La segmentation d’image 

La segmentation d’image 

Quelques notions de base sur la segmentation d’image

Introduction

L’analyse et l’interprétation des images sont actuellement trés utilisées dans différents domaines allant de l’aide au diagnostic, en médecine, à la navigation autonome des véhicules en passant par la reconnaicence des visages, des empreintes, de l’iris, le contrôle de qualité des produits manufacturables (bois, tissus, verre, pièces mécaniques,…..etc). Dans un système d’analyse d’images, la segmentation apparaît l’étape la plus importance car toutes les tâches ultérrieures comme l’extraction de primitives, la détection d’une position d’un objet, ou la recennaissance d’un objet dépendent fortement de la qualité de la segmentation.
Nous avons présenté dans ce chapitre quelques notions de base sur la segmentation d’images. nous commençons par les deux définitions : définition d’image et définition de segmentation d’image, nous présentons, ensuite, les différentes approches de la segmentation d’images : segmentation par région, segmentation par contours et segmentation par seuillage. Master : MACS

Définition d’une image

L’image est une représentation d’une personne ou d’un objet par la peinture, la sculpture, le dessin, la photographie, le film…etc. C’est aussi un ensemble structuré d’informations qui, après l’affichage sur l’écran, ont une signification pour l’œil humain. Elle peut être décrite sous la forme d’une fonction p(x, y) de brillance analogique continue, définie dans un domaine borné, tel que x et y sont les coordonnées spatiales d’un point de l’image et est une fonction d’intensité lumineuse et de couleur. Sous cet aspect, l’image est inexploitable par la machine, ce qui nécessite sa numérisation [11]. Le terme d’image numérique désigne, dans son sens le plus général, toute image qui a été acquise, traitée et sauvegardée sous une forme codée représentable par des nombres (valeurs numériques). Pratiquement toujours, la valeur d’un pixel est un mot binaire de longueur K bits, par
conséquent un pixel peut prendre l’une des valeurs de l’intervalle [0, 2 K − 1]. La valeur K est appelée profondeur de l’image. L’ensemble de ces pixels est contenu dans un tableau à deux dimensions (une matrice) constituant l’image finalement obtenue.

Types d’image

Image binaire (noir ou blanc)

Les images binaires sont des images de profondeur K=1 bit, donc un pixel peut prendre l’une des valeurs : noir ou blanc (0 ou 1). C’est typiquement le type d’images que l’on utilise pour scanner du texte quand celui-ci est composé d’une seule couleur.

Image en niveaux de gris

En général, les images en niveaux de gris sont des images de profondeur k=8 bits, donc chaque pixel peut prendre l’une des valeurs de l’intervalle [0,255], où la valeur 0 représente la brillance minimale(le noir) et 255 la brillance maximale (le blanc). Ce type d’image est fréquemment utilisé pour reproduire des photos en noir et blanc ou du texte. Dans plusieurs applications professionnelles de photographie et d’impression ainsi qu’en médecine et astronomie, 8 bits par pixel n’est pas suffisant, pour cela il existe d’autre types d’images en niveaux de gris de profondeur K=12, K=14 ou K=16 bits.

Image couleur

L’espace couleur est basé sur la synthèse additive des couleurs, c’est à dire que le mélange entre différentes couleurs(trois, quatre…) donne une couleur. La plupart des images couleurs sont basées sur trois couleurs primaires : Rouge, Vert et Bleu (RVB) (RGB en anglais), et utilisent typiquement 8 bits pour chaque composante de couleur, donc chaque pixel nécessite 3 × 8 = 24 bits pour coder les trois composantes, et chaque composante de couleur peut prendre l’une des valeurs de l’intervalle [0,255].

Image à valeurs réelles

Pour certains calculs sur les images, le résultat peut ne pas être entier, il est donc préferable de définir l’image de départ et l’image résultat comme des images à valeurs réelles. En général, une image à valeurs réelle est telle que le niveau de gris est un réel compris entre 0.0 et 1.0. On a dans ce cas pour une image à niveaux de gris :

Caractéristique d’image

Pixel

Une image numérique est constituée d’un ensemble de points appelés pixels (abréviation de Picture Elément) pour former une image. Le pixel représente ainsi le plus petit élément constitutif d’une image numérique. L’ensemble de ces pixels est contenu dans un tableau à deux dimensions constituant l’image [1].

La taille d’une image

La taille d’une image est le nombre de pixels de cette image, la taille d’une image qui est représenté par (328 × 456) dont 328 est le nombre de lignes, et 456 est le nombre de colonnes, est égale à : 328 × 456 = 149568 pixels.

Histogramme

Un histogramme est un graphique statistique permettant de représenter la distribution des intensités des pixels d’une image, c’est-à-dire le nombre de pixels pour chaque intensité lumineuse. Par convention un histogramme représente le niveau d’intensité en abscisse en allant du plus foncé (à gauche) au plus clair (à droite). Avec : H(x) est le nombre de pixels dont le niveau de gris est égal à x.

définition de segmentation d’image

La segmentation est un traitement de bas-niveau qui consiste à effectuer une partition de l’image en régions homogènes par rapport à un ou plusieurs critères. Les régions obtenues se distinguent les unes des autres par des différences significatives selon ces mêmes critères. Après ces étapes, nous pouvons introduire un traitement sectoriel de différentes manières. La segmentation consiste à extraire des points, des lignes ou des régions. Le choix d’une technique de la segmentation est liée à plusieurs facteurs comme : la nature de l’image, les conditions d’acquisition (bruit), les primitives à extraire (contour, texture,…). La segmentation fait référence aux notions de similarité comme les perçoit, le système visuel humain et ceci donne naissance à deux approches couramment qualifiées d’approche ( région) et d’approche (frontière).

Différentes approches de la segmentation d’image

Dans la littérature, plusieurs manières de catégoriser les méthodes de segmentation qui s’intègre généralement dans trois approches principales : approche par contours, approche par régions, et approche par seuillage. Dans ce qui suit, on va présenter une description des différentes approches :

La segmentation par contours

es méthodes basées contours sont parmi les méthodes les plus classiques en segmentation d’images. Ces méthodes supposent généralement un modèle a priori des discontinuités recherchées et opèrent de manière très localisée. De façon général, un contour est défini comme étant la frontière entre deux régions. Les méthodes de segmentation basées sur l’approche contour ont donc pour objectif de trouver les lieux de fortes variations du niveau de gris. Nous pouvons citer les approches se basant sur l’opérateur de gradient, l’opérateur Laplacien et les différents filtres à savoir : le filtre de Sobel, Prewitt et Roberts ou bien des approches analytiques comme le filtre de Canny [7,9,16]. Mais ce genre de techniques est peu utilisable car il donne souvent des contours non fermés, bruités ou non détectés, une utilisation des propriétés des régions comprise entre ces contours pourrait nettement améliorer la détection de ce derniers.

La segmentation par région

Contrairement aux techniques d’extraction des contours, La segmentation en régions homogènes est basée sur les propriétés intrinsèques des régions. Le choix de ces propriétés détermine ce qu’on appelle (critère de segmentation). Pour segmenter l’image en régions, ces critères peuvent être la valeur de niveau de gris, de la couleur, de la texture, ou une combinaison de plusieurs informations. D’une manière formelle nous pouvons définir la région par l’ensemble connexe de points répondants au même critère d’homogénéité. Le formalisme de la régionalisation a été introduit par Horowitz et Pavlidis, et est le fondement de base d’un grand nombre de techniques de segmentation en régions.

Le rapport de stage ou le pfe est un document d’analyse, de synthèse et d’évaluation de votre apprentissage, c’est pour cela rapport gratuit propose le téléchargement des modèles gratuits de projet de fin d’étude, rapport de stage, mémoire, pfe, thèse, pour connaître la méthodologie ?avoir et savoir comment construire les parties d’un projet de fin d’étude.

Table des matières

Dédicaces
Remerciements
Introduction générale 
1 Quelques notions de base sur la segmentation d’image 
1.1 Introduction
1.2 Définition d’une image
1.3 Types d’image
1.3.1 Image binaire (noir ou blanc)
1.3.2 Image en niveaux de gris
1.3.3 Image couleur
1.3.4 Image à valeurs réelles
1.4 Caractéristique d’image
1.4.1 Pixel
1.4.2 La taille d’une image
1.4.3 Histogramme
1.5 Définition de segmentation d’image
1.6 Différentes approches de la segmentation d’image
Master : MACS
1.6.1 La segmentation par contours
1.6.2 La segmentation par région
1.7 Segmentation d’image par classification des pixels
1.7.1 Algorithme K-means
1.7.2 Algorithme Estimation-Maximisation (EM)
1.8 Segmentation par seuillage
1.8.1 Définition du seuillage
1.9 Exemples d’applications
1.10 L’importance de la segmentation en statistique décisionnelle
1.10.1 Segmentation marketing de votre marché
2 Méthodes de classification d’image 
2.1 Introduction 
2.2 Méthodes supervisées
2.2.1 Méthodes bayesiennes
2.2.2 Algorithme des k plus proches voisins
2.2.3 Méthodes basées sur les réseaux de neurones artificiels
2.3 Méthodes non Supervisées
2.3.1 Algorithme des K-means
2.3.2 Algorithme des C-moyennes
2.3.3 Algorithme Fuzzy Cmeans (FCM)
2.4 Inconvénients de l’algorithme FCM
3 Les variantes de l’algorithme FCM 
3.1 Introduction
3.2 Variante selon la fonction objectif
3.2.1 Algorithme d’Ahmed et al
3.2.2 Algorithme de Chen et Zhang
3.2.3 Algorithme de Yang et al
3.2.4 Algorithme de Li et Mukaidono
3.2.5 Algorithme Cmoyennes possibiliste (PCM)
3.3 Variante selon la distance
3.3.1 Algorithme de Tsai et Lin
3.3.2 Algorithme FCM basé sur des fonctions noyau
3.4 Variante selon la fuzzification
3.4.1 L’algorithme Miin.Shen Yang ( MSFCM )
3.4.2 l’algorithme de Mohamed Adel Alimi et al
4 Tests et résultats
4.1 Introduction 
4.2 L’imagerie médicale
4.2.1 Imagerie par résonance magnétique (IRM)
4.2.2 L’observation du cerveau
4.3 Présentation des images médicales utilisées
4.4 Les critères utilisées
4.4.1 Coefficient de Partition (Vpc)
4.4.2 Entropie de Partition (Vpe)
4.4.3 Indice de FUKUYAMA et SUGENO (Vfs)
4.4.4 Indice de XIE et BENI (Vxb)
4.4.5 Critère de Max et Min-Max
4.5 L’application de l’algorithme K-means
4.6 Comparision entre l’algorithme FCM et ses variantes
Conclusion générale 
Bibliographie

Rapport PFE, mémoire et thèse PDFTélécharger le rapport complet

Télécharger aussi :

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *