Vous êtes sur la page 1sur 5

Segmentation : Définition

— La segmentation consiste à séparer l’image en différentes


régions homogènes, selon un certain critère (niveau de
Segmentation des Images gris, couleur, distance, …).

Segmentation : Applications
Segmentation : Approches
Elle trouve application dans plusieurs domaines :
— Imagerie médicale : IRM du cerveau, échographie Nous aborderons les approches suivantes :
mammaire, angiographie rétinienne, …, afin de visualiser — Approches régions :
les données médicales et aider au diagnostic
— Imagerie satellitaire pour la cartographie, la gestion et — Méthode de croissance des régions
l’aménagement des sols et pour les systèmes d’information — Méthode de division/fusion
géographique.
— Images microscopiques pour mieux explorer les cellules
biologiques (structure de l’ADN…) — Approches de classification (approches statistiques)
— Analyse des documents — Méthode de segmentation par seuillage (sur histogramme)
— …etc. — Les K-Means (K moyennes)

3 4
Segmentation par Croissance de Région Segmentation par Croissance de Région
(Region Growing) 1/4 (Region Growing) 2/4
C’est une méthode ascendante qui procède :
Algorithme
— En attribuant une étiquette à un pixel de départ dit germe (seed)
Pour segmenter une région R de moyenne ett variance
— Tout les pixels adjacents et similaires (différence de niveaux de
— On initialise la région R à un pixel germe.
gris est suffisamment faible par rapport au seuil) seront étiquetés
— On ajoute à R tous les pixels voisins de R qui sont suffisamment
par la même étiquette.
semblables à R, càd :
— ® créant ainsi une petite région
ou bien
— On poursuit la croissance de cette petite région, en lui fusionnant
les pixels avoisinants qui vérifient le critère de similarité.
— Lorsque ce critère n’est plus respecté une nouvelle étiquette est
allouée au point se qui va créer une nouvelle région.

5 6

Segmentation par Croissance de Région Segmentation par Croissance de Région


(Region Growing) 3/4 (Region Growing) 4/4

7 8
Segmentation par Division et fusion Segmentation par Division et fusion
(Split and Merge) 1/3 (Split and Merge) 2/3
— L'idée des algorithmes de type « Split & Merge » est de produire
2. Fusion : à rassembler (fusionner) toutes les régions
automatiquement une partition initiale en des petites régions (Split),
qui vont ensuite croître en se regroupant (Merge).
adjacentes qui satisfassent un critère de similarité
Exemple : R et R' sont fusionnées si
1. Division : consiste à diviser récursivement l'image en régions de
tailles identiques tant qu’un certain critère d'homogénéité n'est pas
satisfait :
Exemple : R est divisée si

9 10

Segmentation par Division et fusion Segmentation par Seuillage sur la base d’un Histogramme 1/3
(Split and Merge) 3/3 — Cette méthode est valable pour les régions (ou objets) dont les
niveaux de gris sont bien distincts
1. pour 2 régions distinctes (objet + fond)
®seuillage binaire :
F(i,j)=255, si I(i,j)< seuil
F(i,j)=0 , sinon
(ou vis-versa)

11 12
Segmentation par Seuillage sur la base d’un Histogramme 2/3 Segmentation par Seuillage sur la base d’un Histogramme 3/3
2. pour plusieurs régions distinctes

— Après plusieurs itérations (4), le résultat de la


segmentation contenant 4 régions distinctes

13 14

K-Means 1/4
K-Means 2/4
Principe :
— La méthode des k-means est un outil de classification classique qui permet de
répartir un ensemble de données en K classes homogènes vérifiant localement des
propriétés d'homogénéité.
®Dans cette méthode le nombre de classe doit être connu, mais pas nécessairement leurs
paramètres.
®Les paramètres (moyennes et écart typee ) des K classes sont initialisés à certaines valeurs.

— C’est un algorithme itératif. A chaque itération, on balaye l’image en attribuant une


étiquette par minimisation de distance entre le niveau de gris du pixel en question et
les moyennes des classes. Il s’agit en générale de la distance euclidienne, mais
d’autres distances peuvent être choisies
— Une fois les étiquettes attribuées, on calcule les nouvelles valeurs de et pour les
K classes trouvées à l’itération i
— On réitère ces opérations jusqu'à ce que la condition d’arrêt soit vérifiée :
— nombre relatif de sites (points) dont l’étiquette a changé entre deux étapes,
— variation relative des paramètres et entre deux itérations successives.

15 16
K-Means
3/4 K-Means 4/4

Classification en 3 • Classification en
classes, vue sur 3 classes (suite)
Histogramme

• Classification en 2 classes

17 18