5.4 Conclusion . . . 131
Dans la partie précédente, nous avons vu que les objets géographiques sont
cor-rectement délimités sur les images à THRS. Pour la suite des traitements, il est donc
judicieux de considérer ces objets comme des entités de référence plutôt que de traiter
l’image en chaque point. Dans ce chapitre, nous proposons une méthode de
segmenta-tion d’images pour délimiter les objets géographiques recherchés. Les images à THRS
étant des images texturées, nous avons développé une méthode basée à la fois sur des
critères de luminance et de texture. La prise en compte de la texture a une
impor-tance considérable dans le processus de segmentation. En effet, les données utilisées
dans ce travail sont de faible résolution spectrale (images en niveaux de gris) et la
texture constitue souvent le seul critère exploitable pour différencier différents types
d’occupation du sol.
L’objectif de cette méthode est donc de segmenter précisément des objets
géo-graphiques dans des images à THRS tout en compensant le manque d’information
spectrale habituellement nécessaire pour les différencier.
Chapitre 5. Segmentation
5.1 État de l’art
5.1.1 Définition
La segmentation demeure un problème ouvert en analyse d’images. Cette tâche a
pour but de rechercher des zones possédant des attributs communs, soit de luminance,
soit de texture [Maitre 2003]. Plus précisément, nous définirons la segmentation comme
le partitionnement d’une image I en sous-ensembles disjoints et connexes R
i, appelés
régions, tels que chaque région soit homogène (équation 5.1) et que l’union de deux
régions adjacentes ne le soit pas (équation 5.2 [Rose 2008]).
H(R
i) = VRAI, i= 1,2, ..., S (5.1)
H(R
i∪R
j) = FAUX, i̸=j, R
ietR
jsont adjacents (5.2)
oùSest le nombre total de régions dans l’image etH(R
i) une évaluation booléenne
de l’homogénéité de la région H(R
i).
La segmentation est une étape importante car elle a une influence considérable dans
la qualité des mesures des propriétés de l’image [Zhang 1995] et en conséquence sur
la qualité des traitements ultérieurs. Il est ainsi nécessaire de choisir une méthode qui
répond correctement aux données à traiter et aux types de résultats attendus. Nous
proposons dans la partie suivante un modèle conceptuel le plus générique possible pour
la segmentation. Celui-ci permettra d’une part de mieux appréhender les différentes
étapes nécessaires à la segmentation d’images et d’autre part structurera l’ensemble
des traitements de la méthode développée dans la section 5.2.
5.1.2 Modèle conceptuel
Nous présentons le processus de segmentation à partir d’un modèle conceptuel
proposé par [Zouagui et al. 2004, Rose 2008]. Ce modèle est constitué d’un ensemble
de blocs fonctionnels pouvant être associés à certaines méthodes de segmentation et
permettant une compréhension simple de la chaîne de traitement (Figure 5.1).
Le procédé est itératif et cinq blocs fonctionnels y sont présents : les mesures, le
critère, le contrôle, la modification, et l’arrêt.
5.1.2.1 Mesure
Le rôle de ce bloc est de créer à chaque itération k un ensemble M de mesures
(scalaires) pour chaque région n parmi les N régions de l’image, noté :
{
F
k(i, n), i= 1..M, n= 1..N
}(5.3)
La mesure sert à estimer des caractéristiques d’une région par rapport à ses voisines.
Elle peut reposer sur des propriétés intrinsèques (tels le niveau de gris moyen, la texture
5.1. État de l’art
Figure 5.1 – Modèle fonctionnel proposé par [Zouagui et al. 2004] (d’après
[Rose 2008])
...) et/ou des propriétés relatives à leurs contours et/ou leurs géométries. Le choix est
effectué à partir des caractéristiques en fonction du type d’application et des données
à traiter.
5.1.2.2 Critère
L’homogénéité ou la similarité entre deux régions est définie par un critère. Le
bloc Critèrereçoit l’ensemble des mesures du blocMesure et établit un ensemble pour
chaque région n selon l’équation suivante :
C
k(n) =
i=1 ∑M