Extraction de Motifs de Zellige Arabo-Moresque par une nouvelle Mthode de Segmentation Non-Supervise dImages Couleurs

A. LACHKAR1 R. BENSLIMANE1 M. DAOUDI2 L.T.T.I., E.S.T.F. Universit Sidi Med Ben Abdellah,Route dImouzzer BP. 2427, Fs, Maroc 2 MIIRE INT/LIFL ENIC TELECOM 1, Rue G. Marconi Cit ScientifiqueVilleneuve dAscq , France E-mail:Lachkar_m@hotmail.com, daoudi@enic.fr (Saft et Saut de Salomon) (Figure-1) qui gnrent des formes polygonales bien dtermines. Pour atteindre lobjectif cibl, nous avons choisi dutiliser une mthode dindexation base sur les rgions (RegionsBased Images Indexing) [1][2][3][4]. Cette mthode repose sur une phase de segmentation, suivie dune phase de calcul des indices de chacune des rgions extraites.

Rsum
Lobjectif de ce travail est de raliser une mthode dindexation et de recherche des motifs de dcors arabomauresques. A cet effet, nous proposons de faire appel la mthode dindexation base sur les rgions (Regions-Based Images Indexing). Cette mthode est base sur une phase de segmentation des rgions, suivie dune phase de calcul des indices de chacune des rgions extraites dans la phase de segmentation. Ce travail est focalis principalement sur la phase de segmentation des images couleurs des dcors de Zellig. La mthode propose est non supervise, elle est base sur un modle de mlanges de gaussiennes GMM. Les paramtres du modle sont estims par lalgorithme EM, et le nombre optimal de groupements est dtect automatiquement en utilisant un indice de validit des groupements. Les performances de la mthode de segmentation propose sont montres par les rsultats obtenus sur des images de dcor de zellig.

(a)

(b)

Mots Clefs
Segmentation Non Supervise dImages Couleurs. Extraction des Motifs de Zellig Arabo-Moresque. Indice de Validit des Groupements.

1.

Introduction

Le prsent travail consiste prsenter une mthode dindexation et de recherche par le contenu dimages de dcors de Zellij. Le Zellij constitue gnralement le revtement mural des mosques, medersas, palais, et difices de grande valeur architecturale. Cependant, on constate des dgradations importantes subies par les dcors de Zellij de certains monuments anciens. Pour remdier ce problme, des oprations de restauration ont t ralises sur des monuments de la ville de Fs. Ces oprations ont dabord ncessit le relev manuel des dcors dlabrs, puis leur comparaison tout le rpertoire des dcors connus et disponibles. Cette opration, de relev manuel et de comparaison, ncessite beaucoup de temps et dattention. Lobjectif principal de ce travail est dautomatiser cette opration en proposant un systme de recherche automatique qui permet de retrouver dans une base de dcors, les images qui sont similaires un dcor donn. Cette comparaison automatique utilise le squelette comme information caractrisant le dcor. En fait, celui-ci nest autre quune alternance dun ensemble de pices connectes

Figure-1 a/ Exemple dimage de dcors de Zellig b/ Squelette du dcor Lorsque le problme de segmentation dimages couleurs est approch par un processus de classification, plusieurs mthodes existent. Parmi les techniques de classification, nous avons utilis dans ce travail le modle de mlange des gaussiennes. Lapproche de maximum vraisemblance (ML) est toujours utilise [5] pour ajuster le modle de mlange de gaussiennes GMM le plus convenable aux donnes quon dsire modliser [6][7][8]. Cette mthode de classification considre que le nombre de groupements dans lespaces dattributs correspond exactement au nombre de rgions dans le plan de limage. Pour dterminer automatiquement le nombre optimal de groupements, et par suite le nombre optimal de rgions dans le plan image, nous avons utilis lindice de validit des groupements propos par Do-Jong Kim [9]. La section 2 est consacre la prsentation gnrale de la mthode de segmentation propose. Les rsultats de lapplication de la mthode propose sur des images de dcors de de Zellig Arabo-Moresque sont prsents dans la section- 3.

2. Mthode de Segmentation base sur GMM-EM et sur lindice de validit des groupements

2.1. Modle de mlange de gaussiennes (GMM)

Soit N le nombre de pixels dune image, et xj dnote lobservation du jieme pixel couleur. Tous les chantillons (pixels) de limage forment un ensemble de donnes D= x j N . Supposons que xj est gnr par un mlange de
EM K

log (,)=log

f(x /)
k k =1
EM

(7)

On en dduit les paramtres du modle

EM EM , 1 1 ,

{ }

= ( , ,,
EM
EM

EM 2

, , EM , EM , EM ,, EM ). K 1 2 K

j =1

distributions des gaussiennes, et que le nombre de composantes gaussiennes K est connu. Supposons quon a K composantes dans le modle de mlange des gaussiennes. La forme de la densit de probabilit de ce mlange est donne par:

2.3. Classification probabiliste bayesienne de pixels

En utilisant les paramtres EM pour un mlange ayant le nombre de gaussiennes gal K, on peut donc calculer la probabilit conditionnelle pour que le pixel xj appartienne la gaussienne qui correspond au groupement numro i donnant les paramtres EM ainsi

EM

fournis par lalgorithme de

f(x/)=i fi(x/i)
i =1

(1)

o x est un vecteur caractristique, mlange tel que

i est

le poids de

=1 ,
i i =1

reprsente les paramtres

estims. Cette probabilit est donne par lquation suivante: EM EM EM (8) p(i/ x j, ) = i fi(x j / i ) .

( 1,2,.., K,1,2,..., K ) , et fi est la densit de la gaussienne multi-variables paramtre par i cest dire ( i et
fi(x/)= 1 2d (2) deti 1 i 1/ 2 exp (x i) 2

k =1

EM k

fk(x j / k )
EM

(x i)

},

i ):
(2)

Pour chaque pixel conditionnelles:

xj

il

existe

probabilits
p(i=1/ x j, ) ,
EM

Les paramtres du mlange sont estims en utilisant lalgorithme EM qui maximise le critre de logvraisemblance [8]. Comme tous les algorithmes itratifs, lalgorithme EM ncessite linitialisation des paramtres du modle de mlange des gaussiennes. Les matrices de covariances sont initialises par des matrices identits, et les K vecteurs moyennes sont initialises par les centres de diffrentes gaussiennes du mlange estims par lalgorithme de K-moyennes.

si gaussienne correspondante au cluster i *, EM p(i=i*/ x j, ) est la probabilit maximale pour i=1,2,..,K. Dune manire plus simple, le jieme pixel est assign la classe Li sil satisfait la condition suivante :

EM EM p(i=2/ x j, ) ,..., p(i=K / x j, ) . Le pixel xj est assign la

2.2. Algorithme dExpectation-Maximisation

Les quations de mise jour de lalgorithme EM sont donnes sous la forme suivante: Ltape -E : calcul de :

Li = max

exp 1 2

(x ))( ) (x ))
j EM i

i=1,2,..,K

det iEM

( )

EM 1 i

EM i

1/2

(9)

p(i/ x j,) = K i fi(x j /i) , pour i=1,2,...,K k fk(x j /k)

k =1

2.4 Indice de validit des groupements.

La mthode de segmentation par GMM-EM prsente cidessus, produit toujours des rsultats trs satisfaisants si le nombre de rgions est correctement choisi. Sinon, le processus de segmentation produit des rgions de soussegmentation ou de sur-segmentation. En consquence, la dtermination automatique du nombre optimal de groupements K* est de grande importance. A cet effet, nous utilisons lindice de validit des groupements rcemment propos par Do-Jong Kim [9]. Compar autres tudes qui utilisent dautres indices [11], [12], [13], cet indice prend en considration les caractristiques autour du nombre optimal des groupements durant le processus de partitionnement. Durant le processus de patitionnement, les structures des groupements peuvent avoir un des trois tats suivants: tat de sous-partitionnment (K<K*), tat de partitionnment optimal (K=K*), ou tat de sur-partitionnment (K>K*). Il est possible de trouver le nombre optimal de groupements en utilisant les deux mesures : distance moyenne intraclasse (mean intra-cluster distance: MICD) et distance

(3)

Ltape -M : mise jour des paramtres du GMM

new i

= 1 p(i / x j, ) . N j =1
old

(4) (5)

new

x p(i/ x ,
j j j =1 N

old

).

p(i/ x ,
j j =1
j old N

old

)
new new T i i

new

= j =1

p(i/ x ,

)(x j )(x j )
j old

(6)

p(i/ x ,
j =1

o p(i / x j,) reprsente la probabilit pour que le pixel xj est gnr par la gaussienne numro i. Ces quations de mise jour sont rptes jusqu ce que le log-vraisemblance donn par lquation-7 augmente avec une valeur infrieure de 1% dune itration la suivante.

minimale inter-classes (inter-cluster minimum distance: ICMD). Ces distances sont dfinies respectivement par : MICD = 1 o

ni xi

On dfinit alors le nouveau indice de validit, vsv donn par : vsv(K,V,X) = vunderN(K,V,X) + voverN(K,V) . (20)

vi x .

(10)

et ni reprsentent respectivement lensemble et le

ieme

nombre des donnes du i

groupement. (11)

Le nombre optimal de groupements est obtenu pour la plus petite valeur de vsv(K,V,X) pour K variant de 2 Kmax.

ICMDmin= Min i j vi v j .

3. Rsultats
Dans le but dvaluer la mthode de segmentation non supervise dimages couleurs propose dans ce travail, cette mthode a t applique avec succs des images de diffrentes complexits. Limage de la figure-2-a contient exactement 5 rgions de couleurs noire, bleue, verte rouge, et blanche. La figure 2-b montre que la valeur minimale de vsv est gal 5, concidant exactement avec le nombre de rgions contenues dans limage de la figure-2-a. Les rgions extraites correspondent aux images reprsentes respectivement par les figures-2- (d,e,f,g,h).

Aprs normalisation des mesures de souspartionnement vunder(K,V,X) et de sur-partitionnement vover(K,V) dfinies respectivement par :

MICDi , pour 2 K Kmax K i =1 K vover(K,V) = , pour 2 K Kmax . ICMDmin

vunder(K,V,X) = 1

(12) (13)

Determ ination du nom bre optim ale de clusters Index de validi de clusters

1.2 1 0.8 0.6 0.4 0.2 0 1 2 3 4 5 6 nom bre de clusters

Figure-2: Les figures (a,b,c) reprsentent respectivement limage originale, la courbe de variation dindice de validit des groupements. Les figures (d,e,f,g,h ) reprsentent les rgions extraites de limage de la figure-2-c.

4. Conclusion
Dans ce papier, nous avons propos une mthode de segmentation non supervise dimages couleurs. Elle est base sur un modle de mlanges de gaussiennes (GMM). Les paramtres du modle sont estims par lalgorithme EM. Aprs les pixels sont assigns aux diffrentes rgions de limage en utilisant une mthode de classification probabiliste bayesienne. Ce processus de partitionnement est rpt pour des valeur de K allant de 2 Kmax , et pour chaque rsultat de partitionnement lindice de validit des groupements est calcul. Finalement, le nombre optimal de groupements est facilement dtermin, car lindice utilis prsente clairement une valle en K=K*. Le rsultat de segmentation finale est donc celui produit par le partitionnement optimal pour lequel lindice de validit de groupements est minimal. La mthode a t teste et

applique avec succs aux images de diffrentes complexits. Toutes les rgions extraites sont homognes et correspondent exactement celles existantes dans limage originale. Dans le prochaine travail, on propose dappliquer cette mthode de segmentation non supervise des images couleurs de Zellige pour indicer les motifs de dcors extraits par le processus de segmentation.

Remerciements
Ce travail a t soutenu par le comit mixte franco marocain dans le cadre de l'action intgre AI MA/02/46.

Rfrences

[1]. J.Ashley et al. Automatic and semi-automatic methods for image annotation and retrieval in QBIC. In Proc. of SPIE-Storage and Retrieval for Image and Video Databases III. Volume 2420, page 24-35,1995. [2]. C. Carson, M.Thomas, S.Belogie, J.M. Hellerstein, and J. Malik. Blobword: A System for region-based image indiceing and retrieval. In Pr. Of VISUAL99 Intl. Conf., pages 509-516,1999. [3]. H.Lu, B.-C.Ooi, and K.-L. Tan,. Efficient image retrieval by color contents. In. Conf. On Application of Databases., pages 95-108,1994. [4]. E.J.Pauwels and G.Frederix. Finding regions of interest for content-extraction. In Proc. of SPIE-Storage and Retrieval for Image and Video Databases III. Volume 3656, page 501-510, 1999. Springer Verlag, 2000 [5]. R. A. Redner, H. F. Walker, Mixture densities, maximum vraisemblance and the EM algorithm, SIAM Review, 26, pp195-239, 1984. [6]. H.S.Choi, D.R.Haynor and Kam, Partial volume tissue classification of multichannel magnetic resonance images{Amixel model, IEEE Trans. Med. Image., Vol.10, pp395-407, 1991. [7]. P. Santago and H. D. Gage, Statistical models of partial volume effect", IEEE Trans. Image Processing, Vol. 4, No. 11, pp1531-1540, 1995. [8]. S. Sanjay-Gopal and T. J. Hebert, Bayesian Pixel Classification Using Spatially Variant Finite Mixtures and the Generalized EM algorithm", IEEE trans. Image Processing, Vol. 7, No.7, pp1014-1028, 1998. [9] Do-Jong Kim , A novel validity indice for determination of the optimal cluster number. IEICE. TRANS. INF & SYST. Vol. E84 D,No 2. FEBRARY 2001 [10 ]A. P. Dempster, N. M. Laird , and D.B. Rubin, Maximum-vraisemblance from incomplete data via the EM algorithm", J.Royal Statist. Society, B39, pp1-38, 1977. [11] J.C. Bezdek , Patterns recognition with fuzzy objective function algorithms. New York, 1981 [12]Y,.Fukayama and M Sugeno, A new method of choosing the number of groupements for fuzzy c-means method . Proc. 5th Fuzzy Syst. Symp., pp247-250, 1989 [13] N.L. Xie and G.A. Beni . A validity measure for fuzzy classification. IEEE Trans PAMI, Vol.13, no,pp.841847,1991.