traitement dimages : concepts avancés morphologie mathématique – images binaires – images...
TRANSCRIPT
Traitement d’images : concepts avancés
• Morphologie mathématique– Images binaires– Images niveaux de gris
• Classification – Classifications pixeliques– Modèles à base de champs de Markov
• Segmentation – Méthodes ad hoc– Approche variationnelle
• Détection / Suivi – Changement– Flot optique
Détection de changement : Problèmes
• Pb 1 : soit 1 image de fond, et 1 image acquise à 1 instant t. Quels sont les objets apparus ou disparus par rapport au fond ?
• Pb 2 : Soit 2 images acquises à t et t+1. Quels sont les objets ayant bougé entre t et t+1 ?
Seul cas traité ici : caméra fixe tous les changements détectés sont imputables à des apparitions / disparitions / mouvements d’objets
Détection de changement : Approche générale
• Création d’1 image des données D– Niveau d’information considéré :
• Valeur absolue des différences des niveaux de gris• Différence signée des niveaux de gris• Différence (absolue ou non) d’images de primitives :
contours…
• Classification de l’image D – Nombre de classes :
• 2 : ‘changement’ vs ‘non changement’• k : ‘non changement’, ‘changement de type 1’,…,
‘changement de type k-1’
– Prise en compte de l’information spatiale• Classifications markoviennes (vs ponctuelles)• Décision niveau ‘fenêtre’
On cherche 1 solution qui soit :Robuste
• au bruit,• aux changements d’illumination
Automatique
Création d’1 image des ‘données- changements’ D
Classification de l’image D• Cas 2 classes
– Classe ‘non changement’ ~ Normale centrée variance
– Classe ‘non changement’ ~ quelconque !!! Attention au terme d’attache au données
– Exemple : cas d’1 classe changement bimodale supposée monomode
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 6,72 28,6 22,6 26,4 22,6 0,06 11,5 3,250 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 11,3 6,45 29,5 9,39 6,56 29,7 11,4 21,70 1 1 0 0 0 0 0 0 1 1 0 0 0 0 0 29,9 -26 -19 8,94 8,42 5,44 8,42 19,90 1 1 0 0 0 0 0 0 1 1 0 0 0 0 0 20,4 -22 -7,2 16,5 24,4 12,2 27,5 8,70 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 20 15,6 0,15 12,6 20,4 0 23,3 280 0 0 0 1 1 1 0 0 0 0 0 1 1 1 0 21,5 17,1 23 22,5 -4 -1,6 -2,4 17,20 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 21,2 27,6 17,4 26,8 28,5 -0,8 26 10,30 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 22,9 10,4 19,2 14,6 0,54 11,1 13,9 14
3,16 0,43 1,17 0,7 1,18 3,99 2,56 3,59 0 0 0 0 0 0 0 0 6,72 28,6 22,6 26,4 22,6 0,06 11,5 3,252,58 3,19 0,32 2,83 3,18 0,28 2,57 1,28 0 0 0 0 0 0 0 0 11,3 8,45 31,5 13,4 10,6 33,7 15,4 21,70,26 7,25 6,36 2,88 2,95 3,32 2,95 1,51 0 1 1 0 0 0 0 0 29,9 -26 -19 10,9 12,4 9,44 12,4 19,91,45 6,79 4,9 1,94 0,96 2,48 0,56 2,91 0 1 1 0 0 0 0 0 20,4 -22 -7,2 18,5 28,4 14,2 31,5 8,71,49 2,05 3,98 2,43 1,44 4 1,09 0,5 0 0 0 0 0 0 0 0 20 17,6 2,15 16,6 20,4 2 23,3 281,32 1,87 1,13 1,19 4,5 4,2 4,3 1,85 0 0 0 0 1 1 1 0 21,5 21,1 27 24,5 -2 -5,6 -0,4 17,21,35 0,56 1,82 0,65 0,44 4,1 0,75 2,71 0 0 0 0 0 0 0 0 21,2 31,6 21,4 30,8 28,5 1,2 26 10,31,14 2,7 1,61 2,17 3,93 2,62 2,26 2,25 0 0 0 0 0 0 0 0 22,9 10,4 19,2 14,6 0,54 11,1 13,9 14
mu0 2 beta 2mu1 6
Image des labels ‘vérité’
Classification aveugle
termes attache aux données
énergies avec terme voisinage
Classification MRF-ICM (itération 1)
Image données
Paramètres classification
Décision A Contrario
• Principe de Helmholtz : 1. modélisation du cas où il n’y a rien (modèle
‘naïf’) et
2. contradiction éventuelle de ce modèle
• Cas de la détection de changements : Classe ‘non changement’ modèle naïf (&
Classe ‘non changement’ non modélisée !) Estimation de la ‘vraisemblance’ de
l’observation sous hyp. du modèle naïf Décision
• sur la valeur de probabilité ~ tests a contrario de Fisher• sur le “nombre de fausses alarmes”
• 1 structure est présente dans 1 groupe d’objets quand la configuration de ces derniers ne peut arriver par simple hasard (sauf exception).
• Introduit en TI par A. Desolneux (2000)
Exemple 1 : détection basée sur les valeurs radiométriques de pixels
• Modèle naïf :En l’abs. de changements, l’image différence est un champ aléatoire
de variables indépendantes gaussiennes centrées
L’erreur quadratique cumulée sur 1 sous-ensemble de pixels Wi :
a 1 fct de répartition qui suit une loi du
2.
• Critère NFA :principe : mesurer le degré d’étonnement d’1 observation
NFA = où |E| est un ‘nombre de tests’
• Significativité maximale :1 évènement est -significatif si son NFA est < On cherche les sous-ensemble de pixels Wi de significativité max.,
i.e. de NFA minimal
iWs
sD 22 2zPEx. : pour 1 pièce supposée non truquée, il n’est pas vraiment étonnant de ne pas tirer ‘face’ sur 1 tirage aléatoire ; par contre il est très étonnant de
tirer 0 fois ‘face’ sur 10 tirages aléatoires !
22 zPE
Conversion d’1 proba. en 1 nombre de fausses alarmes
Exemple 1 : résultats
• Cas où Wi est quelconque
sur l’ensemble des pixels de
l’image : |E| = et
• Cas où Wi est 1 fenêtre rectangulaire de nk pixels :
|E| = et
iWS
CS .
iSW
WNFAWi
minarg~
kiC inSk ,1,
de dimensions fixées e.g. 1010, 1020,
2010, 2020)
jWWW
i
i
i WNFAWNFA
NFAWNFAWW
jij :
max
minarg~
Exemple 2 : détection basée sur les labels
• L’image de données est 1 image de labels 0
– 0 {‘changement’=‘C’, ‘non changement’=‘NC’, ‘indéterminé’=‘I’}
– 0 attribué au niveau pixel erreurs
• Modèle naïf :En l’abs. de changements, les labels 0=‘changements’ sont répartis
uniformément sur l’image
Le # de pixels labelisés ‘C’, |{‘C’}Wi|, dans 1 sous-ensemble compact de
|Wi| pixels suit une loi binômiale :
• Résultats :
ii WWpi CzBWNFA '',
knkknnp ppCkzB 1,
Étiquettage par méthode 1.1
Étiquettage sur valeur de gradient
Flot optique• Pb: Soit 2 images acquises à t et t+1. Quel est le
champ des vitesses associé à l’image ?
Applications : suivi d’objets, détection de mouvement…
sous-pb : Quel est le champ des vecteurs de déplacement apparent de chaque objet de l’image entre t et t+1 ?
identifier les couples de pixels susceptibles d’appartenir à un même objet dans les 2 images à t et à t+1 définir 1 critère d’association des pixels
sélectionner la ‘bonne’ sol. parmi des sol. multiples définir un critère de régularisation du champ des déplacements
i.e. dans l’image ; peut être différent du déplacement réel
dans la scène 3D
0..
t
f
t
y
y
f
t
x
x
f
dt
df
• Soit f(x,y,t) l’image vue comme une fct donnant la ‘brillance’ (niv. de gris) d’un objet en (x(t),y(t)) à t
• Hypothèse de base = conservation de la ‘brillance’
des objets au cours du temps
• En pratique,
– minimisation de la norme (L1) :
avec
– régularisation du champ des vitesses
Éviter ces solutions !
Flot optique : formulation (I)
t
yv
t
xutyxz
z
ff z
et , ,,,
dfvfufddt
dftvx ..
Flot optique : formulation (II)
• Ajout d’1 terme de régularisation énergie à minimiser : (*)
avec
– Horn & Schunk (1981) :
– Weickert & Schnörr (2000) :
avec
et l’énergie est intégrée sur 1 domaine spatio-temporel [0,T] dans (*)
22222
y
v
x
v
y
u
x
uEr
tyxd fvfufE ..
222 vuEr
dEE rd222 .
0et ,10où ,1.1.2
2222 z
zz
Flot optique : résolution (I)
• Rappel : soit 1 fct J dépendant de d’1 fct f et de sa
dérivée première :
alors 1 extremum de J (s’) est la fct f(x) qui satisfait
l’équation d’Euler-Lagrange
Cas Horn & Schunck
et
(**)
0
xf
L
dx
d
f
L
dxxfxfxLfJ x,,
2222
22y
v
x
v
y
u
x
ufvfufL tyx
tyxx fvfuffu
L
2
tyyyx
txyxx
ffvvfuff
ffuvffuf222
222
2
2
2
22
'2
' y
u
x
u
u
L
d
d
y
u
x
u
u
L
On pose f=f0+f1, avec f1 quelconque nulle sur les bords de . Alors si f0 est 1 minimum, la dérivée de J par rapport à est nulle en =0 : . Or : 0',,
0
ffxJ
d
d
dx
f
J
dx
d
f
Jff
f
Jdx
f
J
dx
df
f
Jfdxf
f
Jf
f
JdxffxL
d
d
'.''
..'.'
.)',,( 111111
Flot optique : résolution (II)• Approximation du Laplacien et des dérivées 1ères par
filtrage linéaire :
et
• En remplaçant dans le système (**)
• Que l’on résout de façon itérative (n numéro d’itération):
1,11,11,11,1
1,1,,1,1
12
16
1
jijijiji
jijijiji
uuuu
uuuuujijiji uuu ,,,2
tyyyx
txyxx
ffvvfuff
ffuvffuf222
222
tyxyxyx
txyxyyx
ffvfuffvff
ffvffufuff22222
22222
2221
2221
yxtyn
yynn
yxtyn
xxnn
fffvfvffvv
fffvfuffuu
1
,,1,1,1,,,1,, 4
1 t
tkkjikjikjikjijix fffff
tyyxytxyxyx
yty
yxtx
yyx
yxx
ffvfffffuuffff
fffv
ffffuu
fff
fff
222222222
222
2
22
22
Flot optique : exemples de résultats
Flot optique : exemples de résultats