partiel dit ordre canonique par la relation conjonctive des deux relations d’ordre (voir figure 16. puisque ni le min ni le max d’un e e e e ensemble de valeurs n’appartient forc´ ment a cet ensemble. 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). balayage de Peano ¡ !  ¡   7 !  7   ¥ ¡ v t £v t   ¡ 1# 7 A ! !      '     . 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.13.12). il faut pouvoir induire e e e e un ordre total dans l’espace des couleurs. Avec un tel ordre. qui sont illustr´ s a 2 dimensions dans e ` la figure 16. L’impossibilit´ de le faire au moyen de l’ordre canonique est illust´ sur la figure 16. par exemple. 16. 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. il est alors possible d’appliquer les algorithmes de la morphologie math´ matique ou des filtres non-lin´ aires de rang .12 pour la dilatation. FORMATION DE L’IMAGE ET COULEUR Si un espace est espace produit de 2 espaces ordonn´ s e et . e e e e Si l’on veut b´ n´ ficier d’un certain nombre d’outils d´ velopp´ s en traitement des images. 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 .

4. Gray) ou m´ thode des k-moyennes .2 pour coder sur 1 octet une image couleur. on trie ces distances par ordre croissant.5 pour coder sur 15 bits (on r´ duit le nombre de couleurs a 36 000 e ` environ. 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. sur toute la surface . c’est-` -dire calcul´ e a partir de l’ensemble priv´ de ses el´ ments e a e ` e ´e extrˆ mes. non le point qui minimise la somme des distances.3 Comment calculer une palette ? niveaux. 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. qui associe les 4 points pr´ c´ dant et les 4 points e e e e succ´ dant a le long de la courbe. la m´ thode LBG (Linde. Parmi les e ` e e techniques choisies. ex : palette 5.. Statistiquement. 3. ce qui permet de construire des histogrammes) ou palette 4. Cette valeur moyenne est la moyenne frustr´ e de l’ene semble. 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. mais ´ celui qui minimise la m´ diane des distances d’un point a tous les autres. on ecarte de l’ensemble tous les points a une distance trop grande de cette valeur moyenne. ` 2. LES TRAITEMENTS DES IMAGES EN COULEUR 335 Consid´ rons la 8 connexit´ de l’espace e e .2 Qu’est ce qu’une couleur repr´ sentative d’un nuage ? e On suppose que l’on dispose de points de couleur. 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. 16. cette m´ thode de classification permet e e e de minimiser la distorsion entre la repr´ sentation originale et la repr´ sentation quantifi´ e. e `   16. Pour cela on travaille en deux etapes : e ´ 1.4. pour les points retenus. Le choix d’une valeur m´ diane n’est pas trivial a cause des probl` mes d’ordre expos´ s ci-dessus.4.5. pour chaque point de l’ensemble on calcule la somme des distances a tous les autres. a partir de l’ensemble des points on calcule une moyenne. Elle etend a N e e e ´ ` dimensions la soluion classique de Lloyd et Max en choisissant [Linde et al. la quantification uniforme . e On peut egalement choisir dans l’algorithme ci-dessus. e ´ 4. Buzo.16. D´ finissons une 8-connexit´ le long du balayage de l’image. ` ` On calcule parfois des moyennes ”frustr´ es”.2. Une fois choisi l’espace des couleurs. Un balayage pr´ servera la topologie de e si les points de se retrouvent dans . on recalcule une moyenne. ` 2. Chaque point a alors 8 voisins appartenant au voisinage . on veut en extraire une valeur significative. 2. ´ ` 3. 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. Soit e ` ce voisinage. on utilise souvent la technique du minimum de distance : 1. 9 Y g£   £ ¡! £v C# t ! £ ¡ 9 © 9 © ! 9 Y . 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. on choisit pour point m´ dian celui qui minimise la somme des distances.

4. En effet.4. Par exemple on sait que les ombrages (aussi bien propres que port´ s) sont peu color´ s.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 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. 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´ . e e e Attention. 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 ). 7. 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.  !  £ E ¨   ¦   !f #  #f E¦Q E E¦Q ¦ 4 4E ¨     !f   ¦ ! § # 4   ¦ ¡   # ¦ (  E £ ¦ ¨ ¨   ¦   4f  ¦    # ¦ (  E £ ¦ ¨ ¨   ¦   4f   ¥¡   M B ¡¥ ¡   . e e A M’ F IG . 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.. le median-cut. 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. 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. FORMATION DE L’IMAGE ET COULEUR – pour repr´ sentant d’une classe le centre de gravit´ de cette classe. 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). ne change pas ` fondamentalement le principe du filtrage. ` ` e e 16. l’octtree les r´ seaux de Kohonen e 3. e l’algorithme de population. 6.pas lin´ aire et il n’est e pas equivalent de l’appliquer avant ou apr` s la combinaison des canaux. A et B.4. 5. de Shen).14).14 – Lors de l’interpolation de deux couleurs. de Canny. 1986]. 16. e e la m´ thode des k-moyennes floues.elle . 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 .

Le produit n’est pas commutatif.16. On repr´ sente ee e e ensuite un point de couleur par un quaternion pur. 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. LES TRAITEMENTS DES IMAGES EN COULEUR 337 16. v´ rifiant des propri´ t´ s de multicativit´ seme ee e blables a celles des complexes : ` Un quaternion se compose de 2 parties. convolutions.( ).127. 1996]. Par exemple comme : Les op´ rations conduites sur les quaternions (produits. forment un espace ´ e vectoriel isomorphe a .5. l’autre vectorielle : ¡ Les quaternions vectoriels (c’est-` -dire tels que a ).4. le produit. la somme. 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. sauf si les 2 quaternions ont leurs parties vectorielles proportionnelles. ´ 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 .6 Repr´ sentation par quaternions e Cette technique particuli` re et originale peut s’appliquer a n’importe quel espace chromatique. ` Les op´ rations sur les quaternions permettent de d´ finir le conjugu´ de e e e . mais dans [Evans et al. ) h´ ritent des propri´ t´ s sp´ cifiques e e ee e du produit de quaternions. le produit scalaire de 2 quaternions ( ) et la norme d’un quaternion ( ). c’est tout d’abord choisir un espace de couleur Repr´ senter un point de couleur e (par exemple RVB).127.5) qui se situe au centre du cube des couleurs. etc. l’une scalaire . pour des quaternions purs et .7 Couleur et quaternion par un quaternion pur. 2000] ˆ on pr´ f` re le point de coordonn´ es (127. Elle utilise la repr´ sentation par quaternions..0. En effet :  16. En particulier. 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 . egalement appel´ s quaternions purs. Elle a et´ proe ` ´e pos´ e dans [Sangwine. Les quaternions forment un anneau qui peut etre construit a partir de tout anneau commutatif.4. d´ note le produit scalaire de 2 vecteurs. 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). et la partie vectorielle u e : o` repr´ sente le produit vectoriel. Ils se construisent a partir d’une base constitu´ e de ` e .4. on v´ rifie ais´ ment que la partie scalaire e e du produit de quaternions et vaut : o` . Ces propri´ t´ s permettent d’obtenir des r´ sultats particuliers par des mises en u e ee e equation tr` s simples. puis une origine de l’espace des couleurs (ce peut etre le noir (0.5.

. 1998]. 2000]. des filtres passe-bas [Evans et al. 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 ¡   . FORMATION DE L’IMAGE ET COULEUR Par exemple dans [Evans et al. des TF de l’espace des couleurs ([Ell et Sangwine. 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. 2000]. ces convolutions : et fournissent 2 quaternions et de mˆ me partie e r´ elle et de parties vectorielles oppos´ es.. ! ¥¥ ¥ ¡ ¡ ¡ ¡ ¡ ¡ ¥ ¥¥ ¡ ¡¡ 3 ¥¥¥ ¡¡¡  avec ¡ Leur somme est un scalaire qui peut etre orient´ selon ˆ e filtrage hypercomplexe qui vaut : ¡ en le multipliant par . 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.338 CHAPITRE 16. Les parties scalaires obtenues sont egales a la moyenne des composantes e e ´ ` chromatiques de l’image parall` les a e ` . 2000].

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.Annexe A D´ composition en Valeurs Singuli` res : e e SVD Chapitre r´ dig´ par Denis M ATIGNON e e A. 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 . les r´ sultats donn´ s pour e e ) en transpos´ es ( ). On a l’unicit´ des valeurs singuli` res (comme on a celle du spectre de e e e ) . 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. A. en revanche. 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 . les ou valeurs e e singuli` res de . 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. et de leur positivit´ . et les e A     ¡  © 4 Y ¡   £ ¡     ( ¡       A ©    ¡ # b Ab # ¡ ¡ §   0 15 ¡ b   ¡    &' ¢ ¡ a ¡ ¡ A   §  ©  9   ¡ A ¡ ¢        ¡ ¢ ¡  A ¡ ¡    Y    ¨       . 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 .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). Soit e e .1 D´ finition e ¡ telles que : La matrice rectangulaire est constitu´ e de sauf sur la diagonale qui comporte r´ els positifs. e Th´ or` me 1.

les valeur singuli` res de mesurent la distance (en norme 2) de la matrice par rapport aux matrices de e rang inf´ rieur.340 ´ ` ANNEXE A.3 Normes La norme 2 et la norme Frobenius de   se calculent ais´ ment a partir de la SVD : e ` En fait. Soit e e de rang exactement . on montre de mˆ me que e et . en notant . consid´ rons pour e Th´ or` me 2. 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 . 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 . 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. si l’on se donne e e comme tol´ rance num´ rique. et que l’on mesure le rang num´ rique e e e de correspondant par . et carr´ e diagonale extraite ou partie utile de : e   . 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 l’on a : A. Pour . e Plus pr´ cis´ ment.

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). D´ finition 1.1 Conditionnement d’un syst` me lin´ aire non singulier e e Consid´ rons le syst` me lin´ aire e e e suppos´ r´ gulier. e e e Le calcul diff´ rentiel permet une analyse directe dans le cas r´ gulier : comme e e . 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 . c’est-` -dire inversible. e est unitaire. e e En introduisant une SVD de : (dans le cas r´ gulier. Il est trouve imm´ diatement la d´ composition correspondante de e e alors evident que ´ . d’o` : u Le nombre apparaˆt clairement comme une mesure de la sensibilit´ de l’op´ ration d’inversion. on : . de plus. e est le nombre de condition ou conditionnement de la matrice .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. e ). ´ ` 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. peut etre tr` s grand. enfin .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 . ˆ e B. ı e e Caract´ risons la par les valeurs singuli` res de . et en utilisant que  . alors . un raisonnement pr´ cis utilisant les vecteurs singuliers montre que la borne e propos´ e est optimale pour certaines directions de e .

est rectangulaire horizontale avec . ` 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. o` u .342 - ` ´ ` ´ ANNEXE B. On donne maintenant une expression directe de dans les deux cas particuliers de rang plein. APPLICATIONS DE LA SVD A LA RESOLUTION DES SYSTEMES LINEAIRES carr´ e n’est plus inversible . 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 . est la projection orthogonale sur dans . autrement dit il y a plus d’´ quations que d’inconnues : on parle e alors de syst` me surd´ termin´ . Th´ or` me 3. 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. et il peut etre e e e ˆ int´ ressant de calculer la solution de norme minimale. on prendra celle qui est de norme minimale. est rectangulaire verticale avec . 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. d’inverse dans ce cas . 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. e ´ e une SVD de A de rang . e e e e a e B. bien souvent il y a un sous-espace affine de solutions.3 Solutions robustes d’un syst` me lin´ aire. au cas o` il y a plusieurs solutions. d’inverse dans ce cas . 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 . moindres carr´ s e e e On cherche a r´ soudre ` e . d’o` : u . en revanche il y a forc´ ment une solution qui minimise la distance e . autrement dit qui u minimise . mais une solution qui e e e a minimise l’erreur . o` u . il peut n’y avoir aucune solution exacte. il n’y a donc pas de solution exacte. 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. On a en particulier : est la projection orthogonale sur dans . Soit e   et Contrairement a ce que laisserait supposer la d´ finition. autrement dit il y a plus d’inconnues que d’´ quations : on e parle alors de syst` me sous-d´ termin´ . d’o` : u . 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) . l` encore. on appelle pseudo-inverse de la matrice d´ finie par : e D´ finition 2. si e . c’est-` -dire potentiellement singulier ou proche de la singularit´ .

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

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

et les sont des vecteurs. et les sont des vecteurs. 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 .Annexe C Optimisation sous contraintes Chapitre r´ dig´ par Denis M ATIGNON e e ´ C. Soit a trouver le minimum de e e avec sous contraintes egalit´ s e ` ´ et contraintes in´ galit´ s e e .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. 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 . ´ e ` e C. Soit a trouver le minimum de e e avec sous contraintes egalit´ s 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. e e e Th´ or` me 5.2 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. e Th´ or` me 4.

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.

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

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

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

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

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

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

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

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.

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

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

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

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

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

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

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

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

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

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

Sign up to vote on this title
UsefulNot useful