REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

Université Mohamed Khider – BISKRA

Travail pratique sur Word

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

La segmentation consiste à découper une population en des groupes d'individus

homogènes et que les groupes entre eux soient les plus différents possibles. La segmentation
est utilisée dans divers domaines, elle peut s’appliquer sur des bases de données clients pour
construire des politiques marketings différenciés, des catalogues de produits pour mener des
analyses de structure de gamme, des fichiers de personnel pour identifier les facteurs de
motivation ou de performance.
Par contre dans le domaine d’image, la segmentation est une opération de traitement
d'images qui consiste à partitionner une image en des régions connexes et homogènes telles
que des pixels voisins doivent appartenir à la même région, elle consiste à préparer l’image
afin de la rendre plus facilement exploitable par un processus automatique telle que
l’interprétation.

I.2.Définition de la segmentation

La segmentation est un traitement de bas-niveau qui consiste à créer une partition de

l’image en un sous–ensemble appelé région. Les régions doivent correspondre à des objets ou
des parties d’objets de la scène réelle[1]

Où la segmentation d'image est le processus de partitionnement d'une image

numérique en plusieurs segments (ensembles de pixels). Le but de la segmentation est de
simplifier et / ou modifier la représentation d'une image en quelque chose qui est plus
significatif et plus facile à analyser. La segmentation d'image est généralement utilisée pour
localiser des objets et des frontières (lignes, courbes, etc...) dans les images.[1]

I.3.Les domaines d’application

La segmentation d'image touche beaucoup de domaine de recherche comme

 La météorologie

4
 Traitements d'image requis pour ce type d'imagerie : segmentation rigoureuse et
estimation du mouvement, possibilité de suivi dans des séquences.

 Les caméras de surveillance

La détection et la segmentation de personnes dans les images et les vidéos.
 Et surtout le domaine le plus sensible pour les êtres humains : La médecine, Le but du
traitement des images médicales est d'extraire à partir des images acquises, les
informations utiles au diagnostic, de révéler des détails difficiles à percevoir à l'œil nu, tout
en évitant la création d'artefacts faussement informatifs.

I.4.Les approches de segmentation

La segmentation est une étape primordiale en traitement d'image. À ce jour, il existe de

nombreuses méthodes de segmentation, que l'on peut regrouper en deux principales classes :
1. La segmentation fondée sur les régions (en anglais : region-based segmentation). On y
trouve par exemple : la croissance de région (en anglais : region-growing),
décomposition/fusion (en anglais : split and merge), la classification ou le seuillage des
pixels en fonction de leur intensité (en anglais : classification ou thresholding).
2. La segmentation fondée sur les contours (en anglais : edge-based segmentation).
3. La segmentation fondée sur la coopération entre les deux premières segmentations.[2]
Comme on a mentionné précédemment qu’il y a plusieurs approches de la
segmentation, dans cette partie on va détailler ces approches.

I.4.1.Segmentation orientée région

La segmentation en régions vise à détecter les régions contenues dans l’image. On

appellera segmentation en régions la tâche qui consiste à cataloguer chaque pixel comme
appartenant à un certain groupe de pixels, comme il est présenté dans laFigure I.1. Dans cette
approche on distingue les méthodes par la classification, par décomposition/fusion et par la
croissance de région et ainsi de suite. [2]

5
 Figure I.1 : exemple de segmentation orientée région.

I.4.1.1.Segmentation par Seuillage de niveau de gris

Le Seuillage est la méthode de segmentation d'images la plus simple. A partir d'une

image en niveaux de gris, le seuillage d'images peut être utilisé pour créer une image en noir
et blanc (monochrome). Le seuillage sert de composante de base à des algorithmes plus
complexes de segmentation. Pour son efficacité et sa simplicité théorique, le seuillage a
inspiré beaucoup de recherches et plusieurs méthodes de seuillage ont été développées. Ces
méthodes peuvent être divisées, entre autre, en deux catégories. Les méthodes de seuillage
globale et les méthodes de seuillage local. [2]

I.4.1.2.Segmentation par Classification

Les méthodes de classification sont issues des méthodes statistiques

multidimensionnelles. Il n’existe pas une méthode de classification qui peut s’appliquer à tout
type d’image et qui peut fournir un partitionnement optimal.
En général, on peut les répartir en : méthodes supervisées qui se basent sur un modèle
exacte, fourni par un expert, des classes à obtenir et les méthodes non supervisées ou aucune
connaissance à priori n’est disponible. Ici le nombre de classes est déduit directement des
données. [3]
 Les réseaux de Neurones
Un réseau de neurones est constitué d’un certain nombre d'unités élémentaires
(neurones) fortement interconnectés (neurones) fonctionnant en parallèle et organisée en
couches avec un flux d'informations à anticipation.
L'architecture du perceptron multicouche est organisée de la manière suivante : les
signaux flux successivement dans les différentes couches de l'entrée à la couche de sortie. Les

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]

Figure I.2: Réseau de neurone.

 Les centres mobiles (K-means)

Le plus simple et le plus utilisé des algorithmes de clustering est l’algorithme K-means,
il démarre d’une partition arbitraire des enregistrements sur les k clusters, à chaque itération il
calcule les centres de ces clusters puis il effectue une nouvelle affectation des enregistrements
aux plus proches centres. Il s’arrête dès qu’un critère d’arrêt est satisfait, généralement on
s’arrête si aucun enregistrement ne change de cluster. L’algorithme est le suivant : [4]
 Sélectionner une partition initiale contenant des enregistrements choisis
arbitrairement,
 puis calculer les centres des clusters ;
 Calculer une liste des distances inter clusters et la trier dans l’ordre croissant ;
 Générer une nouvelle partition en affectant chaque enregistrement au cluster du
centre le plus proche ;
 Calculer les nouveaux centres des clusters ;
 Répéter 2 et 3 jusqu’à ce que les enregistrements se stabilisent dans leurs
clusters. [4]
 C-moyennes floues ("Fuzzy C-Means" ou FCM)
Fuzzy C-Means (FCM) est un algorithme de classification non-supervisée floue. Issu de
l’algorithme des C-moyennes(C-means), il introduit la notion d’ensemble flou dans la

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]

I.4.1.3.Segmentation par découpage /fusion (split and merge)

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]

Figure I.3 : Décompositions successives des blocs.

b) La fusion

L’objectif de fusion est

 identifier les régions qui composent l'image en regroupant les blocs jointifs et
similaires.
 Il faut tout d'abord définir le critère de similarité entre blocs.
 Ainsi, on peut assimiler un bloc à un " gros " pixel en calculant sa valeur/couleur
moyenne. [6]

I.4.1.4.Segmentation par Croissance de régions

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]

a) Points de départ (seeds)

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]

Figure I.4 : point de départ.

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]

Figure I.5: Croissance progressive d’une région.

10
 I.4.2.Segmentation orientée contour

Le Principe de cette méthode est :

 Détection de régions en identifiant les contours fermés constituant leurs
frontières.
 On détermine alors les régions non pas en recherchant des zones homogènes
mais en détectant les points frontières entre deux zones homogènes de
caractéristiques différentes.
 Ces points frontières correspondent aux points de contour et peuvent être
calculés avec un algorithme de détection de contours.
 Les contours issus d’un algorithme de détection de contours sont rarement
fermés, aussi les difficultés des approches « détection des régions par fermeture
des contours » résident justement dans la fermeture de ces contours.
 Le succès de ce genre de méthodes dépend donc généralement de la qualité du
détecteur de contours utilisé. (Figure I.6)

Figure I.6: exemple de 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]

I.4.2.2.Les contours actifs

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]

a)-courbe initiale. b)-contour finale.

Figure I.7: segmentation par les contours actifs.

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]

I.4.3.1.La coopération séquentielle

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]

Figure I.9: Principe de la coopération séquentielle.

I.4.3.2.La coopération des résultats

Les deux types de segmentation seront réalisés indépendamment (Figure I.10) ; la

coopération concernera leurs résultats qui seront intégrés afin d’atteindre une meilleure
segmentation. [9]

13
 Figure I.10: Principe de la coopération des résultats.

I.4.3.3.La coopération mutuelle

Les deux types de segmentations coopéreront mutuellement au cours de leur processus

d’exécution (Figure I.11). [9]

Figure I.11: Principe de la coopération mutuelle.

I.5.Conclusion

Dans ce chapitre, Nous avons vu que la segmentation (clustering) permet de regrouper

des objets (individus ou variables) en un nombre limité de groupes ou de classes (segmentes,
ou cluster), Et on a vu un aperçu sur les différentes approches de la segmentation d’images :
les approches basées contour, basées région et les approches basées classification, comme la
classification supervisées et non supervisées.

14