Your SlideShare is downloading. ×
Exposé
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×

Saving this for later?

Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime - even offline.

Text the download link to your phone

Standard text messaging rates apply

Exposé

337
views

Published on


0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
337
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
11
Comments
0
Likes
0
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. Segmentation dimages Segmentation Alain Boucher - IFI aboucher@ifi.edu.vn
  • 2.  Filière de formation en Sciences Géomatiques et Ingénierie Topographique Applications de la télédétection Segmentation des images et identification des structures Techniques basées sur le savoir, l’intelligence artificielle et les notions relatives aux images floues Réalisé par : Encadré par : Sara BOUYSFI Pr.ELGHOUAT Loubna IHAYA Ishraq RACHED Hind SABRI Vision par ordinateur - Alain Boucher 2
  • 3. Plan Introduction:  Qu’est-ce qu’une image ?  Quest-ce que la segmentation ?  But de la segmentation  Que devrait être une bonne segmentation? Problématique: Objectifs: Segmentation basée sur les savoirs et les connaissances : 3
  • 4. Plan: Segmentation basée sur l’intelligence artificielle : Segmentation reposant sur les notions relatifs aux images floues: Résultat: Conclusion: 4
  • 5. Introduction:  Qu’est-ce qu’une image ? Projection d’une réalité tridimensionnelle sur un plan Représentation visuelle voire mentale de quelque chose (objet, être vivant et/ou concept). Elle peut être naturelle (ombre, reflet) ou artificielle ( peinture, photographie) 5
  • 6. Introduction: Quest-ce que la segmentation ? une opération de traitement dimages qui a pour but de rassembler des pixels entre eux suivant des critères pré-définis. Les pixels sont ainsi regroupés en régions, qui constituent un pavage ou une partition de limage. 6
  • 7. Introduction: Une région est un ensemble connexe de pixels ayant des propriétés communes (Intensité, texture, …) qui les différencie des pixels des régions voisines Lorsque le nombre de région est limité à deux, la segmentation prend le nom de binarisation et se résume alors à séparer un objet du fond 7
  • 8. Introduction : 8
  • 9. Introduction: Il n’y a pas de méthode unique de segmentation Le choix d’un méthode depend:  Nature de l’image  Opérations situées en aval de la segmentation ,  Primitives à extraire  Contraintes d’exploitation 9
  • 10. Introduction:  But de la segmentation : Comme un moyen efficace de réduction des données permettant leur analyse par un processus de niveau supérieur. Par exemple, la segmentation est une étape dans le processus dinterprétation de scènes ou dans celui de la vision stéréoscopique. 10
  • 11. Introduction:  Que devrait être une bonne segmentation? Il nexiste pas, en fait, de réponse absolue à cette question La qualité du résultat dune segmentation est généralement jugée par lhomme en fonction de critères sémantiques difficilement implantables cette qualité est souvent fonction du traitement ultérieur choisi 11
  • 12. Problématique: 12
  • 13. Objectifs: Traiter les différents méthodes de segmentation des images afin d’identifier les structures dans une image selon le but recherché. Faire une comparaison entre ces différentes méthodes 13
  • 14. Segmentation basée sur les connaissances:  Cette approche consiste en l’utilisation des connaissances disponibles dans les systèmes à base de connaissance dés l’étape de segmentation. Ces systèmes à base de connaissances ont prouvé leur efficacité pour l’identification d’objets, ainsi qu’en interprétation d’images. 14
  • 15. Segmentation basée sur les connaissances: L’architecture de représentation des connaissances. Possibilités au travers d’exemple d’application sur quelques classes d’images et en particulier sur des images biomédicales. 15
  • 16. Segmentation basée sur les connaissances:  L’architecture de système : L’architecture de système est basée sur un tableau noir. Un système à tableau noir essaye d’éliminer lesfaiblesses rencontrées dans le système expert classique dela manière suivante :  Les connaissances sont divisées en modules (sources de connaissances), chaque source contenant sa propre base de connaissance. 16
  • 17. Segmentation basée sur les connaissances: La communication entre les sources est limitée à la lecture et l’écriture dans la mémoire du travail (tableau noir) chaque source doit lire/écrire dans un format acceptable pour les autres modules . Le tableau noir est subdivisé de manière à faire cohabiter des données ayant des représentations différentes, il contient toutes les informations concernant le problème à résoudre et les éléments solution développées par les sources exécutés. 17
  • 18. Segmentation basée sur les connaissances: Le principe de résolution consiste à exécuter les sources de connaissances qui peuvent faire évoluer les éléments de solution présente dans la base de données vers d’autres éléments plus proche de la solution finale. La solution est peu à peu construite par application de différentes sources sur les informations du tableau noir. Une source ne sait résoudre qu’une partie du problème, il faut donc une complémentarité des sources pour résoudre un problème 18
  • 19. Segmentation basée sur les connaissances: Dans la base du donnée du tableau noir le domaine est décomposé en 7 niveaux d’abstraction :  image  zone d’image  Région  Ligne  groupement de région  groupement de lignes  point d’intersection de lignes 19
  • 20. Segmentation basée sur les connaissances:  Les sources de connaissances : Pour segmenter une classe d’images, on définit des sources de connaissances implémentant une stratégie particulière de segmentation. Les connaissances générales sur la segmentation sont codé sous forme de sources de connaissance appelé spécialiste. 20
  • 21. Segmentation basée sur les connaissances: Un langage d’expression des sources de connaissances a été spécifié afin d’exprimer les conditions d’application des SC, il comporte la définition des valuation et de comparateur floue. les valuations « très grand » « grand » « moyen » « petit » « très petit »,sont utilisées sur les valeurs numériques des attributs des objets ou sur les résultats des méthodes 21
  • 22.  Par exemple l’introduction du critères tel que « la surface de la région est grande »ou « la moyenne des niveaux de gris de la région est petite » dans la formulation de l’expertise de segmentation rend celle-ci potentiellement indépendante de la nature de l’image traité Vision par ordinateur - Alain Boucher 22
  • 23. Segmentation basée sur les connaissances: Un module de segmentation se décompose en 3 étapes fondamentales :  La présentation qui consiste à obtenir des segmentation initiales contours, régions ou contour/région.  La caractérisation et la description de l’image segmentée.  La recherche de la meilleure solution par le regroupement ou la division de certains éléments de l’image segmentée suivant plusieurs critères. 23
  • 24. Segmentation basée sur les savoirs et les connaissances:  Expérimentation : L’extraction de connaissances spécifiques au domaine pouvant guider la segmentation a été effectué grâce a diverses études sur des images biomédicales. L’image présentée ci-dessous provient de coupes histologiques colorées de la tumeur du sein. L’objectif fixé est tout d’abord de distinguer le tissu tumoral du stroma de soutien et des cellules inflammatoires, puis d’effectuer des mesures sur les cellules internes aux lobules. 24
  • 25. Segmentation basée sur les savoirs et les connaissances: 25
  • 26. Segmentation basée sur l’intelligence artificielle   Qu’est-ce que l’intelligence artificielle: Recherche de moyens susceptibles de doter les systèmes informatiques de capacités intellectuelles comparables à celles des êtres humains. Ne cherche pas à comprendre ou à reproduire la vision humaine, mais à construire un modèle algorithmique qui, vu de l’extérieur, possède des propriétés semblables. 26
  • 27. Segmentation basée sur l’intelligence artificielle  Avantages de l’intelligence artificielle : la possibilité dutiliser une forme de communication entre différents organismes, cette communication permet a partir déchanges dinformations locales dobtenir des informations globales qui a leur tour permettront aux organismes dêtre plus efficaces dans leur tache. 27
  • 28. Segmentation basée sur l’intelligence artificielle Un second avantage de l’intelligence artificielle pour la segmentation dimage est lautonomie dont font preuve les organismes 28
  • 29. Segmentation basée sur l’intelligence artificielle  Méthodes de segmentation utilisant l’intelligence artificielle : La méthode des Organismes déformables basés sur les modèles déformables de Ter-populos, elle combine la géométrie, la physique et la théorie de l’approximation. La méthode dite multi-agent 29
  • 30. La méthode de ségmentation par multi-agent:  Introduction : La segmentation par multi-agents s’appuie sur des entités autonomes déployées sur l’image tel que chaque entité est équipée d’une habilité à estimer lhomogénéité d’une région dans une localité prédéfinie en exhibant plusieurs comportements réactifs. 30
  • 31. La méthode de ségmentation par multi-agent Ces entités peuvent migrer, se reproduire, ou bien se diffuser au sein de l’image. Différentes catégories d’entités explorent l’image et marquent les pixels lorsqu’ils appartiennent au segment correspondant. L’interaction entre plusieurs comportements permet l’émergence d’une nouvelle fonctionnalité, à savoir la segmentation de l’image. 31
  • 32. La méthode de ségmentation par multi-agent  Principe de la segmentation par multi-agents: un nombre fixe d’entités autonomes est déployé aléatoirement sur l’image Chaque entité est équipée d’une habilité à estimer lhomogénéité d’une région Agents Agents region contours 32
  • 33. La méthode de ségmentation par multi-agent : Chaque classe d’agents sera responsable d’étiqueter respectivement un seul type de segment : régions homogènes ou contours Lorsqu’un segment non homogène est rencontré, l’entité autonome se diffuse vers un autre pixel en prenant une certaine direction sélectionnée auparavant 33
  • 34. La méthode de ségmentation par multi-agent : Dans le cas ou l’entité localise un segment homogène, cette dernière par un comportement d’auto-reproduction délivre un certain nombre de progéniture dans la région locale où elle réside, et étiquette le pixel sur lequel elle se trouve. La nouvelle progéniture aura la tâche d’étiqueter le même type de segment que l’entité génitrice 34
  • 35. La méthode de ségmentation par multi-agent : Les comportements de reproduction et d’étiquetage dun agent set déclenchés par son stimulus local qui satisfera alors certains critères d’homogénéité. À sa naissance la progéniture exhibe un comportement de migration 35
  • 36. La méthode de ségmentation par multi-agent :  Remarque: Chaque entité a une durée de vie prédéfinie. Lorsqu’un agent prend de l’âge, il gagne en maturité. Cette maturité est désignée par l’état courant de l’agent (jeune, adulte, parent, vieux). Cette maturité l’aidera plus tard, à sélectionner les meilleures directions lors d’un comportement de diffusion. 36
  • 37. La méthode de ségmentation par multi-agent :  Stimulus local : La région voisine dun agent se trouvant à l’emplacement (i, j) est une région circulaire centrée à l’emplacement (i, j) avec un rayon R(i,j)_region, Les pixels qui se trouvent à lintérieur de cette région sont appelés les pixels voisins de lagent. 37
  • 38. La méthode de ségmentation par multi-agent : un agent perçoit son environnement en évaluant les caractéristiques d’intensité en niveau de gris de tous les pixels se trouvant dans sa région voisine. Les comportements relatifs à l’agent ne répondront uniquement qu’à son stimulus local. 38
  • 39. La méthode de ségmentation par multi-agent :  Les comportements des agents : les comportements des agents sont issus de leur stimulus local. c’est-à-dire les agents de segmentation sadaptent à leur environnement local, à l’aide de plusieurs réactions comportementales :  Reproduction  Migration  Diffusion 39
  • 40. La méthode de ségmentation par multi-agent :  Reproduction : L’agent de segmentation exhibe un comportement d’auto-reproduction lorsque son stimulus local satisfait les critères d’homogénéité. L’agent reproduit alors un nombre fini de progéniture et les délivre par la suite selon une certaine direction La nouvelle progéniture aura les mêmes propriétés que l’agent géniteur. 40
  • 41. La méthode de ségmentation par multi-agent : Elle sera distribuée tout près des pixels répondant aux critères d’homogénéité, permettant d’augmenter les chances de détection des segments homogènes. Après avoir terminé sa reproduction, l’agent géniteur étiquettera le pixel sur lequel il réside. Par la suite, il deviendra inactif et sa vie prendra fin lorsqu’elle aura dépassé la limite autorisée. 41
  • 42. La méthode de ségmentation par multi-agent : 42
  • 43. La méthode de ségmentation par multi-agent : 43
  • 44. La méthode de ségmentation par multi-agent :  Migration : Ce comportement de migration accompagne la reproduction. Il ne concerne que la nouvelle progéniture Cette dernière ne migre que lorsque il y’a une concentration élevée d’agents appartenant à la même classe dans la région locale où elle réside ou lorsque le pixel sur lequel elle se trouve a été déjà étiqueté 44
  • 45. La méthode de ségmentation par multi-agent: La direction dans laquelle cette progéniture va migrer, correspond à la direction de reproduction du parent géniteur. Après qu’un jeune agent ait effectué une migration, il entrera dans une vie active. Il commencera à chercher à son tour des segments homogènes. 45
  • 46. La méthode de ségmentation par multi-agent: 46
  • 47. La méthode de ségmentation par multi-agent:  Diffusion : À l’inverse de la reproduction, la diffusion est déclenchée lorsque le stimulus local de l’agent ne vérifie pas les critères d’homogénéité. La diffusion consiste à se déplacer vers un nouvel emplacement se trouvant dans une région avoisinante à celle de l’emplacement courant, en prenant une direction spécifique qui sera sélectionnée à partir du vecteur de diffusion de l’agent. 47
  • 48. La méthode de ségmentation par multi-agent: 48
  • 49. Application de la segmentation Multi-Agents: Il s’agit d’une application de la segmentation par l’approche Multi-Agents, réalisée par l’ Équipe vision et infographie, Laboratoire LIRE, Université Mentouri, Constantine, Algérie 49
  • 50. Application de la segmentation Multi-Agents:Données: Image IRM cérébrale. De taille 512 * 512 L’image IRM objet de la segmentation 50
  • 51. Application de la segmentation Multi-Agents:Matériel : Plate forme : NetLogo Environnement de programmation pour la modélisation de phénomène collectifs. Elle constitue un puissant outil pour le développement d’un système tel le système Multi- agents : Elle permet à des milliers d’agents de fonctionner tous indépendamment en parallèle 51
  • 52. Application de la segmentation Multi-Agents:Approcheutilisée Segmentation par 4 classes d’agents Chaque classe sera responsable d’étiqueter un seul type de segment 52
  • 53. Application de la segmentation Multi-Agents: Caractéristiques des 4 classes Classe Classe 1 Classe 2 Classe 3 Classe 4 Type de segment Contour Région δ 0.80 0.99 0.99 0.99Nombre de Progéniture 2 3 3 3 Durée de vie 3 3 3 3 53
  • 54. Application de la segmentation Multi-Agents: Initialement, 50 agents de chacune desRésultats quatre classes, ont été aléatoirementobtenus distribués sur limage donnée . 54
  • 55. Application de la segmentation Multi-Agents: 55
  • 56. Application de la segmentation Multi-Agents: 56
  • 57. Segmentation reposant sur les notions relatifs aux images floues Le concept de logique floue dit aussi image floue permet de manipuler des classes dobjets dont les frontières ne sont pas clairement déterminées, par lintroduction dune fonction caractéristique prenant des valeurs courantes entre 0 et 1. 57
  • 58. Segmentation reposant sur les notions relatifs aux images floues Les principaux moyens d’obtenir une segmentation basé sur la logique floue sont:  le seuillage flou.  la classification floue  la croissance de région ou les règles floues 58
  • 59. Segmentation reposant sur les notions relatifs aux images floues  le seuillage flou: But : définir des fonctions dappartenance aux régions. Il est basé sur un ensemble de seuils. Cette méthode permet d’effectuer une binarisation d’une image grâce à une construction hiérarchique descendante. 59
  • 60. Segmentation reposant sur les notions relatifs aux images floues Procédure: Le seuillage effectué avec un seuil unique revient à une opération de binarisation . Soit, I(x,y), la valeur radiométrique du pixel de coordonnées (x,y) dans l’image, si I(x,y) > T , T étant le seuil fixé, le pixel prend la valeur 1, sinon il prend la valeur 0. Les pixels ont été classés en deux catégories, on a créé une image binaire en noir et blanc 60
  • 61. Segmentation reposant sur les notions relatifs aux images floues  la classification floue: Le principe de base est de former à partir des individus non étiquetés c groupes qui soient les plus homogènes et naturels possible. Homogène et Naturel signifient que les groupes obtenus doivent contenir des individus les plus semblables possible , tandis que les individus de groupes différents doivent être les plus dissemblables possible 61
  • 62. Segmentation reposant sur les notions relatifs aux images floues:  la croissance de région ou les règles floues: le problème est de déterminer les germes des régions, la fonction définissant lhomogénéité des régions et les fonctions dappartenance. Les pixels sont d’abord triés par ordre croissant de leur norme du gradient. 62
  • 63. Segmentation reposant sur les notions relatifs aux images floues:  Application de la logique floue: L’application auquel on va s’interesser est l’extraction des zones d’eau à partir des images satellitaires 63
  • 64. Segmentation reposant sur les notions relatifs aux images floues:  Données et matériel utilisé : Données:  Image Spot.  Image Radar. Logiciels:  ENVI ( Détections des éléments linéiques )  Aphélion ( traitement d’image) 64
  • 65. Segmentation reposant sur les notions relatifs aux images floues:  Nature des images : Les images multi-spectrales sont des images qui proviennent de plusieurs bandes (trois dans le cas de l’image couleur et sept dans le cas des images satellitaires). 65
  • 66. Segmentation reposant sur lesnotions relatifs aux images floues:Approche utilisée 66
  • 67. Segmentation reposant sur les notions relatifs aux images floues:  Sous ensemble flou: un sous-ensemble flou A de l’ensemble X est défini par sa fonction d’appartenance donnant pour chaque élément x de X le degré d’appartenance de x à A ((x) A m), compris entre 0 et 1. le sous-ensemble flou Sombre dont la fonction d’appartenance peut être choisie comme celle présentée ci-dessous, en considérant des images en 256 niveaux de gris : 67
  • 68. Segmentation reposant sur lesnotions relatifs aux images floues: 68
  • 69. Segmentation reposant sur les notions relatifs aux images floues:  Algorithme de croissance de régions : Consiste à partir d’un pixel de départ, appelé germe, de déterminer itérativement la région en gardant les pixels connexes à la région de l’itération précédente (initialement le germe) qui satisfont un critère donné. Ce critère est généralement fondé sur l’homogénéité des valeurs de radiométrie. 69
  • 70. Segmentation reposant sur lesnotions relatifs aux images floues: 70
  • 71. Segmentation reposant sur lesnotions relatifs aux images floues: Extraction des zones d’eau: 71
  • 72. Segmentation reposant sur lesnotions relatifs aux images floues: Extraction des zones d’eau: 72
  • 73. Segmentation reposant sur les notions relatifs aux images floues:  Phase d’identification: Morphologie mathématique. mesures granulométriques. Une mer sera caractérisée par une très grande superficie, un fleuve par une forme allongée et relativement vaste, et un lac aura une superficie relativement faible. 73
  • 74. Conclusion D’après ce qu’on a vu Il n’y a pas de méthode uniquede segmentation. Le choix d’une technique est lié à lanature de l’image, aux opérations situées en aval de lasegmentation, aux primitives à extraire, aux contraintesd’exploitation. Du fait de cette diversité, il est difficile dedéfinir une méthode universelle de segmentation quiconvienne à toutes les situations. Vision par ordinateur - Alain Boucher 74
  • 75. Merci pour votre attention Vision par ordinateur - Alain Boucher 75