ANALYSE D'IMAGES
Présentation
Analyse d'images = Mesure de paramètres quantitatifs
Paramètres qualitatifs : opération de reconnaissance (reconnaissance de formes au sens large)
Une propriété peut être mesurée par les 2 types de paramètres
exemple : couleur <-> longueur d'onde
C'est surtout un problème de précision (de quantification)
Mesure de paramètres
Paramètres de base en Analyse d'Images :
1 - Paramètres topologiques (dénombrement)
2 - Paramètres géométriques (nature métrique)
Mesures dérivées (paramètres dérivés) :
3 - Granulométrie : statistiques sur le nombre d'éléments de chaque taille
(plusieurs objets) -> (1) / (2)
4 - Dispersion : répartition dans l'espace (périodique, aléatoire, groupée...)
(plusieurs objets) -> (1) / (2)
5 - Forme : description d'un objet (concavité, convexité, allongement...) (2) / (2)
description d'objets (anisotropie...) (2) / (2)
3D : fractographie
--> analyse de textures
Analyse globale <-> Analyse locale
Analyse globale : tout l'ensemble est accessible à la mesure (objet isolé)
Analyse locale : on ne voit qu'une partie de l'ensemble
zone accessible à la mesure -> masque de mesure Z : Y = X ^ Z
estimation > mesure de paramètres statistiques
mesures par unité de surface (volume...)
Paramètres stéréologiques :
Mesure dans un espace de dimension N -> mesure dans un espace de dimension supérieure N+1 (dim 2 -> dim 3)
Exemple : mesure topologique espace dim N -> mesure métrique dans un espace de dim N+1
Nombre de points -> Longueur
N0 (X) -> L(X) = N0(X) L0
dim 0 dim 1
Remarque : on ne mesure pas le même paramètre
Une propriété mesurée dans un espace de dim N n'est pas obligatoirement juste dans un espace de dim N+1
Exemple : connexité de boules empilées (dim 2 : non connexe, dim 3 : connexe)
Sans modèle une mesure topologique pour dim N ne peut servir pour une mesure topologique pour dim N+1
Paramètres stéréologiques de base :
Propriétés : invariance translation/rotation, invariance homothétie, additivité, continuité
Dans R3 :
Volume V(X)
Surface S(X)
Intégrale de courbure moyenne M3(X) = H3(S) dS
Nombre de connexité N3(X)
Dans R² :
Surface A(X)
Périmètre L(X)
Nombre de connexité N2(X)
Dans R :
Longueur L1(X)
Nombre de connexité N1(X)
Dans R° :
Nombre de connexité N0(X)
En imagerie numérique, du fait de la grille d'échantillonnage c'est le nombre de connexité N 0 qui est le plus utilisé
Mesure automatique de paramètres géométriques
Dans R² :
Surface :
A(X) = N0(X) dA
R² R° constante
maille carrée : A(X) = N0(X) a²
maille hexagonale : A(X) = N0(X) a² 3/2
Périmètre :
Problème de mesure dans certaines configurations :
Mesure à partir de la Variation diamétrale
Variation diamétrale :
Dans R :
Longueur : L(X) = N0(X) L0
Granulométrie
Objectif -> Distribution de tailles : Nombre d'éléments = F(taille)
Evaluation en terme de nombre : Nombre d'éléments = F(taille)
Evaluation en terme de mesure : Mesure = F(taille)
(Exemple : Mesure = surface)
Granulométrie en mesure : chaque particule a une valeur proportionnelle à sa taille
En pratique la granulométrei en mesure est meilleur si superposition :
Résultat : Fonction de répartition, fonction de densité
Méthode du tamis
Transformation Tamis (ce qui reste dans le tamis):
l est un paramètre de taille (volume, largeur, surface...)
Paramètres issus de T (X)
* médiane : valeur de l pour laquelle T = 0.5
* quartiles : valeur de l pour laquelle T = 0.25, 0.5, 0.75
* modes : l -> maxis de f(l)
* Moments :
* Moments centrés : (dispersion)
Granulométrie par morphologie mathématique
L'ouverture OB vérifie les propriétés précédentes
On construit une fonction G() :
Granulométrie en mesure : on travaille plutôt sur la surface que sur le nombre
Car sinon G(l) n'est pas croissante
Exemple :
Répartition ou dispersion
Images : même histogramme (niveaux de gris), ou la même proportion de matériaux (N&B)
même granulométrie mais des propriétés différentes :
Granulométrie Répartition
En niveaux de gris
Grandeur caractéristique : Fonction d'autocorrélation ou d'autocovariance
Généralisable en 2D (ou plus) : image covariance avec 2 décalages
on peut aussi utiliser la TF <> FAC
Souvent ramené à des problèmes de texture
En binaire
Définition de la covariance :
Soit l'élément structurant Bh : bipoint (espacement h, direction )
La covariance K(X,h) est la mesure de X érodé par Bh
Exemple :
Propriétés :
Effet de la limitation sur la zone d'analyse (analyse locale)
Masque de mesure : normalisation relativement au masque
Mais plus on décale plus la zone est réduite (choix : estimateur biaisé ou non biaisé)
Détection de périodicités…
Corrélation à plusieurs niveaux : "Inter"covariance ou covariance rectangle
C( X1 ; X2, h) = proba ( x Î X1, x+h Î X2)
Cette corrélation permet de caractériser des images comprenant plusieurs matériaux
Fonctions de voisinage
Pourcentage d'éléments Xi situé à une distance l de Xj
Indicateur de Forme : Orientation, Anisotropie
Méthodes
Rose des intercepts
Nombre de bipoints orientés (un dedans - un dehors)
Rose des directions
1
Squelette + nombre de configurations : 1 1 1 ou 1 ou 1 1 ….
1 1
Covariance
mesure par décalage suivant une orientation donnée
Indicateur de forme : concavité, convexité.
X Objet convexe : si (x1, x2) X, une droite reliant x1 à x2 X
Ou intersection de l'ensemble des demi-plans contenant X
Enveloppe convexe : Ec(X)
Plus petit ensemble convexe contenant X
En numérique 2 ou 3 ou 4 orientations aisées (ou taille voisinage plus grande)
. 1 . 1 . . . 1 1 . . . 1 .
Epaississement par 1 0 . 1 0 0 . 0 1 1 0 . 1 0 1
. . . 1 . . 1 1 1 1 . . . .
.3) Forme globale, descripteurs de Fourier
6) Autres paramètres : formes fractales.
Réflexion sur la notion de dimension
Exemple : Tissu : 2D -> 3D -> 1D -> 3D
