SlideShare une entreprise Scribd logo
1  sur  41
Télécharger pour lire hors ligne
Faculté des Sciences de Bizerte
Présenté par :
Houssem SELMI
Wassim Ben SALEM
Houssem Eddine HAJRI
Karim ALMIA
Proposé par :
Faten Ben HSSINE
Segmentation
d’images
Département Informatique
I. Définition
II. Les types de segmentation
III. Algorithme de segmentation
IV.Domaines d’utilisation
Plan
HISTORIQUE
1920
Début des études dans le domaine du traitement
d’image .
2000
1960
Aujourd’hui
Le Traitement d’images se repose sur la restauration,
la compression, et l’amélioration de qualité d’images.
Le traitement d’images : compréhension et Interprétation
des images grâce à la reconnaissance des objets.
1
Pour reconnaître des objets afin d'interpréter les
images, il faut souvent au préalable les segmenter,
c'est-à-dire séparer les objets d'intérêt du fond de
l'image.
2
La segmentation d’image permet l’extraction
d’éléments constituants l’image, une étape essentielle
dans le processus d’interprétation d’une scène et ça
consiste à partitionner l’image en un certain nombre
de régions disjointes.
Définition
3
Exemple
NVIDIA DRIVE PX 2
4
Pour l'humain, l’extraction des objets présents dans une
scène est simple puisqu’il s’agit de reconnaître des
objets que notre système visuel perçoit aisément.
5
Mais la question qui se pose maintenant : comment
peut-on reproduire cela avec une machine et la rendre
capable d’extraire des objets pertinents depuis une
image ?
6
L'objectif de la segmentation est de découper l'image en
plusieurs régions, dans lesquelles les pixels vérifient un certain
critère d'homogénéité, tel que le niveau de gris ou la couleur. Il
existe de très nombreuses méthodes permettant ce découpage,
dont l'efficacité dépend avant tout de l'image.
Les types de segmentation
d’images
7
Les types de segmentation
d’images
1. La segmentation basée sur les pixels
En utilisant les histogrammes de l'image l'algorithme construit
des classes de couleurs qui sont ensuite projetées sur l'image.
On regroupe ainsi des endroits de l'image par couleur.
8
Algorithme de K-Means
9
Exemple
10
Les types de segmentation
d’images
2. La segmentation basée sur les régions
Cette catégorie peut correspondre aux algorithmes d'accroissement de
régions. Ce type de segmentation consiste à prendre un ensemble de petites
régions uniformes dans l'image et à regrouper les régions adjacentes de
même couleur jusqu'à ce qu'aucun regroupement ne soit plus possible. Cette
catégorie peut aussi correspondre à des algorithmes de découpage de régions
on part de l'image entière que l'on va subdiviser en plus petites régions tant
que ces régions ne sont pas suffisamment homogènes. Les algorithmes dits «
split and merge » sont un mélange de ces deux techniques.
11
Algorithmes d'accroissement de
régions
12
Algorithmes de découpage de régions
13
Les types de segmentation
d’images
3. La segmentation basée sur les contours
Cette catégorie s'intéresse aux contours des objets dans l'image. Des
filtres détecteurs de contours sont appliqués à l'image. Si l'image est très
contrastée, le résultat est satisfaisant, mais dans le cas contraire, il faut
utiliser des techniques de reconstruction de contours. Cette technique
est locale et en général trop limitée pour traiter des images complexes.
14
15
Avantages Inconvénients
La segmentation
basée sur les pixels.
Plus homogène
Élimine les taches
bruyantes
Calculateur coûteux.
Sensible à l'initialisation
La segmentation
basée sur les régions.
Fermeture de frontière
Densité d’information
Difficulté de définir les
critères pour fusionner ou
diviser les pixels
La segmentation
basée sur les
contours.
Rapidité, précision Sensibilité au bruit
16
Le résultat de la méthode de segmentation d'image dépend de
nombreux facteurs tels que l'intensité, la texture et le contenu de l'image.
Ainsi, ni la segmentation unique n'est applicable à tous les types
d'images, ni toutes les méthodes de segmentation ne fonctionnent bien
pour une image particulière.
La segmentation d’image a pour objectif de différencier des
zones d’intérêt, c’est généralement une première étape d’un
traitement plus complexe comme le filtrage adaptatif ou la
reconnaissance de formes.
17
Algorithme de segmentation
2
0
18
Définition de
seuillage
Le seuillage a pour objectif de segmenter une image en plusieurs classes
en n'utilisant que l'histogramme. On suppose donc que l'information
associée à l'image permet à elle seule la segmentation, qu'une classe est
caractérisée par sa distribution de niveaux de gris. A chaque pic de
l'histogramme est associée une classe.
2
1
19
Qu’est qu’un
histogramme?
Le calcul de l'histogramme est très simple.
On initialise un tableau histo avec des 0. Généralement, ce tableau est
constitué de 255 cases correspondant aux 255 niveaux de gris d'une
image.
Ensuite, si p(i,j) représente la valeur du pixel au point (i,j), on balaye
toute l'image et on compte le nombre de fois ou un niveau de gris
apparaît.
22
20
23
21
Algorithme Otsu
Le but de cet algorithme est la binarisation d'images à niveaux de gris.
Ceci revient à séparer les pixels de l'image en deux classes, la première
ayant un niveau maximal (typiquement 255) et la seconde un niveau
minimal (0). Cette méthode nécessite donc le calcul préalable de
l’histogramme de l'image.
24
22
L'algorithme suppose alors que l'image à binariser ne
contient que deux classes. L' algorithme itératif calcule alors
le seuil optimal T qui sépare ces deux classes afin que la
variance intra-classe soit minimale et que la variance
interclasse soit maximale.
25
23
Variance intra-classe :
Oméga 1 représente la probabilité d'être dans la classe 1
Oméga 2 représente la probabilité d'être dans la classe 2
Sigma 1 représente la variance de la classe 1
Sigma 2 représente la variance de la classe 2
26
24
Variance interclasse :
Sigma représente la variance de l'image
Sigma w représente la variance intra-classe
27
25
Implémentation sur matlab
% Chargement de l'image de départ %
Image = imread('Image.jpg');
% Calcul du seuil T %
level = graythresh(Image);
% BINARISATION %
BW = im2bw(Image,level);
% Affichage de l'image %
figure;
imshow(BW);
title('Image binarisée avec la méthode 1 d''OTSU');
28
26
Implémentation sur matlab
29
27
Implémentation sur matlab
30
28
Domaines
d'utilisations
Plusieurs algorithmes et techniques à
usage général ont été développés pour
la segmentation d'image. Pour être
utiles, ces techniques doivent
généralement être combinées avec les
connaissances spécifiques d'un domaine
afin de résoudre efficacement les
problèmes de segmentation du domaine.
29
Médical
De nombreuses modalités différentes
(radiographie, IRM, microscopie, SPECT,
endoscopie, OCT et bien d'autres) sont utilisées
pour créer des images médicales. Le résultat de
la segmentation peut ensuite être utilisé pour
obtenir d'autres informations de diagnostic. Les
applications possibles sont :
-Localisation des tumeurs et d'autres
pathologies
-Mesurer les volumes de tissus
-Diagnostic, étude de la structure anatomique
-Simulation de chirurgie virtuelle
-Navigation intra-chirurgicale
etc..
30
Segmentation des vaisseaux rétiniens
Approche Graph Cut avec Retinex et Local Phase
(B) Le canal vert de (converti en niveaux de gris)
(A)
(C) Résultats après l'application de Retinex sur (B)
(D) Carte de phase locale de (C)
(E)(F)(G)(H): Résultats de segmentation avec
plusieurs méthodes et la coupe de graphique (GC)
La méthode GC est plus sensible aux vaisseaux plus
fins et plus de vaisseaux ont été segmentés.
31
Après la segmentation des vaisseaux, il est possible d'effectuer des analyses plus avancées
telles que les mesures de diamètres et tortuosité des vaisseaux, la classification des veines et
des artères….
Cette figure montre un exemple d'application sur la détection de vaisseaux anormaux : ici le
vert indique les vaisseaux normaux et les vaisseaux rouges anormaux.
Segmentation des vaisseaux
rétiniens
32
Tâches de reconnaissance et de Détection d’objets
-Détection de piétons / feux de freinage..
-Reconnaissance de visage / d'empreintes digitales / de l'iris
-Extraction de Texte / Code QR..
-Comptage et suivi des objets
Etc..
On désigne par détection d'objet (ou classification d'objet) une méthode permettant de détecter la
présence d'une instance ou d'une classe d'objets dans une image numérique. Ces méthodes font
souvent appel à l'apprentissage supervisé et ont des applications dans de multiples domaines, tels :
33
34
Sécurité /Industriel
-Systèmes de contrôle du trafic
-Vidéosurveillance
- Localiser des objets dans des images
satellites (routes, bâtiments, forêts, etc.)
- Vision industrielle de la machine pour
l'assemblage et l'inspection du produit.
35
Systèmes d’inspection Produit
Exemple : Industrie pharmaceutique
Le système est utilisé pour assurer le remplissage du
blister pour les médicaments. Il se compose de
caméras à haute résolution et d'une solution
d'éclairage dédiée pour garantir que le blister est
exempt de toute puce cassée; mauvaise médecine
colorée; particule externe; cavité vide ou toute
discordance dimensionnelle.
36
Systèmes de lecture automatisée de plaques
d’immatriculation
Méthode de surveillance de masse qui utilise la technique de la reconnaissance optique de
caractères sur des images pour lire les plaques d'immatriculation de véhicules
37
Webographie
http://www.math-info.univ-paris5.fr/~calka/segmentation.pdf
http://dept-info.labri.fr/~vialard/Image3D/cours/cours-segmentation.pdf
http://perso.ensta-paristech.fr/~manzaner/Cours/IAD/AM_Introduction.pdf
http://www.math-info.univ-paris5.fr/~vincent/siten/Publications/theses/pdf/Rousselle.pdf
http://homepages.laas.fr/aherbulo/publi/these_herbulot.pdf
https://sites.google.com/site/lizantchristopher/services/binarisation-1
https://blogs.mathworks.com/steve/2016/05/09/image-binarization-im2bw-and-graythresh/
38
Merci pour votre attention

Contenu connexe

Tendances

Introduction to Machine learning
Introduction to Machine learningIntroduction to Machine learning
Introduction to Machine learningQuentin Ambard
 
Intelligence Artificielle - Systèmes experts
Intelligence Artificielle - Systèmes expertsIntelligence Artificielle - Systèmes experts
Intelligence Artificielle - Systèmes expertsMohamed Heny SELMI
 
Vision et traitement d'images
Vision et traitement d'imagesVision et traitement d'images
Vision et traitement d'imagesWided Miled
 
Data mining - Segmentation(k-means, cah)
Data mining - Segmentation(k-means, cah)Data mining - Segmentation(k-means, cah)
Data mining - Segmentation(k-means, cah)Mohamed Heny SELMI
 
1ère Présentation Atelier Vision par ordinateur
1ère Présentation Atelier Vision par ordinateur1ère Présentation Atelier Vision par ordinateur
1ère Présentation Atelier Vision par ordinateurSamir TABIB
 
Traitement d'image
Traitement d'imageTraitement d'image
Traitement d'imageAnissa Teyeb
 
Exposé segmentation
Exposé segmentationExposé segmentation
Exposé segmentationDonia Hammami
 
Les réseaux de neurones
Les réseaux de neuronesLes réseaux de neurones
Les réseaux de neuronesMariam Amchayd
 
réseaux de neurones artificiels
réseaux de neurones artificiels réseaux de neurones artificiels
réseaux de neurones artificiels Oussama Werfelli
 
Clustering: Méthode hiérarchique
Clustering: Méthode hiérarchiqueClustering: Méthode hiérarchique
Clustering: Méthode hiérarchiqueYassine Mhadhbi
 
Rapport Mini Projet : élaborer un moteur de Recherche spécialisé en Education
Rapport Mini Projet : élaborer un moteur de Recherche spécialisé en EducationRapport Mini Projet : élaborer un moteur de Recherche spécialisé en Education
Rapport Mini Projet : élaborer un moteur de Recherche spécialisé en EducationMohamed Amine Mahmoudi
 
devoir traitement d'images
devoir traitement d'imagesdevoir traitement d'images
devoir traitement d'imagesomar bllaouhamou
 
UML Part 4- diagrammres de classes et d'objets mansouri
UML Part 4- diagrammres de classes et d'objets mansouriUML Part 4- diagrammres de classes et d'objets mansouri
UML Part 4- diagrammres de classes et d'objets mansouriMansouri Khalifa
 
Les réseaux de neurones convolutifs pour la classification des tumeurs cérébr...
Les réseaux de neurones convolutifs pour la classification des tumeurs cérébr...Les réseaux de neurones convolutifs pour la classification des tumeurs cérébr...
Les réseaux de neurones convolutifs pour la classification des tumeurs cérébr...Juba Ait idir
 

Tendances (20)

Introduction to Machine learning
Introduction to Machine learningIntroduction to Machine learning
Introduction to Machine learning
 
Intelligence Artificielle - Systèmes experts
Intelligence Artificielle - Systèmes expertsIntelligence Artificielle - Systèmes experts
Intelligence Artificielle - Systèmes experts
 
Vision et traitement d'images
Vision et traitement d'imagesVision et traitement d'images
Vision et traitement d'images
 
Data mining - Segmentation(k-means, cah)
Data mining - Segmentation(k-means, cah)Data mining - Segmentation(k-means, cah)
Data mining - Segmentation(k-means, cah)
 
Présentation pfe
Présentation pfePrésentation pfe
Présentation pfe
 
Image Mining
Image MiningImage Mining
Image Mining
 
1ère Présentation Atelier Vision par ordinateur
1ère Présentation Atelier Vision par ordinateur1ère Présentation Atelier Vision par ordinateur
1ère Présentation Atelier Vision par ordinateur
 
Traitement d'image
Traitement d'imageTraitement d'image
Traitement d'image
 
Exposé segmentation
Exposé segmentationExposé segmentation
Exposé segmentation
 
Prez PFE
Prez PFEPrez PFE
Prez PFE
 
Traitement des images
Traitement des imagesTraitement des images
Traitement des images
 
Les réseaux de neurones
Les réseaux de neuronesLes réseaux de neurones
Les réseaux de neurones
 
réseaux de neurones artificiels
réseaux de neurones artificiels réseaux de neurones artificiels
réseaux de neurones artificiels
 
Clustering: Méthode hiérarchique
Clustering: Méthode hiérarchiqueClustering: Méthode hiérarchique
Clustering: Méthode hiérarchique
 
Rapport Mini Projet : élaborer un moteur de Recherche spécialisé en Education
Rapport Mini Projet : élaborer un moteur de Recherche spécialisé en EducationRapport Mini Projet : élaborer un moteur de Recherche spécialisé en Education
Rapport Mini Projet : élaborer un moteur de Recherche spécialisé en Education
 
devoir traitement d'images
devoir traitement d'imagesdevoir traitement d'images
devoir traitement d'images
 
Deep learning
Deep learningDeep learning
Deep learning
 
UML Part 4- diagrammres de classes et d'objets mansouri
UML Part 4- diagrammres de classes et d'objets mansouriUML Part 4- diagrammres de classes et d'objets mansouri
UML Part 4- diagrammres de classes et d'objets mansouri
 
PFE_Report
PFE_ReportPFE_Report
PFE_Report
 
Les réseaux de neurones convolutifs pour la classification des tumeurs cérébr...
Les réseaux de neurones convolutifs pour la classification des tumeurs cérébr...Les réseaux de neurones convolutifs pour la classification des tumeurs cérébr...
Les réseaux de neurones convolutifs pour la classification des tumeurs cérébr...
 

Similaire à ségmentation d'image

CoursImageProcessing1.pdf
CoursImageProcessing1.pdfCoursImageProcessing1.pdf
CoursImageProcessing1.pdfHouBou3
 
622 vision-industrielle-principes
622 vision-industrielle-principes622 vision-industrielle-principes
622 vision-industrielle-principesBen Fethi
 
Qu'est-ce que la segmentation d'images.pptx
Qu'est-ce que la segmentation d'images.pptxQu'est-ce que la segmentation d'images.pptx
Qu'est-ce que la segmentation d'images.pptxAidaCHEFROUR1
 
Étude et résolution numérique de deux modèles basés sur des équations aux dér...
Étude et résolution numérique de deux modèles basés sur des équations aux dér...Étude et résolution numérique de deux modèles basés sur des équations aux dér...
Étude et résolution numérique de deux modèles basés sur des équations aux dér...Ayoub Boudlal
 
cours traitements d'image segmentation.pdf
cours traitements d'image segmentation.pdfcours traitements d'image segmentation.pdf
cours traitements d'image segmentation.pdfBrahimDehri1
 
Detection_object_depplearning
Detection_object_depplearningDetection_object_depplearning
Detection_object_depplearningZainebElYasmi
 
Rapport - Création d'une image panoramique
Rapport - Création d'une image panoramiqueRapport - Création d'une image panoramique
Rapport - Création d'une image panoramiqueAhmed EL ATARI
 
Représentation de formes par approche contour
Représentation de formes par approche contourReprésentation de formes par approche contour
Représentation de formes par approche contourmohamed aida
 
Rapport-du-projet CNN.docx
Rapport-du-projet CNN.docxRapport-du-projet CNN.docx
Rapport-du-projet CNN.docxkhalil Ismail
 
Convolutional Neural Networks (CNNs)
Convolutional Neural Networks (CNNs)Convolutional Neural Networks (CNNs)
Convolutional Neural Networks (CNNs)Hajar Bouchriha
 
Real time human pose recognition in parts from single
Real time human pose recognition in parts from singleReal time human pose recognition in parts from single
Real time human pose recognition in parts from singleMontassir Rabhi
 
Reconnaissance de panneaux de signalisation routière en utilisant la détectio...
Reconnaissance de panneaux de signalisation routière en utilisant la détectio...Reconnaissance de panneaux de signalisation routière en utilisant la détectio...
Reconnaissance de panneaux de signalisation routière en utilisant la détectio...Loghin Dumitru
 
TRAITEMENT DES IMAGES SATELLITALES(01) .pdf
TRAITEMENT DES IMAGES SATELLITALES(01)  .pdfTRAITEMENT DES IMAGES SATELLITALES(01)  .pdf
TRAITEMENT DES IMAGES SATELLITALES(01) .pdfmohnina22
 
Computer Vision - Classification automatique des races de chien à partir de p...
Computer Vision - Classification automatique des races de chien à partir de p...Computer Vision - Classification automatique des races de chien à partir de p...
Computer Vision - Classification automatique des races de chien à partir de p...FUMERY Michael
 
Séminaire IA & VA- Dominique Gruyer, Univ Gustave Eiffel
Séminaire IA & VA- Dominique Gruyer, Univ Gustave EiffelSéminaire IA & VA- Dominique Gruyer, Univ Gustave Eiffel
Séminaire IA & VA- Dominique Gruyer, Univ Gustave EiffelMahdi Zarg Ayouna
 
Imagerie medicale 3d
Imagerie medicale 3dImagerie medicale 3d
Imagerie medicale 3dmacorder
 
Chap1introductionimagenumerique
Chap1introductionimagenumeriqueChap1introductionimagenumerique
Chap1introductionimagenumeriqueintissar0007
 

Similaire à ségmentation d'image (19)

CoursImageProcessing1.pdf
CoursImageProcessing1.pdfCoursImageProcessing1.pdf
CoursImageProcessing1.pdf
 
Exposé
ExposéExposé
Exposé
 
622 vision-industrielle-principes
622 vision-industrielle-principes622 vision-industrielle-principes
622 vision-industrielle-principes
 
Qu'est-ce que la segmentation d'images.pptx
Qu'est-ce que la segmentation d'images.pptxQu'est-ce que la segmentation d'images.pptx
Qu'est-ce que la segmentation d'images.pptx
 
Étude et résolution numérique de deux modèles basés sur des équations aux dér...
Étude et résolution numérique de deux modèles basés sur des équations aux dér...Étude et résolution numérique de deux modèles basés sur des équations aux dér...
Étude et résolution numérique de deux modèles basés sur des équations aux dér...
 
Ind4
Ind4Ind4
Ind4
 
cours traitements d'image segmentation.pdf
cours traitements d'image segmentation.pdfcours traitements d'image segmentation.pdf
cours traitements d'image segmentation.pdf
 
Detection_object_depplearning
Detection_object_depplearningDetection_object_depplearning
Detection_object_depplearning
 
Rapport - Création d'une image panoramique
Rapport - Création d'une image panoramiqueRapport - Création d'une image panoramique
Rapport - Création d'une image panoramique
 
Représentation de formes par approche contour
Représentation de formes par approche contourReprésentation de formes par approche contour
Représentation de formes par approche contour
 
Rapport-du-projet CNN.docx
Rapport-du-projet CNN.docxRapport-du-projet CNN.docx
Rapport-du-projet CNN.docx
 
Convolutional Neural Networks (CNNs)
Convolutional Neural Networks (CNNs)Convolutional Neural Networks (CNNs)
Convolutional Neural Networks (CNNs)
 
Real time human pose recognition in parts from single
Real time human pose recognition in parts from singleReal time human pose recognition in parts from single
Real time human pose recognition in parts from single
 
Reconnaissance de panneaux de signalisation routière en utilisant la détectio...
Reconnaissance de panneaux de signalisation routière en utilisant la détectio...Reconnaissance de panneaux de signalisation routière en utilisant la détectio...
Reconnaissance de panneaux de signalisation routière en utilisant la détectio...
 
TRAITEMENT DES IMAGES SATELLITALES(01) .pdf
TRAITEMENT DES IMAGES SATELLITALES(01)  .pdfTRAITEMENT DES IMAGES SATELLITALES(01)  .pdf
TRAITEMENT DES IMAGES SATELLITALES(01) .pdf
 
Computer Vision - Classification automatique des races de chien à partir de p...
Computer Vision - Classification automatique des races de chien à partir de p...Computer Vision - Classification automatique des races de chien à partir de p...
Computer Vision - Classification automatique des races de chien à partir de p...
 
Séminaire IA & VA- Dominique Gruyer, Univ Gustave Eiffel
Séminaire IA & VA- Dominique Gruyer, Univ Gustave EiffelSéminaire IA & VA- Dominique Gruyer, Univ Gustave Eiffel
Séminaire IA & VA- Dominique Gruyer, Univ Gustave Eiffel
 
Imagerie medicale 3d
Imagerie medicale 3dImagerie medicale 3d
Imagerie medicale 3d
 
Chap1introductionimagenumerique
Chap1introductionimagenumeriqueChap1introductionimagenumerique
Chap1introductionimagenumerique
 

ségmentation d'image

  • 1. Faculté des Sciences de Bizerte Présenté par : Houssem SELMI Wassim Ben SALEM Houssem Eddine HAJRI Karim ALMIA Proposé par : Faten Ben HSSINE Segmentation d’images Département Informatique
  • 2. I. Définition II. Les types de segmentation III. Algorithme de segmentation IV.Domaines d’utilisation Plan
  • 3. HISTORIQUE 1920 Début des études dans le domaine du traitement d’image . 2000 1960 Aujourd’hui Le Traitement d’images se repose sur la restauration, la compression, et l’amélioration de qualité d’images. Le traitement d’images : compréhension et Interprétation des images grâce à la reconnaissance des objets. 1
  • 4. Pour reconnaître des objets afin d'interpréter les images, il faut souvent au préalable les segmenter, c'est-à-dire séparer les objets d'intérêt du fond de l'image. 2
  • 5. La segmentation d’image permet l’extraction d’éléments constituants l’image, une étape essentielle dans le processus d’interprétation d’une scène et ça consiste à partitionner l’image en un certain nombre de régions disjointes. Définition 3
  • 7. Pour l'humain, l’extraction des objets présents dans une scène est simple puisqu’il s’agit de reconnaître des objets que notre système visuel perçoit aisément. 5
  • 8. Mais la question qui se pose maintenant : comment peut-on reproduire cela avec une machine et la rendre capable d’extraire des objets pertinents depuis une image ? 6
  • 9. L'objectif de la segmentation est de découper l'image en plusieurs régions, dans lesquelles les pixels vérifient un certain critère d'homogénéité, tel que le niveau de gris ou la couleur. Il existe de très nombreuses méthodes permettant ce découpage, dont l'efficacité dépend avant tout de l'image. Les types de segmentation d’images 7
  • 10. Les types de segmentation d’images 1. La segmentation basée sur les pixels En utilisant les histogrammes de l'image l'algorithme construit des classes de couleurs qui sont ensuite projetées sur l'image. On regroupe ainsi des endroits de l'image par couleur. 8
  • 13. Les types de segmentation d’images 2. La segmentation basée sur les régions Cette catégorie peut correspondre aux algorithmes d'accroissement de régions. Ce type de segmentation consiste à prendre un ensemble de petites régions uniformes dans l'image et à regrouper les régions adjacentes de même couleur jusqu'à ce qu'aucun regroupement ne soit plus possible. Cette catégorie peut aussi correspondre à des algorithmes de découpage de régions on part de l'image entière que l'on va subdiviser en plus petites régions tant que ces régions ne sont pas suffisamment homogènes. Les algorithmes dits « split and merge » sont un mélange de ces deux techniques. 11
  • 15. Algorithmes de découpage de régions 13
  • 16. Les types de segmentation d’images 3. La segmentation basée sur les contours Cette catégorie s'intéresse aux contours des objets dans l'image. Des filtres détecteurs de contours sont appliqués à l'image. Si l'image est très contrastée, le résultat est satisfaisant, mais dans le cas contraire, il faut utiliser des techniques de reconstruction de contours. Cette technique est locale et en général trop limitée pour traiter des images complexes. 14
  • 17. 15
  • 18. Avantages Inconvénients La segmentation basée sur les pixels. Plus homogène Élimine les taches bruyantes Calculateur coûteux. Sensible à l'initialisation La segmentation basée sur les régions. Fermeture de frontière Densité d’information Difficulté de définir les critères pour fusionner ou diviser les pixels La segmentation basée sur les contours. Rapidité, précision Sensibilité au bruit 16
  • 19. Le résultat de la méthode de segmentation d'image dépend de nombreux facteurs tels que l'intensité, la texture et le contenu de l'image. Ainsi, ni la segmentation unique n'est applicable à tous les types d'images, ni toutes les méthodes de segmentation ne fonctionnent bien pour une image particulière. La segmentation d’image a pour objectif de différencier des zones d’intérêt, c’est généralement une première étape d’un traitement plus complexe comme le filtrage adaptatif ou la reconnaissance de formes. 17
  • 21. Définition de seuillage Le seuillage a pour objectif de segmenter une image en plusieurs classes en n'utilisant que l'histogramme. On suppose donc que l'information associée à l'image permet à elle seule la segmentation, qu'une classe est caractérisée par sa distribution de niveaux de gris. A chaque pic de l'histogramme est associée une classe. 2 1 19
  • 22. Qu’est qu’un histogramme? Le calcul de l'histogramme est très simple. On initialise un tableau histo avec des 0. Généralement, ce tableau est constitué de 255 cases correspondant aux 255 niveaux de gris d'une image. Ensuite, si p(i,j) représente la valeur du pixel au point (i,j), on balaye toute l'image et on compte le nombre de fois ou un niveau de gris apparaît. 22 20
  • 23. 23 21
  • 24. Algorithme Otsu Le but de cet algorithme est la binarisation d'images à niveaux de gris. Ceci revient à séparer les pixels de l'image en deux classes, la première ayant un niveau maximal (typiquement 255) et la seconde un niveau minimal (0). Cette méthode nécessite donc le calcul préalable de l’histogramme de l'image. 24 22
  • 25. L'algorithme suppose alors que l'image à binariser ne contient que deux classes. L' algorithme itératif calcule alors le seuil optimal T qui sépare ces deux classes afin que la variance intra-classe soit minimale et que la variance interclasse soit maximale. 25 23
  • 26. Variance intra-classe : Oméga 1 représente la probabilité d'être dans la classe 1 Oméga 2 représente la probabilité d'être dans la classe 2 Sigma 1 représente la variance de la classe 1 Sigma 2 représente la variance de la classe 2 26 24
  • 27. Variance interclasse : Sigma représente la variance de l'image Sigma w représente la variance intra-classe 27 25
  • 28. Implémentation sur matlab % Chargement de l'image de départ % Image = imread('Image.jpg'); % Calcul du seuil T % level = graythresh(Image); % BINARISATION % BW = im2bw(Image,level); % Affichage de l'image % figure; imshow(BW); title('Image binarisée avec la méthode 1 d''OTSU'); 28 26
  • 31. Domaines d'utilisations Plusieurs algorithmes et techniques à usage général ont été développés pour la segmentation d'image. Pour être utiles, ces techniques doivent généralement être combinées avec les connaissances spécifiques d'un domaine afin de résoudre efficacement les problèmes de segmentation du domaine. 29
  • 32. Médical De nombreuses modalités différentes (radiographie, IRM, microscopie, SPECT, endoscopie, OCT et bien d'autres) sont utilisées pour créer des images médicales. Le résultat de la segmentation peut ensuite être utilisé pour obtenir d'autres informations de diagnostic. Les applications possibles sont : -Localisation des tumeurs et d'autres pathologies -Mesurer les volumes de tissus -Diagnostic, étude de la structure anatomique -Simulation de chirurgie virtuelle -Navigation intra-chirurgicale etc.. 30
  • 33. Segmentation des vaisseaux rétiniens Approche Graph Cut avec Retinex et Local Phase (B) Le canal vert de (converti en niveaux de gris) (A) (C) Résultats après l'application de Retinex sur (B) (D) Carte de phase locale de (C) (E)(F)(G)(H): Résultats de segmentation avec plusieurs méthodes et la coupe de graphique (GC) La méthode GC est plus sensible aux vaisseaux plus fins et plus de vaisseaux ont été segmentés. 31
  • 34. Après la segmentation des vaisseaux, il est possible d'effectuer des analyses plus avancées telles que les mesures de diamètres et tortuosité des vaisseaux, la classification des veines et des artères…. Cette figure montre un exemple d'application sur la détection de vaisseaux anormaux : ici le vert indique les vaisseaux normaux et les vaisseaux rouges anormaux. Segmentation des vaisseaux rétiniens 32
  • 35. Tâches de reconnaissance et de Détection d’objets -Détection de piétons / feux de freinage.. -Reconnaissance de visage / d'empreintes digitales / de l'iris -Extraction de Texte / Code QR.. -Comptage et suivi des objets Etc.. On désigne par détection d'objet (ou classification d'objet) une méthode permettant de détecter la présence d'une instance ou d'une classe d'objets dans une image numérique. Ces méthodes font souvent appel à l'apprentissage supervisé et ont des applications dans de multiples domaines, tels : 33
  • 36. 34
  • 37. Sécurité /Industriel -Systèmes de contrôle du trafic -Vidéosurveillance - Localiser des objets dans des images satellites (routes, bâtiments, forêts, etc.) - Vision industrielle de la machine pour l'assemblage et l'inspection du produit. 35
  • 38. Systèmes d’inspection Produit Exemple : Industrie pharmaceutique Le système est utilisé pour assurer le remplissage du blister pour les médicaments. Il se compose de caméras à haute résolution et d'une solution d'éclairage dédiée pour garantir que le blister est exempt de toute puce cassée; mauvaise médecine colorée; particule externe; cavité vide ou toute discordance dimensionnelle. 36
  • 39. Systèmes de lecture automatisée de plaques d’immatriculation Méthode de surveillance de masse qui utilise la technique de la reconnaissance optique de caractères sur des images pour lire les plaques d'immatriculation de véhicules 37
  • 41. Merci pour votre attention