GSE4 : Traitement d’images

UAE

Chap. V : Segmentation par Contour

Out Line

I. Introduction

II. Principe de détection de contours

III. Les approches classiques

IV. Les approches analytiques

V. Contours Actifs (snakes)

avril 14

A. Moussa
 GSE4 : Traitement d’images
UAE

Chap. V : Segmentation par Contour

I. Introduction

Segmenter une image, c’est extraire les objets qui la constituent, en

vue de décrire leurs relations et mesurer les paramètres qui les
caractérisent. Dans une image, un objet ou une région est
constitué de l’ensemble des pixels connexes possédant une
propriété commune et que ne possèdent pas les objets voisins. Cet
ensemble est par définition entouré d’un contour fermé.
Dans une approche de segmentation par contour, les contours des
régions sont détectés en premier, les régions sont obtenues
ensuite en remplissant l’intérieur des contours fermés par une
étiquette propre à chaque région. Ces algorithmes sont fondés sur
l’idée que, si deux régions voisines se distinguent par leur
propriété, il existe, entre ces régions, une frontière sur laquelle le
changement de propriété est notable.

avril 14

A. Moussa
 GSE4 : Traitement d’images
UAE

Chap. V : Segmentation par Contour

II. Principe de détection de contours

Dans une image, un point de contour est déterminé par une variation
rapide du niveau de gris de pixels consécutifs. Il faut noter que
cette définition peut également s’appliquer à toute propriété
scalaire de l’image : composante colorimétrique, propriété de
texture, etc. Cette variation rapide peut être détectée par le
passage par un maximum de la dérivée première ou le passage à
zéro de la dérivée seconde. L’estimation de la dérivée seconde
étant plus sensible au bruit, nous nous intéresserons plus
particulièrement à la détection de contour par un maximum de la
dérivée première. L’image étant bidimensionnelle, la détection des
points de contour passe par le calcul du gradient de l’image :

U et v sont les vecteurs unitaires sur x et y.

Le module et l’argument sont donnés par :
avril 14

A. Moussa
 GSE4 : Traitement d’images
UAE

Chap. V : Segmentation par Contour

II. Principe de détection de contours

Les points de contour sont alors détectés en recherchant les

maximums locaux du module dans la direction q du vecteur
gradient. Le passage au domaine discret, celui de l’image,
entraîne deux conséquences :
— un pixel ne possédant que huit voisins, la recherche des maximums
locaux se fera en comparant le module du gradient du pixel
courant à celui de ces deux voisins dans la direction du vecteur
gradient ; cela impose que cette direction soit elle-même
discrétisée ;
— la deuxième conséquence résulte de la non-dérivabilité d’un
signal discret ; le calcul des dérivées partielles est alors remplacé par
une estimation de ces dérivées.
La littérature en ce domaine propose de nombreuses solutions.
On présente, dans ce qui suit, les opérateurs les plus facilement
utilisables.
avril 14

A. Moussa
 GSE4 : Traitement d’images
UAE

Chap. V : Segmentation par Contour

III. Les approches classiques

III.1 Les détecteurs de gradient par filtrages

Ces détecteurs reposent tous sur une recherche d’un extremum de la
dérivée première (ou d’un passage par zéro d’une dérivée
seconde), celle-ci étant calculée de diverses manières, mais
généralement par un filtrage passe-haut précédé d’un léger filtrage
passe-bas pour s’affranchir des bruits.
III. 2 Les détecteurs de gradient par masques
Des filtres de dérivation empiriques ont été proposés à partir
d’estimateurs locaux de l’image ou de ses dérivées. Ces
estimateurs sont obtenues à l’aide de masques appliqués sur des
fenêtres de pixels On note sans surprise que la somme des
coefficients de ces filtres est nulle (fonction de transfert nulle à la
fréquence 0), et que les coefficients sont anti-symétriques. Les
filtres les plus utilisés sont, dans l’ordre décroissant : Sobel
Roberts Gradient Prewitt
avril 14

A. Moussa
 GSE4 : Traitement d’images
UAE

Chap. V : Segmentation par Contour

III. Les approches classiques

a- Opérateur Gradient
consiste à combiner en chaque pixel, la convolution avec les
deux masques rectangulaires suivants:

La valeur du gradient selon l'axe X est Gx = p5-p4.

La valeur du gradient selon l'axe Y est Gy = p7-p4.
La norme du gradient G(x,y) calculé pour le pixel p4 est :

avril 14

A. Moussa
 GSE4 : Traitement d’images
UAE

Chap. V : Segmentation par Contour

III. Les approches classiques

b- Opérateur Sobel
Il est obtenu par convolution discrète de deux filtres unidimensionnels :
différentiateur dans la direction k1, sommateur dans la direction
orthogonale k2.
La réponse impulsionnelle de ce filtre est :

Selon l'axe X est Gx = - p0 + p2 - 2*p3 +2*p5 -p6 +p8

Selon l'axe Y est Gy = p0 + 2*p1 + p2 -p6 -2*p7 -p8
La norme du gradient pour le pixel p4 est :

avril 14

A. Moussa
 GSE4 : Traitement d’images
UAE

Chap. V : Segmentation par Contour

III. Les approches classiques

c- Opérateur Prewitt

Image coins Gradient Sobel Prewitt

avril 14

A. Moussa
 GSE4 : Traitement d’images
UAE

Chap. V : Segmentation par Contour

III. Les approches classiques

d- Calcul du gradient
Quelques soit le calcul de Ix et Iy, il faut calculer la norme du gradient pour
pouvoir la comparer à un seuil prédéfini.
 La méthode la plus simple consiste à définir un seuil fixe S. Tous les
pixels possédant une norme supérieure à S sont déclarés des pixels
appartenant à un contour.
 Tout le problème réside alors dans le choix de la valeur du seuil. Un
seuil trop bas amène à des sur-detections (beaucoup de bruit).
Tandis qu’un seuil trop élevé amène à des contours non fermés.

 Une façon pour diminuer l’importance du seuil est d’utiliser un

seuillage par hystérésis

avril 14

A. Moussa
 GSE4 : Traitement d’images
UAE

Chap. V : Segmentation par Contour

III. Les approches classiques

e- Seuillage par Hystérésis

les pixels de l'image de gradient sont filtrés grâce à deux seuils distincts,
T1 et T2 (T1 < T2)
les étapes de l'algorithme sont les suivantes :

 on effectue un calcul de gradient sur l'image à niveau de gris

 tous les pixels en dessous de T1 sont mis à zéro
 tous les pixels au dessus de T2 sont conservés
 on ne garde les pixels dont le niveau est entre T1 et T2 que s'ils sont
connexes à au moins un pixel de niveau supérieur à T2

Ainsi le niveau bas se débarasse du bruit indésirable. Le seuillage haut ne

garde que les composantes importantes mais incomplètes. La
troisième étape permet de compléter ces contours.

avril 14

A. Moussa
 GSE4 : Traitement d’images
UAE

Chap. V : Segmentation par Contour

III. Les approches classiques

e- Seuillage par Hystérésis

seuillage avec les paramètres

T1 = 40 et T2 = 70

avril 14

A. Moussa
 GSE4 : Traitement d’images
UAE

Chap. V : Segmentation par Contour

IV. Les approches analytiques

a- Les critères de Canny

un filtre déterminé analytiquement à partir de 3 critères :
1. garantir une bonne détection, c’est-`a-dire une réponse forte
même à de faibles contours,
2. garantir une bonne localisation,
3. assurer que pour un contour il n’y aura qu’une seule détection
(éviter les effets de rebonds dus, par exemple, à la
troncature des filtres).
Ces 3 critères s’expriment par l’optimisation conjointe de 3
fonctionnelles qui permettent de définir le filtre linéaire
optimal pour la détection d’une marche d’escalier sous
l’hypothèse d’un bruit additif indépendant du signal 1.

avril 14

A. Moussa
 GSE4 : Traitement d’images
UAE

Chap. V : Segmentation par Contour

IV. Les approches analytiques

b- Le Filtre de Canny
Canny montre que la dérivée d’une gaussienne est une bonne
approximation de son filtre.

avril 14

A. Moussa
 GSE4 : Traitement d’images
UAE

Chap. V : Segmentation par Contour

IV. Les approches analytiques

c- Le Filtre de Deriche

Le filtre de Deriche répond exactement aux mêmes critères

de qualité que celui de Canny, mais qui possède une réponse
impulsionnelle infinie.

Le facteur α définit la largeur du filtre, donc le compromis entre la

détection et la localisation. Plus est grand, plus on localise
précisément le contour. Plus il est petit, plus on détecte facilement
la présence des contours.

avril 14

A. Moussa
 GSE4 : Traitement d’images
UAE

Chap. V : Segmentation par Contour

IV. Les approches analytiques

c- Le Filtre de Deriche

Quand alpha augmente, les contours fins sont correctement détectés

quelle que soit leur direction.

Image Bateau α = 0.5 α=1 α = 10

avril 14

A. Moussa
 GSE4 : Traitement d’images
UAE

Chap. V : Segmentation par Contour

V. Contours Actifs (snakes)

 Utiliser des courbes déformables qui sont « attirées » par les formes
recherchées dans l’image.
Analogie avec la physique: fonction d’énergie à minimiser.

Le « snake » se contracte et s’adapte

à la forme de l’horloge
avril 14

A. Moussa
 GSE4 : Traitement d’images
UAE

Chap. V : Segmentation par Contour

V. Contours Actifs (snakes)

P10
P7

Esnake  Einterne  Eexterne

P11 P6

P3
P1 P4 P5
P2
Eext :Propriétés locales de l’image autour du snake
Eint : Propriétés intrinsèques, Longueur, courbure…

Calculer les forces à

Comportement Minimiser appliquer à chaque
dynamique du l’énergie totale point de contrôle de
snake? (interne + externe) telle sorte que l’énergie
soit minimisée

F  E avril 14

A. Moussa
 GSE4 : Traitement d’images
UAE

Chap. V : Segmentation par Contour

V. Contours Actifs (snakes)

Exemple d’énergie interne: n

Eelastic  K1   Pi  Pi 1
2

- Énergie de contraction élastique i 1

tend à rétrécir le snake, tout en maintenant une répartition homogène
des espaces entre les points de contrôle
n 1


Ecourbure  K 2  Pi 1  2 Pi  Pi 1
2
- Énergie de courbure
i 1
Tend à redresser le snake et à limiter la courbure. Forme limite: le cercle

Exemple d’énergie externe:

- Zones brillantes ou sombres: E ext  I

Eext   I
2
- Contours de la norme du gradient :
 
- Répulsion d’une zone: Eext ( x )    2 avril 14
1 x  
A. Moussa
 GSE4 : Traitement d’images
UAE

Chap. V : Segmentation par Contour

V. Contours Actifs (snakes)

Illustration
Énergie élastique

Illustration
Énergie de Courbure

avril 14

A. Moussa
 GSE4 : Traitement d’images
UAE

Chap. V : Segmentation par Contour

V. Contours Actifs (snakes)

Position originale du snake

au début de l'algorithme

Position finale du snake en Position finale du snake

utilisant le maximum des en utilisant la luminance
gradients

avril 14

A. Moussa