cours #9 segmentation n découverte n 4- segmentation u introduction u 4.1 seuillage u 4.2...
TRANSCRIPT
Cours #9 Segmentation
Découverte4- Segmentation Introduction4.1 Seuillage4.2 Croissance de régions4.3 Partition de régions4.4 Regroupement4.5 Partition -
regroupement
SYS-844Hiver 2005
Cours #9 - 2
Forum
SYS-844Hiver 2005
Cours #9 - 3
Découverte
Osherson et al, Visual Cognition and Action, MIT Press, 1990, Vol. 2. Computational theories of low-level
vision - Yuille et Ullman Paradigme de Marr
Higher-level vision - Biederman
Chapitre 4Segmentation
Segmentation: partition d’une image en un ensemble de régions
Régions: zone homogène dans l’image (niveau de gris, couleur, texture, gradient, etc.)
Principes de base de la segmentation
SimilaritéProximité spatiale
SYS-844Hiver 2005
Cours #9 - 6
Représentation des régions Contour étiquetage
Segmentationpar contour
Étiquetage
SYS-844Hiver 2005
Cours #9 - 7
Composition des régions Image binaire N / B Image niveaux gris éclairement Image couleur RGB, HSI, L*a*b* Texture matrice cooccurrence Vecteurs déplacement mouvement Images 3D profondeur
SYS-844Hiver 2005
Cours #9 - 8
Ex.: segmentation en niveaux de gris
SYS-844Hiver 2005
Cours #9 - 9
Définition d’une région
Soit I une image
Segmentation en région partition de Ien K régions Rj
1. Tout pixel appartient à une région
2. Aucun pixel n’appartient à plus d’une région
3. Proximité (cohérence) spatiale
4. Cohérence de caractéristique de région
I = Rj
j:1
K
U Ri I Rj =0
p connecté à p'
∀p, ′ p ∈Ri
Pour un prédicat P:
PR i( ) est VRAI pour i:1,2,L K
PR i ∪ Rj( ) est FAUX pour Ri,Rj adjacents
et i≠j
SYS-844Hiver 2005
Cours #9 - 10
Représentation d’une région Étiquetage
Chaque région possède une étiquette unique
Un plan d’étiquettes est une image de même dimension et parallèle au plan image. Il indique les étiquettes correspondant aux pixels
Contours Tous les contours sont numérotés Les contours changent de nom aux
sommets et points de rencontre Description compacte: code de
Freeman
SYS-844Hiver 2005
Cours #9 - 11
Plan d’étiquettes
SYS-844Hiver 2005
Cours #9 - 12
Plan de contours
SYS-844Hiver 2005
Cours #9 - 13
Description de contour par code de Freeman• Déplacement le long de la région, en la gardant à
notre droite• Sens antihoraire (illustré) ou horaire
CC={i,j}[5 5 6 6 6 0 0 0 0 0 0 0 1 1 2 2 2 4 4 5 4 3 4 4]
SYS-844Hiver 2005
Cours #9 - 14
Segmentation en régions Croissance
Débuter en un point d’une région Agrandir la région par similarité Continuer tant que regroupements
possibles Partition
Débuter en 1 région (image complète ?) Séparer en plusieurs petites régions Continuer à séparer tant que possible
(récursif) Hybride
Séparer - regrouper
SYS-844Hiver 2005
Cours #9 - 15
Segmentation hybride Combinaison de partitions - regroupements Critères de partition ou regroupement
• Locaux: 1 pixel ou région et ses voisins• Globaux: grand nombre de pixels répartis dans
l’image
SYS-844Hiver 2005
Cours #9 - 16
Segmentation perceptuelle
SYS-844Hiver 2005
Cours #9 - 17
4.1Seuillage
Le seuillage constitue une approche simple à la segmentation. Le seuillage sert de composante de base à des algorithmes plus complexes de segmentation
SYS-844Hiver 2005
Cours #9 - 18
4.1.1 Seuillage global T Binarisation de l’image Production de 2 zones de base:
Zone 0 si I(x,y) T Zone 1 si I(x,y) > T
Segmentation par croissance de région
Algorithme simple, mais lent. On débute en 1 point, on lui assigne une valeur d’étiquette, puis on trouve les voisins possédant la même valeur de zone.
Effets du choix de la valeur de seuil T
T=46 T=64 T=96
T=128 T=192 T=224
SYS-844Hiver 2005
Cours #9 - 20
Le résultat de la binarisation n’est pas une segmentation car plusieurs zones déconnectées ont la même valeur d’étiquette. Il faut maintenant segmenter en assignant des étiquettes aux régions (décrivables par ex. par des codes de Freeman enchaînés).
SYS-844Hiver 2005
Cours #9 - 21
Algorithme simple de segmentation par croissance de région inter-connectée
SYS-844Hiver 2005
Cours #9 - 22
4.1.2 Seuillage multiple Principe :
Image seuillée avec m seuils Zones résultantes segmentées par
croissance de région Algorithme :
R(i,j) : étiquetage par croissancede région
zonei, j( )=k si Tk−1 ≤I i, j( )<Tk
avec k:1L m
SYS-844Hiver 2005
Cours #9 - 23
Seuillage Tk Global dépend de I(i,j) Local dépend de N(i,j) Dynamique dépend de I(i,j) et
N(i,j)
(ou hybride)• Hystérésis• Seuils d’après histogramme• Marquage dans une zone si un voisin est
marqué
SYS-844Hiver 2005
Cours #9 - 24
Choix des Tk : Selon l’histogramme (global)
Image
• Choisir le seuil T à la position de vallée : T=13• Appliquer le seuil trouvé T à chaque pixel de l’image
Image du mandrill Image après un seuillage globalavec T = 96
Par hystérésis (dynamique)
Seuillage global à 80 Seuillage global à 100
Seuillage avec hystérésis(valeurs de seuil : 80 et 100)
(local)Tk =nσ 2
voisinage
marque si I i, j( )−μ >Tk
Image originale de la route Image résultante du seuillageDes points extrêmes (n=2)
SYS-844Hiver 2005
Cours #9 - 28
4.2 Segmentation par croissance de régions
Algorithme: TANT QUE image n’est pas
segmentée en entier Choisir un pixel non-étiqueté Examiner les voisins:
Vj similaire étiquette k
TANT QUE Vj Région k• Examiner les voisins
Vi similaire étiquette k
k = k + 1
SYS-844Hiver 2005
Cours #9 - 29
Critères de similarité (fréquents)
Vj −région<seuil
Vj −région<nσ région2
SYS-844Hiver 2005
Cours #9 - 30
Exemple
11
1
1 1 1
11
1
1
1
1
1
1
1
1
1
1
1
1 1
1
1
1
?
?
?
?
2
2 2
2
2 2
2 2
2
Critère: 1er
Seuil: 2
SYS-844Hiver 2005
Cours #9 - 31
Performances Bonnes performances:
Images non-bruitées Images sans texture Images sans gradient
Performances moyennes: Images bruitées Images texturées
p1L pk
pj ,pj+1 sont voisins
pj −pj+1 <T
mais p1 −pk >k
SYS-844Hiver 2005
Cours #9 - 32
Image initiale de bactéries
Seuil = 10 Seuil = 25
SYS-844Hiver 2005
Cours #9 - 33
4.3 Segmentation par partition de régions
Algorithme: TANT QUE région non-uniforme
Débuter avec une région large Récursif:
• Diviser en plusieurs régions plus petites• Continuer à diviser jusqu’à ce que chaque
région soit uniforme
Critère de partition: seuillageglobal
(multiple)
SYS-844Hiver 2005
Cours #9 - 34
Exemple: nautile
Choix des seuils
SYS-844Hiver 2005
Cours #9 - 36
SYS-844Hiver 2005
Cours #9 - 37
4.4 Segmentation parregroupement
Principe: Image d’entrée déjà segmentée (mieux: sur-segmentée)
SYS-844Hiver 2005
Cours #9 - 38
Algorithme: Frontière entre 2 régions est évaluée
selon similitude des régions. Un petit score indique une frontière faible.
Regroupement des régions aux frontières faibles (frontière éliminée)
Statistiques recalculées
Calcul de similarité entre la nouvelle région et les voisines
On recommence tant que des frontières peuvent être supprimées
SYS-844Hiver 2005
Cours #9 - 39
Similarité de régions Plusieurs composantes (eg
couleur, texture, etc) Plusieurs façons de combiner.
Le plus usuel: le vote
Vi :
+1⇒ neutre
<1⇒ regrouper
>1⇒ ne pas regrouper
Vtotal= ViWi
N
∏
SYS-844Hiver 2005
Cours #9 - 40
Exemple Construire le graphe d’adjacence Indiquer sur les frontières la valeur
pondérée totale des votes Regrouper pour les minima locaux
SYS-844Hiver 2005
Cours #9 - 41
4.5 Segmentation par partition-regroupement
Il s’agit de combiner les deux algorithmes, de partition et de regroupement, de telle sorte que les forces de l’un compense les faiblesses de l’autre.
SYS-844Hiver 2005
Cours #9 - 42
Algorithme Pré-traitement: préservation des arêtes
par Nagao ou Weymouth-Overton Analyse locale par histogramme
Diviser l’image selon une grille Seuils dans les vallées Algorithme des composantes
connectées pour former des régions Enlever les frontières artificielles
SYS-844Hiver 2005
Cours #9 - 43
Regrouper les régions similaires
similarité=μa −μb
maxσa +σb,1( )
Regrouper les petites régions de 1 ou 2 pixels avec les régions voisines plus significatives
SYS-844Hiver 2005
Cours #9 - 44
Exemple