Soutenance mémoire
Télécharger le fichier pdf d’un mémoire de fin d’études
Segmentation basée contour
La détection de contour dans une image est une étape préliminaire dans de nombreuses applications de l’analyse d’images. Les contours constituent des indices riches pour toute interprétation ultérieure. Les contours dans une image proviennent des discontinuités de la fonction d’intensité dans les images en raison d’une texture, d’un ombre, des bords de l’objet etc. Le principe de la détection de contours repose donc sur l’étude des dérivées de la fonction d’intensité dans l’image. Citons par exemple les approches basées sur les différences finies comme les opérateurs du gradient et du laplacien, les filtres de Prewitt, Sobel, Roberts ; ou basées sur des critères d’optimalité comme le filtre de Canny [C’1983]. Signalons qu’une présence du bruit dans l’image peut rendre la tâche de la détection des contours un peu difficile. Les méthodes exploitant des accumulateurs, telles que la transformée de Hough, ont été proposées dans d’autres travaux pour extraire des courbes paramétrées (droites, cercles, ellipses) de manière robuste ; mais ces méthodes sont généralement assez lourdes, surtout si le nombre de paramètres augmentent (deux pour une droite, quatre pour une ellipse, etc.)
La figure 2.2 illustre deux extractions possibles des gradients en utilisant les filtres de Canny (figure 2.2 (a)) ou le filtre de Prewitt (figure 2.2 (b)). Ces gradients définissent des contours qui n’ont pas tous le même intérêt pour nous. Les contours de la feuille sont bien marqués, alors que le contour du papillon n’a pas une intensité constante. Si l’on peut déterminer l’intensité à laquelle les gradients sont détectés, on ne peut cependant pas déterminer leur nombre, s’assurer de leur connexité, ou leur donner un sens quant à leur appartenance à l’objet. Autrement dit, tous les gradients détectés n’appartiennent pas au contour du papillon, et nous ne saurions les faire disparaître sans perdre de la même manière une partie des contours du papillon. De plus, ces contours ne sont pas forcément fermés et ne définissent donc pas des régions séparées.
Segmentation basée région
Certaines méthodes morphologiques, comme la segmentation parla ligne de partage des eaux [BM’1993], permettent de définir des régions à partir des gradients de l’image. La figure 2.3 illustre la segmentation de l’image de la figure 2.1 en utilisant la méthode de la ligne de partage des eaux (watershed).Cette méthode est rapide en temps du calcul mais fournit souvent un nombre très grand de régions qu’il faudra par la suite fusionner pour obtenir une segmentation correcte des objets dans l’image.
Une autre approche est appelée division-fusion (split and merge) [HP’1977] et consiste soit à diviser une image et puis fusionner les régions adjacentes selon des critères d’homogénéité, soit à diviser l’image de façon itérative tant que les régions ne sont pas assez homogènes. On utilise souvent des arbres ou des graphes (quadtree) pour effectuer cette étape.
Une autre méthode basée région dite croissance de régions (region-growing) [HS’1992], est classifiée parmi les méthodes de segmentation basée sur les pixels vu qu’elle fait agrandir un ensemble de semences initiales (des pixels initiaux) choisies dans l’image. Cela rend cette méthode assez sensible au nombre et au positionnement des semences initiales. Cette approche examine (selon un critère d’homogénéité) le voisinage de ces pixels initiaux afin de déterminer si le voisinage du pixel peut être inclus dans la région contenant ce pixel et ainsi faire croitre cette région.
Il existe des méthodes qui permettent une classification (clustering) des pixels de l’image en sous-ensembles possédants des caractéristiques proches. Au lieu de sélectionner un seul seuil pour répartir les pixels en deux classes, les histogrammes (pour une image couleur) sont analysés pour extraire plusieurs sous-classes [A’2005]. L’approche présentée dans [A’2005] a été en particulier proposée au LAAS par G. Aviña Cervantés comme étape préliminaire de la segmentation d’images couleur.
Une autre approche très connue est la méthode de segmentation par k-means ([H’1975], [McQ’1967]), qui consiste à classifier les pixels de l’image en k classes en minimisant, pour chaque classe, une distance entre un pixel de la classe et le représentant de cette classe.
La figure 2.4 présente la segmentation de l’image du papillon en 3 régions (figure 2.4 (a)) et en 4 régions (figure 2.4 (b)). Pourtant, cette méthode ne permet pas de distinguer les pixels faisant partie de l’objet (qu’on veut segmenter) de ceux appartenant au fond de l’image.
Le papillon dans la figure 2.4 est constitué de plusieurs régions de différentes couleurs et il n’est pas distingué du reste de l’image.
Segmentation par contour actif
Une dernière approche que nous présentons consiste à définir un contour fermé et à le faire évoluer vers l’objet d’intérêt. Les déformations de cette courbe sont déduites de la dérivation d’une fonctionnelle à optimiser caractérisant l’objet. Les travaux sur les contours actifs se divisent en deux variantes qui sont des méthodes uniquement basées sur des informations contour, ou bien celles intégrant des caractéristiques sur les régions et donc des informations plus globales sur les objets à segmenter d’une image.
Cette méthode du contour actif sera discutée en détails dans le chapitre 3 puisque c’est la méthode utilisée dans notre travail pour la segmentation d’image et plus précisément la segmentation des objets. La figure 2.5 illustre la segmentation du papillon par contour actif. La position initiale et celle à l’état de convergence du contour actif sont illustrées dans les figure 2.5 (a) et 2.5 (b), respectivement.
Caractéristiques pouvant être prise en compte pour la segmentation
– Forme de la région à extraire.
Considérer un a priori de forme parait nécessaire pour segmenter une image quand les intensités dans la région à extraire sont non-homogènes, quand de fréquentes occultations apparaissent ou quand un bruit important est présent dans les images. Par conséquent, avoir une information a priori sur la forme de la région à extraire peut résoudre le problème.
Les auteurs dans [GBA’2004] par exemple, utilisent un critère comportant la forme de la région à extraire en se basant sur un contour actif (voir le chapitre 3 pour une étude plus détaillée sur les contours actifs). L’information a priori sur la forme est définie comme une fonction de distance entre le contour actif et le contour de référence (contour défini au préalable de la forme de la région à extraire). Dans [LBFARS’2006], les auteurs ont combiné un a priori sur la forme et un a priori sur le bruit dans la segmentation d’images basée sur les contours actifs. L’évolution du contour actif dans [LBFARS’2006] est dérivée d’un critère global qui combine d’un côté, les propriétés statistiques de l’image qui prennent avantage d’un modèle prédéfini de bruit, et d’un autre côté une information géométrique qui consiste à minimiser la distance entre les moments de Legendre d’une forme [TC’1988] avec ceux d’une référence.
– Texture.
La texture est un ensemble de paramètres calculés qui nous donnent des informations sur la disposition spatiale de la couleur ou l’intensité d’une image en cherchant à quantifier les corrélations et relations entre les couleurs ou intensités des pixels en fonction de la distance qui les sépare. Ces relations ne sont pas toujours faciles à interpréter. Une texture peut être artificiellement crée ou trouvée dans des scènes naturelles capturés dans l’image. Les textures d’images peuvent être utilisées pour segmenter une image ou contribuer à un processus de classifications en raison de la richesse d’information qu’elles possèdent. La figure 2.6 illustre quelques exemples de textures prises de l’album de textures de Brodatz [B’1966] pour présenter un objet texturé (figure 2.6 (a)), un fond texturé (figure 2.6 (b)) et un objet texturé sur un fond texturé (figure 2.6 (c)). Les auteurs dans [LFBRA’2008] ont proposé de segmenter les textures dans les images en mesurant une distance donnée pour une segmentation supervisée et non supervisée des images en utilisant les contours actifs basés région. Pour le cas supervisé, ils minimisent une distance entre les coefficients de la fonction de densité de probabilité d’une texture de référence et ceux de la texture à segmenter. Tandis que pour le cas non-supervisé, ils maximisent la divergence de Kullback-Leibler (KLD) entre les coefficients de la fonction de densité de probabilité.
Segmentation d’objets pour des applications en Robotique
La vision chez l’homme est un processus dynamique pendant lequel les yeux échantillonnent en continu leur environnement tel que plus d’un tiers du cerveau humain est dédié au processus de la vision [FG’2003]. Ce n’est pas étonnant vu que le cerveau acquiert des informations sur le monde extérieur à travers ce processus. Pour qu’un robot puisse agir et intervenir dans un monde dynamique, par nature très complexe, il est très important d’avoir un tel système de vision chez les robots. Par exemple, afin qu’un robot puisse naviguer dans un environnement d’intérieur ou d’extérieur sur un chemin, il faut avoir des techniques qui permettent d’effectuer l’opération de segmentation dégageant les pixels appartenant à ce chemin. Dans d’autres applications, le robot exécute généralement une tâche prédéfinie, comme le suivi d’un élément qu’il doit reconnaître dans l’environnement tout au long d’une région navigable [LBG’1997]. La détection des zones navigables [BHCD’1996] et la détection d’obstacles lors du déplacement du robot [MLG’2000] exploitent la construction et la fusion des cartes d’environnement. Pour pouvoir exécuter une tâche de navigation, le robot requiert des fonctions additionnelles pour la détection et le suivi d’amers (discontinuité sur la ligne d’horizon, bâtiments, un grand arbre, etc.) exploités pour se localiser ou pour exécuter des commandes asservies. C’est ici que la vision (stéréo ou monoculaire) joue son rôle par des techniques de segmentation, de caractérisation/classification par texture et couleur dans l’image segmentée, méthodes les plus adaptées pour maintenir le véhicule sur la région navigable ; cependant, rares sont les papiers qui rapportent l’utilisation de la texture dans le contexte de l’évitement d’obstacles ou de la navigation [BB’1996]. Par exemple, Fernandez [FM’1995] présente une approche pour la détection rapide et automatique de routes, en utilisant une segmentation de l’image par une analyse de texture sur une architecture de réseau de neurones.
Le suivi d’objet sur des séquences vidéo est une opération très importante en Robotique ou pour la vidéo-surveillance d’un environnement. Le suivi est basé sur la segmentation préalable obtenue sur une image initiale. Plusieurs approches ont été proposées pour initialiser une approche de suivi. Dans le contexte vidéo-surveillance, la caméra est fixe ; les objets d’intérêt sont généralement les objets mobiles. Des segmentations fond-forme fondées sur des différences d’images ou sur un modèle appris du fond, sont souvent appliquées pour la segmentation initiale des objets d’intérêt [A’2000].
Dans [ADM’2003], il s’agit de suivre les bords d’une route pour contrôler un robot qui la suit : l’approche proposée exploite d’abord une segmentation en régions basée sur la couleur, puis une classification des régions extraites fondée sur des connaissances a priori sur l’apparence de la route (couleur et texture). Le suivi est assuré par la méthode de contour actif proposée dans [M’2004]. Une réinitialisation périodique est mise en œuvre afin d’éviter les dérives propres à toute méthode de suivi fondée uniquement sur des critères locaux. Dans [ADH’2011], il s’agit de suivre des obstacles détectés depuis des images acquises depuis une caméra embarquée sur un robot. Une approche de raisonnement a contrario est d’abord appliquée pour extraire un ensemble de points mobiles appartenant aux images des obstacles ; ils sont ensuite suivis par l’algorithme KLT ou Shi-Tomasi fondé sur la corrélation. Cette approche a été complétée dans [MD’2012] ; afin de pallier le nombre trop important de fausses détections, une approche de reconnaissance fondée sur un apprentissage effectué au préalable, est appliquée pour ne suivre que des obstacles reconnus comme étant des piétons ou des véhicules.
Un objet peut avoir une apparence très différente selon le point de vue ou les conditions d’illumination ; de ce fait une seule méthode de suivi peut être mise en échec si la méthode exploitée à l’instant courant, n’est plus adaptée. Dans [A’2000] et [M’2004], il a été proposé des stratégies de coopération entre plusieurs méthodes pour rendre le suivi plus robuste, ou pour enchaîner des approches de suivi différentes lorsqu’un robot évolue dans l’environnement. Par exemple, un robot contrôlé en asservissement visuel, peut prendre en entrée d’abord une cible définie par des points, puis les contours de la zone navigable définis par des segments en milieu intérieur, ou une courbe spline en milieu extérieur, puis un contour actif définissant un objet à rejoindre (un arbre, un rocher, etc.).
La plupart des approches permettant la détection et le suivi d’objets par Vision exploitent donc la coopération d’opérateurs de segmentation et de suivi. Une autre technique de plus en plus populaire [ARS’2008], consiste à n’exploiter que la détection, et des méthodes probabilistes d’association entre objets détectés dans les images successives d’une séquence vidéo. Par exemple, les méthodes les plus robustes pour détecter des piétons depuis des images acquises à bord d’un véhicule, se fondent sur la détection de piétons dans chaque image, par une approche de classification.
Que cela soit pour l’association entre objets détectés d’une image à la suivante, ou pour le suivi d’un objet dans l’image courante à partir de sa position dans l’image précédente, les méthodes probabilistes d’association ou de suivi exploitent des modèles dynamiques connus a priori, ou appris sur les images précédentes, concernant le mode de déplacement de l’objet suivi ; par exemple dans une application transport, suivre un piéton ou un véhicule exploitera des modèles dynamiques différents.
Contours actifs basés région et contour
Dans les deux sections précédentes, nous avons discuté les types d’approches de la méthode du CA ; à savoir, l’approche basée contour et l’approche basée région. D’autres approches coopératives contours/région des CAs permettent d’exploiter les avantages de ces deux types d’approches comme les travaux présentés par exemple dans [S’2012] et [AZ’2011]. Les auteurs dans [S’2012] ont combiné une approche du CA basé région locale avec les CAs géodésiques pour parvenir à la segmentation des objets ayant des textures hétérogènes. La coopération contour/région des CAs a été étudiée aussi dans [AZ’2011] tel que les auteurs ont présenté un modèle du CA qui limite ce contour d’être géodésique par rapport à une énergie pondérée tout au long du processus d’évolution du CA.
Types d’approches des contours actifs basés région
Approche globale basée région
Cette approche a été utilisée par plusieurs auteurs dans la littérature ([TYW’2001], [YTW’2002], [VC’2002], [CV’2001], [CSV’2000]). Ces derniers ont tenté d’utiliser une information globale sur la région à détecter ainsi que sur le fond. Cette contrainte globale pour ce type d’approche rend la convergence du CA rapide vu qu’elle exploite une information globale sur la région. Aussi ce type d’approche est robuste face au bruit (qui peut être présent dans l’image) ainsi qu’à la position initiale du CA. Les auteurs dans [CBA’1993] et d’autres dans [R’1994] sont les premiers qui ont utilisés ce type d’approche utilisant des critères basés région. Cohen et al. Présentent une méthode de reconstruction de surface en exploitant les CAs basés région. Ronfard définit une vitesse proportionnelle à la différence des critères définissant l’objet de ceux définissant le fond dans le but de segmenter l’image en deux régions. Un algorithme est appelé compétition de régions (Region competition) a été introduit par Zhu et Yuille dans [ZY’1996]. Les auteurs dans [ZY’1996] combinent des caractéristiques géométriques des CAs avec les techniques de la croissance de région. Ils utilisent dans la fonctionnelle de l’énergie une fonction de densité de probabilité (Probability Density Function (pdf)). Le travail de Chan et Vese dans [CV’2001] et qui est basé sur celui des auteurs dans [MS’1989] utilisent la moyenne des intensités pour définir le critère d’énergie du CA. est illustré en noir, le CA est illustré par la courbe bleue et le point jaune représente un point sur le CA. Pour ce type d’approche, les pixels utilisés pour le calcul de l’énergie sont tous ceux qui sont à l’intérieur et à l’extérieur du CA (zone verte ombragée) et cela pour chaque point sur le CA. D’où la robustesse au bruit éventuel sur l’image ainsi qu’à l’initialisation du.
Approche locale basée région
L’inhomogénéité des intensités apparaît souvent sur les images réelles à cause de différentes modalités ; donc ça sera difficile de maintenir la contrainte globale sur les données de l’image. Pour pallier ce problème, les auteurs dans [LT’2008] ont pensé à recourir à l’approche basée région mais différemment de telle sorte qu’elle minimise spatialement les contraintes emprisonnant l’approche globale. D’où l’idée d’appliquer la contrainte globale non plus sur toute l’image ou sur toute la région à détecter mais tout simplement sur un voisinage des points constituants le CA. Ces auteurs ont considéré les statistiques locales de l’image au lieu des statistiques globales, tel que le CA évolue en se basant sur des informations locales.
La figure 3.4 montre le principe de l’approche locale des CAs basés région tel que lasélection locale est illustrée par le disque (en pointillé rouge). Autrement dit, pour un point donné sur le CA (point jaune sur la figure 3.4), on ne considère qu’une petite zone centrée par ce point et par conséquent, la contrainte (de l’approche basée région) va être exigée uniquement sur ce voisinage. Cela est appliqué pour chaque point le long du CA. Ce modèle est plus robuste à l’hétérogénéité mais exigeant quelques contraintes locales, comme la présence d’une certaine homogénéité, de chaque côté du CA sur la zone locale sélectionnée.
Ces CAs basés région locale ont montré leur capacité à pouvoir segmenter des objets hétérogènes qui sont difficiles à segmenter en utilisant l’approche globale.
Le choix des statistiques locales à l’intérieur et à l’extérieur du CA est basé sur la définition d’une fonction disque, définie par l’équation (3.10), qui masque les régions locales définies comme l’intersection de ce disque avec l’intérieur et l’extérieur du CA comme présenté dans [LT’2008]. Cette fonction disque (centrée en x) est exprimée par : tel que rad est le rayon du disque et l est un point sur l’image. Cette fonction B(x, l) vaut 1 dans la région locale centrée en x et 0 ailleurs. En particulier, si on considère que rad est infini, on revient au cas des statistiques globales où tous les pixels de l’image vont être considérés dans le calcul de l’énergie.
Modélisation du contour actif
Si la définition de l’énergie constitue une étape fondamentale des méthodes de segmentation par CAs, la conception du modèle du contour représente, elle aussi, un enjeu majeur quant à la précision, la rapidité et la stabilité de la méthode. Principalement, deux conceptions peuvent être utilisées pour la modélisation des CAs. La première représente les CAs d’une manière implicite (implémentation par la méthode des ensembles de niveaux (level set)). La seconde représente les CAs d’une manière explicite et les contours dans ce cas sont le plus souvent paramétriques (implémentation par la méthode des B-splines cubiques). Nous présentons rapidement ces deux approches (level set et B-splines) pour comparer les avantages et les inconvénients de chaque approche.
Programmation dynamique
La programmation dynamique est un paradigme de conception qu’il est possible de voir comme une amélioration ou une adaptation de la méthode « diviser et régner ». Ce concept a été introduit par Bellman [BD’1959], dans la fin des années 50, pour résoudre typiquement des problèmes d’optimisation1. En réalité, le terme programmation signifiait à l’époque plus « planification » et « ordonnancement » que la programmation au sens qu’on lui donne de nos jours. En un mot, la programmation dynamique est un ensemble de règles que chacun peut suivre pour résoudre un problème donné. Cette méthode est similaire à la méthode « diviser et régner » dans le sens qu’une solution d’un problème dépend des solutions précédentes obtenues des sous-problèmes. La différence significative entre ces deux méthodes est que la programmation dynamique permet aux sous-problèmes de se superposer. Autrement dit, un sous-problème peut être utilisé dans la solution de deux sous-problèmes différents ; tandis que l’approche diviser et régner crée des sous-problèmes qui sont complètement séparés et peuvent être résolus indépendamment l’un de l’autre. Une illustration de cette différence est montrée par la figure 3.8. Dans cette figure, le problème à résoudre est à la racine, et les descendants sont les sous-problèmes, plus faciles à résoudre. Les feuilles de ce graphe constituent des sous-problèmes dont la résolution est triviale.
Résultats expérimentaux
Afin d’évaluer les performances des deux techniques Global IN-Local OUT et Local IN-Global OUT [AHDBRicip’2011], nous les avons appliqué sur des images synthétiques et réelles en utilisant deux énergies basées région du CA exprimées par les deux équations (3.8) et (3.9) du chapitre 3. Il ne s’agit pas de comparer les résultats expérimentaux obtenus selon l’énergie choisie mais plutôt de présenter la performance de l’approche proposée par rapport aux méthodes conventionnelles. Les résultats sont présentés sur des images présentant des attributs hétérogènes soit sur l’objet d’intérêt soit sur le fond. Cette approche n’inclut pas un critère d’hétérogénéité ; ce qui implique que le choix de l’une ou l’autre des deux techniques proposées dépend de la connaissance a priori de la zone où apparait l’hétérogénéité.
Segmentation d’objet dans une image synthétique
La figure 4.3 montre une image synthétique avec une distribution du bruit de Poisson tel que l’objet d’intérêt est présenté par les aires en noir et en gris clair (présence d’hétérogénéité). En utilisant une initialisation inadéquate de la courbe (figure 4.3 (a)), les figures 4.3 (b-d) présentent les résultats de segmentation obtenus par différentes approches.
En utilisant le descripteur défini par l’équation (3.9) du chapitre 3, la segmentation par l’approche globale ne parvient pas à segmenter correctement l’objet d’intérêt du fait de l’hétérogénéité de ce dernier comme le montre la figure 4.3 (b).
En effet, dans la figure 4.3 (b), le CA segmente une région qui vérifie globalement le critère choisi pour cet exemple qui est la maximisation d’erreur entre les deux moyennes des intensités intérieures et extérieures du CA. La figure 4.3 (c) montre le résultat de l’approche locale qui semble avoir le même résultat que l’approche globale mais la raison est tout à fait différente. En effet, dû à l’initialisation inadéquate de la courbe proche aux faux contours (séparant le gris clair du noir), les statistiques des régions locales ont emprisonné le CA. Ce dernier a été attaché à ces contours non désirés et a capturé seulement une partie de l’objet d’intérêt au lieu de l’objet tout entier. La figure 4.3 (d) illustre le résultat de la segmentation par la technique Local IN-Global OUT qui montre que le CA est protégé de l’hétérogénéité intérieure en extrayant seulement localement l’information intérieure. Aussi, l’initialisation très proche des faux contours n’a pas emprisonné l’évolution du CA grâce à la vue extérieure globale qui a guidé le CA vers les contours de l’objet révélant que le maximum de séparation des moyennes des intensités intérieures et extérieures est atteint. L’approche proposée a été capable de segmenter un objet hétérogène avec une initialisation inadéquate de la courbe dans une image bruitée.
Segmentation d’objet dans des images réelles
Nous avons testé les deux techniques dans le cas où l’hétérogénéité se présente soit sur l‘objet soit sur le fond et évalué leur performances par rapport à l’hétérogénéité ainsi qu’au bruit et à l’initialisation du CA.
Segmentation d’un objet hétérogène sur un fond homogène
Etudions l’impact de la présence du bruit additif dans une image réelle sur la segmentation d’un objet hétérogène (représenté par un cahier) sur un fond homogène, grâce aux résultats présentés dans le cas de la segmentation dans l’image originale (figures 4.4 (b-d)) et l’image bruitée avec un bruit additif « poivre & sel » (figures 4.4 (f-h)). La même initialisation de la courbe est employée (figures 4.4 (a) et 4.4 (e)). Le descripteur utilisé, présenté dans [CV’2001] et défini par l’équation (3.8) du chapitre 3, cherche à segmenter les régions homogènes représentées par leur moyenne d’intensités. A partir des résultats obtenus dans les figures 4.4 (b) et 4.4 (f), l’approche globale échoue à segmenter correctement le cahier en raison de la similarité, en terme de moyenne d’intensités, entre une partie du cahier et le fond.
Avec la même initialisation de la courbe et en utilisant l’approche locale, les figures 4.4 (c) et 4.4 (g) donnent des résultats différents à cause du bruit additif qui a empêché le CA de trouver tous les contours de l’objet d’intérêt dans la figure 4.4 (g). Le résultat de segmentation par la technique Local IN-Global OUT dans la figure 4.4 (d) fournit une segmentation correcte comme pour le cas de l’approche locale (figure 4.4 (c)). Aussi, dans la figure 4.4 (h), notre technique Local IN-Global OUT reste robuste contre le bruit additif et cela grâce à la vue extérieure globale qui a donné au CA la possibilité de continuer son évolution jusqu’à ce qu’il atteigne tous les contours de l’objet d’intérêt.
Segmentation d’un objet homogène sur un fond hétérogène
Nous avons également étudié l’impact de la présence du bruit additif sur un autre exemple pour segmenter un objet homogène (navire) sur un fond hétérogène en utilisant le critère d’énergie (équation (3.8) du chapitre 3) en utilisant la deuxième technique proposée Global IN-Local OUT. Les figures 4.6 (b-d) et les figures 4.6 (f-h) présentent, respectivement, la segmentation du navire sur une image originale et sur la même image en présence du bruit additif « poivre & sel ». La même initialisation de la courbe est employée (figures 4.6 (a) et 4.6 (e)). A partir des résultats obtenus dans les figures 4.6 (b) et 4.6 (f), l’approche globale échoue à segmenter l’objet d’intérêt à cause des attributs hétérogènes (fond hétérogène). Avec la même initialisation de la courbe et en utilisant l’approche locale, les figures 4.6 (c) et 4.6 (g) donnent des résultats différents à cause du bruit additif qui a empêché le CA de trouver tous les contours de l’objet d’intérêt dans la figure 4.6 (g).
Le résultat de la segmentation par notre seconde technique Global IN-Local OUT présenté dans la figure 4.6 (d) fournit une segmentation correcte comme pour le cas de l’approche locale (figure 4.6 (c)). Aussi, dans la figure 4.6 (h), notre technique Global IN-Local OUT reste robuste à la fois contre le bruit additif et à l’hétérogénéité du fond. L’avantage de notre technique, d’une part par rapport à l’approche locale, réside dans le fait qu’avec le descripteur utilisé, le CA cherche à segmenter des objets homogènes (avec une robustesse au bruit grâce à l’extraction intérieure globale) ; par contre l’approche locale cherche l’homogénéité seulement au voisinage du CA sur les zones locales. D’autre part, notre approche est avantageuse par rapport à l’approche globale car l’extraction des statistiques à l’extérieur du CA se fait uniquement localement, d’où la robustesse à l’hétérogénéité du fond. Le CA n’est donc pas piégé par les attributs hétérogènes du fond comme c’était le cas de l’approche globale.
|
Table des matières
Chapitre 1 : Introduction
1.1 Contexte
1.2 Problématique et objectifs de recherche
1.3 Description de l’organisation du manuscrit
Chapitre 2 : Analyse d’images pour la détection et le suivi d’objets
2.1 Introduction
2.2 Segmentation d’images
2.2.1 Segmentation basée contour
2.2.2 Segmentation basée région
2.2.3 Segmentation par contour actif
2.2.4 Caractéristiques pouvant être prise en compte pour la segmentation
– Forme de la région à extraire
– Texture
2.3 Segmentation d’objets pour des applications en Robotique
2.4 Conclusion
Chapitre 3 : Segmentation d’objets par la méthode du contour actif
3.1 Introduction
3.2 Définition et terminologie
3.3 Energie du contour actif
3.4 Contours actifs basés contour
3.5 Contours actifs basés région
3.6 Contours actifs basés région et contour
3.7 Types d’approches des contours actifs basés région
3.7.1 Approche globale basée région
3.7.2 Approche locale basée région
3.8 Modélisation du contour actif
3.8.1 Ensembles de niveaux (level set)
3.8.2 B-Splines cubiques
3.9 Optimisation de l’énergie du contour actif
3.9.1 Descente de gradient
3.9.2 Programmation dynamique
3.10 Conclusion
Chapitre 4 : Contour actif basé région combinant une information locale et globale
4.1 Introduction
4.2 Segmentation d’un objet homogène sur un fond hétérogène
4.3 Segmentation d’un objet hétérogène sur un fond homogène
4.4 Résultats expérimentaux
4.4.1 Segmentation d’objet dans une image synthétique
4.4.2 Segmentation d’objet dans des images réelles
(a) Segmentation d’un objet hétérogène sur un fond homogène
(b) Segmentation d’un objet homogène sur un fond hétérogène
4.4.3 Segmentation et suivi d’un objet mobile
4.5 Conclusion
Chapitre 5 : Un contour actif robuste pour la segmentation d’objet dans le cas hétérogène
5.1 Introduction
5.2 Intérêt de l’utilisation de deux rayons différents
5.3 Sélection des statistiques locales en utilisant les deux rayons
5.4 Objet d’une taille large placé avec des voisins proches
5.5 Objet d’une taille petite placé avec des voisins loin
5.6 Résultats expérimentaux
5.6.1 Segmentation d’objet dans des images synthétiques
5.6.2 Segmentation d’objet dans des images réelles
5.6.3 Temps de calcul et convergence de l’énergie
5.7 Conclusion
Chapitre 6 : Suivi d’objet par un contour actif hybride basé région et points d’intérêt
6.1 Introduction
6.2 Suivi d’objet
6.3 Extraction des points d’intérêt
6.4 Approche hybride proposée
6.4.1 Sélection automatique de la technique du contour actif basé région
6.4.2 Information sur le mouvement des points d’intérêt de l’objet
6.4.3 Algorithme de l’approche hybride proposée pour le suivi d’objet
6.5 Résultats d’expérimentation
6.5.1 Segmentation d’objet dans des images statiques
6.5.2 Suivi d’objet sur des séquences vidéo
(a) Cas de la présence d’autres objets mobiles dans la scène
(b) Cas d’une similarité entre les régions de l’objet et du fond
Chapitre 7 : Conclusion et perspectives
7.1 Bilan
7.2 Organigramme récapitulatif
7.3 Perspectives
7.3.1 Automatiser l’initialisation du contour actif
7.3.2 Automatiser le choix du rayon de la localisation
7.3.3 Automatiser le choix de la technique de segmentation
7.3.4 Application sur un robot pour améliorer un système de suivi d’objets
Bibliographie
Télécharger le rapport complet
