Comparing color edge detection and segmentation methods Projet TIM.

Présentation au sujet: "Comparing color edge detection and segmentation methods Projet TIM."— Transcription de la présentation:

1 Comparing color edge detection and segmentation methods Projet TIM

2 Plan ● Segmentation ● Approche contours – Nevatia – Difference Of Offset Gaussian (DOOG) ● Approche région – Ohlander – Fuzzy C-Means (FCM) ● Conclusion

3 Segmentation ✔ Segmentation ● Approche contours – Nevatia – DOOG ● Approche région – Ohlander – FCM ● Conclusion ● créer des partitions de l'image en sous ensembles homogènes selon un certain critère ● segmentation couleur => critère = composantes colorimétriques des pixels ● 2 grandes classes : ➢ approche contours ➢ approche région

4 Approche contours ✗ Segmentation ✔ Approche contours – Nevatia – DOOG ● Approche région – Ohlander – FCM ● Conclusion ● contours bien localisés ● fonctionne bien lorsque les zones de part et d'autre du contour ont des intensités moyennes différentes

5 Nevatia ✗ Segmentation ✔ Approche contours ✔ Nevatia – DOOG ● Approche région – Ohlander – FCM ● Conclusion ● Généralisation du « Hueckel Operator » ● Détermination du contour dans un voisinage circulaire du pixel. ● Ajustement d'un modèle idéal

6 Hueckel Operator ✗ Segmentation ✔ Approche contours ✔ Nevatia – DOOG ● Approche région – Ohlander – FCM ● Conclusion ● Illustration du modèle idéal =>Ajustement à un cas concret en faisant varier Θ, r, b, h -Angle Θ distance r -2 régions : b / b+h

7 Hueckel Operator ✗ Segmentation ✔ Approche contours ✔ Nevatia – DOOG ● Approche région – Ohlander – FCM ● Conclusion ● Détermination des paramètres : N²= ∑ ( A(x) – S(x, ξ) ) A(x) : intensité au point x S(x, ξ) : fonction idéale au point x avec les paramètres ξ ● But : minimiser N² ● Décision : N petit et h grand

8 Nevatia ✗ Segmentation ✔ Approche contours ✔ Nevatia – DOOG ● Approche région – Ohlander – FCM ● Conclusion ● Généralisation du « Hueckel Operator » ● Adaptation à un espace couleur : Intensité (Y), Rouge (R), Vert (G) ● Pour chaque espace, détermination du contour optimal ● Contrainte : même angle pour les 3 contours. ● Décision : contours coïncident

9 DOOG ✗ Segmentation ✔ Approche contours ✗ Nevatia ✔ DOOG ● Approche région – Ohlander – FCM ● Conclusion ● Different of offset Gaussian ● Opérateur dérivatif du second ordre ● Recherche du passage par 0 du laplacien

10 DOOG ✗ Segmentation ✔ Approche contours ✗ Nevatia ✔ DOOG ● Approche région – Ohlander – FCM ● Conclusion ● Une gaussienne centrale ● 6 gaussiennes autour (modèle hexagonal) ● Calcul des différences de gaussiennes dans des plans différents. ● R vs G / B vs Y ● => différence entre un pixel dans un plan donné avec la moyenne de ses 6 voisins dans le second plan.

11 Approche région (1) ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✔ Approche région – Ohlander – FCM ● Conclusion ● méthodes de classification beaucoup utilisées ● partition de l'espace des couleurs ● pas de prise en compte de la disposition spatiale des pixels

12 Approche région (2) ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✔ Approche région – Ohlander – FCM ● Conclusion ● efficace si la classification permet de mettre en évidence les différentes régions homogènes de l'image

13 Ohlander (1) ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✔ Approche région ✔ Ohlander – FCM ● Conclusion ● Détermination de régions par traitement d'histogrammes ● méthode récursive de division de régions ● 1977

14 Ohlander (2) ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✔ Approche région ✔ Ohlander – FCM ● Conclusion ● On commence par choisir une région (l'image entière au départ) grâce à un masque de bits ● On calcule les histogrammes des caractéristiques suivantes : ➢ Rouge, Vert, Bleu, Intensité, Teinte, Saturation ➢ Y = 0.299 R + 0.587 V + 0.114 B (luminance) ➢ I = 0.596 R - 0.275 V - 0.321 B (interpolation) ➢ Q = 0.212 R - 0.523 V + 0.311 B (quadrature)

15 Ohlander (3) ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✔ Approche région ✔ Ohlander – FCM ● Conclusion ● On lisse l'histogramme pour supprimer les petits pics ● On choisit le meilleur pic ➢ pic isolé, c'est-à-dire pic fort avec minima très bien définis autour

16 Ohlander (4) ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✔ Approche région ✔ Ohlander – FCM ● Conclusion ● On seuille l'image en utilisant les seuils supérieurs et inférieurs => image binaire ● On affine le masque binaire par lissage ● La région traitée est retirée de l'image ● On recommence jusqu'à ce que la partie restante soit trop petite

17 Fuzzy C-Means (1) ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✔ Approche région ✗ Ohlander ✔ FCM ● Conclusion ● Segmentation en régions floues ● ensemble flou = ensemble dont les bords sont mal définis ● fonction d'appartenance à valeurs dans l'intervalle [0,1]

18 Fuzzy C-Means (2) ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✔ Approche région ✗ Ohlander ✔ FCM ● Conclusion ● Exemple :

19 Fuzzy C-Means (3) ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✔ Approche région ✗ Ohlander ✔ FCM ● Conclusion ● L'Algorithme des c-moyens flous ➢ algorithme de classification floue ➢ fondé sur l'optimisation d'un critère quadratique de classification ➢ chaque classe est représentée par son centre de gravité

20 Fuzzy C-Means (4) ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✔ Approche région ✗ Ohlander ✔ FCM ● Conclusion ➢ nécessite de connaître le nombre de classes ➢ génère les classes par un processus itératif ➢ donne à chaque pixel un degré d'appartenance à une région donnée.

21 Fuzzy C-Means (5) ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✔ Approche région ✗ Ohlander ✔ FCM ● Conclusion ➢ évolution de la partition (Matrice U) en minimisant la fonction objectif suivante : ➢ m >1 (paramètre contrôlant le degré de flou) ➢ c k = centre de la classe k ➢ U = matrice des degrés d'appartenance ( ) ➢ avec x i vecteur des 3 composantes RVB ➢ C = nombre de classes

22 Fuzzy C-Means (6) ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✔ Approche région ✗ Ohlander ✔ FCM ● Conclusion 1 - choisir le nombre de classes 2 - initialiser la matrice U et les c k 3 - mise à jour des degrés d'appartenance : où

23 Fuzzy C-Means (7) ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✔ Approche région ✗ Ohlander ✔ FCM ● Conclusion 4 - mise à jour des centres 5 – test d'arrêt

24 Fuzzy C-Means (8) ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✔ Approche région ✗ Ohlander ✔ FCM ● Conclusion ➢ Résultats segmentation avec 2 classes Image originale segmentation avec 3 classes

25 Comparaison ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✗ Approche région ✗ Ohlander ✗ FCM ✔ Conclusion ➢ Déterminer les critères de performances ➢ 4 critères : ➢ Précis ➢ Différence entre contour détecté et réel faible ➢ Sensible ➢ Robuste au bruit

26 Conclusion ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✗ Approche région ✗ Ohlander ✗ FCM ✔ Conclusion ➢ nombreuses approches de segmentation couleur différentes ➢ chaque méthode adaptée à une application

27 Références ● http://www.tsi.enst.fr/ (École Nationale Supérieure des Télécommunications) http://www.tsi.enst.fr/ ● http://homepages.inf.ed.ac.uk/rbf/BOOKS/NEVATIA/Chap007.pdf http://homepages.inf.ed.ac.uk/rbf/BOOKS/NEVATIA/Chap007.pdf ● http://www.doc.ic.ac.uk/~xh1/Referece/Gaussian-Derivative/The-Gaussian-Derivative-model-for-spatial-temporal-vision-1- Cortical-model.pdf http://www.doc.ic.ac.uk/~xh1/Referece/Gaussian-Derivative/The-Gaussian-Derivative-model-for-spatial-temporal-vision-1- Cortical-model.pdf