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
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
2.4. Hiérarchies de <strong>par</strong>titions 51<br />
2.4.4 Coalescence-Fusion<br />
☞ Mes publications associées : [15, 22, 23, 35, 36, 41, 66]<br />
Nous décrivons ici une approche hybride de la segmentation d’images <strong>par</strong> génération d’une<br />
hiérarchie de <strong>par</strong>titions. Cette approche repose <strong>sur</strong> deux éléments : une coalescence morphologique<br />
non supervisée permettant de construire une <strong>par</strong>tition fine et une fusion des régions de<br />
la <strong>par</strong>tition fine. Nous introduisons également une me<strong>sur</strong>e d’énergie permettant de s’affranchir<br />
des <strong>par</strong>amètres de la méthode. La me<strong>sur</strong>e d’énergie proposée est alors vue comme un critère<br />
d’évaluation des <strong>par</strong>titions obtenues. L’obtention de la <strong>par</strong>tition fine est réalisée <strong>par</strong> une approche<br />
espace-échelle dans l’espace colorimétrique avec détermination automatique du niveau<br />
d’échelle requis via la me<strong>sur</strong>e d’énergie. Cette me<strong>sur</strong>e d’énergie est réutilisée afin de déterminer<br />
un bon niveau d’échelle lors de la fusion des régions de la <strong>par</strong>tition fine obtenue.<br />
2.4.4.1 Coalescence morphologique non supervisée<br />
En <strong>traitement</strong> d’images, la majorité des méthodes de coalescence colorimétriques (i.e. clustering)<br />
travaillent soient <strong>sur</strong> des projections 1D des images (des histogrammes) [BUSIN04,<br />
CELENK90] soit directement dans l’espace colorimétrique 3D [POSTAI93B, GÉRA01, CO-<br />
MANI02]. On retrouve alors les oppositions habituelles entre approches marginale et vectorielle.<br />
Nous avons proposé une approche intermédiaire basée <strong>sur</strong> des projections bivariées (des histogrammes<br />
2D) [MATAS95A, KURUGO01, XUE03, MACAIR06]. Le principal intérêt des histogrammes<br />
bivariées repose dans le fait que ce ne sont rien d’autre que des images en niveaux de<br />
gris de tailles réduites (256 × 256) et leur <strong>traitement</strong> peut se faire <strong>par</strong> des approches classiques.<br />
Un histogramme 2D est une projection d’un histogramme 3D <strong>sur</strong> chacune des paires de composantes.<br />
La figure Figure 2.29 présente une image couleur artificielle (voir les travaux de Macaire<br />
et al. [MACAIR06]) et ses projections 3D et 2D (colorées pour une meilleure visualisation).<br />
(a) Une Image<br />
artificielle<br />
(b) RGB (c) RG (d) RB (e) GB<br />
FIG. 2.29 – Une image couleur artificielle et ses projection 3D et 2D.<br />
Nous avons choisi une approche morphologique pour effectuer la coalescence d’un histogramme<br />
2D. Effectuer une coalescence <strong>par</strong> une approche morphologique a été proposé <strong>par</strong> Soille<br />
pour le cas des histogrammes 1D [SOILLE96, SOILLE04]. Comme beaucoup d’approches de<br />
coalescence, un <strong>par</strong>amètre a priori est nécessaire, à savoir le nombre de classes. Afin de nous<br />
affranchir de ce nombre, nous préférons rechercher les clusters dominants d’un histogramme 2D<br />
<strong>par</strong> une approche morphologique dérivée de celle proposée <strong>par</strong> Soille.<br />
La coalescence d’un histogramme 2D H se fait en plusieurs étapes. Il est tout d’abord simplifié<br />
à l’aide d’un filtre exponentiel symétrique : un nouvel histogramme lissé ϕ β (H) est obtenu<br />
où β spécifie le degré de simplification. Celui-ci est reconstruit dans l’histogramme original afin