(Pr\351sentation PixInfo 7)
publicité
Plan 1. Introduction 2. La chaîne de traitement d'image 3. Seuillage automatique 4. Méthodes de classification 5. Détection de contours 6. Méthodes de type croissance de région Méthodes de classification ● Principe – On dispose de plusieurs attributs par pixels ● exemple : R, V, B, µ, σ local, attributs de texture – Chaque pixel = individu avec attibuts = vecteur – On réalise une classification dans l'espace des attributs ● exemple pour 2 attributs : C2 C1 Exemple avec une image couleur Rouge Image couleur originale Vert Classification supervisée ● Principe – Ensemble d'apprentissage (individus de classe connues) – Découpage de l'espace des attributs – Classification d'individus inconnus Découpage Individu à classer ? C2 Ensemble d'apprentissage C1 Ensemble d'apprentissage Classification non supervisée ● Principe – Pas de classes prédéfinies – Découpage de l'espace selon des critères de proximité – Classification des individus Découpage par proximité Individus à classer 4.1 Nuées dynamiques ● ● K-means ou K-moyennes – Très utilisé – Efficace en grandes dimensions Non supervisée – ● 1 paramètre : nombre de classes Principe – Fixer a priori le centre des classes (tirage aléatoire) – Classer les individus (centre le plus proche) – Recalculer les nouveaux centres (barycentre) – S'arrêter lorsqu'il n'y a plus d'évolution Illustration ● Etat initial Illustration ● Tirage aléatoire des centres Illustration ● Affectation au centre le plus proche Illustration ● Calcul des nouveaux centres Illustration ● Affectation au centre le plus proche Illustration ● Calcul des nouveaux centres Illustration ● Plus d'évolution : fin de l'algorithme Remarques ● Il faut connaître le nombre de classes – ● On peut surévaluer ce nombre Le résultat dépend du tirage des centres – On peut avoir un résultat différent d'une exécution à l'autre – Autres versions de l'algorithme ● ● ● faire plusieurs essais retenir les centres les plus fréquents Maximisation de la variance inter-classe – En 1D donne le même résultat que la méthode de seuillage 4.2 Classification ascendante hiérarchique ● Non supervisé – ● Nombre de classes déterminé automatiquement But – Construire une arborescence ● ● en fonction de la proximité des individus Notations Ensemble des individus Ensemble des parties de E Distance entre parties Construction de l'arbre Départ : chaque point est un ensemble Algorithme : 1. Rechercher les 2 ensembles les plus proches 2. Créer un noeud parent à ces 2 ensembles 3. Pondérer le noeud par la distance 4. Recommencer jusqu'à trouver E Détermination des classes ● On fixe un seuil sur les poids des noeuds F5 F4 S F3 F1 F2 4.3 k plus proches voisins ● ● Méthode supervisée – Ensemble d'apprentissage avec des classes connues – k est une valeur fixée à l'avance (1, 3,...) Principe – Examen des k voisins de l'ensemble d'apprentissage – Affectation de la classe la plus représentée k plus proches voisins k=3 k=5 – k = 3, affectation de la classe triangle – k = 5, affectation de la casse carré Exemple 1 : image couleur Rouge Image couleur originale Vert Segmentation par nuées dynamiques Image couleur originale Image segmentée en 3 classes Exemple 2 : texture Moyenne locale Ecart type local Exemple 2 : texture Moyenne Ecart type Segmentation par nuées dynamiques Conclusion ● ● Avantages – Nombre d'attributs quelconque – Méthode générale – Supervisée ou non-supervisée Inconvénients – Choix des attributs – Sensibilité à des dérives des attributs
