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.
52<br />
Chapitre 2 - Traitement d’images <strong>par</strong> <strong>modèles</strong><br />
<strong>discrets</strong> <strong>sur</strong> graphes<br />
d’obtenir une version simplifiée mais proche de l’histogramme original : H (2) = ψ(ϕ β (H), H)<br />
où ψ désigne la reconstruction. Les clusters dominants sont déterminés <strong>par</strong> le calcul des érodés<br />
ultimes : H e = ζ(H (2) ) où ζ désigne l’extraction de l’ensemble des érodés ultimes. Ceci<br />
permet d’extraire de manière non supervisée les clusters dominants d’un histogramme 2D sans<br />
a priori <strong>sur</strong> leur nombre. Les érodés ultimes représentent les centres des classes et pour obtenir<br />
une coalescence final de l’histogramme 2D, une ligne de <strong>par</strong>tage des eaux est effectuée<br />
<strong>sur</strong> l’image de distance aux érodés ultimes avec comme marqueurs ces derniers : W H =<br />
W atershed(H e , δ(H e )) avec δ la fonction distance. Toutes ces étapes sont décrites <strong>par</strong> la figure<br />
2.30 pour l’histogramme RB de l’image de la figure 2.29(a). On remarque que la coalescence<br />
est très efficace, même dans des régions où les clusters sont relativement mélangés.<br />
(a) H RB (b) H (2) (c) H e (d) δ(H e ) (e) W HRB<br />
FIG. 2.30 – Illustration des étapes de la coalescence morphologique non supervisée <strong>sur</strong> l’histogramme<br />
2D RB de la figure 2.30(a). Les figures 2.30(a) et 2.30(b) sont inversées.<br />
A <strong>par</strong>tir d’une <strong>par</strong>tition d’un histogramme 2D, nous pouvons obtenir une coalescence de<br />
l’image originale en effectuant la transformation inverse de celle de la construction de l’histogramme.<br />
Comme pour une image couleur, nous disposons de trois histogrammes 2D, trois<br />
coalescences sont obtenues. Ceci est décrit <strong>par</strong> les figures 2.31(a)-2.31(c). On peut alors constater<br />
que dans la coalescence de l’image obtenue <strong>par</strong> la coalescence de l’histogramme 2D RG,<br />
les deux clusters des pixels de couleur verte n’ont pas été dissociés. On remarque également<br />
que les numéros des clusters ne correspondent évidemment pas d’une <strong>par</strong>tition à l’autre car leur<br />
nombre diffère. Nous avons également utilisé cette coalescence pour la segmentation d’images<br />
de microscopie de lavages bronchio-alvéolaires [66].<br />
(a) RG (b) RB (c) GB (d) Intersection<br />
FIG. 2.31 – Coalescences obtenues ((a)-(c)) à <strong>par</strong>tir de la figure 2.29(a) pour les trois projections<br />
bivariées. La figure (d) présente l’intersection des figures (a)-(c).<br />
2.4.4.2 Sélection du niveau d’échelle de la coalescence<br />
La précédente méthode de coalescence morphologique est non supervisée car elle ne nécessite<br />
pas de préciser le nombre de classes voulues. Cependant, le nombre de clusters dépend<br />
fortement du <strong>par</strong>amètre β de lissage de l’histogramme. Faire varier ce <strong>par</strong>amètre permet de générer<br />
un ensemble de coalescences (non emboîtées) selon une approche espace-échelle. Plus le