Académique Documents
Professionnel Documents
Culture Documents
d’Images
Nawres KHLIFA
1
Plan
2
Introduction
L'analyse d'image nécessite l'identification d'objets qui
la composent.
La segmentation est une des étapes de l'analyse
d'images.
C'est un traitement de bas-niveau qui consiste à créer
une partition de l'image observée en un certain
nombre de régions qui pourront par la suite être
traitées de manières différentes.
Le choix de la méthode se base sur plusieurs critères:
La nature de l'image (optique, infrarouge,…),
les primitives à extraire (contours, segments de droite,
angles,…, régions, formes, texture)
les contraintes d'exploitation (fonctionnement en temps réel,
taille de la mémoire disponible sur la machine utilisée pour
effectuer le traitement,… ). 3
Introduction
Deux approches sont envisageables :
5
B. Approche Contour
B1 Méthodes dérivatives : principe
6
B. Approche Contour
B1 Méthodes dérivatives : principe
7
Contour Contour ? Contour ?
B. Approche Contour
B1 Méthodes dérivatives : principe
9
A.1 Exemples d’approximation du gradient
B. Approche Contour
B1 Méthodes dérivatives : principe
ou bien
A[i, j] =maxAi (i, j),Aj(i, j)
La direction du gradient : (A[i, j])=arctg(A [i, j] / A[i, j])
j i
(1)
10
1 0 − 1 − 1 − 1 − 1
Prewitt 1 0 − 1 0 0 0
1 0 − 1 1 1 1
(1)
− 1 0 1 − 1 − 2 − 1
11
0 0 0
Sobel − 2 0 2
− 1 0 1 1 2 1
B. Approche Contour
B1 Méthodes dérivatives : principe
Rappel sur le calcul du produit de convolution
12
B. Approche Contour
B1 Méthodes dérivatives : principe
1. Rehaussement de contour (1)
B. Utilisation du Laplacien
local
B. Approche Contour
B1 Méthodes dérivatives : principe
2. Extraction de contour (2)
- Interprétation:
b → se débarrasser du bruit indésirable.
c → garder que les composantes importantes mais incomplètes
d → compléter les contours trouvés par c.
15
B. Approche Contour
B1 Méthodes dérivatives : principe
3. Fermeture des contours
S0
contour de l’image A
R
S arc d’un chemin solution
17
B. Approche Contour
2. Approche Variationnelle : Les Contours Actifs
Contours actifs : Définitions
E (C ) = Eint (C ) + Eext (C )
Eint : - liée à la rigidité (tension), il agit sur la longueur
- liée à l'élasticité (flexion), il agit sur la courbure
19
B. Approche Contour
2. Approche Variationnelle : Les Contours Actifs
20
B. Approche Contour
2. Approche Variationnelle : Les Contours Actifs
21
B. Approche Contour
2. Approche Variationnelle : Les Contours Actifs
22
Segmentation
d’Images basée
Région
23
B. Approche Région
Objectif de la segmentation :
Partition de l’image en un ensemble fini de régions R1,R2,….,
RN i Ri 0
i , j ; i j Ri R j = 0
I = Ri
i
27
B. Approche Région
1. Seuillage (1)
• Optimisation du seuil par modélisation Gaussienne
– Minimiser la probabilité de mauvaise classification.
– Nécessité de connaître la distribution des niveaux de gris: souvent la
distribution est approchée par une gaussienne.
– Si on arrive à identifier la distribution, on peut minimiser cette erreur de
classification.
– La solution peut être différente du minimum de l’histogramme
28
B. Approche Région
1. Seuillage (1)
La segmentation par seuillage est très simple, mais elle donne
pas toujours un bon résultat.
Elle ne fournit pas des objets mais plutôt des points ou des
ensembles de points qui ne sont pas fortement connexes.
29
B. Approche Région
2. Croissance des Régions
• On fixe un point de départ dans l’image, (le germe) de la région cherchée.
• On fixe un critère d’homogénéité de la région cherchée (exemple:
intensité comprise entre deux valeurs)
• Par une procédure récursive ( i.e. de proche en proche), on inclut dans la
région tous les points connexes qui vérifient le critère
➔ on fait ainsi croître la région tant que le critère est respecté
➔ on obtient une région connexe
30
Localisation de la tumeur
B. Approche Région
2. Croissance des Régions
32
B. Approche Région
4. Region splitting : division des
régions
✓ C’est l’approche duale
✓ On commence avec l’image entière
✓ La condition d’Homogéineté n’est pas remplie
✓ On divise l’image (par exemple en 4)
✓ On progresse récursivement jusqu’à obtenir des régions homogènes
33
B. Approche Région
4. Region splitting : division des
régions
52 régions
34
B. Approche Région
5. Split and Merge: division- fusion
35
B. Approche Région
5. Split and Merge: division- fusion
Split
36
B. Approche Région
5. Split and Merge: division- fusion
37
Segmentation d’Images
par Classification
38
Plan
Définition de la Classification
Méthodes supervisées
Méthode Kppv
Méthodes non supervisées
39
Définition
Classification : attribuer à chaque pixel dans l'image une
classe (étiquette).
On connait les classes d'appartenance a priori ➔on parle de
classification supervisée ,
On connait rien ➔ on parle de classification non-supervisée
Rq:
Un classieur implicitement segmente une image : l'ensemble des pixels
ayant la même classe forme une région de l'image
Une segmentation implique une classification (les régions sont Étiquetées
selon leurs appartenances)
40
Définition
41
Classification supervisée
42
Méthode de Kppv
Algorithme :
Pour chaque pixel xi à classer :
Calculer les distances (e.g., Euclidiennes) avec les pixels
des régions étiquetées : {dj}
si k = 1 (1-ppv) ) la classe yi de xi est celle de l'exemple le
plus proche de xi,
si k > 1 (k-ppv) ) la classe yi de xi est la classe majoritaire
des k exemples les plus proches au sens de la distance
choisie (e.g., euclidienne)
43
Exemple KPPV
44
Classification non supervisée
45
K-means
Objectif : minimiser l’inertie intra-classe (maximiser l’inertie interclasses)
Procédé de calcul
choix aléatoire du nombre K de classes et de K noyaux initiaux
affectation des objets aux noyaux
calcul des nouveaux noyaux
le processus s’arrête lorsque deux partitions successives sont identiques (ou
presque)
46
K-means (exemple)
47
Première itération
K-means (exemple)
48
50
K-means (exemple)
51
52
Classification non supervisée
Approches à base de densités :
Mélange de lois
Le problème de la classification devient celui de l'estimation des paramètres du
modèle de mélange supposé (par exemple, estimer les moyennes et les
covariances dans le Cas d'un mélange de gaussiennes.
Le but est de modéliser chaque cluster par une loi de probabilité.
Soit une « distribution » des valeurs donnée
53
Classification non supervisée
Approches à base de densités :
On suppose que cette loi est un mélange de lois tel que à chaque cluster
correspond une loi de probabilité (normale (= mélange gaussien) ou non)
54
Classification non supervisée
Approches à base de densités :
55
Résumé
56
Techniques de segmentation
57