Académique Documents
Professionnel Documents
Culture Documents
com
© 2012. D. Baswaraj, Dr A. Govardhan et Dr P. Premchand. Il s'agit d'un document de recherche/révision, distribué sous les termes de la Creative
Commons Attribution-Noncommercial 3.0 Unported License http://creativecommons.org/licenses/by-nc/3.0/), autorisant toute utilisation,
distribution et reproduction sur tout support, à condition que l'œuvre originale soit correctement citée.
Contours actifs et segmentation d'image : les
État actuel de l'art
D. Baswarajα, Dr A. Govardhanσ& Dr P. Premchandρ
An20
d'image attrayantes car ils produisent toujours des sous-régions avec des segmentation étant un travail essentiel dans l'analyse
frontières continues, tandis que les méthodes de détection de contours d'images, elle est principalement impliquée dans les
basées sur le noyau, par exemple les détecteurs de contours Sobel, applications d'analyse d'images, principalement celles
produisent souvent des frontières discontinues. L'utilisation de la théorie liées à la classification des modèles, par exemple 1
des ensembles de niveaux a fourni plus de flexibilité et de commodité
l'imagerie médicale, la télédétection, la surveillance de
dans la mise en œuvre des contours actifs. Cependant, les modèles de
sécurité, la détection d'objets militaires. Le stade auquel
contours actifs traditionnels basés sur les bords n'ont été applicables qu'à
aboutissent les segmentations dépend de la difficulté à
des images relativement simples dont les sous-régions sont uniformes
sans bords internes. Ici, dans cet article, nous tentons de présenter la
résoudre. Autrement dit, la segmentation doit se terminer
taxonomie et l'état actuel de l'art en matière de segmentation d'image et lorsque la région d'intérêt (ROI) de la fonction a été isolée.
j
Dans la plupart des opérations d'étude d'image, les classificateurs capteur rendent le problème de segmentation encore
d'exemples ont besoin que des objets individuels soient séparés plus complexe. Dans ce document,
de l'image, de sorte que l'explication de ces objets puisse être Les contours actifs sont des méthodes de relaxation
transformée en une structure appropriée pour le traitement préservant la connectivité [10], valables pour les problèmes de
informatique. La segmentation d'image est une tâche de base, segmentation d'image. Les contours actifs ont été utilisés pour la
responsable du processus de séparation. La segmentation a pour segmentation des images et le suivi des limites depuis la première
fonction de diviser une image en ses sous-régions de base et introduction des serpents par Kass et al. [11]. L'idée fondamentale est
disjointes, qui sont identiques selon leur propriété, par exemple de commencer par les premières formes limites représentées dans
l'intensité, la couleur et la qualité. Les algorithmes de segmentation un type de courbes fermées, c'est-à-dire des contours, et de les
modifier de manière itérative en appliquant
sont généralement basés soit sur la discontinuité avec les sous- rétrécir/dilater opérations selon à la
régions, c'est-à-dire les bords, soit sur l'égalité au sein d'une contraintes de images. Ceux rétrécir/dilater
sous-
région, bien qu'il existe quelques algorithmes de segmentation qui
les opérations, appelées évolution de contour, se font par la
dépendent à la fois de la discontinuité et de l'égalité.
minimisation d'une fonction d'énergie comme les méthodes de
segmentation par région fixe ou par la simulation d'une équation
La différence entre la segmentation des images et la
différentielle fractionnaire géométrique (EDP) [12].
classification des échantillons n'est souvent pas claire. Le but de la
segmentation est simplement de diviser une image en plusieurs sous- Tableau 1.1 :Imagerie médicale situation 1 : une image radiographique
régions, tandis que le rôle de la classification des échantillons est d'une segmentation de la main et d'une classification des motifs comme
d'identifier les sous-régions partitionnées. Ainsi, la segmentation et actions séquentielles et séparées
la classification des échantillons fonctionnent généralement comme
des processus individuels et séquentiels, comme le montre le tableau Des données d'entrée:une image radiographique d'une main
processus de segmentation. Dans les deux sens, la segmentation • Résultat : des os sont extraits, mais on ne sait pas
de quels types d'os il s'agit.
2. Description de la forme : expliquez les os extraits sous forme
de caractéristiques numériques
Auteur a :Professeur associé, Département de CSE,
3. Classification des motifs : reconnaissez chaque os en fonction
CMRIT, Hyderabad, AP, Inde. Courriel :
des caractéristiques
braj5555@yahoo.co.in Auteur σ :Directeur de l'évaluation,
Des données de sortie:le caractère des os, par exemple le pouce, l'index,
JNTU, Hyderabad, AP, Inde. Courriel :
l'annulaire, etc.
govardhan_cse@yahoo.co.in
© 2012 Global Journals Inc. (États-
Auteurρ:Doyen, Faculté d'ingénierie, OU, Hyderabad, AP, Inde.
Courriel : drpremchand_P@yahoo.com
Un avantage des contours dynamiques en tant que de segmentation car le calcul peut être complété par une
Des données d'entrée:une image IRM d'un cerveau
méthodes de segmentation
1. Segmentation d'image
et classification est qu'ils
des motifs divisent les
: partitionnez une image en opération de filtrage local, c'est-à-dire la convolution d'une
sous-régions avecblanches
matières des frontières
et grisescontinues, tandis
dans l'image IRM. que les détecteurs image avec un noyau.
2 • basés
de frontière sur: des
Supervisé le seuil ou le filtrage
caractéristiques local,
formées parexemples
ou des exemplede Canny
b) Segmentation basée sur la région
donnéesde
[13] ou l'opérateur de Sobel,
matière entraînent
blanche et grise sont fournis. des frontières
régulièrement
La segmentation basée sur la région recherche l'égalité
• L'application
irrégulières. Non supervisé de: séparez les régions
la théorie les plus lumineuses
des ensembles et lesa
de niveaux
à l'intérieur d'une sous-région, en fonction d'une propriété souhaitée, par
fourni plus derégions les plus
flexibilité lumineuses
et de de l'arrière-plan.
commodité dans l'achèvement des
Des données de sortie:matière blanche et grise extraites. exemple l'intensité, la couleur et la texture. Les techniques de
contours actifs. Selon la méthode de mise en œuvre, les contours
regroupement rencontrées dans la littérature sur la classification des
actifs peuvent utiliser diverses propriétés utilisées pour d'autres
motifs ont des objectifs connexes et peuvent être appliquées à la
Journal mondial de l'informatique et de la technologie(FRÉ)Volume XII Édition XI
Discontinuités de segmentation basées sruergalerdss bordspour ou divise les sous-régions pour tenter de satisfaire les critères de
dans l'intensité d'une image. Il s'agit plus probablement de la segmentation. .
détection des bords ou de la détection des limites que de la
c) Contours actifs
signification exacte de la segmentation de l'image. Une arête
La méthode des contours actifs est devenue très populaire
peut être définie comme la frontière entre deux régions avec des
pour une gamme d'applications, principalement la segmentation d'images
propriétés relativement distinctes. L'hypothèse de la
et le suivi de mouvement, au cours de la dernière décennie. Cette
segmentation basée sur les bords est que chaque sous-région
méthodologie est basée sur l'utilisation de contours déformables qui
d'une image est suffisamment uniforme pour que la transition correspondent à diverses formes et mouvements d'objets. Cette section
entre deux sous-régions puisse être déterminée sur la base des fournit un réglage théorique des contours actifs et une indication des
seules discontinuités. Lorsque cette affirmation n'est pas valide, méthodes de contour actif existantes. Il existe deux approches principales
la segmentation basée sur la région, abordée dans la section dans les contours actifs basés sur l'implémentation mathématique : les
suivante, fournit régulièrement des résultats de segmentation serpents et les ensembles de niveaux. Les serpents décalent explicitement
plus raisonnables. Fondamentalement, l'idée sous-jacente à la des points de serpent prédéfinis en fonction d'une méthode de
plupart des techniques de détection de contours est le calcul minimisation de l'énergie, tandis que les approches par ensemble de
d'un opérateur dérivé local. niveaux déplacent complètement les contours en tant que niveau
La détection des contours par les opérations de gradient ne particulier d'une fonction.
fonctionne généralement bien que dans les images avec des transitions En tant que méthodes de segmentation d'image, il existe deux
d'intensité nettes et un bruit relativement faible. En raison de sa sensibilité types de modèles de contours actifs en fonction de la force faisant évoluer
au bruit, diverses opérations de lissage sont généralement les contours : basés sur les contours et basés sur les régions. Bord-
An20
reconnaissance des contours, qui attire le contour vers les frontières.
par Kass et al. [11] et des serpents nommés adaptés à Les modèles de contours actifs basés sur les bords présentent
l'apparition de l'évolution des contours. quelques inconvénients par rapport aux modèles de contours actifs
Résoudre le problème des serpents consiste à localiser
basés sur les régions, abordés dans la section suivante. En raison du 3
le contour C qui minimise le terme d'énergie totale E avec le
terme constant, les modèles de contours actifs basés sur les arêtes
certain ensemble de poidsα,β,etλ. En numérique font évoluer le contour vers un seul sens, chacun à l'intérieur ou à
expériences, un ensemble de points de serpent résidant sur le l'extérieur. Par conséquent, un contour primaire doit être placé
plan de l'image sont définis dans la première étape, puis complètement à l'intérieur ou à l'extérieur de la ROI, et un certain
l'emplacement suivant de ces points de serpent est déterminé niveau de connaissances préalables est toujours nécessaire. De plus,
du papillon. Ensuite, chaque point se déplace vers les sont sensibles aux minima locaux ou au bruit comme le fait la
coordonnées optimales, où l'utilité de l'énergie converge vers le segmentation basée sur les bords. Les contours dynamiques
minimum. Les points de serpents s'arrêtent finalement sur la géodésiques rapides de gradient vector flow [21, 22] proposés par
Paragios ont remplacé le mot border detection (boundary attraction)
limite de l'objet.
Les serpents classiques donnent un emplacement parfait de par gradient vector field [23, 24, 25, 26, 27], qui fait référence à une
les bords uniquement si le premier contour est donné suffisamment diffusion spatiale de l'information de frontière et guide la
près des bords car ils n'utilisent que les informations locales le long propagation vers les limites de l'objet à partir de côtés égaux, pour
du contour. L'estimation d'une position correcte des premiers donner une liberté supplémentaire par rapport à la restriction de la
contours sans connaissance préalable est un problème complexe. De position du premier contour.
plus, les serpents classiques ne peuvent pas détecter plus d'une g) Contours actifs basés sur la région
frontière simultanément car les serpents maintiennent la même La plupart des modèles de contours actifs basés sur la
topologie tout au long de l'étape d'évolution. Autrement dit, les région se composent de deux parties : la partie régularité, qui
serpents ne peuvent pas se diviser en plusieurs limites ou se détermine la forme lisse des contours, et la partie minimisation de
combiner à partir de plusieurs premiers contours. La théorie des l'énergie, qui recherche l'égalité d'une caractéristique préférée dans
ensembles de niveaux [12] a donné un résultat pour ce problème. un sous-ensemble. Une bonne caractéristique des contours actifs
basés sur la région est que les premiers contours peuvent être situés
n'importe où dans l'image car la segmentation basée sur la région
repose sur la minimisation de l'énergie globale plutôt que sur la
minimisation de l'énergie locale. Par conséquent, moins de
connaissances préalables sont nécessaires que les contours actifs
basés sur les contours.
Bien que les contours actifs basés sur les régions
habituels partitionnent une image en plusieurs sous-régions, ces
plusieurs régions n'appartiennent qu'à deux sous-ensembles : à
Illustration 2.1 :Un exemple de serpents classiques la fois l'intérieur ou l'extérieur des contours. Chan et Vese ont
proposé un modèle de contour actif multiphase [28, 29, 30, 31,
e) Méthodes d'ensemble de niveau
32], qui augmente la quantité de sous-ensembles que les
La théorie des ensembles de niveaux, une formulation
contours actifs peuvent localiser simultanément. Plusieurs
pour appliquer des contours actifs, a été proposée par Osher et
contours actifs évoluent indépendamment en fonction du
Sethian [12]. Ils représentaient implicitement un contour via un
modèle constant par morceaux ou du modèle lisse par morceaux
les deux modèles. Ici dans ce modèle la régularité de la fonction Objet? D'accord L'agent suppose que l'objet est détecté
level set est naturellement assurée par le terme de correctement, l'autre agent a rétracté
régularisation level set dans la formulation level set décrit ci- son opinion, le conflit est résolu.
dessus. Ce terme est lié au terme d'affinement en tant que Pas d'accord L'agent rétracte son opinion, l'autre agent
contrainte souple sur la régularité de la fonction d'ensemble de conserve son opinion, le conflit est résolu.
niveaux, qui régularise la fonction d'ensemble de niveaux en Non- D'accord L'agent suppose qu'il n'y a pas d'objet,
développement en affinant son écart par rapport à une fonction Objet? l'autre agent doit retirer son opinion, le
de distance signée, au lieu de forcer à être une fonction de conflit est résolu.
distance signée. Pas d'accord L'agent rétracte son opinion, l'autre agent
conserve son opinion, le conflit est résolu.
An20
Observation:Chunming Li et al [1] ont présenté un
nouveau modèle de contour actif basé sur la région qui s'appuie
Tableau I :Interaction agent-utilisateur, initiée lorsqu'une mutuelle
sur les informations d'intensité dans les régions locales à une
le conflit ne peut pas être résolu
échelle pratique pour segmenter les images avec différentes
5
intensités, et présente des performances avantageuses pour les
Choix de l'utilisateur spécification Résultat
images avec des limites d'objet faibles. Pour assurer un calcul
exact et éviter des procédures d'initialisation répétées coûteuses d'accord juge : (très) L'agent accepte l'objet et
(très petit, (très) définit objet
dans la rapidité de la fonction level set, les auteurs ont réussi en
(très) grand, moyen quantification à utilisateur
connaissances de haut niveau sur des algorithmes de d'une entrée utilisateur lors de l'évaluation du traitement d'image
transversale et de la surface du vaisseau pour estimer quand la reproductibles de manière professionnelle avec seulement un
communication de l'utilisateur est nécessaire. Lorsqu'un résultat ensemble limité de communications utilisateur de haut niveau. Et
nouvellement trouvé se situe dans les limites de cette moyenne vise également à présenter aux agents ceux qui ajustent
mobile, le nouveau résultat n'est pas spécifié comme étant correct et régulièrement leur comportement en apprenant de ces
l'utilisateur n'est pas consulté. Sinon, l'utilisateur est invité à communications de sorte que moins d'interférences de l'utilisateur
confirmer qu'un résultat n'est pas correct et devrait, par exemple, peuvent être nécessaires. En conséquence, il a été observé que cela
être beaucoup plus grand. Les termes ok, not-ok et much-large sont conduit à des variations minimes en raison du rôle de l'expert dans la
des exemples du vocabulaire de communication formalisé et de haut segmentation et de la capacité accrue de répétition et d'efficacité. Il a
niveau entre les agents et l'utilisateur. Les communications agent- été démontré qu'avec uniquement une communication utilisateur de
utilisateur possibles dans différentes situations sont répertoriées
haut niveau dans un image IVUS multi-agents
dans le tableau I, tandis que le tableau II répertorie les système de segmentation, il est possible d'obtenir des
communications agent-utilisateur lorsque les résultats du traitement résultats pour le moins compétitifs avec un système semi-
d'image ne sont pas fiables ou doivent être quantifiés. automatique avec communication utilisateur de bas
modèle de Chan et Vese, mais implique un terme de l'esprit l'intensité moyenne de six voisins à chaque voxel, l'approche
régularisation supplémentaire, qui pénalise les écarts
SVM peut gérer des images OCT bruitées. Cependant, cette approche
de l'angle de la fonction level set par rapport à l'unité, ne dépend pas seulement d'un utilisateur pour marquer un ensemble
et traite ainsi l'hétérogénéité de la fonction level set de points pour la logique de formation et de segmentation, mais ne
pour une forme donnée. Cela évite la ligne standard parvient pas non plus à segmenter les couches avec précision si les
de réinitialisation périodique de la fonction level-set à points d'entité et d'environnement ne sont pas choisis correctement.
une fonction de distance signée, et permet De plus, SVM est coûteux en calcul et n'est pas capable de segmenter
d'appliquer toute la puissance d'une méthode toutes les couches en même temps. Garvin et al. [69] et Haeker et al.
d'optimisation de type Newton à la minimisation de [70], [71] modélisent le problème de segmentation comme trouvant
l'objectif (puisque la contrainte d'unicité est la coupe minimale s–t d'un graphe géométrique. La fonction de coût
automatiquement incorporée). est la somme d'un terme basé sur les bords et d'un ou plusieurs
La tomographie par cohérence optique (OCT) est une termes basés sur la région. Ils ont développé une approche
modalité d'imagerie non invasive à résolution en profondeur qui est séquentielle pour segmenter les couches intra rétiniennes. Tout
devenue une technique de diagnostic ophtalmique de haut niveau. d'abord, les trois surfaces les plus faciles à segmenter sont trouvées
Yazdanpanah et al [7]ont présenté un algorithme de segmentation (surface supérieure de NFL et surfaces meilleures et inférieures de
semi-automatisé pour détecter les couches intra-rétiniennes dans les OS). La position de la surface segmentée précédente est incorporée
images OCT acquises à partir de modèles de rongeurs de dans la fonction de coût pour expliquer les surfaces restantes. Le
dégénérescence rétinienne. La technique de segmentation proposée problème se pose lorsque la surface précédente est segmentée de
a été adaptée des contours actifs minimisant l'énergie de Chan-Vese manière imprécise. Cela peut entraîner une segmentation erronée
sans bords pour les images OCT, qui à leur tour souffraient d'un des surfaces restantes. Récemment, Garvin et al. [72] ont proposé
faible contraste et étaient fortement ternies par le bruit. Par une extension de leur algorithme. En apprenant les contraintes de
conséquent, un échafaudage multiphase avec une forme circulaire a faisabilité de surface à l'aide d'un ensemble d'apprentissage, ils
été adopté afin de modéliser les bords des couches rétiniennes et de peuvent segmenter les couches en deux étapes en incorporant à la
deviner le paramètre de forme en utilisant les moindres carrés. Un fois le bord de l'image et de véritables informations régionales dans
schéma connexe a été utilisé pour équilibrer le poids des termes aux la fonction de coût. L'algorithme itératif résidentiel [7] pour
pôles séparés dans la fonctionnelle de l'énergie. segmenter les images OCT des couches rétiniennes de rongeurs à
l'aide d'un cadre multiphase avec une forme arrondie avant de tenter
de démontrer que l'approche est capable de segmenter fidèlement
L'objectif de la segmentation projetée toutes les couches intra-rétiniennes, même lorsque la petite taille et
La technique consiste à segmenter une image OCT donnée définie la texture similaire les rendent difficiles à distinguer visuellement. Et
sur le domaine image en R sous-régions disjointes, qui étiquettent aussi ce modèle a tenté de montrer que l'inclusion d'une contrainte a
exactement les couches rétiniennes. La décomposition de l'image I priori de forme améliore l'affichage sur les régions d'intensité
sera modélisée en utilisant le cadre des ensembles de niveaux
comme un ensemble de fonctions de distance signées R−1 (SDF), φ.
La fonction de distance capture la distance entre n'importe quel point
de la province de l'image et la limite de l'objet et attribue cette
An20
défini en vue de systèmes dynamiques. Un champ vectoriel
frontières des objets sont représentées par des équations
interpolé de tourbillon et de flux d'attraction (ISAF) est d'abord
intégrales. Sans utiliser les méthodes chronophages de level-set
généré pour l'image observée. Ensuite, les états sur les cycles
comme la plupart des ACM, l'algorithme proposé peut réaliser
limites de l'ISAF sont localisés par la convergence des séquences
une extraction multifrontière en plaçant certains états initiaux 9
de Newton-Raphson sur les sections de Poincaré données.
dans le champ vectoriel. De plus, il fonctionne avec plus de
Parallèlement, les périodes des cycles limites sont déterminées. compétence puisque l'algorithme de Newton-Raphson est
Par conséquent, les frontières des objets sont représentées par
exécuté dans la section de Poincaré, un sous-espace
des équations intégrales avec les états et périodes convergés
dimensionnel inférieur du domaine de l'image, tandis que les
correspondants.
ACM établis de longue date évoluent.
RréférencesRréférencesRréférences
1. Chunming Li; Chiu-Yen Kao; Gore, JC; Zhaohua Ding; ,
"Minimisation de l'énergie d'ajustement évolutive par
région pour la segmentation d'image," Image Processing,
IEEE Transactions on , vol.17, no.10, pp.1940-1949, oct.
2008; doi : 10.1109/TIP.2008.2002304 ;
"Segmentation d'image interactive conviviale on Pattern Analysis and Machine Intelligence, no. 9,
grâce à des entrées utilisateur combinatoires pages 884–200, 1996.
unifiées", Traitement d'image, IEEE Transactions 17. S. Zhu et A. Yuille, « Region competition and its
dix on , vol.19, no.9, pp.2470-2479, sept.2010;doi : analyse: une théorie unifiée pour la segmentation d'image, "
10.1109/TIP.2010.2048611 Technologie. Rep. 7, Robotics Lab, Havard University,
5. Ping-Feng Chen; Krim, H.; Mendoza, OL ; , 1995.
"Multiphase Joint Segmentation-Registration and 18.K. Fu, R. Gonzales et C. Lee, Robotique :
Object Tracking for Layered Images," Image contrôle, détection, vision et intelligence. New
Processing, IEEE Transactions on , vol.19, no.7, York : McGraw Hill, 1987.
Journal mondial de l'informatique et de la technologie(FRÉ)Volume XII Édition XI
37.N. Paragios et R. Deriche, « Régions actives géodésiques computationnelle pour l'enregistrement d'images », IEEE Trans.
couplées pour la segmentation d'images », Tech. Rép. Processus d'image., vol. 2, non. 3, pp. 311–326, juillet 1993
3783, INRIA, 1999 53. C. Shekhar, V. Govindu et R. Chellappa, Multisensor
38.N. Paragios, "Une approche variationnelle pour la Image Registration by Feature Consensus 1996.
segmentation du ventricule gauche dans l'analyse
d'images cardiaques", International Journal of Computer 54.R. Kumar, H. Sawhney, J. Asmuth, A. Pope et S. Hsu,
Vision, no. 3, p. 345–362, 2002 « Enregistrement de la vidéo sur des images
39. N. Paragios, "Une approche variationnelle pour la segmentation géoréférencées », dans Proc. 14e Conf. Pattern
du ventricule gauche dans les images cardiaques mr", dans Recognition, août 1998, vol. 2, p. 1393–1400.
Proc. de l'atelier IEEE sur les méthodes variationnelles, 55. S. Jwa, U. Ozguner et Z. Tang, « Enregistrement des données
géométriques et d'ensembles de niveaux en vision par théoriques de l'information pour la détection basée sur les
ordinateur, 2001. drones », IEEE Trans. Intel, Transp. Syst, vol. 9, non. 1, pages 5 à
40. S. Jehan-Besson, M. Barlaud et G. Aubert, « Shape 15, mars 2008.
gradients for histogram segmentation using active
56.R. Kumar, S. Samarasekera, S. Hsu et K. Hanna, «
contours », in Proc. de la conférence internationale
Enregistrement de vidéos aériennes très obliques et
IEEE sur la vision par ordinateur, 2003.
zoomées pour référencer l'imagerie », dans Proc. 15e Int.
41.S. Jehan-Besson, M. Barlaud et G. Aubert, « Contours Conf. Reconnaissance de formes, 2000, vol. 4, p. 303–
actifs régionaux utilisant des caractéristiques
307.
géométriques et statistiques pour la segmentation
d'images », dans Proc. de la Conférence internationale
57. V. Caselles, F. Catté, T. Coll et F. Dibos, « Un
modèle géométrique de contour actif en
IEEE sur le traitement d'image, pp. 643–646, 2003. traitement d'image » Numer, Math., vol. 66, p. 1–