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 53<br />
lissage de l’histogramme est important, moins le nombre de clusters est important. Plutôt que<br />
de fixer a priori ce <strong>par</strong>amètre, nous préférons en déterminer une bonne valeur selon le contenu<br />
de l’image à segmenter. Pour cela, nous cherchons à évaluer la <strong>par</strong>tition obtenue de l’image. On<br />
notera la différence essentielle entre une <strong>par</strong>tition et une coalescence de l’image : une <strong>par</strong>tition<br />
de l’image correspond à un étiquetage des composantes connexes de la coalescence de l’image.<br />
Pour régler le <strong>par</strong>amètre β, nous devons être capable de me<strong>sur</strong>er la qualité d’une <strong>par</strong>tition. Nous<br />
avons choisi de réaliser ceci à l’aide d’une me<strong>sur</strong>e d’énergie [KOEPFL94]. Une me<strong>sur</strong>e d’énergie<br />
associée à une <strong>par</strong>tition M d’une image I est définie comme suit [GUIGUE03B, POGGIO85]<br />
E : M × I → R +<br />
Comme il n’existe pas de me<strong>sur</strong>e universelle de la qualité d’une <strong>par</strong>tition d’une image, la qualité<br />
d’une <strong>par</strong>tition peut être vue comme un compromis entre la qualité et la complexité du modèle<br />
(la <strong>par</strong>tition M). La me<strong>sur</strong>e d’énergie est alors décomposée en deux termes :<br />
E(M, I) = D(M, I) + C(M, I)<br />
La qualité de la <strong>par</strong>tition exprime la fidélité aux données initiales et la complexité du modèle<br />
décrit son caractère simple ou non. Beaucoup de fonctions d’énergies peuvent se mettre sous<br />
cette précédente forme [BOYKOV01, MUMFOR89], la complexité du modèle n’étant pas toujours<br />
dépendante de l’image (<strong>par</strong> exemple la longueur des contours des régions). De manière<br />
similaire à PHILIPP-FOLIGUET [PHILIP06], nous proposons une me<strong>sur</strong>e d’énergie permettant<br />
de me<strong>sur</strong>er la qualité d’une <strong>par</strong>tition comme un compromis entre fidélité aux données initiales<br />
et complexité du modèle de la <strong>par</strong>tition, ce dernier terme dépendant également de l’image originale.<br />
Nous considérons une <strong>par</strong>tition comme un graphe d’adjacence de régions et définissons la<br />
me<strong>sur</strong>e d’énergie comme suit :<br />
E(M, I) = α d × ∑ v∈V<br />
√<br />
|V |<br />
D(M, I, v) + α c × ∑ v∈V<br />
[<br />
1<br />
|u ∼ v|<br />
]<br />
∑<br />
‖f M (u) − f M (v)‖<br />
u∼v<br />
(2.17)<br />
avec α c = 100 × et α h×w d = 1 . h × w désigne la taille de l’image I. D(M, I, v) permet<br />
de quantifier la fidélité d’une région v de la <strong>par</strong>tition M <strong>par</strong> rapport à l’image originale.<br />
|E|×|V |<br />
Ceci est réalisé à l’aide d’un modèle gaussien [GUIGUE03A]. La distance entre deux régions<br />
‖f M (u) − f M (v)‖ est réalisée à l’aide d’une distance de Mahalanobis.<br />
Le terme de fidélité est similaire à ceux employés pour les « Markov Random Field » [LI95,<br />
BOYKOV01] auquel nous avons ajouté le facteur de normalisation de LIU [LIU94] afin de pénaliser<br />
les <strong>modèles</strong> ayant trop de régions. Le terme de complexité est lié à la complexité du graphe<br />
d’adjacence de régions relativement à l’image originale. Ces deux termes sont antagonistes et<br />
une valeur faible de la me<strong>sur</strong>e d’énergie traduit un bon compromis entre eux. En conséquence,<br />
trouver un minimum local de E(M, I) permet de trouver une <strong>par</strong>tition qui n’est ni trop fine, ni<br />
trop grossière (relativement à l’ensemble des segmentations à évaluer).<br />
A présent que nous disposons d’une me<strong>sur</strong>e de la qualité d’une <strong>par</strong>tition, nous pouvons nous<br />
affranchir du choix du <strong>par</strong>amètre β de la coalescence morphologique. Pour cela, nous générons<br />
progressivement des <strong>par</strong>titions de plus en plus grossières en faisant varier β et nous stoppons dès<br />
l’ap<strong>par</strong>ition d’un minimum local. Cela permet de trouver automatiquement le « meilleur » niveau<br />
de simplification du processus de coalescence grâce à une me<strong>sur</strong>e de qualité effectuée dans le<br />
domaine de l’image et non dans le domaine colorimétrique. Pour le cas des images couleur, nous<br />
avons trois histogrammes 2D et la détermination du <strong>par</strong>amètre β est réalisée de manière indépendante<br />
pour chaque projection. Ceci permet d’adapter la coalescence à chaque histogramme<br />
2D.