Descripteurs de texture

--1166-

-Pour prendre en compte l'information locale, plusieurs modification de l'histogramme de couleur sont proposées dans la littérature, telles que les vecteurs de cohérence de couleurs [34] les corrélogrammes de couleurs [35] et les histogrammes nommés Histogramme de blobs [36]

Figure 2.3- Deux images différentes avec histogrammes de couleur similaires [33].

2.2.2 Descripteurs de texture

La texture est une autre propriété fondamentale de l'image. Diverses représentations de texture ont été étudiées dans le domaine de reconnaissance de forme et de vision par ordinateur. Quoiqu'il soit facile de décrire, visuellement, des textures présentes dans une image, il est difficile de définir une texture précisément dans le domaine de l'analyse d'image, et cela dû à la diversité des propriétés des textures existantes. Une texture peut être considérée comme un agencement plus au moins régulier de motifs répétés ou de pixels sur un domaine spatial qui forme un ensemble. Les différentes propriétés de la texture telles qu'elles sont perçues par l'œil humain peuvent être exprimés par des adjectifs qualificatifs tels que: régulières, directionnelles, contrastées, grossières, fines, lisses, marbrées, granuleuses, etc. (voir figure 2.2 (a) à (d)). En véritables scènes, la perception de la texture peut être beaucoup plus compliquée. Les différentes intensités

--1177-

-de luminosité donnent lieu à un mélange -de perception humaine différente -de la texture (voir figure 2.2 (e) et (f)).

Dans la pratique, on peut distinguer deux approches pour définir une texture [37], la première correspond à une vision macroscopique de la texture (pour une analyse plus grossière), où elle est vue comme une répétition spatiale d'un motif élémentaire, appelé TEXTON. L'image de la figure 2.4 (a) représente un pavage où le motif est un pavé qui se répète d'une manière structurée. La deuxième, quant elle, correspond à une vision microscopique de la texture (pour des détails fins) où la représentation de la texture est considérée au niveau d'un voisinage du pixel lui-même. L'image de la figure 2.4(b) représente un pavé du pavage de la figure (a).

( (aa)) RReepprréésseennttaattiioonnmmaaccrroossccooppiiqquuee ((bb))RReepprréésseennttaattiioonnmmiiccrroossccooppiiqquuee Figure 2.4 -RReepprréésseennttaattiioonnmmaaccrroossccooppiiqquueeeettmmiiccrroossccooppiiqquueedd’’uunneetteexxttuurree((lleessiimmaaggeessssoonntt d deettaaiillllee774466××553388,,eelllleessssoonntteexxttrraaiitteessddeellaabbaasseeddeetteexxttuurree OOuuTTeexx))[[3388]]..

Les méthodes d'analyse de texture sont exploitées dans plusieurs applications de traitement de l'image et de la vision par ordinateur notamment dans des problématiques de segmentation ou de classification de texture. En effet, la classification d'images de texture a été utilisée dans plusieurs applications de contrôle qualité industrielle, d'analyse de documents, de visage ou d'images satellites [38]. De nombreuses méthodes pour calculer l'attribut de texture ont été proposées, néanmoins, il n'existe pas de méthode unique qui fonctionne mieux avec tous les types de texture.

Selon Manjunah et Ma [42], les méthodes couramment utilisées pour la description de texture peuvent être regroupées en trois catégories:

 Les méthodes statistiques

--1188-

- Les méthodes spatio-fréquentielles

Ces catégories sont brièvement expliquées ci-dessous: a) Les méthodes statistiques

Les méthodes statistiques analysent la distribution spatiale des valeurs de gris en calculant des caractéristiques locales à chaque pixel de l'image et en dérivant un ensemble de statistiques à partir de la distribution de ces caractéristiques locales. La matrice de cooccurrence des niveaux de gris (Gray level co-occurrence matrix: GLCM) [43] est la méthode statistique la plus utilisée pour extraire l'attribut texture. En effet, c'est la méthode qui décrit effectivement la notion de texture. C'est une matrice bidimensionnelle de probabilités conjointes entre des paires de pixels, séparés par une distance d, dans une direction donnée, r. Les directions utilisées sont 0, 45,90, 135 degrés (voir figure 2. 5). Car la description de la texture est basée sur la configuration de la répétition de l'occurrence de certains niveaux de gris.

(

(aa))LLeessddiirreeccttiioonnssrruuttiilliissééeess ((bb))LLaaddiissttaanncceedd((eennnnoommbbrreeddeeppiixxeellss)) s

sééppaarraannttlleeppiixxeellddeecceessvvooiissiinnss

Figure 2.5 -IIlllluussttrraattiioonnddeellaaddiirreeccttiioonneettllaaddiissttaanncceeuuttiilliissééeessddaannssllaaGGLLCCMM[[3388]]..

Si chaque image de la base est codée sur 256 niveaux de gris, alors la taille de la matrice de cooccurrence est de 256*256, et pour une grande base d'images, on remarque qu'une énorme quantité d'informations qui doit être indexée. Au lieu d'utiliser la matrice complète, Haralick et al. [43] ont défini 14 caractéristiques statistiques de texture à partir de cette matrice, les plus utilisés sont:

 L'énergie qui interprète l'homogénéité globale de l'image [39],

 l'entropie qui fournit une information sur le désordre que peut présenter la texture [39],

--1199-

- le contraste qui mesure l'uniformité de la texture [40]

 le moment différentiel inverse qui exprime l'homogénéité locale au sein de la texture [41].

b) Les méthodes basées sur la modélisation

Les méthodes basées sur la modélisation tentent de capturer le processus qui a généré la texture. En se servant des descripteurs qui sont basés sur la modélisation, certaines parties de l'image sont prises comme modèle et un algorithme d'estimation est utilisé pour définir les paramètres du modèle pour obtenir le meilleur ajustement [44]. Une image de texture peut être vue comme la réalisation d'un champ aléatoire, on suppose que l'image est modélisée par une fonction f(r, w), où r est un vecteur de position représentant l'emplacement du pixel dans un espace 2D et w un paramètre aléatoire. Une fois qu'une texture spécifique w est choisie, f(r, w) est une image, qui est une fonction définie sur une grille 2D indexée par r. La fonction f(r, w) est appelée champ aléatoire. Les trois approches principales qui sont basées sur la modélisation de la texture sont les champs de Markov aléatoires proposés par Dubes et Jain [45], les fractales proposés par Pentland [46] et les caractéristiques d'auto-régression multi-résolution introduites par Mao et Jain [47]. c) Les méthodes spatio-fréquentielles

Les méthodes de description de la textures utilisant l'attribut spatio-fréquentiel se basent généralement sur la transformée de Fourier discrète, la transformée en cosinus discrète, la transformée en ondelettes discrète et les transformations de Gabor. La transformée de Fourier et la transformée en cosinus discrète permettent de représenter la texture uniquement dans le domaine fréquentiel. Ces transformées sont bien adaptées pour des textures grossières, où la totalité de l'information de la texture peut être représentée par un nombre réduit de coefficients qui correspondent aux basses fréquences. D'autre part, la transformation de Gabor et la transformée en ondelettes associent les deux représentations spatiale et fréquentielle. Parmi ces techniques, Manjunath et Ma [42] ont montré que la recherche d'images en utilisant les filtres de Gabor est plus performante que l'utilisation d'autres transformées. Aussi, les auteurs dans [48] ont montré que les moments calculés à partir des coefficients d'ondelettes de différentes bandes de fréquences peuvent être efficaces pour la représentation de la texture.

--2200-