Extraction des contours labiaux par algorithmes génétiques multicritères hybrides

Transcription

1 Extraction des contours labiaux par algorithmes génétiques multicritères hybrides Page 1 I. Présentation II. État de l art III. Nos algorithmes IV. Implémentation - Sommaire - multi-énergies initialisation positionnement Contours actifs génétiques apport 1 : Application de Pareto apport 2 : hybridation V. Application aux contours labiaux VI. Conclusion et perspectives Présentation Prétraitements Résultats Page 2

2 I. Présentation I. Présentation II. État de l art 1. problématique 1 : utilisation conjointe gradient /région 2. problématique 2 : initialisation 3. notre positionnement III. Nos algorithmes 2. contours actifs génétiques 3. Apport 1 : contours actifs génétiques multicritères 4. Apport 2 : hybridation avec des snakes classiques IV. Implémentation 1. Méthodologie 2. Résultats V. Application aux contours labiaux 2. Prétraitements 3. Résultats VI. Conclusion et perspectives Page 3 I. Présentation. Analyse du visage Codage du visage pour des applications de visiophonie ou de caractérisation de scènes vidéos (MPEG 4). Analyse de visage pour des applications basées sur les interactions homme-machine, ou des applications de sécurité. Segmentation en milieu bruité Variabilité des conditions de prises de vue Variabilité du sujet. Principe Utilisation des énergies gradient et région Peu de dépendance en l initialisation Page 4

3 I. Présentation - 2. Hypothèses et attendus. Type d applications Images bruitées type environnement réel. Informations à priori pré-segmentation région bruitée estimation du centre de la bouche Page 5 II. État de l art I. Présentation II. État de l art 1. problématique 1 : utilisation conjointe gradient /région 2. problématique 2 : initialisation 3. notre positionnement III. Nos algorithmes 2. contours actifs génétiques 3. Apport 1 : contours actifs génétiques multicritères 4. Apport 2 : hybridation avec des snakes classiques IV. Implémentation 1. Méthodologie 2. Résultats V. Application aux contours labiaux 2. Prétraitements 3. Résultats VI. Conclusion et perspectives Page 6

4 II. État de l art - 1. Première problématique UTILISATION CONJOINTE DES ENERGIES DE TYPE GRADIENT ET REGION. Bas niveau accroissement région critère d arrêt dépendant des caractéristiques région et de l amplitude du gradient. split and merge multi-entrées recherche des points contours dans plusieurs image sources puis chaînage des points enveloppe convexe caractérisation de l espace RVB par enveloppe convexe des pixels situés de part et d autre des points contours Page 7 II. État de l art - 1. Première problématique [ Suite ]. Haut niveau Contours actifs : potentiels région et gradient. potentiel région local : différence entre les caractéristiques région des pixels courants et des références chromatiques interne et externe au contour.. potentiel région global : intégration des caractéristiques région à l intérieur et (ou) à l extérieur du contour (théorème de green).. Contours région : utilisation des contours de régions issue de présegmentation. Contours actifs statistiques : création d un modèle à partir de la texture et des contours dans une base d images. Page 8

5 II. État de l art - 2. Seconde problématique FAIBLE DEPENDANCE EN L INITIALISATION. Les contours actifs sont conçus pour être déformés dans un voisinage proche : initialisation manuelle initialisation par prétraitements. Snakes classiques Jumping snakes fortes connaissances de l objet à segmenter : lèvres propagation par saut tant que les conditions à priori ne sont pas remplies Gradient Vector Flow diffusion de l énergie gradient pour attirer le contour éloigné ou bien des zones complexe (forte concavité) Page 9 II. État de l art - 2. Seconde problématique [ Suite ]. Snakes classiques [ Suite ] Approches multi résolution. Potentiels multi-résolution. Initialisations successives. Approches stochastiques Optimisation du contour par algorithmes génétiques, recuit simulé, Optimisation du modèle par réseaux de neurones ou méthodes d optimisation Page 10

6 II. État de l art - 3. Notre Positionnement. Algorithme génétique : exploration globale de l image Faible dépendance en l initialisation Évite les minima locaux Corrélation avec notre approche de la seconde problématique. Optimisation multicritère selon Pareto Gestion des énergies sans définition de coefficients de pondération Page 11 III. Nos algorithmes I. Présentation II. État de l art 1. problématique 1 : utilisation conjointe gradient /région 2. problématique 2 : initialisation 3. notre positionnement III. Nos algorithmes 2. contours actifs génétiques 3. Apport 1 : contours actifs génétiques multicritères 4. Apport 2 : hybridation avec des snakes classiques IV. Implémentation 1. Méthodologie 2. Résultats V. Application aux contours labiaux 2. Prétraitements 3. Résultats VI. Conclusion et perspectives Page 12

7 III. Algorithmes - Notre approche 1. algorithmes génétiques et contours actifs 2. premier apport Pareto : gestion conjointe des énergies 3. Second apport Hybride : accélération du processus Page 13 III. Algorithmes - 2. Contours actifs génétiques. Codage des contours Snake k. Espace des candidats : positions possibles des nœuds dans l image. Déformation : opérateurs génétiques A B L C D E A B C D E Snake k X A + L. Y A Individus de la génération j Opérateur de croisement Opérateur de mutation Individus de la génération j+1. Énergies : valeur des chromosomes ( fitness ) Page 14

8 III. Algorithmes - 2. Contours actifs génétiques [ Suite ]. Évolution du modèle simple : double snakes concentriques Codage : doublement du chromosome Espaces d états : un espace par contour séparation des candidats Énergies : Deux régions distinctes, l objet et le centre. Page 15 III. Algorithmes - 2. Contours actifs génétiques [ Suite ]. Algorithme type Initialisation de la population de N1 individus Évaluation des N1 individus Sélection de N2 parents pour la reproduction Reproduction : obtention de N2 enfants Évaluation des N2 enfants Sélection de N1 individus pour le remplacement FIN OUI Test d arrêt NON Page 16

9 III. Algorithmes - 3. Contours actifs génétiques multiobjectifs : MOGS. Optimisation selon Pareto Dominance : Un point X est dit non dominé s il n existe pas de point X tel que f i (X ) f i (X), quelque soit i=1,, k avec au moins un i tel que f i (X ) < f i (X) phase 1 : Rechercher un ensemble de solutions satisfaisantes appelé frontière de Pareto phase 2 : Intervention du décideur Choix d une solution parmi cet ensemble f 1 Individus dominés Individus non dominés Frontière de Pareto 0 f 2 Page 17 III. Algorithmes - 3. Contours actifs génétiques multiobjectifs [ Suite ]. Sélection des individus selon leur rang. Maintien de la diversité de la frontière de Pareto. Énergies Gradient : intégration de l énergie gradient le long du contour Région. Potentiel d homogénéité : variance de l amplitude région en niveaux de gris. Potentiel quantitatif : proportionnel aux pixels labellisés région et environnement à l intérieur du contour Page 18

10 III. Algorithmes - 3. Contours actifs génétiques multiobjectifs [ Suite ]. Sélection de l individu optimal principe : région homogène entouré par de forts gradients problématique : conservation des extrema de la frontière de Pareto conséquence : caractéristique région non utilisée ou bien potentiel accumulation 1. Sous-espace énergétique région objet / gradient 2. Sélection du meilleur compromis E2: Énergie région objet E1: Énergie gradient Page 19 III. Algorithmes - 4. Hybridation avec snakes classiques : MOGHS. Opérateur de contours actifs Méthode classique de Kass : minimisation de l équation d Euler Lagrange discrétisée par la méthode des différences finies avec. Énergie interne : réglage manuel des coefficients. Énergie externe Gradient : direction de la dérivée seconde Région : direction d amélioration selon la normale au contour Amplitude : proportionnelle à l adéquation du contour courant avec les points contours Page 20

11 III. Algorithmes - 4. Hybridation avec snakes classiques : MOGHS. Opérateur de contours actifs Méthode classique de Kass : minimisation de l équation d Euler Lagrange discrétisée par la méthode des différences finies avec. Énergie interne : réglage manuel des coefficients. Énergie externe Gradient : direction de la dérivée seconde Région : direction d amélioration selon la normale au contour Amplitude : proportionnelle à l adéquation du contour courant avec les points contours Page 21 III. Algorithmes - 4. Hybridation avec snakes classiques [ Suite ]. Intégration problématique : temps de calcul / apport des snakes application : 1. A toute la population initiale 2. Puis selon un cycle (ex: toutes les 10 générations) sur toute la population si elle est de petite taille ( ~5 individus), uniquement sur les individus de rang 1 sinon. Page 22

12 IV. Implémentation I. Présentation II. État de l art 1. problématique 1 : utilisation conjointe gradient /région 2. problématique 2 : initialisation 3. notre positionnement III. Nos algorithmes 2. contours actifs génétiques 3. Apport 1 : contours actifs génétiques multicritères 4. Apport 2 : hybridation avec des snakes classiques IV. Implémentation 1. Méthodologie 2. Résultats V. Application aux contours labiaux 2. Prétraitements 3. Résultats VI. Conclusion et perspectives Page 23 IV. Implémentation - 1. Méthodologie. Objectif : déterminer la configuration optimale Examiner l influence des différents potentiels énergétiques Examiner l influence des paramètres génétiques. Base de tests : Objets Synthétiques. Algorithmes génétiques multicritères Approche classique ( NSGA 2) Micro algorithmes génétiques intérêt principal : adéquation avec l hybridation Page 24

13 IV. Implémentation - 1. Méthodologie [ Suite ]. Critère de référence : différence de surface entre l objet segmenté et l objet réel. Énergies : Potentiels région : homogénéité, quantitatif Potentiel gradient Nombre de potentiels par contour. Paramètres principaux : Tailles des populations Taux de mutation, taux de croisement cycle de l hybridation, nombre d itération des snakes Page 25 IV. Implémentation - 2. Résultats. Énergies centre de l objet : homogénéité objet : homogénéité + accumulation gradient : dirige la convergence. Paramètres MOGS. population importante (30 individus pour le classique, 10 pour le micro ag).. Taux de mutation décroissant exponentiellement (5% initial) MOGHS. Cycle hybride important (peu d applications). Nombre d itérations fixe équivalent aux snakes seuls Page 26

14 IV. Implémentation - 2. Résultats [ Suite ]. Courbes MOGS MOGHS. Conclusion des tests Meilleure configuration : nsga2 hybride pop 5 cycle hybride de 20 itérations Page 27 V. Application aux contours labiaux I. Présentation II. État de l art 1. problématique 1 : utilisation conjointe gradient /région 2. problématique 2 : initialisation 3. notre positionnement III. Nos algorithmes 2. contours actifs génétiques 3. Apport 1 : contours actifs génétiques multicritères 4. Apport 2 : hybridation avec des snakes classiques IV. Implémentation 1. Méthodologie 2. Résultats V. Application aux contours labiaux 2. Prétraitements 3. Résultats VI. Conclusion et perspectives Page 28

15 V. Application aux contours labiaux -. Cadre de l étude Codage vidéo, caractérisation de scènes vidéos Interactions Homme / Machine. Modélisation des contours labiaux Points intermédiaires Arc de cupidon Commissure gauche Points intermédiaires Limite inférieure Points intermédiaires Commissure gauche Page 29 V. Application aux contours labiaux - 2. Prétraitements. Prétraitements : Images énergétiques Page 30

16 V. Application aux contours labiaux - 3. Résultats. Exemple de résultats sur M2VTS Page 31 V. Application aux contours labiaux - 3. Autres applications. Exemple d application à des images cardiaques Page 32

17 V. Conclusion et perspectives I. Présentation II. État de l art 1. problématique 1 : utilisation conjointe gradient /région 2. problématique 2 : initialisation 3. notre positionnement III. Nos algorithmes 2. contours actifs génétiques 3. Apport 1 : contours actifs génétiques multicritères 4. Apport 2 : hybridation avec des snakes classiques IV. Implémentation 1. Méthodologie 2. Résultats V. Application aux contours labiaux 2. Prétraitements 3. Résultats VI. Conclusion et perspectives Page 33 III. Conclusion et perspectives - 1. Conclusion. Positif problématique 1 : initialisation problématique 2 : multi-énergies extraction de l objet en milieu bruité. Négatif temps de calcul : à peu près 10 minutes sous matlab sur P4-1,6 Ghz (~6s en c), avec initialisation aléatoire (différent en flux vidéo) Page 34

18 III. Conclusion et perspectives - 2. Perspectives. Formalisme Gestion dynamique du nombre de nœuds Modification des énergies : champs de Markov Critère d arrêt automatique. Application poursuite des images cardiaques [ collaboration LTSI ] Images satellites de réseaux routiers [ collaboration Supelec Metz] Page 35