La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Segmentation deux classes interactive Par Francis Brissette Guillaume Comeau Université de Sherbrooke 3 décembre 2007.

Présentations similaires


Présentation au sujet: "Segmentation deux classes interactive Par Francis Brissette Guillaume Comeau Université de Sherbrooke 3 décembre 2007."— Transcription de la présentation:

1 Segmentation deux classes interactive Par Francis Brissette Guillaume Comeau Université de Sherbrooke 3 décembre 2007

2 Plan de la présentation Mise en contexte du projet Les méthodes implémentées Perspectives Conclusion et remerciements

3 Mise en contexte du projet

4 Consiste à regrouper dans une même classe tous les pixels d'une image possédant une ou plusieurs caractéristiques communes. Dans une segmentation deux classes, l'image est partitionnée en deux classes, le résultat pouvant être représentée par une image binaire. Segmentation deux classes Quest-ce que la segmentation ?

5 Les objectifs du projet Réaliser un programme simple permettant la segmentation deux classes d'images en niveaux de gris à l'aide de différentes méthodes. Permettre la segmentation de plusieurs images reliées sémantiquement, soit par la coupe en tranches d'un objet 3D, soit par le mouvement d'un objet dans l'espace. Réaliser linterface graphique du programme à l'aide de la bibliothèque Qt.

6 Les méthodes implémentées

7 La méthode du seuil Classe tous les pixels ayant une intensité inférieure au seuil dans la classe « arrière-plan » et les autres pixels dans la classe « objet ». Trivial à implémenter.

8 La méthode du seuil

9 La méthode du seuil optimal Version non supervisée de la méthode du seuil. Représente lhistogramme de limage par une mixture de gaussiennes, chaque gaussienne conceptualisant une classe. Vérifie, pour une intensité donnée, quelle gaussienne est la plus probable. Algorithmes itératifs destimation des paramètres des gaussiennes : K-Means ; Soft K-Means ; Expectation-Maximization (EM).

10 La méthode du seuil optimal

11 La méthode de la baguette magique Utilisateur doit choisir un pixel source ainsi quune valeur de tolérance. Utilise un algorithme de remplissage par diffusion (Flood Fill ).

12 La méthode de la baguette magique

13 La méthode ICM Utilise une approche markovienne : considère lintensité du pixel courant ainsi que son voisinage. Algorithme itératif. Cherche à minimiser lénergie globale de la segmentation. U(x s,y s ) : terme de vraisemblance : détermine à quelle classe devrait appartenir le pixel courant selon son intensité. W(x s,y s ) : terme da priori : détermine à quelle classe devrait appartenir le pixel courant afin quil soit cohérant avec son voisinage.

14 La méthode ICM

15 La méthode Graph Cut Utilise également une approche markovienne, mais via un graphe non orienté. Cherche à minimiser la même fonction dénergie globale, avec les mêmes termes de vraisemblance et da priori que la méthode ICM. Limage à segmenter est convertie en graphe où chaque pixel est représenté par un nœud intermédiaire. Il y a également deux nœuds terminaux, un pour chaque classe. Les liens possèdent tous un poids. Liens entre les nœuds intermédiaires et les nœuds terminaux : terme de vraisemblance. Liens entre les nœuds intermédiaires : terme da priori. Lalgorithme sépare le graphe en deux sections, chacune d'elle devant contenir un nœud terminal. Y. Boykov, V. Kolmogorov

16 La méthode Graph Cut

17 La méthode de Boykov-Jolly Segmentation interactive. Récupère lapproche de la méthode Graph Cut, mais en supportant le concept de contraintes dures spécifiées par lutilisateur. Lutilisateur spécifie des régions dans limage quil veut absolument voir appartenir à la classe « objet » et à la classe « arrière-plan ». Consiste à modifier le poids des liens entre les nœuds intermédiaires et les nœuds terminaux dans le graphe. Sous-méthodes : Basée sur les régions (à laide des paramètres des gaussiennes); Basée sur les régions (à laide des histogrammes des classes); Basée sur les contours.

18 La méthode de Boykov-Jolly

19 La segmentation 3D Récupère lapproche de la méthode Graph Cut. Peut être appliquée à la méthode Graph Cut et à la méthode de Boykov-Jolly. Consiste à segmenter dun seul coup plusieurs images reliées sémantiquement, soit par la coupe en tranches d'un objet 3D, soit par le mouvement d'un objet dans l'espace. Conceptuellement, la seule différence réside en des liens supplémentaires entre les nœuds intermédiaires des différents étages (images) du graphe. Y. Boykov, V. Kolmogorov

20 La segmentation 3D Segmentation multi-images

21 Perspectives Ajouter la reconstruction dun modèle 3D à laide dOpenGL. Permettre un plus grand voisinage dans le graphe (présentement seulement 4 voisins). Permettre une segmentation multi-images en 4D (non seulement en 3D). Optimiser lalgorithme du Graph Cut lors de lajout de contraintes dures spécifiées par lutilisateur. Implémenter lalgorithme du Graph Cut. Présentement, il y a une fuite de mémoire lorsque nous réalisons une segmentation multi-images. Ajouter des fonctionnalités dans linterface graphique : Inversion du résultat de la segmentation. Outil « Efface » pour la méthode Boykov-Jolly.

22 Conclusion et remerciements Lorsquune méthode demande peu ou pas dinteraction de la part de lutilisateur, la segmentation ne sera efficace que pour des images peu complexe (ex: objet blanc sur fond noir). La méthode de Boykov-Jolly demande une grande interaction avec lutilisateur, mais donne des résultats très surprenant peu importe la complexité de limage. Nous avons atteints tous les objectifs du projet tout en samusant. La bibliothèque Qt est fiable, robuste et complète, ce qui nous a énormément simplifié la vie. Un remerciement particulier pour le professeur Pierre-Marc Jodoin, sans qui ce projet naurait pas eu lieu.

23 Références P.-M. Jodoin. « Chapitre 2 : Segmentation 2D », Cours IMN 559, Vision par ordinateur, [En ligne], http ://www.dmi.usherb.ca/ jodoin/cours/imn559/ (Page consultée le 27 novembre 2007). Y. Boykov, O. Veksler and R. Zabih. « Fast Approximate Energy Minimization via Graph Cuts », in IEEE transactions on Pattern Analysis and Machine Intelligence (PAMI), vol. 23, no. 11, pp , November V. Kolmogorov and R. Zabih. « What energy functions can be minimized via graph cuts ? », in IEEE transactions on Pattern Analysis and Machine Intelligence (PAMI), vol. 26, no. 2, pp , February Y. Boykov and V. Kolmogorov. « An Experimental Comparison of Min-Cut/Max-Flow Algorithms for Energy Minimization in Vision », in IEEE transactions on Pattern Analysis and Machine Intelligence (PAMI), vol. 26, no. 9, pp , September O. Veskler. « Code for Energy Minimization with Graph Cuts », Olga Veksler, [En ligne], http ://www.csd.uwo.ca/faculty/olga/ (Page consultée le 19 novembre 2007). Y. Boykov and M.-P. Jolly. « Interactive organ segmentation using graph cuts », in Medical Image Computing and Computer-Assisted Intervention (MICCAI), pp , Y. Boykov and M.-P. Jolly. « Interactive Graph Cuts for Optimal Boundary & Region Segmentation of Objects in N-D images », in International Conference on Computer Vision (ICCV), vol. I, pp , July 2001.


Télécharger ppt "Segmentation deux classes interactive Par Francis Brissette Guillaume Comeau Université de Sherbrooke 3 décembre 2007."

Présentations similaires


Annonces Google