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

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

Cours #9 Segmentation n Découverte n 4- Segmentation u Introduction u 4.1 Seuillage u 4.2 Croissance de régions u 4.3 Partition de régions u 4.4 Regroupement.

Présentations similaires


Présentation au sujet: "Cours #9 Segmentation n Découverte n 4- Segmentation u Introduction u 4.1 Seuillage u 4.2 Croissance de régions u 4.3 Partition de régions u 4.4 Regroupement."— Transcription de la présentation:

1 Cours #9 Segmentation n Découverte n 4- Segmentation u Introduction u 4.1 Seuillage u 4.2 Croissance de régions u 4.3 Partition de régions u 4.4 Regroupement u 4.5 Partition - regroupement

2 SYS-844 Hiver 2005 Cours #9 - 2 Forum

3 SYS-844 Hiver 2005 Cours #9 - 3 Découverte n Osherson et al, Visual Cognition and Action, MIT Press, 1990, Vol. 2. u Computational theories of low-level vision - Yuille et Ullman F Paradigme de Marr u Higher-level vision - Biederman

4 Chapitre 4 Segmentation n Segmentation: partition dune image en un ensemble de régions n Régions: zone homogène dans limage (niveau de gris, couleur, texture, gradient, etc.) n Principes de base de la segmentation u Similarité u Proximité spatiale

5

6 SYS-844 Hiver 2005 Cours #9 - 6 n Représentation des régions u Contour u étiquetage Segmentation par contour Étiquetage

7 SYS-844 Hiver 2005 Cours #9 - 7 n Composition des régions u Image binaireN / B u Image niveaux griséclairement u Image couleurRGB, HSI, L*a*b* u Texturematrice cooccurrence u Vecteurs déplacementmouvement u Images 3Dprofondeur

8 SYS-844 Hiver 2005 Cours #9 - 8 Ex.: segmentation en niveaux de gris

9 SYS-844 Hiver 2005 Cours #9 - 9 n Définition dune région Soit I une image Segmentation en région partition de I en K régions R j 1.Tout pixel appartient à une région 2.Aucun pixel nappartient à plus dune région 3.Proximité (cohérence) spatiale 4. Cohérence de caractéristique de région

10 SYS-844 Hiver 2005 Cours # n Représentation dune région u Étiquetage F Chaque région possède une étiquette unique F Un plan détiquettes est une image de même dimension et parallèle au plan image. Il indique les étiquettes correspondant aux pixels u Contours F Tous les contours sont numérotés F Les contours changent de nom aux sommets et points de rencontre F Description compacte: code de Freeman

11 SYS-844 Hiver 2005 Cours # F Plan détiquettes

12 SYS-844 Hiver 2005 Cours # F Plan de contours

13 SYS-844 Hiver 2005 Cours # F Description de contour par code de Freeman Déplacement le long de la région, en la gardant à notre droite Sens antihoraire (illustré) ou horaire CC={i,j}[ ]

14 SYS-844 Hiver 2005 Cours # n Segmentation en régions u Croissance F Débuter en un point dune région F Agrandir la région par similarité F Continuer tant que regroupements possibles u Partition F Débuter en 1 région (image complète ?) F Séparer en plusieurs petites régions F Continuer à séparer tant que possible (récursif) u Hybride F Séparer - regrouper

15 SYS-844 Hiver 2005 Cours # Segmentation hybride F Combinaison de partitions - regroupements F Critères de partition ou regroupement Locaux: 1 pixel ou région et ses voisins Globaux: grand nombre de pixels répartis dans limage

16 SYS-844 Hiver 2005 Cours # n Segmentation perceptuelle

17 SYS-844 Hiver 2005 Cours # Seuillage Le seuillage constitue une approche simple à la segmentation. Le seuillage sert de composante de base à des algorithmes plus complexes de segmentation

18 SYS-844 Hiver 2005 Cours # Seuillage global T u Binarisation de limage u Production de 2 zones de base: Zone 0si I(x,y) T Zone 1si I(x,y) > T u Segmentation par croissance de région Algorithme simple, mais lent. On débute en 1 point, on lui assigne une valeur détiquette, puis on trouve les voisins possédant la même valeur de zone.

19 Effets du choix de la valeur de seuil T T=46 T=64T=96T=128 T=192T=224

20 SYS-844 Hiver 2005 Cours # Le résultat de la binarisation nest pas une segmentation car plusieurs zones déconnectées ont la même valeur détiquette. Il faut maintenant segmenter en assignant des étiquettes aux régions (décrivables par ex. par des codes de Freeman enchaînés).

21 SYS-844 Hiver 2005 Cours # Algorithme simple de segmentation par croissance de région inter-connectée

22 SYS-844 Hiver 2005 Cours # n Seuillage multiple u Principe : F Image seuillée avec m seuils F Zones résultantes segmentées par croissance de région u Algorithme : R(i,j) : étiquetage par croissance de région

23 SYS-844 Hiver 2005 Cours # u Seuillage T k F Globaldépend de I(i,j) F Localdépend de N(i,j) F Dynamiquedépend de I(i,j) et N(i,j) (ou hybride) Hystérésis Seuils daprès histogramme Marquage dans une zone si un voisin est marqué

24 SYS-844 Hiver 2005 Cours # u Choix des T k : F Selon lhistogramme (global) Image Choisir le seuil T à la position de vallée : T=13 Appliquer le seuil trouvé T à chaque pixel de limage

25 Image du mandrillImage après un seuillage global avec T = 96

26 F Par hystérésis (dynamique) Seuillage global à 80 Seuillage global à 100 Seuillage avec hystérésis (valeurs de seuil : 80 et 100)

27 F (local) Image originale de la routeImage résultante du seuillage Des points extrêmes (n=2)

28 SYS-844 Hiver 2005 Cours # Segmentation par croissance de régions n Algorithme: u TANT QUE image nest pas segmentée en entier F Choisir un pixel non-étiqueté F Examiner les voisins: V j similaire étiquette k F TANT QUE V j Région k Examiner les voisins V i similaire étiquette k F k = k + 1

29 SYS-844 Hiver 2005 Cours # n Critères de similarité (fréquents)

30 SYS-844 Hiver 2005 Cours # n Exemple ? ? ? ? Critère:1er Seuil:2

31 SYS-844 Hiver 2005 Cours # n Performances u Bonnes performances: F Images non-bruitées F Images sans texture F Images sans gradient u Performances moyennes: F Images bruitées F Images texturées

32 SYS-844 Hiver 2005 Cours # Image initiale de bactéries Seuil = 10Seuil = 25

33 SYS-844 Hiver 2005 Cours # Segmentation par partition de régions n Algorithme: u TANT QUE région non-uniforme F Débuter avec une région large F Récursif: Diviser en plusieurs régions plus petites Continuer à diviser jusquà ce que chaque région soit uniforme n Critère de partition:seuillage global (multiple)

34 SYS-844 Hiver 2005 Cours # n Exemple: nautile

35 u Choix des seuils

36 SYS-844 Hiver 2005 Cours #9 - 36

37 SYS-844 Hiver 2005 Cours # Segmentation par regroupement n Principe:Image dentrée déjà segmentée (mieux: sur-segmentée)

38 SYS-844 Hiver 2005 Cours # n Algorithme: u Frontière entre 2 régions est évaluée selon similitude des régions. Un petit score indique une frontière faible. u Regroupement des régions aux frontières faibles (frontière éliminée) u Statistiques recalculées u Calcul de similarité entre la nouvelle région et les voisines u On recommence tant que des frontières peuvent être supprimées

39 SYS-844 Hiver 2005 Cours # n Similarité de régions u Plusieurs composantes (eg couleur, texture, etc) u Plusieurs façons de combiner. Le plus usuel: le vote

40 SYS-844 Hiver 2005 Cours # n Exemple u Construire le graphe dadjacence u Indiquer sur les frontières la valeur pondérée totale des votes u Regrouper pour les minima locaux

41 SYS-844 Hiver 2005 Cours # Segmentation par partition-regroupement Il sagit de combiner les deux algorithmes, de partition et de regroupement, de telle sorte que les forces de lun compense les faiblesses de lautre.

42 SYS-844 Hiver 2005 Cours # n Algorithme u Pré-traitement: préservation des arêtes par Nagao ou Weymouth-Overton u Analyse locale par histogramme F Diviser limage selon une grille F Seuils dans les vallées F Algorithme des composantes connectées pour former des régions u Enlever les frontières artificielles

43 SYS-844 Hiver 2005 Cours # u Regrouper les régions similaires u Regrouper les petites régions de 1 ou 2 pixels avec les régions voisines plus significatives

44 SYS-844 Hiver 2005 Cours # n Exemple


Télécharger ppt "Cours #9 Segmentation n Découverte n 4- Segmentation u Introduction u 4.1 Seuillage u 4.2 Croissance de régions u 4.3 Partition de régions u 4.4 Regroupement."

Présentations similaires


Annonces Google