traitement d'images par modèles discrets sur ... - Olivier Lezoray
traitement d'images par modèles discrets sur ... - Olivier Lezoray
traitement d'images par modèles discrets sur ... - Olivier Lezoray
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
2.4. Hiérarchies de <strong>par</strong>titions 47<br />
Comme nous l’avons vu, une <strong>par</strong>tition fine est une <strong>par</strong>tition <strong>sur</strong>-segmentée d’une image qui<br />
est très proche du contenu original de l’image. Dans le cas où l’on considère les zones strictement<br />
plates, l’image mosaïque associée à la <strong>par</strong>tition fine correspond exactement à l’image<br />
originale, mais elle permet d’en obtenir une représentation plus compacte (moins de régions que<br />
de pixels). De plus, l’image mosaïque (à chaque pixel est associé la couleur moyenne de la région<br />
à laquelle il ap<strong>par</strong>tient) est une représentation simplifiée d’une image. Il semble donc plus<br />
intéressant de travailler directement au niveau région plutôt qu’au niveau pixel. Partant d’une<br />
<strong>par</strong>tition fine, nous pouvons associer un modèle à chaque noeud du graphe d’adjacence associé<br />
à une région de la <strong>par</strong>tition fine. Nous considérons ici le modèle le plus simple possible à savoir<br />
la couleur moyenne de la région.<br />
Habituellement, dans une approche espace-échelle, on travaille au niveau pixel et l’image est<br />
simplifiée <strong>par</strong> diffusion [VANHAM03], ce qui a généralement comme défaut de déplacer les<br />
frontières des régions à travers les échelles lorsqu’on leur associe une <strong>par</strong>tition. Nous préférons<br />
donc considérer une représentation ensemble-échelle [GUIGUE06] qui consiste à travailler au<br />
niveau région et à effectuer un schéma de diffusion <strong>sur</strong> les régions. La diffusion opérera donc directement<br />
<strong>sur</strong> le graphe d’adjacence de régions d’une <strong>par</strong>tition fine et non <strong>sur</strong> l’image originale.<br />
Ceci revient à simplifier les <strong>modèles</strong> associés aux régions et permet d’obtenir un ensemble de<br />
graphes simplifiés à différents niveaux d’échelle. Pour simplifier un graphe d’adjacence, nous<br />
effectuons une régularisation discrète <strong>sur</strong> ce graphe avec p = 2 et λ = 0, ce qui revient à<br />
une diffusion linéaire <strong>sur</strong> le graphe. La figure 2.27 présente un exemple de graphes simplifiés<br />
FIG. 2.27 – Un ensemble d’images simplifiées dans une approche ensemble-échelle <strong>sur</strong> un<br />
graphe d’adjacence de régions après 0, 5, 15, 50 et 200 itérations (de gauche à droite) <strong>sur</strong> une<br />
image (première ligne) et une version bruitée de celle-ci. La <strong>par</strong>tition initiale est obtenue <strong>par</strong> les<br />
zones strictement plates.<br />
à différents niveaux d’échelles. Nous présentons l’image mosaïque pour illustrer le résultat de<br />
la simplification. La <strong>par</strong>tition fine initiale correspondait ici au zones strictement plates c’est à<br />
dire que l’image mosaïque de la <strong>par</strong>tition initiale correspond exactement à l’image originale.<br />
Les images mosaïques présentées correspondent à une simplification du graphe après 0, 5, 15,<br />
50 et 200 itérations. Nous présentons également le même <strong>traitement</strong> <strong>sur</strong> la même image originale<br />
bruitée <strong>par</strong> un bruit gaussien (σ = 5). On remarque tout d’abord qu’effectuer une diffusion<br />
<strong>sur</strong> le graphe permet effectivement d’obtenir une simplification à différents niveaux d’échelles.<br />
De plus, effectuer une simplification <strong>sur</strong> le graphe d’adjacence est plus rapide que <strong>sur</strong> le graphe