traitement d'images par modèles discrets sur ... - Olivier Lezoray

More documents

Recommendations

Info

50 Chapitre 2 - Traitement d’images par modèles discrets sur graphes FIG. 2.28 – Hiérarchies de partitions produites par diffusion-fusion sur une partition fine initiale obtenue par les zones homogènes. Les deux premières lignes présentent l’image mosaïque et la partition avec un seuil fixe. Les lignes suivantes présentent les mêmes résultats obtenus avec des seuils évolutif et adaptatif. La dernière ligne présente la partition fine et les cartes de saillance pour les différents critères de fusion.
2.4. Hiérarchies de partitions 51 2.4.4 Coalescence-Fusion ☞ Mes publications associées : [15, 22, 23, 35, 36, 41, 66] Nous décrivons ici une approche hybride de la segmentation d’images par génération d’une hiérarchie de partitions. Cette approche repose sur deux éléments : une coalescence morphologique non supervisée permettant de construire une partition fine et une fusion des régions de la partition fine. Nous introduisons également une mesure d’énergie permettant de s’affranchir des paramètres de la méthode. La mesure d’énergie proposée est alors vue comme un critère d’évaluation des partitions obtenues. L’obtention de la partition fine est réalisée par une approche espace-échelle dans l’espace colorimétrique avec détermination automatique du niveau d’échelle requis via la mesure d’énergie. Cette mesure d’énergie est réutilisée afin de déterminer un bon niveau d’échelle lors de la fusion des régions de la partition fine obtenue. 2.4.4.1 Coalescence morphologique non supervisée En traitement d’images, la majorité des méthodes de coalescence colorimétriques (i.e. clustering) travaillent soient sur des projections 1D des images (des histogrammes) [BUSIN04, CELENK90] soit directement dans l’espace colorimétrique 3D [POSTAI93B, GÉRA01, CO- MANI02]. On retrouve alors les oppositions habituelles entre approches marginale et vectorielle. Nous avons proposé une approche intermédiaire basée sur des projections bivariées (des histogrammes 2D) [MATAS95A, KURUGO01, XUE03, MACAIR06]. Le principal intérêt des histogrammes bivariées repose dans le fait que ce ne sont rien d’autre que des images en niveaux de gris de tailles réduites (256 × 256) et leur traitement peut se faire par des approches classiques. Un histogramme 2D est une projection d’un histogramme 3D sur chacune des paires de composantes. La figure Figure 2.29 présente une image couleur artificielle (voir les travaux de Macaire et al. [MACAIR06]) et ses projections 3D et 2D (colorées pour une meilleure visualisation). (a) Une Image artificielle (b) RGB (c) RG (d) RB (e) GB FIG. 2.29 – Une image couleur artificielle et ses projection 3D et 2D. Nous avons choisi une approche morphologique pour effectuer la coalescence d’un histogramme 2D. Effectuer une coalescence par une approche morphologique a été proposé par Soille pour le cas des histogrammes 1D [SOILLE96, SOILLE04]. Comme beaucoup d’approches de coalescence, un paramètre a priori est nécessaire, à savoir le nombre de classes. Afin de nous affranchir de ce nombre, nous préférons rechercher les clusters dominants d’un histogramme 2D par une approche morphologique dérivée de celle proposée par Soille. La coalescence d’un histogramme 2D H se fait en plusieurs étapes. Il est tout d’abord simplifié à l’aide d’un filtre exponentiel symétrique : un nouvel histogramme lissé ϕ β (H) est obtenu où β spécifie le degré de simplification. Celui-ci est reconstruit dans l’histogramme original afin
Page 1:
UNIVERSITÉ de CAEN BASSE-NORMANDIE
Page 5 and 6:
TABLE DES MATIÈRES 1 Introduction
Page 7: Table des matières VII A.5.2 Activ
Page 10 and 11: 2 Chapitre 1 - Introduction génér
Page 12 and 13: 4 Chapitre 2 - Traitement d’image
Page 18 and 19: 10 Chapitre 2 - Traitement d’imag
Page 34 and 35: 26 2.2.5 Conclusion et perspectives
Page 50 and 51: 42 2.4 Hiérarchies de partitions 2
Page 66 and 67: 58 Chapitre 3 - Classification de d
Page 105 and 106: CHAPITRE 4 Conclusion générale et
Page 107 and 108: 4.2. Perspectives et Projets 99 cap
Page 109 and 110:
4.2. Perspectives et Projets 101 pr
Page 111 and 112:
CHAPITRE 5 Bibliographie [ABE05] [A
Page 113 and 114:
Chapitre 5 - Bibliographie 105 [CEL
Page 115 and 116:
Chapitre 5 - Bibliographie 107 [GOU
Page 117 and 118:
Chapitre 5 - Bibliographie 109 [KUL
Page 119 and 120:
Chapitre 5 - Bibliographie 111 [MEY
Page 121 and 122:
Chapitre 5 - Bibliographie 113 [SCH
Page 123:
Chapitre 5 - Bibliographie 115 [VER
Page 126 and 127:
118 Annexe A - Curriculum Vitae - D
Page 128 and 129:
120 Annexe A - Curriculum Vitae FIG
Page 130 and 131:
122 Annexe A - Curriculum Vitae afi
Page 132 and 133:
124 Annexe A - Curriculum Vitae - R
Page 135 and 136:
ANNEXE B Publications Publications
Page 137 and 138:
Annexe B - Publications 129 [18] O.
Page 139 and 140:
Annexe B - Publications 131 [44] G.
Page 141:
Annexe B - Publications 133 [71] G.
show all

traitement d'images par modèles discrets sur ... - Olivier Lezoray

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?