Traduit de Anglais vers Français - www.onlinedoctranslator.

com

Global Journal of Computer Science and Technology Graphics & Vision

Volume 12 Numéro 11 Version 1.0 Année 2012

Type : Journal de recherche international à double insu avec comité de lecture
Éditeur : Global Journals Inc. (États-Unis)
ISSN en ligne :0975-4172 &Imprimer ISSN :0975-4350

Contours actifs et segmentation d'image : l'état actuel de

l'art
Par D. Baswaraj, Dr A. Govardhan et Dr P. Premchand
Faculté d'ingénierie, OU, Hyderabad, AP, Inde
Résumé -La segmentation d'image est une tâche fondamentale dans l'analyse d'image responsable de la partition d'une image en
plusieurs sous-régions en fonction d'une caractéristique souhaitée. Les contours actifs ont été largement utilisés comme
méthodes de segmentation d'image attrayantes car ils produisent toujours des sous-régions avec des frontières continues,
tandis que les méthodes de détection de contours basées sur le noyau, par exemple les détecteurs de contours Sobel,
produisent souvent des frontières discontinues. L'utilisation de la théorie des ensembles de niveaux a fourni plus de flexibilité et
de commodité dans la mise en œuvre des contours actifs. Cependant, les modèles de contours actifs traditionnels basés sur les
bords n'ont été applicables qu'à des images relativement simples dont les sous-régions sont uniformes sans bords internes. Ici,
dans cet article, nous tentons de présenter la taxonomie et l'état actuel de l'art en matière de segmentation d'image et
d'utilisation des contours actifs.
Mots clés :Contours actifs, serpents, ensembles de
niveaux. Classification GJCST-F :I.4.6

Contours actifs et segmentation d'image L'état actuel de l'art

Strictement conforme à la conformité et aux réglementations de :

© 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
Résumé -La segmentation d'image est une tâche fondamentale dans
l'analyse d'image responsable de la partition d'une image en plusieurs
sous-régions en fonction d'une caractéristique souhaitée. Les contours
actifs ont été largement utilisés comme méthodes de segmentation
d'image attrayantes car ils produisent toujours des sous-régions avec des
frontières continues, tandis que les méthodes de détection de contours
basées sur le noyau, par exemple les détecteurs de contours Sobel,
produisent souvent des frontières discontinues. L'utilisation de la théorie
des ensembles de niveaux a fourni plus de flexibilité et de commodité
dans la mise en œuvre des contours actifs. Cependant, les modèles de
contours actifs traditionnels basés sur les bords n'ont été applicables qu'à
des images relativement simples dont les sous-régions sont uniformes
sans bords internes. Ici, dans cet article, nous tentons de présenter la
taxonomie et l'état actuel de l'art en matière de segmentation d'image et
d'utilisation des contours actifs.
Mots clés :Contours actifs, serpents, ensembles de niveaux.
JE. Introduction
j
Dans la plupart des opérations d'étude d'image, les classificateurs
d'exemples ont besoin que des objets individuels soient séparés
de l'image, de sorte que l'explication de ces objets puisse être
transformée en une structure appropriée pour le traitement
informatique. La segmentation d'image est une tâche de base,
responsable du processus de séparation. La segmentation a pour
fonction de diviser une image en ses sous-régions de base et
disjointes, qui sont identiques selon leur propriété, par exemple
l'intensité, la couleur et la qualité. Les algorithmes de segmentation
sont généralement basés soit sur la discontinuité avec les sous-
régions, c'est-à-dire les bords, soit sur l'égalité au sein d'une
sous-
région, bien qu'il existe quelques algorithmes de segmentation qui
dépendent à la fois de la discontinuité et de l'égalité.
La différence entre la segmentation des images et la
classification des échantillons n'est souvent pas claire. Le but de la
segmentation est simplement de diviser une image en plusieurs sous-
régions, tandis que le rôle de la classification des échantillons est
d'identifier les sous-régions partitionnées. Ainsi, la segmentation et
la classification des échantillons fonctionnent généralement comme
des processus individuels et séquentiels, comme le montre le tableau
1.1.
Cependant, ils peuvent fonctionner comme une
procédure intégrée comme indiqué dans le tableau 1.2 en
fonction du problème d'étude d'image et de la performance du
processus de segmentation. Dans les deux sens, la segmentation
Auteur a :Professeur associé, Département de CSE,
CMRIT, Hyderabad, AP, Inde. Courriel :
braj5555@yahoo.co.in Auteur σ :Directeur de l'évaluation,
JNTU, Hyderabad, AP, Inde. Courriel :
govardhan_cse@yahoo.co.in
affecte de manière significative le résultat de la
classification des modèles et détermine fréquemment le
succès ou l'échec final de l'analyse d'image. La
An20
segmentation étant un travail essentiel dans l'analyse
d'images, elle est principalement impliquée dans les
applications d'analyse d'images, principalement celles
liées à la classification des modèles, par exemple 1
l'imagerie médicale, la télédétection, la surveillance de
sécurité, la détection d'objets militaires. Le stade auquel
aboutissent les segmentations dépend de la difficulté à
résoudre. Autrement dit, la segmentation doit se terminer
lorsque la région d'intérêt (ROI) de la fonction a été isolée.
Journal mondial de l'informatique et de la technologie(FRÉ)Volume XII Édition XI
En raison de cette propriété de dépendance au problème,
la segmentation indépendante est l'une des tâches les
plus difficiles de l'étude d'images. Le bruit et les pixels
mixtes causés par la mauvaise résolution des images du
capteur rendent le problème de segmentation encore
plus complexe. Dans ce document,
Les contours actifs sont des méthodes de relaxation
préservant la connectivité [10], valables pour les problèmes de
segmentation d'image. Les contours actifs ont été utilisés pour la
segmentation des images et le suivi des limites depuis la première
introduction des serpents par Kass et al. [11]. L'idée fondamentale est
de commencer par les premières formes limites représentées dans
un type de courbes fermées, c'est-à-dire des contours, et de les
modifier de manière itérative en appliquant
rétrécir/dilater opérations selon à la
contraintes de images. Ceux rétrécir/dilater
les opérations, appelées évolution de contour, se font par la
minimisation d'une fonction d'énergie comme les méthodes de
segmentation par région fixe ou par la simulation d'une équation
différentielle fractionnaire géométrique (EDP) [12].
Tableau 1.1 :Imagerie médicale situation 1 : une image radiographique
d'une segmentation de la main et d'une classification des motifs comme
actions séquentielles et séparées
Des données d'entrée:une image radiographique d'une main
1. Segmentation : séparer les os de l'image radiographique.
• Méthode supervisée : des caractéristiques qualifiées ou des exemples de
données d'os sont fournis.
• Méthode non supervisée : séparez les régions lumineuses
de l'arrière-plan.
• 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
3. Classification des motifs : reconnaissez chaque os en fonction
des caractéristiques
Des données de sortie:le caractère des os, par exemple le pouce, l'index,
l'annulaire, etc.
© 2012 Global Journals Inc. (États-
Auteurρ:Doyen, Faculté d'ingénierie, OU, Hyderabad, AP, Inde.
Courriel : drpremchand_P@yahoo.com

© 2012 Global Journals Inc. (États-

 Tableau 1.2 :Scénario d'imagerie médicale 2 : une image IRM de
essentiel comme prétraitement, et l'effet de lissage brouille
un cerveau. Segmentation et classification des modèles en tant que
par conséquent les informations de bord. Cependant, le coût
procédure incluse de calcul est comparativement inférieur aux autres méthodes
An20

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

méthodes de segmentation telles que les bords, les statistiques et la

texture. Dans cet article, les modèles de contours actifs proposés
utilisent les informations statistiques d'intensité d'image à l'intérieur
d'une sous-région.
II. jemageSsegmentationtuchanterUNactif
csurtours :tilJaxonomie
Il existe deux approches principales dans la segmentation
d'images : basée sur les bords et basée sur les régions. La
segmentation basée sur les bords partitionne une image en fonction
des discontinuités avec des sous-régions, tandis que la segmentation
basée sur les régions remplit la même fonction en fonction de
l'uniformité d'une propriété souhaitée dans une sous-région. Dans ce
chapitre, nous discutons brièvement des technologies de
segmentation d'image existantes en arrière-plan.
a) Segmentation basée sur les bords
segmentation d'images [14]. La montée de région [15] est une technique
qui fusionne des pixels ou de petites sous-régions dans une sous-région
plus grande. La mise en œuvre la plus simple de cette approche est
l'agrégation de pixels [19], qui commence par un ensemble de points de
départ et développe des régions à partir de ces départs en ajoutant des
pixels proches s'ils satisfont aux critères donnés.
Malgré le caractère simple de l'algorithme,
il y a des problèmes fondamentaux dans la culture des régions : la
sélection des graines initiales et des propriétés appropriées pour
faire pousser les régions. La sélection des graines initiales peut
souvent être basée sur le caractère des applications ou des images.
Par exemple, la ROI est généralement plus lumineuse que l'arrière-
plan des images IR. Dans ce cas, choisir des pixels brillants comme
graines initiales serait un choix approprié.
Critères supplémentaires qui utilisent des propriétés pour augmenter
les régions dirigent la croissance de la zone vers des méthodes plus
sophistiquées, par exemple la concurrence régionale. La concurrence
régionale [16, 17] fusionne des sous-régions voisines selon des
critères impliquant l'égalité des régions ou la netteté des frontières.
Les critères forts ont tendance à générer des résultats sursegmentés,
tandis que les critères faibles ont tendance à produire des résultats
de segmentation médiocres en fusionnant les sous-régions avec des
frontières floues. Une alternative à l'augmentation de région est le
split-and-merge [18], qui partitionne d'abord une image en un
ensemble de sous-régions arbitraires et disjointes, puis combine et/

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
signification exacte de la segmentation de l'image. Une arête
peut être définie comme la frontière entre deux régions avec des
propriétés relativement distinctes. L'hypothèse de la
segmentation basée sur les bords est que chaque sous-région
d'une image est suffisamment uniforme pour que la transition
entre deux sous-régions puisse être déterminée sur la base des
seules discontinuités. Lorsque cette affirmation n'est pas valide,
la segmentation basée sur la région, abordée dans la section
suivante, fournit régulièrement des résultats de segmentation
plus raisonnables. Fondamentalement, l'idée sous-jacente à la
plupart des techniques de détection de contours est le calcul
d'un opérateur dérivé local.
La détection des contours par les opérations de gradient ne
fonctionne généralement bien que dans les images avec des transitions
d'intensité nettes et un bruit relativement faible. En raison de sa sensibilité
au bruit, diverses opérations de lissage sont généralement
c) Contours actifs
La méthode des contours actifs est devenue très populaire
pour une gamme d'applications, principalement la segmentation d'images
et le suivi de mouvement, au cours de la dernière décennie. Cette
méthodologie est basée sur l'utilisation de contours déformables qui
correspondent à diverses formes et mouvements d'objets. Cette section
fournit un réglage théorique des contours actifs et une indication des
méthodes de contour actif existantes. Il existe deux approches principales
dans les contours actifs basés sur l'implémentation mathématique : les
serpents et les ensembles de niveaux. Les serpents décalent explicitement
des points de serpent prédéfinis en fonction d'une méthode de
minimisation de l'énergie, tandis que les approches par ensemble de
niveaux déplacent complètement les contours en tant que niveau
particulier d'une fonction.
En tant que méthodes de segmentation d'image, il existe deux
types de modèles de contours actifs en fonction de la force faisant évoluer
les contours : basés sur les contours et basés sur les régions. Bord-

© 2012 Global Journals Inc. (États-

les contours actifs basés appliquent un détecteur de bord,
généralement basé sur le gradient de l'image, pour localiser les
limites des sous-régions et tracer les contours jusqu'aux limites
détectées. Les approches basées sur les bords sont étroitement
liées à la segmentation basée sur les bords. Les contours actifs
basés sur la région appliquent les informations statistiques sur
l'intensité de l'image à l'intérieur de chaque sous-ensemble au
lieu de rechercher des limites géométriques. Les approches
régionales sont également étroitement liées à la segmentation
régionale.
d) Serpents
Le modèle initial de contour actif a été proposé
par Kass et al. [11] et des serpents nommés adaptés à
l'apparition de l'évolution des contours.
Résoudre le problème des serpents consiste à localiser
le contour C qui minimise le terme d'énergie totale E avec le
certain ensemble de poidsα,β,etλ. En numérique
expériences, un ensemble de points de serpent résidant sur le
plan de l'image sont définis dans la première étape, puis
l'emplacement suivant de ces points de serpent est déterminé
par le minimum local E. La forme associée de ces points de
serpent est considérée comme le contour. La figure 2.1 montre
un exemple de serpents classiques [20]. Il y a environ 70 points
de serpents dans l'image, et les points de serpents forment un
contour autour du papillon. Les points des serpents sont d'abord
placés à plus grande distance de la limite de l'objet, c'est-à-dire
du papillon. Ensuite, chaque point se déplace vers les
coordonnées optimales, où l'utilité de l'énergie converge vers le
minimum. Les points de serpents s'arrêtent finalement sur la
limite de l'objet.
Les serpents classiques donnent un emplacement parfait de
les bords uniquement si le premier contour est donné suffisamment
près des bords car ils n'utilisent que les informations locales le long
du contour. L'estimation d'une position correcte des premiers
contours sans connaissance préalable est un problème complexe. De
plus, les serpents classiques ne peuvent pas détecter plus d'une
frontière simultanément car les serpents maintiennent la même
topologie tout au long de l'étape d'évolution. Autrement dit, les
serpents ne peuvent pas se diviser en plusieurs limites ou se
combiner à partir de plusieurs premiers contours. La théorie des
ensembles de niveaux [12] a donné un résultat pour ce problème.
Illustration 2.1 :Un exemple de serpents classiques
e) Méthodes d'ensemble de niveau
La théorie des ensembles de niveaux, une formulation
pour appliquer des contours actifs, a été proposée par Osher et
Sethian [12]. Ils représentaient implicitement un contour via un
© 2012 Global Journals Inc. (États-
dimensionnel Lipschitz - continu - fonction
φ(X,y) :Ω →ℜdéfinie sur le plan image. La
fonctionφ(X,y)est appelée fonction level set, et un niveau
particulier, généralement le niveau zéro, deφ(X,y)est défini
comme le contour.
f) Contours actifs basés sur les bords
Les contours actifs basés sur les bords sont fortement
connecté à la segmentation basée sur les bords. La plupart des bords
Les modèles de contours actifs basés se composent de deux parties :
la partie régularité, qui détermine la forme des contours, et la partie
An20
reconnaissance des contours, qui attire le contour vers les frontières.
Les modèles de contours actifs basés sur les bords présentent
quelques inconvénients par rapport aux modèles de contours actifs
basés sur les régions, abordés dans la section suivante. En raison du 3
terme constant, les modèles de contours actifs basés sur les arêtes
font évoluer le contour vers un seul sens, chacun à l'intérieur ou à
l'extérieur. Par conséquent, un contour primaire doit être placé
complètement à l'intérieur ou à l'extérieur de la ROI, et un certain
niveau de connaissances préalables est toujours nécessaire. De plus,
Journal mondial de l'informatique et de la technologie(FRÉ)Volume XII Édition XI
les contours actifs basés sur les bords héritent de quelques
inconvénients des méthodes de segmentation basées sur les bords
en raison de la méthode parallèle utilisée. . Étant donné que la
segmentation basée sur les bords et les contours actifs basés sur les
bords reposent sur le processus de gradient d'image, les contours
actifs basés sur les bords peuvent omettre les frontières floues, et ils
sont sensibles aux minima locaux ou au bruit comme le fait la
segmentation basée sur les bords. Les contours dynamiques
géodésiques rapides de gradient vector flow [21, 22] proposés par
Paragios ont remplacé le mot border detection (boundary attraction)
par gradient vector field [23, 24, 25, 26, 27], qui fait référence à une
diffusion spatiale de l'information de frontière et guide la
propagation vers les limites de l'objet à partir de côtés égaux, pour
donner une liberté supplémentaire par rapport à la restriction de la
position du premier contour.
g) Contours actifs basés sur la région
La plupart des modèles de contours actifs basés sur la
région se composent de deux parties : la partie régularité, qui
détermine la forme lisse des contours, et la partie minimisation de
l'énergie, qui recherche l'égalité d'une caractéristique préférée dans
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
la fois l'intérieur ou l'extérieur des contours. Chan et Vese ont
proposé un modèle de contour actif multiphase [28, 29, 30, 31,
32], qui augmente la quantité de sous-ensembles que les
contours actifs peuvent localiser simultanément. Plusieurs
contours actifs évoluent indépendamment en fonction du
modèle constant par morceaux ou du modèle lisse par morceaux
 se concentrent sur la propriété statistique, c'est-à-dire le PDF
modèle, et plusieurs sous-ensembles sont définis par un ensemble de
combinaisons disjointes des fonctions d'ensemble de niveaux.

En raison de la minimisation globale de l'énergie ; les

contours actifs basés sur la région n'ont généralement aucune
restriction sur le placement des premiers contours. Autrement
dit, le contour actif basé sur la région peut détecter les limites
intérieures quelle que soit la position du contour initial.
Autrement dit, le contour actif basé sur la région peut détecter
limites intérieures quelle que soit la position des contours initiaux.
L'utilisation de contours initiaux prédéfinis fournit une méthode de
segmentation indépendante. De plus, ils sont moins sensibles aux
minima locaux ou au bruit que les contours actifs basés sur les
An20

contours. Cependant, en raison de la supposition d'une intensité

d'image uniforme, la plupart des méthodes ne sont pertinentes que
pour les images où chaque sous-ensemble est représenté par une
4
expression simple, par exemple une distribution gaussienne unique
ou une constante. Si un sous-ensemble, c'est-à-dire une classe, se
compose de plusieurs sous-classes distinctives, ces méthodes
produiront des résultats sur-segmentés ou sous-segmentés. Nous
proposons de nouveaux modèles de contours actifs basés sur les
Journal mondial de l'informatique et de la technologie(FRÉ)Volume XII Édition XI

régions qui produisent de meilleurs résultats en utilisant des

fonctions de densité de mélange multivariées.

h) Contours actifs intégrant la segmentation basée sur

les bords et les régions
Afin de développer les performances de segmentation,
l'intégration de sources d'informations basées sur les bords et
les régions utilisant des contours actifs a été proposée par
quelques auteurs. La région active géodésique est un modèle de
contour actif supervisé, proposé par Paragios [33, 34, 35],
intégrant un module de segmentation basé sur les bords et les
régions dans une fonction énergétique. Une analyse statistique
basée sur la mesure de la longueur de description minimale
(MDL) et le principe du maximum de vraisemblance (ML) pour la
fonction de densité observée, c'est-à-dire un histogramme
d'image, indique le nombre de sous-régions et la PDF statistique
dans ces sous-régions à l'aide d'un mélange d'éléments
gaussiens. La probabilité régionale est estimée à partir du PDF
statistique basé sur les connaissances antérieures, c'est-à-dire
les échantillons d'apprentissage. Ensuite, l'information de marge
est résolue par un détecteur de bord probabiliste, attendu des
probabilités régionales de voisinage [36, 37]. Par exemple, un
pixel d'image est plus susceptible d'être un pixel de bord si les
pixels de voisinage, situés sur les côtés opposés, ont des
probabilités régionales élevées pour une classe différente.
Le modèle de région active géodésique est utile plus tard
à un problème d'imagerie médicale [38, 39] avec un facteur aux
limites basé sur le flux à vecteur gradient. L'approche était basée
sur une propagation jointe de deux contours actifs, et intègre
des informations visuelles avec des contraintes anatomiques.

Jehan Besson et al. ont également proposé un modèle

de contour actif [40, 41] minimisant un critère d'énergie
concernant à la fois la fonctionnelle région et frontière. Ces
fonctionnelles sont conséquentes à travers une approche dérivée
de forme comme alternative au calcul de variation classique. Ils

© 2012 Global Journals Inc. (États-

de l'histogramme de couleur d'une sous-région. Les sont différentes des fonctions d'ajustement des données
contours actifs sont propagés en minimisant la distance
entre deux histogrammes à des fins de correspondance ou
de suivi.

III. CactuelSétat de laUNrt

Afin de surmonter les difficultés causées par diverses
intensités dans la segmentation de l'image,Chunming Li et tous[1]ont
proposé un modèle de contour actif basé sur la région, qui s'appuie
sur les informations d'intensité dans les régions locales à une échelle
pratique. Une énergie appropriée aux données est définie en termes
d'un contour et de deux fonctions d'ajustement qui estiment localement
les intensités d'image des deux côtés du contour. Cette énergie est
ensuite intégrée dans une formulation d'ensembles de niveaux différents
avec un terme de régularisation d'ensemble de niveaux, à partir de
laquelle une équation de développement de courbe est dérivée pour la
minimisation de l'énergie. En raison d'une fonction de noyau dans le
terme d'ajustement des données, les informations d'intensité dans les
régions locales sont extraites pour guider le mouvement du contour, ce
qui permet ainsi à notre modèle de faire face à des intensités
différentes. Le modèle d'ajustement évolutif de la région se compose de
phases suivantes, qui sont

- Introduction de la fonction de noyau non négative avec

l'énergie d'ajustement régionale évolutive. Le choix de la
fonction noyau est flexible, tant qu'elle satisfait les trois
propriétés de base ci-dessus. Les auteurs ont opté pour le
noyau gaussien. L'énergie de montage définie ci-après.
Tout d'abord, en considérant une erreur quadratique
moyenne pondérée de l'estimation des intensités d'image
à l'extérieur et à l'intérieur du contour par les valeurs
d'ajustement pour x comme point central, respectivement,
le résultat de la fonction noyau utile sur la différence de
coordonnées x et y comme poids attribué à l'intensité à la
coordonnée y sélectionnée. Deuxièmement, en raison de la
propriété de localisation de la fonction noyau, la
contribution de l'intensité de la coordonnée y à l'énergie
d'ajustement diminue et se rapproche de zéro lorsque le
point de coordonnée y s'éloigne du point central x. Par
conséquent, l'énergie est dominée par les intensités des
points dans une région de. En particulier, le noyau
gaussien diminue considérablement jusqu'à zéro lorsque la
coordonnée y s'éloigne du point central x.
- Mise en œuvre de la formulation des ensembles de niveaux :
contrairement à la formulation des ensembles de niveaux [42], pour
protéger la fiabilité de la fonction d'ensemble de niveaux, qui est
nécessaire pour un calcul exact et une évolution stable des ensembles
de niveaux, ici une approche appelée régularisation des ensembles de
niveaux a été introduite qui fait partie de différents formulation des
ensembles de niveau. Dans cette régularisation d'ensemble de niveaux,
son flux de gradient est utilisé comme équation de développement
d'ensemble de niveaux qui tente de minimiser la fonctionnelle
d'énergie.

- Minimisation de l'énergie : le modèle proposé utilise la méthode

standard de descente de gradient (ou de descente la plus raide)
pour minimiser la fonctionnelle de l'énergie.
- Fonctions d'ajustement et fonction de réglage de niveau
régularisation : les deux fonctions d'ajustement introduites ici

© 2012 Global Journals Inc. (États-

 observé dans le modèle PS. Cette différence est due aux natures
différentes des données qui ajustent les termes d'énergie dans Question Choix de l'utilisateur Résultat

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

introduisant le terme de régularisation level set dans la choix.

formulation proposée.

Journal mondial de l'informatique et de la technologie(FRÉ)Volume XII Édition XI

pas d'accord diriger : (beaucoup) L'agent ajuste l'image
Dans le domaine de recherche de la segmentation (beaucoup) plus petit, (beaucoup) En traitement paramètres
d'images IVUS multi-agents,Bovenkamp et al [2]introduit (beaucoup plus gros et tentatives détection,
une nouvelle méthodologie de coopération utilisateur-agent, résultat ne pas garanti,
agents réintégrer
qui a lancé la communication experte avec un système
boucle d'évaluation.
d'interprétation d'images multi-agents en utilisant
uniquement un vocabulaire limité de communications Supprimer l'objet L'agent supprime l'objet
et avise les autres.
utilisateur de haut niveau. L'objectif est de minimiser
l'influence des avis d'experts, ceux favorisant les variations est un autre objet plaque_calcifiée, L'agent transfère l'objet à un
plaque_calcifiée_profonde, autre agent.
de segmentation des images. Ce modèle tente de le faire en
stent, ombre, côté
gardant le nombre total de communications aussi bas et bifurquer
simple que possible. Le système d'interprétation d'images
multi-agents a un contrôle complexe basé sur des Tableau II :Interaction agent-utilisateur, initiée lorsqu'un agent a besoin

connaissances de haut niveau sur des algorithmes de d'une entrée utilisateur lors de l'évaluation du traitement d'image

segmentation d'images de bas niveau. L'utilisateur, à son résultat

tour, peut corriger, compléter et/ou confirmer les résultats

des agents de traitement d'images. La communication de
haut niveau remplace ainsi les méthodes de correction de
contour plus conventionnelles telles que l'insertion de points
et/ou le (re)dessin de contours.
Ici dans ce modèle proposé par Bovenkamp et
al [2], les agents utilisent la moyenne mobile de la lumière
Les tableaux montrent quels choix peuvent être
présentés à l'utilisateur par l'agent et listent les
spécifications possibles de chaque choix ainsi que le
résultat qu'il aura sur l'agent.
Observation:Bovenkamp et al[2] visaient à
trouvé s'il est possible d'obtenir des résultats plus précis et

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
niveau entre les agents et l'utilisateur. Les communications agent-
utilisateur possibles dans différentes situations sont répertoriées
dans le tableau I, tandis que le tableau II répertorie les
communications agent-utilisateur lorsque les résultats du traitement
d'image ne sont pas fiables ou doivent être quantifiés.
segmentation et de la capacité accrue de répétition et d'efficacité. Il a
été démontré qu'avec uniquement une communication utilisateur de
haut niveau dans un image IVUS multi-agents
système de segmentation, il est possible d'obtenir des
résultats pour le moins compétitifs avec un système semi-
automatique avec communication utilisateur de bas

© 2012 Global Journals Inc. (États-

niveau. Avec relativement peu (2–3) de haut niveau

© 2012 Global Journals Inc. (États-

 communications utilisateur par amélioration, la segmentation
Observation:Srinivasa, G et al [3] ont travaillé sur
d'image IVUS multi-agents peut être considérablement améliorée,
images au microscope à fluorescence de motifs ponctués, et
tandis que l'utilisateur n'initie des actions correctives que dans
supposons que : (a) les propriétés statistiques de l'avant-plan
environ 43 % (255 contre 594) des cas par rapport au système semi-
(cellule) et de l'arrière-plan sont distinctes et relativement
automatique engagé. Aucune connaissance en traitement d'image ou
uniformes ; (b) le premier plan est clair, tandis que l'arrière-
en agent n'est requise de la part de l'utilisateur pour corriger les
plan est sombre. La première hypothèse est cruciale, la
résultats de segmentation d'image. Les expériences montrent que
seconde pas du tout ; on peut facilement changer
même lorsque les images sont très difficiles à segmenter, des
l'algorithme si la position est inversée dans une autre
résultats agressifs peuvent être obtenus de cette manière.
modalité (comme la microscopie à fond clair). Ainsi, dans
Cependant, bien que suffisant dans la plupart des cas, le contrôle
cette proposition, les auteurs recherchent essentiellement
limité de l'utilisateur sur le processus de segmentation (uniquement
deux modèles statistiques différents dans l'image (avant-plan
de très haut niveau) était parfois trop préventif pour arriver au
An20

et arrière-plan). Notons cependant que les techniques

résultat souhaité et est source d'erreurs d'observation.
Srinivasa, G et al [3] ont proposé un algorithme de masque actif pour la
segmentation des images au microscope à fluorescence de motifs ponctués. Afin de
6 développer cet algorithme, Srinivasa, G et al [3] ont considéré les méthodes de
contours actifs pour leur flexibilité, les méthodes multi-résolutions en raison de leur
vitesse d'amplitude, les méthodes multi-échelles en considérant leur efficacité dans le
lissage, et les méthodes de croissance de région pour leur statistique. la modélisation.
Le cadre développé comme couche supérieure de l'algorithme proposé passe de l'idée
Journal mondial de l'informatique et de la technologie(FRÉ)Volume XII Édition XI
existantes ici peuvent être généralisées au cas de plusieurs
modèles. Le nouvel algorithme proposé appelé segmentation
de masque actif conçu pour la segmentation des images au
microscope à fluorescence de motifs ponctués, une grande
classe de données. Il semble disparaître de l'idée de contour
et utilise à la place celle de masque, ainsi que plusieurs
masques. L'algorithme effectue facilement une segmentation
multidimensionnelle, peut être initialisé avec des graines
aléatoires et utilise quelques paramètres facilement

du contour ldquo rdquo à celle de ldquo intérieur et extérieur, rdquo ou masques,

permettant une segmentation multidimensionnelle facile. Le cadre visait à adapter la réglables.

topologie de l'image grâce à l'utilisation de plusieurs masques. Pour revendiquer le
bénéfice de l'algorithme proposé, Srinivasa, G et al [3] ont fait valoir que, puisqu'un
microscope à fluorescence image les cellules en révélant le spécimen avec une lumière
d'une longueur d'onde spécifique, excitant les sondes fluorescentes pour émettre une
lumière d'une longueur d'onde plus longue ; une caméra CCD enregistre les émissions
de photons résultant en une image numérique. Comme seules certaines parties de
l'échantillon sont marquées et que le marquage n'est pas uniforme, l'image résultante
ressemble à une répartition de points clairs sur un fond sombre, un motif ponctué. Par
conséquent, ils se sont concentrés sur des images dans lesquelles de tels motifs
représentent des cellules individuelles dans un échantillon multicellulaire. l'image
résultante ressemble à une répartition de points lumineux sur un fond sombre, un
motif ponctué. Par conséquent, ils se sont concentrés sur des images dans lesquelles
de tels motifs représentent des cellules individuelles dans un échantillon
multicellulaire. l'image résultante ressemble à une répartition de points lumineux sur
un fond sombre, un motif ponctué. Par conséquent, ils se sont concentrés sur des
images dans lesquelles de tels motifs représentent des cellules individuelles dans un
échantillon multicellulaire.
L'algorithme est presque invariant sous
initialisation, permettant une initialisation aléatoire, et utilise
quelques paramètres facilement réglables. Les expériences
montrent que l'algorithme de masque actif correspond bien à la
vérité terrain et surpasse l'algorithme largement utilisé en
microscopie à fluorescence, bassin versant ensemencé, à la fois
qualitativement et quantitativement.
Avec des problèmes augmentés afin de segmenter
images au microscope à fluorescence telles que
- Difficulté à identifier le contour dans une image
numérique
- Mise à jour de la fonction level set dans les algorithmes
de contour actif, qui est inefficace et lente.
- Difficulté à reconstituer la fonction level set dans la
version multi résolution ?
- Difficulté à protéger la topologie lors de la mise à jour par
grands incréments dans la version multiéchelle.
Wenxian Yang et al[4]ont proposé un algorithme de
marches aléatoires contraintes qui facilite l'utilisation de trois
types d'entrées utilisateur : 1) premier plan et arrière-plan
entrée de graine, 2) entrée de contrainte souple et 3)
entrée de contrainte dure, ainsi que leurs
combinaisons. Pour soutenir le contexte de leur
modèle de recherche, Wenxian Yang et al [4] ont fait
valoir qu'un défaut commun dans les algorithmes de
segmentation d'images interactives existants est le
manque de moyens plus intellectuels pour
comprendre l'intention des entrées de l'utilisateur.
L'entrée de graines de premier plan et d'arrière-plan
du modèle proposé est destinée à permettre à un
utilisateur de dessiner des traits pour spécifier les
graines de premier plan et d'arrière-plan. L'entrée de
contrainte souple est destinée à permettre à un
utilisateur de dessiner des traits pour indiquer la
région que la frontière doit traverser. L'entrée de
contrainte dure visait à permettre à un utilisateur de
spécifier les pixels avec lesquels la limite doit s'aligner.
Cette proposition maquette formule la
problème de segmentation sur un graphe, où chaque nœud
représente un pixel et les nœuds voisins sont liés par des arêtes non
orientées. En particulier, un graphe est représenté par ses sommets
et ses arêtes intègrent également deux autres types d'entrées
utilisateur comme contraintes dans l'algorithme des marches
aléatoires. Nous appelons une telle extension des marches aléatoires
contraintes. En particulier, les coups de pinceau de frontière qui
marquent grossièrement des parties de la frontière sont introduits
en tant que contrainte souple. Un sommet sur lequel la contrainte
souple est forcée a la propriété que la différence entre sa probabilité
et 1/2 est dans une petite plage donnée (-e, e). Le deuxième type
d'entrées utilisateur, le sélecteur de pixel limite,

© 2012 Global Journals Inc. (États-

qui sélectionne les pixels sur le contour souhaité, est
introduite comme contrainte dure. Un sommet sur lequel la
contrainte dure est imposée a une probabilité de 1/2.
Observation:Le modèle proposé peut être résumé
comme suit. Tout d'abord, l'algorithme de marches aléatoires
contraintes proposé ainsi que l'algorithme d'édition local
proposé prennent en charge les trois types d'entrées utilisateur
et leurs combinaisons dans un cadre cohérent et unifié.
Deuxièmement, le terme a priori de la région est intégré dans les
poids des bords afin que l'algorithme de marches aléatoires
contraintes proposé ne perde pas la propriété de connectivité et
soit moins exigeant sur les positions et les quantités des traits
d'entrée de l'utilisateur que l'algorithme de marches aléatoires
original [43]. Troisièmement, l'algorithme d'édition local proposé
permet également un raffinement local supplémentaire pour
atteindre une segmentation satisfaisante.
Ping-Feng Chen et al[5]ont proposé un nouveau modèle
pour segmenter et enregistrer conjointement les objets d'intérêt
dans des images en couches. Étant donné que les images en couches
se réfèrent à des images prises sous différentes perspectives et
éventuellement par différents capteurs, l'enregistrement et la
segmentation sont donc les deux tâches principales qui contribuent
au niveau inférieur, l'alignement des données, des structures
hiérarchiques de fusion de données multi-capteurs. Contrairement à
la plupart des exploitations d'images à deux couches, celles qui
supposent que les scanners sont à très haute altitude et qu'une seule
transformation lie les deux images, le modèle proposé considère les
données comme prises à mi-distance et nécessite donc une
segmentation dans le processus d'examen des différents régions
d'objet d'une manière diviser pour mieux régner. La segmentation
conjointe multiphase proposée par Ping-Feng Chen et al [5] est une
combinaison de la méthode multiphase avec une pratique
d'enregistrement de segmentation combinée en bref, appelée MPJSR
convenue dans une fenêtre mobile locale antérieure à une
optimisation globale. Pour traiter auxiliairement la séquence vidéo en
couches et suivre les objets dans le cadre, MPJSR utilise une
adaptation sans problème du calcul du flux optique le long des
contours animés dans une paire de séquences d'illustrations en
couches.
Les types de travaux connexes introduits précédemment
dans MPJSR décrivent une intention d'intérêt [44], des scènes de
mosaïques royales [45], [46] et des données d'inclusion [47]. Les
techniques qui exploitent conjointement les informations de capteurs
spéciaux relèvent formellement de la fusion de données [48]. La
fusion de données intègre une catégorisation bien établie des «
niveaux de fusion » qui regroupe différents processus itératifs de
niveaux de maturité opposés. Le niveau de base, c'est-à-dire le niveau
0 de «l'alignement des données» [49], est le prétraitement,
l'enregistrement et le géo-enregistrement des métaphores, qui
préparent les données pour d'autres niveaux de mélange. Le
recalage d'images, qui trouve la correspondance ou la
transformation entre deux images [46], [50]–[56], contribue donc à
cette étape de la structure hiérarchique de la fusion des données.
Observation:Ping-Feng Chen et al [5] ont projeté
une méthode conjointe de segmentation et de repérage
adaptée aux contours actifs multiphases (MPJSR) à l'aide d'un
© 2012 Global Journals Inc. (États-
Vese
fenêtre locale déchirante. En ressemblant d'abord la surface
et
de l'objet détecté dans une fenêtre dans la base et les images
aux
de référence par des plans, puis en évoluant un contour actif
tests
de phase m via la technique de segmentation-
numé
enregistrement conjointe proposée, le MPJSR proposé serait
riques
capable de 1) délimiter un objet d'intérêt, 2) obtenir les
parall
transformations acquises entre deux images. Cette méthode
èles
segmente et enregistre avec succès une paire d'images en
effect
couches, et nous permet en outre d'aligner des objets
ués
segmentés d'une image à l'autre, réalisant ainsi une étape
avec
d'alignement de données de niveau 0 dans la hiérarchie de
fusion de données.
Figueiredo et al[6]proposition devrait
introduire une méthode de segmentation d'image variationnelle
pour évaluer les foyers de crypte aberrants (ACF) dans le côlon
de la personne capturé in vivo par endoscopie. La technique de
segmentation proposée a amélioré le modèle de contours actifs
sans arêtes de Chan et Vese pour tenir compte de la structure
particulière de l'ACF. Des ensembles de niveaux pour représenter
les frontières de segmentation et discrétiser dans l'espace par
des éléments finis et dans le temps (artificiel) par des différences
fixes sont utilisés. Le modèle proposé par Figueiredo et al [6]
visait à classer les ACF, leurs limites et certains des orifices
internes des cryptes. La suggestion de Figueiredo et al [6] s'est
concentrée sur une méthode de traitement d'image pointilleuse,
pour évaluer l'ACF capturée in vivo par endoscopie : la
segmentation d'image. Cette méthode consiste à diviser l'image
donnée en régions disjointes, représentant des objets distincts.
De plus, nous utilisons des méthodes de segmentation d'image
basées sur des équations aux dérivées partielles, plus
précisément des contours actifs sans arêtes (ACWEs) et des
méthodes level-set. Celles-ci combinent des techniques
d'évolution de courbe (où l'idée de base est de commencer avec
une courbe initiale dans l'image et de la déformer aux limites des
objets dans l'image, et de l'arrêter là, voir [57], [58], et [11]), la
fonctionnelle de Mumford–Shah pour la segmentation d'images
(un problème d'optimisation pour obtenir des portes
coulissantes de l'image donnée dans différentes régions, voir
[59]) et les méthodes level-set (elles consistent essentiellement à
considérer le problème dans une mesure, de sorte que la courbe
évolutive est l'ensemble de niveau zéro d'une fonction inconnue ;
ces méthodes permettent des changements de pointes, de coins
et de topologie usuelle, comme des courbes de fusion et de
rupture, voir [60], [61] et [62]). Notons que l'expression « sans
bords » dans « ACWEs » fait référence au fait que dans ces
modèles il n'est pas utilisé de fonction de détection de bords,
basée sur le gradient de l'image donnée, pour identifier les
différents objets (les « bords, ” dans une image, sont les
frontières des objets distincts, correspondant aux lieux où ces
objets se rencontrent). Cette dernière propriété permet au
modèle de segmenter les images là où il n'y a pas de limites de
gradient claires, ce qui est souvent le cas pour les images
endoscopiques ACF.
Observation:L'aide du modèle proposé peut
se référer aux améliorations du modèle de Chan et
 sept

© 2012 Global Journals Inc. (États-

Journal mondial de l'informatique et de la technologie(FRÉ)Volume XII Édition XI An20
 ces modèles à la version pour la segmentation ACF
endoscopique in vivo. Plus précisément, ces principaux
enjeux sont les suivants.
- Un nouveau système numérique pour résoudre la
formulation des différences faibles du modèle de Chan et
Vese est défini. La formulation faible a l'aide d'exiger moins
de régularité fonctionnelle pour la fonction d'ensemble de
niveau inconnu. Le schéma numérique implique une
discrétisation par éléments finis dans l'espace et des
différences finies implicites dans le temps (artificiel). Elle
correspond à une méthode d'optimisation de type L–M
Newton.
An20
- Un nouveau modèle ACWEs est défini. Il s'appuie sur le modèle
de Chan et Vese, mais intègre des termes supplémentaires dont
le but est de confiner des caractéristiques spécifiques de l'ACF
8 qui sont importantes pour les cliniciens : les restrictions des
cryptes anormales se colorent plus sombres que la crypte
normale et en général à l'intérieur de chaque point focal, les
cryptes Les orifices ont des formes similaires les unes aux
autres.
- Le modèle de régularisation mixte est basé sur le
Journal mondial de l'informatique et de la technologie(FRÉ)Volume XII Édition XI
modèle de Chan et Vese, mais implique un terme de
régularisation supplémentaire, qui pénalise les écarts
de l'angle de la fonction level set par rapport à l'unité,
et traite ainsi l'hétérogénéité de la fonction level set
pour une forme donnée. Cela évite la ligne standard
de réinitialisation périodique de la fonction level-set à
une fonction de distance signée, et permet
d'appliquer toute la puissance d'une méthode
d'optimisation de type Newton à la minimisation de
l'objectif (puisque la contrainte d'unicité est
automatiquement incorporée).
La tomographie par cohérence optique (OCT) est une
modalité d'imagerie non invasive à résolution en profondeur qui est
devenue une technique de diagnostic ophtalmique de haut niveau.
Yazdanpanah et al [7]ont présenté un algorithme de segmentation
semi-automatisé pour détecter les couches intra-rétiniennes dans les
images OCT acquises à partir de modèles de rongeurs de
dégénérescence rétinienne. La technique de segmentation proposée
a été adaptée des contours actifs minimisant l'énergie de Chan-Vese
sans bords pour les images OCT, qui à leur tour souffraient d'un
faible contraste et étaient fortement ternies par le bruit. Par
conséquent, un échafaudage multiphase avec une forme circulaire a
été adopté afin de modéliser les bords des couches rétiniennes et de
deviner le paramètre de forme en utilisant les moindres carrés. Un
schéma connexe a été utilisé pour équilibrer le poids des termes aux
pôles séparés dans la fonctionnelle de l'énergie.
L'objectif de la segmentation projetée
La technique consiste à segmenter une image OCT donnée définie
sur le domaine image en R sous-régions disjointes, qui étiquettent
exactement les couches rétiniennes. La décomposition de l'image I
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
© 2012 Global Journals Inc. (États-
distance jusqu'à l'emplacement de ce point. Le SDF attribue
des signes opposés à l'intérieur par rapport à l'extérieur de
l'objet. Formellement, le SDF est une fonction implicite avec
des valeurs positives dans la région intérieure, des valeurs
négatives dans la région extérieure et zéro sur la frontière
avec la propriété comprise entre 0 et 1.
Observation:Avant le Yazdanpanah et al [7]
proposition, plusieurs robotique et semi-automatisé
approches ont été employées dans la segmentation OCT [63]–
[72]. Certaines méthodes reposent sur le bord au niveau du pixel
algorithmes d'exposition [10] ou sont basés sur l'exécution d'une
procédure de détection de pic d'importance 1-D pour chaque Ascan
[64]–[66]. Ces approches de bas niveau pourraient potentiellement
conduire à la découverte de restrictions non fonctionnelles et de
bords erronés. De plus, étant donné que les images OCT sont
fortement corrompues par le bruit de chatoiement, ces algorithmes
ont nécessité un prétraitement pour réduire l'effet du bruit. La
procédure de débruitage, cependant, affecte la netteté des bords, ce
qui réduit par la suite l'apparence de la segmentation. Dans [67] et
[68], un algorithme Support Vector Machine (SVM) est utilisé pour
effectuer la segmentation des couches rétiniennes. En gardant à
l'esprit l'intensité moyenne de six voisins à chaque voxel, l'approche
SVM peut gérer des images OCT bruitées. Cependant, cette approche
ne dépend pas seulement d'un utilisateur pour marquer un ensemble
de points pour la logique de formation et de segmentation, mais ne
parvient pas non plus à segmenter les couches avec précision si les
points d'entité et d'environnement ne sont pas choisis correctement.
De plus, SVM est coûteux en calcul et n'est pas capable de segmenter
toutes les couches en même temps. Garvin et al. [69] et Haeker et al.
[70], [71] modélisent le problème de segmentation comme trouvant
la coupe minimale s–t d'un graphe géométrique. La fonction de coût
est la somme d'un terme basé sur les bords et d'un ou plusieurs
termes basés sur la région. Ils ont développé une approche
séquentielle pour segmenter les couches intra rétiniennes. Tout
d'abord, les trois surfaces les plus faciles à segmenter sont trouvées
(surface supérieure de NFL et surfaces meilleures et inférieures de
OS). La position de la surface segmentée précédente est incorporée
dans la fonction de coût pour expliquer les surfaces restantes. Le
problème se pose lorsque la surface précédente est segmentée de
manière imprécise. Cela peut entraîner une segmentation erronée
des surfaces restantes. Récemment, Garvin et al. [72] ont proposé
une extension de leur algorithme. En apprenant les contraintes de
faisabilité de surface à l'aide d'un ensemble d'apprentissage, ils
peuvent segmenter les couches en deux étapes en incorporant à la
fois le bord de l'image et de véritables informations régionales dans
la fonction de coût. L'algorithme itératif résidentiel [7] pour
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
toutes les couches intra-rétiniennes, même lorsque la petite taille et
la texture similaire les rendent difficiles à distinguer visuellement. Et
aussi ce modèle a tenté de montrer que l'inclusion d'une contrainte a
priori de forme améliore l'affichage sur les régions d'intensité
hétérogénéité. Cette technique de segmentation proposée
où il existe des composants tourbillonnants (avec des directions
s'appuie sur un schéma contextuel pour stabiliser le poids des
fixes) près des bords de l'objet. Il s'agit d'une caractéristique clé
différents termes dans la fonctionnelle énergétique, ce qui
de l'ISAF par rapport au champ vectoriel traditionnel utilisé dans
semble rendre l'algorithme plus robuste lorsque les informations
la méthode ACM. Ces usinages tourbillonnaires traités comme
d'image ne sont pas suffisantes pour détecter avec précision les
des cycles limites en vue de systèmes dynamiques
couches. Cette méthode est une approche de segmentation
correspondent aux objets recherchés. Ensuite, la section
basée sur la région combinant les informations d'intensité et
Poincaré et la carte Poincaré correspondante pour l'ISAF sont
l'utilisation implicite des informations de bord, à travers le terme
définies. Ainsi, étant donné certains états initiaux du champ
de forme, pour améliorer la précision de la segmentation finale.
vectoriel, ils appartiennent naturellement aux bassins
Delu Zeng et al[8]considéré comme la tâche de l'objet
d'attraction des cycles limites correspondants. Après cela,
segmentation et réaliser d'une manière nouvelle celle soutenue
l'algorithme Newton-Raphson est utilisé pour localiser les cycles
par la méthode de la carte de Poincaré dans un champ vectoriel
limites en localisant un point sur chaque cycle limite. Au final, les

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.

Journal mondial de l'informatique et de la technologie(FRÉ)Volume XII Édition XI

Dans ce modèle développé [8], initialement le contour dans toute la zone de l'image.
un champ de flux tourbillonnant et attractif interpolé (ISAF) est pour une image observée, un champ vectoriel ISAF est proposé,
généré en étendant un flux dit tangent aux bords (ETF)
uniquement avec une valeur non nulle aux frontières à
l'ensemble du domaine d'image. C'est un champ vectoriel
statique. Différent des champs vectoriels traditionnels, les
composants de ce champ vectoriel près de la frontière ne
forment pas un coin mais sont tangents à la frontière. Ainsi, dans
le champ de vecteurs proposé, il est possible d'effectuer une
évolution le long des frontières. Ensuite, le champ vectoriel
invariant dans le temps proposé est considéré comme la fonction
vectorielle à droite d'un système dynamique autonome. En
conséquence, le problème de segmentation est traduit en
problème de localisation du cycle limite en appliquant la théorie
associée dans les systèmes dynamiques. L'ISAF est composée de
deux composantes, à savoir, l'ETF diffusé (DETF ; flux (DEPF ;
composante attractive). DETF est donné par la solution en régime
permanent. Cependant, dans DETF, le degré de tourbillon
(rotation) des lignes de courant éloignées de la frontière est trop
élevé; ainsi, les trajets sont si longs que les lignes de courant
s'éloignent de la frontière pour se déplacer vers la frontière. En
fait, il a juste besoin d'un champ d'écoulement portant les
propriétés selon lesquelles ses composants éloignés de la
frontière pointeraient directement vers la frontière et ses
composants près de la frontière sont tangents à la frontière avec
une direction fixe (dans le sens des aiguilles d'une montre ou
dans le sens inverse des aiguilles d'une montre). ETF est un flux
fin affectant autour des limites des objets avec une direction fixe.
Il a des composants avec une valeur vectorielle différente de zéro
près des limites et avec une valeur vectorielle nulle à un autre
endroit.
Observation:La segmentation d'objets est réalisée de
manière originale par la méthode des cartes de Poincaré dans le
domaine des systèmes dynamiques. Dans un premier temps,

© 2012 Global Journals Inc. (États-

 IV. Cinclusion
Les modèles de contours actifs (ACM) intégrés à divers
types de champs de force externes pour tirer les contours aux
limites exactes ont montré leurs puissantes capacités de
segmentation d'objets. Cependant, des problèmes de minimum local
existent toujours au sein de ces modèles. L'état actuel de l'art en
matière de segmentation d'images s'est principalement concentré
sur les modèles de contours actifs pour la segmentation d'images
spécifique à un domaine, plus spécifique aux images médicales. La
majorité des approches interactives ciblant principalement la
précision des résultats du processus de segmentation. Il est
clairement évident que ces modèles interactifs probabilistes en
raison du rôle des observateurs et dans la littérature récente, il est
difficile de trouver des modèles interactifs avec une utilisation
optimale des ressources et une efficacité de calcul. Par conséquent,
le champ de recherche en segmentation interactive d'images est
optimiste. D'autre part, les modèles d'analyse statistique et
numérique introduits dans la littérature récente sont plus
spécifiques aux problèmes contextuels du domaine auquel
appartiennent les images d'entrée. Par conséquent, il est évident
qu'il est possible d'effectuer des recherches qui introduisent des
approches d'apprentissage automatique et d'ingénierie des données
qui peuvent généraliser les méthodes statistiques et numériques
optimistes pour améliorer les performances de calcul et
l'utilisation minimale des ressources dans la segmentation
d'images basée sur les contours actifs.

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 ;

© 2012 Global Journals Inc. (États-

 Bovenkamp, EGP ; Dijkstra, J.; Bosch, JG; Reiber, 2.
JHC; , « User-Agent Cooperation in Multiagent IVUS
Image Segmentation », Medical Imaging, IEEE
Transactions on , vol.28, no.1, pp.94-105, janvier
2009 ; doi : 10.1109/TMI.2008.927351 ;
3. Srinivasa, G. ; Fickus, MC ; Yusong Guo; Linsted,
UN D; Kovacevic, J.; , "Active Mask Segmentation of
Fluorescence Microscope Images," Image
Processing, IEEE Transactions on , vol.18, no.8,
pp.1817-1829, Aug.2009;doi: 10.1109/
TIP.2009.2021081
4. Wenxian Yang; Jianfei Cai; Jianmin Zheng; Jiebo Luo;,
An20
"Segmentation d'image interactive conviviale
grâce à des entrées utilisateur combinatoires
unifiées", Traitement d'image, IEEE Transactions
dix on , vol.19, no.9, pp.2470-2479, sept.2010;doi :
10.1109/TIP.2010.2048611
5. Ping-Feng Chen; Krim, H.; Mendoza, OL ; ,
"Multiphase Joint Segmentation-Registration and
Object Tracking for Layered Images," Image
Processing, IEEE Transactions on , vol.19, no.7,
Journal mondial de l'informatique et de la technologie(FRÉ)Volume XII Édition XI
pp.1706-1719, July2010; doi: 10.1109/
TIP.2010.2045164
6. Figueiredo, IN ; Figueiredo, Pennsylvanie ; Stadler, G.;
Ghattas, O.; Araujo, A.; , "Segmentation d'image
variationnelle pour les foyers endoscopiques de
crypte aberrante du côlon humain", Medical Imaging,
IEEE Transactions on , vol.29, no.4, pp.998-1011, avril
2010 ; doi: 10.1109/TMI.2009.2036258
7. Yazdanpanah, A. ; Hamarneh, G.; Smith, BR; Sarunic,
MV ; , "Segmentation des couches intra-rétiniennes
à partir d'images de tomographie par cohérence
optique à l'aide d'une approche de contour actif",
Medical Imaging, IEEE Transactions on , vol.30,
no.2, pp.484-496, février 2011 ; doi: 10.1109/
TMI.2010.2087390
8. Delu Zeng; Zhiheng Zhou ; Shengli Xie; , "Image
Segmentation Based on the Poincaré Map
Method," Image Processing, IEEE Transactions on ,
vol.21, no.3, pp.946-957, March 2012; doi :
10.1109/TIP.2011.2168408
9. Nguyen, T. ; Cai, J.; Zhang, J.; Zheng, J.; ,
"Segmentation d'image interactive robuste à l'aide
d'un contour actif convexe", Traitement d'image,
IEEE Transactions on , vol.PP, no.99, pp.1; doi :
10.1109/TIP.2012.2191566
10. T. Fukuda, Y. Morimoto, S. Morishita et T.
Tokuyama, « Théorie de la communication », ACM
Transactions on Database Systems, vol. 26, non. 2,
p. 179–213, 2001.
11. M. Kass, A. Witkin et D. Terzopoulos, "Serpents,
modèle de contour actif", International Journal of
Computer Vision, pp. 321–331, 1988
12.S. Osher et J. Sethian, "Fronts se propageant avec une
vitesse dépendante de la courbure : Algorithmes basés
sur des formulations hamilton-jacobi", Journal of
Computationl Physics, pp. 12–49, 1988.
13.J. Canny, « Une approche informatique de la détection des
contours », IEEE Transactions on Pattern Analysis and
Machine Intelligence, no. 8, p. 769, 1986.
14.A. Jain, Fondamentaux du traitement d'images
numériques. Prentice Hall Information and System
Sciences Series, Prentice Hall, 1989
15.C. Brice et C. Fennema, Computer Method in Image
Analysis, ch. Analyse de scène à l'aide de régions , Los
Angeles: IEEE Computer Society, 1977
16.S. Zhu et A. Yuille, « Concurrence régionale : serpents
unificateurs, croissance de région et bayes/MDL pour la
segmentation d'images multibande », IEEE Transactions
on Pattern Analysis and Machine Intelligence, no. 9,
pages 884–200, 1996.
17. S. Zhu et A. Yuille, « Region competition and its
analyse: une théorie unifiée pour la segmentation d'image, "
Technologie. Rep. 7, Robotics Lab, Havard University,
1995.
18.K. Fu, R. Gonzales et C. Lee, Robotique :
contrôle, détection, vision et intelligence. New
York : McGraw Hill, 1987.
19.R. Gonzales et R.Woods, image numérique
Traitement. Addison-Wesley Publishing, 1ère éd.,
1993.
20.D. Young, "Modèles de contours actifs (serpents)".
http://www.cogs.susx.ac.uk/users/davidy/teachvisio
n/vision7.html, mars 1995.
21.N. Paragios, O. Mellina-Gottardo et V. Ramesh, «
Contours actifs géométriques rapides à flux vectoriel
de gradient », IEEE Transactions on Pattern Analysis
and Machine Intelligence, no. 3, p. 402–407, 2004.
22.N. Paragios, O. Mellina-Gottardo et V. Ramesh, « Contours
actifs géodésiques rapides à flux vectoriel de gradient »,
dans Proc. de la conférence internationale IEEE sur la vision
par ordinateur, 2001.
23.C. Xu et J. Prince, Manuel d'imagerie médicale : gestion du
traitement et de l'analyse, ch. Modèles déformables
d'écoulement vectoriel de gradient. Presse académique,
2000
24. C. Xu, D. Pham et J. Prince, Manuel d'imagerie
médicale : gestion du traitement et de l'analyse,
ch. Segmentation d'image à l'aide de modèles
déformables, pp. 129–174. Presse académique,
2000
25.C. Xu et J. Prince, « Forces externes de flux vectoriel de
gradient généralisé pour les contours actifs »,
Traitement du signal, no. 3, pages 131 à 139, 1998
26. C. Xu et J. Prince, "Snakes, shapes, and gradient
vector flow", IEEE Transactions on Image
Processing, no. 3, pages 359–369, 1998.
27.C. Xu et J. Prince, "Flux vectoriel de gradient : une nouvelle
force externe pour les serpents", dans Proc. de la
conférence IEEE sur la vision par ordinateur et la
reconnaissance de formes, pp. 66–71, 1997.
28.L. Vese, Méthodes des ensembles de niveaux géométriques
en imagerie, vision et graphisme, ch. Objet multiphase
© 2012 Global Journals Inc. (États-
 Détection et segmentation d'image, pp. 175–194.
New York : Springer-Verlog, 2003.
29. L. Vese et T. Chan, "Un cadre d'ensembles de niveaux
multiphases pour la segmentation d'images à l'aide du
modèle mumford et shah", International Journal of
Computer Vision, no. 3, p. 271–293, 2002.
30. T. Chan et L. Vese, "Un algorithme d'ensemble de niveaux
pour minimiser la fonction mumford-shah dans le
traitement d'image", dans Proc. of IEEE Workshop on
Variational, Geometric and Level Set Methods in
Computer Vision, pp. 161–168, 2001.
31. L. Vese et T. Chan, "Un cadre d'ensembles de niveaux
multiphases pour la segmentation d'images à l'aide
du modèle mumford et shah", Tech. Rep. 0125,
Computational Applied Math Group, UCLA, 2001.
32.T. Chan et L. Vese, "Un algorithme d'ensemble de niveaux
pour minimiser la fonction mumford-shah dans le
traitement d'image", Tech. Rep. 0013, Computational
Applied Math Group, UCLA, 2000.
33.N. Paragios et R. Deriche, « Régions actives géodésiques :
un nouveau cadre pour traiter les problèmes de partition
de trame en vision par ordinateur », Journal of Visual
Communication and Image Representation, pp. 249–268,
2002.
34. N. Paragios, Régions actives géodésiques et méthodes des
ensembles de niveaux : contributions et applications en vision
artificielle. Thèse de doctorat, Département de génie électrique
et informatique, INRIA, 2000
35. N. Paragios et R. Deriche, « Unification des informations basées
sur les frontières et les régions pour le suivi actif géodésique »,
dans Proc. de la conférence IEEE sur la vision par ordinateur et
la reconnaissance de formes, pp. 300–305, 1999
36. N. Paragios et R. Deriche, « Régions actives géodésiques couplées
pour la segmentation d'images : une approche par ensembles
de niveaux », dans Proc. de la conférence européenne sur la
vision par ordinateur, 2000.
37.N. Paragios et R. Deriche, « Régions actives géodésiques
couplées pour la segmentation d'images », Tech. Rép.
3783, INRIA, 1999
38.N. Paragios, "Une approche variationnelle pour la
segmentation du ventricule gauche dans l'analyse
d'images cardiaques", International Journal of Computer
Vision, no. 3, p. 345–362, 2002
39. N. Paragios, "Une approche variationnelle pour la segmentation
du ventricule gauche dans les images cardiaques mr", dans
Proc. de l'atelier IEEE sur les méthodes variationnelles,
géométriques et d'ensembles de niveaux en vision par
ordinateur, 2001.
40. S. Jehan-Besson, M. Barlaud et G. Aubert, « Shape
gradients for histogram segmentation using active
contours », in Proc. de la conférence internationale
IEEE sur la vision par ordinateur, 2003.
41.S. Jehan-Besson, M. Barlaud et G. Aubert, « Contours
actifs régionaux utilisant des caractéristiques
géométriques et statistiques pour la segmentation
d'images », dans Proc. de la Conférence internationale
IEEE sur le traitement d'image, pp. 643–646, 2003.
© 2012 Global Journals Inc. (États-
3
42.S. Osher et J. Sethian, « Fronts se propageant avec une vitesse 1,
dépendante de la courbure : algorithmes basés sur les
1
formulations de Hamilton-Jacobi », J. Comput. Physique, vol.
9
79, p. 12–49, 1988
9
43.L. Grady, "Marches aléatoires pour la segmentation 3
d'images", IEEE Trans. PAMI, vol. 28, non. 11, pp. 1768–
1783, novembre 2006
44. A. Kim et H. Krim, « Modélisation stochastique
hiérarchique de l'imagerie sar pour la
segmentation/compression », IEEE Trans. Signal
Process., vol. 47, non. 2, p. 458–468, février 1999.
45.M. Irani, P. Anandan et S. Hsu, « Représentations
basées sur la mosaïque de séquences vidéo et leurs
applications », dans Proc. IEEE Int. Conf. Vision par
ordinateur, 1995, p. 605
46. LMG Fonseca, D. Fedorov, BS Manjunath, C. Kenney,
E. Castejon et JS de Medeiros, « Système
d'enregistrement automatique et de mosaïquage
pour l'imagerie de télédétection », Revista Brasileira
de Cartografia, vol. 58, p. 49–61, 2006.
47.DL Hall, Techniques mathématiques de fusion de données
multicapteurs. Norwood, MA : Maison Artech, 1992
48. LA Klein, Concepts et applications de capteur et de fusion de
données. Bellingham, Washington : SPIE, 1993
49.D. Hall et J. Llinas, « Une introduction à la fusion de données
multicapteurs », Proc. IEEE, vol. 85, non. 1, p. 6–23, janvier
1997.
50. B. Zitova et J. Flusser, "Méthodes d'enregistrement
d'image : Asurvey", Image Vis. Comput., vol. 21, non.
11, p. 977–1000, 2003.
51.Y. He, A. Hamza et H. Krim, "Une mesure de divergence
généralisée pour un enregistrement d'image robuste",
IEEE Trans. Signal Process., vol. 51, non. 5, pages
1211-1220, mai 2003
52. Q. Zheng et R. Chellappa, « Une approche de vision
computationnelle pour l'enregistrement d'images », IEEE Trans.
Processus d'image., vol. 2, non. 3, pp. 311–326, juillet 1993
53. C. Shekhar, V. Govindu et R. Chellappa, Multisensor
Image Registration by Feature Consensus 1996.
54.R. Kumar, H. Sawhney, J. Asmuth, A. Pope et S. Hsu,
« Enregistrement de la vidéo sur des images
géoréférencées », dans Proc. 14e Conf. Pattern
Recognition, août 1998, vol. 2, p. 1393–1400.
55. S. Jwa, U. Ozguner et Z. Tang, « Enregistrement des données
théoriques de l'information pour la détection basée sur les
drones », IEEE Trans. Intel, Transp. Syst, vol. 9, non. 1, pages 5 à
15, mars 2008.
56.R. Kumar, S. Samarasekera, S. Hsu et K. Hanna, «
Enregistrement de vidéos aériennes très obliques et
zoomées pour référencer l'imagerie », dans Proc. 15e Int.
Conf. Reconnaissance de formes, 2000, vol. 4, p. 303–
307.
57. V. Caselles, F. Catté, T. Coll et F. Dibos, « Un
modèle géométrique de contour actif en
traitement d'image » Numer, Math., vol. 66, p. 1–
 11

© 2012 Global Journals Inc. (États-

Journal mondial de l'informatique et de la technologie(FRÉ)Volume XII Édition XI An20
 58. TF Chan et LA Vese, « Contours actifs sans bords
», IEEE Trans. Processus d'image., vol. 10, non. 2, 70.M. Haeker, M. Sonka, R. Kardon, VA Shah, X. Wu et MD
Abramoff, "Segmentation automatisée des couches
p. 266–277, février 2001
intrarétiniennes à partir d'images de tomographie
59.D. Mumford et J. Shah, « Approximations optimales par
par cohérence optique maculaire", dans Progress in
fonctions lisses par morceaux et problèmes variationnels
Biomedical Optics and Imaging - Actes de SPIE , vol.
associés », Comm. Application pure. Mathématiques, vol.
6512, 2007, p. 651214.
42, non. 5, pages 577 à 685, 1989.
71.M. Haeker, M. Abrmoff, R. Kardon et M. Sonka,
60.S. Osher et R. Fedkiw, Level Set Methods and
Dynamic Implicit Surfaces, New York : Springer- « Segmentation des surfaces de la couche rétinienne
à partir d'images OCT », dans Medical Image
Verlag, 2003, vol. 153, Sciences mathématiques
Computing and Computer-Assisted Intervention
appliquées.
(MICCAI), 2006, pp. 800–807.
61.S. Osher et JA Sethian, "Fronts se propageant avec une vitesse
An20

72. M. Garvin, M. Abramoff, X. Wu, S. Russell, T. Burns et M. Sonka,

dépendante de la courbure : algorithmes basés sur des
"Segmentation automatisée de la couche intrarétinienne 3D des
formulations Hamilton-Jacobi", J. Comput. Physique, vol. 79,
images de tomographie par cohérence optique dans le domaine
non. 1, p. 12–49, 1988
spectral maculaire", IEEE Trans. Méd. Image, vol. 28, non. 9,
1 62.JA Sethian, Level Set Methods and Fast Marching
pages 1436-1447, 2009.
Methods, 2e éd. Cambridge, Royaume-Uni : Cambridge
Univ. presse, 1999, vol. 3, Cambridge Monographs on
Applied and Computational Mathematics.
63.DC Fern'andez, HM Salinas et CA Puliafito, "Détection
automatisée des structures de la couche rétinienne sur
Journal mondial de l'informatique et de la technologie(FRÉ)Volume XII Édition XI

les images de tomographie par cohérence optique", Opt.

Express, vol. 13, non. 25, p. 10 200–10 216, 2005.
64.DC Fern'andez, "Délimitation des limites de la région remplie
de fluide dans les images de tomographie par cohérence
optique de la rétine", IEEE Trans. Méd. Image, vol.
24, non. 8, pages 939 à 945, 2005.
65. AM Bagci, M. Shahidi, R. Ansari, M. Blair, NP Blair et
R. Zelkha, "Profils d'épaisseur des couches
rétiniennes par segmentation d'images de
tomographie par cohérence optique",
AmericanJournalof Ophthalmology, vol. 146, non.
5, pages 679 à 687, 2008.
66.D. Koozekanani, K. Boyer et C. Roberts, "Mesures
d'épaisseur rétinienne à partir de la tomographie par
cohérence optique à l'aide d'un modèle de limite de
Markov", IEEE Trans. Méd. Image, vol. 20, non. 9, p. 900–
916, 2001.
67. RJ Zawadzki, AR Fuller, DF Wiley, B. Hamann,
SS Choi et JS Werner, "Adaptation d'un algorithme de machine à
vecteurs de support pour la segmentation et la visualisation des
structures rétiniennes dans des ensembles de données de
tomographie à cohérence optique volumétrique", Journal of
Biomedical Optics, vol. 12, non. 4, pages 041 206, 1– 8, 2007.

68. AR Fuller, RJ Zawadzki, S. Choi, DF Wiley, J.

S. Werner et B. Hamann, «Segmentation des
données d'image rétinienne tridimensionnelle»,
Visualisation et infographie, IEEE Transactions on, vol.
13, non. 6, p. 1719–1726, 2007.
69.M. Garvin, M. Abramoff, R. Kardon, S. Russell, X. Wu et M.
Sonka, "Segmentation de la couche intrarétinienne d'images
de tomographie par cohérence optique maculaire à l'aide
d'une recherche de graphe 3D optimale", Imagerie
médicale, IEEE Transactions sur, vol. 27, non. 10, p. 1495–
1505, 2008.

© 2012 Global Journals Inc. (États-