IMAGES ET RECONNAISSANCE DE
FORMES & IMAGES
SEGMENTATION
Asma Ben Abdallah
M. C. en Informatique
AU 2021
II. DÉTECTION DES POINTS DE CONTOURS
Le contour se matérialise par une rupture d’intensité dans l’image selon
une direction donnée. Pour détecter les contours, la méthodologie
consiste en deux étapes principalement:
2
II. DÉTECTION DES POINTS DE CONTOURS
Etape 1 :
* Localiser et quantifier les contours par un calcul de gradient
ou de Laplacien par exemple, dans des directions privilégiées. Il
repose sur l’étude des dérivées de la fonction d’intensité dans
l’image:
Les extrema locaux du gradient de la fonction d’intensité
Les passages par zéro du Laplacien.
* La difficulté réside dans la présence du bruit dans l’image.
3
II. DÉTECTION DE CONTOURS
II.1 LAPLACIEN
On calcule le laplacien en chaque point à l’aide d’un masque de convolution
puis théoriquement on sélectionne les points où le laplacien est nul comme
étant des points contour.
Cependant dans la mesure où il peut y avoir du bruit on peut préférer détecter
les changements de signe du laplacien
La laplacien : 4
Sensible au bruit
Problème de seuillage
II. DÉTECTION DES POINTS DE CONTOURS
II.2 SEUILLAGE DU GRADIENT
(MÉTHODE 1)
5
(MÉTHODE 1 : SEUILLAGE DE L’AMPLITUDE DU
GRADIENT )
Une approche pour extraire les contours est de faire le
seuillage pour l’amplitude du grdient.
1. Calculer la norme du gradient en chaque point de
l’image,
2. Calculer le contour en utilisant un seui s pour décider
si un pixel fait partie ou non d’un contour.
Tous les pixels possédant une norme supérieure à un seuil
S sont déclarés appartenir à un contour.
Tout le problème réside alors dans le choix du seuil :
- Un seuillage trop bas nous amène à une sur- détection
: on détecte beaucoup de bruit et des contours épais
apparaissent
- Un seuillage trop haut amène à une sous-détection : 6
contours non fermés
EXEMPLE DE DETECTION DE CONTOURS PAR
SEUILLAGE DU GRADIENT
7
EXEMPLE DE DETECTION DE CONTOURS PAR
SEUILLAGE DU GRADIENT
Le principal inconvénient du seuil avec un simple gradient c’est la
sensibilité au bruit
Cette méthode ne fonctionne bien que pour les images sans bruit et avec
de fortes discontinuités.
8
EXEMPLE DE DETECTION DE CONTOURS PAR
SEUILLAGE DU GRADIENT
Pour réduire l’effet du bruit: pré-filtrage
1. Filtrer l’image d’entrée avec un filtre Gaussien.
2. Calculer la norme du gradient
3. Calculer 𝒄(𝒙, 𝒚) en utilisant un seuil 𝒔:
9
II.2 SEUILLAGE DU GRADIENT
(MÉTHODE 2 : SEUILLAGE DE L’AMPLITUDE DU GRADIENT )
10
II.2 SEUILLAGE DU GRADIENT
(MÉTHODE 2 : SEUILLAGE DE L’AMPLITUDE DU GRADIENT )
11
II.2 SEUILLAGE DU GRADIENT
(MÉTHODE 2 : SEUILLAGE DE L’AMPLITUDE DU GRADIENT )
12
II. DÉTECTION DES POINTS DE CONTOURS
II.2 SEUILLAGE DU GRADIENT
(MÉTHODE 3 : ALGORITHME DE CANNY)
C’est un des algorithmes de détection de contours parmi les plus utilisés.
Cet algorithme possède cinq étapes:
1. Lissage: éliminer le bruit de l’image à l’aide d’un filtre Gaussian.
2. Calcul des gradients: Détecter les contours en utilisant la méthode des
gradients.
3. Suppression des non-maximums: pour détecter les contours filiformes.
4. Double seuillage: pour détecter les contour forts.
5. Seuillage par hystérésis: Éliminer les pixels de contrours isolés et les
segments trop petits.
13
II.2 SEUILLAGE DU GRADIENT
(MÉTHODE 3 : ALGORITHME DE CANNY)
14
II.2 SEUILLAGE DU GRADIENT
(MÉTHODE 3 : ALGORITHME DE CANNY)
Après lissage (Etape 1) de l’image et calcul du gradient (Etape 3), nous
opérons à l’extraction des non-maximum (Etape 3).
Extraction des maxima locaux de la norme du gradient dans la direction
du gradient
Extraction des maxima locaux de la norme du gradient dans la direction
du gradient
En pratique
On garde le pixel s’il est
supérieur à ces deux pixels
voisins dans la direction
considérée
Seuillage par hystéresis
17
SEUILLAGE DU GRADIENT PAR HYSTÉRÉSIS (MÉTHODE 2)
18
19
20
Partie 3
Segmentation
21
PLAN
Qu’est ce que la segmentation
Approches de la segmentation
Méthodes de segmentation
Seuillage
Croissance de régions (Region growing)
Décomposition et fusion (Split & Merge )
22
I. QU’EST CE QUE LA SEGMENTATION
•La segmentation d'images est l'un des problèmes
phares du traitement d'images. Elle consiste à
partitionner l'image en un ensemble de régions
connexes Ri.
•L'intérêt de ces régions est de pouvoir être
manipulées ensuite via des traitements de haut niveau
pour extraire des caractéristiques de forme, de
position, de taille, etc.
23
SEGMENTATION: EXEMPLE D’APPLICATION
24
I. QU’EST CE QUE LA SEGMENTATION
La segmentation d’un point de vue formel, est un traitement de bas niveau
qui consiste à créer une partition d’une image A en sous ensemble de
régions Ri.
La région étant un ensemble connexe ayant des caractéristiques
communes (intensité, texture, …)
La segmentation est liée à la reconnaissance (quels objets voit-on dans
l’image?
25
I. QU’EST CE QUE LA SEGMENTATION
NOTION DE CONNEXITÉ
• La connexité est une propriété de liaison entre deux pixels
considérés de la même région dans une image.
•La 4-connexité : deux pixels sont 4-connexes s'ils se suivent sur
la même ligne ou la même colonne.
•Exemple : Dans le tableau ci-dessus, les paires de pixels
connexes sont : (A,B), (A,C), (A,D) et (A,E).
•A et F ne sont pas 4-connexes.
•La 8-connexité : deux pixels sont 8-connexes s'ils se suivent
verticalement, horizontalement ou en diagonale.
•Dans l'exemple ci-dessous, A et F sont 8-connexes.
26
I. QU’EST CE QUE LA SEGMENTATION
NOTION DE CONNEXITÉ :
• On appelle une composante k-connexe de l'image,
un ensemble de pixels tels que, si l'on prend 2 pixels
quelconques dans cet ensemble, il est possible de
trouver un chemin k-connexe qui les relie
(e,g k=4, 8).
•Exemple (A,B,C,D,E,F) est une composante connexe
27
I. QU’EST CE QUE LA SEGMENTATION
COMPOSANTE CONNEXE : EXEMPLE-1
28
I. QU’EST CE QUE LA SEGMENTATION
COMPOSANTE CONNEXE : EXEMPLE-2
les composantes 4-connexes
sont les ensembles
numérotés de 1 à 5,
les composantes 8-connexes
sont :
d'une part la réunion des
ensembles 1 à 3,
d'autre part la réunion
des ensembles 4 et 5.
29
étant donné une famille d'ensembles k-connexes ayant un pixel p en
commun, la réunion de ces ensembles est k-connexe.
I. QU’EST CE QUE LA SEGMENTATION
NOTION DE CONNEXITÉ, DISTANCE
30
II. SEGMENTATION RÉGION/CONTOURS
La segmentation fait
référence aux notions de
différence et de similarité
comme les perçoit le système
visuel humain et ceci donne
naissance à deux approches
principalement :
approche contour
et approche région.
Ces deux approches sont
duales du fait que chaque
région possède un contour et
qu’un contour délimite
nécessairement une région. 31
II. SEGMENTATION RÉGION/CONTOURS
La segmentation est basée sur:
Les discontinuités : contours
Rechercher les discontinuités entre régions (les changements
abruptes, frontières entre régions…)
Les zones homogènes : régions
Rechercher un critère d’homogénéité entre régions (Mêmes
couleurs, textures, intensités, …)
La segmentation est le découpage d'une image en différentes
régions et/ou contours. Un contour fermé est équivalent à une
région
Dualité Régions/Contours
32
II. SEGMENTATION RÉGION/CONTOURS
33
III. MÉTHODES DE SEGMENTATION
Plusieurs méthodes :
Seuillage : segmentation par histogramme
Croissance de région
Décomposition et fusion (Split & merge)
34
III.1 SEGMENTATION PAR SEUILLAGE
Le seuillage est une méthode simple et très populaire pour le
traitement des images numériques
Ce n’est pas une méthode de segmentation en régions
Approche pixel (ni région ni contour)
Mais on l’utilise souvent en segmentation (avec post-traitements)
Le seuillage peut être :
Global : un seuil pour toute l'image
Local : un seuil pour une portion de l'image
35
III.1 SEGMENTATION PAR SEUILLAGE
Principe : trouver les déférents modes de l’histogramme,
représentatifs d’autant de classes d’objets dans l’image.
On peut rechercher par exemple le(s) seuil(s) à partir d’une
analyse de l’histogramme.
Exemple : Seuillage d’histogramme simple
Le résultat du seuillage est une image binaire 0 ou 1
(qu’on transforme parfois en 0:255 pour l’affichage)
Problème : choix du seuil !
36
SEGMENTATION PAR SEUILLAGE
COMMENT DÉFINIR LE SEUIL?
37
SEGMENTATION PAR SEUILLAGE
EXEMPLE-1
38
SEGMENTATION PAR SEUILLAGE
EXEMPLE-2
39
SEGMENTATION PAR SEUILLAGE
SEUILLAGE GLOBAL AUTOMATIQUE
40
SEUILLAGE GLOBAL AUTOMATIQUE :
EXEMPLES
41
III.1 SEGMENTATION PAR SEUILLAGE
SEGMENTATION PAR SEUILLAGE MULTI-SEUILS
Seuillage d’histogramme multiple
42
SEGMENTATION EN PIXELS
+ Universel, temps réel, simplicité
+ Fonctionne bien sur des histogrammes multi-
modaux
- Il faut connaître le nombre de classes
- Apparition de faux éléments (aucune prise en
compte de la composante spatiale)
- Le seuillage est une opération sur les pixels : ne
produit pas forcément des régions connexes,
- Il existe des méthodes de segmentation en régions
43
III.2 SEGMENTATION EN RÉGIONS
Objectif : Trouver la partition de l’image tenant compte du double
critère :
• Prédicat d’homogeneîté de la région
• Et du voisinage
44
III.2 SEGMENTATION EN RÉGIONS
MÉTHODE CROISSANCE DES RÉGIONS
Dans cette technique, on construit de façon
itérative une région partir d’un ensemble initial
(qui peut être réduit à un pixel), qu’on fait grossir
en ajoutant des pixels en fonction de certaines
conditions.
Ces conditions peuvent être relatives au niveau
de gris (ou à la couleur) du nouveau pixel
candidat, comparé au niveau de gris (ou couleur)
moyen de la région
45
III.2 SEGMENTATION EN RÉGIONS
MÉTHODE CROISSANCE DES RÉGIONS
46
47
48
49
ALGORITHME ITÉRATIF :
EXEMPLE
CRITÈRE UTILISÉ : VALEUR MOYENNE
Evaluer le résultat d'une segmentation n'est pas facile :
Il dépend de l’application
Il dépend de ce qu’on veut
Il est subjectif et varie d'une personne à l'autre 51
III.4 SEGMENTATION EN RÉGIONS
DIVISION ET FUSION (SPLIT & MERGE)
52
ETAPE DE DIVISION
53
ETAPE DE DIVISION
54
ETAPE DE DIVISION
55
ETAPE DE DIVISION
56
ETAPE DE FUSION
1 - Sur-segmentation de l’image selon un prédicat très strict
2- regroupement des régions adjacentes selon un prédicat plus lâche
57
ILLUSTRATION 2 DIVISION ENSUITE FUSION
58
59
SPLIT & MERGE : CONCLUSION
Split : la géométrie du découpage a une grande
influence sur le résultat de la segmentation. Par
exemple, le split en quadtree fait apparaître des
régions carrées.
Merge : l'ordre dans lequel est réalisé le
regroupement des régions a aussi une influence
sur le résultat. Comme illustré dans les figures
précédentes, les algorithmes commencent en
général à fusionner les régions les plus petites.
REMARQUES
La segmentation d'une image cause encore aujourd'hui
beaucoup de problèmes :
Aucune méthode ne fonctionne pour toutes les images
Pas de garantie, pas de recette miracle !
Comment choisir convenablement les seeds de chaque région ?
En général, l'ordre dans lequel les régions sont construites, mais aussi
l'ordre dans lequel sont ajoutés les pixels dans une région a une
grande influence sur le résultat.
61
EXERCICES
RÉFÉRENCES
1. Introduction au traitement d'images. Diane Lingrand. Édition Vuibert, 2008.
2. Le traitement des images. Henri Maître. Hermes Science Publications 2002.
3. Analyse d'images : filtrage et segmentation. J.P. Cocquerez et S. Philipp.
Masson 1995.
4. Le traitement des images. I. Bloch, Y. Gousseau, H. Maître, D. Matignon, B.
Pesquet-Popescu, F. Schmitt, M. Sigelle, F. Tupin, tome 2. Version 5.0,
2005. (sur internet ttps://[Link]/bloch/ANIM/poly-anim-
[Link]).
5. [Link]
6. [Link]
7. [Link]
63
