6.3 Détection des objets par analyse globale de l’image
Les objets de petite taille sont représentés dans les images par des détails. La détection des objets peut alors s’effectuer au travers d’une recherche des détails dans l’image.
Ce problème peut être assimilé au problème de séparation du fond et des objets : ici nous cherchons à séparer les zones de détails des autres zones. En reprenant les notations introduites dans la section 3.1, nous notonsIle domaine sur lequel est définie l’image etRle domaine des détails de l’image. La partie complémentaireR = {IRreprésente alors les zones qui ne sont pas considérées comme des détails. Dans la section 3.3, nous avons montré que nous pouvions séparerRetRà l’aide d’une analyse multirésolution. Nous utilisons ici cette même approche multirésolution pour détecter les objets de petite taille.
6.3.1 Principe
La suppression des détails présents dans une image s’effectue par changements successifs de résolution. Dans cette méthode multirésolution, l’image peut donc être représentée par une pyramide dont la base serait l’image originale. Deux étapes sont nécessaires pour supprimer les détails. Dans un premier temps, la résolution de l’image est diminuée jusqu’à atteindre la résolutionrmax. Cette diminution a pour effet de supprimer les détails, notamment les objets de petite taille. Dans un second temps, le processus inverse est réalisé et la résolution est aug-mentée jusqu’à obtenir une image de taille identique à l’image originale. Il est alors possible de comparer les deux images en calculant leur différence.
Différentes techniques peuvent être utilisées pour effectuer les changements de résolution.
Lorsque la résolution décroît, chaque nouveau pixel est caractérisé à partir des caractéristiques d’un ensemble de pixels de l’image à la résolution précédente. Nous utilisons la moyenne de l’ensemble pour générer la nouvelle valeur. Lorsque la résolution augmente, un ensemble de pixels est créé à partir d’un seul pixel de l’image à la résolution précédente. Nous utilisons, dans ce cas, une recopie des pixels d’origine pour générer les nouvelles valeurs. Nous avons respectivement préféré la moyenne et la recopie à la médiane et l’interpolation du fait de leur plus faible coût de calcul. De plus, nous avons vérifié expérimentalement que les mesures plus complexes (médiane et interpolation) n’apportaient pas de meilleurs résultats.
Le traitement précédent permet la suppression des détails présents dans l’image. Les objets de petite taille ne sont alors plus représentés dans l’image obtenue. Afin de localiser ces objets, une différence entre l’image originale et l’image filtrée est donc effectuée. La différence obtenue pour chaque pixel est finalement comparée à un seuil de toléranceSdiff. Une valeur de différence
6.3. Détection des objets par analyse globale de l’image 108 supérieure au seuil correspond à la disparition d’un détail à la position analysée. Il est ainsi possible d’étiqueter les différents pixels de l’image de différence en "détail" (pouvant appartenir aux objets de petite taille) ou "autre région".
A l’issue du traitement nous disposons d’une image binaire. Les objets de petite taille étant composés des pixels étiquetés comme "détail", une analyse de l’image binaire est alors effectuée pour déterminer la position exacte de ces objets. Cette analyse consiste en la recherche, dans une fenêtre de taille prédéfinieN ×N, des régions ou ensembles de pixels de détail connexes dont la taille (c’est-à-dire le nombre de pixels appartenant à la région) est comprise dans un intervalle fixé selon l’objet recherché. Afin d’éviter les régions appartenant à des fenêtres voisines, nous ne considérons pas les régions appartenant à plusieurs fenêtres. Les fenêtres utilisées pour l’analyse se chevauchent donc pour ne pas perdre de région pouvant correspondre à un objet de petite taille. Le décalage utilisé est égal à N2.
6.3.2 Résultats
Afin de valider l’approche proposée, nous avons effectué des tests sur des images couleur RGB issues de retransmissions télévisées de matchs de football. Le petit objet considéré est ici le ballon. Les paramètres utilisés ont été déterminés expérimentalement et sont donnés dans le tableau 6.1.
Paramètre Valeur
Nombre de pixels minimum de l’objet recherché 10 Nombre de pixels maximum de l’objet recherché 70 TailleN ×N de la fenêtre analysée 50×50
Hauteur de la pyramidermax 4
Seuil de différenceSdiff 60
TAB. 6.1 – Paramètres utilisés pour la détection globale de petits objets (ballon dans un match de football).
La figure 6.5 illustre les résultats obtenus en considérant l’image originale donnée dans la figure 6.4. La colonne de gauche représente les résultats obtenus à l’aide de la moyenne et de la recopie tandis que la colonne de droite montre l’utilisation de la médiane et de l’interpolation.
Les différentes lignes, quant à elles, illustrent le nombre de changements de résolutions effec-tués. Il est possible de noter que plus ce nombre (qui est équivalent à la hauteur de la pyramide) est important, plus la qualité de la détection est importante. Cependant, le temps de calcul étant proportionnel au nombre d’opérations effectuées, cette amélioration de la qualité s’accompagne d’un temps de calcul plus important. En considérant le jeu de paramètres décrit dans le tableau
6.3. Détection des objets par analyse globale de l’image 109 6.1 et une architecture PC Pentium 4 candencé à 1700 MHz, le temps de calcul requis est égal à 65 millisecondes pour une image de taille384×288pixels.
FIG. 6.4 – Exemple d’image utilisée pour la détection des objets de petite taille.
FIG. 6.5 – Détection des objets de petite taille par approche globale : les changements successifs de résolution sont effectués en considérant la moyenne et la recopie (à gauche) ou la médiane et l’interpolation (à droite), pour une hauteur de pyramide variant dermax = 2(en haut) àrmax= 5 (en bas).
Afin de supprimer les détails présents dans les images, nous avons également mené des expériences basées sur l’utilisation d’opérateurs de granulométrie (ouverture et fermeture mor-phologiques). Les résultats obtenus, quoiqu’également intéressants, n’étaient pas suffisants pour accepter le surcoût nécessaire en temps de calcul.
D’après les résultats obtenus, cette méthode globale ne permet pas de respecter la contrainte Crapidité. Nous avons donc envisagé une approche locale pour résoudre le problème dans un laps de temps plus court.