Segmentation d'image 1.

Introduction
L'objectif est de subdiviser une image en ses
parties constitutives ou objets pour la suite
• Introduction traitement tel que la reconnaissance.

• Détection des discontinuités C'est l'une des étapes les plus importantes menant à
• Détection de points analyse des données d'image traitées.
• Détection de lignes
• Détection de contours
Segmentation complète vs segmentation partielle
• Détection combinée
• Lien de contour et détection de frontière •Segmentation incomplète,
• Seuil Disjoint regions segmented are uniquely
• Seuil adaptatif correspondant aux objets dans l'image d'entrée.
• Sélection de seuil basée sur la frontière Coopération avec des niveaux de traitement supérieurs qui
caractéristiques utiliser des connaissances spécifiques du domaine du problème est
nécessaire.
• Segmentation orientée région
• Croissance de région par agrégation de pixels •Segmentations impartiales,
• Division et fusion de régions Les régions segmentées ne correspondent pas directement
avec des objets d'image.

La segmentation d'image est le processus de partitionnement d'une image numérique.

en plusieurs segments (ensembles de pixels, également connus sous le nom de super-pixels). •Segmentation totalement correcte et complète de
complex scenes usually can't be achieved.
Un objectif raisonnable est d'utiliser une segmentation partielle comme
une entrée pour un traitement de niveau supérieur.
&<+ ,PDJH6HJPHQWDWLRQ S &<+ ,PDJH6HJPHQWDWLRQ S
Applications : 2. Détection des discontinuités :
•Problèmes de segmentation simples :
•There are 3 basic types of discontinuities: points,
1. Objets contrastés sur un fond uniforme lignes et arêtes.
2. Tâches d'assemblage simples, cellules sanguines, imprimées
personnages, etc. La détection est basée sur la convolution de l'image
avec un masque spatial.
Comment atteindre la segmentation ?
w−1,−1w−1,0w−1,1
•L'image est divisée en régions séparées qui sont Un masque général 3x3w0,−1w0,0w0,1
homogène par rapport à une propriété choisie
comme la couleur, la luminosité, la texture, etc. w1,−1w1,0w1,1

Les algorithmes de segmentation sont généralement basés sur 2

propriétés de base des valeurs de niveau de gris : •La réponse du masque à tout point (x,y) dans le
1 1
1. Discontinuité - points, lignes et arêtes isolés image estRx, y = ∑ ∑ p(x−i,y−j)w(i,j)
i=−1j=−1
d'image.
2. Similarité - seuillage, croissance de région, région
division et fusion.
•Méthodes de segmentation :
1. Approches globales telles que le seuillage
2. Segmentation basée sur les contours

3. Segmentation basée sur la région

&<+ ,PDJH6HJPHQWDWLRQ S &<+ ,PDJH6HJPHQWDWLRQ S

2.1 Détection de points 2.2 Détection de ligne
Un point a été détecté à l'emplacement p(i,j) sur
où le masque est centré si |R| > T, où T est un Masques de ligne
seuil non négatif, et R est obtenu avec le -1-1-1
masque suivant.
Ligne horizontale 2 2 2
−1−1−1 −1 −1 −1
-1 8-1 −1−1 2
-1-1-1 45$ ligne -1 2-1
L'idée est que le niveau de gris d'un point isolé 2−1−1
sera assez différent du niveau de gris de son -1 2-1
voisins. Ligne verticale -1 2-1
−1 2−1
2−1−1
- 45$ ligne −1 2−1
−1−1 2

2ULJLQDO 1RLVH DGGHG • Si, à un certain point de l'image, |R |>|R

je j| pour tous
j≠i, ce point est dit être plus probablement associé
avec une ligne en direction de Maski.

)LOWHUHG R S 7KUHVKROGHG R S

&<+ ,PDJH6HJPHQWDWLRQ S &<+ ,PDJH6HJPHQWDWLRQ S

 2.3 Détection de contours

Il localise les changements brusques dans la fonction d'intensité.

Les bords sont des pixels où la luminosité change brusquement.

Un changement de la fonction d'image peut être décrit par

un gradient qui pointe dans la direction du plus grand
croissance de la fonction image.
2ULJLQDO
Un bord est une propriété attachée à un pixel individuel
et est calculé à partir du comportement de la fonction d'image
dans un voisinage du pixel.
•La magnitude de la première dérivée détecte le
présence du bord.
Le signe de la seconde dérivée détermine si
R
le pixel de bord se trouve du côté sombre ou clair.
+RUL]RQWDO OLQH OLQH

R
9HUWLFDO OLQH LIGNE

&<+ ,PDJH6HJPHQWDWLRQ S &<+ ,PDJH6HJPHQWDWLRQ S

 a) Opérateur gradient

•Pour une fonction f(x,y), le gradient de f aux coordonnées

(x',y') est défini comme le vecteur
∂f
f(x',y')= ∂x
∂f
∂y (x',y')

Magnitude du vecteurf(x' , y' ):

1
2 2 2
∂f ∂f
f(x',y')= +
∂x ∂y
)LJ (GJH GHWHFWLRQ E GHULYDWLYH RSHUDWRUV D OLJKW (x',y')

VWULSH RQ D GDUN EDFNJURXQG E GDUN VWULSH RQ D

OLJKW EDFNJURXQG
Direction du vecteurf(x' , y' ):
α(x',y')=tan−1 (∂y)
∂f∂f
∂x (x',y')

Sa magnitude peut être approximée dans le numérique

domaine de plusieurs manières, ce qui donne lieu à un
nombre d'opérateurs tels que Roberts, Prewitt et
Opérateurs de Sobel pour calculer sa valeur.

&<+ ,PDJH6HJPHQWDWLRQ S &<+ ,PDJH6HJPHQWDWLRQ S

Opérateur de Sobel : b) Opérateur Laplacien

•Il offre à la fois un effet de différenciation et un effet de lissage Le Laplacien d'une fonction 2D f(x,y) est un opérateur d'ordre 2.
effet, qui est particulièrement attrayant en tant que dérivés dérivée définie comme
tendrement améliorer le bruit. ∂ 2f∂2f
2
f(x',y')= +
∂x2∂y2 (x',y')
−1−2−1 -1 0 1
Gx:0 0 0 Gy−2 0 2 •Le Laplacien a les mêmes propriétés dans tous
directions et est donc invariant à la rotation dans
1 2 1 -1 0 1
l'image.

Il peut également être mis en œuvre sous forme numérique dans divers
façons.

Pour une zone de 3x3, le masque est donné comme

0−1 0
-1 4-1
0−1 0
2ULJLQDO 3URFHVVHG LPDJH

&<+ ,PDJH6HJPHQWDWLRQ S &<+ ,PDJH6HJPHQWDWLRQ S

 2.4 Détection combinée :

Détection de combinaisons de points, de lignes et de contours

peut être réalisé en utilisant des ensembles de masques orthogonaux.

•Un ensemble de 9 masques 3X3 a été proposé par Frei et

Chen (1977)
2ULJLQDO 3URFHVVHG LPDJH
Base du sous-espace de bord :
1 2 1 1 0−1
Il est rarement utilisé en pratique pour la détection de contours pour 1 1
W1= 0 0 0 W2= 2 0 − 2
les raisons suivantes : 2 2 2 2
−1 − 2 −1 1 0−1
1. En tant que dérivée seconde, elle est inacceptable.
0−1 2 2−1 0
sensible au bruit. 1 1
2. Il produit des bords doubles et est incapable de détecterW3= 2 2 1 0−1W4=
2 2
−1 0 1
direction du bord. -2 1 0 0 1 −2

Le laplacien joue généralement le rôle secondaire de Base de l'espace sous-ligne :

détecteur pour établir si un pixel est activé -1 0 1 0 1 0
côté sombre ou lumineux d'un bord. 1 1
W5=0 0 0 W6−1 0−1
2 2
1 01− 0 1 0
1−2 1 −2 1−2
1 1
W7=−2 4−2 W8=1 4 1
6 6
1−2 1 -2 1-2

&<+ ,PDJH6HJPHQWDWLRQ S &<+ ,PDJH6HJPHQWDWLRQ S

 1 1 1
1
sous-espace "moyenne" : W9=1 1 1 •Exemple:
3 4 7 1
1 1 1
Quelle est l'attribut du centre de 3 5 2 ?
•Étant donné une région 3x3 représentée par {f(i,j)|-2<i,j<2}, 2 0 0
nous avons
R1= 4,5607 R2= 2.2678
1 1
Rm= ∑ ∑ f ( i, )j (w, m) i j R3= -2,6213 R4-0,8284
i=−1j=−1 R5-0,5000 R6= 1.0000
12/
P=
8 2 R7= 0.5000 R8= 3.0000
ligne ∑ Rm
m=5 R9= 8.0000
4 12/
2
P=R
bord ∑ m
m=1 Pbord = 5,7879
Pmoyenne =R9 Pligne = 3.2404
Pavoir = 8.0000
où P, P ligne
et P sont
moyenneles magnitudes
bord de la
projections sur les bords, les lignes et les sous-espaces moyens
respectivement, qui indiquent à quel point il est probable qu'il soit associé

avec soit un bord, une ligne ou rien.

Conclusion : Il est peu probable que ce soit un bord ou une ligne.

&<+ ,PDJH6HJPHQWDWLRQ S &<+ ,PDJH6HJPHQWDWLRQ S

2.5 Liaison des contours et détection des frontières Un point (x',y') dans le voisinage de (x,y) est lié
au pixel aux coordonnées (x,y) si les deux magnitudes suivantes
Les techniques de détection des discontinuités d'intensité
produire des pixels se trouvant uniquement sur la frontière entre
et les critères d'orientation sont satisfaits.

régions.
f(x',y')−f(x,y)≤Seuil Tm
En pratique, cet ensemble de pixels caractérise rarement un α(x',y')−α(x,y)≤Seuil Td
limite complètement parce que si bruit, des interruptions dans
limite de l'illumination non uniforme, et autre
effets qui introduisent une intensité fallacieuse
discontinuités.
Les algorithmes de détection de contours sont généralement suivis par
liens et autres procédures de détection des frontières
conçu pour assembler des pixels de bord en significatif
frontières.
D
(a)Traitement local

• Deux propriétés principales utilisées pour établir

la similarité des pixels de bord dans ce type d'analyse est :
La force de la réponse du gradient
opérateur utilisé pour produire le pixel de bord.
2. La direction du gradient. E F
)LJ D 2ULJLQDO LPDJH E GHWHFWLRQ UHVXOW ZLWKRXW ORFDO
Dans un petit quartier, par exemple 3x3, 5x5, tous les points
SURFHVVLQJ F GHWFWLRQ UHVXOW ZLWK ORFDO SURFHVVLQJ
liées par des propriétés communes : 7P [ PD[ _ I_ DQG 7G SL

&<+ ,PDJH6HJPHQWDWLRQ S &<+ ,PDJH6HJPHQWDWLRQ S

[Link] •Cas spéciaux :
Si T dépend de
Le seuillage est l'un des plus importants 1. f(x,y) only - global threshold
approches de la segmentation d'image. 2. Tant f(x,y) que p(x,y) - seuil local
(x,y) - seuil dynamique
• Si les pixels d'arrière-plan et d'objet ont des niveaux de gris
regroupés en 2 modes dominants, ils peuvent être Le seuillage multilevel est en général moins fiable car
séparé par un seuil facilement. il est difficile d'établir des seuils efficaces pour
isoler les régions d'intérêt.

Le seuillage peut être considéré comme une opération qui

implique des tests contre une fonction T de la forme 2ULJLQDO 7KUHVKROG UHVXOW 7
T=T[x,y,p(x,y),f(x,y)], où f(x,y) est le niveau de gris
du point (x,y), et p(x,y) désigne une certaine locale
propriété de ce point telle que le niveau de gris moyen
d'un quartier centré sur (x,y).

Référez-vous au PPT

+LVWRJUDP
)LJ 1RQDGDSWLYH WKUHVKROGLQJ UHVXOW
&<+ ,PDJH6HJPHQWDWLRQ S &<+ ,PDJH6HJPHQWDWLRQ S
3.1 Seuil adaptatif

La valeur seuil varie à travers l'image comme un

fonction des caractéristiques locales de l'image.

L'image f est divisée en sous-images.

Un seuil est déterminé indépendamment dans chaque
sous-image.
•Si un seuil ne peut pas être déterminé dans une sous-image, il
peut être interpolé avec des seuils obtenus dans
sous-images voisines.
Chaque sous-image est ensuite traitée par rapport à sa
seuil local. )LJ +LVWRJUDP RI WKH VXELPDJHV

)LJ $GDSWLYH WKUHVKROGLQJ UHVXOW 7 7

7 7

&<+ ,PDJH6HJPHQWDWLRQ S &<+ ,PDJH6HJPHQWDWLRQ S

3.2 Sélection de seuil basée sur la frontière
0 si G[f(x,y)]<T
caractéristiques
s(x,y)=1 si G[f(x,y)]≥T et L[f(x,y)]≥0
Un seuil fiable doit être sélectionné pour identifier le -1 si G[f(x,y)]≥T et L[f(x,y)]<0
pics de mode d'un histogramme donné.
Cette capacité est très importante pour automatique où T est un seuil.
sélection de seuil dans des situations où l'image
les caractéristiques peuvent changer sur une large plage de
distributions d'intensité.

•Nous pouvons considérer uniquement les pixels qui se trouvent sur ou près de
la frontière entre les objets et le fond
de sorte que l'histogramme associé soit bien formé pour
fournir une bonne chance pour nous de sélectionner un bon
D
seuil.

Le gradient peut indiquer si un pixel se trouve sur un bord ou

non.
•Le laplacien peut indiquer si un pixel donné se trouve sur le
côté sombre ou clair (arrière-plan ou objet) d'un bord.
E F
)LJ DÉFINITIF PROCESSUS RÉSULTAT SANS UTILISATION
ERXQGDUY CHDUDFWHULVWLF DQG FURF QGR SURFHVVHG UHVXOW
•Le gradient et le laplacien peuvent produire un niveau de 3
AVEC L'UTILISATION DU BOUNDARY CARACTÉRISTIQUE
image
&<+ ,PDJH6HJPHQWDWLRQ S &<+ ,PDJH6HJPHQWDWLRQ S
4. Segmentation orientée région Les régions doivent être disjointes.
Dans les méthodes précédentes, nous partitionnons une image en Cela concerne les propriétés qui doivent être satisfaites.
régions en trouvant des limites entre les régions par les pixels dans une région segmentée - par exemple
basé sur les discontinuités d'intensité. P(Rje)=vrai si tous les pixels dans Rjeavoir le même
intensité.
Ici, la segmentation est réalisée via des seuils
RégionsRjeetRjsont différents dans le sens de
basé sur la distribution des propriétés des pixels, telles que
prédicatP.
intensité ou couleur.
•Formulation de base :
L'image entière est représentée par R
partitionné en sous-régions1, R2...Rn tel que
n
R=R
je
i=1

Rjeest une région connectée, i=1,2...n

Rje∩Rj={} pour allij,≠
P(Rje)=vrai pour i=1,2..n
P(RJeR j) = faux pouri≠ j
oùP(Rje) est un prédicat logique sur les points dans
setRje.

• Signification physique de la formulation :

La segmentation doit être complète, c'est-à-dire que chaque
le point doit être dans une région.
Les points d'une région doivent être connectés.

&<+ ,PDJH6HJPHQWDWLRQ S &<+ ,PDJH6HJPHQWDWLRQ S

4.1 Croissance de région par agrégation de pixels

La croissance de région est une procédure qui regroupe des pixels ou

sous-régions en régions plus grandes.
L'agrégation de pixels commence par un ensemble de points « graine »
de celles-ci se développe en ajoutant à chaque point de départ
ces pixels voisins qui possèdent des propriétés similaires
D E F
tels que le niveau de gris, la texture et la couleur.
)LJ 2ULJLQDO LPDJH ZLWK VHHG SRLQW E HDUO VWDJH RI
UHJLRQ JURZWK F ILQDO UHJLRQ
0 0 5 6 7 a un b b b
1 1 5 8 7 a a b b b
0 1 6 7 7 a un b b b
2 0 7 6 6 un a b b b
0 1 5 6 5 un un b b b Les problèmes doivent être résolus :
tableaud'ni tensitéd'orgi ni e
Résultatdeseuil=3 1. Sélection de graines initiales qui représentent correctement
a
un
un
a
un
a
b
b
b
b
a
a
un
un
a
un
a
a
a
a
régions d'intérêt.
un a b b b un a a a a
a un b b b a a a a a 2. Sélection de propriétés appropriées à inclure
a a un b ? a un a a a
points dans les différentes régions pendant la croissance
ResultofThreshold=5.5 Resultofthreshold=9
processus.
Exemple de région de croissance utilisant des points de départ connus 3. La formulation de la règle d'arrêt.

&<+ ,PDJH6HJPHQWDWLRQ S &<+ ,PDJH6HJPHQWDWLRQ S

4.2 Division et fusion des régions •Exemple :
•Pour subdiviser une image initialement en un ensemble de
régions arbitraires et disjointes, puis fusionner et/ou
diviser les régions dans une tentative de satisfaire le
conditions énoncées ci-dessus.

Un algorithme de séparation et de fusion est résumé par le

(a) (b) (c) (d)
procédure suivante dans laquelle, à chaque étape, nous :
(1) diviser en 4 quadrants disjoints des régions
[EXEMPLE D'APPLIQUE ET MÉTHODOLOGIE
RjeoùP(Rje=false;
(2) fusionner toutes les régions adjacentes RjetRkpour
lequel P(RjeR j) =vrai; et
(3) arrêter lorsque plus aucune fusion ou division n'est possible
possible. (a) L'image entière est divisée en 4 quadrants.
(b) Seule la région en haut à gauche satisfait le prédicat
donc il n'est pas changé, tandis que les autres 3 quadrants
R
sont divisés en sous-quadrants.
R1 R2

R1 R2 R3 R4 (c) À ce stade, plusieurs régions peuvent être fusionnées,

R 4 1R 4 2
R3 à l'exception des 2 sous-quadrants qui
R 4 3R 4 4
R 41 R 42 R 43 R 44
inclure la partie inférieure de l'objet ; cela ne le fait pas
satisfaire le prédicat et doit être divisé davantage.
(a) (b)

)LJ 3DUWLWLRQHG LPDJH DQG FRUUHVSRQGLQJ TXDGWUHH

&<+ ,PDJH6HJPHQWDWLRQ S &<+ ,PDJH6HJPHQWDWLRQ S

 D E F
)LJ Données d'image originale et résultats de split et merge
DOJRULWKP F 5HVXOW RI WKUHVKROGLQJ E

•La segmentation d'image est une étape préliminaire dans la plupart

reconnaissance automatique de motifs picturaux et de scènes
analysis problems.
•Le choix d'une technique de segmentation par rapport à
un autre est dicté principalement par le particulier
caractéristiques du problème considéré.

&<+ ,PDJH6HJPHQWDWLRQ S