Traitement d’images 3ème partie :...
-
Upload
nguyentram -
Category
Documents
-
view
216 -
download
0
Transcript of Traitement d’images 3ème partie :...
Plan
• Applications, perception, représentation…
• Prétraitements– Amélioration
– Restauration
• Traitement : Segmentation
• Traitement de 2 images
Objectifs
• Etude de la segmentation
• But : chercher une ou plusieurs régions homogènes
Résultat : mesure
de la surface de
la tumeur
Segmentation
Recherche de régions
(approches « régions »)
Recherche de frontières
(approches « contours »)
Segmentation, contour, region
Détection de contours
• Rappel de filtrage passe-bas
Convolution avec un masque pour lisser les
régions de l’image
Détection de contours
• Régions homogènes � BF de l’image
• Filtre passe-bas
– Somme de pixels
• Contours � HF de l’image
• Filtre passe-haut
– Différence de pixels
Détection de contours
• Les contours de l’image : sont les HF de l’image
– Filtrage passe-HAUT
– Même principe de filtrage linéaire
Filtre PrewittFiltre Prewitt Filtre
Gradient
Comment peut on obtenir les contours de l’image avec ce masque ? Cf en 1D
Détection de contours
– donne les contours verticaux» Gradient en x
–
– donne les contours horizontaux» Gradient en y
Détection de contours
• Masque de Prewitt
• La dérivation accentue le bruit, d’où :
• Variante : filtre de Sobel (autre manière de calculer le gradient)
Pour lisser les images,rendre homogènes les régions
qui représentent
les basses fréquences de
l’image,
on applique
un filtre passe-bas(type moyenneur, gaussien)
qui a pour principe
de faire la somme (moyenne) des pixels du voisinage
ce qui revient à
intégrer localement.
qui représentent
Pour faire ressortir
les contours de l’image
on applique
un filtre passe-haut(type sobel)
les hautes fréquences de l’image,
qui a pour principe
de faire la différence des
pixels du voisinage
ce qui revient à
dériver localement.
Pour lisser les images,rendre homogènes les régions
qui représentent
Pour faire ressortir
les contours de l’image
les basses fréquences de
l’image,
on applique
un filtre passe-bas(type moyenneur, gaussien)
un filtre passe-haut(type sobel)
les hautes fréquences de l’image,
qui a pour principe
de faire la somme (moyenne) des pixels du voisinage
de faire la différence des
pixels du voisinage
ce qui revient à
intégrer localement. dériver localement.
Détection de contours
• Filtre dérivatif sensible au bruit
• Différences de gaussiennes
(a) Profil idéal
(b) Profil observé (flou)
(c) Filtré par une gaussienne
(encore plus flou)
(d) Mise en évidence des contours
Rehaussement de contours
• 2 possibilités
– DoG
– Laplacien
• Utilisation de la différence de gaussienne• Exercice en 1D
Rehaussement de contours
• Autre possibilité : utilisation du laplacien
– Dérivée 2ème de l’image
– Exercice en 1D [-1 2 -1]
Exercices
Détection de points de contours avec le Laplacien
Soit les 2 masques et l’image suivants :
Les 2 masques font-ils de la détection de contours ?
Quel masque est plus efficace ?
Approches régions
• 4 méthodes :
• Seuillage
• Croissance de régions
• Split-and-merge
• Clustering (k-moyennes)
Approches région
• Seuillage ( thresholding)
0 50 100 150 200 250
0
1000
2000
3000
4000
5000
6000
100 200 300 400 500 600 700
100 200 300 400 500 600 700
150=T
On dit aussi binarisation
Approches région
• Seuillage
100 200 300 400 500 600 700
100 200 300 400 500 600 700
50
100
150
200
250
300
350
400
450
500
550
64=T
0 50 100 150 200 250
0
1000
2000
3000
4000
5000
6000
100 200 300 400 500 600 700
50
100
150
200
250
300
350
400
450
500
550
127=T
100 200 300 400 500 600 700
50
100
150
200
250
300
350
400
450
500
550
180=T
100 200 300 400 500 600 700
150=T
Approches régions
• Croissance de régions ( region growing)
– choix d'un germe
– propagation selon un certain critère
Source : LIRMM
Segmentation de la graisse sous-cutanée et viscérale sur des images scanner acquises chez des patients atteints du VIH
Source : Synarc
Croissance de régions
Croissance de régions
• Image scanner
– Codage sur 12 bits 4096 valeurs
– En unités Hounsfield : [-1024 ; 3071]
• Air : -1024 HU
• Eau : 0 HU
• Graisse : -120 à –60 HU
• Os : 1000 HU
Segmentation par croissance de région selon un critère de seuillage
A partir du germe :
pixel ∈ régionsi son intensité ∈
[-120,-60]
Croissance de régions
Source : Synarc
Approches régions
• Algorithme « Split-and-merge »
• Splitting : On divise les régions non-homogènes
partager fusionner
Image originale 4 régions 4 régions(rien à fusionner)
split merge
Itération 1
Split � divise chaque région non-uniforme en 4Merge� fusionne toutes les régions uniformes adjacentes
Split and merge
De l’itération 1 13 régions 4 régions
split merge
Itération 2
Split and merge
Split � divise chaque région non-uniforme en 4Merge� fusionne toutes les régions uniformes adjacentes
De l’itération 2 10 régions
split merge
Itération 3
Résultat final de segmentation
2 régions
Split and merge
Split � divise chaque région non-uniforme en 4Merge� fusionne toutes les régions uniformes adjacentes
Clustering (k-moyennes)
• K = nombre de régions (cluster) à trouver
– Ici K = 2 (Fond + chromosomes)
1) On clique dans l’image pour avoir un représentant de chaque région (=centre de cluster = CC)
2) Pour chaque pixel de l’image,
calcul de sa distance à chaque CC : |NdG - Pi|
on lui attribue la région de distance minimum
Pf = 32, Pc = 217
3) Pour chaque cluster, on calcule le NdG moyen =
nouveaux CC. Sont-ils différents des anciens CC ?
Si oui, retour à 2)Si non, stop
Conclusion
• Segmentation : une étape très utile en traitement d’images
• Approches contours
• Approches régions
RéférencesSources des images
• Introduction to Digital Image Processing, Image Segmentation, Zhou Wang, Dept. of Electrical Engineering, the Univ. of Texas at Arlington, 2006
• Cours de Vision artificielle, Christine Fernandez-Maloigne, Université de Poitiers
• Cours Traitement d’images, A. Dieterlen, Univ. Haute-Alsace
• Cours Traitement d’images, LORIA