Documente Academic
Documente Profesional
Documente Cultură
Segmentation
Alain Boucher - IFI
aboucher@ifi.edu.vn
Segmentation
La segmentation vise sous-diviser limage en constituants distincts objets La segmentation est lie la reconnaissance.
les discontinuits les arrtes, les changements abruptes, les similitudes (zones homognes) couleurs, textures, intensits,
Segmentation rgions/contours
Approches rgions
Rechercher les zones dans limage sur un critre dhomognit Rechercher les discontinuits entre rgions
Approches contours
Une rgion est dlimite par un contour Un contour spare deux rgions
Segmentation contours
La segmentation en contours d'une image se fait principalement en utilisant les dtecteurs par convolution dj vus. Cependant, ces dtecteurs ne donne pas des contours ferms et sont sensibles aux bruits.
Une tape de seuillage du gradient, du Laplacien ou autre est ncessaire. Ensuite, il faut fermer les contours et conserver les contours significatifs.
Le seuillage est une mthode simple et trs populaire pour la segmentation d'objets dans les images numriques. Le seuillage peut tre de nature
Globale : un seuil pour toute l'image Locale : un seuil pour une portion de l'image Adaptative : un seuil qui s'ajuste selon les images/parties de
l'image.
Si valeur(pixel) >= seuil alors valeur(pixel) = 1 Si valeur(pixel) < seuil alors valeur(pixel) = 0
Seuillage d'histogramme
Avantages
Universel, temps rel, simplicit Fonctionne bien sur des histogrammes multi-modaux Connatre le nombre de classes Apparition de faux lments (aucune prise en compte de la composante spatiale) Nombre de modes souvent nombre de classes attendu
2 modes pour 3 classes
Vision par ordinateur - Alain Boucher 9
Inconvnients
Seuillage simple
1 si f ( x, y) T g( x, y) 0 si f ( x, y) T
Source : http://www.gpa.etsmtl.ca/cours/gpa669/
Vision par ordinateur - Alain Boucher 10
Seuillage multiple
2 si f ( x , y ) T2 g ( x , y ) 1 si T2 f ( x , y ) T1 0 si f ( x , y ) T
11
Seuillage
Comment trouver le seuilT ? Une valeur obtenue par tests La valeur moyenne des tons de gris La valeur mdiane entre le ton maximum et le ton minimum Une valeur qui balance les deux sections de l'histogramme - seuillage automatique
12
Exemple de seuillage
13
Exemple d'algorithme :
Choisir un T initial (moyenne, mdiane ) On obtient 2 groupes de pixels G1 si f(x,y) > T et G2 si f(x,y) T Calculer les moyennes de tons de gris pour G1 et G2 -> 1 et 2 Calculer une nouvelle valeur de T
Rpter jusqu' ce que T soit ~ constant
T = 1/2 (1 + 2)
Otsu, Kittler, K-moyennes, Il faut les tester pour chaque nouvelle application
Vision par ordinateur - Alain Boucher 14
T = 125
15
Problme d'clairage ?
16
Problme : Le seuillage global ne peut traiter ce cas Solution : seuillage local adaptatif
17
Nous avons besoin de sparer l'image en sous images, et de traiter chacune avec son propre seuil
Le choix de la dimension des sous-images est critique Avant de traiter chaque sous-image, nous vrifions la variance des tons de gris pour dcider s'il existe un besoin de segmentation
18
19
Bimodal ??
Vision par ordinateur - Alain Boucher 20
Division-Fusion de rgions
Initialisation
Etape de division
Etape de fusion
Post-traitement
Croissance de rgions
L'algorithme dbute avec un pixel, et "collectionne" les pixels voisins qui rpondent un critre d'appartenance :
Le(s) pixel(s) initials (ou initiaux) sont appels "germes" ou "semences". La rgion "grandit" partir de son germe. Une connaissance a priori est utile pour slectionner les germes.
22
Croissance de rgions
23
On considre la visualisation de l'image en 3D, en utilisant le ton de gris comme troisime dimension
Image 2D
Source : http://www.gpa.etsmtl.ca/cours/gpa669/
Visualisation en 3D
Vision par ordinateur - Alain Boucher 24
25
26
27
28
Segmentation conseils
Aucune mthode ne fonctionne pour toutes les images. Pas de garantie, pas de recette miracle!
Pour certaines applications, on ralise qu'on peut viter la segmentation complte de l'image. C'est souvent mieux. Le pr-traitement des images, la slection de capteurs et sources dnergie appropries, et la prise contrle des images rendent cette tape plus facile et plus efficace.
Vision par ordinateur - Alain Boucher 29
Segmentation conseils
Le problme d'valuer le rsultat d'une segmentation n'est pas vident. Bien souvent, il est subjectif et varie d'une personne l'autre. Un des principaux problme est de dfinir le but de la segmentation : Qu'est-ce qu'on recherche exactement
dans l'image ?
Elments globaux de l'image ou dtails fin de la composition ? Prsence d'un humain ou dtails du visage ?
Il est bon de se poser aussi la question de ce que l'on veut faire ensuite avec la segmentation. Cela permet de dfinir le degr de prcision ncessaire.
Vision par ordinateur - Alain Boucher 30
Segmentation vs groupement
Aujourd'hui, on dlaisse de plus en plus le terme de segmentation, qui sousentend une sparation plus exacte de l'image, pour celui de groupement de pixels (grouping), qui ne fait appel qu' une notion de similarit de pixels sans aucune relation de contenu.
Extrait de [Malik 2001].
Vision par ordinateur - Alain Boucher 31
Approche Gestalt
Une autre approche de la segmentation/groupement sinspire de la psychologie et de lobservation de l'humain et de son environnement Cette approche est base sur les travaux de Gestalt sur la vision humaine
Importance du contexte dans cette approche.
32
Approche Gestalt
Proximit : objets proches sont regroups Similarit : objets semblables sont regroups Tendance commune : objets avec un mouvement cohrent semblable sont regroups Rgion commune : objets lintrieur dune mme rgion sont regroups Paralllisme : courbes ou objets parallles sont regroups Fermeture : courbes ou objets qui peuvent former des objets ferms sont regroups Symtrie : courbes ou objets qui peuvent former des objets symtriques sont regroups Continuit : courbes ou objets formant une continuit (au sens esthtique) sont regroups Configuration familire : courbes ou objets formant des objets connus sont regroups.
Vision par ordinateur - Alain Boucher 33
Approche Gestalt
34
Approche Gestalt
Comment intgrer des rgles de regroupement dans un algorithme? Comment gnrer des hypothses?
35