14/05/2024
UNIVERSITE IBN TOFAIL FSK-2IA
Plan du cours:
Introduction et Généralités sur
Chapitre I
l’image numérique
Chapitre II Traitements de bases sur l’image
Filtrage numérique et Détection de
Chapitre III
contours
Chapitre IV Segmentation et classification
Chapitre V la compression numérique
1
Pr S.MOQQADDEM 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
5. Extraction de paramètres et classification d’objets
2
Pr S.MOQQADDEM AU: 2023/2024
1
14/05/2024
Chapitre IV : Segmentation et classification
1. Importance de segmentation
La segmentation d’images est l’opération la plus importante dans un
système de traitement d’images, car elle est située à l’articulation entre
le traitement et l’analyse des images.
La segmentation d'image est une méthode très polyvalente et très pratique
de vision par ordinateur. Elle s'applique dans de nombreux cas
d'utilisation de l'intelligence artificielle, depuis l'aide au diagnostic en
imagerie médicale jusqu'à l'automatisation de la locomotion pour la
robotique et les voitures sans conducteur, en passant par l'identification
d'objets d'intérêt dans les images satellite.
Une segmentation précise permet une analyse et une compréhension
précises du contenu visuel.
C’est une étape importante pour l'extraction des informations qualitatives
de l'image.
3
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024
Chapitre IV : Segmentation et classification
1. Evaluation de segmentation
La segmentation consiste à partitionner l’image en un ensemble de
régions connexes. L’intérêt de ces régions est de pouvoir être manipulées
ensuite via des traitement de haut niveau pour extraire des caractéristiques
de forme, de position, de taille, ….
Le problème est évidement très mal posé, car on ne sait jamais dire quelle
est la segmentation idéale.
L’idée est bien sûr que la région se rapproche de la notion d’objet, au
sens courant du terme. Néanmoins, on peut dégager des propriétés plus
raisonnables qu’on cherche à obtenir dans un algorithme de segmentation,
en particulier:
Stabilité: la segmentation obtenue ne doit pas varier beaucoup lorsque les
conditions d’acquisition varie légèrement ( bruit, illumination,..)
Régularité: les régions obtenues doivent être simples à manipuler( taille
suffisante, forme régulière,….)
4
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024
2
14/05/2024
Chapitre IV : Segmentation et classification
1. Principe de segmentation
La segmentation d'image est une technique de vision par ordinateur qui
divise une image numérique en segments significatifs et distincts
(groupes de pixels) afin de faciliter la détection et la localisation d'objets.
Chaque segment correspond à un objet, une région ou une partie
spécifique de l'image. Le but est de regrouper des pixels ayant des
caractéristiques similaires.
La segmentation consiste donc à créer une partition d’une image A en
sous-ensembles Ri , appelés régions tel que est de partitionner une image
en plusieurs régions.
Une région est un ensemble
convexe de points images
ayant les propriétés
communes(intensité,texture
, …).
5
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
2.1. Approche contour
2.2. Approche région
2.3. Segmentation d’images par classification
2.4. Segmentation par seuillage
3. Seuillage d’images
4. Morphologie mathématique
5. Extraction de paramètres et classification d’objets
6
Pr S.MOQQADDEM AU: 2023/2024
3
14/05/2024
Chapitre IV : Segmentation et classification
2. Techniques de segmentation
2.1. Approche contour
Il s’agit dans cette approche de rechercher les contours qui délimitent les
régions homogènes de l’image.
Un contour est un ensemble de pixels formant une frontière entre deux ou
plusieurs régions voisines.
Cependant, cette méthode ne conduit pas directement à une
segmentation de l’image car les contours obtenus sont rarement
convexes,
il faut donc procéder à une fermeture des contours si on souhaite une
partition complète de l’image.
Il existe plusieurs méthodes de segmentation basées sur l‘approche
contour qu’on peut regrouper en trois catégories : les méthodes
dérivatives, par filtrage optimal et les contours actifs.
7
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024
Chapitre IV : Segmentation et classification
2. Techniques de segmentation
2.2. Approche région
Contrairement à la segmentation d’images par l’approche contour, la
segmentation par région consiste à décomposer l’image en régions selon des
critères d’homogénéité.
-Segmentation par (a) approches contours (b) approches régions-
8
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024
4
14/05/2024
Chapitre IV : Segmentation et classification
2. Techniques de segmentation
2.2. Approche région
On distingue trois types de méthodes :
Croissance des régions(Méthodes géométriques)
Appelé aussi méthode d’agrégation du pixel. C’est une méthode
ascendante, elle consiste à choisir initialement un ensemble de pixels comme
des noyaux des régions à partir desquels la croissance des régions
s’effectuera. Chaque région doit respecter un critère d’homogénéité comme
la variance var(R) du niveau de gris de l’image associe au point de la région.
On initialise la région R à un pixel ou un groupe de pixels et l’on
l’étend en ajoutant les points de la frontière qui satisfont le critère
d’homogénéité.
9
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024
Chapitre IV : Segmentation et classification
2. Techniques de segmentation
2.2. Approche région
Croissance des régions(Méthodes géométriques)
Si par exemple le critère d’homogénéité repose sur certaines moyennes µR
et écart type σR, on ajoute alors à R tous les pixels voisins de R qui sont
suffisamment semblables à R, par exemple : |I(x)-µR|<seuil (où seuil =2σR
par exemple).
(a)Image initiale (b) amorce (c)croissance (d)région finale
10
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024
5
14/05/2024
Chapitre IV : Segmentation et classification
2. Techniques de segmentation
2.2. Approche région
Division des régions:
Division des régions ce sont des méthodes descendantes consistent à
diviser l’image ou une partie de l’image en région en utilisant des
partitions élémentaires connues comme le maillage ou l’arbre quaternaire
(quadtree).
le maillage peut être régulier ou irrégulier de type rectangulaire,
triangulaire ou polygone quelconque.
La division d’une région R en sous régions se fait si R ne remplit pas la
contrainte d’homogénéité fixée.
La décision peut aboutir à un nombre important de régions, la solution
consiste à fusionner les régions adjacentes similaires.
11
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024
Chapitre IV : Segmentation et classification
2. Techniques de segmentation
2.2. Approche région
Division des régions:
Principe de la segmentation par division des régions-
12
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024
6
14/05/2024
Chapitre IV : Segmentation et classification
2. Techniques de segmentation
2.2. Approche région: Division des régions
13
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024
Chapitre IV : Segmentation et classification
2. Techniques de segmentation
2.2. Approche région
Division/fusion des régions(Split & Merge ):
14
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024
7
14/05/2024
Chapitre IV : Segmentation et classification
2. Techniques de segmentation
2.2. Approche région
Division/fusion des régions(Split & Merge ):
L'idée de base de cette technique « Split & Merge » est de produire
automatiquement une partition initiale en régions petites (Split), qui vont
ensuite croître en se regroupant (Merge).
La partition initiale (Split) est réalisée en divisant récursivement l'image
en (quatre) régions de tailles identiques lorsqu'un certain critère
d'homogénéité n'est pas satisfait (par exemple : R est divisée si σR >
seuil).
Lors de cette phase, le graphe d'adjacence, ou Region Adjacency Graph
(RAG) est créé : à chaque région est associé un sommet du graphe, et des
arêtes relient les sommets correspondants à deux régions qui se touchent.
15
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024
Chapitre IV : Segmentation et classification
2. Techniques de segmentation
2.2. Approche région
Division/fusion des régions(Split & Merge ):
L'idée de base de cette technique « Split & Merge » est de produire
automatiquement une partition initiale en régions petites (Split), qui vont
ensuite croître en se regroupant (Merge).
La phase de regroupement (Merge) utilise le RAG pour modifier la
partition initiale : pour chaque sommet R du RAG, on cherche s'il existe
un sommet R' voisin dans le RAG et de valeur suffisamment proche, et si
c'est le cas, on les fusionne;
par exemple : R et R' sont fusionnées si | µR – µR'| <seuil.
La figure suivante montre un exemple de segmentation selon l’algorithme
« Split & Merge », dans cet exemple le critère d’homogénéité est basé sur
la mesure de la variance.
16
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024
8
14/05/2024
Chapitre IV : Segmentation et classification
2. Techniques de segmentation
2.2. Approche région (Split & Merge ):
un exemple de segmentation selon l’approche « Split & Merge », dans cet exemple
le critère d’homogénéité est basé sur la mesure de la variance.
17
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024
Chapitre IV : Segmentation et classification
2. Techniques de segmentation
2.2. Approche région (Split & Merge ):
En conclusion :
• dans la phase 1 qui consiste à créer les zones homogènes (Split), la
géométrie du découpage a une grande influence sur le résultat de la
segmentation. Par exemple, le split en quad-tree fait apparaître des régions
carrées. D'autres types de découpage existent, éventuellement redondants
(pyramides avec recouvrement).
• dans la phase 2 qui consiste à regrouper les zones homogènes (Merge),
l'ordre dans lequel est réalisé le regroupement des régions a aussi une
influence sur le résultat. Comme illustré dans la figure précédente, les
algorithmes commencent en général à fusionner les régions les plus
petites.
18
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024
9
14/05/2024
Chapitre IV : Segmentation et classification
2. Techniques de segmentation
2.3.Segmentation d’images par classification
Cette technique consiste à regrouper des pixels ayant des vecteurs
caractéristiques aussi similaires que possible sans la considération
de la disposition spatiale des pixels.
De ce fait, les pixels appartenant à une classe peuvent former
plusieurs régions non-adjacentes dans l’image mais ayant les
mêmes propriétés.
Plusieurs algorithmes sont utilisés dans la segmentation par
classification, on cite entre autres l’algorithme K-means.
Principe des méthodes de clustering : regrouper les vecteurs en
groupes homogènes.
19
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024
Chapitre IV : Segmentation et classification
2. Techniques de segmentation
2.3.Segmentation d’images par classification
Algorithme des méthodes K-means (K-moyennes):
Partitionnement aléatoire des points en K clusters.
Calcul du centroïde de chacun des clusters
Pour chaque point :
o Calcul de la distance du point au centroïde de chaque cluster.
o Affectation du point au cluster le plus proche.
Exemple :
20
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024
10
14/05/2024
Chapitre IV : Segmentation et classification
2. Techniques de segmentation
2.3.Segmentation d’images par classification
Algorithme des méthodes K-means (K-moyennes):
Partitionnement aléatoire des points en K clusters.
Calcul du centroïde de chacun des clusters
Pour chaque point :
o Calcul de la distance du point au centroïde de chaque cluster.
o Affectation du point au cluster le plus proche.
Exemple :
21
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024
Chapitre IV : Segmentation et classification
2. Techniques de segmentation
2.3.Segmentation d’images par classification
Algorithme des méthodes K-means (K-moyennes):
Partitionnement aléatoire des points en K clusters.
Calcul du centroïde de chacun des clusters
Pour chaque point :
o Calcul de la distance du point au centroïde de chaque cluster.
o Affectation du point au cluster le plus proche.
Calcul des centroïdes des nouveaux clusters formés.
Exemple :
22
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024
11
14/05/2024
Chapitre IV : Segmentation et classification
2. Techniques de segmentation
2.3.Segmentation d’images par classification
Algorithme des méthodes K-means (K-moyennes):
Partitionnement aléatoire des points en K clusters.
Calcul du centroïde de chacun des clusters
Pour chaque point :
o Calcul de la distance du point au centroïde de chaque cluster.
o Affectation du point au cluster le plus proche.
Calcul des centroïdes des nouveaux clusters formés.
Répéter les étapes 3 et 4 jusqu’à ce qu’il n’y ait plus de changement dans
l’assignement des points (ou des centroïdes)
23
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024
Chapitre IV : Segmentation et classification
2. Techniques de segmentation
2.3.Segmentation d’images par classification
Algorithme des méthodes K-means (K-moyennes):
Partitionnement aléatoire des points en K clusters.
Calcul du centroïde de chacun des clusters
Pour chaque point :
o Calcul de la distance du point au centroïde de chaque cluster.
o Affectation du point au cluster le plus proche.
Calcul des centroïdes des nouveaux clusters formés.
Répéter les étapes 3 et 4 jusqu’à ce qu’il n’y ait plus de changement dans
l’assignement des points (ou des centroïdes)
24
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024
12
14/05/2024
Chapitre IV : Segmentation et classification
2. Techniques de segmentation
2.3.Segmentation d’images par classification
Algorithme des méthodes K-means (K-moyennes):
Partitionnement aléatoire des points en K clusters.
Calcul du centroïde de chacun des clusters
Pour chaque point :
o Calcul de la distance du point au centroïde de chaque cluster.
o Affectation du point au cluster le plus proche.
Calcul des centroïdes des nouveaux clusters formés.
Répéter les étapes 3 et 4 jusqu’à ce qu’il n’y ait plus de changement dans
l’assignement des points (ou des centroïdes)
25
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024
Chapitre IV : Segmentation et classification
2. Techniques de segmentation
2.3.Segmentation d’images par classification
Exemple de segmentation par K-means (K-moyennes):
Sous Matlab:
I=imread("cameraman.tif");
L=imsegkmeans(I,K);
figure;
imagesc(L)
Image originale K=2 K=4
26
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024
13
14/05/2024
Chapitre IV : Segmentation et classification
2. Techniques de segmentation
2.4. Segmentation par seuillage
La segmentation par seuillage permet de répartir les pixels en classes en
fonction de leurs niveaux de gris. Les classes sont alors déterminées par des
seuils.
Soit {0,1,2, …L-1} l’ensemble des niveaux de gris de l’image I, la
segmentation par seuillage consiste a réparti les pixels en
k classes(C1, C2, C3,…..,Ck) à partir d’un ensemble de
seuils T=(t1, t2, t3,…..,tk-1) .Un pixel de niveau de gris I(x, y) est affecté à la
classe Ck si avec k= 0,1,2,…..K-1 et t0=0 et tK=L-1.
Si le nombre de seuils est supérieur à 1 , on parle de multi-seuillage ou
multi-level thresholding.
27
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
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
28
Pr S.MOQQADDEM AU: 2023/2024
14
14/05/2024
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 ).
29
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024
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
30
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024
15
14/05/2024
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 -
31
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 2 classes par histogramme
32
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024
16
14/05/2024
Chapitre IV : Segmentation et classification
3. Seuillage d’images
3.1. Seuillage globale
Exemples
Exemple de seuillage en 4 classes par histogramme
33
Pr S.MOQQADDEM FSK-UIT AU: 2023/2024
17
