Téléchargé 88 fois
ségmentation d'image
- 1. Faculté des Sciencesde 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. Lestypes de segmentation III. Algorithme de segmentation IV.Domaines d’utilisation Plan
- 3. HISTORIQUE 1920 Début des étudesdans 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 desobjets 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’imagepermet 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
- 6.
- 7. Pour l'humain, l’extractiondes 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 questionqui 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 lasegmentation 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 desegmentation 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
- 11.
- 12.
- 13. Les types desegmentation 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
- 14.
- 15. Algorithmes de découpagede régions 13
- 16. Les types desegmentation 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.
- 18. Avantages Inconvénients La segmentation baséesur 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 dela 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
- 20.
- 21. Définition de seuillage Le seuillagea 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 calculde 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.
- 24. Algorithme Otsu Le butde 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 alorsque 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 : Oméga1 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 : Sigmareprésente 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
- 29.
- 30.
- 31. Domaines d'utilisations Plusieurs algorithmes ettechniques 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 modalitésdifférentes (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 vaisseauxrétiniens 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 segmentationdes 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 reconnaissanceet 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.
- 37. Sécurité /Industriel -Systèmes decontrôle 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 lectureautomatisée 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
- 40.
- 41. Merci pour votreattention