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.
48<br />
Chapitre 2 - Traitement d’images <strong>par</strong> <strong>modèles</strong><br />
<strong>discrets</strong> <strong>sur</strong> graphes<br />
grille car il contient moins de noeuds ce qui en fait une alternative intéressante à la simplification<br />
d’image classique. Enfin, la simplification proposée ne déplace pas les frontières des régions à<br />
travers les échelles (puisque nous considérons le graphe d’adjacence) lorsqu’on lui associe une<br />
<strong>par</strong>tition <strong>sur</strong> graphe contrairement à une approche espace-échelle classique qui ne respecte pas<br />
le principe d’inclusion.<br />
Comme nous le constatons, simplifier le graphe d’adjacence permet d’obtenir facilement une<br />
représentation simplifiée des <strong>modèles</strong> associés à la <strong>par</strong>tition fine initiale. Il semble alors naturel<br />
de coupler cette simplification avec une approche <strong>par</strong> fusion de régions [MAKROG01] pour<br />
simplifier également la structure du graphe à travers les échelles. En effet, puisque les <strong>modèles</strong><br />
associés aux noeuds sont simplifiés à travers les échelles, des régions similaires tendent vers des<br />
<strong>modèles</strong> similaires et elles peuvent alors être fusionnées. Ceci permettra d’accélérer à nouveau<br />
le <strong>traitement</strong> puisque la simplification opérera <strong>sur</strong> un graphe décimé après fusion des régions<br />
similaires.<br />
Nous considérons que deux noeuds v i et v j peuvent fusionner si un critère de fusion C(v i , v j )<br />
est vérifié pour ces deux noeuds. Pour générer une hiérarchie de <strong>par</strong>titions nous alternons donc<br />
simplification du graphe <strong>par</strong> diffusion et fusion des régions similaires. L’algorithme complet est<br />
décrit <strong>par</strong> l’algorithme 4 où α est le niveau de la hiérarchie, on passe d’un niveau au suivant<br />
seulement si au moins deux régions ont fusionné. Lorsque deux régions fusionnent, le modèle<br />
de la nouvelle région correspond à l’union des deux <strong>modèles</strong> des régions qui fusionnent.<br />
α : entier ; α end : entier ;<br />
α ← 0 ; Définir α end<br />
G α = (V α , E α ) pour une <strong>par</strong>tition fine initiale P α .<br />
Tant que (α ≤ α end ) faire<br />
Pour les noeuds v i ∈ V α faire<br />
Simplifier les <strong>modèles</strong> de noeuds v i .<br />
Fin Pour<br />
Pour les arêtes E l = (v i , v j ) ∈ V α × V α faire<br />
Si (C(v i , v j )) Alors<br />
Ajouter E l au noyau de contraction NC α,α+1<br />
Fin Si<br />
Fin Pour<br />
Si (|NC α,α+1 | > 0) Alors<br />
Contracter le graphe G α à l’aide du noyau de contraction<br />
NC α,α+1 : G α+1 = Contraction[G α , NC α,α+1 ]<br />
α ← α + 1<br />
Fin Si<br />
Fait<br />
Algorithme 4: Algorithme pour la création d’une hiérarchie de <strong>par</strong>tition <strong>par</strong> diffusion-fusion<br />
<strong>sur</strong> un graphe d’adjacence.<br />
Selon le critère de fusion C(v i , v j ), nous pouvons obtenir différentes hiérarchies de <strong>par</strong>titions.<br />
Nous avons considéré trois types de critères : un seuil fixe, un seuil évolutif et un seuil<br />
adaptatif. Pour un seuil fixe, le critère de fusion est ‖f(v i ) − f(v j )‖ < T où f(v) associe un<br />
vecteur couleur à chaque noeud. Pour un seuil évolutif, le critère de fusion est le même, mais le