Scribd
Importer
3 vues22 pages

Cours Segmentation

Le document traite des techniques de traitement d'images, en se concentrant sur la segmentation en régions homogènes et la binarisation. Il présente plusieurs approches, notamment le seuillage, la méthode d'Otsu et la croissance de régions, ainsi que des méthodes de division et fusion de régions. Les concepts clés incluent l'utilisation de seuils pour classer les pixels et maximiser la variance intra-classe.

Transféré par

halousarra
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
3 vues22 pages

Cours Segmentation

Le document traite des techniques de traitement d'images, en se concentrant sur la segmentation en régions homogènes et la binarisation. Il présente plusieurs approches, notamment le seuillage, la méthode d'Otsu et la croissance de régions, ainsi que des méthodes de division et fusion de régions. Les concepts clés incluent l'utilisation de seuils pour classer les pixels et maximiser la variance intra-classe.

Transféré par

halousarra
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

OEK.

NAOUI
oek@[Link]
Département d’Informatique
Faculté des Sciences Exactes &
Appliquées
Université d’Oran1- Ahmed Benbella
Traitement qui consiste à décomposer une image en régions homogènes
(connexes).

Binarisation est l’opération de segmentation en deux régions: I = {R1, R2}

Approches : Seuillage, Région, Frontière, Hybride, …, Deep learning


- 1 seuil S
I={R1, R2} tel que: p  I Si V(p)  S Alors I(p) = 0 Sinon I(p) = 1
- 1 seuil S
I={R1, R2} tel que: p  I Si V(p)  S Alors I(p) = 0 Sinon I(p) = 1
- 1 seuil S
I={R1, R2} tel que: p  I Si V(p)  S Alors I(p) = 0 Sinon I(p) = 1
2 seuils S1 et S2

I={R1, R2, R3} tel que: p  I Si V(p)  S1 Alors I(p) = 0


Si V(p)  S2 Alors I(p) = 1
Sinon I(p) = 2
-n seuils S1…,Sn
I={R1, R2, …,Rn} tel que: p  I Si V(p)  S1 Alors I(p) = 1
Si V(p)  Sn Alors I(p) = n
Si Si-1  V(p)  Si Alors I(p) = i
1. Approche standard

1- Choisir un seuil S (valeur moyenne, médiane, …)


2- Seuiller l’image et déterminer 2 ensembles E1 et E2
3- Calculer la moyenne des 2 ensembles 1(E1) et 2(E2)

4- Calculer

5- Réitérer à partir de 2 jusqu’à ce que S soit constant


2.Méthode d’Otsu

1- Choisir un seuil S (valeur moyenne, médiane, …)

2- Seuiller l’image et déterminer 2 ensembles E1 et E2

3- Trouver S qui permet de maximiser la variance intra-classe :


1-Croissance de régions

-Choisir un point (germe) (ou un ensemble de germes)


-Calculer la moyenne et l’écart type de la région R
-Ajouter à R tous les points x voisins de R tels que |I(x) - R | < Seuil
2-Division et fusion de régions
- Diviser l’image en régions hétérogènes
- Diviser chaque région tant que le critère d’homogénéité n’est pas
vérifié
- Continuer la division jusqu’à arriver au pixel.
- Fusionner les régions homogènes
Contour Discontinuité: Segments, courbes, motifs, frontière entre
objets.

Approches

Vous aimerez peut-être aussi