Segmentation - Lab

SEGMENTATION 
ES322 – Traitement d’Images et Vision Artificielle Jean-Christophe Baillie 1/38
Cours de Segmentation
PLAN
•Introduction
•Segmentation par histogrammes (RHS)
•Region growing
•Split & Merge
•Algorithme CSC
•Contours Actifs (Snakes)
• Approche probabiliste: l’algorithme « CondDensAtion »
•Conclusion

SEGMENTATION 
ES322 – Traitement d’Images et Vision Artificielle Jean-Christophe Baillie 2/38
Introduction
Segmenter une image?
Partitionner l’image en zone homogènes selon un critère déterminé:
couleur, texture, niveau de gris, indice,…

SEGMENTATION 
ES322 – Traitement d’Images et Vision Artificielle Jean-Christophe Baillie 3/38
Introduction
Pourquoi les algorithmes présentés dans ce cours ne marchent-ils pas en général?
•Pas de données contextuelles
• Traitement global de l’image: pas de traitement actif, localisé dans l’image
(voir cours Vision Active)
• Pas d’exploitation explicite de la continuité spatio-temporelle (tracking),
(sauf dans l’algorithme « Condensation »)
Un problème difficile.

SEGMENTATION 
ES322 – Traitement d’Images et Vision Artificielle Jean-Christophe Baillie 4/38
Introduction
Plusieurs approches:
En l’absence de contextes particuliers, les meilleurs
résultats sont obtenus avec les méthodes hybrides.
•Approches GLOBALES: histogrammes
•Approches LOCALES: region growing,
contours
•Approches HYBRIDES: split & merge, CSC

SEGMENTATION 
ES322 – Traitement d’Images et Vision Artificielle Jean-Christophe Baillie 5/38
Histogrammes
Idée: Si les objets présents dans l’image ont des couleurs bien distinctes et
uniformes, ils vont apparaître comme des pics dans l’histogramme.
Zone « vert »
teinte
=> Segmentation dans un espace dérivé de l’image