Deux sujets traités La segmentation d’images La détection des changements.

Deux sujets traités

• La segmentation d’images• La détection des changements

La segmentation d’images: approches standard

• Segmentation orientée frontières• Segmentation orientée régions

Segmentation orientée frontière

EXEMPLE1. On choisit une bande spectrale et l’on applique un algorithme de détection d’arêtes

EXEMPLE (suite)2. On applique divers algorithmes (seuillage et amincissement des

arêtes, suivi d’arêtes, fermetures et formation de contours) afin d’obtenir une carte des entités polygonales

Exemple (suite et fin)3. On extrait des traits caractéristiques de l’image et l’on

applique des algorithmes de classification afin d’étiqueter chaque entité polygonale

Segmentation orientée régions

• Décomposition/fusion• Croissance des régions• Ligne de partage des eaux

Illustrations: méthodes de segmentation orientées région

Matériel provenant de la publication:

Un pixel est-il similaire à un ou plusieurs des ses voisins?

• Le cas échéant ils forment une région• Mais comment mesurer la similarité entre

pixels voisins?• Image N&B différence entre les niveaux

de gris< à un seuil imposé par l’opérateur• Image à plusieurs dimensions distance

spectrale• Similarité de texture? mesures plus

complexes … encore sujet de recherche

Le graphe d’adjacence

• Un outil nécessaire pour les opérations de segmentation

La méthode décomposition/fusion (split/merge)

La fusion

Fusion

Croissance des régions: choix des points de départs (germes)

Croissance des régions

Ligne de partages des eaux

Carte d’élévations

• On part d’une image de gradient: les pixels avec le plus fort gradient sont localisés (lignes de crête)

• L’élévation de tout autre point est calculée en fonction de sa distance à ces pixels

Remplissage des bassins par infiltration (flooding)

Réduction du nombre de régions

• On se sert de la graphe d’adjacence

• Les petites régions sont absorbées par leur voisines selon leur distance

• Distance = « coût » de rendre similaire une région par rapport à ses voisins (fonctions de sa valeur moyenne et de sa superficie)

• On cherche l’arc avec la plus faible valeur et les deux régions sont fusionnées

• On ajuste le graphe d’adjacence et on recommence le processus jusqu’à atteindre les conditions imposées au départ (nombre de régions, valeurs moyennes, etc.)

Un exemple

• Croissance des régions guidée par l’opérateur

Croissance des régions guidées par la carte

Exemple: recherche du trait de côte sur image RADARSAT

Accroissement

• Une série de pixels est définie: les germes

Accroissement

Une région: tous les valeurs des pixels satisfont un certain critère de similarité

Résultats

La segmentation d’images: autres approches

• L’algorithme du mean-shift: adaptation d’un algorithme de classification non dirigée (mean-shift) à la classification locale

Exemple 1: Image originale

Exemple 1: image segmentée

Exemple 1: contours segments

Couleur+taille+régularité du contour+ ombrage = bâtiment

Couleur + élongation du segment = chemin

Bâtiment: cas très complexe (édition + nettoyage manuelle)


Pour la couleur – transformation RGB à Lab

Deux sujets traités La segmentation d’images La détection des changements.

Documents

Transcript of Deux sujets traités La segmentation d’images La détection des changements.