Labellisation d'images par méthodes fractales - UFR Mathématiques ...
Labellisation d'images par méthodes fractales - UFR Mathématiques ...
Labellisation d'images par méthodes fractales - UFR Mathématiques ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Méthode Définition du prédicat<br />
Contraste sur<br />
la région<br />
P( Ri<br />
) = true ⇔ max Ri I(<br />
x,<br />
y)<br />
− min Ri I x,<br />
y<br />
Ecart type de<br />
la région<br />
Distance<br />
interquartile<br />
sur la région<br />
Différences<br />
limitées<br />
Entropie<br />
[ ] [ ( ) ] < σ<br />
1<br />
2<br />
( Ri<br />
) = true ⇔<br />
[ ( ) − ] < σ<br />
( ) ∑ I x,<br />
y I Ri<br />
Card R Ri<br />
P<br />
Tableau 3-0 Prédicats classiquement utilisés pour définir une zone<br />
homogène sur une image [MAI99].<br />
Dans le cadre d’une labellisation où chaque pixel ap<strong>par</strong>tient à une seule classe,<br />
l’étiquetage complet de l’image I constitue une <strong>par</strong>tition Π = { i = 1 .. N } de l’image.<br />
⎧∀i,<br />
j ∈ Π Ri<br />
∩ R j = ∅<br />
Π vérifie ⎨<br />
(*)<br />
⎩∪i<br />
Ri<br />
= I<br />
Pour un prédicat donné, il existe un grand nombre de <strong>par</strong>titions possibles. Il suffit <strong>par</strong><br />
exemple de diviser une région existante en deux sous régions pour que chacune continue<br />
à vérifier le prédicat et que Π vérifie la condition (*) sur l’ensemble de l’image. Des<br />
contraintes peuvent être ajoutées pour guider le choix à travers l’ensemble des solutions<br />
possibles. Parmi les plus communes, on retrouve un critère sur la taille de chaque région<br />
(à maximiser), le nombre total de régions (à minimiser), et la similarité entre régions selon<br />
un critère choisi (à maximiser). Cette distance entre régions peut être définie de plusieurs<br />
manières. Il peut s’agir, <strong>par</strong> exemple, de l’écart entre les <strong>par</strong>amètres statistiques des<br />
régions, moyennant un modèle a priori. Il existe plusieurs <strong>méthodes</strong> pour générer une<br />
<strong>par</strong>tition, telles que la croissance, la réunion ou le <strong>par</strong>tage de régions.<br />
3.2.2 Croissance, réunion et <strong>par</strong>tage de régions étiquetées<br />
La méthode de croissance de région (region growing) prend comme point de dé<strong>par</strong>t<br />
un certain nombre de germes. Un germe est une zone de l’image où le prédicat choisi est<br />
réalisé sans aucune ambiguïté. Les régions vont croître à <strong>par</strong>tir de ces germes. Il peut<br />
arriver qu’un pixel puisse être affecté avec une égale confiance à deux régions déjà<br />
définies. Généralement l’affectation aléatoire de ce pixel à l’une ou l’autre région sera<br />
sans conséquence pour la suite du traitement. Un point sensible est la fusion de régions<br />
adjacentes. En effet, fusionner deux régions équivaut à définir une tolérance sur la<br />
différence d’adéquation qu’elles ont <strong>par</strong> rapport à un modèle. Définir cette tolérance n’est<br />
souvent pas trivial car nous pouvons rapidement aboutir à une sur ou sous segmentation.<br />
i<br />
R i<br />
Π<br />
où I Ri<br />
représente le niveau de gris moyen de la région R i .<br />
P( Ri<br />
) = true ⇔ Q3<br />
( I ) − Q1(<br />
I ) < σ où 1 Q et Q 3 sont les 1er<br />
et 3 ème quartiles des valeurs de I , Q 2 étant la médiane<br />
de I .<br />
R = true ⇔ ∀ x,<br />
y x',<br />
y' voisins,<br />
I x,<br />
y − I x',<br />
y'<br />
<<br />
( ) ( )( ) ( ) ( ) σ<br />
P i<br />
dans R i .<br />
( R ) true ⇔ − p(<br />
n)<br />
log(<br />
p(<br />
n)<br />
)<br />
P i = ∑ < σ où p ( n)<br />
est la<br />
n / p(<br />
n)<br />
≠0<br />
fréquence d’ap<strong>par</strong>ition du niveau de gris n dans la région<br />
R .<br />
i<br />
14