Vous êtes sur la page 1sur 90

contours et rgions

une des bases les plus importantes en traitement dimages


(reconnaissance, amlioration dimages compression)
linformation est
souvent dans
les lments
de contour
prserver les contours
lisser les rgions
valuer la taille des rgions

contours et rgions
contour : variations rapides de lintensit
dans une direction
et lente dans la direction perpendiculaire
simplication habituelle :
mise en vidence dune variation rapide
(calcul du gradient)
il y a alors invariance
pas dinvariance spatiale !

http://arthur.u-strasbg.fr/~ronse/TIDOC/FILTER/accar.html
tapes de la dtection
de contour

recherche des contours dans une image : trouver les zones o
lintensit prsente une variation rapide :
les filtres simples (prewitt, sobel) sont utiliss pour une dtection des contours
mais ne donnent quune valutation approximative de lorientation du contour
http://arthur.u-strasbg.fr/~ronse/TIDOC/FILTER/accar.html
sobel
prewitt
(formes diagonales)
appliquer un filtre passe haut

I
m
a
g
e

o
r
i
g
i
n
a
l
e
.

v
a
r
i
a
t
i
o
n

s
u
i
v
a
n
t

x

(
m
o
d
u
l
e
)
c
o
m
b
i
n
a
i
s
o
n

d
e
s

d
e
u
x
v
a
r
i
a
t
i
o
n

s
u
i
v
a
n
t

y

(
m
o
d
u
l
e
)

x
y

filtre de Canny Deriche
( )
2
2 2
.
) (
u a
u j
u H
x
+

|) | exp( . ) ( ax x x h
x

|) | exp( . ) ( ay y y h
y

Optimisation dun critre caractrisant le contour :
filtrage passe haut + lissage
dans les deux directions (abscisse et ordonne)
par un filtre de rponse impulsionnelle
( )
2
2 2
.
) (
v a
v j
u H
y
+

150 100 50 0 50 100 150


2
0
2
.
150 100 50 0 50 100 150
0.2
0
0.2
.
x
u
et de rponse en frquence
Deriche : implmentation sous la forme de filtres rcursifs
double effet :
drivation pour les
basses frquences
et lissage pour les
hautes frquences

fg fg2x fg2y

Im passebasx gradx ( )

( )

Re centrer icfft centrer gradx passebasx ( )

( ) ( ) ( ) ( )
Im passebasy grady ( )

( )

Re centrer icfft centrer grady passebasy ( )

( ) ( ) ( ) ( )
fg
fg2x
2

fg2y
2

+
|
.
`
,
0.5

fg2x fg2y
spatial
frquentiel
image
module
grad/x
grad/y
filtres

module du gradient gradient

dcision
module du gradient suprieur un seuil
ggg

0.15
( ) ggg

0.15
( )
mais aussi gradient de mme direction dans le voisinage
(grand rayon de courbure )

dcision concernant la prsence ou non dun contour
gradient lev gradient de mme orientation dans le voisinage (courbure faible)
difficult lorsque les images sont bruites
www.cfar.umd.edu/~fer/cmsc426/lectures/edge1.ppt

http://marathon.csee.usf.edu/edge/edge_detection.html



Il ny a pas de dtecteur parfait ;
il faut essayer de formaliser
lobjectif final du traitement
o la recherche des contours
nest quune tape intermdiaire
et,
relativement cet objectif,
valuer les performances dun dtecteur :
proportion de dtections correctes,
de dtections manques
et de fausses dtections

a
a a


recherche de la pente exacte dun contour dans une image
contourner le problme de la quantification par une implmentation des
filtres de drivation dans le domaine des frquences

imagegx
2

imagegy
2

+
|
.
`
,
0.5

amplitude et direction du gradient
bleu : -
bleu clair pente vers /2
vert: pente vers 0
jaune pente vers /2
rouge vers +
arctan2 imagegx imagegy , ( )

v u
L
vy ux
j v u F y x f
,
exp ) , ( ) , (

v u
x
y x f
L
vy ux
j
L
u
j v u F
,
) , (
exp ) ( ) , (
calcul dune drive dans le domaine des frquences
la drive par rapport x de f(x,y) a pour transforme de Fourier
) ( ) , (
L
u
j v u F
on a de la mme manire la drive par rapport y (on remplace u par v)
(filtrage amplifiant les composantes proportionnellement la frquence)

Calcul de drive partielle en deux dimensions par transforme de Fourier
1. on calcule
) , ( y x f
transforme de
) , ( v u F
2. on effectue lopration de centrage (fftshift en matlab)
0
N/2
N-1
N/2
0
N-1
0
N/2 N-1
N/2
0
N-1
N/2-1
N/2-1
on suppose que
0 ) 2 / , ( ) , 2 / ( N u F v N F
(lignes et colonnes marques
en bleu)
u
v
u
v
(N est une puissance de 2)

3 .on multipie par
) , ( v u F ju
varie de N/2 N/2 - 1 u
4. on effectue lopration inverse du recentrage
(ce qui revient faire nouveau un recentrage )
5. on calcule la transforme de Fourier inverse
prcision : ici
bien sr il faut vrifier sur des exemples simples
comme des sinusodes de la forme
(ne pas confondre ladresse
dans le tableau et labscisse u)
) 2 cos(
N
y kx +

o k et sont des entiers


qui donne la drive partielle par rapport x
x
y x f

) , (
45.33 0 64
100
0
100
63
64
v
u
64 64 u 64
0 64 128
100
0
100
63
64
vv
u
128 0 u
aprs
recentrage
sans
recentrage

en faisant les mmes oprations mais en multipliant par jv on obtient la
drive partielle par rapport y ;
y
y x f

) , (
note : on peut se contenter deffectuer des transformes de Fourier
monodimensionnelles, ligne par ligne ou colonne par colonne
la pente de la tangente au contour (courbe de niveau) est donne par
la valeur en ce point de
y
f
x
f


pour calculer les drives secondes, il faut remplacer la multiplication par ju par
des multiplications par u
2
, -uv,-v
2
ce qui donne
2
2
) , (
x
y x f

y x
y x f

) , (
2
2
2
) , (
y
y x f

2
2
2 2
2
2
2
2 / 3
2 2
2

,
`

.
|

,
`

.
|

,
`

.
|

,
`

.
|

,
`

.
|

,
`

.
|

,
`

.
|

x
f
y
f
y
f
x
f
y x
f
y
f
x
f
y
f
x
f
le rayon de courbure du contour est donn par
(et utiliser avec prudence sur des images relles ! le rsultat
peut tre trs bruit ...)
2
2 ) , ( x Ry y x f
titre de vrification le cas particulier
(remarque : facteur N/2. si on utilise la transforme de Fourier discrte)
analyse de la courbure

un contour :
2 / 1
2 2

,
`

.
|

,
`

.
|

+
,
`

.
|

y
f
x
f
le module du gradient est fort
la courbure est souvent faible (grand rayon)
sur plusieurs pixels voisins
(ce deuxime critre est rarement pris en compte
sur les images relles car il est difficile de mesurer la courbure
du fait du bruit)
points caractrisitiques (angles) :
le module du gradient est fort
la courbure prsentant un pic
(forte discontinut de la pente du gradient)

f
x y ,
1 cos 2 ( )
m x
N

]
]
]

]
]
]
1 cos 2 ( )
n y
N

]
]
]

]
]
]
:
f
voici une illustration
dfsdx dfsdy
drives par rapport x et y
fonde sur la transforme de Fourier
comme expliqu prcdemment
f
0 50 100 150
0
2
4
4
0
f
x 64 ,
127 0 x
0 50 100 150
2
0
2
2
2
dfsdx
x 64 ,
127 0 x
(en coupe)

theta
f
les courbes de niveau de la fonction f droite et gauche
langle de la tangente en chaque point
bleu =- , vert =0, rouge =+ (les contours sont orients donc la pente
va de - sont

.
t
r
a
c
e
rsultat semblable au prcdent mais en champ de vecteur
avec une longueur des vecteurs pondre par le module du gradient
-
0
/2
/2

f
dfsdx dfsdy
d2fsdy2 d2fsdxdy
d2fsdx2
en complment (peut etre pas utile dans un premier temps) analyse de la courbure
calcul des trois drives secondes

courburseuill
calcul du rayon de courbure
rouge rayon trs grand ; bleu rayon faible
f

f
x y ,
exp
x
N
2

.
`

,
2
y
N
2

.
`

,
2

500

]
]
]
]
]
:
f
theta
f
reprsentation
des tangentes
au contour
courbe en cloche

courburseuill
64 32 0 32 64
0
20
40
60
80
100
courburseuill
x
N
2
,
N
2

x
N
2

f
notez les effets de bord ds lutilisation de la TF discrte
rayon de courbure
coupe

a
a
a
fluctuations
damplitude
peu visibles
sur limage
a

se faire une ide des variations de niveau dans le type dimage
rglage :

approche par modlisation
on se donne la forme du modle dont on espre quil reprsente
correctement une portion de contour : par exemple une sigmode oriente dans
une direction (dans le cas dun contour sparant deux rgions de niveau
peu prs constant et pas trop bruit)
f
x y ,
1
1 exp x x0 ( ) a y y0 ( ) b + [ ] [ ] +
:
f f f bruit2D +

f
x y ,
1
1 exp x x0 ( ) a y y0 ( ) b + [ ] [ ] +
:
et on cherche trouver les paramtre
qui minimisent lcart entre le modle
et limage g
x,y


y x
y x y x
f g f g
,
2
, ,
) (
il peut y avoir des modles plus labors

regroupement dlments de contours (chanage)
il faut dans certaines applications
regrouper les lments de contours
qui se suivent en une chane
mais les risques derreurs dus
limperfection de la
dtection sont importants
connexit
(le voisin appartient
un contour)
prise en compte de lorientation
du contour
est ce que partir de C, une distance raisonnable
(quelques pixels) dans la direction
proche de , il y a
un lment de contour de pente proche de ?

en gnral un point de contour correspond un gradient lev
et un voisinage o il y a aussi des points de contour prsentant
un gradient lev dans la mme direction
confirmation de l appartenance
au contour si
dans le voisinage
du pixel tudi (dans la direction perpendiculaire
au gradient),
il y a
suffisamment de pixels de contour
avec une orientation similaire du gradient

dtection dangles
points caractristiques en gnral trs informatifs importants
par exemple en strovision et en robotique
ou en mise en correspondance dimages
deux contours courbure faible se rejoignent
(lextrmit de lun est une distance faible de lautre T
ou dune extrmit de lautre L )

dtection de formes connues (typiquement de droites)
transforme de Hough
dans lespace des paramtres
0 0 0
) sin( . ) cos( . + y x
0

un point appartient une multitude de droites (ensemble des points


sur une sinusode) : si plusieurs point appartiennent une mme droite,
les sinusodes ont un point commun ; cette accumulation permet de
dtecter des droites ou plus gnralement des formes simples
reprsentation de la droite
ensemble des droites
qui passent par le
point A
) sin( . ) cos( .
0 0 0

A A
y x +

ellipse
5 paramtres
droite
2 paramtres

remarque : si la pente de la droite a pu tre mesure
(par exemple la pente dun contour), alors le domaine o on
recherche les accumulations peut tre considrablement rduit
inconvnient : quantit de calculs importante
transforme de Hough
0


3 2 1 0 1 2 3
3
2
1
0
1
2
3
.
RECHERCHE DES
POINTS APPARTENANT
A UN CERCLE
EN UTILISANT
LA TRANSFORMEE
DE HOUGH

TRANSFORMEE DE HOUGH
EXEMPLE DE LA RECHERCHE DES POINTS APPARTENANT
A UN CERCLE
TOUS LES CERCLES PASSANT PAR UN POINT DE COORDONNEES
(A
1
,B
1
) SONT TELS QUE LE RAYON R ET LES COORDONNEES DU CENTRE
ET VERIFIENT L EQUATION
2
1
2
1
2
) ( ) ( B Y A X R
c c
+
c
X
c
Y
ILS SONT SUR UN CNE DE SOMMET (A,B,0) DANS L ESPACE
A TROIS DIMENSIONS
c
X
c
Y
R

ILS SONT SUR UN CNE DE SOMMET (A
1
,B
1
,0) DANS L ESPACE
A TROIS DIMENSIONS
c
X
c
Y
R
(A
1
,B
1
)

c
X
c
Y
R
LES REPRESENTANTS DE TOUS LES CERCLES PASSANT PAR DEUX POINTS
SONT SUR L INTERSECTION DE DEUX CONES (SOIT UNE HYPERBOLE
SITUEE DANS UN PLAN VERTICAL MEDIATEUR DU SEGMENT JOIGNANT
LES DEUX POINTS)
(A
1
, B
1
)
(A
2
, B
2
)

c
X
c
Y
R
(A
2
, B
2
)
(A
1
, B
1
)
(A
3
,B
3
)
LE REPRESENTANT D UN CERCLE PASSANT PAR 3 POINTS EST
L INTERSECTION DE TROIS CONES (OU DE L HYPERBOLE ET
DU TROISIEME CONE)

Un cne reprsente lensemble des cercles passant par un point
Le point dintersection de trois cnes caractrise le cercle passant par trois points

Si plusieurs points appartiennent au mme cercle, les cnes correspondants ont
un point commun (mesures sans bruit) ; dans le cas de mesures bruites les points
dintersection des cnes pris 3 3 sont groups au voisinage de ce point
Trouver le cercle revient dtecter ces concentrations de points dans lespace
des paramtres

S IL Y A PLUSIEURS POINTS APPARTENANT A UN MEME CERCLE
CE CERCLE EST REPRESENTE PAR L INTERSECTION DE TOUS
CES CONES
LA RECHERCHE D UN CERCLE SE TRADUIT PAR LA DETECTION
D UN NUAGE DE POINTS ASSEZ CONCENTRE DANS CET ESPACE
DES PARAMETRES
2 1.5 1 0.5 0 0.5 1 1.5 2 2.5
2
1
0
1
2
1.577
1.975
ord
n
ord1
n
2.076 1.667 ab
n
ab1
n
,
COMME LES DONNEES SONT BRUITEES

2 1.5 1 0.5 0 0.5 1 1.5 2
2
1
0
1
2
2
2
y
n
2 2 x
n
ON ABOUTIT A UN PROBLEME CLASSIQUE DE PROBABILITES
UN PIXEL DE CONTOUR A LA
PROBABILITE p D APPARTENIR AU
CERCLE
ET LA PROBABILITE 1-p DE
NE PAS LUI APPARTENIR
COMBIEN FAUT IL PRELEVER
DE PIXELS DE CONTOUR POUR
QUE LA PLUPART DU TEMPS
AU MOINS K D ENTRE EUX
APPARTIENNENT AU CERCLE

g n k , a , ( )
0
n k
m
n!
m! ( ) n m ( )!
a
m
1 a ( )
n m

:
k 0 100 .. :
0 0.25 0.5 0.75 1
0
0.5
1
g 100 k , 0.5 , ( )
g 20 k , 0.5 , ( )
k
100
k
20
,
20 lments
mesurs : il y a
99% de chances
que 25%
dentre eux au moins
appartiennent au
cercle
100 lments
mesurs :
il y a 99% de
chances que
38% dentre eux au
moins
appartiennent au
cercle
a=0.5
une chance
sur 2 que le point
appartienne au cercle
fonction de rpartition de la loi binomiale

0 1 2 3 4 5 6 7 8 9 10
0
20
40
histx
m
interv
m
0 1 2 3 4 5 6 7 8 9 10
0
2
4
6
8
10
y
n
x
n
0 30
0
2
4
6
8
10
en gnral possibilit de traitement une dimension :
lissage de lhistogramme et recherche du maximum

recherche acclre dun cercle base sur la transforme de Hough
1 Slection des points de contour et de leur orientation
2. les deux droites traces partir de deux points A et B dans la direction du gradient
se rencontrent en un point C quidistant de A et de B.
Dans laffirmative, C peut tre un centre du cercle de rayon R passant par A et B;
A
B
C
D
3. Est-ce que cette hypothse est confirme par dautres points (D) situs une
distance R de C et o le gradient est colinaire CD ?
en pratique : prendre en compte les incertitudes sur les donnes

http://www.irit.fr/ACTIVITES/MasterPro_IIN/RESSOURCES/Cours/AI/4_segmentation_regions.pdf
segmentation en rgions
pas de dfinition prcise !

l encore il ny a pas de solution parfaite
comment caractriser
une rgion homogne ?

On associe un pixel ou un petit mdaillon un vecteur de paramtres
qui tient compte des caractristiques des pixels voisins ; en principe les
pixels voisins dun pixel (x,y) sont associs des vecteurs assez semblables
celui du pixel (x,y) avec un certain degr de variabilit (il y a une certaine
corrlation entre eux)
problme : trouver les caractristiques du nuage de points correspondant aux
vecteurs des pixels entourant (x,y) ; vrifier que ce nuage est suffisamment compact
et quil dcrit correctement les caractristiques de la rgion ; vrifier ensuite quil
y a suffisamment de pixels voisins de (x,y) dont les vecteurs appartiennent
au nuage pour que la rgion soit homogne
pixel tudi
pixels voisins
appartenant
la mme rgion
vecteurs associ un pixel et nuage de points
des vecteurs associs aux pixels voisins
pixels voisins
nappartenant pas
la mme rgion

rgions

caractrisation statistique : corrlation


spatiale
un paramtre change peu dans une rgion homogne
(les pixels voisins appartiennent souvent une mme rgion)
il varie dune rgion lautre
- sparation des rgions par des contours parfois
difficiles dtecter ou inexistants
fond sur
lhistogramme
cas simpliste
de sparation
en deux rgions
http://www.trop.uha.fr/master/IMG/pdf/Cours5_M1_Traitement_d_images.pdf

med
med
histogramme
med
ncessit dliminer les points isols (connexit)

ensuite prise en compte de la connexit :
en principe les caractristiques statistiques des pixels dune
mme rgion sont semblables
plus difficile : histogramme multidimensionnel (image couleurs)
(nuages de points) ;
analyse de texture : analyse spectrale 2D
par exemple : prdiction (linaire) dun pixel partir de ses voisins :
est ce que la prdiction est correcte ?
si oui le pixel appartient probablement la mme rgion
que ses voisins
(extension des mthodes du type morphologie mathmatique)

analyse partir de lhistogramme
dcoupe de lhistogramme en tranches
+ analyse de la connexit
(voir morphologie mathmatique)
120-150 170-190

quantR quantV , quantB , rouge vert , bleu ,

0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300 320
0
100
200
300
.
bd
bd
aa
.
difficults de lanalyse lies la non stationnarit
et parfois la non pertinence du modle dcomposition en rgions

exemple dapproche :
une rgion est compose de pixels connexes
(les voisins dun pixel prsentent les mmes caractristiques)
de mme niveau moyen et telle que les fluctuations autour de ce
niveau moyen (variance) sont similaires
1. Recherche des caractristiques dune rgion : On se donne un mdaillon
de dpart (par exemple 10x10) ; on cherche si limage est peu prs stationnaire
dans ce mdaillon par exemple en minimisant (modlisation par un plan)


y x
c by ax y x f
,
2
) ) , ( (
est ce que les coefficients a et b sont assez petits
(plan assez horizontal) ?
(si ce nest pas le cas f(x,y) na pas une moyenne
constante sur le mdaillon
et il faut dmarrer la recherche de la rgion ailleurs)

En blanc : les pixels o le module du gradient est leve ne pas prendre en compte
dans la recherche des rgions de niveau peu prs constant
(sauf sil sagit de pixels isols)
a
gramo 0.02

2. on calcule le niveau moyen (c) et la fluctuation autour de ce niveau moyen par
exemple la variance (L est le ct du mdaillon) ou lcart type


y x
c y x f
L L
,
2
) ) , ( (
.
1
moy ecart
pixels bleus = cart faible dans le voisinage : on peut
sans doute initialiser une recherche de rgion

3. on tend la rgion dans son voisinage (en faisant le tour du mdaillon)
4. si sur les pixels du parcours lcart la valeur de rfrence (c) est infrieur
une fois et demi ou deux fois lcart type, le pixel est intgr la rgion
(les caractristiques de la rgion (moyenne et variance) peuvent tre actualises)
5. test darrte un tour complet sans rajouter de pixels la rgion,
0 10 20 30 40 50 60 70 80 90 100 110
0
100
200
300
210
250
.
sousmatricever t 50 , 80 , 50 , 80 , ( ) sousmatrice ecart 50 , 80 , 50 , 80 , ( )
dbut de la spirale (cart type faible)
evolution de
lcart sur
la spirale

quantR quantV , quantB , quantrouge quantvert , quantbleu ,
regroupement ventuel de rgions voisines dont les caractristiques sont proches

vert
rouge vert , bleu ,
cas particuliers : rgions filiforme (par exemple routes dans une image
arienne, veine ou nerf en biologie)
comprises entre deux contours assez proches et parallles
souvent des difficults lies labsence de continuit
si on prolonge les rgions dans la direction du contour, est ce que
les pointills se rejoignent ,
+ approche par modlidation mathmatique

b
.
df
.
.
.

quelles sont les paramtres
appropris pour caractriser
cette rgion ?

med med2
MEDE MEDE2
analyse spectrale des diffrentes
rgions (importance relative des
hautes et des basses frquences,
direction privilgie,
est ce que le spectre
dun nouveau mdaillon
ressemble plus lun
des diffrents spectres
appris pour chaque rgion ?
plus de basses
frquences
plus de hautes
frquences
est ce que le spectre
du nouveau mdaillon
ressemble au spectre
des mdaillons voisins ?

analyse en composantes principales des couleurs
C
x y
bleu
x y ,
bleu
x y ,


x y
vert
x y ,
bleu
x y ,


x y
rouge
x y ,
bleu
x y ,


x y
bleu
x y ,
vert
x y ,


x y
vert
x y ,
vert
x y ,


x y
rouge
x y ,
vert
x y ,


x y
bleu
x y ,
rouge
x y ,


x y
vert
x y ,
rouge
x y ,


x y
rouge
x y ,
rouge
x y ,

.
`

,
:
valpropres C ( )
8.076
16.101
1.574 10
3

.
`

0.818
0.43
0.383
|

.
`

,
0.035
0.701
0.712
|

.
`

,
0.574
0.569
0.588
|

.
`

,
reprsentation dans le plan
des valeurs propres les plus
grandes de la matrice de covariance
des images couleur
afin de mieux voir les variations
calcul de la matrice de covariance des composantes de limage
(aprs centrage pour avoir une moyenne nulle et en gnral
normalisation des diffrentes composantes
aide la prsentation dun nuage de points
prsentation(x,y) = .rouge(x,y)+ .vert(x,y)+ .bleu(x,y)
( , , ) vecteur propre associ la plusgrande valeur propre de c

0.5 0 0.5
0.5
0
0.5
rouge
x y ,
bleu
x y ,
0.5 0 0.5
0.5
0
0.5
vert
x y ,
bleu
x y ,
0.4 0.2 0 0.2 0.4 0.6
0.5
0
0.5
vert
x y ,
rouge
x y ,
0.5 0 0.5 1
1
0.5
0
0.5
comp1
x y ,
comp2
x y ,
0.5 0 0.5 1
0.1
0
0.1
comp0
x y ,
comp2
x y ,
0.1 0.05 0 0.05 0.1
1
0.5
0
0.5
comp1
x y ,
comp0
x y ,
analyse en composantes principales des couleurs
la combinaison linaire
ainsi trouve est la prsentation
qui donne le plus grand contraste

de manire gnrale : une rgion est caractrise par un certain nombre
de paramtres (les composantes dun vecteur)
qui fluctuent relativement peu dans le domaine de cette rgion
mais qui se diffrencient (plus ou moins) nettement des vecteurs des paramtres
caractrisant les rgions avoisinantes
un filtrage passe bas et un seuillage appropri peuvent suffire
donner une ide approximative des rgions

lil a tendance regrouper les pixels en rgions
du fait dune interprtation intelligente sans doute trs labore
de la scne analyse ;
tandis que les approches numriques classiques fondes
sur des critres plus simples (statistiques locales) ne sont pas
aussi performantes dans ce regroupement

quel est le problme rsoudre ?
est ce que la recherche de rgions est une tape pertinente ?
tes vous en mesure de caractriser prcisment les rgions
et de quantifier ces caractres ?
quelles sont les marges dincertitude ?


MORPHOLOGIE MATHEMATIQUE
- Retrouver la structure ( squelette ) dune image
-liminer des points isols dans des rgions
- grce des oprations de logique simple
sur les pixels adjacents dune rgion
http://cmm.ensmp.fr/~serra/cours.htm
Jean Serra

Timothe KOMBE1 et Ren-Joly ASSAKO ASSAKO2
http://www.teledetection.net/upload/TELEDETECTION/pdf/20080404180341.pdf
exemple dapplication de la morphologie mathmatique
rosion dilatation amincissement paississement squelettisation


dilatation + rosion fermeture ;
- rosion + dilatation ouverture.
Le squelette (rosion interdisant la coupure)
conserve les proprits topologiques de la forme quil reprsente.
1 0 0 0 0
1 1 1 0 0
0 0 1 1 0
0 0 0 1 1
0 0 0 0 1
(4 connexit)

dilatation
rosion
image binaire originale

squelettisation
original
ouverture
fermeture

les contours actifs (snakes)
http://www.math.ucla.edu/~xbresson/papers/xBresson_contours_actifs_cours06.pdf
autre approche en vogue :
recherche dune fonction assez lisse (souvent ferm) qui englobe une rgion
o la description du contour par les gradient est insuffisante
malgr
le bruit
de fond
malgr la difficult caractriser
le contour par le gradient

exemple de champ de gradient dans une image (aprs filtrage passe bas)
http://www.iacl.ece.jhu.edu/static/gvf/
comment trouver un trajet liss qui suive la crte (malgr les dfauts) :
approche par maximisation de critre
(une chane de points reli entre eux)

E
snake
E
interne
+ E
externe
Proprits locales de limage
autour du contour actif : par
exemple, fonction de lintensit
du gradient
Proprits
intrinsques :
Longueur, courbure
on modifie la forme du contour actif pour minimiser une nergie
quon dcompose en deux parties
http://www.rfai.li.univ-tours.fr/rapports/rou03a.pdf
gradient de lnergie
= force
un point du contour
actif est retenu par
ses voisins
il est attir par une rgion
proche de limage o le gradient
est fort

rapprocher le point de la crte (en suivant le champ de gradient)
empcher le point de sloigner de ses voisins dans la chane
forces (rduction de lnergie) externes
forces (rduction de lnergie) internes

http://www.trop.uha.fr/master/IMG/pdf/Cours5_M1_Traitement_d_images.pdf
a chaque tape, on modifie la position
des N points du contour actif (x
1
,y
1
), ..., (x
N
,y
N
)
de manire minimiser le critre
qui scrit en fonction des coordonnes

http://khayyam.developpez.com/articles/algo/contours-actifs/
tendre vers les points o
le gradient est lev
critres de modification itrative du contour actif : un compromis
mais pnaliser la forte courbure
et la longueur
attention : rglages dlicats !

analyse critique des approches contours / rgions
beaucoup darticles sur les performances dalgorithmes : on gagne un
peu en performances mais il se peut quon narrive pas aux
performances souhaites pour rsoudre le problme pos ;
on peut donc se poser la question :
quest ce qui est pertinent dans les recherches de contours et de rgions ?
cela dpend essentiellement de lapplication envisage
et des performances quon attend de la mthode
pas de mthodes miracle,
mais des compromis plus ou moins satisfaisants
si la puissance de calcul le permet : utiliser des mthodes varies qui
peuvent savrer complmentaires

remarque :
il ne faut pas se contenter des
performances sur des images de
synthse ou des images type ;
les premires ne servent qu vrifier
la validit de la programmation
et les deuximes risquent dencourager
le dveloppement
dalgorithmes spcifiques adapts
aux images tudies
(p. ex la clbre Lenna ...)