Comparaison des segmentations

Les exp´eriences r´ealis´ees dans cette partie consistent `a tester diff´erents parcours (Hilbert-Peano et escargot) avec diff´erents mod`eles de Chaˆınes de Markov (HMC, PMC et TMC).

Pour neutraliser l’effet de l’initialisation sur le r´esultat final de la segmentation, nous avons choisi d’utiliser l’algorithme Kmeans pour initialiser tous les mod`eles (Sous-section4.3.1). Le but de ces exp´eriences est d’´evaluer l’impact du parcours sur la segmentation.

Pour simplifier la notation, nous utiliserons la premi`ere lettre de la m´ethode de l’ini-tialisation et le type du parcours pour noter chaque mod´elisation. Par exemple la notation HMC SK exprime l’utilisation du mod`ele HMC avec le parcours Escargot (S pour Snail) et une initialisation par l’algorithme Kmeans. Nous utiliserons la mˆeme notation pour toutes les mod´elisations test´ees dans ce chapitre.

Les Figures 4.7, 4.8 et 4.9 pr´esentent des exemples d’images originales et leurs segmen-tations respectives selon les diff´erentes mod´elisations. Les images de l’iris s´electionn´ees sont de mauvaise qualit´e et difficiles `a segmenter. `A titre d’exemple, l’image de la premi`ere ligne est prise avec un faible ´eclairage mais r´egulier, par cons´equent elle souffre de faible contraste, la deuxi`eme, la troisi`eme et la cinqui`eme sont prises avec un ´eclairage irr´egulier donc la r´ e-partition d’illumination est h´et´erog`ene sur l’image. La quatri`eme englobe plusieurs artefacts tels que une forte variation d’illumination, un faible contraste iris/sclera et une occlusion par les paupi`eres et les cils. Notre ´evaluation qualitative est visuelle, bas´ee sur le fait que la r´egion de l’iris est bien s´epar´ee de la pupille et de la sclera ou non. Nous avons constat´e que les segmentations finales par les mod´elisations bas´ees sur leparcours Escargot pr´eservent ou am´eliorent les r´esultats en comparaison avec les mod´elisations bas´ees sur leparcours Hilbert-Peano. D’autre part, l’utilisation du parcours Escargot permet d’avoir des contours de l’iris plus r´eguliers qui facilitent la mod´elisation de ces contours par des contours param´etr´es.

Globalement, nous constatons que l’utilisation de la mod´elisation HMC SK donne des r´esultats nettement meilleurs que ceux fournis par la mod´elisation PMC SK. Ceci est dˆu au fait que le mod`ele PMC SK a tendance `a fusionner des pixels non iris `a la classe iris, ce qui peut ˆetre d´esavantageux pour la recherche des contours param´etr´es.

Figure4.7 – Segmentation d’images d´egrad´ees de l’iris (ICE-2005) par les mod´elisations ba-s´ees sur le mod`ele HMC. De gauche `a droite : image originale, initialisation par Kmeans, HMC PK, HMC SK. De haut en bas : Image 245102.pgm, Image 240016.pgm, Image 242025.pgm, Image 247124.pgm, Image 222305.pgm

Figure 4.8 – Segmentation d’images d´egrad´ees de l’iris (ICE-2005) par les mod´ elisa-tions bas´ees sur le mod`ele PMC. De gauche `a droite : image originale, initialisation par Kmeans, PMC PK, PMC SK. De haut en bas : Image 245102.pgm, Image 240016.pgm, Image

Figure4.9 – Segmentation d’images d´egrad´ees de l’iris (ICE-2005) par les mod´elisations ba-s´ees sur le mod`ele TMC. De gauche `a droite : image originale, initialisation par Kmeans, TMC PK, TMC SK. De haut en bas : Image 245102.pgm, Image 240016.pgm, Image 242025.pgm, Image 247124.pgm, Image 222305.pgm

Figure 4.10 – Segmentation d’images d´egrad´ees de l’iris (ICE-2005) par les mod´elisations bas´ees sur les mod`eles TMC et TMC-SOP (Triplet Markov Chain with One Stationarity of Pupil noise). De gauche `a droite : TMC PK, TMC-OSP PK, TMC PK, TMC-OSP PK , segmentation par TMC. De haut en bas : Image 245102.pgm, Image 240016.pgm, Image

Notre analyse qualitative, montre qu’il n’y a pas une diff´erence significative entre les segmentations produites par les mod´elisations TMC PK et TMC SK. Nous avons remarqu´e une tendance `a fusionner des pixels de la r´egion de l’iris avec la r´egion de la pupille. Nous avons consid´er´e jusqu’`a maintenant un mod`ele TMC avec deux de classes pour le processus auxillaire qui mod´elise la variation d’illumination. Cependant, nous avons not´e que la variation de l’´eclairage n’affecte pas l’illumination de la r´egion de la pupille. Pour cette raison, nous avons suppos´e que le bruit de la classe pupille est stationnaire. Nous avons propos´e de mod´eliser le processus auxiliaire de la r´egion pupille par une seule classe contrairement aux autres classes recherch´ees pour lesquelles nous gardons deux de classes. Cette configuration nomm´ee TMC-OSP (Triplet Markov Chain with One Stationarity of Pupil noise), permet d’am´eliorer la qualit´e de la segmentation de la r´egion pupille en comparaison avec la configuration initiale (mˆeme nombre de classes du processus auxiliaire). La figure4.10montre la segmentation des images pr´ec´edentes par les mod´elisations bas´ees sur le mod`ele TMC-OSP.

En r´esumant cette ´etude qualitative, nous constatons deux points importants :

• Le parcours Escargot pr´eserve ou am´eliore le r´esultat de la segmentation par rapport au Parcours Hilbert-Peano.

• Les mod`eles HMC SK et TMC-OSP SK ont tendance `a am´eliorer les r´esultats par rapport `a l’initialisation, contrairement au mod`ele PMC SK qui pr´eserve, voire d´egrade, les segmentations intiales.