Académique Documents
Professionnel Documents
Culture Documents
Segmentation d’images
Pr. ZOUAGUI T.
prof.zouagui@gmail.com
1
Qu’est ce que la segmentation ?
2
Qu’est ce que la segmentation ?
3
Qu’est ce que la segmentation ?
• En effet, pour chaque organe (cerveau, cœur, etc.),
l’approche est différente : l’outil de segmentation doit
donc pouvoir s’adapter à un organe particulier,
suivant une modalité d’acquisition particulière
(scanners, radiographie, IRM, ...) et pour une
séquence de données particulière.
• L’objectif est la quantification de l’information, par
exemple, la volumétrie : volume d’une tumeur dans
le cerveau, étude de la cavité ventriculaire
cardiaque, etc. C’est à ce niveau que la
segmentation de l’image est utilisée.
7
• La segmentation
est liée à la
reconnaissance
4
Segmentation d’images
• But de la segmentation
– Identifier et extraire (séparer) des objets dans l’image
– Les différencier du fond
– Attribuer à chaque pixel de l’image un label indiquant à
quel objet il appartient
• Comment ?
– Délimiter des zones de l’image sur différents critères, en
se basant sur
• Les discontinuités (les arrêtes, les changement abruptes, …)
• Les similitudes (zones homogènes)
– Niveaux de gris, couleurs, textures, …
– Connaissance a priori 9
10
Étiquetage des régions (region labeling)
5
Segmentation d’images
• Problématique de la segmentation
– Parmi les pixels de l’image, lesquels représentent
un objet ?
Segmentation d’images
• Le problème de la segmentation est très mal posé
– Pas de solution unique
– Plusieurs méthodes de segmentation existent et peuvent
être utilisées
– On ne sait jamais dire quelle est la segmentation idéale
– L’idée est que la région se rapproche de la notion d’objet
– On voudrait que la segmentation ne puisse pas varier
beaucoup lorsque les conditions d’acquisition varie
légèrement (bruit, illumination, …)
– On aimerait aussi que les régions obtenues soient simples
à manipuler (taille suffisante, forme régulière, …)
12
6
Segmentation d’images
• La segmentation est un problème qui est
considéré comme difficile
• Les raisons fondamentales sont :
– Il n’y a pas de définition universelle pour les
régions et les objets
– Les images réelles présentent des faiblesses :
• Illumination irrégulière, ombres et réflexions
• Objets texturés, objets partiellement occultés, …
• Images bruitées, floues
– Les résultats de la segmentation sont très
13
sensibles aux choix des paramètres
Segmentation d’images
• 3 approches
– Approches Région: rechercher des zones de
l’image en calculant des critères d’homogénéité
– Approches Contour: basées sur l’information de
gradient pour localiser les frontières des régions
– Approches Duales (régions et contours) 14
7
Segmentation Région/Contour
15
Segmentation Région/Contour
Approche Région
Image originale
Approche Contour 16
8
Dualité régions/contours
17
Vue d’ensemble
Techniques de segmentation
Détection de contours
+ Méthodes Approches
Fermeture des contours Texture Markoviennes structurales
Analyse et classification 18
9
Images à segmenter
(a)
(b)
19
Images difficiles à segmenter
10
Segmentation par seuillage
• Seuillage
– Pixels classifiés en comparant leurs niveaux de
gris à un ou plusieurs seuils
• Seuils déterminés à partir de l’histogramme et
peuvent être fixés
– Globalement (seuillage global)
– De façon adaptative (seuillage adaptatif ou local)
– De façon optimale
• Le choix d’un bon seuil est très difficile
– Sauf si l’histogramme présente des modes
21
11
Seuillage global
Histogramme bimodal
mode
Vallée
23
Seuillage global
Image originale
12
Seuillage global
25
Seuillage global
26
13
Seuillage global
• Exemple d’algorithme
– Choisir un seuil T initial (moyenne, médiane, …)
– On obtient 2 groupes de pixels
G1 si I(x,y) > T et G2 si I(x,y) ≤ T
– Calculer les moyennes des niveaux de gris pour
G1 et G2 (ce qui donne µ1 et µ2)
– Calculer une nouvelle valeur de T
T = 0.5 (µ1+ µ2)
– Répéter jusqu’à ce que T soit ~ constant
27
Seuillage global
T0 = 0
3 itérations
Avec un résultat T = 125
28
14
Seuillage adaptatif
Seuillage adaptatif
15
Seuillage optimal
Objet de couleur
homogène sur
un fond homogène
32
16
Seuillage optimal
33
Seuillage optimal
34
17
Seuillage
35
Seuillage
• Exemple de segmentation
36
18
Seuillage
• Sélection de la région
connexe la plus grande
37
Seuillage
• Sélection de la région
connexe la plus grande
38
19
Seuillage
39
Seuillage
20
Seuillage
• Rôle du bruit
– Étaler l’histogramme, ce qui complique le seuillage
41
21
Segmentation d’images par
approches Région
• Approches structurales
– Plusieurs méthodes : Croissance de régions,
Split, Merge, …
• Approches Markoviennes
– Ne seront pas traitées dans ce cours
• Approches basées sur la Texture
– Ne seront pas traitées dans ce cours
43
Croissance de régions
22
Croissance de régions
Croissance de régions
23
Croissance de régions
47
Croissance de régions
48
24
Croissance de régions
49
50
25
Segmentation par Split
• Principe de la segmentation par division
– Définition d’un critère d’homogénéité
– Test de la validité du critère sur l’image
– Si le critère est valide, l’image est segmentée
(arrêt de la méthode)
– Sinon, l’image est découpée en zones plus petites
(par exemple 4) et la procédure est ré-appliquée
sur ces zones
– Arrêt lorsqu’il n’y a plus de découpages possibles
• Pas de régions non similaires
• Les régions sont réduites au pixel
51
52
26
Construction du RAG
Region Adjacancy Graph
Quadtree
L’image est stockée dans un arbre (RAG).
Initialement, arbre racine = image complète
RAG
53
27
Segmentation par Merge
• Méthode en 2 étapes
– Split (division)
• Diviser l’image en utilisant un Quadtree
– Merge (fusion)
• Fusionner les régions qui vérifient un prédicat (régions
similaires et adjacentes au sens des niveaux de gris)
56
28
Segmentation par Split & Merge
57
58
29
Segmentation d’images par
approches Frontière
• Détection de frontières
– Détection de points isolés
– Détection de droites
– Détection de contours
• Détection de contours
– Filtrage (masques dérivatifs)
• Extraire les contours les plus marqués
– Seuillage simple, seuillage par hystérésis
• Problèmes de détection
– Contours non fermés, trous, contours parasites
59
• Détection de contours
– Masques dérivateurs du 1er ordre (Prewitt, Sobel, …)
– Masques dérivateurs du 2nd ordre (Laplacien, LOG, …)
– Méthodes analytiques : Canny, Deriche, Shen-Castan
– Autres : opérateurs morphologiques (non abordé en
cours)
– Méthodes globales
• Contours actifs, level sets, …
• Transformée de Hough
60
30
• Segmentation par approche Contour
– Détection de contours puis seuillage
61
62
31
• Segmentation par contour actif
63
64
32
• Segmentation par level sets
65
66
33
• Segmentation par transformée de Hough
67
34
Segmentation par template
matching
69
Segmentation de Texture
35
Textures microscopiques
Textures macroscopiques
?
Texture : Motif basique qui se répète 71
Segmentation de Texture
Seuillage
Détection de
contour !
36
Segmentation de Texture
73
Segmentation : Conseils
37
Conclusion
• Limites de la Segmentation
– Problème loin d’être résolu
– Fort besoin de connaissances
75
Biometric images
Region-based
Texture images
Motion-based
76
38