Documente Academic
Documente Profesional
Documente Cultură
C. Damerval
Laboratoire Jean Kuntzmann, Grenoble
7 mai 2008
(LJK, Grenoble)
1 / 60
Introduction
Plan
Dtection de rgions dintrt en vision par ordinateur e e ee Rappels sur les lignes de maxima Applications ` la dtection de structures remarquables a e
Mots cls : ondelettes, Scale-Space, reprsentations multichelles, lignes e e e de maxima, invariance ou robustesse ` des transformations de limage, a dtection de rgions dintrt, calcul de grandeurs caractristiques. e e ee e
(LJK, Grenoble)
2 / 60
Appariement dimages Savoir si deux images correspondent ` une mme sc`ne a e e Calcul de dformations gomtriques e e e
(LJK, Grenoble)
3 / 60
Reconnaissance dobjets Identier une entit particuli`re dans une image e e Dcider si une image correspond ` tel ou tel mod`le dobjet e a e
(LJK, Grenoble)
4 / 60
Invariance, robustesse
Dans les applications, il est ncessaire que les caractristiques extraites e e (descripteurs) soient invariantes ou robustes vis ` vis de certaines a transformations de limage : - gomtriques : changement dchelle, dformations anes e e e e - ajout de bruit, changement dillumination ou de contraste Caract`re essentiel de ltape de dtection e e e Extraction de caractristiques locales prenant en compte les e dformations gomtriques (Lindeberg98, Schmid04) e e e Performance des dtecteurs value grce ` la notion de rptabilit e e e a a e e e
(LJK, Grenoble)
6 / 60
R2
exp x
2 +y 2
2t
R ) +
(LJK, Grenoble)
7 / 60
Introduction dune normalisation : t L, > 0 Slection de maxima locaux en espace et en chelle : e e (x, y , t) t L(x, y , t) Pour un maximum local de t L en (x , y , t ), rgion dintrt e ee , y ) de rayon s = t associe : cercle centr en (x e e
(LJK, Grenoble)
8 / 60
100
100
150
150
200
200
Gaussienne 2D G1 Gaussienne 2D G2 s1 1 s2 2 s : chelle caractristique (lien avec la notion dinvariance) e e Ici, dans le cas de loprateur t L, les structures de limage e associes ` de tels maxima sont appeles blobs e a e
(LJK, Grenoble) 9 / 60
50
100
150
200
250
300
350
400
450
500 50 100 150 200 250 300 350 400 450 500
(LJK, Grenoble)
11 / 60
Dtection de rgions dintrt en vision par ordinateur e e ee Rappels sur les lignes de maxima Cadre 1D Cadre 2D Applications ` la dtection de structures remarquables a e
Transforme en ondelette dun signal (1D), dune image (2D) e Lignes de maxima associes (Mallat) e Construction numrique de lignes de maxima e
(LJK, Grenoble)
12 / 60
Cadre 1D
Notion dondelette
Ondelette : fonction : R R, L2 , vriant la condition e
C =
0
|()|2 d <
1.2
0.6
0.8
0.8
0.6 0.4
0.2 0 0.2
0 0.4 0.2
0.6
1
0.4
0.5
0.5
1.5
0.8 5
0.6 5
Ondelette de Haar
Ondelette Sombrero
(LJK, Grenoble)
13 / 60
Cadre 1D
t u s
8 7
dt u R, s > 0
1.2
1
6
0.8
Amplitude
0.4
log2(s) 4 3 2
0.6
0.2
0.2 100 200 300 400 500 600 700 800 900 1000
Temps
1 0 100 200 300 400 500 600 700 800 900 1000
Signal
(LJK, Grenoble)
14 / 60
Cadre 1D
100
200
300
400
500
600
700
800
900
1000
Ensemble des ML
(LJK, Grenoble)
15 / 60
Cadre 1D
Proprit de la TOC dune fonction -Lipschitz (Arneodo, Jaard) ee |Wf (u, s)| As u R, s > 0
(LJK, Grenoble)
16 / 60
Cadre 1D
Direntes approches quant ` la rgularit Lipschitzienne e a e e Etude de la rpartition globale des rgularits e e e Applications ` ltude de signaux multifractaux (Arneodo98) a e Estimation en certains points singuliers, par rgression linaire aux e e nes chelles le long de Maxima Lines e Applications : dtection et caractrisation de singularits (Mallat92) e e e
(LJK, Grenoble)
17 / 60
Cadre 2D
Lignes de maxima en 2D
A chaque chelle s, maxima dans lespace R2 (en un certain sens) e Pour certains types de maxima, proprit de persistance ee ` mesure que lchelle diminue a e Courbes connexes de lespace-chelle R2 R e + appeles lignes de maxima : (x(s), y (s))s>0 e Cadre 2D, direntes lignes e Maxima Lines, associes aux modules maxima dune TOC 2D e Lignes de Canny, permettant de suivre des points de contour en fonction de lchelle e
(LJK, Grenoble)
18 / 60
Cadre 2D
f (u, v )
R2
ux v y , s s
50
dudv
100
100
150
150
200
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 5 5 0 0 5 5
200
250
250
300
300
350
350
400
400
450
450
500 50 100 150 200 250 300 350 400 450 500
500 50 100 150 200 250 300 350 400 450 500
Ondelette G
Image
TOC 2D
(LJK, Grenoble)
19 / 60
Cadre 2D
Maxima Line (ML) : courbe connexe forme de modules maxima e dune TOC 2D ML : (x(s), y (s), s, Wf (x(s), y (s), s)) o` pour tout s > 0, (x(s), y (s)) est un maximum local de |Wf (., ., s)| u
Pour londelette G , existence de ML se prolongeant jusquaux chelles les plus nes (principe du maximum) e
Proprit de conservation des ML, sous leet dune dformation ee e ane ou dun changement dchelle e
(LJK, Grenoble)
20 / 60
Cadre 2D
50
50
50
100
100
100
150
150
150
200
200
200
Image Barbara
Echelle ne
Echelle intermdiaire e
(LJK, Grenoble)
21 / 60
Cadre 2D
(LJK, Grenoble)
22 / 60
Cadre 2D
R`gles de cha e nage conduisant ` des lignes de Canny (LC) a Construction numrique en N log(N) (N : taille des donnes) e e
50 50 50 100 100
150 100
150
200
200
250 150
250
300
300
350 200
350
400
400
450
500 50 100 150 200 250 300 350 400 450 500
500 50 100 150 200 250 300 350 400 450 500
Image Barbara
Echelle ne
Echelle intermdiaire e
(LJK, Grenoble)
23 / 60
Cadre 2D
Rgularit Lipschitzienne R : rgularit locale de limage e e e e Cette rgularit R caractrise le type de singularit e e e e e =0 Fronti`re Ligne = 1 Point isol = 2 e
Estimation par rgression linaire en des points particuliers : origines e e des lignes de maxima log Ms log s avec Ms = Wf (x(s), y (s), s) pour les ML et Ms = Mf (x(s), y (s), s) pour les LC
(LJK, Grenoble)
24 / 60
Cadre 2D
(LJK, Grenoble)
25 / 60
Dtection de rgions dintrt en vision par ordinateur e e ee Rappels sur les lignes de maxima Applications ` la dtection de structures remarquables a e Caractrisation de singularits ponctuelles e e Dtection de blobs par ML e
(LJK, Grenoble)
26 / 60
Origine des lignes : singularits (MM, MC) e Caractrisation de ces singularits : rgularit R e e e e Invariance, robustesse de la rgularit R, sous linuence de e e transformations de limage ?
(LJK, Grenoble)
27 / 60
Image originale f Image dforme g e e f (X ) = g (BX ), B GL2 (dformation ane) e Pour [0, 1[, f -Lipschitz = g -Lipschitz Interprtation : tant quune dformation ne change pas la nature dune e e singularit, la rgularit Lipschitzienne associe nest pas modie. e e e e e
(LJK, Grenoble)
28 / 60
Qualit de lestimation de e
10
20
30
40
50
60 10 20 30 40 50 60
20
40
60
80
100
20
40
60
80
100
(LJK, Grenoble)
29 / 60
900
Modules Maxima
2
800
700
Nombre de maxima
600
1.5
500
400
300
0.5
200
100
10 20 30 40 50 60 70 80 90 100
Echelle
0 3
2.5
1.5
0.5
0.5
1.5
Quantitativement : plus de LC que de ML Qualitativement : meilleurs rsultats pour les LC que les ML e Sur Barbara, nombreuses rgularits comprises entre 1 et 0.5, o` e e u lestimation est satisfaisante (en dpit dun certain biais) e Robustesse de lestimation par les LC ?
(LJK, Grenoble) 30 / 60
20
80
0.14
0.12
0.1 Regularite
0.08
0.06
0.04
0.02
20
80
Deux images, originale et dforme (dformation ane connue) e e e Estimation de rgularit en des points e e
i i i i issus de limage originale pO = (xO , yO ) : O j j j j issus de limage dforme pD = (xD , yD ) : D e e
j i Connaissant la dformation, appariements du type (pO , pD ) e j i Calcul de la dirence d = |O D | e La proportion dappariements pour lesquels d < 0.2 reprsente e
80% pour limage Barbara 97% pour une image gomtrique reprsentant un carr e e e e
(LJK, Grenoble)
32 / 60
Bleu
Vert
Rouge
(LJK, Grenoble)
33 / 60
Les lignes de Canny apparaissent comme mieux adaptes ` e a lestimation de la rgularit Lipschitzienne e e Cette estimation de en des points singuliers sav`re robuste ` des e a dformations gomtriques e e e Autres tests, robustesse vis ` vis de lajout de bruit a Existence dun certain biais par rapport aux valeurs attendues sur une image gomtrique e e
(LJK, Grenoble)
34 / 60
Liens entre Scale-Space et ondelettes Nouveau mcanisme de slection dchelle fond sur les ML e e e e Dtecteur de rgions dintrt par ML e e ee Caractrisation des objets dtects par ML e e e
(LJK, Grenoble)
35 / 60
Echelle Oprateur e
Gnralisations permises par les ondelettes e e (fonction chelle 2D au lieu dun noyau Gaussien) e Originalit de lapproche par ondelettes : lignes de maxima e
(LJK, Grenoble)
36 / 60
Remarque sur loprateur Laplacien e Dtection de structures 2D de type blob e Oprateur t L, L = f Gt e Pour = 1, t L = tL = tf Gt = f (G )t
Consquence : galit entre e e e la TOC 2D Wf (x, y , t), ondelette G , normalisation L1 loprateur Laplacien issu du Scale-Space tL(x, y , t) e
(LJK, Grenoble)
37 / 60
Liens entre Scale-Space et ondelettes Existence de lignes de maxima Comportement des lignes vis ` vis de dformations gomtriques a e e e Construction numrique de lignes de maxima e Pertinence des lignes de maxima issues de transformes en ondelettes e pour la dtection de structures remarquables e lesquelles pourront tre associes ` des rgions dintrt e e a e ee
(LJK, Grenoble)
38 / 60
Dtection de structures 2D de type blob e Slection de maxima le long de ML e (maximum local en chelle de la rponse le long dune ML) e e Comparaison avec la slection classique e (maximum en espace et en chelle) e Conditions sur les proprits des ML plutt que sur un seuillage ee o Existence de jonction de ML Intrt : association entre ML et objets prsents dans limage ee e
(LJK, Grenoble)
39 / 60
1.2
0.8
0.8
0.6
Amplitude
0.6
0.4
0.4
0.2
0.2
0.2
0.2 100 200 300 400 500 600 700 800 900 1000
0.4
Temps
0.6 5
Signal
9 8 7
Ondelette Sombrero
100
200
300
400
500
600
700
800
900
1000
Ensemble des ML
(LJK, Grenoble)
Lignes associes ` du bruit e a Lignes isoles e Lignes impliques dans une jonction e
40 / 60
Reponse |Wf|
Reponse |Wf|
Reponse |Wf|
0.06
0.3
0.05
0.28
0.25
0.04
0.26
0.2
0.03
0.15
0.1
0.05
s*
0 5 10 15 20 25 30 35 40 45 50 0.2 20 40 60 80 100 120 0 20 40 60 80 100 120
Echelle s
Echelle s
Echelle s
ML bruit
ML isole e
(LJK, Grenoble)
41 / 60
Lignes remarquables : ML ayant la double proprit ee jonction en (u , s ) Mise en vidence de certains objets : jonction de ML e dlimits par des singularits, en u0 et u1 e e e associs ` une jonction de ML (u , s ) e a maximum local de la rponse u |Wf (u(s), s)| en s = s e
(LJK, Grenoble)
42 / 60
80
0.8
110
100
0.7
120
0.6
120
0.5
130
Reponse
0.4
140
0.3
140
160
0.2
150
0.1
180
0 5 10 15
80
100
120
140
160
180
160
s*
20
25
30
35
40
100
110
120
130
140
150
160
Echelle s
ML extrieures e
ML intrieures e
(LJK, Grenoble)
Construire toutes les ML associes ` une image e a Slectionner un certain nombre de ML Li pour lesquelles la rponse e e admet un maximum en (xi , yi , si ) Regrouper celles ayant les mmes (xi , yi , si ) e Mise en vidence dun objet caractris par les ML associes e e e e
Jonction de ML (x , y , s ) Origines des ML (xi0 , yi0 )
(LJK, Grenoble)
44 / 60
Approche globale, chelle caractristique moyenne (Luo07) e e Approche locale, chelle caractristique dun objet (Lindeberg98) e e Image originale f , image dforme f1 , dnie par e e e f (x, y ) = f1 (x, y ) ( > 0) Si (x, y , t) tL(x, y , t) admet un maximum local en (x , y , t ) alors tL1 (x, y , t) admet un maximum local en (x , y , 2 t ) et les rponses associes sont identiques e e = : chelle caractristique dun objet prsent dans limage s e e t e localis en (x , y ) e L = f Gt , L1 = f1 Gt
(LJK, Grenoble)
45 / 60
Pour un point dintrt (x , y , s ), chelle caractristique classique s ee e e Pour une ML dont la rponse admet un maximum local en (x , y , s ) e et dont lextrmit est localise en (x0 , y0 ) e e e S = (x x0 )2 + (y y0 )2
(LJK, Grenoble)
46 / 60
50
50
50
100
100
100
150
150
150
200
200
200
(LJK, Grenoble)
47 / 60
Image reprsentant un disque, dirents niveaux de bruit e e Echelle caractristique par ML robuste au bruit e
20
12.5
Nombre de ML pertinentes
18 16 14 12 10 8 6 4 2 25 20 SNR (dB) 16
10 12
Echelle caracteristique
11.5
11
10.5
9.5
26
20
16
14
12
10
SNR (dB)
Nombre de ML
Echelle S
(LJK, Grenoble)
48 / 60
50 100 150 200 250 300 350 400 450 500 100 200 300 400 500
250 50 100 150 200 250 200 150 100 50
Cas bruit e
(LJK, Grenoble)
49 / 60
Ncessit de quantier si le dtecteur par ML permet de dtecter e e e e direntes rgions dintrt indpendamment des conditions dobservation e e ee e (et ainsi dextraire des caractristiques invariantes par la suite) e
(LJK, Grenoble)
50 / 60
Deux images I1 et I2 , associes ` n1 et n2 rgions dintrt e a e ee Connaissant la dformation, mesurer les erreurs de recouvrement e Dterminer un certain nombre de correspondances entre rgions e e Score de rptabilit RS = e e e
nbCorrespondances min(n1 ,n2 )
(0 RS 1)
(LJK, Grenoble)
51 / 60
Image de rfrence ee
Image dforme e e
Courbes de rptabilit e e e
(LJK, Grenoble)
52 / 60
Performances du dtecteur ML e
Rsultats corrects, mais infrieurs aux meilleurs dtecteurs actuels e e e Diversit des objets 2D, les ML permettent den mettre en vidence e e une partie (conditions strictes imposes par les ML, objets dlimits e e e par des singularits) e
100 90 80 70 60 50 40 30 20 10 0 100 90 80 70 60 50 40 30 20 10 0 20
1.2
1.4
2.4
2.6
2.8
25
55
60
Changement de perspective
53 / 60
Probl`me : dterminer une forme sommaire de lobjet associ ` un e e ea point dintrt ee Approche classique : estimation dune ellipse par un algorithme de Shape Adaptation (Lindeberg) Convergence dans 50% des cas en pratique Approche par ML
0 0 e Origines des ML (xk , yk )kK : singularits Estimation dune ellipse
(LJK, Grenoble)
54 / 60
Point dintrt (x , y , S ) ee
(LJK, Grenoble)
55 / 60
20
20
40
40
60
60
80
80
100
100
Point dintrt ee (x , y , S )
Estimation robuste au bruit pourvu quil y ait susamment de ML Importance du nombre de ML impliques dans une jonction e
(LJK, Grenoble)
56 / 60
Mcanisme de slection dchelle, utilisant les proprits des ML e e e ee plutt quun seuillage o Grandeurs caractristiques robustes e
Rgularit Lipschitzienne associe ` des points singuliers e e e a Echelle caractristique de lobjet, fonde sur une distance e e
Estimation de la forme de lobjet par ML (ellipse) alternative ` lalgorithme de Shape Adaptation (Lindeberg) a
(LJK, Grenoble)
57 / 60
Perspectives
Jonction de ML et maximum local de la rponse le long de celle-ci e Cadre dexistence de lignes de maxima plus gnrales e e Utilisation de lignes de maxima plus gnrales e e (caract`re complmentaire des ML et des LC) e e Test de rptabilit portant sur la rgularit Lipschitzienne e e e e e Caractrisation des structures 2D, comme par ex. e e ML impliques dans une jonction rgularits Lipschitziennes e e blob, dtecteur ML, e e e chelle caractristique S estimation de la forme par ML
(LJK, Grenoble) 58 / 60
Bibliographie
A. Almansa, T. Lindeberg. Fingerprint enhancement by shape adaptation of scale-space operators with automatic scale-selection. IEEE Transactions on Image Processing, 12(9) :2027-2042, 2000. C. Damerval, S. Meignen. Blob detection with wavelet maxima lines. IEEE Signal Processing Letters, 14(1) :3942, 2007. C. Damerval, S. Meignen. Computation of blob-like structures characteristic scale with wavelet maxima lines. Proceedings of the 6th Conference on Curves and Surfaces, pp. 111120. Nashboro Press, June 29 - July 5, 2006. T. Lindeberg. Feature detection with automatic scale selection. International Journal of Computer Vision, 30(2) :77116, 1998. K. Mikolajczyk, T. Tuytelaars, C. Schmid, A. Zisserman, J. Matas, F. Schaalitzky, T. Kadir, L. V. Gool. A comparison of ane region detectors. International Journal of Computer Vision, 62(1) :4372, 2005. K. Mikolajczyk, C. Schmid. Scale and ane invariant interest point detectors. International Journal of Computer Vision, 60(1), 2004.
(LJK, Grenoble)
59 / 60
(LJK, Grenoble)
60 / 60