REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE

Université Larbi Ben M’hidi Oum El Bouaghi
Faculté des sciences exactes et sciences de la nature et de la vie

Soutenance présenté pour l’obtention du diplôme de :

MASTER
Spécialité : Informatique
Option : Imagerie

Thème

Présenter par: Zdira Meriem

Sous la direction de: Dr.Houari Kamel
 REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE
MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE
Université Larbi Ben M’hidi Oum El Bouaghi
Faculté des sciences exactes et sciences de la nature et de la vie

Soutenance présenté pour l’obtention du diplôme de :

MASTER
Spécialité : Informatique
Option : Imagerie

Thème

Présenter par: Zdira Meriem

Sous la direction de: Dr.Houari Kamel
I. Introduction

II. Segmentation d’images

III. Segmentation par MRF

IV. Application par HMRF

V. Conclusion
 I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion

L’équipements
la radiographie d’imagerie
et le scanner qui reposentmédicale
sur
permettent
l’utilisation de des
faire rayons
différentsX,types de relevés
l’échographie
d’information qui sont
(Ultrasonographie) ensuite visualisés
qui exploite en 2Ddes
la propagation ou
en 3D :
ultrasons, l’imagerie par résonance magnétique
(IRM).

1
 I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion

1. Filtrage d’images:

Aujourd’hui, un nombre croissant d’images

Il consistesont
médicales à acquises
appliquerquotidiennement
une transformation
dans leà
l’ensemble
monde. Ces ou une partie
images doiventd'une
être image numérique
interprétées par
en utilisant
des des filtres
praticiens, pour une
Mais, avant touteamélioration
analyse, unde
la qualité des
traitement d’une image
images ->supprimer
est souvent du bruit,
nécessaire.
rehausser les détails.

2
 I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion
1.1Lissage adaptatif :

Nbre pixels 0, somme 0;

Pour chaque pixel I(i,j) de l’image
{
Si | I(x+i,y+j) –I(x,y) | < seuil {
somme somme + I(x+i,y+j) ;
Nbre pixels Nbre pixels+1 ;
}
}
I(x,y) somme / Nbre pixels ;

3
 I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion
II.2/ Approches
II.1/ Définition du
de
segmentation :
segmentation:

On conduit
II.2.1/ pour analyser
II.2.2/Approches
Approchescontours:
régions: une image à la
partager en un certain nombre de domaines
connexes (unis). Deux points appartiennent à
un
un mêmeCe domaine
ensemble sontdeles s’ils
pixels possèdent
connexes
premiers une même
ayant
modèles des
de
Ilpropriétés
existe deux
propriété grands types
caractéristique
communes quiPdelessegmentation
et les:
sidifférencient
on sur
peut des
segmentation, ils s'appuient
joindre
des pardes
pixels
détections une
de chaine
régions
changement continue
voisines. de points
rapide d'intensité
voisins
lumineuseayant cette
ou de couleur, propriété. Une
segmentation est donc définie par le type de
propriété et par la définition de voisinage.

4
5
6
 Méthode de segmentation des images
médicales

Méthode 2D Méthode 3D

Approche Contours Approche régions

Méthodes Méthodes Méthodes Méthodes Méthodes

dérivatives surfaciques morphologiques seuillage Markoviennes

Méthodes de
classification
7
 I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion

les modèles de Markov qui traitent

simultanément toute l’information contenue dans
l’image, permettant d’exprimer l’interaction
spatiale portée par les pixels.

8
 I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion

1. Modélisation
probabiliste de l'image

L'image dont nous disposons va être considérée

comme une réalisation d'un champ aléatoire.
Soit s un site de l'image, on peut en effet lui
associer une variable aléatoire Xs prenant ses
valeurs dans E. Le niveau de gris xs en s n'est
ainsi qu'une réalisation de la v.a Xs. On définit
alors le champ aléatoire X = (Xs, Xt,…) prenant
|s|
ses valeurs dans Ω = E .

9
 I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion

2/ Système de
voisinage:

Les pixels de l’image sont reliés par un

système de voisinage défini comme suit :

Vs = {t} tels que:

S ϵ Vs

t ϵ Vs => s ϵ Vt

10
 I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion

3/ Notion de
clique:

Un système de clique est soit un

singleton, soit un ensemble de sites tous
voisins les uns des autres.

4-voisins C1 C2

11
 I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion

Chaque clique c ∊ C est associé un potentiel Uc.

4. Energie locale:

Us =c ∊ C/s ∊ Uc
c

5. Energie globale:

U= c∊C
Uc

12
 I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion
III.1/ Champs
III.1/ Champs Gibbs:
aléatoire de Markov:

X est un champ aléatoire de Markov défini sur la

-1 -U(x)/T
grille S et relativement
1. x ϵ Ω , P(x) > 0. au système
P[ X=x ] = Z e de voisinage
V(S)
La (ou un
mesure dechamp
Gibbs markovien
de fonction sur un graphe
d’énergie
U(x) = Uc(x)
2.
G(S,s S, x
V(S)))
ϵ ϵ Ω
si , P(X
et = xs / Xt = si
seulement
s xt les
,t = deux
s ) = conditions
U:Ω IR est la probabilité P définie sur Ω par :
suivantes sont vérifiées : -U(x)/T
P(Xs = xsZ /= Xt e= xt ,t ϵ Vs (S )).
Y ∊Ω

13
 I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion

Il existe des méthodes pour le calcul de ces

energies
4. Energie de clique C1:

Us =c ∊ C/s ∊ V(s)
c

5. Energie de clique C2:

U (Xs, Xt) =C2={s, Uc

t}

6. Energie globale:
U =c∊C Uc

14
 I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion

1.Principe de la segmentation Markovienne

cachée:

1.1 Le théorème de Bayes:

P(A=a\Λ=λ ) P(Λ=λ)
P(Λ=λ\A=a) =
P(A=a)

Puisque P(a) est la même pour toutes les

observations a, maximiser P(λ\a) revient à
maximiser P(a\λ) P(λ ) .
15
 I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion

2. Estimateur Maximum A-Posteriori(MAP) :

2.1/ Modélisation du champ des
observations :

P[A=a \ Λ=λ] = П P[As=as \ Λs=λs]

sεS

Elle peut être modélisée par une loi gaussienne. Telle que:
2

U(λs)
P(as\k) =
1
= e Vc(λs)
cεC

16
 I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion

2.2/ Hypothèse Markovienne du champ des

classes :

-β si λi = λj
U (λi,λj) =
+β si λi = λj

17
 I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion

3/ Optimisation de la probabilité a posteriori:

a) Heuristique « recuit simulé » (Simulated Annealing) :

Pour la recherche des états d'équilibre des

systèmes thermodynamiques.

18
 I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion

Initialisation par K_means:

1. Choisir le nombre de classe à créer k.

2. Choisir k centres initiaux c1,….,ck
3. Pour chaque point, l’affecter au classe i dont
le centre est le plus proche.
4.Si aucun point ne change de classe alors STOP
5. Sinon calculer les nouveaux centres:
Pour j=1 à k
Cj est la moyenne des éléments du classe
6. Aller à (3).

19
 I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion
Méthode de Gibbs:
Tant que (test < it) faire
test 0; T 1;
Pour chaque point de l’image faire
Somme energie= 0;
z=0;
r= random [0,1] ;
pour chaque région s faire
z+= (Us(Xs=xs\Xt=t)) /T / (somme energie)/T;
si ( r>z) alors
Point s ;
fsi
fin pour
fin pour
E= energie globale/T ;
E1= energie globale;
test += (E-E1);
T * = 0.98;
it++;
T * = 0.98;
fin tantque

20
 I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion
Méthode de Métropolis-SA:

Température T0 ;α= 0,98 ;

λ=random (E) ;

U =Us(Xs=λ\Xt=t) – Us(Xs=xs\Xt=t) ;

Si ( U<0) alors
Descripteur de s λ ;
Sinon
P exp ( - U) ;
r=random[0,1] ;
Si (r>p) alors
Descripteur de s λ ;
Fsi
Température température ×α ;
21
 Image segmenté par
Image couleur
Gibbs

Image segmenté par

Métropolis-SA
 I. Introduction
II. Segmentation d’image
III. Segmentation par MRF
IV. Application par HMRF
V. Conclusion

Plusieurs méthodes ont été proposées parmi

lesquelles la méthode de champs aléatoire de
Markov cachés (HMRF) qu’on a implémenter par
les modèles stochastiques comme le recuit
simulé, car certaines d’entre elle ont donné de
mauvais résultats comme l’algorithme de Gibbs .

23
Segmentation d’images médicales par champs aléatoires de Markov

Soutenance présenté pour

l’obtention du diplôme de :
MASTER
Spécialité : Informatique
Option : Imagerie

2010/2011