14.09.2014 Views

Fusion entre les données ultrasonores et les images de radioscopie ...

Fusion entre les données ultrasonores et les images de radioscopie ...

Fusion entre les données ultrasonores et les images de radioscopie ...

SHOW MORE
SHOW LESS

Create successful ePaper yourself

Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.

&KDSLWUH ,,, 7UDLWHPHQW DXWRPDWLTXH GHV GRQQpHV<br />

__________________________________________________________________________________________<br />

II.1.3.2.<br />

Binarisation<br />

Nous souhaitons maintenant extraire la rainure présente à gauche <strong>de</strong> l'image <strong>de</strong> la figure III.4.<br />

en effectuant une partition <strong>de</strong> l'image en <strong>de</strong>ux classes, l'une contenant <strong>les</strong> défauts représentés<br />

en noirs <strong>et</strong> l'autre contenant le fond <strong>de</strong> l'image en blanc. La métho<strong>de</strong> r<strong>et</strong>enue utilise <strong>les</strong><br />

propriétés <strong>de</strong> l'histogramme en niveaux <strong>de</strong> gris d’une zone <strong>de</strong> l'image soustraite extérieure au<br />

cordon <strong>de</strong> soudure (figure III.5.).<br />

nombre <strong>de</strong> pixels<br />

300000<br />

250000<br />

200000<br />

150000<br />

100000<br />

50000<br />

0<br />

m S1 S2 S3 S4<br />

0 25 50 75 100 125<br />

niveau <strong>de</strong> gris<br />

Figure III.5. : histogramme en niveaux <strong>de</strong> gris d’une zone extérieure au cordon <strong>de</strong> soudure<br />

(après mise à plat)<br />

Comme nous l'avons montré dans le chapitre précé<strong>de</strong>nt, c<strong>et</strong> histogramme vérifie une<br />

distribution Gaussienne. La moyenne arithmétique <strong>de</strong>s niveaux <strong>de</strong> gris <strong>de</strong> l'image est notée m,<br />

<strong>et</strong> σ est l'écart-type <strong>de</strong> la distribution par rapport à la moyenne. Ces <strong>de</strong>ux valeurs sont<br />

calculées dans une zone <strong>de</strong> l’image ne contenant pas <strong>de</strong> défaut puisque c<strong>et</strong>te zone se situe hors<br />

du cordon <strong>de</strong> soudure. On note S 2 le seuil <strong>de</strong> niveau <strong>de</strong> gris tel que S 2 = m +2σ. Nous<br />

effectuons ensuite une segmentation <strong>de</strong> l'image pour le seuil S 2 . Les pixels dont le niveau <strong>de</strong><br />

gris est inférieur à S 2 <strong>de</strong>viennent blancs (niveau 255), <strong>et</strong>, <strong>les</strong> pixels d'intensité supérieure à S 2<br />

<strong>de</strong>viennent noirs (niveau 0). Les seuils voisins <strong>de</strong> S 2 (S 1 , S 3 , S 4 ) sont représentés sur l'axe <strong>de</strong>s<br />

abscisses <strong>de</strong> l'histogramme. L'image B est r<strong>et</strong>ournée <strong>de</strong> 90° dans le sens horaire. La figure<br />

III.6. représente <strong>les</strong> <strong>images</strong> binaires obtenues par seuillage suivant <strong>les</strong> 4 niveaux consécutifs.<br />

Pour chaque image, <strong>les</strong> bords gauche <strong>et</strong> droit du cordon <strong>de</strong> soudure sont délimités par <strong>de</strong>s<br />

ban<strong>de</strong>s grisées. Les obj<strong>et</strong> situés dans ces ban<strong>de</strong>s ne sont pour l'instant pas pris en<br />

considération <strong>et</strong> font l'obj<strong>et</strong> d'une analyse ultérieure particulière. On appelle obj<strong>et</strong> toute partie<br />

<strong>de</strong> l'image numérique qui a été détectée (zone noire) <strong>et</strong> qui n'est pas encore i<strong>de</strong>ntifiée comme<br />

un défaut.<br />

3DJH

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!