Etude comparative des performances

Nous voudrions finir ce chapitre en faisant une ´etude comparative des performances achev´ees pour les nivellements lorsqu’ils s’appliquent au filtrage des images couleur. Les ap- proches analys´ees sont : les nivellements scalaires appliqu´es composante par composante, les nivellements pseudo-scalaires, et les nivellements vectoriels autarciques.

Image originale Marqueur

Nivellement

Fig. 3.29 –Nivellement vectoriel autarcique d’une image couleur.

Pour chacune de ces techniques nous avons fait ressortir les atouts et les d´efauts au niveau de leur traitement de la couleur, de leur capacit´e de simplification, ainsi que de leur temps de calcul. Nos commentaires reposent sur l’exp´erience acquise. Cependant, le lecteur pourra ´evaluer par lui-mˆeme certaines des caract´eristiques cit´ees, sur les images d’exemple des Figures 3.30et3.31.

Traitement de la couleur

Nivellements scalaires : nous avons vu qu’ils peuvent introduire des couleurs parasites tr`es voyantes dans l’image filtr´ee. Cependant ce comportement est rare lorsqu’on part d’une image marqueur qui reste fid`ele aux couleurs de l’image originale. Par ailleurs, l’un des inconv´enients d’une telle fa¸con de proc´eder est li´e `a la variabilit´e des r´esultats en fonc- tion de l’espace de couleurs trait´e.

Nivellements pseudo-scalaires : dans cette approche, l’ensemble des projections fait varier les vecteurs de l’image de r´ef´erence, ce qui implique strictement l’introduction de nouvelles couleurs dans l’image filtr´ee. Par contre, du cˆot´e visuel, cette technique est tr`es appr´eci´ee car le processus de simplification agit sur les textures mais aussi sur les couleurs, en les rendant moins vives. De plus, cette m´ethode donne des r´esultats tr`es proches les uns des autres ind´ependamment de l’espace de couleurs utilis´e.

Nivellements vectoriels autarciques : cette technique a la propri´et´e de ne jamais utiliser des couleurs inexistants dans l’image de r´ef´erence ou dans l’image marqueur de d´epart.

N´eanmoins, lors de fortes simplifications, il est frappant de voir sur l’image nivel´ee que la couleur d’un objet puisse se propager `a d’autres r´egions voisines.

Elargissement des zones plates

Nivellements scalaires : ici la simplification doit ˆetre ´evalu´ee apr`es l’intersection des zones plates sur l’ensemble des composantes trait´ees. N´eanmoins, le fait de pouvoir caract´eriser les zones d’homog´en´eit´e s´epar´ement pour chacun des canaux couleur nous m`ene, dans certains cas, `a des niveaux de simplification comparables `a ceux des approches purement vectorielles.

Nivellements pseudo-scalaires : l’algorithme, tel qu’il a ´et´e d´efini, simplifie l’image en appli- quant un seul nivellement scalaire `a l’une des dimensions de l’espace. Par cons´equent, ils n’arrivent pas `a atteindre le degr´e de simplification des nivellements scalaires. Re- marquons seulement que cette proc´edure, ainsi que celle purement scalaire, peuvent adopter toutes les extensions faites pour les zones plates sans qu’aucune reformulation des algorithmes ne soit n´ecessaire.

Nivellements vectoriels autarciques : sans l’ombre d’un doute, ceux-ci cr´eent les plus larges zones plates. Cette propri´et´e peut ˆetre expliqu´ee `a partir de la d´efinition des nivellements elle-mˆeme. Le processus du nivellement vectoriel ´elargit les zones plates tout simplement en propageant inchang´es les vecteurs de couleur pr´esents sur l’image originale.

Temps de calcul

Nivellements scalaires : cette approche, appliquant les nivellements composante par com- posante, est rapide et hautement parall´elisable. On peut profiter ´egalement de toute optimisation faite auparavant pour les images monochromes. Cependant, la plus forte contrainte est li´ee au temps de calcul de l’image marqueur lors des applications visuelles, dont on doit assurer la qualit´e des couleurs sur l’image nivel´ee.

Nivellements pseudo-scalaires : ceux-ci sont de loin les algorithmes les plus rapides car le calcul d’un seul nivellement scalaire est n´ecessaire. Notons que sur les espaces de cou- leur ayant une composante sur l’axe achromatique, seule la projection inverse doit ˆetre calcul´ee. De plus, l’image marqueur peut ˆetre obtenue par simple filtrage scalaire, car la couleur sur elle n’a aucune importance sur le nivellement r´esultant.

Nivellements vectoriels autarciques : du point de vue du temps de calcul les nivellements purement vectoriels sont en clair d´esavantage par rapport aux autres. Ceci est dˆu `a la taille des donn´ees `a traiter ainsi qu’`a l’impossibilit´e de les parall´eliser. Par cons´equent, tout usage dans des applications en temps r´eel ne serait pas envisageable.

Image originale Image marqueur

Niv. scalaire Niv. pseudo-scalaire Niv. vectoriel

Fig. 3.30 –Comparaison des diff´erents algorithmes de nivellement lorsqu’ils s’appliquent

au filtrage des images couleur. Image d’exemple : Le fifre. Edouard Manet,

Image originale Image marqueur

Niv. scalaire Niv. pseudo-scalaire Niv. vectoriel

Fig. 3.31 –Comparaison des diff´erents algorithmes de nivellement lorsqu’ils s’appliquent

au filtrage des images couleur. Image d’exemple : La toilette. Toulouse-

Suite `a cette analyse nous pouvons conclure que :

Les nivellements pseudo-scalaires sont rapides et tr`es comp´etitifs dans le cadre des appli- cations visuelles grˆace `a leur traitement pertinent de la couleur. Pour tout cela, ils deviennent des outils tr`es puissants pour simplifier des images en vue du codage.

Les nivellements vectoriels autarciques r´eussissent les niveaux de simplification les plus re- marquables, tout en gardant de forts contrastes parmi les objets pr´esents dans l’image filtr´ee. Ces bonnes propri´et´es font d’eux des outils id´eaux pour le filtrage des images couleur en vue de la segmentation, lors des applications sans contrainte de vitesse.

Les nivellements scalaires calcul´es composante par composante, offrent un bon compromis par rapport aux deux autres techniques. Bien qu’ils ne soient pas les plus rapides, ils peuvent ˆetre facilement parall´elis´es. Bien que le niveau de simplification achev´e ne soit pas le plus fort, en faisant usage des zones quasi-plates, il est ´egalement remarquable. De mˆeme, la perception de la couleur reste acceptable conditionn´ee `a l’usage d’une image marqueur appropri´ee. Pour toutes ces raisons, celle-ci sera l’option choisie pour des applications de segmentation en temps r´eel.

3.5

Conclusions

Nous avons commenc´e ce chapitre en introduisant la notion de zone plate, ainsi qu’une nouvelle classe de filtres connexes nomm´es nivellements. Par leurs bonnes propri´et´es ces op´erateurs se sont r´ev´el´es d’ˆetre des filtres puissants ayant comme principal atout leur capacit´e `

a lisser l’image tout en pr´eservant la position et la clart´e des contours des objets. En outre, une ´etude plus d´etaill´ee a montr´e qu’ils sont aussi puissants que versatiles car ils peuvent ˆetre appliqu´es au calcul de la distance parmi des images, `a la d´etection du mouvement, au fil- trage multi-´echelle, ou mˆeme au filtrage s´electif dans des applications de suivi. Nous avons vu ´egalement que les nivellements scalaires peuvent ˆetre facilement ´etendus aux espaces vectoriels lorsqu’ils s’appliquent composante par composante. Cependant il existe deux inconv´enients `a cette approche : a) le r´esultat d´epend de l’espace des couleurs utilis´e ; b) des couleurs parasites peuvent parfois apparaˆıtre.

Conscients de ce fait, nous avons propos´e deux nouveaux algorithmes faisant l’extension aux espaces vectoriels. Le premier, nomm´e pseudo-scalaire produit des couleurs visuellement agr´eables, id´eales pour des applications de codage. N´eanmoins, la contrainte li´ee `a la percep- tion de la couleur limite notamment l’´elargissement des zones plates. Les nivellements vecto- riels autarciques surmontent ce inconv´enient. Leur calcul est fait par simple d´eplacement des vecteurs de couleur pr´esents sur l’image originale. Mˆeme si la propagation de la couleur peut entraˆıner des effets visuels d´esagr´eables pour le spectateur, ils pr´esentent des performances tr`es attractives pour des applications bas´ees sur la segmentation. Dans le cadre d’une pour- suite de ces travaux, de nouvelles extensions vectorielles sur la base des zones quasi-plates pourraient ˆetre envisag´ees.

Segmentation de l’Image :

de la zone plate `a la r´egion

C

e chapitre est consacr´e `a la segmentation, car cet outil est `a la base de tout syst`eme d’analyse d’images au niveau du contenu. Les techniques de segmentation ont pour but de produire une partition de l’image aussi proche que possible de celle faite par l’œil humain.

Cependant, la segmentation peut devenir une tˆache extrˆemement difficile lorsque les images `a traiter sont bruit´ees, mˆeme d´egrad´ees pour la compression d’un syst`eme de codage, ou lorsqu’on n’a aucune connaissance `a priori sur le contenu de la sc`ene.

Dans la ligne de nos travaux, nous reprendrons un algorithme morphologique connu pour ses bonnes propri´et´es, `a savoir la Ligne de Partage des Eaux. Plus concr`etement, nous proposerons une extension du processus d’inondation classique face `a des applications pour lesquelles on dispose de marqueurs pour les zones d’int´erˆet. Cette approche repose sur un ensemble de lois d’absorption contrˆolant la pertinence des fusions des lacs.

Finalement, nous verrons comment il est possible de cr´eer des hi´erarchies de partitions qui apportent des solutions aux applications n’ayant aucune information concernant le contenu des images `a segmenter.

Dans le document Mise en correspondance de partitions en vue du suivi d'objets (Page 68-74)