Les espaces couleurs Dans le cadre du projet ALPAGE Sommaire • Introduction • Les espaces couleurs. – RGB,La*b*,I1I2I3… • Les espaces couleurs « entraînés » – Les systèmes d’axes indépendants – Les espaces hybrides – Les espaces « artificiels » • Conclusion Introduction • Cette présentation a pour but de déterminer quel espace couleur serait le plus adapté à la vectorisation des plans cadastraux du projet ALPAGE. • Nous assumons l’hypothèse qu’un espace couleur est « bon » s’il permet une bonne séparabilité des ensembles chromatiques. Etude des descripteurs • Nous établissons la vérité terrain. – 9 classes (9 couleurs) – 246 pixels – Distance entre pixels • Soit p1, p2 deux pixels: d ( p1, p2) R1 R2 2 G1 G2 B1 B2 2 2 Etude des descripteurs Colors Class 1 Names for displaying black Class 2 green Class 3 cyan Class 4 magenta Class 5 pink Class 6 Yellow Class 7 blue Class 8 red Class 9 orange Etude des descripteurs Figure 1 : RGB Colors using Euclidean distance Figure 1 : Représentation des couleurs RGB en utilisant une métrique euclidienne. Etude des descripteurs Figure 2 : RGB Clustering analysis Figure 2 : Analyse des clusters dans RGB. -These results show some confusion within the class 5. -The missclassified class5 elements are confused with the class 8. -Confusion à l’intérieur de la classe 5. -Les éléments mal classifiés sont mélangés avec la classe 8. Analyse des espaces couleurs 0,75 Recognition Rate 0,7 0,65 orginal whiteworld antifading rgbextension 0,6 0,55 0,5 RGB I1I2I3 XYZ YIQ YUV AC1C2 Color Spaces ISH LHS LAB LUV Espaces couleurs traditionnels • Nous constatons qu’il n’y a pas d’espaces couleurs qui se détachent particulièrement. • Ces espaces couleurs sont adaptés aux scènes naturelles. Ils ont été établies par la CIE(Commission Internationale de l’Éclairage). Les plans cadastraux anciens sont des documents très particuliers qui nécessitent des espaces dédiés. Espaces couleurs : « entraînés » • Les espaces hybrides • L’espace des systèmes d’axes indépendants(ACP) • Espaces « Artificiels » apprentissage par algorithme génétique. L’espace des systèmes d’axes indépendants • Vecteurs Propres de l’ACP sur une image: RPC1 0.614 0.588 0.526 R GPC2 - 0.581 - 0.114 0.806 G BCP3 0.534 - 0.801 0.271 B • • PC1 = Représente la luminance. PC2 = Quant à l’axe PC2, il sépare la couleur bleue de la couleur rouge, en d’autres termes, il représente l’axe Bleu–Rouge, le coefficient vert étant négligeable. • Otha et al : Approximation de la transformée de Karhunen-Loeve : • Doit on travailler en Analyse en Composantes Principales : – PC1 : 95,26% une dimension – PC2 : 04,16% ? PC1. – PC3 : 00,57% I1 1 / 3 1/3 1/3 R 12 1/2 G 0 1/2 13 - 1/4 1/2 - 1/4 B Les espaces hybrides • Les espaces hybrides décorrélés. – 1. Matrice de covariance de l’ensemble des composantes disponibles (R,G,B,L,a*,b*,I1…) var( R) cov ar (G, R) cov ar ( B, R) cov ar ( L, R) cov ar ( A, R) cov ar ( R, G ) cov ar ( R, B) cov ar ( R, L) cov ar ( R, A) var( G ) cov ar (G, B) cov ar (G, L) cov ar (G, A) cov ar ( B, G ) var( B) cov ar ( B, L) cov ar ( B, A) cov ar ( L, G ) cov ar ( L, B) var( L) cov ar ( L, A) cov ar ( A, G ) cov ar ( A, B) cov ar ( A, L) var( A) – 2. ACP de la matrice de covariance – 3. On ne garde que les 3 composantes les plus significatives. – J. D. Rugna, P. Colantoni, and N. Boukala, “Hybrid color spaces appliedto image database” Les espaces hybrides • Nombre de combinaisons : • Notre critère de « bon » espace hybride: – Espace qui maximise un taux de reconnaissance. • La méthode – Faire les 13800 possibilités. – Utiliser un algorithme génétique. • S’affranchir des combinaisons absurdes. • p = 3, le nombre d’expériences, nombre de composantes de notre espace. • n = 25, le nombre de composantes disponibles. Algorithme génétique Appliqué aux espaces hybrides Génération Aléatoire Evaluation Sélection Opérateurs génétiques programmes Remplacement Population • Une population : Un ensemble d’espaces hybrides. • Un individu : Un espace hybride. • Un gène : Une composante. Initialisation • Première population initialisée aléatoirement. • Tirage aléatoire dans l’ensemble des composantes disponibles. • Soit C l’ensemble des composantes. – C = {R,G,B,L,a*,b*,u’,v’,….} – Card(C) = 25. Cross Over • Soit 2 individus h1 et h2 : h1 c1 c2 c3 h2 c4 c5 c6 Génération parent h1 c6 c2 c3 Génération h2 c2 c5 c6 enfant Mutation • Soit un individu h1 Génération parent h1 c1 c2 c3 Génération h1 cm c2 c3 enfant Tiré aléatoirement Fitness • Taux de reconnaissance – Classification K-PPV – Supervisé Selection • Maximiser le taux de reconnaissance. • Algorithme élitiste. Application • L’AG est utilisé ici comme un outil de sélection de caractéristiques. • Nous appliquons cet algorithme à une image dont nous connaissons la vérité terrain.(Apprentissage) • Puis nous appliquons l’espace trouvé sur une autre image(validation). Espaces « Artificiels » apprentissage par algorithme génétique. Principe et Objectif • Nous cherchons donc les coefficients de la matrice W qui maximisent le taux de reconnaissance obtenu par un classifieur KPPV. • Apprentissage des coefficients de matrice W. Rs a11 Gs Bs R G a33 B Rs R Gs W G Bs B Rs = a11*R+a12*G+a13*B Problèmatique • La question tourne donc en un problème d’optimisation. • Le critère (taux de reconnaissance) n’est pas analytiquement calculable et n’est pas continûment dérivable. • Nous optons pour une optimisation utilisant les algorithmes génétiques Algorithme génétique Appliqué aux espaces couleurs Génération Aléatoire Evaluation Sélection Opérateurs génétiques programmes Remplacement Population • Une population : Un ensemble de matrices. • Un individu : Une matrice. • Un gène : une ligne(vecteur) d’une matrice. Initialisation • Première population initialisée aléatoirement. • Chaque coefficient se voit attribué une valeur aléatoire compris dans l’intervalle [-1 ; 1]. Cross Over • Soit 2 individus w1 et w2 : e1 w1 e2 e3 e1 w1 e6 e3 e4 w2 e5 e6 e4 w2 e5 e1 Génération parent Génération enfant a11 w a33 Où e1 est le vecteur ligne [a1i] Mutation • Soit un individu W1 Génération parent Génération enfant e1 w1 e2 e3 e1 w1 er e3 Généré aléatoirement a11 w a33 Fitness • Taux de reconnaissance – Classification K-PPV – Supervisé Selection • Maximiser le taux de reconnaissance. • Algorithme élitiste. Etude des clusters •L’indice silhouette moyen est augmenté. •Il passe de 0.60 en RGB à 0.64 dans ce nouvel espace. Application • Nous appliquons cet algorithme à une image dont nous connaissons la vérité terrain.(Apprentissage des coefficients) • Puis nous appliquons la matrice obtenue(meilleur individu) sur une autre image(validation). Résultats des espaces avec apprentissage • Apprentissage sur une base d’apprentissage. • Puis test sur les éléments qui ont servi à évalué les espaces couleurs traditionnels. Résultats des espaces avec apprentissage orginal 0,78 0,76 Recognition Rate 0,74 0,72 orginal 0,7 0,68 0,66 GASpace PCASpace HybridSpace Complex Color Spaces RGB Conclusions et prospections • Les plans du projet ALPAGE sont des images très spécifiques qui nécessite un espace adaptés. • Au vue des résultats l’ espaces entraînés avec algorithme génétique semble le plus pertinent en terme de séparabilité des données. • Recul sur les résultats : les expériences ont été réalisés sur une seule image. (Apprentissage + Tests). • Question: Est-ce qu’un espace entraîné sur une image sera pertinent sur l’ensemble des images. • Variabilité des images. – Inclure dans la vérité terrain des couleurs d’autres images. – Faire l’ACP sur collection d’images, établir la matrice de covariance sur plusieurs images.