Morphological Optimization Algorithm - BALK Bouchra - SIRAJ-SANI Salma

Morphological optimization algorithm BALK Bouchra, SIRAJ-SANI Salma
UNIVERSITÉ MOHAMMED V DE RABAT

ECOLE MOHAMMADIA D’INGÉNIEURS
Département Modélisation Et Informatique Scientifique
Dans le cadre du cours de l’optimisation
Morphological
Optimization Algorithm
Réalisé par :
 BALK Bouchra, SIRAJ-SANI Salma
Encadré par :
 Mr. Rachid. ELLAIA
Année universitaire : 2020/2021
1
REMERCIEMENTS
Nous tenons à remercier très sincèrement notre département et en particulier
notre professeur Mr.Ellaia Rachid Professeur de l’enseignement supérieur à l’EMI,
Département Génie Modélisation et Informatique Scientifique qui à travers ce travail,
nous a permis de nous initier à une approche algorithmique d'optimisation
morphologique.
Ce travail, qui associe analyse d'image, modélisation morphologique et
optimisation algorithmique nous a permis de procéder par divers étapes que traverse
n'importe quel problème d'optimisation, à partir du modèle jusqu'à analyse des
résultats et prédictions.
Face à tout ça, nous ne pouvons qu’être très reconnaissantes envers notre
professeur pour nous avoir donné cette belle opportunité qui nous sera très bénéfique
puisque nous rencontrerons certainement très souvent des problématiques de
modélisation et d'optimisation.
2
RÉSUMÉ
L'optimisation est un outil important dans la prise de décision et dans l'analyse

des systèmes physiques. En termes mathématiques, un problème d'optimisation est le
problème de trouver la meilleure solution parmi, l’ensemble de toutes les solutions
possibles. Un grand nombre d'algorithmes d'optimisation ont été déjà découverts qui
nous permet de trouver l'optimum local d'une fonction de manière précise.
Dans ce projet, nous allons introduire un algorithme d'optimisation inspiré du

traitement d'image opération qui nous permet de trouver les minima globaux d'une
fonction multidimensionnelle.
Dans la première partie, nous présenterons les concepts de morphologie

mathématique et ses opérateurs, dans la seconde partie, nous traiterons la notion de
filtres morphologiques et leur utilisation dans le domaine du traitement d'image, nous
présenterons ensuite l'algorithme et son idée principale, pour finir par un comparatif
entre des optimisations célèbres algorithmes et l'optimisation avec filtre
morphologique.
3
Table des matières

1 Introduction à la morphologie mathématique ........................................................................... 7
1.1 Elément structurant ...................................................................................................................... 7
1.2 Image .................................................................................................................................................. 8
1.2.1 Image binaire : ........................................................................................................................ 9
2 Les opérateurs morphologiques ...................................................................................................... 9
2.1 Dilatation ........................................................................................................................................... 9
2.1.1 Définition .................................................................................................................................. 9
2.1.2 Exemple de la dilatation .................................................................................................. 10
2.1.3 Algorithme de la dilatation ............................................................................................. 11
2.1.4 Code Matlab pour la dilatation : application............................................................ 11
2.1.5 Propriétés de la dilatation .............................................................................................. 11
2.2 Erosion: ........................................................................................................................................... 12
2.2.1 Définition ............................................................................................................................... 12
2.2.2 Exemple de l’érosion ......................................................................................................... 12
2.2.3 Algorithme de l’érosion ................................................................................................... 13
2.2.4 Code matlab : Application ............................................................................................... 13
2.2.5 Propriétés de l’érosion ..................................................................................................... 14
2.3 Ouverture binaire ....................................................................................................................... 14
2.3.1 Définition ............................................................................................................................... 14
2.3.2 Code matlab de l’ouverture : .......................................................................................... 15
2.4 Fermeture binaire ....................................................................................................................... 15
2.4.1 Définition ............................................................................................................................... 15
2.4.2 Code matlab de la fermeture : ....................................................................................... 16
3 Synthèse.................................................................................................................................................. 16
4 Algorithme, évaluations et applications : .................................................................................. 17
4.1 Diagramme : .................................................................................................................................. 17
4
4.2 Descriptif du diagramme ......................................................................................................... 17
4.3 Les étapes de l’algorithme : ..................................................................................................... 18
4.4 Pseudo codes pour l’algorithme :.......................................................................................... 19
Algorithme 1 ......................................................................................................................................... 19
Algorithme 2 Neighborhood calculation procedure() .......................................................... 19
Algorithme 3 Mouvement procedure() ...................................................................................... 20
4.5 Résultats : ....................................................................................................................................... 20
5.1.1 En cas continu : Benchmarking ..................................................................................... 20
5.1.2 En cas discret : ..................................................................................................................... 21
5 Conclusion ............................................................................................................................................. 21
6 Références ............................................................................................................................................. 22
5
Liste des figures :
Figure 1: Eléments structurants continus ............................................................................................. 8
Figure 2: Eléments structurants digitaux .............................................................................................. 8
Figure 3: Exemple d’un élément structurant :...................................................................................... 8
Figure 4: Réparation de traits interrompus avec dilatation ........................................................ 10
Figure 5: Comblement d'intrusions avec dilatation ........................................................................ 10
Figure 6: Application de la dilatation à une image binaire X ....................................................... 10
Figure 7: Application de la dilatation à une image .......................................................................... 11
Figure 8: Séparation des objets par érosion ...................................................................................... 12
Figure 9: Suppression des extrusions par érosion .......................................................................... 12
Figure 10: Application de l'érosion à une image binaire X........................................................... 13
Figure 11: Application de l'érosion à une image .............................................................................. 13
Figure 12: Cas particulier de la dilatation et l'érosion ................................................................... 14
Figure 13: Application de l'ouverture à une image ......................................................................... 15
Figure 14: Application de la fermeture à une image ....................................................................... 16
Figure 15: Diagramme montrant les étapes de l’algorithme ....................................................... 17
Figure 16: Fonctions test ........................................................................................................................... 20
6
1 Introduction à la morphologie mathématique

Le traitement d'images est une discipline de l'informatique et des mathématiques
appliquées qui étudie les images numériques et leurs transformations, dans le but
d'améliorer leur qualité ou d'en extraire de l'information.
Les problèmes de traitement d’images sont résout à partir de la morphologie
mathématique qui est d’ailleurs l’objet de notre étude.
La morphologie mathématique est une méthodologie pour étudier les structures
géométriques dans les images qui a fait l'objet d'une attention croissante ces dernières
années. Ceci est évident par les nombreuses applications industrielles qui ont été
développées et sont en cours de développement. La morphologie mathématique
quantifie de nombreux aspects de la structure géométrique des images d'une manière
qui convient avec l'intuition et la perception humaines. Cela semble convenir à notre
problème, en fait, dans le domaine de médecine le pathologiste ne peut pas toujours
expliquer pourquoi il atteint un diagnostic particulier, mais il prend ses décisions sur la
base de l'expérience acquise par l'observation de cas passés. Dans le cas de la
morphologie mathématique, on se base sur une classe importante de traitement et
d'analyse d'images non linéaires qu’on appelle opérateurs morphologiques et que
nous allons découvrir par la suite.
La morphologie mathématique est donc :
 Une théorie pour l'analyse des structures planaires et spatiales.
 Elle convient à l'analyse de la forme des objets.
 Basée sur une théorie des ensembles, une algèbre intégrale et une algèbre de
réseau.
 Est une méthode réussit grâce à un formalisme mathématique simple, qui ouvre
la voie aux puissants outils d'analyse d'images.
L'idée clé de l'analyse morphologique est d'extraire les connaissances de la relation

d'une image et d'une petite sonde simple (appelée élément structurant).
1.1 Elément structurant

Un élément structurant sert de sonde locale aux opérateurs morphologiques.
Les éléments structurants sont exprimés par rapport aux coordonnées locales avec
l’origine au point représentatif O (noté × sur les figures suivantes).
* +
Un élément structurant est un ensemble qui a les caractéristiques suivantes :
 il possède une forme (géométrie connue),
 cette forme a une taille.
 cet élément est repéré par son origine appartenant ´ généralement a élément
structurant.
7
Il existe 2 types d’élément structurant :

Continu :
Figure 1: Eléments structurants continus
Digital :
Figure 2: Eléments structurants digitaux

Exemple d’un élément structurant :
Figure 3: Exemple d’un élément structurant :
X = {(1, 0), (1, 1), (1, 2), (2, 2), (0, 3), (0, 4)}
1.2 Image
Une image est une représentation planaire d’une scène ou d’un objet situé en
général dans un espace tridimensionnel, elle est issue du contact des rayons lumineux
provenant des objets formants la scène avec un capteur (caméra, scanner, rayons X...). Il
ne s’agit en réalité que d’une représentation spatiale de la lumière. L’image est
considérée comme un ensemble de points auquel est affectée une grandeur physique
(luminance, couleur). Ces grandeurs peuvent être continues (image analogique) ou bien
discrètes (images digitales) et c’est exactement le cas qu’on va traiter.
8
1.2.1 Image binaire :

Une image binaire peut être représentée par une matrice rectangulaire dans l’élément
valent 0 ou 1. Lorsque l’on visualise une telle image, les 0 sont représentés par du noir et
les 1 par du blanc.
Exemple d’image binaire :
Table 1: Exemple d'image binaire
0 0 1 1 0
0 0 1 0 0
0 0 0 0 0
Avec : I = {(2,1), (3,2), (2,2)}
2 Les opérateurs morphologiques
Les opérations morphologiques sont des filtres non-linéaires qui peuvent s'appliquer
tant aux images binaires qu'à celles à niveaux de gris. Par exemple le filtre médian en fait
partie. Nous allons décrire les 4 opérations morphologiques de base, à savoir la
dilatation, l'érosion, l'ouverture et la fermeture, dans leur version pour les images
binaires.
2.1 Dilatation
2.1.1 Définition
La dilatation peut être vue comme l’union avec les éléments structurants que l’on fait
glisser sur l’image:
⋃
Ou encore :
( ) * +
Lorsque l’intersection de l’élément structurant avec l’image binaire n’est pas vide, le
centre de l’élément structurant est annexé à l’image d’origine.
La dilatation ajoute une couche de pixels aux limites intérieure et extérieure des régions.
Les trous entourés par une seule région et les espaces entre les différentes régions
deviennent plus petits, et les petites intrusions dans les limites d'une région sont
remplies.
9
La dilatation est un processus qui permet de réparer des traits interrompus : (1ere
image).
Figure 4: Réparation de traits interrompus avec dilatation
Elle permet aussi de combler les intrusions (ou trous) dans un objet :
Figure 5: Comblement d'intrusions avec dilatation
Remarque : La dilatation agrandit la taille des objets dans l’image
2.1.2 Exemple de la dilatation

X = {(1, 0), (1, 1), (1, 2), (2, 2), (0, 3), (0, 4)}
B = {(0, 0), (1, 0)}
= {(1, 0), (1, 1), (1, 2), (2, 2), (0, 3), (0, 4), (2, 0), (2, 1), (2, 2), (3, 2), (1, 3), (1, 4)}
Figure 6: Application de la dilatation à une image binaire X
10
2.1.3 Algorithme de la dilatation
Entrée : ImaIn // Image à traiter

Sortie : ImaOut // Image obtenue
// Principal of DILATION for binary images
Initialization
Pour tous les points ImaIn(x,y) Faire
Si B ou (x,y) Alors
ImaOut(x,y) = 1;
Sinon
ImaOut(x,y) = ImaIn(x,y);
FinSi
FinPour
Fin
2.1.4 Code Matlab pour la dilatation : application
>> IM = imread(’Lion.jpg’);
>> se = offsetstrel(’ball’, 5, 5);
>> dilatedI = imdilate(IM, se);
>> imshowpair(originalI,dilatedI)
Figure 7: Application de la dilatation à une image
2.1.5 Propriétés de la dilatation

La dilatation est caractérisée par certaines propriétés, en effet, elle est :
 Commutative :
 Associative : ( ) ( )
 Invariante par translation : =( )
 Transformation croissante : ( )
11
2.2 Erosion:
2.2.1 Définition
L'érosion avec de petits éléments structurants carrés réduit une image en
enlevant une couche de pixels des limites internes et externes des régions. Les trous et
les écarts entre les différentes régions deviennent plus grands et les petits détails sont
éliminés.
On a donc la relation suivante :
Ou encore
( ) * +
L’érosion est un processus qui permet de séparer des objets qui sont collés.
Figure 8: Séparation des objets par érosion
Elle permet aussi de supprimer des extrusions.
Figure 9: Suppression des extrusions par érosion
Remarque : L’érosion réduit la taille des objets, ce qui peut être problématique pour
certaines applications.
2.2.2 Exemple de l’érosion

X = {(1, 0), (1, 1), (1, 2), (0, 3), (1, 3), (2, 3), (3,3), (1, 4)}
B = {(0, 0), (1, 0)}
X B = {(0, 3), (1, 3), (2, 3)}
12
Figure 10: Application de l'érosion à une image binaire X
2.2.3 Algorithme de l’érosion

Entrée : ImaIn // Image à traiter
Sortie : ImaOut // Image obtenue
// Principal of EROSION for binary images
Initialization
Pour tous les points ImaIn(x,y) Faire
Si B et (x,y) Alors
ImaOut(x,y) = ImaIn(x,y);
Sinon
ImaOut(x,y) = 0;
FinSi
FinPour
Fin
2.2.4 Code matlab : Application

>> IM = imread(“lion.jpg”);
>> se = offsetstrel(“ball”, 5, 5);
>> erodedI = imerode(IM, se);
>> imshowpair(originalI,erodedI)
Figure 11: Application de l'érosion à une image
13
2.2.5 Propriétés de l’érosion

L’érosion est caractérisée par certaines propriétés, en effet, elle est :
 Antiextensive : si (0, 0) B alors X B X

 Invariante par translation : ( )
 Préserve l’inclusion : si X Y alors
 Dualité érosion-dilatation : ( ) ̌
 Combinaison entre l’intersection et l’érosion :
(X Y ) B = (X B) (Y B),
B (X Y ) (B X) (B Y ).
Remarque : Cas particulier de l’érosion et la dilatation pour une image en niveau

de gris :
Figure 12: Cas particulier de la dilatation et l'érosion
2.3 Ouverture binaire

2.3.1 Définition
L'ouverture d'une image X par un élément structurant B est une érosion suivie d'une
dilatation :
L'ouverture est appelée ainsi car elle peut ouvrir un espace entre des objets connectés
par un mince pont de pixels. Toutes les régions qui ont survécu à l'érosion sont
restaurées à leur taille d'origine par la dilatation.
14
L'ouverture est une opération idempotente: une fois qu'une image a été ouverte, les
ouvertures suivantes avec le même élément structurant n'ont plus d'effet sur cette
image:
L’OUVERTURE :
 Lisse les formes
 Elimine les composantes connexes plus petites que l’élément structurant.
 Conserve (souvent) la taille et la forme.
 Ne conserve pas (toujours) la topologie
2.3.2 Code matlab de l’ouverture :
>> IM = imread(’lion.jpg’);
>> se = strel(’disk’,5);
>> afterOpening = imopen(IM,se);
>>imshowpair(original,afterOpening)
Figure 13: Application de l'ouverture à une image
2.4 Fermeture binaire

2.4.1 Définition
La fermeture d'une image par un élément structurant est une dilatation suivie
d'une érosion :
La fermeture est appelée ainsi car elle peut combler les trous dans les régions
tout en conservant les tailles de région initiales. Tout Comme l’ouverture, la fermeture
est idempotente, et c'est la double opération d'ouverture.
15
LA FERMETURE
 Bouche les trous plus petits que l’élément structurant

 Conserve (souvent) la taille et la forme
 Ne conserve pas (toujours) la topologie
 Soude les formes proches.
2.4.2 Code matlab de la fermeture :

>> IM = imread(“lion.jpg”);
>> se = strel(’disk’,10);
>> closeBW = imclose(IM,se);
>> imshowpair(original,closeBW,)
Figure 14: Application de la fermeture à une image
3 Synthèse
Le filtrage morphologique d'une image binaire est effectué en considérant des
opérations composées comme l'ouverture et fermeture en tant que filtres. Ils peuvent
agir comme des filtres de forme. Par exemple, ouverture avec un disque structurant
L'élément lisse les coins de l'intérieur et la fermeture avec un disque lisse les coins de
l'extérieur. Mais aussi ces opérations peuvent filtrer d'une image tous les détails qui sont
plus petits que l’élément structurant. L'ouverture filtre l'image binaire à une échelle
définie par la taille de l’élément structurant. Seules les parties de l'image qui
correspondent à l'élément structurant sont transmises par le filtre; les structures plus
petites sont bloquées et exclues de l'image de sortie. La taille de la structuration élément
est le plus important pour éliminer les détails bruyants mais pas pour endommager les
objets d'intérêt.
16
4 Algorithme, évaluations et applications :
4.1 Diagramme :
Dans ce qui suit, l'objectif est de développer une méthode basée sur
l'optimisation morphologique, pour améliorer le traitement et la classification des
images, cette optimisation est basée sur certaines techniques et algorithmes applicables
dans ce domaine, nous étudierons donc l'optimisation en utilisant un algorithme appelé
OFM.
Figure 15: Diagramme montrant les étapes de l’algorithme
4.2 Descriptif du diagramme
La principale opération morphologique qui a inspiré la thèse de l’algorithme est

l’érosion fonctionnelle. L'idée de base de la morphologie mathématique est de comparer
l'image analysée à une structuration élément, son application nous permet d’obtenir de
nombreuses informations à partir de l'image d'origine.
Cet algorithme explore une image avec un élément structurant, puis tire des
conclusions sur la façon dont cette forme s'adapte ou manque la forme dans l'image.
L'algorithme utilise de nombreux filtres fonctionnant en parallèle. Un filtre
appliqué à la solution de fonction objectif explore le voisinage de son centre et renvoie le
voisin avec le meilleur (minimum). Le nombre de filtres et le nombre de voisins sont
fixés à l'étape d'initialisation et lors du processus de recherche, si un meilleur voisin est
trouvé, le centre de l'élément structurant est déplacé dessus ; sinon, la taille du filtre est
réduite afin de vérifier un voisinage plus proche.
17
L'algorithme s'arrête lorsque les tailles de tous les filtres deviennent trop petites
qu'un critère d'arrêt choisi.
4.3 Les étapes de l’algorithme :

Les étapes de l'algorithme peuvent être résumées comme suit :
Étape 0 :
Étape d'initialisation.
Nous initialisons :
La taille du filtre,
L'espace de distance R,
Le critère d'arrêt e,
Le nombre de filtres n,
Les constantes cste et k.
Etape 1 :
L'élément structurant, dans notre cas, est une étoile où le centre C1 est la solution réelle
et N1, N2, N3 et N4 sont des voisins générés aléatoirement. Pour chaque filtre, le centre
du filtre Ci est généré au hasard en utilisant la fonction MATLAB randi.
Table 2: Elément structurant considéré pour cet algorithme
0 0 0 0 0 0 0
0 0 0 0 0 0 0
0 0 0 0 0 0 0
0 0 0 1 0 0 0
0 0 0 0 0 0 0
0 0 0 0 0 0 0
0 0 0 0 0 0 0
18
Etape 2 :
La génération des voisins se fait par les expressions suivantes :
X ' j , f  X j , f  a  filter _ size
 X ' j , f est le vecteur des coordonnées du f-ième voisin du j-ième filtre.

 X j , f est le vecteur des coordonnées du centre j.
 Filtre_size indique la taille du f-ième filtre.
 a est un paramètre choisi aléatoirement dans l'ensemble 1, -1, 0.
Etape 3 : Nous calculons (la valeur de la fonction objective) du centre et son voisin.
Etape 4 : Nous comparons la valeur de la forme physique du centre et des voisins. Si la
valeur de l'un des voisins est meilleure que le centre de l'élément structurant alors le
centre y est déplacé. Autrement, la taille du filtre est réduite afin de vérifier un voisinage
plus proche par l'expression suivante :
R
filter _ size 
cste k
Où:
• R est la plage de l'espace de recherche,
• k désigne le nombre de réductions de la taille du filtre réel
• cste est une constante.
Cette procédure est exécutée par tous les filtres et notre critère d'arrêt est
l'épuisement du voisinage cherché.
4.4 Pseudo codes pour l’algorithme :

Algorithme 1
Initialisation
Tant que the size of all filters ≥ ε Faire
Neighborhood calculation Procedure()
Movement Procedure ()
Fin
Return the best solution found
where:
Algorithme 2 Neighborhood calculation procedure()

Pour All neighbors of all filter center (X) Faire
X ' j , f  X j , f  a  filter _ size
FinPour
19
And:
Algorithme 3 Mouvement procedure()

Pour All filters
Faire if any neighbor is better than the filter-center then
Move to best-one
else reduce the size of the filter
FinPour
Fin
4.5 Résultats :
5.1.1 En cas continu : Benchmarking
En mathématiques appliquées, les fonctions de test, appelées paysages artificiels,
sont utiles pour évaluer les caractéristiques des algorithmes d'optimisation, telles que :
 Taux de convergence.
 Précision.
 Robustesse.
 Performance générale.
Ici, quelques fonctions de test sont présentées dans le but de donner une idée des
différentes situations auxquelles les algorithmes d'optimisation doivent faire face
lorsqu'ils font face à ce type de problèmes :
Figure 16: Fonctions test
20
5.1.2 En cas discret :

En site des réseaux de neurones notre input sera l’image à traiter, les couches
cachées seront les différentes opérations morphologiques et la sortie est bien l’image
souhaitée.
L’OMF doit de sa part réussir à avoir un écart type parfait, qui est un bon
opérateur statistique qui mesure la quantité de variation ou dispersion d'un ensemble
de valeurs. Un faible écart type indique que les valeurs tendent pour être proche de la
moyenne, plus une valeur moyenne du minimum global qui proche du minimum global
lui-même, plus c’est un bon critère.
5 Conclusion
Les filtres morphologiques optimisés ont été utilisés pour la classification
d’images basées sur une mesure de corrélation, en particulier pour les images binaires.
Dans la section de la comparaison, on peut juger que l'OMF peut être utilisé comme une
méta heuristique « est un algorithme d’optimisation visant à résoudre des problèmes
d’optimisation difficile pour lesquels on ne connaît pas de méthode classique plus
efficace » puissante pour minimiser toute fonction multi variable à grande échelle,
comme nous l'avons remarqué, c'est l'algorithme le plus rapide en termes de temps, et il
est puissant lorsqu'il s'agit de minimiser l'optimisation de grandes dimensions.
21
6 Références
New Approach for Continuous and Discrete Optimization:Optimization by Morphological

Filters by Khelifa Chahinez Nour El houda1 and Belmadani Abderrahim
https://www-master.ufr-info
p6.jussieu.fr/2006/Ajouts/Master_esj_2006_2007/IMG/pdf/MorphoMat.pdf
https://openclassrooms.com/fr/courses/5060661-initiez-vous-aux-traitements-de-
base-des-images-numeriques/5217276-maitrisez-les-operations-morphologiques-de-
base
http://www.telecom.ulg.ac.be/teaching/notes/totali/elen016/node67_mn.html
Edward R. Dougherty Robert M. Haralick THE HOLE SPECTRUM : MODEL-BASED
OPTIMIZATION OF MORPHOLOGICAL FILTERS pp 1-19
Mathematical morphology
MORPHOLOGY INFRARED IMAGE TARGET DETECTION ALGORITHM OPTIMIZED BY
GENETIC THEORY
Morphology-based black and white filters for topology optimization
Morphology-based black and white filters for optimization
genetic algorithm with morphological optimizaion
Morphology_ Optimality Theory
https://www.cs.auckland.ac.nz/courses/compsci773s1c/lectures/ImageProcessing-
html/topic4.htm
https://fr.mathworks.com/help/images/morphological-dilation-and-erosion.html
https://fr.wikipedia.org/wiki/Morphologie_math%C3%A9matique#Op%C3%A9rateurs
_de_base
22

Morphological Optimization Algorithm - BALK Bouchra - SIRAJ-SANI Salma

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Morphological Optimization Algorithm - BALK Bouchra - SIRAJ-SANI Salma

Transféré par

Droits d'auteur :

Formats disponibles

Morphological optimization algorithm BALK Bouchra, SIRAJ-SANI Salma

UNIVERSITÉ MOHAMMED V DE RABAT

Département Modélisation Et Informatique Scientifique

Dans le cadre du cours de l’optimisation

Année universitaire : 2020/2021

Nous tenons à remercier très sincèrement notre département et en particulier

notre professeur Mr.Ellaia Rachid Professeur de l’enseignement supérieur à l’EMI,

Département Génie Modélisation et Informatique Scientifique qui à travers ce travail,

nous a permis de nous initier à une approche algorithmique d'optimisation

Ce travail, qui associe analyse d'image, modélisation morphologique et

n'importe quel problème d'optimisation, à partir du modèle jusqu'à analyse des

puisque nous rencontrerons certainement très souvent des problématiques de

L'optimisation est un outil important dans la prise de décision et dans l'analyse

Dans ce projet, nous allons introduire un algorithme d'optimisation inspiré du

Dans la première partie, nous présenterons les concepts de morphologie

Table des matières

1.1 Elément structurant ...................................................................................................................... 7

1.2 Image .................................................................................................................................................. 8

1.2.1 Image binaire : ........................................................................................................................ 9

2 Les opérateurs morphologiques ...................................................................................................... 9

2.1 Dilatation ........................................................................................................................................... 9

2.1.1 Définition .................................................................................................................................. 9

2.1.2 Exemple de la dilatation .................................................................................................. 10

2.1.3 Algorithme de la dilatation ............................................................................................. 11

2.1.4 Code Matlab pour la dilatation : application............................................................ 11

2.1.5 Propriétés de la dilatation .............................................................................................. 11

2.2 Erosion: ........................................................................................................................................... 12

2.2.1 Définition ............................................................................................................................... 12

2.2.2 Exemple de l’érosion ......................................................................................................... 12

2.2.3 Algorithme de l’érosion ................................................................................................... 13

2.2.4 Code matlab : Application ............................................................................................... 13

2.2.5 Propriétés de l’érosion ..................................................................................................... 14

2.3 Ouverture binaire ....................................................................................................................... 14

2.3.1 Définition ............................................................................................................................... 14

2.3.2 Code matlab de l’ouverture : .......................................................................................... 15

2.4 Fermeture binaire ....................................................................................................................... 15

2.4.1 Définition ............................................................................................................................... 15

2.4.2 Code matlab de la fermeture : ....................................................................................... 16

4 Algorithme, évaluations et applications : .................................................................................. 17

4.1 Diagramme : .................................................................................................................................. 17

4.2 Descriptif du diagramme ......................................................................................................... 17

4.3 Les étapes de l’algorithme : ..................................................................................................... 18

4.4 Pseudo codes pour l’algorithme :.......................................................................................... 19

Algorithme 2 Neighborhood calculation procedure() .......................................................... 19

Algorithme 3 Mouvement procedure() ...................................................................................... 20

4.5 Résultats : ....................................................................................................................................... 20

5.1.1 En cas continu : Benchmarking ..................................................................................... 20

5.1.2 En cas discret : ..................................................................................................................... 21

Liste des figures :

Figure 1: Eléments structurants continus ............................................................................................. 8

Figure 2: Eléments structurants digitaux .............................................................................................. 8

Figure 3: Exemple d’un élément structurant :...................................................................................... 8

Figure 4: Réparation de traits interrompus avec dilatation ........................................................ 10

Figure 5: Comblement d'intrusions avec dilatation ........................................................................ 10

Figure 6: Application de la dilatation à une image binaire X ....................................................... 10

Figure 7: Application de la dilatation à une image .......................................................................... 11

Figure 8: Séparation des objets par érosion ...................................................................................... 12

Figure 9: Suppression des extrusions par érosion .......................................................................... 12

Figure 10: Application de l'érosion à une image binaire X........................................................... 13

Figure 11: Application de l'érosion à une image .............................................................................. 13

Figure 12: Cas particulier de la dilatation et l'érosion ................................................................... 14

Figure 13: Application de l'ouverture à une image ......................................................................... 15

Figure 14: Application de la fermeture à une image ....................................................................... 16