La représentation numérique d’une caractéristique visuelle telle que la couleur, la tex-ture ou la forme est l’étape la plus importante dans un processus de reconnaissance automatique, ce procédé est reconnu par l’effet d’extraction de variable. Plusieurs modes de caractérisation sont proposés dans la littérature qui peuvent être exploités dans de nombreuses applications. Toutefois, le choix des caractéristiques efficaces pour résoudre une problématique bien précise est devenue une question importante à laquelle nous nous intéressons. Notre travail repose essentiellement sur l’étude de l’effet de la composante
CHAPITRE 1. CARACTÉRISATION SUPER-PIXELLIQUE
couleur dans la classification super-pixellique pour la segmentation des globules blancs à partir des images cytologiques.
Une fois l’image est subdivisée en super-pixels, chacun peut se caractériser par 3 com-posantes couleurs SPj = fE1; E2; E3g (Fig 18), et dans chaque composante couleur, le super-pixel est caractérisé par des intensités en niveau de gris (SPi= fI1; I2; :::; IN}). On fait appel à des techniques de caractérisation de type couleur pour traduire la composante couleur en un vecteur caractéristique (V C) (Fig 18), qui sera présenté dans un classifieur par la suite.
L’objectif de cette phase est l’identification des caractéristiques dites pertinentes, ayant le pouvoir de bien discriminer les régions d’intérêts. Certainement, la qualité de classi-fication dépend de la qualité de caractérisations, et la caractérisation non pertinente ou redondante peut dégrader les résultats de segmentation.
Figure 18 – Caractérisation super-pixellique. Couleur moyenne (Color Mean (CM))
Est l’une des caractérisations les plus basiques existantes dans la littérature, Le vecteur caractéristique CM inclus simplement 3 paramètres f—E1; —E2; —E3g issues de la moyenne des intensités In de chaque espace couleur Ej 2 fE1; E2; E3g(Eq:1:7):
—Ej = 1 N N X i=1 Ii ; j = 1; 2; 3 (1.7)
Statistiques de premier ordre (First-Order Statistics (FOS))
Des mesures statistiques peuvent être appliquées pour chaque supixel, elles per-mettent de fournir des informations sur la répartition des niveaux de gris dans chaque espace couleur Ej 2 fE1; E2; E3g. Ce sont des mesures simples mais considérées comme efficaces. Le vecteur de caractéristique (FOS) comprend 5 mesures statistiques sur chaque composante couleur (15 caractéristiques au total) : le niveau de gris moyen (—Ej), la va-riance (ffEj) le troisième (mEj
3 ) et le quatrième (mEj
4 ) moments statistiques avec l’entropie (HEj). —Ej = 1 N N X i=1 Ii ; j = 1; 2; 3 (1.8)
ffEj = r X (i ` —Ej)2Ii ; j = 1; 2; 3 (1.9) mEj 3 = X (i ` —Ej)3Ii ; j = 1; 2; 3 (1.10) mEj 4 = X (i ` —Ej)4 Ii ; j = 1; 2; 3 (1.11) HEj = ` X Iilog(Ii) ; j = 1; 2; 3 (1.12) Contraste
Par définition, le contraste produit la différence d’information entre une région donnée et son voisinage en fonction de l’intensité du niveau de gris. Dans notre application, le super-pixel est considéré comme la région donnée. Plus la différence de valeur du niveau de gris est faible, plus le contraste est faible, ce qui indique une forte similarité avec les super-pixels voisins. Domingo Mery [136] a défini le contraste comme suit :
C1 = —SPi ` —SPj
—SPj ; C2=
—SPi ` —SPj
—SPi + —SPj; C3 = ln(—SPi=—SPj) (1.13) Où —SPi et —SPj indiquent la valeur moyenne de niveau de gris dans le super-pixel SPi et dans le super-pixel voisin SPj respectivement.
Deux autres caractéristiques de contraste sont suggérées par [137], qui peuvent être résumé en quatre étapes :
1. Nous prenons le profil dans la direction x et dans la direction y positionnée au centre de gravité de la région (SPi et SPj respectivement).
2. Nous calculons les rampes R1 et R2, considérés comme l’estimation d’une fonction du premier ordre qui contient l’ intensité maximale et minimale d’un super-pixel SPi. 3. Nous calculons l’ensemble de profil Q = fQ1; Q2g :
Q1 = ISPi ` R1; Q2= ISPi ` R2 (1.14) 4. Les nouvelles caractéristiques de contraste sont données par :
C4= ffQ (ffQ = carttype(Q)); C5= ln(Qmax` Qmin) (1.15) Moments de Hu avec intensité
Les moments et les invariants associés ont été largement analysés dans de nombreuses applications de reconnaissance de formes pour caractériser une région dans l’image, nous citons : les moments géométriques [138], des moments proches [139], des moments de rotation [140] et les moments complexes [141].
Les moments invariants ont été introduits par Hu. [138], Hu a défini 6 invariants or-thogonaux absolus et un invariant orthogonal oblique, ces mesures sont basées sur des invariants algébriques qui sont non seulement indépendants de la position, de la taille et de l’orientation, mais également indépendants de la projection parallèle. Statistiquement le moment est défini par :
mrs= X
i;j
irjs avec r; s 2 N (1.16)
CHAPITRE 1. CARACTÉRISATION SUPER-PIXELLIQUE
Domingo Mery [136] a considéré l’information du niveau de gris dans les moments de Hu comme une caractérisation pertinente dans la reconnaissance automatique, moments de Hu avec intensité sont calculés comme suit :
mrs = X
i;j
irjsI(i; j) (1.17) Avec r; s 2 N et I intensité du niveau de gris. Le paramètre r + s est appelé l’ordre du moment.
5 Plan d’expérimentations
La classification super-pixellique est devenue une approche très attrayante dans la seg-mentation des images couleurs. Les épreuves de l’intelligence artificielle en segseg-mentation provoquent une efficacité appréciable de segmentation via un concept de classification pixellique. Généralement ce concept procède à un parcours de pixel par pixel pour l’ac-tion de segmental’ac-tion, cela cause des limites et des complexités de calcul. Une solul’ac-tion est proposée, il est intéressant de manipuler un sous-ensemble de pixel (super-pixel) au lieu de pixel par pixel. La solution est donc de passer de l’échelle du pixel à l’échelle du super-pixel intégrant un traitement qui nous génère des sous-régions homogènes dans l’image, dite super-pixel.
Pour ce faire, il est nécessaire de passer par une phase de pré-traitement du supe-pixel, et une phase de caractérisation super-pixellique (Fig.16), et ceci dans le but de préparer les données qui seront présentées à un classifieur par la suite. Le succès de la classifica-tion réside dans l’efficacité des données préparées, de ce fait, il nous est apparu évident d’étudier attentivement la phase de caractérisation dans laquelle nous nous attelons à répondre aux questions liées à ce contexte, qui sont :
– La normalisation de couleur a-t-elle une influence sur la segmentation ? – Quel est le meilleur espace couleur ?
– Quelle est le meilleur mode de caractérisation ?
Un plan d’expérimentations a été mis en place afin de mieux répondre aux questions posées, la figure 19 résume les étapes de notre plan d’expérimentation. Les traitements appliqués commencent à partir de l’étape 1 jusqu’à l’étape 5.
– L’étape 1 a pour but d’étudier l’influence de la normalisation couleur en utilisant différente technique de normalisation, ceci nous permet de comparer les résultats par rapport à la segmentation sans normalisation.
– L’étape 2 sert uniquement à traiter individuellement chaque espace couleur à part dans le processus de segmentation.
– L’étape 3 a pour but d’application l’algorithme SLIC pour générer les super-pixels dans l’image.
– L’étape 4 est étape clef dans le processus de classification, elle consiste à analyser différent mode de caractérisation en fonction de chaque espace couleur.
– L’étape 5, les données préparées issues de l’étape 4 sont présentées à un algorithme d’apprentissage supervisé, afin de générer une hypothèse de classification qui sera ex-ploitée dans la classification super-pixellique.
Dans le plan présenté, 3 étapes importantes font l’objectif de cette étude, la normalisation couleur (étape 1), la composante couleur (étape 2) et la caractérisation super-pixellique (étape 4). Notre proposition consiste à manipuler 9 procédés de normalisation, 4 espaces couleurs et 4 techniques de caractérisations, ce qui fait en tous 144 combinaisons possibles pour analyser individuellement chaque aspect dans le processus de segmentation. La figure 20 présente l’exemple d’une expérience de la normalisation CGWN en fonction de 4 espaces couleurs et de 4 techniques de caractérisations.
Figure 19 – Plan d’expérimentations.
Figure 20 – Exemple d’une expérimentation.
CHAPITRE 1. CARACTÉRISATION SUPER-PIXELLIQUE