ECOLE NATIONALE des

SCIENCES APPLIQEES de
TETOUAN

Cours de Traitement d’images

Prof. Abdellatif Medouri

amedouri@gmail.com
 Segmentation et détection de contour

Introduction :
• Plusieurs applications d’images nécessitent des informations
particulière sur leurs contenues. Donc des traitements
préliminaires s’imposent.
• Ces traitements ont pour but d’extraire l’information utile et
pertinente contenue dans l’image en regard de ces applications.
• Il s’agit des traitements sur des données de nature numérique qui
doivent simplifier l’image sans trop la dégrader.
• Le résultat d’un tel traitement donne une description structurelle
de l’image sans qu’il y ait de lien avec le contexte de la scène
réelle.
• Le principal outil utilisé est la segmentation d’image.
2
 Segmentation et détection de contour

Introduction : La segmentation
q La segmentation est un traitement qui consiste à créer une
partition de l’image I en un sous- ensemble Ri appelés régions
tels que :
q ∀ i, Ri ≠ ∅
q ∀i,j (i≠j), Ri ∩Rj =∅
q I = ⋃' 𝑅𝑖
q Les régions doivent correspondre à des objets ou des parties
d’objets de la scène réelle.
q Deux approches duales :
q L’approche contour (ou frontière)
q L’approche région

3
 Segmentation et détection de contour

Introduction : La segmentation
q Exemple

Contour associés
aux différentes
régions

4
 Segmentation et détection de contour

L’approche contour
Définition

q Un contour correspond à une variation d’intensité ou à une

discontinuité entre les propriétés de deux ensembles de points.
q Les méthodes de détection de contours ne conduisent pas
directement à une segmentation de l’image car les contours sont
rarement connexes.
q Il faut souvent procéder à une étape de fermeture de contours.

5
 Segmentation et détection de contour

L’approche contour
Les différentes étapes de la détection de contours

q Filtrage
q Calcul du module et de la direction du gradient
q Extraction des maximums locaux ou des passages par zéro.
q Seuillage simple ou seuillage par hystérésis
q Fermeture de contours et élimination du bruit
q Suivi et localisation des contours

6
 Segmentation et détection de contour

L’approche contour
Filtrage

q Les contours représentent des hautes fréquences de l’image.

q Un filtrage passe-haut est donc utilisé
q L’opérateur de dérivation permet ce filtrage
q Deux approches :
q Estimation de le dérivée première
q Estimation de la dérivée seconde

7
 Segmentation et détection de contour

L’approche contour
Lissage des approximations de la dérivée première

8
 Segmentation et détection de contour

L’approche contour
Autres directions

Autres filtres
- Filtre de Asfar : les coefficients sont déterminées en fonction de
la taille du filtre.
- Filtre de Rosenfeld : les coefficients sont déterminées en
fonction de la taille du filtre et du contenu de l’image (adaptatif).

9
 Segmentation et détection de contour

L’approche contour
Module et direction du gradient
Cas d’une image binaire

10
 Segmentation et détection de contour

L’approche contour
Exemple

11
 Segmentation et détection de contour

L’approche contour
Le gradient détecte les transitions dans une direction donnée

Le signe du gradient donne le sens de la transition

12
 Segmentation et détection de contour

L’approche contour
Module du gradient et seuillage (Seuil = 0)

13
 Segmentation et détection de contour

L’approche contour
Cas d’une image à niveau de gris

14
 Segmentation et détection de contour

L’approche contour
Exemple (transition brute)

15
 Segmentation et détection de contour

L’approche contour
Exemple (transition douce)

16
 Segmentation et détection de contour

L’approche contour
Extraction de maximums locaux

17
 Segmentation et détection de contour

L’approche contour
Seuillage par hystérésis

18
 Segmentation et détection de contour

L’approche contour
Critère de détection (Canny)
q Détection : le filtre doit répondre fortement sur les zones de
transition et être robuste au bruit.
q Localisation : le filtre doit détecter la position du point de
contour aussi précisément que possible (techniques subpixel).
q Unicité : le filtre doit donner une réponse unique au voisinage
d’un contour unique.
q La maximisation de ces critères conduit à une équation
différentielle dont la solution est le filtre qui permet la détection
du contour.

19
 Segmentation et détection de contour

L’approche contour
q Filtre de Canny
q Filtre de Deriche
q Filtre de Shen-Castan
q Remarque :
q Plus la taille du filtre est importante, moins le gradient est
sensible au bruit.
q Plus la taille du filtre est importante, plus le temps de calcul
est élevé (méthode des petits noyaux) et moins bonne est la
détection.
q Les outils de vision industrielle utilisent la méthode basée
sur le gradient directionnel.

20
 Segmentation et détection de contour

L’approche contour
Suivi (poursuite) de contours
q Connaître le chaînage des points de contours
q Permet de repérer une région dans l’image

21
 Segmentation et détection de contour

L’approche contour
Fermeture de contours
q Recherche du meilleur chemin entre deux extrémités
q Recherche du meilleur chemin à partir d’une extrémité et des
maximums locaux du module du gradient

22
 Segmentation et détection de contour

L’approche région

q Définition
q La classification de pixels
q La fusion / séparation
q La croissance de régions (agrégation de pixels)

23
 Segmentation et détection de contour

L’approche région

q Définition
q Une région est un ensemble de pixels connexes ayant des
propriétés communes qui les différencient de celles des autres
régions.
q Les méthodes segmentation en régions se divisent
principalement en deux familles :
q Les méthodes qui ne tiennent pas compte de la disposition
spatiale des pixels, comme la classification de pixels.
q Les méthodes qui tiennent compte de la disposition
spatiale des pixels, comme la croissance de région ou la
fusion/séparation.

24
 Segmentation et détection de contour

L’approche région

q La classification de pixels
q Utilisation de l’histogramme pour déterminer un ou plusieurs
seuils (manuellement ou automatiquement).
q Seuillage afin d’extraire des pixels ayant des niveaux de gris
proches
q Opérateurs morphologiques pour reconstruire les régions
q Étiquetage en composante connexe pour identifier les
différentes régions
q Les outils de vision industrielle utilisent la méthode basée sur
la classification de pixels

25
 Segmentation et détection de contour

L’approche région

q Principe de la morphologie binaire

26
 Segmentation et détection de contour

L’approche région

q Erosion
q Cette opération correspond à l’opérateur d’inclusion ou
l’opérateur mathématique min
q Elle permet d’éroder les formes, c’est à dire diminuer leur
taille. Les éléments de petites tailles disparaissent

27
 Segmentation et détection de contour

L’approche région
q Dilatation
q Cette opération correspond à l’opérateur d’intersection ou
l’opérateur mathématique max
q Elle permet de dilater les formes, c’est à dire augmenter leur
taille. Les « trous » de petites tailles disparaissent

28
 Segmentation et détection de contour

L’approche région
q Ouverture
q C’est une érosion suivi d’une dilatation
q Cette opération permet de supprimer les éléments de petites
tailles comme le bruit tout en conservant la taille des formes.

29
 Segmentation et détection de contour

L’approche région
q Fermeture
q C’est une dilatation suivi d’une érosion
q Cette opération permet de supprimer les « trous » de petites
tailles tout en conservant la taille des formes.

30
 Segmentation et détection de contour

L’approche région
q Exemple

31
 Segmentation et détection de contour

L’approche région
q Seuillage (S = 11)

32
 Segmentation et détection de contour

L’approche région
q Seuillage (S = 6)

33
 Segmentation et détection de contour

L’approche région
q Inversion

34
 Segmentation et détection de contour

L’approche région
q Fermeture

35
 Segmentation et détection de contour

L’approche région
q Ouverture

36
 Segmentation et détection de contour

L’approche région
q Reconstruction

37
 Segmentation et détection de contour

L’approche région
q Analyse et étiquetage en composantes connexes

38
 Segmentation et détection de contour

L’approche région
q Analyse et étiquetage en composantes connexes

39
 Segmentation et détection de contour

L’approche région
q La fusion / séparation
q Séparation (arbre quaternaire (quadtree)) :
q L’image est divisée en 4 si les caractéristiques des pixels
sont différentes
q L’opération est réitérée sur les zones divisées
q Séparation et fusion (split and merge)
q A la fin de l’étape de division, les région voisines ayant des
caractéristiques communes sont fusionnées

40
 Segmentation et détection de contour

L’approche région
q Exemple
q Critère de séparation:
q Etendue, e=max - min
q Séparation si e > S
q Critère de fusion :
q e=max - min
q Fusion si e ≤ S

41
 Segmentation et détection de contour

L’approche région
q Séparation

42
 Segmentation et détection de contour

L’approche région
q Séparation

43
 Segmentation et détection de contour

L’approche région
q La croissance de régions
q Le premier pixel sélectionné est un germe
q On ajoute à la région correspondante les pixels voisins ayant
des caractéristiques communes et qui n’appartiennent pas à
une autre région
q L’opération est réitérée sur les pixels ajoutés à la région
q Si aucun pixel n’est ajouté, un nouveau germe est déterminé

44
 Segmentation et détection de contour

L’approche région
q Exemple
q Critère de séparation:
q Etendue, e=max - min
q Fusion si e ≤ S
q Paramètres:
q Point(s) de départ : germe
q Sens de parcours de l’image
q Connexité du voisinage
q Ordre d’analyse du voisinage

45
 Segmentation et détection de contour

L’approche région
q Fusion
q Germe : en haut à gauche, S=3
q Sens de parcours de l’image : de gauche à droite et de haut en bas
q Ordre d’analyse des voisins : droite, bas, gauche et haut (voisinage 4)

46
 Segmentation et détection de contour

L’approche région
q Fusion
q Germe : en haut à gauche, S=3
q Sens de parcours de l’image : de gauche à droite et de haut en bas
q Ordre d’analyse des voisins : droite, bas, gauche et haut (voisinage 4)

47
 Segmentation et détection de contour

L’approche région
q Fusion
q Germe : en haut à gauche, S=3
q Sens de parcours de l’image : de gauche à droite et de haut en bas
q Ordre d’analyse des voisins : droite, bas, gauche et haut (voisinage 4)

48
 Segmentation et détection de contour

L’approche région
q Autre paramétrage
q Germe : en haut à gauche, S=3
q Sens de parcours de l’image : de haut en bas et de gauche à droite
q Ordre d’analyse des voisins : bas, gauche, haut et droite (voisinage 4)

49
 Segmentation et détection de contour

L’approche région
q Autre paramétrage
q Germe : en haut à gauche, S=3
q Sens de parcours de l’image : de haut en bas et de gauche à droite
q Ordre d’analyse des voisins : bas, gauche, haut et droite (voisinage 4)

50
 Segmentation et détection de contour

L’approche région
q Autre paramétrage
q Germe : en haut à gauche, S=3
q Sens de parcours de l’image : de haut en bas et de gauche à droite
q Ordre d’analyse des voisins : bas, gauche, haut et droite (voisinage 4)

51