Segmentation de séquences Segmentation de séquences
d’images au sens du d’images au sens du
mouvement mouvement
Stage DEA Image & Calculs Elodie Bichot
Juillet 2002
Encadrant : L. Mascarilla
Introduction Introduction
illusion de mouvement créée par la succession d’images à une cadence élevée
mouvement = information importante en traitement d’images
segmentation de séquences d’images au sens
du mouvement
Plan Plan
I.
Définition de la segmentation au sens du mouvement
II.
Les méthodes de segmentation au sens du mouvement
1. Le flot optique
2. Les méthodes d’estimation du flot optique
3. Le partitionnement du flot optique
III.
Mise en œuvre
1. L’appariement par fenêtres
2. L’algorithme de segmentation au sens du mouvement mis en œuvre
Contexte : Projet Aqu@thèque Contexte : Projet Aqu@thèque
étape de segmentation : détecter la région correspondant au poisson sélectionné
images couleurs réelles présentant des effets spéculaires, des changements de luminosité
méthodes de segmentation par le mouvement
impossible de distinguer deux poissons évoluant en sens opposé au moment où ils se croisent
segmentation au sens du mouvement
Segmentation au sens du mouvement Segmentation au sens du mouvement
Partitionnement de l’image en régions uniformes au sens du mouvement :
estimation du mouvement 2D (flot optique)
classification des pixels selon leur mouvement
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
Estimation du mouvement Séquence d’images
segmentation
Flot optique Images segmentées en
régions uniformes au sens du mouvement
Le flot optique Le flot optique
champ de vecteurs de déplacements produit par la projection du mouvement 3D des objets et/ou par le mouvement de la caméra
estimation du flot optique illumination constante :
I t x t( , ( )) I0 v I. It 0
v dx dt
dx
dt v v
( 1 , 2 ) ( ,1 2)
I I
t t
composantes de la vitesse gradient spatial de I
gradient temporel de I
équation du flot optique
] , [ ) ,
( 1 2
2 1
x
x I
x I I x
I I
Le flot optique Le flot optique
v I . I
t 0
équation du flot optique fossé entre mouvement estimé par équation du flot optique et mouvement réel
détermination du mouvement problème mal posé :
problème d’ouverture : seule b, composante du mouvement
normale au bord, peut être estimée [2]
Domaines d’utilisation du flot optique Domaines d’utilisation du flot optique
compression vidéo par compensation de mouvement
segmentation : météorologie
reconnaissance de signes du langage des signes surveillance de sites routiers
Le flot optique pour segmenter des véhicules en mouvement [1]
Méthodes d’estimation du flot optique Méthodes d’estimation du flot optique
Techniques différentielles
Méthodes fréquentielles
Appariement par fenêtres
Les méthodes différentielles Les méthodes différentielles
fondées sur hypothèse d’intensité constante
Problème d’ouverture
ajout de contrainte de lissage du flot optique : flot optique constant sur un voisinage local de
meilleure solution : la plus régulière [HS81]
I x v t( , 1) I x t( , )
I x t( , 1). ( , )v x t I x tt ( , ) O2
x
min W x( )( I x t v( , ). I ( , )) t x t
x
2 2
[LK81]
( . ) ( )
I v It v v dxdy
image
2 2 1 2 2 2
Positionnement des techniques Positionnement des techniques
différentielles différentielles
coût de calculs faible
précise
estimation de déplacements de faible amplitude
mauvaise estimation du flot optique aux
frontières des objets = zones de discontinuités
du mouvement
L’appariement par fenêtres L’appariement par fenêtres
recherche de la meilleure correspondance entre des régions de deux images consécutives par :
– maximisation d’un critère de similarité
– minimisation d’une distance
entre deux fenêtres de référence sur une zone de recherche
fenêtre de référence
ou de corrélation zone de recherche position translatée de la fenêtre de référence pixel (i, j) de l’image considéré
Positionnement de l’appariement par Positionnement de l’appariement par
fenêtres fenêtres
simple
possibilité d’estimer des déplacements d’amplitude importante
problème en cas d’images bruitées, en présence d’occultations, en cas de zones uniformes
coûteuse en temps de calculs
imprécise
Segmentation du flot optique Segmentation du flot optique
qualité liée à la qualité de l’estimation du mouvement
par estimation d’un mouvement dominant - évaluation du mouvement dominant
- « extraction » de l’objet animé du mouvement dominant
problème : lorsqu’il n’y a pas qu’un seul mouvement dominant
Segmentation du flot optique Segmentation du flot optique
par classification sur les paramètres d’un modèle de mouvement affine [WA94] :
mouvement affine :
- facile à implémenter
- décrit les mouvements rencontrés dans les vidéos
v x y a a x a y v x y a a x a y
x x xx xy
y y yx yy
( , ) ( , )
0 0
génération d’hypothèses de
mouvement
classification flot optique
affectation des régions à l’hypothèse la plus
proche
image segmentée
objets en translation : groupement des pixels de même vitesse
Estimation du flot optique par Estimation du flot optique par
appariement par fenêtres appariement par fenêtres
simple
à l’origine des meilleurs résultats
pas fondé sur hypothèse d’illumination constante
intégration assez facile de l’information de couleur
difficile d’apprécier la justesse du flot optique estimé
image initiale, flot optique évalué par appariement et par la méthode de Lucas & Kanade
Estimation du flot optique Estimation du flot optique
Représentation des normes des vecteurs vitesses et du flot optique évalués par appariement à partir d’images en niveaux de gris à gauche, à partir d’images en
couleurs à droite
Algorithme de segmentation au sens du Algorithme de segmentation au sens du
mouvement mouvement
flot optique évalué par appariement
segmentation par classification sur les paramètres d’un modèle de mouvement affine
nombre de classes fixé arbitrairement
Estimation du flot optique
Estimation des paramètres d’un
modèle de mouvement affine sur des régions
carrées [WA94]
Classification par C moyennes floues sur
les paramètres de mouvement
Représentation des classes dans
l’espace de l’image
image initiale image segmentée
Algorithme de segmentation au sens du Algorithme de segmentation au sens du
mouvement mouvement
flot optique évalué par appariement
segmentation par classification sur les composantes de la vitesse
nombre de classes fixé arbitrairement
image initiale segmentation par classification sur les composantes de la vitesse
Conclusion Conclusion
estimation du flot optique + partitionnement du flot optique = segmentation au sens du
mouvement
appariement par fenêtres + classification sur les composantes du déplacement = segmentation au sens du mouvement
distinction de poissons évoluant en sens opposé
coopération entre la segmentation au sens du mouvement et la poursuite de cibles
Références Références
[HS81] B.K.P. Horn, B.G. Schunck. Determining optical flow. Artificial Intelligence 17 : 185-204, 1981.
[LK81] B. Lucas, T. Kanade. An iterative image registration technique with an
application to stereo vision. Proc. DARPA Image Understanding Workshop, pp.121-130, 1981.
[WA94] J.Y.A. Wang, E.H. Adelson, Spatio-Temporal Segmentation of Video Data.
Proceedings of the SPIE : Image and Video Processing 2, vol. 2182, San Jose, 1994.
[WA94] J.Y.A. Wang, E.H. Adelson. Representing Moving Images with Layers. IEEE Transactions on Image Processing Special Issue : Image Sequence Compression, vol3, n°5, p. 625-638, 1994.
[1] http://www.cmap.polytechnique.fr/~bernard/FlotOptique/page3.html
[2] http://www.dai.ed.ac.uk/CVonline/LOCAL_COPIES/OWENS/LECT12/node4.html