Académique Documents
Professionnel Documents
Culture Documents
Réalisé par
1
Table des matières
Chapitre I La segmentation ..................................................................................................................... 4
I.1. Introduction ................................................................................................................................... 4
I.2. Définition de la segmentation ....................................................................................................... 4
I.3. Les domaines d’application .......................................................................................................... 4
I.4. Les approches de segmentation..................................................................................................... 5
I.4.1. Segmentation orientée région ................................................................................................. 5
I.4.1.1. Segmentation par Seuillage de niveau de gris ................................................................. 6
I.4.1.2. Segmentation par Classification ...................................................................................... 6
I.4.1.3. Segmentation par découpage /fusion (split and merge) .................................................. 8
I.4.1.4. Segmentation par Croissance de régions ......................................................................... 9
I.4.2. Segmentation orientée contour ............................................................................................. 11
I.4.2.1. Méthodes classiques ...................................................................................................... 11
I.4.2.2. Les contours actifs......................................................................................................... 12
I.4.3. Segmentation d’image hybride (coopération régions-contours) .......................................... 13
I.4.3.1. La coopération séquentielle........................................................................................... 13
I.4.3.2. La coopération des résultats .......................................................................................... 13
I.4.3.3. La coopération mutuelle ................................................................................................ 14
I.5. Conclusion .................................................................................................................................. 14
2
La table des figures
Figure I.1 : exemple de segmentation orientée région............................................................................. 6
Figure I.2: Réseau de neurone. ................................................................................................................ 7
Figure I.3 : Décompositions successives des blocs. ................................................................................ 9
Figure I.4 : point de départ. ................................................................................................................... 10
Figure I.5: Croissance progressive d’une région. .................................................................................. 10
Figure I.6: exemple de segmentation orientée contour. ........................................................................ 11
Figure I.7: segmentation par les contours actifs. ................................................................................... 12
Figure I.8: Evolution du contour actif Γ(τ) avec la vitesse (v) vers l'objet d'intérêt. ............................ 12
Figure I.9: Principe de la coopération séquentielle. .............................................................................. 13
Figure I.10: Principe de la coopération des résultats............................................................................. 14
Figure I.11: Principe de la coopération mutuelle. ................................................................................. 14
3
Chapitre I La segmentation
I.1.Introduction
I.2.Définition de la segmentation
La météorologie
4
Traitements d'image requis pour ce type d'imagerie : segmentation rigoureuse et
estimation du mouvement, possibilité de suivi dans des séquences.
5
Figure I.1 : exemple de segmentation orientée région.
6
couches intermédiaires sont appelées couches cachées (Figure I.2). Pour chaque couche,
chaque unité élémentaire calcule un produit scalaire entre un vecteur de poids et le vecteur de
sortie donné par la couche précédente. Une fonction de transfert est alors réalisée à la suite de
faire une entrée pour la couche suivante. Les poids des connexions sont ajustés au cours du
processus d’apprentissage pour obtenir la relation d'entrée/sortie désirée du réseau. [3]
7
définition des classes : chaque point dans l'ensemble des données appartient à chaque cluster
avec un certain degré, et tous les clusters sont caractérisés par leur centre de gravité. [5]
Comme les autres algorithmes de classification non supervisée, il utilise un critère de
minimisation des distances intra-classe et de maximisation des distances inter-classe, mais en
donnant un certain degré d’appartenance à chaque classe pour chaque pixel. Cet algorithme
nécessite la connaissance préalable du nombre de clusters et génère les classes par un
processus itératif en minimisant une fonction objective. Ainsi, il permet d'obtenir une partition
floue de l'image en donnant à chaque pixel un degré d'appartenance (compris entre 0 et 1) à
une classe donnée. Le cluster auquel est associé un pixel est celui dont le degré
d’appartenance sera le plus élevé. [5]
Les principales étapes de l’algorithme Fuzzy C-means sont :
La fixation arbitraire d’une matrice d’appartenance.
Le calcul des centroïdes des classes.
Le réajustement de la matrice d’appartenance suivant la position des
centroïdes.
Calcul du critère de minimisation et retour à l’étape 2 s’il y a non convergence
de critère. [5]
Cette technique enchaîne le découpage itératif et fin de l'image jusqu'à avoir des blocs
contenant exclusivement des pixels similaires et puis la fusion des régions adjacentes selon un
critère d’homogénéité. Ces deux phases enchaînées sont nécessaires afin de garantir que les
régions obtenues soient à la fois homogènes et également les plus grandes possibles. [6]
a) La décomposition
Principe :
faire une dichotomie par blocs de l'image.
Pour cela, on commence par définir un bloc de la taille de l'image,
puis on examine le contenu de ce bloc.
Si le bloc est homogène alors on arrête la décomposition.
Sinon, on découpe le bloc en 4 sous-blocs et on examine le contenu
de chaque sous-bloc.
Et ainsi de suite jusqu'à ce qu'il n'y ait plus besoin de décomposer les blocs.
8
Le résultat obtenu est donc un ensemble jointif de blocs de différentes tailles qui
recouvrent entièrement l'image.(Figure I.3)[6]
b) La fusion
Cette technique consiste à faire progressivement grossir les régions autour de leur point
de départ.
L'algorithme se compose de deux étapes :
Trouver les points de départ des régions ;
Faire grossir les régions par agglomérations des pixels voisins. [7]
Le choix des points de départ est l'étape est la partie critique de l'algorithme. En effet,
l'étape de croissance va utiliser une mesure de similarité pour choisir les pixels agglomérer. Si
le point de départ est situé dans une zone non homogène, la mesure de similarité va produire
de fortes variations et la croissance va s'arrêter très tôt.
9
Par conséquent, il convient de choisir les points de départs dans des zones les plus
homogènes possibles (voir Figure I.4).
Pour trouver ces zones, on peut réutiliser le principe de décomposition utilisé dans
l'algorithme split/merge. Comme la décomposition finale nous donne une liste de blocs
homogènes, il suffit de choisir le centre des plus gros blocs pour avoir de bons points de
départ. [7]
b) Croissance (growing)
Cette étape a pour objectif de faire grossir une région en agglomérant des pixels voisins.
Les pixels sont choisis afin de maintenir l'homogénéité de la région. Pour cela, nous devons
définir un indicateur d'homogénéité. Les pixels voisins sont ajoutés à la région si l'indicateur
d'homogénéité reste vrai.
La croissance s'arrête lorsqu'on ne peut plus ajouter de pixels sans briser l'homogénéité
(voir Figure I.5). [7]
10
I.4.2.Segmentation orientée contour
I.4.2.1.Méthodes classiques
Ces méthodes pionnières qui sont historiquement les premiers à investir le domaine de
la détection de contours sont basées sur le principe de dérivation et elles permettent une
détection et une localisation immédiate des variations des niveaux de gris dans l’image. Elles
comprennent, pratiquement toutes, une étape de seuillage pour éliminer les transitions de
faible gradient pouvant être assimilées à du bruit. Ces techniques consistent à effectuer un
11
filtrage passe haut pour accentuer la visibilité des contours précédé par un léger filtrage passe-
bas pour supprimer le bruit. [2]
Les contours actifs sont des techniques de segmentation permettant d’extraire un objet
d’une image. Cette segmentation n’est pas immédiate, elle nécessite une phase dynamique du
contour qui se meut itérativement au cours du temps artificiel t, de sa position initiale vers les
bords de l’objet à extraire (Figure I.7). [2]
Le principe des contours actifs est de faire évoluer une courbe initiale vers l'objet
d'intérêt. L'évolution de cette courbe se fait sous l'action d'une force, qui est généralement
déduite de la minimisation d'une fonctionnelle. Notons Γ ce contour actif, Γ0 est le contour
initial qui peut être défini manuellement par exemple et v est la vitesse d'évolution de la
courbe, La Figure I.8illustre cette évolution. [8]
Figure I.8: Evolution du contour actif Γ(τ) avec la vitesse (v) vers l'objet d'intérêt.
12
I.4.3.Segmentation d’image hybride (coopération régions-contours)
Dans la littérature, l’utilisation de la coopération entre les régions et les contours pour la
segmentation d’image diffère d’un auteur à un autre. D’une part, cette différence se manifeste
dans l’étape où l’intégration entre l’information sur les régions et celle sur les contours est
réalisée. D’autre part, elle apparaît dans la façon que cette intégration est produite.
Ainsi, il existe trois approches de la segmentation d’images par coopération régions-
contours sont [9]
Dans laquelle l’une des techniques de segmentation (région ou contour) est réalisée en
premier lieu ; son résultat va être exploité par l’autre technique pour renforcer la définition
des critères ou des paramètres de la segmentation, comme elle est présenté dans la figure ci-
dessous. [9]
13
Figure I.10: Principe de la coopération des résultats.
I.5.Conclusion
14