SEMINAIRE LISA

  • View
    32

  • Download
    6

Embed Size (px)

DESCRIPTION

SEMINAIRE LISA. Segmentation d’images couleur ou multispectrales par analyse d’histogrammes multidimensionnels Sié OUATTARA (06-01-2009) Directeur de thèse : Bertrand VIGOUROUX Co-encadrant : Alain CLEMENT Doctorant en traitement d’image et signal au LISA. - PowerPoint PPT Presentation

Text of SEMINAIRE LISA

  • Segmentation dimages couleur ou multispectrales par analyse dhistogrammes multidimensionnels

    Si OUATTARA(06-01-2009)

    Directeur de thse : Bertrand VIGOUROUXCo-encadrant : Alain CLEMENT

    Doctorant en traitement dimage et signal au LISA*

  • PLAN

    Contexte du travail Problmatique Objectifs Etat de lart sur la segmentation dimagesEtat de lart sur lvaluation de la segmentationMthodes de segmentation proposesEvaluation de la segmentationConclusion

    *

  • Contexte du travail ProblmatiqueObjectifs Etat de lart sur la segmentation dimagesEtat de lart sur lvaluation de la segmentationMthodes de segmentation proposesEvaluation de la segmentationConclusion

    *

  • Traitement et analyse dimages

    Science pluridisciplinaire (physique, lectronique, mathmatique et informatique)

    Contribution dans divers domaines (mdical, robotique, tldtection, )

    *

  • Nature des images segmenter et analyser (aspect vectoriel)

    Plan RPlan VPlan BPlans (R,V,B)Plan 1House Plans (1,2,3)Plans (4,5,6)Plans (7,8,9)M4 (9D)*

  • Cadre des travaux

    Continuit de certains travaux entrepris au LISA

    Analyse des histogrammes multidimensionnels (nD), n2

    Histogramme nD compact

    Segmentation dimages couleur ou multispectrales (images multicomposantes)

    Travaux limits en gnral lanalyse dhistogrammes 2D

    Extension de la segmentation lanalyse d histogrammes nD

    *

  • Contexte du travail ProblmatiqueObjectifs Etat de lart sur la segmentation dimagesEtat de lart sur lvaluation de la segmentationMthodes de segmentation proposesEvaluation de la segmentationConclusion

    *

  • Travaux (non paramtriques) :

    Limits gnralement a lanalyse des histogrammes 2D (non paramtrique)[Clment et Vigouroux, 2003] (Plans RG); [Lezoray, 2003] combinaison de cartes de segmentation (RG,RB,GB) par LPE, etc.Non prise en compte de la corrlation entre les plansChoix a priori des plans, rduction du nombre de plansModes des histogrammes marginaux diffrent des modes des histogrammes nD

    Peu de travaux sur lanalyse dhistogrammes nD non paramtriques ( n3)Mthodes destimation de noyaux : [Gillet, 2001 ]; [Comaniciu et al., 2002]; etc.- (1) Grand volume de donnes, (2) Cot de traitement lev

    Aspect diffus des histogrammes nD Influence sur la qualit des rsultats des mthodes de segmentation quand n augmente. Nombre de classes lev et donc problme de pertinences des classes construites Difficult de traitement de linformation redondante

    *

  • Contexte du travailProblmatiqueObjectifs Etat de lart sur la segmentation dimagesEtat de lart sur lvaluation de la segmentationMthodes de segmentation proposesEvaluation de la segmentationConclusion

    *

  • Objectif global

    Mise en uvre dune mthode de segmentation dimages couleur oumultispectrales par analyse dhistogrammes nD (n>=3).

    Objectifs spcifiques

    Analyse des histogrammes nD ( n>=2)

    Etiquetage en composantes connexes (ECC) des histogrammes nD

    Raliser une mthode de classification optimale stratgie vectorielle en limitant la sur-segmentation

    Evaluation de la segmentation

    *

  • PLANContexte du travailObjectifsProblmatique Etat de lart de la segmentation dimagesEtat de lart de lvaluation de la segmentationMthodes de segmentation proposesEvaluation de la segmentationConclusion

    *

  • Etat de lart

    Dfinitions

    Stratgies de segmentation

    Approches de segmentation

    Mthodes de classification

    Choix dune mtrique et dun espace couleur

    Conclusion partielle

    *

  • Dfinitions

    Segmentation dimages: processus de dcomposition dune image en rgions connexes ayant une homognit selon un critre, par exemple la couleur, la texture, etc. Lunion de ces rgions constitue limage.

    Cette dfinition nimpose pas lunicit de la segmentation

    Classification: tape pralable la segmentation qui consiste regrouper en diffrentes classes les pixels ayant des caractristiques similaires (ex : couleur) .

    Classification supervise: classification intgrant des connaissances a priori de limage ( ex: germes ou nombre de classes)

    Classification non supervise: classification en aveugle (ne ncessite aucune connaissance a priori de limage)

    Mtrique: mesure de ressemblance entre deux lments de limage

    *

  • Etat de lart

    Dfinitions

    Stratgies de segmentation

    Approches de segmentation

    Mthodes de classification

    Choix dune mtrique et dun espace couleur

    Conclusion partielle

    *

  • Stratgies de segmentation

    Approche marginale

    opre une segmentation sur chaque composante de limage puis fusionne les cartes de segmentation en une seule.

    Approche bi-marginale

    segmente les couples de plans (ex : RG, RB, GB dans lespace RVB) puis fusionne les cartes de segmentation.

    Approche scalaire

    fusionne dabord les composantes en une seule puis la segmente .

    Approche par rduction du nombre de plans

    consiste choisir dabord un nombre de composantes a priori ou obtenu par une mthode de rduction despace (ACP, ) puis ralise la segmentation.*

  • Stratgies de segmentation

    Approche semi-vectorielle

    ne prend pas en compte toute la corrlation entre les composantes de limage. Rapide en temps de calcul.

    Approche vectorielle

    segmente directement limage en considrant une information vectorielle (histogramme nD). Prend en compte la corrlation totale entre les plans. Couteux en temps de calcul

    Approche vectorielle avec requantification

    la rsolution tonale (Q) est rduite q (q

  • Etat de lart

    Dfinitions

    Stratgies de segmentation

    Approches de segmentation

    Mthodes de classification

    Choix dune mtrique et dun espace couleur

    Conclusion partielle

    *

  • Approches de segmentionsDeux grandes approches :

    Approches rgions

    Recherche les zones dans limage selon un critre dhomognit.Deux mthodes :

    Mthodes spatiales: partitionnement en rgions dans le plan image en tenant compte de linformation attribut du pixel (couleur, ), par ex. croissance de rgions, division-fusion, etc.

    Mthodes de classification pixellaires: regroupement des mthodes de partitionnement bases uniquement sur les attributs des pixels (couleur, ...). Par ex. clustering, analyse dhistogrammes, etc.

    Approches contours

    extraction des bords entre objets en se basant sur la recherche de discontinuits ( mthodes drivatives, morphologiques, ).*

  • Etat de lart

    Dfinitions

    Stratgies de segmentation

    Approches de segmentation

    Mthodes de classification

    Choix dun mtrique et dun espace couleur

    Conclusion partielle

    *

  • Mthodes de classification

    classification nette: classification dans laquelle un pixel est affect une classe dont il est le plus proche selon un critre de distance ou de similarit.

    classification floue: classification ralisant un partitionnent fou, cest--dire un pixel appartient une classe avec un degr dappartenance, cette notion dcoule de la thorie des sous-ensembles flous que nous verrons dans une autre section.

    Mthodes de classification

    Deux grandes mthodes :

    Les clusterings : fondes sur le principe que les pixels dune mme classes possdent les mmes caractristiques radiomtriques ( couleurs, ), ces techniques peuvent tre nettes ou floues et ncessite la connaissance a priori du nombre de classes.

    Exemple de mthodes : Centres mobiles [Forgy, 1965], K-Means [Hartigan, 1975], ISODATA [Takahashi et al., 1995], Nues dynamiques [Diday, 1982], FCM [Bezdeck et al., 1984].*

  • Mthodes de classification

    Mthodes de classification (suite)

    Analyse dhistogrammes: considre que la distribution des spels de lhistogramme nD forme des modes de forte densit correspondant aux classes prsentes.

    Inconvenients : Une trop grande quantit de donnes des histogrammes nD manipuler Un coup lev en temps de calcul

    Stratgies des mthodes danalyse dhistogrammes nD

    mthodes paramtriques : elles expriment le problme de classification en termes probabilistes ou la classe est sense suivre une distribution spcifique dans lespace nD, classiquement une gaussienne. [Postaire, 1983] [Akaho, 1995]

    mthodes non paramtriques : elles ne font rfrence aucun modle probabiliste et ces approches reposent sur la dtection des modes. [Fukunaga et al, 1975], [Vasseur et Postaire, 10], [ Ouattara et Clment, 2008] *

  • Mthodes de classification

    Quelques travaux bibliographiques sur lanalyse dhistogramme

    Recherche de modes ( pics) par :estimation de noyaux par approches paramtrique et non paramtrique (Mean-shift) recherches de minimas (LPE ) seuillage bas sur la minimisation dune fonctionnelle ([Otsu, 1979]).

    Quelques travaux dapproches par seuillages

    Travaux de segmentation par seuillage *

    AuteurAnnestratgieTypeFonctionnelleFisher19581Dmultinergie intra -classeOtsu19791Dbinairenergie inter-classeParker19961DmultientropieRosin20011DmultimodesHouladj et al.20072Dbinaireentropie

  • Mthodes de classification

    Quelques travaux bibliographiques sur lanalyse dhistogramme

    Travaux dapproches par recherche de modes

    Travaux de segmentation par recherche de modes ou pics *

    AuteurAnnestratgieOhlander et al.19781D-1D-1DTominaga19901D-1D-1DLim and Lee19901D-1D-1DSchettini19931D-1D-1DHemming et Rath20011DLezoray20031D-1D-1D

  • Mthodes de classification

    Quelques travaux bibliographiques sur lanalyse dhistogramme

    Travaux dapproches par recherche de modes ou pics (suite)

    Travaux de