Impl´ ementation

Nous avons test´e cette m´ethode sur 916 images de lettrine, qui sont des images en niveaux de gris. Ces images sont binaris´ees par la m´ethode d’Otsu (section 3.3.1), les sorties sont sauvegard´ees sous forme d’image. Ces images binaires servent d’entr´ee pour les ´etapes suivantes : pr´e-traitement (d´ebruitage, extraction de la couleur des traits), extraction des traits et extraction des caract´eristiques des traits. Les sorties de notre syst`eme sont la position des traits et les caract´eristiques ´equivalentes, qui sont sauvegard´ees dans deux matrice (une pour la position et l’autre pour les ca-ract´eristiques). Dans la matrice de position de trait, la valeur ´equivalente de chaque pixel dans l’image origine est le label de trait.

En suite, nous r´ealisons des classifications sur les caract´eristiques extraites et les segmentons (les sections 3.6 et 3.7). Le r´esultat est sauvegard´e sous forme de matrice et peut ˆetre affich´e de mani`ere color´ee. Chaque sortie est une matrice de taille identique `a celle de l’image d’entr´ee. La valeur de chaque pixel correspond `a la classe du trait.

4.3 R´ esultat

Le but initial de ce stage est de d´evelopper une m´ethode de segmentation proche de la vision humaine. La m´ethode que nous proposons fonctionne assez bien, c’est `a dire, qu’elle donne des r´esultats agr´eables `a observer. L’´evaluation quantitative n’est pas facile `a faire dans ce cas, et est li´ee `a une ´evaluation qualitative.

L’algorithme d’extraction de trait est la cause principale de la s´eparation d’´el´ e-ments qui sont proche pour la vision humaine. Par exemple, une lettre ”H” peut ˆetre coup´ee en trois traits (la figure 4.1).

Fig.4.1 – D´ecoupage de la lettre H

En d´etail, on peut diviser les textures en deux cat´egories : assez grosse et fine, mais ceci impose des ´evaluations qualitatives diff´erentes.

Pour les textures assez grosses, cette m´ethode fonctionne bien. C’est la cat´egorie de textures majoritaire dans les images de lettrines, qui ont un rˆole important dans l’indexation et la recherche d’image. Les textures assez grosses correspondent `a des traits importants, elles peuvent correspondre `a la lettre, `a des gros traits ou des parties du fond qui est color´e avec une seule couleur. La m´ethode extrait bien des traits et les analyse facilement (extraction des caract´eristiques de traits : l’´epaisseur, l’orientation et la courbure). Cependant, dans quelques images de lettrines, la m´ e-thode confond ces textures parce qu’elles sont tr`es similaires et elle ne fonctionne pas comme nous le voudrions. Par exemple, si la lettre est coup´ee et une des ses parties est similaire aux parties du fond, la m´ethode va fusionner ces parties `a un segment (la figure 4.2).

Les textures fines, qui peuvent ˆetre des petits points ou des bruits, sont difficiles

`

a segmenter et l’extraction de leurs caract´eristiques est difficile. Par exemple, pour ces traits, les petits changements sur l’´epaisseur ont un grand effet. Cependant, ces

4.3. R´esultat

Fig. 4.2 – Erreur de fusion des traits

production). En outre, avec les points, l’extraction de l’orientation est tr`es difficiles et la m´ethode ne regroupe pas des points similaires (la figure 4.3). De plus, ces points peuvent ˆetre du bruit qui cause des erreurs d’extraction des traits (la figure 4.4).

Fig. 4.3 – Des points

Fig. 4.4 – Des bruits

Chapitre 5

Conclusion

5.1 Conclusion

Dans ce stage, nous avons fait une recherche de m´ethode de classification et seg-mentation des textures dans les images de lettrines. Pour ce faire, nous avons d’abord fait une recherche sur des m´ethodes existantes d’extraction, de classification et de segmentation des textures. En suite, nous avons ´etudi´e des caract´eristiques de l’image de lettrines et nous avons trouv´e qu’elles contenaient des traits. Nous avons donc cherch´e `a classifier les textures `a partir de ces traits. Nous avons alors propos´e une proc´edure pour classifier et segmenter les images de lettrines `a partir de ces traits, reposant sur deux principales ´etapes : l’extraction des caract´eristiques de traits et la classification des traits. Dans cette m´ethode, nous consid´erons que le trait est la primitive de texture. En ce qui concerne l’´evaluation de m´ethode, l’impl´ementation de cette proc´edure nous donne des r´esultats int´eressants.

5.2 Perspective

Pour la suite de cette m´ethode, nous proposons quelques id´ees :

– Analyse de texture bas´ee sur des primitives : nous pouvons trouver plusieurs types de textures, qui est une r´ep´etition des primitives, par exemple, un mur est la r´ep´etition des briques (la figure 5.1 (a)), la mer est la r´ep´etition des ondes (la figure 5.1 (b)). Pour segmenter ces textures, nous extractions des primitives et les comparons.

– R´e-exploitation des m´ethodes pour adapter aux primitives : dans certaines types de textures, il y a la r´ep´etition des primitives. Cependant, cette r´ e-p´etition n’est pas imm´ediate, c’est-`a-dire, l’une `a cˆot´e autre. Par exemple, une all´ee revˆetue de gravier avec des gravier de couleurs diff´erentes (la figure 5.2), chaque gravier est une primitive, s’il y a une loi de distribution de ces gra-viers, il faut que nous cherchions cette loi. Nous pouvons utiliser d’anciennes m´ethodes pour les primitives. Par exemple, la matrice de co-occurrence peut nous donner des informations sur la fr´equence ou l’orientation des r´ep´etitions.

(a) (b) Fig. 5.1 – La r´ep´etition des primitives

Fig. 5.2 – La r´ep´etition des graviers

Bibliographie

[AlainBoucher 08] AlainBoucher. Cours Vision Par Ordinateur, 2008.

[Besag 74] J. Besag. Spatial interaction and the statistical analysis of lattice systems. Journal of the Royal Statistical Society. Series B, vol. 36, pages 192–236, 1974.

[CESR 09] CESR.Les Biblioth`eques Virtuelles Humanistes - Centre d’Etude Sup´erieur de la Renaissance, 2009. http ://www.bvh.univ-tours.fr/.

[Chen 00] C. H. Chen, L. F. Pau & P. S. P. Wang, editeurs. Handbook of pattern recognition and computer vision. World Scientific Publi-shing Co., Inc., River Edge, NJ, USA, 2000.

[Cross 83] G.R Cross & A.K. Jain. Markov Random Field Texture Models.

IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 5, no. 1, pages 25–39, January 1983.

[Derin 87] H. Derin & H. Elliott. Modeling and Segmentation of Noisy and Textured Images Using Gibbs Random Fields. IEEE Trans., vol. 9, January 1987.

[Dunn 95] D. Dunn & W. E. Higgins. Optimal Gabor filters for texture segmentation. IEEE Tr. Im. Proc., vol. 4, no. 7, pages 947–964, July 1995.

[Dunn 98] D. Dunn, W.E. Higgins & J. Wakeley. Texture Segmentation Using 2D Gabor Elementary Functions. Transaction on PAMI, vol. 16, no. 2, 1998.

[Gonzales 02] Rafael C. Gonzales & Richard E. Woods. Digital image proces-sing. Prentice Hall, 2002.

[Haralick 73] R.M. Haralick, K. Shanmugam & I. Dinstein. Textural Features for Image Classification. TransSMC, vol. 3, no. 6, pages 610–621, November 1973.

[Iftene 04] Tahar Iftene & Abdelmounaine Safia. Comparaison Entre La Matrice De Cooccurrence Et La Transformation En Ondelettes Pour La Classification Texturale Des Images Hrv (Xs) De Spot.

T´el´ed´etection, 2004.

[Karathanassi 00] V. Karathanassi, C. Iossifidis & D. Rokos. A texture-based classi-fication method for classifying built areas according to their den-sity. In International Journal of Remote Sensing, Volume 21, Number 9, pages 1807–1823. Taylor and Francis Ltd, 2000.

Co-occurrence Matrices for Texture-based Image Segmentation.

IEEE Trans., 2005.

[Pratt 07] W. Pratt. Digital image processing. Wiley, 2007.

[Teuner 95] A. Teuner, O. Pichler & B. J. Hosticka. Unsupervised texture segmentation of images using tuned matched Gabor filters. IEEE Tr. Im. Proc., vol. 4, no. 6, pages 863–870, June 1995.