Un Algorithme robuste de Segmentation Vidéo pour des

Un Algorithme robuste
de Segmentation Vid´ eo pour des Applications Temps R´ eels
M. El Hassani, D. Rivasseau
Philips Semiconductors
Caen, France
S. Jehan-Besson, M. Revenu
Laboratoire GREYC
Caen, France
D. Tschumperl´ e, L. Brun
Laboratoire GREYC
Caen , France
M. Duranton
Recherche Philips
Eindhoven,Pays-Bas
R´ esum´ e
Dans ce papier, nous proposons un algorithme de segmen-
tation vid´ eo temps r´ eel conc¸u pour ˆ etre stable temporel-
lement. Notre algorithme est bas´ e sur une segmentation
spatiale de l’image en r´ egions homog` enes qui sont mises
`
a jour au fil de la s´ equence en utilisant des informations
de mouvement. En ce qui concerne la segmentation spa-
tiale, nous proposons une m´ ethode ascendante de segmen-
tation bas´ ee sur des fusions successives. Grˆ ace ` a un ordre
de fusion sp´ ecifique et ` a un seuil adaptatif pour le pr´ edicat,
la m´ ethode donne de tr` es bons r´ esultats sur des images
naturelles (mˆ eme pour les r´ egions textur´ ees) avec peu de
param` etres ` a r´ egler. De mani` ere ` a am´ eliorer la consis-
tance temporelle de la segmentation pour une s´ equence
d’images, nous incorporons une information de mouve-
ment via un masque bas´ e sur la d´ etection des changements
d’intensit´ es entre deux images. Ce masque est conc¸u en uti-
lisant ` a la fois les diff´ erences d’intensit´ es entre image suc-
cessives et la segmentation de l’image pr´ ec´ edente. Notre
algorithme tourne en temps r´ eel sur un processeur TriMe-
dia pour des s´ equences de format CIF (Common Interme-
diate Format).
Mots clefs
Segmentation bas´ ee r´ egions, Fusion de r´ egions, Traitement
de S´ equences Vid´ eo, D´ etection du mouvement, Consis-
tance temporelle, Impl´ ementation mat´ erielle, Temps r´ eel.
1 Introduction
La segmentation de vid´ eos en r´ egions homog` enes est cru-
ciale pour de nombreuses applications. Parmi elles, on peut
citer l’estimation de mouvement bas´ ee r´ egions et la conver-
sion du 2D au 3D o` u la segmentation est utilis´ ee pour l’es-
timation de la profondeur. La tendance actuelle se dirige
´
egalement de plus en plus vers des traitement adapt´ es au
contenu de l’image (filtrage, rehaussement, compression
orient´ ee objet) et donc bas´ es sur une segmentation initiale
de la vid´ eo. Toutes ces applications n´ ecessitent l’obtention
d’une segmentation pr´ ecise et stable temporellement. Par
ailleurs, les applications multim´ edia vis´ ees n´ ecessitent un
algorithme de traitement des s´ equences en temps r´ eel.
Les m´ ethodes de segmentation spatiale peuvent ˆ etre di-
vis´ ees en deux cat´ egories, les m´ ethodes bas´ ees r´ egions et
les m´ ethodes bas´ ees contour. Dans la premi` ere cat´ egorie
[1], les transitions entre pixels sont calcul´ ees et les com-
posantes connexes peuvent alors ˆ etre extraites. Le prin-
cipal inconv´ enient de ces approches est que le calcul du
gradient est parfois impr´ ecis et tr` es sensible au bruit. De
plus il est alors difficile de tenir compte de propri´ et´ es sta-
tistiques des r´ egions consid´ er´ ees. La seconde cat´ egorie de
m´ ethodes (i.e. bas´ ees r´ egions) est donc plus souvent uti-
lis´ ee et c’est dans cette cat´ egorie que se situe notre algo-
rithme. Nous nous int´ eressons plus particuli` erement ici aux
m´ ethodes ascendantes qui op` erent par fusions successives
[2, 3, 4, 5]. Dans ces m´ ethodes, deux points importants sont
`
a consid´ erer : l’ordre de fusion et le crit` ere de similarit´ e.
Lorsque l’on traite de segmentation vid´ eo, la dimension
temporelle doit ˆ etre ajout´ ee et la segmentation en r´ egions
doit ˆ etre stable temporellement. De nombreuses approches
ont ´ et´ e test´ ees. Quelques auteurs consid` erent le temps
comme une dimension suppl´ ementaire et la vid´ eo devient
alors un volume 3D [6]. D’autres approches utilisent une
information de mouvement comme la d´ etection des chan-
gements d’intensit´ es ou les vecteurs mouvement [7, 8].
Nous n’abordons pas ici le suivi d’objet qui consiste ` a
suivre un objet au cours du temps (voir par exemple les
travaux [9]).
Dans ce papier, nous proposons une segmentation spatiale
bas´ ee sur la fusion de r´ egions. Cette fusion est faite dans
un ordre sp´ ecifique qui est fonction de la diff´ erence d’in-
tensit´ e entre les pixels voisins. Par ailleurs, un crit` ere de si-
milarit´ e bas´ e sur les diff´ erences de moyennes entre r´ egions
est utilis´ e pour la fusion. La fusion est arrˆ et´ ee ` a l’aide
d’un seuil adaptatif justifi´ e par une mod´ elisation statistique
de l’image. Nous nous sommes bas´ es sur les travaux de
[2] en proposant une mod´ elisation statistique de l’image
qui conduit ` a un seuil plus appropri´ e pour la segmenta-
tion en temps r´ eel. Notre m´ ethode donne une segmentation
tr` es satisfaisante pour des images naturelles (mˆ eme pour
des images textur´ ees) avec peu de param` etres ` a r´ egler. De
mani` ere ` a am´ eliorer la consistance temporelle, nous propo-
sons d’ajouter l’information de mouvement. Comme l’esti-
mation du mouvement entre deux images est une op´ eration
coˆ uteuse, nous avons choisi de combiner un masque de
d´ etection des changements d’illumination avec les infor-
mations r´ egions contenues dans la segmentation spatiale de
l’image pr´ ec´ edente. En faisant des comparaisons au niveau
pixellique et au niveau r´ egion, on obtient un algorithme tr` es
1

efficace pour un faible coˆ ut calcul.
Notre algorithme tourne en temps r´ eel sur des s´ equences
de format CIF sur le processeur TriMedia. De plus les
r´ esultats exp´ erimentaux montrent l’applicabilit´ e de notre
m´ ethode sur des s´ equences d’image que ce soit en terme
de qualit´ e de la segmentation obtenue ou de stabilit´ e tem-
porelle.
Ce papier est organis´ e de la mani` ere suivante. L’algo-
rithme de segmentation spatiale est d´ etaill´ ee dans la sec-
tion 2. L’introduction d’informations temporelles pour
am´ eliorer la consistance est d´ etaill´ ee en section 3. Enfin
dans la section 4, nous d´ eveloppons l’implantation de notre
algorithme. Les r´ esultats exp´ erimentaux sont finalement
donn´ es section 5.
2 Segmentation spatiale
Consid´ erons une image Ide largeur Wet de hauteur H,
D={1....W } × {1....H}est le domaine de l’image.
I(p, n)l’intensit´ e du pixel de position p= (x, y)Tdans
l’image n.
La segmentation d’une image en r´ egions consiste ` a trou-
ver une partition pertinente de l’image en mr´ egions
{S1, S2, .., Sm}. L’algorithme propos´ e part du niveau
pixellique et proc` ede par fusions successives pour aboutir
`
a la segmentation finale (m´ ethode ascendante). Un ordre
sp´ ecifique de fusion est utilis´ e ainsi qu’un seuil adaptatif
pour stopper les fusions. Ces deux ´ etapes sont d´ etaill´ ees
ci-apr` es et nous donnerons ensuite l’algorithme complet de
segmentation.
2.1 Ordre de fusion
L’ordre de fusion est bas´ e sur les poids des transitions
comme dans [2, 10]. L’id´ ee est de fusionner d’abord ce qui
est similaire avant de fusionner ce qui est diff´ erent. Une
transition eest un couple de pixels (p, p′)en 4-connexit´ e.
La similarit´ e entre pixels est mesur´ ee en calculant la dis-
tance entre les intensit´ es des deux pixels. Pour des images
couleur, la similarit´ e est calcul´ ee de la mani` ere suivante :
w(p, p′) = sX
I∈{Y,U,V }
(I(p, n)−I(p′, n))2.(1)
Nous avons choisi l’espace couleur Y UV qui est le format
couleur utilis´ e pour le traitement des vid´ eos ce qui nous
´
evite ainsi une conversion. De plus, nous avons trouv´ e que
l’espace couleur Y UV procure une partition de l’image
qui est, subjectivement, de qualit´ e meilleure que celle ob-
tenue avec l’espace RGB. L’espace L∗a∗b∗donne des
r´ esultats l´ eg` erement meilleurs que l’espace Y UV , mais au
prix d’une impl´ ementation coˆ uteuse [11].
Les transitions sont ensuite tri´ ees dans l’ordre croissant de
leurs poids wet les couples de pixels correspondant sont
trait´ es dans cet ordre pour la fusion. En ce qui concerne
l’impl´ ementation, l’image est seulement parcourue deux
fois pour ce tri. Le premier parcours permet de calculer
le nombre de transitions de mˆ eme poids, nombre qui est
stock´ e dans une table. Cette table est ensuite utilis´ ee pour
allouer la m´ emoire pour ces transitions. Le second permet
de stocker chaque transition dans la partie de la m´ emoire
correspondante.
2.2 Crit` ere de fusion
Etant donn´ ees deux r´ egions S1et S2, nous voulons savoir si
ces deux r´ egions doivent ˆ etre fusionn´ ees. En cons´ equence,
un crit` ere de similarit´ e entre r´ egions doit ˆ etre choisi et
´
evalu´ e. En comparant la valeur de ce crit` ere ` a un seuil, les
r´ egions seront fusionn´ ees ou non. Le choix du seuil est sou-
vent difficile. Dans ce papier, nous utilisons un seuil adap-
tatif qui d´ epend de la taille de la r´ egion consid´ er´ ee. L’uti-
lisation d’un tel seuil est justifi´ ee par le biais d’in´ egalit´ es
statistiques comme dans [2]. Nous proposons ici une in-
terpr´ etation statistique plus simple de l’image qui nous
conduit ` a un crit` ere plus adapt´ e pour une impl´ ementation
temps r´ eel. Nous pr´ esentons d’abord ici le pr´ edicat de fu-
sion utilis´ e, puis sa d´ emonstration.
Pr´ edicat de fusion. La moyenne des intensit´ es de la
r´ egion Siest calcul´ e de la mani` ere suivante :
Si=1
|Si|
k=|Si|
X
k=1
Ii(pk)
o` uIi(pk)est l’intensit´ e du k`eme pixel de la r´ egion Si.
Le pr´ edicat de fusion est alors :
P(S1, S2) = (vrai si (S1−S2)2≤Qg2(1
|S1|+1 |S2|)
faux sinon (2)
avec gle niveau maximum de I(g= 255 pour les
images de composantes en pr´ ecision 8bits). LA nota-
tion |Si|repr´ esente la taille de la r´ egion Si. Le param` etre
Qpermet de r´ egler la finesse de la segmentation. Dans
les exp´ eriences, nous choisissons Q= 2 qui donne de
bons r´ esultats pour le format vid´ eo CIF (taille des images
352 ×288).
Justification statistique du pr´ edicat. Classiquement,
l’image Iest consid´ er´ ee comme l’observation d’une
image parfaite I∗et les pixels sont alors des observa-
tions d’un vecteur de variables al´ eatoires (v.a) not´ eX=
(X1, .., Xn)T. Le pr´ edicat de fusion est bas´ e sur l’in´ egalit´ e
de McDiarmid [12] donn´ ee ci-apr` es :
Theorem 2.1 (L’in´ egalit´ e de McDiarmid) Soit X=
(X1, X2, ..., Xn)une famille de nv.a. ind´ ependantes avec
Xkprenant ses valeurs dans un ensemble Akpour chaque
k. Supposons que la valeur r´ eelle de la fonction fdefinie
sur QkAksatisfasse |f(x)−f(x′)| ≤ cksi les vecteurs
xet x′diff` erent seulement sur leurs k`eme coordonn´ ee. Soit
E(f(X)) l’esp´ erance de f(X)alors quelque soit τ≥0,
P r(|f(X)−E(f(X))|> τ)≤2 exp −2τ2/X
k
c2
k!(3)

Nous nous int´ eressons ici ` a deux r´ egions adjacentes S1et
S2. Dans ce cas, nous consid´ erons le vecteur de variables
al´ eatoires suivant :
(X1, ..., Xn) = I∗
1(p1), ..., I∗
1(p|S1|), I∗
2(p1), ..., I∗
2(p|S2|)
Avec Ii(pj)l’intensit´ e du j`eme pixel de Sicorrespondant ` a
l’observation de la variable al´ eatoire I∗
i(pj). Dans ce cas, la
taille du vecteur de variables al´ eatoires est n=|S1|+|S2|.
De mani` ere ` a appliquer le th´ eor` eme 2.1, nous choisissons
comme fonction f(x) = S1−S2. Pour cette fonction,
nous trouvons que Pkc2
k=g21
|S1|+1 |S2|.
Par inversion du th´ eor` eme, nous avons avec une probabilit´ e
d’au moins 1−δ(0< δ ≤1) :
|(S1−S2)−ES1−S2| ≤ gsQ1
|S1|+1 |S2|
avec Q=1
2∗ln(2 δ), et E(S)l’esp´
erance de S. Si S1et
S2appartiennent ` a la mˆ eme r´ egion dans I∗, l’esp´ erance
ES1−S2sera nulle et le pr´
edicat suit.
2.3 Algorithme de segmentation
L’algorithme 1 donne le traitement complet pour la
segmentation spatiale. L’algorithme de fusion utilise la
structure de donn´ ees “UNION-FIND”[13]. La fonction
UNION fusionne deux r´ egions en une seule r´ egion et
la fonction F IND permet d’identifier la r´ egion d’appar-
tenance d’un pixel.
Algorithm 1 La segmentation spatiale
Calcul des poids des transitions et de l’histogramme
correspondant
Tri par ordre croissant des transitions en fonction de la
valeur de leur poids w.
for i:= 1 to 2|I|do
Lecture de la i`eme transition : (p1, p2);
S1=F IN D(p1);
S2=F IN D(p2);
if P(S1, S2) = T rue then
UNION(S1, S2)
end if
end for
3 Am´ elioration de la consistance
temporelle
La qualit´ e d’une segmentation vid´ eo d´ epend non seulement
de la bonne s´ eparation entre les r´ egions significatives dans
l’image, mais aussi de la consistance temporelle de cette
s´ eparation. En effet, si dans deux images successives, une
mˆ eme r´ egion est segment´ ee diff´ eremment, ce qui peut ˆ etre
dˆ u au bruit, ou ` a des situations particuli` eres comme l’oc-
clusion, la deocclusion, alors les r´ esultats de la segmenta-
tion seront difficilement exploitables dans des applications
comme l’am´ elioration de l’image ou la conversion 2D/3D.
Quelques auteurs [8] utilisent les vecteurs de mouvements
pour am´ eliorer la consistance temporelle de la segmenta-
tion vid´ eo. Or l’estimation de mouvement est tr` es coˆ uteuse
en temps de calcul et n’est pas toujours fiable. Dans ce
papier nous utilisons un masque de changement d’inten-
sit´ es (CDM) combin´ e avec la segmentation spatiale pour
am´ eliorer la coh´ erence temporelle de la segmentation.
Le CDM est calcul´ e en utilisant la diff´ erence d’in-
tensit´ es entre les images et la segmentation de l’image
pr´ ec´ edente. Premi` erement, on d´ etecte les variations d’in-
tensit´ e des pixels en utilisant la diff´ erence entre deux
images cons´ ecutives. Ensuite, nous exploitons la seg-
mentation de l’image pr´ ec´ edente afin de classifier les
pixels au niveau r´ egion. Si on consid` ere l’image cou-
rante I(:, n)et l’image pr´ ec´ edente I(:, n −1), La
diff´ erence entre les images F D est donn´ ee par F D(p) =
|I(p, n)−I(p, n −1)|. Cette diff´ erence est classiquement
seuill´ ee pour distinguer les variations d’intensit´ e des pixels
dues aux objets en mouvement de celles dues au bruit.
Soit LLe r´ esultat de seuillage de l’image F D. Un pixel
p, avec L(p) = 1 est un pixel classifi´ ee comme chan-
geant, c’est ` a dire que pour ce pixel, la variation d’inten-
sit´ e entre deux images est sup´ erieure ` a un seuil. Ensuite on
utilise la segmentation pr´ ec´ edente pour convertir le CDM
du niveau pixel au niveau r´ egion, ce qui est plus fiable.
Pour chaque r´ egion dans la segmentation pr´ ec´ edente Si,
on calcule τ(Si), qui repr´ esente le ratio des pixels chan-
geants dans la r´ egion Si. Nous avons τ(Si) = Ni,changeant
|Si|,
ou Ni,changeant est le nombre de pixels changeant dans
la r´ egion. Les pixels sont classifi´ es par la suite en trois
cat´ egories :
CDM(p) = 
0si (τ(Si)≤tr2).
1si (τ(Si)> tr2)et (L(p) = 1).
2si (τ(Si)> tr2)et (L(p) = 0).
(4)
o` utr2est une constante positive. Plus cette constante est
importante, plus la segmentation sera stable mais on risque
alors de ne pas segmenter correctement les zones en mou-
vement. La valeur du seuil tr2est donc choisie faible afin
de ne pas manquer une r´ egion en mouvement. Dans nos
exp´ eriences, nous avons pris tr2= 0.01 (i.e. on consid` ere
qu’une r´ egion a boug´ e, si elle contient au moins 1% de
pixels changeant, sinon elle est consid´ er´ ee comme sta-
tique).
Les pixels appartenant ` a une r´ egion statique sont ´ etiquet´ es
en utilisant CDM(p) = 0. Les deux autres ´ etiquettes, 1,2,
concernent les pixels dans les r´ egions qui ont boug´ e. Se-
lon la valeur de la diff´ erence entre images, appel´ ee ici F D,
Le pixel est qualifi´ e comme ´ etant changeant CDM(p) =
1ou non changeant CDM(p) = 2. Une telle classi-
fication est alors utilis´ ee pour segmenter l’image cou-
rante. Premi` erement, Les r´ egions statiques sont gard´ ees
telles qu’elles ´ etaient segment´ es dans l’image pr´ ec´ edente.
Deuxi` emement, on applique un algorithme d’extraction de
composantes connexes (CCL)[14] afin d’extraire les com-

posantes connexes des pixels ayant CDM(p) = 2. Cette
deuxi` eme ´ etape construit des germes ` a partir de la seg-
mentation pr´ ec´ edente. Ces germes lient la segmentation
pr´ ec´ edente ` a la segmentation courante tout en am´ eliorant
la consistance temporelle. Troisi` emement on applique la
segmentation spatiale algorithme.1 seulement sur les tran-
sitions (p, p′)qui connectent les pixels changeant (i.e.
CDM(p) = 1,CDM(p′) = 1), et ceux connectant
les pixels changeant avec les germes construits dans la
deuxi` eme ´ etape (i.e. (CDM(p) = 1 et CDM(p′) = 2)
ou (CDM(p) = 2 et CDM(p′) = 1)).
Nous montrons un exemple de segmentation avec et
sans consistance temporelle dans Fig.1(d) et 1(c). Dans
Fig.1(b), nous repr´ esentons les diff´ erentes ´ etiquettes (i.e.
valeurs du CDM) avec des intensit´ es diff´ erentes (noir pour
CDM(p) = 0, rouge pour CDM(p) = 2 et blanc pour
CDM(p) = 1). Dans la section 5, nous proposons le calcul
(a) (b)
(c) (d)
FIG. 1 – (a) Segmentation de l’image n−1. (b) CDM cal-
cul´ e en utilisant la diff´ erence d’illumination entre l’image
n−1et l’image net la segmentation de l’image n. (c)
Segmentation de l’image nsans utiliser le CDM. (d) Seg-
mentation de l’image navec l’utilisation du CDM.
d’une mesure objective de la consistance temporelle. Les
r´ esultats montrent une vraie am´ elioration de la consistance
temporelle pour diff´ erentes s´ equences. En plus de cela, La
mani` ere dont nous exploitons le CDM r´ eduit aussi les cal-
culs de l’algorithme. Cette r´ eduction des calculs est due au
fait que les transitions dans les r´ egions statiques ne sont
pas retrait´ ees, et que les transitions connectant les pixels
non changeant sont trait´ ees seulement par un algorithme
CCL
4 Impl´ ementation de l’algorithme
La figure 2 montre l’algorithme complet de la segmen-
tation vid´ eo. A part la boucle de fusion de la segmenta-
FIG. 2 – L’algorithme complet de la segmentation vid´ eo
tion spatiale, les autres fonctions de l’algorithme acc` edent
aux donn´ ees dans un ordre connu (par exemple de gauche
`
a droite, de haut en bas). Cette r´ egularit´ e d’acc` es aux
donn´ ees, limite le nombre de d´ efauts de cache puisque
La m´ emoire cache exploite la localit´ e spatiale et tempo-
relle des donn´ ees. Contrairement ` a cela, dans la boucle
de fusion, la structure de donn´ ees UNION-FIND est non
pr´ edictible et cause donc un nombre de d´ efauts cache im-
portant ce qui ralentit l’ex´ ecution de l’algorithme. Afin de
limiter le nombre de d´ efauts de cache, nous avons inves-
tigu´ e deux optimisations qui sont ind´ ependantes du type
de la m´ emoire cache.
La premi` ere optimisation concerne la fac¸on dont on
´
etiquette les r´ egions pendant le processus de segmentation.
Il y a deux m´ ethodes pour g´ erer cela. Dans la premi` ere, on
g´ en` ere des nouveaux labels qui repr´ esentent les r´ egions et
donc optimiser l’utilisation des labels. Mais cette premi` ere
m´ ethode doit utiliser un autre tableau ou sera stock´ e la cor-
respondance entre les labels g´ en´ er´ es et les pixels de notre
image. Dans cette premi` ere m´ ethode nous acc´ edons ` a deux
structures de donn´ ees qui ont des organisations diff´ erentes.
Dans la deuxi` eme m´ ethode, chaque pixel dans l’image peut
ˆ
etre le repr´ esentant d’une r´ egion (on peut choisir celui
dont l’adresse est la minimale). Nous avons v´ erifi´ e que
la deuxi` eme m´ ethode cause moins de d´ efauts de cache.
Donc les donn´ ees sont stock´ ees dans un tableau Ade taille
|I|, chaque ´ el´ ement A(p)stocke la moyenne des couleurs
(Y , U, V )et le cardinal |S|. La deuxi`
eme optimisation
Concerne la structure de donn´ ees UNION-FIND. Elle est
encod´ ee s´ epar´ ement du tableau Acit´ e pr´ ec´ edemment grˆ ace
`
a un tableau Fo` uF(p)contient le p` ere de p. La solution
alternative consisterait ` a stocker les deux structures dans
une seule, mais cela impliquerait le stockage de donn´ ees
inutiles dans le cache lors des op´ erations FIND.
Nous avons exp´ eriment´ e ces optimisations sur le proces-
seur TriMedia[15]. La m´ emoire cache de ce processeur
est de taille 128 KOctet, 4-associative, avec des blocs de
taille 128 Octet. L’algorithme de remplacement utilis´ e est
LRU. Nous avons une r´ eduction moyenne de 3Mcycles
du temps d’ex´ ecution de l’algorithme. Ces optimisations
sont utiles pour plusieurs segmentations qui utilisent la

structure de donn´ ees UNION-FIND.
Il y a une quantit´ e importante de parall´ elisme de donn´ ees
(DLP) dans notre algorithme (calcul des valeurs de transi-
tions, calcul du masque de changement entre images). Ceci
permet d’acc´ el´ erer l’algorithme en traitant des donn´ ees
en parall` ele si l’architecture cible dispose des ressources
suffisantes. Le coeur du TriMedia est une architecture
VLIW disposant de plusieurs unit´ es fonctionnelles. Ces
unit´ es fonctionnelles peuvent traiter quatre octets en pa-
rall` ele (mode SIMD). Le parall´ elisme d’instructions (ILP)
est extrait par le compilateur, tandis que le parall´ elisme de
donn´ ees peut ˆ etre exploit´ e en utilisant des intrins` eques et
le d´ eroulage de boucle. Nous nous sommes servis de ces
optimisations pour exploiter le (DLP) qu’offre notre algo-
rithme.
5 Les r´ esultats exp´ erimentaux
Dans cette section, nous pr´ esentons des r´ esultats
exp´ erimentaux de notre algorithme port´ e sur le pro-
cesseur TriMedia et ´ evalu´ e pour des s´ equences CIF
(images de taille 352*288). Le tableau 3 montre les
r´ esultats suivants :
1. Mesure de la consistance temporelle :
Nous avons utilis´ e ici une mesure classique.
Consid´ erons la segmentation de l’image pr´ ec´ edente
SEG(n−1) et la segmentation de l’image courante
SEG(n), nous trouvons la correspondance entre les
r´ egions dans SEG(n−1) et celles dans SEG(n).
Deux r´ egions (Si,n−1∈SEG(n−1) et Sj,n ∈
SEG(n)correspondent si elles ont un maximum
de recouvrement Overlap(i, j) = |Si,n−1∩Sj,n|.
Nous additionnons le nombre de pixels des zones
de recouvrement des r´ egions qui correspondent dans
toute l’image. La consistance temporelle est alors le
pourcentage de ce nombre par rapport ` a la taille de
l’image.
2. Temps d’execution :
Nous donnons le nombre de Mega cycles que prend
l’ex´ ecution de l’algorithme sur TriMedia. Comme
nous l’avons d´ ej` a not´ e, l’utilisation du CDM r´ eduit
les calculs de l’algorithme. Le cas critique de l’algo-
rithme (temps de calcul le plus long pour une image)
correspond ` a l’ex´ ecution de la segmentation spatiale
sans CDM. Ce cas critique correspond par exemple
au traitement de la premi` ere image de la s´ equence o` u
l’information CDM n’est pas disponible, ou au trai-
tement d’une image apr` es un changement de sc` ene
o` u l’information donn´ ee par le CDM ne r´ eduit pas
les calculs. Pour cette raison, nous donnons ici les
temps d’ex´ ecutions correspondant ` a ce cas critique.
Si on int` egre l’algorithme de consistante temporelle,
le temps de calcul sera r´ eduit.
Lorsqu’on utilise le CDM, la mesure de consistance tem-
porelle est ´ elev´ ee. Visuellement cela se traduit par une seg-
mentation en r´ egions plus stable d’une image ` a l’autre. La
FIG. 3 – Les mesures exp´ erimentales de notre algorithme
segmentation reste cependant pr´ ecise comme le montre la
figure 4. A titre de comparaison, nous montrons aussi les
r´ esultats de segmentation obtenus avec l’algorithme JSEG
[7] qui est maintenant une r´ ef´ erence dans le domaine de
la segmentation. L’algorithme JSEG proc` ede d’abord ` a
une quantification suivie d’une mesure de similarit´ e` a plu-
sieurs ´ echelles, ce qui augmente consid´ eralement sa com-
plexit´ e et le nombre de param` etres ` a r´ egler. Son approche
multi´ echelle explique les bons r´ esultats obtenus dans les
zones textur´ ees (figure.4(b)). Par contre, notre algorithme
donne de meilleurs r´ esultats dans les zones homog` enes (fi-
gure.4(e)) et il extrait ´ egalement mieux les petites r´ egions.
Ce dernier point est important particuli` erement lorsque
l’application vis´ ee est l’am´ elioration d’image.
Au niveau de l’´ execution de notre algorithme, le proces-
seur TriMedia utilis´ e dans notre exp´ erimentation peut fonc-
tionner avec une fr´ equence ´ egale ` a450 MHz. Une telle
fr´ equence nous permet de traiter plus de 25 images par se-
conde, ce qui est suffisant pour une ex´ ecution temps r´ eel.
6 Conclusion
La conception d’algorithmes pour le traitement des vid´ eos
n´ ecessite une ex´ ecution de ceux-ci en temps r´ eel. Pour cette
raison, nous avons choisi d’utiliser des m´ ethodes ayant
un temps de calcul raisonnable. Nous avons propos´ e une
m´ ethode de segmentation vid´ eo consistante temporelle-
ment. Notre m´ ethode donne des r´ esultats pr´ ecis, et d’une
grande consistance temporelle. Elle est bas´ ee sur une seg-
mentation spatiale statistique et un masque de d´ etection
des changements d’illumination. Elle fonctionne en temps
r´ eel sur un seul processeur. Des r´ esultats exp´ erimentaux
d´ emontrent l’applicabilit´ e de cette m´ ethode. Nos re-
cherches futures concernent la mise en oeuvre de l’al-
gorithme en temps r´ eel sur des s´ equences HD (Haute
D´ efinition), et l’exploitation des r´ esultats de segmentation
pour l’am´ elioration d’image.
Remerciements
Les auteurs remercient P. Meuwissen, O.P. Gangwal et Z.
Chamski pour leurs suggestions constructives.