La segmentation d'image est un processus qui divise une image en segments pour en faciliter l'analyse et l'interprétation, en identifiant des objets et en permettant des applications variées comme la médecine et la conduite autonome. Les méthodes incluent la segmentation par seuillage, contours, région, et deep learning, chacune ayant ses avantages et limitations. La segmentation sémantique et par instance sont les deux principaux types, permettant respectivement de classifier les pixels par catégories et de distinguer différentes instances d'objets.

1. 1
segmentation
d'image
réaliser par : Amine Oubouisk & El Hiouat Rida & Salah eddine Regbi

2. 2
Plan
Introduction
• Qu’est-ce que la segmentation d'images ?
• Importance de la segmentation des image
Méthodes courantes de segmentation
• Segmentation par Seuillage
• Segmentation basée sur les contours
• Segmentation par région
• Segmentation par Deep Learning
Types de Segmentation d'Image
• Segmentation Sémantique
• Segmentation d'Instances

3. 3
Introductio
n
1.
1.1 Qu’est-ce que la segmentation d'images ?
La segmentation d'image, c'est un processus utilisé en
traitement d'images pour diviser une image en
plusieurs parties (ou "segments") afin de mieux
comprendre ou analyser son contenu. Chaque
segment regroupe les pixels qui ont des
caractéristiques similaires, comme la couleur,
l'intensité ou la texture.

4. 4
1.2 Importance de la segmentation des
image?
1. Identifier des objets dans une image
La segmentation aide à séparer les objets d'une image, comme un visage, une voiture, ou un arbre. Cela permet
d'étudier chaque objet individuellement.
2. Faciliter l'analyse
Au lieu d'analyser l'image entière, on divise l'image en plusieurs parties importantes. Cela rend les calculs et les
analyses plus rapides et précis.
3. Applications pratiques
• Médecine : Identifier des tumeurs ou des organes dans des images médicales.
• Conduite autonome : Reconnaître les routes, les panneaux, et les piétons.
• Surveillance : Repérer les visages ou les objets suspects dans des vidéos.
4. Mesurer des caractéristiques
Avec la segmentation, on peut mesurer la taille, la forme, ou la position des objets dans une image. C'est utile pour
contrôler la qualité dans l'industrie.
5. Simplifier les tâches d’intelligence artificielle
Les algorithmes de vision par ordinateur utilisent la segmentation pour mieux comprendre et reconnaître les objets
dans une image.

5. 5
Types de Segmentation d'Image
2.
La segmentation d’images se divise en deux types, la segmentation sémantique (semantic segmentation)
et la segmentation par instance (instance segmentation). Dans le cadre de la segmentation sémantique,
on cherche à classifier les pixels de l’image comme appartenants ou non à une certaine catégorie. La
segmentation par instance en revanche, permet d’avoir plus d’informations sur l’image, en divisant les
différentes instances d’un même objet.
la segmentation sémantique la segmentation instance
1.1 la segmentation sémantique vs la segmentation instance

6. 6
1.2 Segmentation par
seuil?
Principe :
Cette méthode sépare les pixels d'une image en fonction de leur intensité (ou couleur). Un seuil est défini, et les pixels sont classés dans
deux groupes : ceux au-dessus et ceux en dessous de ce seuil.
Utilisation :
Images en noir et blanc.
Détection d'objets simples (par exemple, séparer le texte du fond).
Limitation :
Moins efficace pour les images avec un éclairage non uniforme.

7. 7
Algorithmes par
seuillage
Il n'y a pas un, mais plusieurs types de seuillages. l’image est
présente la formulation mathématique appliquée pour le
traitement du pixel courant pour trois algorithmes différents
de seuillage : « classique », « Hat », et « multiple ».
Seuillage classique :
Concept : C'est la méthode la plus simple où un seul seuil est défini. Tous les pixels dont l'intensité est supérieure ou égale à ce seuil sont considérés comme
appartenant à un objet (valeur "1"), tandis que les pixels en dessous de ce seuil sont considérés comme faisant partie du fond (valeur "0").
Utilisation : Utilisé pour séparer les objets du fond dans une image, par exemple, pour détecter des objets lumineux dans une image sombre.
Seuillage Hat :
Concept : Ici, deux seuils sont définis, S1S1S1 et S2S2S2. Les pixels dont l'intensité se trouve entre ces deux seuils sont considérés comme faisant partie d'un
objet (valeur "1"), tandis que les autres pixels sont assignés à "0" (fond). Cela permet de capturer des objets dont l'intensité se situe dans une plage
spécifique.
Utilisation : Cette méthode est utile lorsque l'on veut détecter des objets avec une intensité qui varie dans une certaine gamme, par exemple, pour détecter
des zones d'intensité moyenne dans une image.
Seuillage multiple :
Concept : Plusieurs seuils S1,S2,S3,…S1, S2, S3, dotsS1,S2,S3,… sont utilisés pour diviser l'image en plusieurs régions, et chaque région est étiquetée
différemment. Par exemple, l'intensité des pixels peut être comparée à plusieurs seuils, et chaque intervalle entre les seuils se voit attribuer une valeur
différente (comme "1", "2", "3", etc.).
Utilisation : Cela permet de classer les pixels en plusieurs catégories selon leur intensité. Par exemple, cela peut être utilisé pour détecter des objets avec
des intensités différentes, comme les ombres, les objets clairs et les objets très lumineux dans une image.

8. 8
les états compris entre "0" et "4" sont codés par des
valeurs comprises entre 0 et 255, par exemple : 0, 50,
110, 180, et 255.
L'algorithme correspondant au traitement du pixel
courant est présenté ci-dessous. Pour visualiser
l'image résultat comme une image classique N&B
ou en niveaux de gris, l'état "0" sera codé 0 ou noir,
et l'état "1" sera codé 255 ou blanc.
L’algorithme est consiste à sélectionner un pixel si et
seulement si son intensité est comprise entre deux
valeurs de seuilbas (low) : SL ;
et haut (high) :SH .

9. 9
1.2 Segmentation basée sur les
contours?
La segmentation basée sur les contours est une technique utilisée en traitement d'images pour identifier et extraire les objets présents
dans une image en se basant sur leurs contours ou bords. Elle s’appuie sur le fait que les contours des objets correspondent souvent à
des variations significatives dans l'intensité ou la couleur des pixels.
Avantages :
• Utile pour les images où les objets ont des contours bien définis.
• Convient aux applications nécessitant une détection précise des bords (ex. : analyse médicale, reconnaissance d'objets, inspection
industrielle).
Limitations :
• Sensible au bruit, ce qui peut rendre les contours fragmentés ou imprécis.
• Difficulté à gérer les objets dont les bords ne sont pas bien définis ou qui se chevauchent.
• Nécessité de paramètres adaptés (seuils) pour obtenir de bons résultats.

10. 10

11. 11

12. 12

13. 13
1.2 La segmentation par
région
La segmentation par région est une technique qui permet de diviser une image en différentes parties, ou régions, en fonction de leurs
caractéristiques. Imaginons que tu as une photo avec des couleurs différentes, comme une image avec du ciel bleu, de l'herbe verte et
des nuages blancs. La segmentation par région va aider l'ordinateur à reconnaître ces différentes zones de l'image et à les séparer.
Avantages :
• Amélioration de la compréhension de l'image en séparant les zones significatives pour une meilleure analyse.
• Robustesse face aux variations légères de couleur et de bruit dans l'image.
• Adaptabilité pour différents types d'images et applications, comme la médecine, la robotique, et la reconnaissance d'objets.
Limitations :
• Difficulté à gérer les bords flous ou les transitions douces entre différentes zones.
• Sensibilité aux variations complexes de couleur ou de texture, pouvant mener à une segmentation incorrecte.
• Besoin de paramètres précis qui peuvent être difficiles à ajuster pour chaque image, entraînant une précision variable.

14. 14
la croissance de région (Region Growing) :
• Cet algorithme commence par une graine ou un pixel de départ (souvent sélectionné manuellement ou automatiquement).
• Il ajoute progressivement les pixels voisins à la région si leurs propriétés (comme la couleur ou l'intensité) sont similaires à celles
de la graine.
• Le processus continue jusqu'à ce qu'aucun pixel supplémentaire ne réponde aux critères de similarité.
algorithmes populaires utilisés pour la segmentation par
région :

15. 15
Exemple
:
seed
pixle
if (|(seed pixele )-M(i,j)|)<=delta
if|(seed pixele )-M(i,j)|)>delta
Delta est un paramètre qui définit la différence
maximale autorisée (ou tolérance) entre les valeurs
des pixels pour qu'ils soient considérés comme
similaires.
1
0
par exemple on va prendre delta=3

16. 16
Segmentation par Division et Fusion de Région (Region Splitting and Merging) :
• L'algorithme commence en considérant l'image entière comme une seule région.
• Si une région ne satisfait pas un critère de similarité (par exemple, intensité ou couleur), elle est divisée en quatre sous-régions
égales.
• Les régions voisines qui respectent un critère de similarité sont ensuite fusionnées pour créer des régions homogènes.
• Le processus alterne entre division et fusion jusqu'à ce que toutes les régions soient homogènes.

17. 17
1.2 Segmentation par Deep
Learning
Segmentation par deep learning : Ces dernières années, les réseaux de neurones profonds, tels que les réseaux de neurones convolutifs
(CNN:(Convolutional Neural Network) ) et les réseaux de neurones récurrents (RNN), ont été largement utilisés pour la segmentation
d’images. Les approches courantes incluent la segmentation sémantique avec les réseaux entièrement convolutifs (FCN), la
segmentation par instance avec les réseaux Mask CNN et la segmentation d’objets avec les réseaux U-Net.
Avantages :
• Précision élevée, en particulier pour les tâches complexes grâce à la capacité des modèles à apprendre des caractéristiques
détaillées.
• Capacité de généralisation à de nouvelles images après un bon entraînement sur un ensemble de données varié.
• Applications variées dans des domaines comme la médecine, l'automobile (voitures autonomes), et la vision par ordinateur.
Limitations :
• Besoin de grandes quantités de données annotées, ce qui est coûteux et demande du temps.
• Modèles gourmands en ressources informatiques, nécessitant souvent des GPU ou TPU performants.
• Difficultés d'interprétation, rendant la compréhension et la correction des erreurs complexes.
• Sensibilité aux biais des données d'entraînement, pouvant limiter la performance dans des cas réels.

18. 18
un kernel est une petite matrice utilisée pour
appliquer un filtre à une image.
CN
N

19. 19

20. 20

21. 21
Le Pooling est un processus qui réduit la taille de l'image ou des caractéristiques extraites par les couches de convolution
(convolution layers).
Son objectif principal est de diminuer les calculs tout en conservant les informations importantes.

22. 22

23. 23

24. 24
Conclusion

25. 25
Merci pour votre
attention