Explorer les Livres électroniques
Catégories
Explorer les Livres audio
Catégories
Explorer les Magazines
Catégories
Explorer les Documents
Catégories
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
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
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.
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