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 55<br />
régions. Pour accélérer le processus de fusion, nous le réalisons <strong>sur</strong> l’arbre de recouvrement<br />
minimum du graphe d’adjacence où les arêtes sont pondérées <strong>par</strong> les distances entre les régions.<br />
La figure 2.33(a) présente le graphe d’adjacence de la figure 2.32(e) et la figure 2.33(b)<br />
son MST. On remarque que le MST conserve la cohérence globale du contenu de l’image tout<br />
en simplifiant énormément la topologie du graphe. La figure 2.33(c) présente le graphe d’adjacence<br />
après fusion des régions (la <strong>par</strong>tition correspondante est présentée <strong>par</strong> la figure 2.32(f)).<br />
La figure 2.32(f) présente le résultat de la fusion appliquée <strong>sur</strong> l’image d’intersection présentée<br />
<strong>par</strong> la figure 2.32(e) dans l’espace RGB. Le même résultat est présenté dans l’espace couleur<br />
L ∗ a ∗ b ∗ <strong>par</strong> la figure 2.32(g). On remarque que les segmentations obtenues sont très proches de<br />
la segmentation de référence (figure 2.32(h)), ce qui atteste de la qualité de la méthode.<br />
(a) (b) (c)<br />
FIG. 2.33 – Le graphe d’adjacence de régions (a) de la <strong>par</strong>tition (figure 2.32(e)), son MST (b) et<br />
le graphe d’adjacence correspondant (c) après fusion de région (cela correspond à la segmentation<br />
de la figure 2.32(f)).<br />
2.4.5 Conclusion et perspectives<br />
Dans cette section, nous avons proposé plusieurs méthodes permettant de générer des hiérarchies<br />
de <strong>par</strong>titions. La première méthode est basée <strong>sur</strong> une formulation d’un critère connectif<br />
nommé les zones homogènes qui, lorsqu’il est appliqué <strong>sur</strong> graphes, permet d’obtenir une hiérarchie<br />
de <strong>par</strong>titions de précision intermédiaire entres les zones quasi plates et l’algorithme des<br />
cascades. Ce critère connectif reposant <strong>sur</strong> un seuil d’homogénéité basé <strong>sur</strong> des distances, il peut<br />
s’appliquer à des images dont les pixels sont décrits <strong>par</strong> des vecteurs de dimensions quelconques.<br />
La seconde méthode est basée <strong>sur</strong> une diffusion <strong>sur</strong> graphe et elle permet naturellement via la<br />
diffusion de fusionner les régions similaires au cours des itérations de l’algorithme. Ceci permet<br />
d’une <strong>par</strong>t de disposer d’une alternative rapide et simple à la simplification classique d’images<br />
et d’autre <strong>par</strong>t de ne pas déplacer les frontières des régions à travers les échelles contrairement à<br />
une approche espace échelle. Ceci permet donc de combiner les bénéfices des approches hiérarchiques<br />
basées régions et des approches hiérarchiques basées <strong>sur</strong> un principe espace échelle. La<br />
troisième méthode est spécifiquement dédiée au cas des images couleur. Elle repose <strong>sur</strong> une coalescence<br />
morphologique non supervisée d’histogrammes bivariés avec détermination du niveau<br />
d’échelle appropriée. L’intersection des cartes de segmentation obtenues est ensuite simplifiée<br />
à l’aide d’une fonction d’énergie exprimée <strong>sur</strong> le graphe d’adjacence des régions qui permet de<br />
déterminer le « meilleur » niveau d’échelle suivant un compromis entre complexité de la segmentation<br />
et attache aux données initiales.