État de l'art dans la
segmentation d'images couleur
(en 1999)
P l a n
I - Introduction
II - Approche Globale
III - Approche Région et Frontière
IV - Approche Lumière et Couleur
V - Bilan
I n t r o d u c t i o n
●
Déf : opération de traitement d'images qui a pour but de
rassembler des pixels entre eux suivant des critères pré-définis
I- Introduction
II- Approche Globale III – Approche Région / Frontière
IV – Approche Lumière / Couleur V - B ilan
A p p r o c h e G l o b a l e
●
Hypothèse : un objet se distingue par sa couleur
●
Méthodes déduites :
– Regrouper les pixels en clusters de couleur
– Construire des histogrammes selon les caractéristiques couleur des
pixels.
I- Introduction
II- Approche Globale III – Approche Région / Frontière
IV – Approche Lumière / Couleur V - B ilan
A p p r o c h e G l o b a l e
●
Classification non-supervisée :
– Fluzzy C-means.
– K-means.
I- Introduction
II- Approche Globale 1- Clus tering 2- His togram III – Approche Région / Frontière
IV – Approche Lumière / Couleur V - B ilan
A p p r o c h e G l o b a l e
●
Fluzzy c-means :
– Classification non supervisée floue
– 1 point appartient à 1 cluster avec un certain degrés
– Min (dist intra classe) & Max(dist inter classes)
– Algo :
●
Fixation arbitraire d'une matrice d'appartenance
●
Calcul des centres des classes
●
Réajustement de la matrice
I- Introduction
II- Approche Globale 1- Clus tering 2- His togram III – Approche Région / Frontière
IV – Approche Lumière / Couleur V - B ilan
A p p r o c h e G l o b a l e
●
k-means :
– Connu et utilisé car simple
– Min (dist intra classe) & Max(dist inter classes)
– Position init. des centres influe le résultat final.
– Choisir le bon nombre de clusters.
I- Introduction
II- Approche Globale 1- Clus tering 2- His togram III – Approche Région / Frontière
IV – Approche Lumière / Couleur V - B ilan
A p p r o c h e G l o b a l e
●
k-means :
– Algo (PhL) : Initialiser
1;
K●
Répeter
–
affectation de chaque point à son cluster le plus proche
– C(x
i) = min_g d(x
i;
g)
–
recalculer le centre mu de chaque cluster – mu
g= ( 1/ N
g )*Sum_
i2Cg (x
i)●
Tant que abs(mu_k)>epsilon
– Complexité : O(KnI) (I : itérations)
I- Introduction
II- Approche Globale 1- Clus tering 2- His togram III – Approche Région / Frontière
IV – Approche Lumière / Couleur V - B ilan
A p p r o c h e G l o b a l e
●
Comparaison des 2 méthodes:
– – – – – – –
– FCM : tâche sous le « d »
– K-means : reconnu comme « studv »
I- Introduction
II- Approche Globale 1- Clus tering 2- His togram III – Approche Région / Frontière
IV – Approche Lumière / Couleur V - B ilan
A p p r o c h e G l o b a l e
●
Comparaison des 2 méthodes:
– K-means à k clusters :
I- Introduction
II- Approche Globale 1- Clus tering 2- His togram III – Approche Région / Frontière
IV – Approche Lumière / Couleur V - B ilan
A p p r o c h e G l o b a l e
●
Comparaison des 2 méthodes:
– – – – – – –
– FCM : moins pertinent
– K-means : mieux mais pas reconnu non plus
I- Introduction
II- Approche Globale 1- Clus tering 2- His togram III – Approche Région / Frontière
IV – Approche Lumière / Couleur V - B ilan
A p p r o c h e G l o b a l e
●
Comparaison des 2 méthodes:
– – – – – – – –
– Bons résultats
– FCM + rapide
I- Introduction
II- Approche Globale 1- Clus tering 2- His togram III – Approche Région / Frontière
IV – Approche Lumière / Couleur V - B ilan
A p p r o c h e G l o b a l e
●
Comparaison des 2 méthodes:
– – – – – – – –
– Bons résultats
– FCM + rapide
I- Introduction
II- Approche Globale 1- Clus tering 2- His togram III – Approche Région / Frontière
IV – Approche Lumière / Couleur V - B ilan
A p p r o c h e G l o b a l e
●
Problématique :
– N&B: très utilisé et fiable.
– En couleur : combiner pics et vallées de 3 histo
– Bruit => ambiguités
I- Introduction
II- Approche Globale 1- Clus tering 2- His togram III – Approche Région / Frontière
IV – Approche Lumière / Couleur V - B ilan
A p p r o c h e G l o b a l e
I- Introduction
II- Approche Globale 1- Clus tering 2- His togram III – Approche Région / Frontière
IV – Approche Lumière / Couleur V - B ilan
A p p r o c h e G l o b a l e
●
Un exemple de méthode :
– Segmentation de chaque plan de couleur indépendamment à partir des histogrammes.
– Les palettes de segmentation obtenues sont fusionnées.
– Résultat : une palette de pixels avec labels.
I- Introduction
II- Approche Globale 1- Clus tering 2- His togram III – Approche Région / Frontière
IV – Approche Lumière / Couleur V - B ilan
A p p r o c h e G l o b a l e
●
Un exemple de méthode :
I- Introduction
II- Approche Globale 1- Clus tering 2- His togram III – Approche Région / Frontière
IV – Approche Lumière / Couleur V - B ilan
A p p r o c h e G l o b a l e
●
Un exemple de résultats :
I- Introduction
II- Approche Globale 1- Clus tering 2- His togram III – Approche Région / Frontière
IV – Approche Lumière / Couleur V - B ilan
A p p r o c h e G l o b a l e
●
Un exemple de résultats :
I- Introduction
II- Approche Globale 1- Clus tering 2- His togram III – Approche Région / Frontière
IV – Approche Lumière / Couleur V - B ilan
A p p r o c h e R é g i o n / F r o n t i è r e
●
Compacité spatial et
homogénéité : 2 critères importants
●
Impossibilité de connaître la localisation des pixels par les techniques précédentes
●
Deux familles de techniques :
– Split & merge
I- Introduction
II- Approche Globale III – Approche Région / Frontière
1)S plit & Merge 2)Region
growing
3)Detection de contours IV – Approche Lumière / Couleur V - B ilan
A p p r o c h e R é g i o n / F r o n t i è r e
●
Split & Merge
– Split : On divise jusqu’à ce que la propriété soit vraie dans la sous image
– Merge : On regroupe les régions adjacente dont l’union vérifie la propriété
I- Introduction
II- Approche Globale III – Approche Région / Frontière
1)S plit & Merge 2)Region
growing
3)Détection de contour
IV – Approche Lumière / Couleur V - B ilan
A p p r o c h e R é g i o n / F r o n t i è r e
●
Split & Merge
– Split
●
L’image est stockée dans un arbre.
●
Initialement, arbre racine = image complète
●
Récursivement, chaque feuille F est subdivisée en quatre si elle n’est pas assez homogène, et les quatre sous images sont ajoutée en tant que
feuilles de F.
●
L’algorithme poursuit tant qu’il reste
I- Introduction
II- Approche Globale III – Approche Région / Frontière
1)S plit & Merge 2)Region
growing
3)Détection de contour
IV – Approche Lumière / Couleur V - B ilan
A p p r o c h e R é g i o n / F r o n t i è r e
I- Introduction
II- Approche Globale III – Approche Région / Frontière
1)S plit & Merge 2)Region
growing
3)Détection de contours IV – Approche Lumière / Couleur V - B ilan
A p p r o c h e R é g i o n / F r o n t i è r e
●
Construction du RAG ( Region
Adjacancy Graph )
I- Introduction
II- Approche Globale III – Approche Région / Frontière
1)S plit & Merge 2)Region
growing
3)Détection de contours IV – Approche Lumière / Couleur V - B ilan
RAG
• Connecte les régions adjacentes
• Arrêtes = mesures de différence
A p p r o c h e R é g i o n / F r o n t i è r e
●
Split & Merge
– Merge
●
Chaque nœud du Region Adjacency Graph est examiné.
●
Si un des voisins de ce nœud est à une distance inférieure à un seuil de regroupement, les deux nœuds fusionnent dans le RAG.
●
Lorsque plus aucun nœud ne peut fusionner avec l’un de ses voisins, STOP.
I- Introduction
II- Approche Globale III – Approche Région / Frontière
1)S plit & Merge 2)Region
growing
3)Détection de contours IV – Approche Lumière / Couleur V - B ilan
A p p r o c h e R é g i o n / F r o n t i è r e
I- Introduction
II- Approche Globale III – Approche Région / Frontière
1)S plit & Merge 2)Region
growing
3)Détection de contours IV – Approche Lumière / Couleur V - B ilan
Image originale Image après traitement Avantage :
-Méthode qui contourne le
problème du gradiant posé dans
l'algorithme du
Inconvénient :
-Méthode assez
complexe un peu « carré
», dû à la topologie des
quadtreeses quadtrees
A p p r o c h e R é g i o n / F r o n t i è r e
●
Region growing
– On part d’un point amorce (seed) et l’on
l’étend en ajoutant les points de la frontières qui satisfont le critère d’homogénéité
I- Introduction
II- Approche Globale III – Approche Région / Frontière
1)S plit & Merge 2)Region
growing
3)Détection de contours IV – Approche Lumière / Couleur V - B ilan
Image
originale Amorce Croissance Région
finale
A p p r o c h e R é g i o n / F r o n t i è r e
●
Region growing
– Deux méthodes:
●
Le point amorce peut être choisi soit par un humain, soit de manière automatique en évitant les zones de fort contraste
(gradient important) => méthode par amorce .
●
Si le critère d’homogénéité est local (comparaison de la valeur du pixel
candidat et du pixel de la frontière) =>
méthode linéaire .
I- Introduction
II- Approche Globale III – Approche Région / Frontière
1)S plit & Merge 2)Region
growing
3)Détection de contours IV – Approche Lumière / Couleur V - B ilan
A p p r o c h e R é g i o n / F r o n t i è r e
– Méthode par amorce
●
On définit une zone R qui contient la région à extraire.
●
Initialement, R contient l’amorce.
●
On utilise une file FIFO (First In, First Out) S qui contient les points frontière
●
Initialement, S contient le voisinage de l’amorce.
On retire p dans S
si p est homogène homogène avec R,
on ajoute p à R et on ajoute à S les points du voisinage de p qui ne sont pas dans R et qui ne sont pas
incompatibles.
sinon,
on marque p comme incompatible.
I- Introduction
II- Approche Globale III – Approche Région / Frontière
1)S plit & Merge 2)Region
growing
3)Détection de contours IV – Approche Lumière / Couleur V - B ilan
A p p r o c h e R é g i o n / F r o n t i è r e
– Méthode linéaire
●
Pour chaque pixel on regarde si sa valeur est égale à la valeur de la région
●
Si c'est le cas le pixel est intégré à la région
●
Sinon il fait parti de la frontière
I- Introduction
II- Approche Globale III – Approche Région / Frontière
1)S plit & Merge 2)Region
growing
3)Détection de contours IV – Approche Lumière / Couleur V - B ilan
A p p r o c h e R é g i o n / F r o n t i è r e
●
Region growing
– Avantages
●
Méthode rapide
●
Conceptuellement très simple – Inconvénients
●
Méthode locale: aucune vision globale du problème. En pratique, il y a
presque toujours un chemin continu de points connexes de couleur proche qui relie deux points d’une image…
Problème du gradient
●
Tenir compte de l’homogénéité globale donne un algorithme sensible à
l’ordre de parcours des points (méthode par amorce)
●
Algorithme très sensible au bruit,
I- Introduction
II- Approche Globale III – Approche Région / Frontière
1)S plit & Merge 2)Region
growing
3)Détection de contours IV – Approche Lumière / Couleur V - B ilan
A p p r o c h e R é g i o n / F r o n t i è r e
●
Détection de contours
– Plusieurs techniques sont utilisées.
– Les plus connues :
●
Détection de contours grâce au laplacien
●
Détection par contour actifs ou snakes
I- Introduction
II- Approche Globale III – Approche Région / Frontière
1)S plit & Merge 2)Region
growing
3)Détection de contours IV – Approche Lumière / Couleur V - B ilan
A p p r o c h e R é g i o n / F r o n t i è r e
●
Détection de contour
– Grâce au laplacien
– On trouve les contours lorsque le laplacien est nulle.
I- Introduction
II- Approche Globale III – Approche Région / Frontière
1)S plit & Merge 2)Region
growing
3)Détection de contours IV – Approche Lumière / Couleur V - B ilan
2 2 2
2 2
y f x
f f
∂ + ∂
∂
= ∂
∇
A p p r o c h e R é g i o n / F r o n t i è r e
●
Détection de contours
– Les contours actifs ou snakes
●
Utiliser des courbes déformables qui sont « attirées » par les formes recherchées dans l’image.
●
Analogie avec la physique: fonction
d’énergie à minimiser .
I- Introduction
II- Approche Globale III – Approche Région / Frontière
1)S plit & Merge 2)Region
growing
3)Détection de contours IV – Approche Lumière / Couleur V - B ilan
A p p r o c h e R é g i o n / F r o n t i è r e
●
Détection de contours
– Détection de contours actif
●
consiste à placer aux alentours de la forme à détecter une ligne initiale de contour. Cette ligne va se déformer progressivement selon l'action de
plusieurs forces qui vont la tirer ou la pousser vers la forme.
●
Les forces impliquées vont dériver de trois énergies associées au snake:
–
L'énergie interne
●
E int = (a(s)).||(Vs(s)|| + b(s)).||(Vss(s)||)
–
L'énergie potentielle liée a l'image
●
E image= -gradient(i).
–
L'énergie de "contrainte"
I- Introduction
II- Approche Globale III – Approche Région / Frontière
1)S plit & Merge 2)Region
growing
3)Détection de contours IV – Approche Lumière / Couleur V - B ilan
A p p r o c h e R é g i o n / F r o n t i è r e
●
Détection de contours
– Détection par contour actifs
●
On somme toutes les énergies
E totale(Vi-1, Vi, Vi+1) = somme (Ei int(Vi-1, Vi, Vi+1) + Ei image(Vi) + Ei cont(Vi))
●
Il faut ensuite trouver la position du contour qui va minimiser cette énergie. On se ramène donc à un problème d'optimisation d'une fonction
numérique de plusieurs variables
I- Introduction
II- Approche Globale III – Approche Région / Frontière
1)S plit & Merge 2)Region
growing
3)Détection de contours IV – Approche Lumière / Couleur V - B ilan
A p p r o c h e L u m i è r e / C o u l e u r
●
Méthodes abordées : erreurs à cause de saturation et ombres.
●
=> analyser l 'interaction entre la lumière et les matières colorées :
– Non homogène
– Homogène
– Métallique
I- Introduction
II- Approche Globale III – Approche Région / Frontière
IV – Approche Lumière / Couleur V - B ilan
B i l a n
●
Existe-t-il une technique de
segmentation meilleure qu'une autre?
– Non tout dépend du contexte et de l'application
●
Existe-t-il une « super » technique encore inconnu qui aurait de meilleur résultat que les autres?
– Non cela semble peut probable
●
Pourquoi le cerveau obtient-il de meilleurs résultat alors?
– Réponse difficile... (50 ans de recherche)
I- Introduction
II- Approche Globale III – Approche Région / Frontière
IV – Approche Lumière / Couleur V - B ilan