EXTRACTION DES PRIMITIVES

CARACTERISTIQUES
Réalisé par Mme S. BOUKERRAM
2 INTRODUCTION

 Les indices visuels (primitives) sont des objets extraits de l'image qui contiennent
de manière concise une information importante, pour son analyse.
 En général, ces indices sont soit
 des contours, soit des régions de l'image.
 contours et régions sont complémentaires car on définit qualitativement les
régions comme les zones de l'image homogènes, au sens d'un certain critère,
tandis que les contours sont les zones de transitions entre des régions
homogènes.
 La détection des contours n’est pas suffisante pour exécuter les traitements de
haut niveau. Il est nécessaire d’extraire de ces contours, des primitives
géométriques qui pourront être facilement encodées et interprétables dans la
suite du traitement

S. Boukerram
 EXTRACTION des CARACTERITIQUES
3

But: décrire la forme bidimensionnelle au moyen d’un ensemble de paramètres

adéquats (attributs )
Large variété de représentations suivant les caractéristiques utilisée
Caractéristiques globales:
– Surface, périmètre, largeur, hauteur
– Elongation, circularité
– Moments statistiques
Caractéristiques locales:
– Coins ou sommets (nombre, positions relatives ou absolues, angles, …)
– Segments (nombre, positions relatives ou absolues, longueur, …)

S. Boukerram
4 PROPRIETES DES PRIMITIVES
Les propriétés requises par les indices visuels dépendent de l'application et sont en
général un sous-ensemble de la liste ci-dessous:
 Compactes : la représentation de l'image doit être aussi concise que possible pour
réduire la complexité des algorithmes ultérieurs.
 Intrinsèques : les indices visuels doivent correspondre à la projection dans l'image
d'objets physiques; en particulier, ils doivent être invariants par changement de point
de vue.
 Robustes : la représentation doit être peu sensible aux petites variations d'intensité
dans l'image, provoquées par des bruits divers tels que ceux liés à l'acquisition, la
digitalisation, etc…
 Discriminantes : les indices visuels doivent posséder des propriétés qui permettent de
les discriminer, afin de faciliter la mise en correspondance entre deux descriptions
(pour la reconstruction tridimensionnelle ou pour l'appariement avec un modèle).
 Précises : la position des indices visuels doit pouvoir se calculer avec précision car la
qualité de la localisation des objets physiques en dépend.
 Denses : la densité des indices visuels doit être suffisante pour représenter tous les
objets intéressants de la scène.

S. Boukerram
5 EXTRACTION des CARACTERITIQUES
 Les caractéristiques peuvent être extraites sur:
- la forme elle-même
- le squelette
- le contours
 Les points caractéristiques se définissent, en général, à partir des contours. Ils
comprennent les extrémités de lignes et les points de forte courbure.
 Ces points sont exploités pour la fermeture de contours et l'élaboration de
contours virtuels. Ils constituent aussi des points de focalisation de l'attention en
interprétation d'images.

S. Boukerram
6 CARACTERISTIQUES
On peut classer ces traits :
 Caractéristiques topologiques : nombre de trous dans la composante connexe
déterminée.
 Caractéristiques fonctionnelles : l’image est décrite par des développements
analytiques tels que les Transformations Orthogonales (cosinus, sinus .. ), Moments
polaires et rectangulaires.
 Caractéristiques géométriques :
 Coordonnées des points de l’objet : surface, périmètre,
 Paramètres de position : barycentre, centre de gravité du contour
 Paramètres d’orientation : direction des axes d’inertie, direction des
diagonales
 Facteur de compacité/Rapport de finesse/ Irrégularité

S. Boukerram
7

 Caractéristiques relationnelles : Paramètres invariants aux translations et aux rotations.

 Squelette : c’est la structure de représentation la plus simple possible permettant de décrire des
propriétés géométriques et/ou topologiques de la forme.
 Texture : c’est la répétition régulière d’un motif de base dans différentes directions dans une région,
ou bien tous les espaces homogènes et anarchiques dans l’espace tels que montagnes,
ondulations…

 Caractéristiques structurelles : un motif caractéristique de l’objet : intersections, coins, segments,

chapeaux…

S. Boukerram
8 METHODES D’EXTRACTION

Méthodes basées sur la détection de Contours/Regions

Méthodes basées sur la squelettisation

Méthodes basées sur la Transformée de HOUGH

Méthodes basées sur la décomposition en plages

Méthodes basées sur des Masques de Formes

Chacune de ces catégories de méthodes

permet d’obtenir une représentation
particulière de l’image.
S. Boukerram
9 SQUELETTISATION
 A partir d’un squelette d’une forme, il est possible d’obtenir une représentation de
celle-ci sémantiquement plus pertinente.
 Il existe plusieurs méthodes exemple

 Par amincissement Transformé de distance

S. Boukerram
10 SQUELETTES

S. Boukerram
11
CONCLUSION
Représentation Squelettes.
Squelettisation
Résultat : Graphe Avantages - Bonne approximation des axes
médians.
- Invariantes au changement
d’orientation

Inconvénients - Problème des distorsions de

jonctions : rend la construction du
graphe de squelette complexe et
ambiguë.

-Peu adaptées aux formes pleines.

-Sensibles au bruit.

S. Boukerram
12 POINTS D’INTERETS

Les points d’intérêt sont définis comme étant des points qui possèdent des caractéristiques qui
permettent de les distinguer des autres points de l’image comme par exemple un point à fort contraste,
les coins.

S. Boukerram
13

Il existe 2 classes de méthodes:

• Des méthodes exploitent les images de contours,

elles consistent à parcourir un contour et à
détecter les variations de directions du contour.
Quand celles-ci sont supérieures à un certain
seuil, l’algorithme détecte un angle

• Les autres travaillent directement sur l’image

intensité (détecteur de Harris)

Un contour est approximé par une ligne polygonale, c'est-à-

dire un ensemble de segments de droite jointifs.
Un coin est la jonction entre deux segments successifs.
S. Boukerram
14 Extraction des points d’intérêts

L’IDEE
considérer le voisinage d’un pixel (une fenêtre) et de déterminer les
changements moyens de l’intensité dans ce voisinage

1. si la région considérée à une intensité approximativement

constante, tout déplacement produira un petit changement

2. Si la région considérée passe un contour, un déplacement le long

du contour produira un petit changement mais un déplacement
perpendiculairement au contour produira un grand changement

3. si la région considéré est un coin, un déplacement dans n'importe

quel sens produira un fort changement

S. Boukerram
15 Méthodes

 Un certain nombre d'opérateurs ont été proposés dans la littérature :

 simples : Moravec, Harris,
 complexes :
 SUSAN « Smallest Univalue Segment Assimilating Nucleus »,
 SIFT « Scale Invariant Feature Detector » de D.Lowe et SURF « Speeded Up Robust Feature
Detector ».

S. Boukerram
16 Exemples : Détection de coins

S. Boukerram
17 Extraction des formes Structurelles

 une modélisation des contours :

 sous forme de segments de droites : Approximation polygonale,
 sous forme plus globale : de droites, de cercles, d'ellipses, par exemple en
utilisant la Transformée de Hough.
La transformées de Hough est un outil très utilisé et parmi les plus efficaces,
pour détecter dans une image certaines formes dites élémentaires

S. Boukerram
18 La méthode de Hough : principe
 pour tous les couples de points, on cherche la
droite (a,b) qui passe par ces points
 Y1 = aX1 + b
 Y2 = aX2+b
 On compte le nombre de couples (a,b)
obtenus
 On conserve les maximaux

 Projection de points (x,y) dans l’espace de paramètres (a,b)

 Tous les points appartenant à la même droite forment un
nuage de points
 L’extraction de la droite revient à trouver ce nuage

S. Boukerram
19 Principe de la transformée de Hough:

 Extraire des objets paramétriques simples en se projetant dans l’espace

des paramètres de l’objet
 La primitive dépend de plusieurs paramètre :

S. Boukerram
20

S. Boukerram
21

S. Boukerram
22 Détection de cercles

Etapes pour la détection de cercles à l’aide de la Transformée de Hough,

- une détection de contours
- filtrage de Sobel en prétraitements
-projection dans l’espace de Hough + seuillage, et enfin
- détection des cercles
S. Boukerram
23

S. Boukerram
24

S. Boukerram
25

S. Boukerram
26
CONCLUSION
TRANSFORMEE de HOUGH Représentation Squelette/Contour

Résultat Avantages - Extraction de primitives

graphiques de type vecteurs
Vecteur de caractéristiques (haut niveau).
structurelles: - bonne détection des
Segment, cercle, ellipse, jonctions.
- Robustes au bruit
Jonction……
Inconvénients - Complexité en temps de
calcul.
- Complexité en espace
mémoire

S. Boukerram
 27 Méthodes basées sur la décomposition en
plages

Décomposer la forme en plages (ou bandes) de pixels

IDEE: verticales et/ou horizontales.

Chaque ligne (ou colonne) de l’image est parcourue afin de

détecter des séquences maximales de pixels "forme".

Le but est alors pour chaque détection de plage d’étudier

leurs relations d’adjacence et de les identifier ensuite en tant
que plage "extrémité", plage "ligne", ou plage "jonction« .
-

Construire différents types de graphes

S. Boukerram
28

 Dans le LAG chaque nœud représente une

plage et chaque arc les relations d’adjacence.
 Dans le VSG les nœuds sont uniquement les
plages extrémités et jonctions, et les arcs
représentent les plages lignes.
 Dans le MRG enfin un ensemble de règles est
mis en œuvre pour fusionner des plages
verticales et horizontales et fournir ainsi un
autre graphe dont les nœuds sont également
les jonctions et les extrémités

S. Boukerram
29 CONCLUSION

Représentation Squelette/Contour
Méthode
Graphe
Décomposition en plages
Résultat Avantages Bonne détection des jonctions et des
Graphe/arbre lignes.
Représentation topologiquement riche.
Faible complexité.

Inconvénients Très sensibles aux changements

d’orientation.
Sensibles aux bruits impulsionnels
parsèment la forme de pixels de fond.

S. Boukerram
30 UTILISATION DE MASQUES

 Masques partiels des lettres I, O, Q

 Droites aléatoires

On obtient un Vecteur représentatif de la forme

S. Boukerram
TEXTURE
32 TEXTURE

 la texture est la perception du résultat du tissage correspondant à la

manière dont les fils ont été entrecroisés. Ici, la texture représente l’aspect
structuré de l’étoffe qui est créé par un maillage particulier.
 La texture est une caractéristique propre de l’objet ; elle nous permet de le
décrire partiellement.
 l’information texture devient primordiale lorsqu’on veut faire la distinction
entre deux zones d’une image de même couleur (ou bien de même
niveau de gris)

S. Boukerram
33

Texture Structurée Texture Aléatoire

• La texture est la répartition spatiale de motifs
élémentaires de base dans différentes directions de
l’espace suivant une certaine règle de placement
• méthodes d’analyse dites structurelles
• aspect anarchique tout en restant globalement
homogènes.
• On ne peut pas en extraire de motifs de base se
répétant spatialement
• l’image texturée I (.) est considérée comme étant
un processus aléatoire bidimensionnel.
• Méthodes statistiques

La texture est une propriété inhérente aux surfaces ou aux régions d’image.
Elle décrit la distribution et les relations entre pixels appartenant à ces régions
S. Boukerram
34 Problèmes
 Pas de modèle mathématique général pour décrire les configurations d’un
voisinage.
 Il n’existe pas de distance entre deux textures différentes.
 Les propriétés d’une texture sont très liées à l’échelle de l’image

Approches principales pour quantifier les textures

• Statistiques calculées sur tous les pixels du voisinage.
• Matrices des co-occurrences et indices d’Haralick.
• Modélisation
S. Boukerram
paramétrique, par exemple les Filtres de Gabor
35 Matrice des co-occurrences (ou GLCM
: Grey Level Co-occurrence Matrix)
 Une matrice de cooccurrence mesure la probabilité d’apparition des paires
de valeurs de pixels situés à une certaine distance dans l’image. Elle est
basée sur le calcul de la probabilité P(i, j,d ,q ) qui représente le nombre de
fois où un pixel de niveau de couleur i apparaît à une distance relative d
d’un pixel de niveau de couleur j et selon une orientation q donnée.

S. Boukerram
36 Matrice des co-occurrences
Principe
On choisit un ensemble de configurations spatiales
définissant les positions relativ es des deux pixels d’une
paire (ex : en dessus, au dessous, etc.)
Pour chaque configuration et dans toute l’image, on
compte le nombre de fois que les niv eaux de gris de la
paire de pixels prennent des v aleurs prédéterminées.

Calcul

dx et dy sont les G est le nombre de La matrice des co-

Tx et Ty sont les dimensions
décalages entre les niv eaux de gris, occurrences, de
de l’image ou de la
coordonnées des pixels dimension G xG est
région analysée. 0 <= g <= G-1.
dans une configuration. donnée par

S. Boukerram
37 EXEMPLES

S. Boukerram
38 Exemple
Cas traité dans l’exemple
 8 niveaux de gris, codés entre 0 et 7 (3 bits)
 Configuration dx = 2 et dy = 1
 Image de taille 6 x 6

S. Boukerram
39 Attributs d’Haralick

 Objectif : simplifier la représentation des matrices de co-occurrences.

 Exemples d’attributs
 (u; v) désignent les coordonnées d’un élément de la matrice de co-
occurrences.
 M(u; v) désigne l’élément de la matrice (normalisé par le nombre
totald’occurrences)

S. Boukerram
 Energie Homogéniété Il atteint de fortes valeurs
𝑓1 = 𝑀2 𝑢, 𝑣 lorsque la distribution des
40 𝑢,𝑣 niveaux de gris est
constante ou de forme
périodique

Entropie f2= Désordre l’entropie atteint de

− 𝑢,𝑣 𝑙𝑜𝑔2 𝑀 𝑢, 𝑣 (𝑀(𝑢, 𝑣) fortes valeurs lorsque la
texture est complètement
aléatoire

Homogénéité 𝑓3 = 1
𝑢,𝑣 1+(𝑢−𝑣)2 M(u,v)
Homogénéité Indique lsi les NG sont
similaires ou non
(Similarités locales)

Contraste mesure les La valeur est élevée

𝑓3 = (𝑢 − 𝑣)2 M(u,v) quand la texture présente
variations
𝑢 𝑣,
locales des un fort contraste.
niveaux de gris

Remarque : Corrélation, la variance, le moment inverse

S. Boukerram
41

S. Boukerram
 0 Mesure 1
Image Contraste Intensité
42 constante aléatoire
Image aléatoire Energie Image
constante

Tous les Entropie Tous les

éléments de la éléments de la
matrices sont matrices sont
différents égaux
Distribution Homogénéité La distribution
uniforme est au niveau de
la diagonale
donc la forme
est homogène

S. Boukerram
43 Exemple

S. Boukerram
44

 Des algorithmes d'analyse de texture sont appliqués à une image en utilisant une
série de fenêtres de taille w, chacune centrée sur un pixel (i,j)
 la valeur de la mesure statistique résultante est affectée à la position (i,j) (au
nouveau pixel)

- Décomposer l’image en Le résultats : 4 Images

fenêtres (5x5 par exemple)
- Pour chaque fenêtre
calculer les matrices de
co-ocurrences et
- Extraires les 4 paramètres
statistiques
- Image Energie
- Image entropie
- Image Contraste
- Image Homogénéité

S. Boukerram
45

S. Boukerram
46

S. Boukerram
49 Conclusion

 La texture est un concept facile à reconnaitre, mais difficile à définir. Il

n’existe pas de définition complètement satisfaisante.
 Il n’existe pas une méthode d’analyse type, qui discrimine tous les genres
de textures

S. Boukerram
CONCLUSION
51
Conclusion

La représentation de la forme après extraction des primitives

- vecteur,
- Graphe
- arbre
 Représentation de ces informations : classification

seg Vert Seg H Seg Obl extrémités .......

0 1 1 2

S. Boukerram
53

Rôle du classifieur : le système doit Les différentes approches

être capable de déterminer si le
 Approche structurelle
vecteur :
– Arbre ou graphe de décision
 appartient à une classe
– Critère de distance
 n’est pas parfaitement conforme
 Approche syntaxique
 est à la frontière d’une classe
– Utilisation d’une « grammaire »
 n’appartient pas à des classes
connues  Approche statistique
 appartient à plusieurs classes – Les plus utilisées de nos jours
 impossible à traiter – Basée sur la règle de Bayes

S. Boukerram
54 objectif

classifier et identifier une forme

La question est

comment reconstruire l’objet 3D??

S. Boukerram