Cours #9 Segmentation Découverte 4- Segmentation Introduction 4.1 Seuillage 4.2 Croissance de régions 4.3 Partition de régions 4.4 Regroupement 4.5 Partition - regroupement Forum SYS-844 Hiver 2005 Cours #9 - 2 Découverte Osherson et al, Visual Cognition and Action, MIT Press, 1990, Vol. 2. Computational theories of low-level vision - Yuille et Ullman SYS-844 Hiver 2005 Paradigme de Marr Higher-level vision - Biederman Cours #9 - 3 Chapitre 4 Segmentation Segmentation: partition d’une image en un ensemble de régions Régions: 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 SYS-844 Hiver 2005 Segmentation par contour Étiquetage Cours #9 - 6 Composition des régions Image binaire N/B Image niveaux gris éclairement Image couleur RGB, HSI, L*a*b* Texture matrice cooccurrence Vecteurs déplacement mouvement Images 3D profondeur SYS-844 Hiver 2005 Cours #9 - 7 Ex.: segmentation en niveaux de gris SYS-844 Hiver 2005 Cours #9 - 8 Définition d’une région Soit I une image Segmentation en région partition de I en K régions Rj K I Rj 1. Tout pixel appartient à une région j:1 Ri Rj 0 p connecté à p' p, p Ri 2. Aucun pixel n’appartient à plus d’une région 3. Proximité (cohérence) spatiale 4. Cohérence de caractéristique de région Pour un prédicat P : PR i est VRAI pour i :1,2, K PR i Rj est FAUX pour R i , Rj adjacents et i j SYS-844 Hiver 2005 Cours #9 - 9 Représentation d’une région 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 SYS-844 Hiver 2005 Cours #9 - 10 Plan SYS-844 Hiver 2005 d’étiquettes Cours #9 - 11 Plan SYS-844 Hiver 2005 de contours Cours #9 - 12 Description de contour par code de Freeman • Déplacement le long de la région, en la gardant à notre droite • Sens antihoraire (illustré) ou horaire SYS-844 Hiver 2005 CC={i,j}[5 5 6 6 6 0 0 0 0 0 0 0 1 1 2 2 2 4 4 5 4 3 4 4] Cours #9 - 13 Segmentation en régions Croissance Débuter en un point d’une région Agrandir la région par similarité Continuer tant que regroupements possibles Partition Débuter en 1 région (image complète ?) Séparer en plusieurs petites régions Continuer à séparer tant que possible (récursif) Hybride Séparer SYS-844 Hiver 2005 - regrouper Cours #9 - 14 Segmentation hybride Combinaison de partitions - regroupements Critères de partition ou regroupement • Locaux: 1 pixel ou région et ses voisins • Globaux: grand nombre de pixels répartis dans l’image SYS-844 Hiver 2005 Cours #9 - 15 SYS-844 Hiver 2005 Segmentation perceptuelle Cours #9 - 16 4.1Seuillage Le seuillage constitue une approche simple à la segmentation. Le seuillage sert de composante de base à des algorithmes plus complexes de segmentation SYS-844 Hiver 2005 Cours #9 - 17 4.1.1 Seuillage global T Binarisation de l’image Production de 2 zones de base: 0 si I(x,y) T Zone 1 si I(x,y) > T Segmentation par croissance de région Algorithme simple, mais lent. On débute en 1 point, on lui assigne une valeur d’étiquette, puis on trouve les voisins possédant la même valeur de zone. Zone SYS-844 Hiver 2005 Cours #9 - 18 Effets du choix de la valeur de seuil T T=46 T=64 T=96 T=128 T=192 T=224 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 (décrivables par ex. par des codes de Freeman enchaînés). SYS-844 Hiver 2005 Cours #9 - 20 Algorithme simple de segmentation par croissance de région inter-connectée SYS-844 Hiver 2005 Cours #9 - 21 4.1.2 Seuillage multiple Principe : Image seuillée avec m seuils Zones résultantes segmentées par croissance de région Algorithme : zonei, j k si Tk1 I i, j Tk avec k :1 m R(i,j) : étiquetage par croissance de région SYS-844 Hiver 2005 Cours #9 - 22 Seuillage Tk Global Local Dynamique dépend de I(i,j) dépend de N(i,j) dépend de I(i,j) et N(i,j) (ou hybride) • Hystérésis • Seuils d’après histogramme • Marquage dans une zone si un voisin est marqué SYS-844 Hiver 2005 Cours #9 - 23 Choix des Tk : Selon l’histogramme (global) Image • Choisir le seuil T à la position de vallée : T=13 • Appliquer le seuil trouvé T à chaque pixel de l’image SYS-844 Hiver 2005 Cours #9 - 24 Image du mandrill Image après un seuillage global avec T = 96 Par hystérésis (dynamique) Seuillage global à 80 Seuillage global à 100 Seuillage avec hystérésis (valeurs de seuil : 80 et 100) Tk n 2 voisin age (local) marque si I i, j Tk Image originale de la route Image résultante du seuillage Des points extrêmes (n=2) 4.2 Segmentation par croissance de régions Algorithme: TANT QUE image n’est pas segmentée en entier Choisir un pixel non-étiqueté Examiner les voisins: Vj similaire étiquette k TANT QUE Vj Région k • Examiner les voisins Vi similaire étiquette k k SYS-844 Hiver 2005 =k+1 Cours #9 - 28 Critères de similarité (fréquents) Vj région seuil 2 Vj région n région SYS-844 Hiver 2005 Cours #9 - 29 Exemple Critère: 1er Seuil: 2 1 1 1 ? ? ? 1 2 2 1 2 2 1 1 2 2 1 1 1 2 2 1 1 1 2 1 SYS-844 Hiver 2005 ? 1 1 1 1 1 1 1 1 1 1 Cours #9 - 30 Performances Bonnes performances: Images non-bruitées Images sans texture Images sans gradient Performances moyennes: Images bruitées Images texturées p1 pk p j , p j 1 sont voisins p j p j1 T mais p1 pk k SYS-844 Hiver 2005 Cours #9 - 31 Image initiale de bactéries Seuil = 10 SYS-844 Hiver 2005 Seuil = 25 Cours #9 - 32 4.3 Segmentation par partition de régions Algorithme: TANT QUE région non-uniforme Débuter avec une région large Récursif: • Diviser en plusieurs régions plus petites • Continuer à diviser jusqu’à ce que chaque région soit uniforme SYS-844 Hiver 2005 Critère de partition: seuillage global (multiple) Cours #9 - 33 SYS-844 Hiver 2005 Exemple: nautile Cours #9 - 34 Choix des seuils SYS-844 Hiver 2005 Cours #9 - 36 4.4 Segmentation par regroupement SYS-844 Hiver 2005 Principe: Image d’entrée déjà segmentée (mieux: sur-segmentée) Cours #9 - 37 Algorithme: Frontière entre 2 régions est évaluée selon similitude des régions. Un petit score indique une frontière faible. Regroupement des régions aux frontières faibles (frontière éliminée) Statistiques recalculées Calcul SYS-844 Hiver 2005 de similarité entre la nouvelle région et les voisines On recommence tant que des frontières peuvent être supprimées Cours #9 - 38 Similarité de régions Plusieurs composantes (eg couleur, texture, etc) Plusieurs façons de combiner. Le plus usuel: le vote 1 neutre Vi : 1 regrouper 1 ne pas regrouper N Vtotal Vi Wi SYS-844 Hiver 2005 Cours #9 - 39 Exemple Construire le graphe d’adjacence Indiquer sur les frontières la valeur pondérée totale des votes Regrouper pour les minima locaux SYS-844 Hiver 2005 Cours #9 - 40 4.5 Segmentation par partition-regroupement Il s’agit de combiner les deux algorithmes, de partition et de regroupement, de telle sorte que les forces de l’un compense les faiblesses de l’autre. SYS-844 Hiver 2005 Cours #9 - 41 Algorithme Pré-traitement: préservation des arêtes par Nagao ou Weymouth-Overton Analyse locale par histogramme Diviser l’image selon une grille Seuils dans les vallées Algorithme des composantes connectées pour former des régions Enlever SYS-844 Hiver 2005 les frontières artificielles Cours #9 - 42 Regrouper les régions similaires a b similarité max a b ,1 Regrouper les petites régions de 1 ou 2 pixels avec les régions voisines plus significatives SYS-844 Hiver 2005 Cours #9 - 43 SYS-844 Hiver 2005 Exemple Cours #9 - 44