Cemanus rit est stru turé omme suit. Le hapitre 2présenteau le teur la
seg-mentation d'images dans le adre des systèmes de vision par ordinateur. Nous
proposonsune vue d'ensembleautour de quatrethèmesreliés ànotre problème:
la segmentation d'image dans les systèmes de vision, les diérentes appro hes
de segmentation d'images et de vidéos, les te hniques d'évaluation de la
perfor-man e de la segmentation et les te hniques d'optimisation. Le hapitre 3
in-troduit l'appro he proposée et donne nos obje tifs et nos hypothèses pour les
diérents problèmes de lasegmentation. Le hapitre 4 détaille haque étape de
notre appro he : l'optimisation des paramètres des algorithmes, la séle tion de
l'algorithme et l'étiquetage sémantique des régions. Le hapitre 5 est dédié à
lavalidation de l'appro he pour uneappli ation réelle. Enparti ulier, nousnous
sommesintéressésàl'étapedesegmentationd'unsystèmedevision ognitivedédié
àlare onnaissan ed'organismesbiologiques. Dansle hapitre6,nousprésentons
omment notreappro hepeutêtreutiliséepourlasegmentation adaptativedans
des appli ations de vidéosurveillan e. Une on lusion ainsi que des dis ussions
Fren h Con lusion
Dans ettethèse,j'abordeleproblèmedelasegmentationd'imageetdevidéoave
une appro he ognitive de la vision par ordinateur. Plus pré isément, j'étudie
deuxproblèmes majeursdelatâ hedesegmentation danslessystèmesdevision:
la séle tion d'un algorithme et le réglage de ses paramètres libres, suivant le
ontenu de l'image et les besoins de l'appli ation. La plupart du temps, ette
tâ helongueetfastidieuseestréaliséeparunexpertentraitementd'imagedansun
pro essus d'essais su essifs. Ré emment, quelques tentatives pour automatiser
l'extra tion des paramètres optimaux de segmentation ont été faites mais sont
toujours trop dépendantes de l'appli ation. La réutilisabilité de telles méthodes
reste un problème ouvert. Nousavons hoisi de gérer e problème dansle adre
de la vision ognitive. La vision ognitive est un ré ent hampde re her he qui
proposed'enri hirlessystèmesdevisionave des apa ités ognitives, 'est-à-dire
deraisonneràpartirde onnaissan esapriori,d'apprendreàpartird'information
per eptuelles ou d'adapterleurs stratégiesaux diérentsproblèmes.
Dans ettethèse,je proposeune méthodologie d'apprentissage supervisé pour
la on guration hors ligne et l'adaptation en ligne de la tâ he de segmentation
dans les systèmes de vision. L'étape de on guration hors ligne requiert une
onnaissan e minimale pour apprendre la séle tion et le réglage optimal des
al-gorithmes de segmentation. Cette onnaissan e estensuiteutilisée entemps-réel
pour lasegmentationadaptative d'images etde vidéos. Cetteappro he ognitive
de la segmentation est don une ontribution pour lare her he en vision
ogni-tive. En eet, ette appro he satisfaitles ritères de robustesse, d'adaptation et
deréutilisabilité qui dé nissent un systèmedevision ognitif.
L'appro heproposéeaétéimplémentéeetvalidéesurdeuxtypesd'appli ations
dumonderéel: lasegmentationadaptatived'imagestatiquedansuneappli ation
biologiqueetlasegmentation vidéo dansune appli ation de vidéo surveillan e.
Lapremièrepartiede e hapitredresselebilandemonappro heetdis utede
D.1 Bilan de l'appro he proposée et de ses
ontribu-tions
D.1.1 Une pro édure d'optimisation générique
Notre pro édure d'optimisation extrait automatiquement les paramètres
opti-maux desalgorithmes de segmentationen sebasant surune évaluation
quantita-tive de laqualité del'image segmentéeen fon tion dessegmentations manuelles.
La méthode est indépendante de l'appli ation et des algorithmes de
segmenta-tiontestés. Seuls lesparamètreslibresà réglerave leurfour hettesde variations
sont requis. Ce type de onnaissan e est habituellement fourni par les auteurs
des algorithmes de segmentation. Le ritère utilisé pour évaluer la qualité de
la segmentation ne fait au une hypothèse sur l'appli ation ni sur les
omporte-ments desalgorithmes. Il a été utilisé pour juger latâ he de segmentation dans
deuxappli ations. Il aaussiétéappliquépour l'évaluationdelasegmentation de
la banque d'images de Berkeley [Fowlkesand Martin,2007 ℄. Deux algorithmes
d'optimisation globale sans al ul de dérivée (une méthode de re her he dire te
un algorithme génétique) ont étéutilisé ave su èsa n de minimiser e ritère.
Dans e domaine, ma ontribution est une étude omparative des performan es
des deux algorithmes d'optimisation. Grâ e à ette étude, nous avons identi é
deuxsituations : quandle nombre de paramètres libres à optimiser est inférieur
ou égale à deux, l'algorithme du Simplex donne de bonsrésultats ave un
nom-bre minimald'itérations. Quand le nombre de paramètres est supérieurà deux,
l'algorithmegénétique doitêtre préféré.
La prin ipale di ulté de ette appro he d'apprentissage supervisé de la
seg-mentation est lasegmentation manuelle desimagesd'apprentissage. Cettetâ he
estlongue, fastidieuseetsubje tive. Desoutilsd'aide àl'annotation doivent être
utilisésa nd'allégerla hargedesutilisateurs. Lafor ede etteappo heestaussi
dépendante de la performan e intrinsèque des algorithmes de segmentation. En
onséquent, ette appro he suppose qu'au moins un algorithme soit apable de
fournir debonsrésultatspourle problèmede segmentation en question.
D.1.2 Une stratégie pour la séle tion d'algorithme
Aprèsl'optimisationdeplusieursalgorithmesdesegmentationsurunjeud'images
d'apprentissage, le problème qui se pose est la séle tion d'un d'entre eux. Le
but de ette étape est de répondre à la question de l'utilisateur : "Quel
algo-rithme est le plus adaptée pour segmenter mon image ?". La première partie
de ma stratégie onsiste à identi er diérentes situations dans le jeu d'images
d'apprentissage. Une situation, appelée ontexte, est représentée par un
sous-ensembled'images partageant lesmêmes ara téristiques globales, omme la
dis-tributionsdes ouleurs. Premièrement,unalgorithmede lassi ationnon
super-viséestutilisépouridenti er es ontextes. La se ondepartieutilise lesrésultats
on-Cette stratégie donne la possibilité de ontr ler dynamiquement la
segmenta-tion (séle tion et paramétrage d'un algorithme) sans la né essité d'une
onnais-san ea prioriexpli itedudomaine d'appli ationoudesalgorithmede
segmenta-tioneux-mêmes.
Il faut noter que ette stratégie fait plusieurs hypothèses. Premièrement,
ela suppose que tous les ontextes possibles sont illustrés dans le jeu d'images
d'apprentissage. Deuxièmement, ette stratégie soutient que pour haque
on-texteidenti éunjeudeparamètres moyensdel'algorithmelemieux lasséexiste
etpermetde fournir desbonsrésultatsdesegmentation.
D.1.3 Une appro he sémantique de la segmentation d'image
La pluspart du temps, les résultats de segmentation issus d'algorithmes bas
niveau sont dénués de sens sémantique. Je propose une appro he sémantique
de la segmentation d'image où l'étiquetage des régions aide à valider les
résul-tats de segmentation d'un point de vue sémantique. L'algorithme d'étiquetage
sémantiquedes régions reposesur trois étapeset utilise les résultats de
segmen-tation pré édemment optimisés. Dans un premier temps, pour haque image
d'apprentissage, l'utilisateur est invité à ae ter des étiquettes sémantiques aux
régionsdessegmentationsmanuellesenfon tiondesbesoinsdel'appli ation.
En-suite,une orrespondan eentrelesrégionsétiquetéesdessegmentationsmanuelles
et les régions issues des segmentations optimisées est réalisée automatiquement.
En n,des lassi eurs(SVM)sontentrainéspour haqueétiquetteensebasantsur
des ara téristiques numériques extraites des régions. L'originalité de ette
ap-pro he estque haqueétape dupro essusd'apprentissage, 'est-à-direextra tion
de ara téristiques, etentrainement des SVM,estoptimisée dansune s héma de
wrapperde manièreà maximiserlaperforman ede lassi ation del'algorithme.
A tuellement, les ara téristiques des régions sont limitées à de l'information
ouleurettexture. Laméthodepourraitêtreamélioréeenprenantaussien ompte
l'information spatiale omme elle spé i que aux relations entre les diérentes
lasses sémantiques de régions.
D.1.4 Une implémentation logi ielle de la méthodologie
Une implémentation logi ielle de la méthodologie pour la on guration hors
ligne et la segmentation adaptative temps-réel est proposée. Disposant d'un
jeu d'images d'apprentissage ave leurs segmentations manuelles, le système, au
travers uneinterfa e utilisateur graphique est apable de :
•
extraire les paramètres optimaux pour six algorithmes de segmentation (quatrestatiqueetdeuxvidéo),•
identi er les diérents ontextes dujeu d'apprentissage,•
séle tionnerl'algorithme leplusperformant pour haque ontexteidenti é,•
ontr lerlasegmentationdenouvellesimagesenfon tiondela onnaissan e apprise(identi ation du ontexte, hoix et paramétrage de l'algorithme),•
visualiserlesrésultats sousdiérentes formes.Plus de détails sur l'implémentation C++ de l'appro he sont donnée en
annexe B.
Finalement,enadressant leproblèmedel'adaptation delasegmentation,nous
avons aussi soulevé d'autres problèmes sous-ja ents tels l'évaluation de la
seg-mentation,laséle tion etl'extra tionde ara téristiquesetlamiseen
orrespon-dan e entre onnaissan e bas niveau (numérique) et onnaissan e haut niveau
(symbolique). Cha un de esproblèmes bien onnus n'est pasfa ilement soluble
et demande toujours à être onsidéré à part entière. Nous avons onçu notre
appro he(etnotre logi iel)de manièremodulairede manièreàprendre avantage
desnouveaux progrès dans ha unde essujetsde re her he.
D.1.5 Contributions pour la plate-forme de vision ognitive
Monappro he aenri hilaplate-formeen luiajoutant une ou hed'apprentissage
pour la segmentation. Pré édemment, les algorithmes de segmentation étaient
réglés manuellement par un expert en traitements d'image et la séle tion
dy-namique reposée sur une base de onnaissan e é rite à la main. Les mêmes
algorithmes sont, après une phase d'apprentissage, automatiquement réglés e
qui permet une segmentation adaptée de diérentes images. Le gain obtenu au
niveau de la segmentation est béné que pour les modules de haut niveau de la
plate-forme.
D.1.6 Contributions pour l'appli ationbiologique
Malgrélesapparen es, lasegmentation robustedesmou hesblan hesadultessur
desfeuillesderosiern'estpasunetâ he aisée. Lavariabilitédela ouleuretdela
texturedesfeuilles ombinéeave lasemi-transparen edesailesdesmou hesainsi
que la présen e d'un grand nombre d'autres objets (÷ufs de mou hes blan hes,
larves, tra esde traitement himiques, goutte d'eau, et .) font quela
segmenta-tionn'estpassifa ile. Comparéeàunesegmentationadho régléeàlamain,notre
segmentation adaptative obtient de meilleurs résultats et permet ainsi d'obtenir
une meilleure pré ision de omptage des mou hes. De plus, la segmentation
sé-mantiqueréduitdrastiquementlenombrederégionenfusionnant lessous-parties
des lassesd'objets. Cettete hniquediminuele oûtde al uldusystèmepuisque
moinsde régionsdoivent être traitées auniveau de la ou he d'interprétation.
A tuellement, la plate-forme est apable de gérer la déte tion etle omptage
de seulement un objet biologique (les mou hes blan hes adultes). D'autres
bio-agresseurs (par exemple les pu erons, les aphids, et .) ou d'autres stades de
problème multi- lasses (supérieur à deux). Pour ela, nous devons a quérir de
nouvelles données (images et segmentations manuelles annotées) ainsi que de la
onnaissan e haut niveau (des ription desobjetsen termes de on epts visuels).
En nde ompte, laplate-formeest a tuellement aussilimitée par lesystème
d'a quisition (un s anner à plat). Nousenvisageons demaîtriser e problème en
utilisant des améras vidéo. Un autre avantage des améras vidéo est qu'elles
fournissent une information temporelle degrand intérêt pour désambiguïser, par
exemple,les situationsd'o ultations.
D.1.7 Contributions pour l'appli ationvidéo
Dans ette appli ation, ma ontribution prin ipale est laséle tion du modèle de
fonddynamiquebaséesurl'analysedu ontexte. Cetteappro he est
parti ulière-ment bien adaptée aux appli ations où des hangements ourt etlong termes se
produisent. L'algorithme de partionnement non-supervisé utilise des
ara téris-tiquesglobalesdel'imageintégrantuneinformationspatialedemanièreàprendre
en omptenonseulement les hangementsglobauxmaisaussiles hangements
lo- aux. Nousavons proposé une algorithmede ltragetemporel du ontexte.
Lespremièresexpérimentationsontprouvéquelaséle tiondynamiquede
mod-èlede fondestune bonne appro hepourtraiter lesproblèmes d'adaptation dela
segmentation. Néanmoins, ilest lair que notre appro he est toujours in apable
de gérer les situations in onnues ou imprévues omme des nouveaux ontextes.
Uneextension de etteappro hepourpermettred'apprendreen ontinu estdon
né essaire.
En n, dans ette appli ation, nous n'avons pas omplètement suivi notre
stratégie pour laséle tion d'algorithme. Il pourrait êtreintéressant de voir
om-mentdiérentsalgorithmes desegmentationvidéo pourraient oopérerentreeux.