Proposition d un model hiérarchique et coopératif agent pour la segmentation d image

Proposition d un model hiérarchique et coopératif agent pour la segmentation d image Mansouri Ziad 1, Hayet Farida Merouani 1, 1 Département d informatique Laboratoire LRI/Equipe SRF Université Badji Mokhtar Annaba Algérie Mansouri Ziad, manzedinf@yahoo.fr.com Hayet Farida Merouani, hayet_merouani@yahoo.fr Résumé: Une nouvelle approche hybride de segmentation d images couleurs ou en niveau de gris est proposée dans ce travail. C est une approche hiérarchique et adaptative basée sur une coopération région-contour. La segmentation procède par l élaboration d un ensemble de régions et de contours initiaux qui vont être améliorés mutuellement et hiérarchiquement dans un environnement multi-agents offrant une vision à la fois globale et locale au processus de segmentation. Mots clés: segmentation, coopération région-contour, Color Structure Code, traitement d image. 1 Introduction La segmentation d images est une étape cruciale dans tout processus d analyse d image. Elle consiste à préparer l image afin de la rendre mieux exploitable par un processus automatique telle que l interprétation. L approche de segmentation par contour consiste à localiser les frontières des objets, et qui opère d une manière purement locale, complique donc la délimitation et la précision de ces objets. Les approches de segmentation par région quant à elles agissent en partitionnant l image en un ensemble de régions où chaque une désigne un ou plusieurs objets connexes, mais ils ont tendance à déformer les frontières naturelles des objets. Dans la pratique les meilleurs résultats de segmentation sont obtenus en combinant conjointement des méthodes distinctes. En faisant cela nous obtenons des approches hybrides plus solides et plus efficaces, car la limite d une méthode peut être surpassée par une autre, ou bien sa force peut être renforcée. Dans ce travail, on propose un système de segmentation qui offre une coopération région-contours au sein d un système multi agent. Notre objectif est de concevoir un système qui engendrera des résultats de bonne qualité pour la segmentation d images couleurs et en niveau de gris tout en ayant un temps d exécution acceptable. Notre approche de segmentation requiert l utilisation d une topologie hexagonale spéciale pour coder l image afin que nous puissions utiliser l algorithme de

segmentation région CSC qui sera présentée en 2. Le principe de cette segmentation est donné en section 3, en précisant le seuil adaptatif, la coopération contour-contour en 3.2, la coopération région-contour en 3.3 et la correction des régions en 3.4. La plate forme d agents est donnée en section 4. Quelques précisions concernant l implémentation sont données en section 5, on termine cet article par une conclusion et discussion. 2 Segmentation par Color Structure Code CSC est une méthode de segmentation par région, introduit par Rehrmann [12]. Son fonctionnement requiert l utilisation d une structure hexagonale hiérarchique pour coder l image. Initialement l image est découpé en un ensemble de petits ilots contenant chaqu un 7 pixels. Ces ilots initiaux se recouvrent où chaque deux ilots adjacents partagent un seul pixel. Avec cette structure chaque ilot a exactement 7 ilots voisins comme illustre la figure1 [3] suivante: Figure 1 : Structuration des pixels dans des îlots. Ces ilots initiaux forment le niveau 0 de la hiérarchie. Pour générer le niveau suivant on considère que les ilots initiaux sont des pixels et on réitère le processus. Donc chaque ilot de niveau 1 est formé par l assemblement de 7 ilots de niveau 0. Le processus est itéré de façons que chaque îlot de niveau n sera constitué de 7 ilots de niveau n-1 jusqu'à l obtention d un seul îlot qui englobe toute l image [3]. Figure 2 : les îlots de différents niveaux [3]

La problématique triviale de cette topologie hexagonale est que la plupart des outils d acquisition et d affichage des images adoptent une topologie orthogonale. Pour cela on propose de simuler une topologie hexagonale sur un grillage orthogonal, comme ce qui est résumé dans la figure 3 proposée par [6] : Figure 3 : adaptation de la topologie hexagonale sur une topologie orthogonale Généralement pour une image de taille : (2 mm + 1) (2 mm + 1) on aura m niveaux. Cette manière de grouper les zones de l image d une manière élégante et hiérarchiques facilite et encourage la répartition et le partage du processus de segmentation. Cette hiérarchie hexagonale va être utilisée par un processus de segmentation région Split & Merge utilisant le principe de croissance de régions dans les ilots initiaux comme on va décrire dans la section suivante où la méthode CSC procède en 3 étapes distinctes, à savoir l initialisation, le groupage et le découpage. 2.1 L initialisation Cette phase traite les îlots d niveau 0 seulement, elle consiste à appliquer dans chaque îlot un algorithme de croissance de régions, ceci va donner entre une et sept régions - de niveau 0- dans chaque îlot. Puisque ce processus traite les îlots d une manière indépendante, cette étape peut être exécutée en parallèle sur les différents îlots de niveau 0. Pour mesurer la similarité entre régions il est préférable d utiliser la représentation HSV des couleurs au lieu du RGB car il s accorde mieux au système visuel humain ce qui conduit à un meilleur résultat de segmentation. Les régions obtenues dans cette phase sont encapsulées dans des code-éléments (ou code-région). Un code-élément est une structure qui décrit une région ainsi que toutes les informations la concernant (couleur moyennes, taille,...etc.). Ainsi la phase d initialisation figure 4 [3], consiste à créer les code-éléments de niveau 0.

Figure 4 : Phase d initialisation 2.2 Le groupement Dans la phase d initialisation le processus de segmentation a eu une vision limitée aux ilots initiaux traité indépendamment, si on passe au niveau suivant on aura des ilots de niveau 1 qui englobent chaqu un 7 ilots de niveau 0 avec leurs code-elements respectifs. Donc on aura une vision plus globale qui nous permettra de fusionner les code-elements homogènes si nécessaire. Donc cette phase consiste à créer les code-elements des niveaux supérieurs à 0 comme suit : Dans chaque ilot de niveau n on génère les codes-éléments de niveau n en groupant les code-éléments de niveau n-1 qui sont à la fois connectés et similaires. La phase de groupement ressemble a la phase d initialisation, seulement elle ne groupe pas des pixels mais des sous régions indiquées par des code-éléments. Et la encore le processus peut être complètement parallèle pour chaque îlot de niveau n. Le résultat de cette étape est un ensemble d arbre de code-elements. Lorsqu un codeélément d un niveau quelconque i ne sera plus fusionné avec aucun autre codeélément de même niveau, alors ce dernier devient la racine d un arbre qui désigne une région proprement dite. Donc l image segmentée sera représentée par une liste de segments où chaque segment est désigné par une racine d un arbre de code-élément. Pour clarifier la structure de cet arbre on signale que chaque code-element a au maximum deux parents et un nombre n d enfants. Le fait de rechercher si deux codes éléments sont connectés devient une chose aisée avec l utilisation de la topologie hexagonale vu les îlots se recouvrent partiellement. Car deux code-éléments de niveau i sont connectés s ils ont au moins un code d éléments de niveau i-1 en commun (2 code-éléments de niveau 0 sont connectés s ils ont au moins un pixel en commun). Cette caractéristique offre plus de rapidité et moins de complexité, contrairement aux techniques split & merge qui utilisent des graphes d adjacences (temps de calcul, coût de MAJ,...etc.) [14].

Figure 5 : Phase de groupage 2.3 Le découpage Comme on peut le constater, le processus de segmentation est jusqu ici purement local, s il existe un groupe de pixels entre deux régions qui changent de couleurs finement entre-elle (le problème d enchaînement successif et aveugle des pixels voisins des méthodes locales) on peut fusionner ces deux régions même s ils ne sont pas assez homogènes. Dans ce cas on va avoir des petites sous régions homogènes, en les fusionnant on obtient une grande région non homogène. Ce problème dont souffre la plupart des méthodes de segmentation utilisant uniquement l information locale, peut être résolu en ajoutant une vision globale au résultat obtenue, afin de corriger toute fusion non adéquate. Ainsi, la phase de découpage opère simultanément avec la phase de groupement, en vérifiant le respect de similarité entre les différents code-éléments nouvellement connectés dans chaque niveau. Si la phase de groupement à mal grouper des codeéléments, créant ainsi un nouveau code-élément non homogène, alors la phase de découpage détecte automatiquement les sous code-éléments responsable et les privent de faire partie du code-éléments englobant (elle découpe ce dernier), ce qui donne une région homogène. On signale que découper deux code-éléments déjà connectés opère d une manière récursive dans toutes les parties communes de ces deux code-éléments. N oublions pas que dans l algorithme CSC tous les ilots s interposent (structure hexagonale), donc même si ces deux codes-éléments vont être séparés, ils auront quand même une zone commune. Ce qui nécessite qu on descend vers le niveau de cette zone commune et qu on la découpe elle aussi d une manière récursive jusqu au niveau des pixels. On peut conclure que la phase de découpage est couteuse en temps de calcule, mais fort heureusement pour nous qu elle ne s exécute que très rarement dans la pratique (en réalité, il y aura que des groupages et très peu de découpages). On peut améliorer le résultat de segmentation en changeant le seuil ou les critères d homogénéité dans chaque niveau. Par exemple les critères seront plus stricts dans les niveaux supérieurs qu au niveau inferieurs. La phase de découpage peut engendrer quelques problèmes dans certains cas très rares où on peut avoir des éléments non connexes (des régions disjointes), ou des régions vides. On peut corriger ces erreurs en ajoutant une phase de vérification qui

contrôle l état des régions après chaque découpage (dans notre système, l agent contrôleur s occupe de ça) [6]. Finalement, on peut remarquer que la méthode CSC avec son organisation hiérarchique et parallèle et sa vision locale et globale s adapte bien à un système multi-agent, d où notre choix s est porté sur elle. Pour avoir plus d information sur la structure des ilots et l implémentation de cette méthode consulter [13]. 3 Principe général de l approche de segmentation En partant du principe que les deux primitives régions et contours sont complémentaires et qu une coopération ou une coordination entre ces 2 approches peut combler les lacunes dont souffrent les méthodes de segmentation classiques, et en considérant que notre approche doit être adaptative au contenu de l image, on a constater que notre système de segmentation en se basant sur la structure hiérarchique imposée par la méthode CSC va nous permette de : D avoir des zones de focalisation (ou de traitement) : la segmentation ne va pas procéder dans toute l image aveuglement, mais l image va être découpée en plusieurs petites zones (les ilots dans chaque niveau), et le processus de segmentation consiste à créer des sous processus de segmentation dans chaque zone. D avoir une coopération mutuelle entre les contours et les régions dans chaque zone : dans notre système les contours évoluent de niveau en niveau en utilisant l information région dans chaque ilot et l information contours des ilots des niveaux inferieurs, mais les régions seront construites indépendamment par la méthode CSC, et à la fin une phase de raccordement des régions sur les contours finales sera lancée. D affiner la qualité de segmentation : puisque notre approche est hiérarchique, alors à chaque fois qu on monte vers un niveau supérieur on aura une vision plus globale (cela est dû au système des ilots hiérarchiques du CSC), et une coopération avec les contours et les régions trouvés dans les sous zones de la zone concernée avec les contours et les régions de cette zone englobante peut améliorer la segmentation comme on va détailler par la suite (fermeture de contours, aménagement des régions, changement de seuil, etc.). De pouvoir exécuter le processus de segmentation d une manière parallèle et distribuée, car une image peut être découpée en plusieurs parties où chaque une peut être affectée a un sous processus de segmentation, et a la fin on groupe le résultat (afin de pouvoir obtenir l ilot globale) pour obtenir l image segmentée finale. Cette vision peut être implémentée dans les systèmes ayant une architecture parallèle pour bénéficier de l accélération du traitement.

SSSSSS Notre approche repose sur 4 concepts, on va les détailler dans ce qui suit : 3.1 Seuil adaptatif des contours Pour détecter un contour nous avons utilisé le filtre de Deriche qui offre bonne précision et détection. Cependant et comme on l a cité plus haut, la détection d un contour se fait dans un ilot précis de niveau n. Alors le seuil choisi pour ce filtre afin de retenir les points de conteurs dépend de l état de l ilot dans lequel ce contour appartient [11]. L état d un ilot pour nous est désigné par le niveau d homogénéité des régions contenues dans cet ilot. Si un contour se retrouve dans un ilot contenant des régions très homogènes (couleurs proche), alors le contour peut être négligé afin de fusionner ces régions dans le futur (dans l ilot de niveau supérieur), donc pour ignorer le contour il faut augmenter le seuil. Si un contour se retrouve dans un ilot contenant des régions très hétérogènes, alors le contour doit être renforcé afin de bien distinguer les frontières des régions dans le futur, donc pour renforcer le contour il faut diminuer le seuil. On aura donc une relation linéaire entre le seuil des contours et le niveau d homogénéité des régions, et qui peut être donnée par la formule : Avec : α : constante définie par l application qui control le nombre de contours. β : variable qui contrôle le niveau de prise en compte de l homogénéité, dans les niveaux inferieurs β sera plus petit que dans les niveaux érieurs sup (l homogénéité de gros régions est plus significative que l homogénéité de petites régions). Pour calculer l homogénéité des régions dans un ilot on a choisie le calcul de la variance des couleurs moyennes des régions (code-éléments) où : 1 ssss VVVVVVVVVVVVVVVV 0 HHHHHHHHHHénnéiiiié = VVVVVVVVVVVVVVVV VVVVll MMMMMM ssss VVVVVVVVVVVVVVVV = 0 (22) Avec: VVVVll MMMMMM : une constante définie par l application qui définie l homogénéité maximale. Donc, avec un seuil dynamique, la détection des contours sera adaptative selon le contenue de l image.

3.2 La coopér ation contour -contour Initialement les contours initiaux (se situant sur des ilots de niveau 0) seront construits comme on a expliqué en choisissant un seuil spécifié, ensuite et au niveau suivant on aura un ilot englobant de niveau 1 contenant 7 ilot de niveau 0. Dans cet ilot on va recommencer le même processus (designer un nouveau seuil et créer une nouvelle carte de contours). Donc on aura une carte de contour de niveau 1 nouvellement créé, et 7 sous-cartes de contours résultant des 7 sous ilots de niveau 0. Une coopération contour-contour se fasse entre les différentes cartes de contours des deux niveaux afin de mieux suivre et fermer les contours comme illustre la figure 6. On signale que les cartes de contours de différents niveaux ne seront pas nécessairement les mêmes vu que les seuils utilisés pour les calculer diffèrent d un niveau a l autre car l homogénéité change assurément. Figure 6 : coopération des contours Ce processus de négociation entre les contours se poursuit de niveau en niveau jusqu au dernier où on obtient la carte de contour finale. 3.3 La coopér ation région-contour (les contours utilisent les régions) Deux cas se présentent : Si un contour est inclut dans une région (c est à dire tous les points du contour sont dans la zone de la région) et que ce contour n a pas évolué (changer de taille) depuis au moins 2 niveaux de la hiérarchie malgré que la région englobante a amplifié, alors ce contour sera supprimé car il s agit d un faux contour ou d un contour négligeable. Si un contour se situe entre 2 régions distinctes, alors en coopérant avec les deux régions avoisinantes il peut se complété en suivant les frontières des deux régions.

On signale que cette coopération ne ce produit que dans les niveaux supérieurs de la hiérarchie où les régions serons assez grande, car si on procède par compléter les contours dans les niveaux inferieurs on aura plus de faux contours et la performance de la coopération contours-contours sera diminuée 3.4 Cor r ection des régions Figure 7 : coopération contours-régions La segmentation par CSC donne parfois des objets ayant des contours qui ne collent pas bien avec les frontières exactes des objets (elle fusionne des parties des objets avoisinantes), mais avec une coopération contour on peut corriger cela on coupant les régions pour leur donner un contour plus naturel. Ce processus de découpage produit de nouveaux régions sur les frontières des objets qui doivent être fusionnés avec les régions avoisinantes de l autre coté comme illustre la figure 8. Donc pour avoir une bonne segmentation on doit fusionner ces petites régions avec leurs régions correspondantes après leurs découpages (une coopération régionrégion). On signale que la phase de correction des régions ne s applique qu à la fin du processus de segmentation quand toutes les régions et les contours seront définis car le découpage d une région de niveau inferieur est très couteux en temps de calcule et ça nous donne rien de meilleur de diviser une centaine de sous régions vu que le résultat sera le même.

Figure 8 : correction des régions 4 La plate forme d agents La plateforme d agents proposée est constituée de 4 types d agent: l agent région, l agent contours, l agent coordinateur et l agent contrôleur. 1. L agent région : représente une région (chaque agent région pour chaque racine d un arbre de code-élément), il gère les informations de sa région (sa taille, son homogénéité, sa forme, etc.), ainsi que la coopération avec les contours via l agent coordinateur. 2. L agent contours : représente une carte de contours dans un ilot définie, il gère la communication et la coopération avec les autres cartes de contours des niveaux supérieurs et inferieurs ainsi que la coopération avec les régions. 3. L agent coordinateur : coordonne et arrange les transactions entre les agents contours et régions. Il fait les calcules concernant le seuil des contours et l homogénéité des régions. Pour chaque ilot on aura un seul agent coordinateur. 4. L agent contrôleur : qui vérifier progressivement le résultat et la qualité du processus de segmentation (si une incohérence se produit, il l a détecte et tente de la corriger en communicant avec les agents contours et régions). On aura un seul agent contrôleur par niveau.

Figure 9 : Principe du système de segmentation à travers l évolution d un ilot Agent contrôleur du niveau L+1 Agent coordinateur Agent région Un ilot de niveau L+1 Agent contours Coopération contourcontour inter-niveau Le niveau L+1 Agent coordinateur n Agent coordinateur 1 Définir le seuil Coopération région contour Intra-niveau Agent Région Agent Contours Agent Région Agent Contours Îlot n Îlot 1 Agent contrôleur du niveau L Le niveau L Figure 10 : les interactions entre les agents

5 Implémentation Nous avons implémenté en JAVA la méthode CSC ainsi que l algorithme de détection de contours de Deriche. On a utilisé JADE de FIPA pour implémenter notre SMA, mais nous n avons pas encore réalisé toutes les types de coopérations cités. On a comparé notre système incomplet (prototype) avec les méthodes de segmentation par histogramme, et par split & merge, et il était clair que le résultat de segmentation de notre système est bien meilleur. Donc, en attendant l achèvement de notre SMA, l étape de comparaison et d estimation de la qualité de l approche est à prévoir dans un futur proche. 6 CONCLUSION Figure 11 : Segmentation par notre système (incomplet). L architecture basée agents présentée offre une flexibilité et une adaptabilité supérieure à la plupart des méthodes de segmentation classique, elle exploite le maximum d information en combinant les deux approches région et contour profitant ainsi des avantages de chacune d elles, et donne une vision locale et globale appuyée par un environnement hiérarchique et coopératif, cette manière de faire comble les lacunes de ces deux approches.

References 1. T. Acharya, Ajoy K. Ray, "Image Processing, Principles and Applications", ouvrage, "A Wiley-Interscience Publication", chapitre 7. 2. Z. AI Aghbari, R. AI-Haj, "Hill-manipulation: An effective algorithm for color image segmentation", Département d'informatique, université de Sharjah, Emirates, 2006. 3. J.C Baillie, 2003, "Segmentation", Cours Traitement d'image et Vision Artificielle. 4. A. Chehikian, "Image segmentation by contours and regions cooperation", Laboratoire des Images et des Signaux, Institut National Polytechnique de Grenoble et l'université Joseph Fourier Grenoble, INPG, 38031 Grenoble Cedex, France, 1999. 5. H.D. Cheng, X.H. Jiang, Y.Sun, Jingli Wang, "Color image segmentation: advances and prospects", Département d'informatique, Utah state university, USA, 2000. 6. Gy. Dorko, D. Paulus, U. Ahlrichs. Color segmentation for scene exploration. Université d Erlangen-Nurenberg, Institut d informatique. 7. J. Lecoeur, C. Barillot, "Segmentation d images cérébrales : État de l art", Théme BIO Systèmes biologiques, Projet VisAGeS Rapport de recherche n 6306 Juillet 2007. 8. Z. Mansouri, F. H. Merouani, Un modèle d interaction multi-agents région-contour pour la segmentation d images, Conférence JSIA 2009-Guelma-Algérie. 9. [Moghaddamzadeh, 1996] A. Moghaddamzadeh, N. Bourbakis, "A Fuzzy Region Growing Approch For Segmentation Of Color Images", Departement de EE, AAAI Lab, université de Binghamton, Binghamton, USA, 1996. 10. O. Monga, "Segmentation d images : ou en somme nous?" Support de cours pour le congres PIXIM 89. 11. E. Navon, O. Miller, A. Averbuch, "Color image segmentation based on adaptative local thresholds", Département d'informatique, université de Tel-Aviv 69978, Israel, 2004. 12. L. Priese, V. Rehrmann, A Fast Hybride Color Segmentation Method, Institut d informatique, Université de Koblenz-Landau, Rheinau 1, D-56075 Koblenz, Allemagne. 13. L. Priese, V. Rehrmann. Introduction to the Color Structure Code and its Implementation, 2003. 14. V. Rehrmann, L.Priese. Fast and Robust Segmentation of Natural Color Scenes, Image Recognition Lab, Université de Koblenz-Landau. Rheinau 1, 56075 Koblenz. Allemagne. 15. A. Tremeau, N. Borel, "A region growing and merging algorithm to color segmentation", Institut d'ingénierie de la vision, 42007 Saint-Etienne, France, 1996. 16. D. Zugai, V.Lattuati, "A new approach of color images segmentation based on fusing region and edge segmentation outputs", Laboratoire d'automatique des arts et métiers/laam, F-75013 Paris, France, 1997.