Cours #10 Segmentation

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 :
PR i  est VRAI pour i :1,2,
K
PR 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
:
zonei, j   k si Tk1  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 j1  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