Segmentation S Y S M o d u l e 4

Transcription

1 Plan du module Segmentation S Y S M o d u l e 4 Seuillage Croissance de région Partition de régions Regroupement Partition - regroupement Définitions Vue d ensemble de la segmentation Segmentation Partition d une image en un ensemble de régions Région Zone homogène dans l image (niveau de gris, couleur, texture, gradient, etc.) Principes de base de la segmentation Similarité Proximité spatiale Représentation des régions Contour Étiquetage Composition des régions Image binaire! N / B Image niveaux gris! Image couleur! Texture! Vecteurs déplacement! Images 3D! éclairement RVB, TSL, L*a*b* matrice cooccurrence mouvement profondeur Segmentation par contour Étiquetage

2 Définition d une région Soit I une image Segmentation en régions partition de I en K régions R k Exemple: segmentation en niveaux de gris. Tout pixel appartient à une région 2. Aucun pixel n'appartient à plus d une région 3. Proximité (cohérence) spatiale 4. Cohérence des attributs de région K I = R k k= R i Rj = 0 p connecté à p p, p R k P (Rk) est VRAI pour k :, 2,, K P (Ri Rj) est FAUX pour Ri, Rjadjacent et i j Représentation d une région Plan d étiquettes 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 Plan de contours Description de contour par code de Freeman Déplacement le long de la région, en la gardant à notre droite Sens anti-horaire (illustré) ou horaire CC={i,j}[ ]

3 Segmentation en régions Croissance Débuter en un point d une région Agrandir la région par similarité Continuer tant que regroupements possibles Segmentation hybride Combinaison de partitions - regroupements Critères de partition ou regroupement Locaux: pixel ou région et ses voisins Globaux: grand nombre de pixels répartis dans l image Partition Débuter en région (image complète?) Séparer en plusieurs petites régions Continuer à séparer tant que possible (récursif) Hybride Séparer - regrouper Segmentation perceptuelle Seuillage Seuillage global T Binarisation de l image! Le seuillage constitue une approche simple à la segmentation. Le seuillage sert de composante de base à des algorithmes plus complexes de segmentation Production de 2 zones de base : Zone 0!si I(x,y)! T Zone!si I(x,y) > T Segmentation par croissance de région simple, mais lent. On débute en point, on lui assigne une valeur d étiquette, puis on trouve les voisins possédant la même valeur de zone.

4 Effets du choix de la valeur de seuil T! 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 (décrites par exemple par des codes de Freeman enchaînés). T=46 T=64 T=96 T=28 T=92 T=224 simple de segmentation par croissance de région inter-connectée Seuillage multiple Tk Principe : Image seuillée avec K seuils Zones résultantes segmentées par croissance de région : zone(i, j) = k si T k I(i, j) < T k pour k : K R(i, j) : étiquetage par croissance de région Seuillage T k Global! Local! Dynamique! (ou hybride) dépend de I(i,j) dépend de N(i,j) dépend de I(i,j) et N(i,j) Choix des seuils Tk Selon l histogramme (global) Image Hystérésis Seuils d après histogramme Choisir le seuil T à la position de vallée : T=3 Appliquer le seuil trouvé T à chaque pixel de l image Marquage dans une zone si un voisin est marqué

5 Selon le voisinage (local) Tk = nσ 2 voisinage marque si I(i, j) µ > Tk Image du mandrill Image après un seuillage global avec T = 96 Image originale de la route Image résultante du seuillage des points extrêmes (n=2) Par hystérésis (dynamique) Seuillage par hystérisis Seuillage global à 80 Seuillage global à 00. Choisir 2 niveaux de seuil (global)! TL :! faire ressortir les éléments désirés!!! incluant des détails non-pertinents! T H :! éléments désirés, avec des manquements 2. Marquer tous les pixels >T H 3. Pour tous les pixels adjacents aux pixels marqués :! Marquer si >TL 4. Répéter 3 pour tous les pixels marqués dans 2 Seuillage avec hystérésis (valeurs de seuil : 80 et 00) Segmentation par croissance de région TANT QUE image n est pas segmentée en entier. Choisir un pixel non-étiqueté 2. Examiner les voisins : V j similaire " étiquette k 3. TANT QUE V j # Région k Examiner les voisins V i similaire " étiquette k 4. k = k + et retour à

6 Exemple Critères de similarité (les plus fréquents) Critère: V j région < seuil V j région < seuil Seuil = 2 8-voisins??? V j région < nσ 2? Performances Bonnes performances : Images non-bruitées Images sans texture Images sans gradient Performances moyennes : Images bruitées Images texturées p Lp k p j, p j + sont voisins p j! p j+ < T mais p! p k > k Image initiale de bactéries Seuil = 0 Seuil = 25 Segmentation par partition de régions TANT QUE région non-uniforme. Débuter avec une région large 2. Traitement récursif : Diviser en plusieurs régions plus petites Continuer à diviser jusqu à ce que chaque région soit uniforme Critère de partition : seuillage global (multiple)

7 Choix des seuils Exemple: l escargot Segmentation par regroupement. Frontière entre 2 régions est évaluée selon similitude des régions. Un petit score indique une frontière faible. Le principe de cette méthode consiste à utiliser une image d entrée déjà segmentée (c est encore mieux si l image est sursegmentée) 2. Regroupement des régions aux frontières faibles (frontière éliminée) 3. Statistiques recalculées 4. Calcul de similarité entre la nouvelle région et les voisines 5. On recommence tant que des frontières peuvent être supprimées

8 Exemple Similarité de régions Plusieurs composantes!! (eg couleur, texture, etc) Plusieurs façons de combiner.! La plus usuelle : le vote Construire le graphe d adjacence Indiquer sur les frontières la valeur pondérée totale des votes Regrouper pour les minima locaux +! neutre V i : <! regrouper >! ne pas regrouper V total = N " V i W i Segmentation par partitionregroupement! Il s agit de combiner les deux algorithmes, de partition et de regroupement, de telle sorte que les forces de l un compensent les faiblesses de l autre.. Pré-traitement: préservation des arêtes par Nagao ou Weymouth-Overton. 2. Analyse locale par histogramme Diviser l image selon une grille Seuils dans les vallées des composantes connectées pour former des régions 3. Enlever les frontières artificielles 4. Regrouper les régions similaires 5. Regrouper les petites régions de ou 2 pixels avec les régions voisines plus significatives similarité = µ a µ b max(σ a + σ b, )

9 Exemple