22/05/2024

UNIVERSITE IBN TOFAIL FSK-2IA

Plan du cours:

1. Principe et l’importance de la segmentation

2. Techniques de segmentation
3. Seuillage d’images
3.1. Seuillage globale
3.2. Seuillage local
3.3. Seuillage par détection de vallées
3.4. Seuillage par minimisation de variance

4. Morphologie mathématique
5. Extraction de paramètres et classification d’objets

Pr S.MOQQADDEM AU: 2023/2024

Chapitre IV : Segmentation et classification

3. Seuillage d’images
 Le seuillage (Thresholding en Anglais) permet d’extraire des objets de
leurs fonds en fonction d’un seuil. Le problème majeur dans le
seuillage réside dans la détermination du seuil.
 Plusieurs méthodes ont été proposées pour le calcul d’un seuil puis
étendues au problème du multi-seuillage.
 Parmi les méthodes de seuillage on cite :
 Seuillage globale
 Seuillage local
 Seuillage par détection de vallées
 Seuillage par minimisation de variance(La méthode de Otsu ).

Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

1
 22/05/2024

Chapitre IV : Segmentation et classification

3. Seuillage d’images
3.1. Seuillage globale
 Pour les méthodes de seuillage globale on définit un même seuil pour tous
les pixels de l’image sur l’exploitation de l’histogramme de toute l’image.
 A partir de l’allure de l’histogramme, on peut déduire le nombre de
classes ainsi que la position relative des seuils.
 Histogramme uni-modal →formé d’un seul pic →Objet ou fond

 Histogramme bimodal →caractérisé par deux modes séparés par une

vallée →Objet sur un fond

 Histogramme multi-modal → comporte plus de deux modes séparés

par des vallée →plusieurs classes

Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

Chapitre IV : Segmentation et classification

3. Seuillage d’images
3.1. Seuillage globale
 Les seuils doivent été localisés dans les vallées

Histogramme unimodal Histogramme bimodal Histogramme multimodal

- Déférents types d’histogramme -

Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

2
 22/05/2024

Chapitre IV : Segmentation et classification

3. Seuillage d’images
3.1. Seuillage globale
 Exemples

 Exemple de seuillage en 2 classes par histogramme

Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

Chapitre IV : Segmentation et classification

3. Seuillage d’images
3.1. Seuillage globale
 Exemples

 Exemple de seuillage en 4 classes par histogramme

Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

3
 22/05/2024

Chapitre IV : Segmentation et classification

3. Seuillage d’images
3.1. Seuillage globale
 Dans certains cas, le choix du seuil est facile,
 Dans d’autres cas, le choix du seuil est moins évident,
 Solution: Seuillage automatique
Algorithme :
1. Calcul de l’histogramme de l’image.
2. Sélectionner un seuil initial T0.
3. Calculer des intensités moyennes
m1 et m2 des groupes G1 et G2.
4. Calcul du nouveau seuil T = (m1 + m2)/2.
5. Continuer jusqu’à ce que les variations
de T soient inférieures à ɛ (défini par l’utilisateur)

Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

Chapitre IV : Segmentation et classification

3. Seuillage d’images
3.2. Seuillage local
 Dans le seuillage locale, la valeur des pixels voisins est considérée pour
le calcul des seuils.
 La méthode consiste à diviser l’image en blocs non chevauchants, puis
pour chaque bloc un seuil est déterminé selon l’histogramme local i.e.
du bloc en question.
 Une autre approche consiste à déterminer un seuil pour chaque bloc en
fonction des pixels voisins. Pour chaque pixel centré I(x, y), le seuil t(x, y)
est évalué en fonction de la moyenne et l’écart-type des niveaux de gris
des pixels de la fenêtre: :
 avec
avec un paramètre réel fixe.

Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

4
 22/05/2024

Chapitre IV : Segmentation et classification

3. Seuillage d’images
3.2. Seuillage local:  Cas problématiques : défaut d’éclairage

 Illustration du seuillage local: (a) image originale , (b) image

segmentée avec un seuil global , (c) image segmentée avec un seuil
local.
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

Chapitre IV : Segmentation et classification

3. Seuillage d’images
3.2. Seuillage local:

 Un autre cas problématiques : effet du bruit sur l’histogramme

Solutions possibles :

 Filtrer l’image initiale : filtre gaussien, filtre médian, filtre

moyenneur,…

 Filtrer l’image seuillée : opérateurs morphologiques (cours suivant),

filtre médian

Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

5
 22/05/2024

Chapitre IV : Segmentation et classification

3. Seuillage d’images
3.3. Seuillage par détection de vallées
 On suppose que chaque classe correspond à une plage de niveaux de gris.
 L'histogramme est alors m-modal : On peut alors dégager (m-1) seuils
pour séparer les m classes et minimiser au mieux l'erreur de segmentation.
Il est intuitivement logique de choisir ces seuils sur la position des minima
de l'histogramme H.
 Donc la position des minima de l'histogramme H permet de fixer les (m-1)
seuils nécessaires pour séparer les m classes. Les seuils ti sont obtenus par:

où mi et mi+1 sont les valeurs moyennes (ou les modes) de l'intensité

lumineuse dans les classes Ci et Ci+1 .

Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

Chapitre IV : Segmentation et classification

3. Seuillage d’images
3.3. Seuillage par détection de vallées
 Malgré le développement de techniques robustes visant à faciliter la
détection des vallées, cette méthode, bien que simple, est très peu
appliquée car les histogrammes traités sont le plus souvent bruités et
unimodaux. (c'est à dire composés d'un seul pic principal) ou bi-modaux si
on considère des images représentant des objets foncés (respectivement
clairs) sur des images claires (respectivement foncées).

 Il est également important de remarquer que souvent, il faut éviter de

prendre deux maxima locaux appartenant à un même "pic" (maximum plus
global) sous peine de sur-discriminer les classes.
 On peut alors fixer une distance minimale entre les maxima ou
filtrer l'histogramme afin de le lisser.

Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

6
 22/05/2024

Chapitre IV : Segmentation et classification

3. Seuillage d’images
3.4. Seuillage par minimisation de variance
La répartition des pixels en N classes est un problème classique de
classification. Le choix des seuils si permet de détecter m classes auxquels on
peut associer taille (ti), moyenne (mi) et variance vi par :

où H est l'histogramme normalisé et Dj = [si-1,si[ est la gamme de niveaux de

gris correspondant à la classe Ci (par hypothèse, s0 = 0) .
A partir de ces indicateurs statistiques, on peut construire la variance
intraclasse totale W par :

Le meilleur seuillage dans cette approche correspond à une minimisation de

la variance intraclasse (méthode de Fisher).
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

Chapitre IV : Segmentation et classification

3. Seuillage d’images
3.4. Seuillage par minimisation de variance
Méthode de Fisher : L’objectif de la méthode est de trouver le seuil si qui
minimise la variance intra-classe.
Soit H(x) l’histogramme de l’image, la variance d’une classe i est donné par:

 Le problème revient à trouver le seuil S qui minimise la somme des

variances :

Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

7
 22/05/2024

Chapitre IV : Segmentation et classification

3. Seuillage d’images
3.4. Seuillage par minimisation de variance
Méthode de Fisher : L’objectif de la méthode est de trouver le seuil si qui
minimise la variance intra-classe.

 Cette technique est difficilement applicable lorsque le nombre de

classes est élevé.
 En effet, il faut tester complétement tous les (N-1)-uplet (s1,...,sN-1 )
possibles.
 De plus, il faut que chaque classe ait une taille significative en nombre
de niveaux de gris pour que les indicateurs statistiques aient un sens.
 Dans le cas de la binarisation (N=2), cette méthode est performante.

Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

Chapitre IV : Segmentation et classification

3. Seuillage d’images
3.4. Seuillage par minimisation de variance
 L'exemple exposé sur la figure suivante illustre ce processus : un seuil a
été déterminé par l'algorithme optimal de Fisher. Ce seuil trouvé est 127.

- Exemple de seuillage par minimisation de variance -

 Compte tenu du fait que l'on n'utilise qu'un seul seuil, toutes les
composantes de l'image ne peuvent être séparées.
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

8
 22/05/2024

Chapitre IV : Segmentation et classification

3. Seuillage d’images
3.4. Seuillage par minimisation de variance
 Plus récemment, Otsu a proposé de réaliser une maximisation de la
variance inter-classe qui, dans le cas de la binarisation, s'exprime par :

ce qui est rigoureusement équivalent puisque l'on a la relation :

W + B = constante

 Cependant, la méthode de Otsu est plus intéressante d'un point de vue

calculatoire car elle ne nécessite pas de calcul de variances.

Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

UNIVERSITE IBN TOFAIL FSK-2IA

Plan du cours:

1. Principe et l’importance de la segmentation

2. Techniques de segmentation
3. Seuillage d’images
4. Morphologie mathématique
4.1.Eléments structurants

4.2.Operations morphologiques de base

5. Extraction de paramètres et classification d’objets

Pr S.MOQQADDEM AU: 2023/2024

9
 22/05/2024

Chapitre IV : Segmentation et classification

4. Morphologie mathématique
La morphologie mathématique est un outil qui permet d’explorer la structure
géométrique des objets dans une image en utilisant la théorie des ensembles.
 les opérateurs de la mise en œuvre sont des opérateurs ensemblistes.
 L’idée de base de la morphologie mathématique est de comparer
l’ensemble à analyser avec un ensemble de géométrie connue appelé
élément structurant.
4.1.Eléments structurants
 L’élément structurant est un ensemble ou surface de géométrie connue. Il
est caractérisé par sa forme est sa taille et son origine. Pour la forme, il se
peut un diamant, un disque, une ligne …
 Si A est l’objet à traiter et B l’élément structurant, la morphologie
mathématique consiste à déplacer B sur A comme un opérateur de
convolution. A chaque position de B, des opérations logiques sont
effectuées entre A et B.
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

Chapitre IV : Segmentation et classification

4. Morphologie mathématique
4.1.Elément structurant
 Un élément structurant donc est un ensemble qui possède les
caractéristiques suivantes : Il possède une forme (géométrie connue), Cette
forme à une taille, Cet élément est repéré par son origine o . L’origine o
appartient généralement à l’élément structurant mais ce n’est pas une
obligation.

Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

10
 22/05/2024

Chapitre IV : Segmentation et classification

4. Morphologie mathématique
4.1.Elément structurant
 Sous Matlab

Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

Chapitre IV : Segmentation et classification

4. Morphologie mathématique
4.1.Eléments structurants
 Les Eléments structurants permettent de définir le type de voisinage que
l'on souhaite considérer. nous donnons ici quelques exemple de voisinages
3x3.
 le voisinage en connexité 4 est donné par:

 celui en connexité 8 par:

 les voisins horizontaux:

 les voisins verticaux

Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

11
 22/05/2024

Chapitre IV : Segmentation et classification

4. Morphologie mathématique
4.2.Operations morphologiques de base
 Dilatation
La dilatation sert à grandir les objets dans une image binaire. Donc elle
permet d’ajouter à l’objet des pixels qui lui sont proche dans des directions
qui dépendent de l’élément structurant. Ce dernier parcourt l’objet en gardant
son centre à l’intérieur de l’objet.
Soient A et B deux ensembles, on définit la dilatation de A par B, notée
Par:

 le résultat de la dilatation de l'ensemble A par l'ensemble B est l'ensemble

des points tels que lorsque B est centré sur un de ces points il y a une
intersection non vide entre A et B.
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

Chapitre IV : Segmentation et classification

4. Morphologie mathématique
4.2.Operations morphologiques de base
 Dilatation:  Algorithme de dilatation d'image noir et blanc:
soit B un élément structurant de taille 2k+1 x 2k+1.
 l'algorithme de dilatation est le suivant:
 on parcourt tous les pixels de l'image excepté les bords de l'image
d'épaisseur k(on parcourt les lignes de k à h-k et les colonnes de k à w-k).
 pour chaque pixel du fond rencontré,
 s'il possède un voisin, au sens de l'élément structurant, qui appartienne
à un objet, il prend la couleur de l'objet,
 sinon, il n'est pas modifié.

Concrètement, pour une image en noir et blanc, on considère que les pixels
noirs appartiennent au fond tandis que les pixels blancs appartiennent aux
objets.

Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

12
 22/05/2024

Chapitre IV : Segmentation et classification

4. Morphologie mathématique
4.2.Operations morphologiques de base
 Dilatation

-
Sous Matlab:
IMd=imdilate(Im,SE)

Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

Chapitre IV : Segmentation et classification

4. Morphologie mathématique
4.2.Operations morphologiques de base
 Dilatation

Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

13
 22/05/2024

Chapitre IV : Segmentation et classification

4. Morphologie mathématique
4.2.Operations morphologiques de base
 Dilatation: Exemple

 A gauche : l'image originale.

 A droite : sa dilatée

Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

Chapitre IV : Segmentation et classification

4. Morphologie mathématique
4.2.Operations morphologiques de base
 Dilatation: L’exemple suivant permet aussi de montrer un exemple de
dilatation

 Image originale en (a), Images dilatées en 4-connexité (b) et en 8-connexité (c)

Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

14
 22/05/2024

Chapitre IV : Segmentation et classification

4. Morphologie mathématique
4.2.Operations morphologiques de base
 Erosion :
 L’érosion sert à rétrécir les objets dans une image. Lorsque l’élément
structurant parcourt l’objet, l’ensemble des pixels non recouvert par
l’élément structurant forment l’ensemble érodé.
 Soient A et B deux ensembles, on définit l’érosion de A par B, notée
par :

L'érodé de A par B correspond à l'ensemble des points tels que si B est centré
sur ces points, B est entièrement inclus dans A.

Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

E=imerode(I,Sd);

Chapitre IV : Segmentation et classification

4. Morphologie mathématique
4.2.Operations morphologiques de base
 Erosion : Algorithme
Cet algorithme ressemble très fortement à l’algorithme de dilatation:
 on parcourt tous les pixels de l’image excepté les bords de l’image
d’épaisseur k.
 Pour chaque pixel rencontré n’appartenant pas au fond,
 S’il possède un voisin, au sens de l’élément structurant, qui appartienne
au fond, il prend la couleur de l’objet,
 Sinon il n’est pas modifié.

 Sous Matlab:
IMe=imerode(Im,SE)

Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

15
 22/05/2024

Chapitre IV : Segmentation et classification

4. Morphologie mathématique
4.2.Operations morphologiques de base
 Erosion :

Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

Chapitre IV : Segmentation et classification

4. Morphologie mathématique
4.2.Operations morphologiques de base
 Erosion : Exemple

 Exemple d’érosion,
 A gauche : l’image originale,
 A droite : son érodée.
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

16
 22/05/2024

Chapitre IV : Segmentation et classification

4. Morphologie mathématique
4.2.Operations morphologiques de base
 Erosion :

 Image originale en (a), Images érodées en 4-connexité (b) et en 8-connexité (c)


Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

Chapitre IV : Segmentation et classification

4. Morphologie mathématique
4.2.Operations morphologiques de base
 Fermeture:
C’est une dilatation suivie d’une érosion avec le même élément structurant.
La fermeture de l’ensemble A par l’élément structurant B, notée A • B est
définie par :
 La fermeture permet le recouvrement des objets proches et la suppression
des trous.

 Sous Matlab: IMcl = imclose(I,SE);

Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

17
 22/05/2024

Chapitre IV : Segmentation et classification

4. Morphologie mathématique
4.2.Operations morphologiques de base
 Ouverture
L’ouverture est une érosion suivie d’une dilatation avec le même élément
structurant. L’ouverture de l’ensemble A par l’élément structurant B, notée
est définie par:
 L’ouverture lisse les contours, supprime les petits îlots.

 Sous Matlab: IMop=imopen(I,Sd);

Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

Chapitre IV : Segmentation et classification

En conclusion :
Toutes ces approches visent à l'extraction des indices visuels. Après de
nombreuses années passées à rechercher la méthode optimale, les chercheurs
ont compris que la segmentation idéale n'existait pas.
 On peut même montrer que le problème de la segmentation est le plus
souvent un problème mal posé.
 Etant donnée une image, il existe toujours plusieurs segmentations
possibles.
 Une bonne méthode de segmentation sera donc celle qui permettra
d'arriver à une bonne interprétation.
 Elle devra donc avoir simplifié l'image sans pour autant en avoir trop
réduit le contenu.
 Entre autres, elle devra éviter les choix irréversibles.
 L'avenir de la segmentation est dans le pilotage aval par l'applicatif.

Pr S.MOQQADDEM FSK-UIT AU: 2023/2024

18