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

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

École dIngénieurs du Pas-de-Calais Campus de la Malassise BP39 62967 Longuenesse Cedex Laboratoire dAutomatique, Génie Informatique & Signal UMR 8146 Cité

Présentations similaires


Présentation au sujet: "École dIngénieurs du Pas-de-Calais Campus de la Malassise BP39 62967 Longuenesse Cedex Laboratoire dAutomatique, Génie Informatique & Signal UMR 8146 Cité"— Transcription de la présentation:

1 École dIngénieurs du Pas-de-Calais Campus de la Malassise BP Longuenesse Cedex Laboratoire dAutomatique, Génie Informatique & Signal UMR 8146 Cité Scientifique Villeneuve d'Ascq Cedex Département GMP de l'IUT 'A' de Lille Rue de la Recherche - BP Villeneuve d'Ascq Cedex Sélection d'espaces couleur pour la segmentation d'images couleur par classification de pixels Laurent BUSIN Le 07 juin 2007

2 Sommaire Introduction Segmentation par analyse dhistogrammes 1D Influence de lespace couleur et état de lart Sélection automatique despaces couleur pour la segmentation Espaces couleur candidats Explication des étapes de la méthode de segmentation proposée Détection des modes automatique Scale-space filtering Spatial scale-space filtering Conclusion 1

3 Segmentation 2 Détection de contours Reconstruction de régions Classification métrique Classification statistique Histogrammes-1D Histogrammes-2DHistogramme-3D Espace couleur Plan image Introduction Sélection despaces Détection des modes Conclusion

4 Image dillustration 3 Fond marron R1 Carré orange R2 Tâche mauve R3 Carré jaune R4 Anneau vert clair R5 Disque vert foncé R6 Image de synthèse Introduction Sélection despaces Détection des modes Conclusion

5 Principe 4 Image couleur Images de composante Histogrammes 1D Introduction Sélection despaces Détection des modes Conclusion

6 Partitionnement de lespace Image des classes de pixels Principe 5 Introduction Sélection despaces Détection des modes Conclusion

7 Influence de lespace couleur Image à segmenter codée en (R,G,B) Image à segmenter codée en (L*,a*,b*) Algorithme de segmentation Image segmentée dans lespace (R,G,B) Image segmentée dans lespace (L*,a*,b*) 6 Introduction Sélection despaces Détection des modes Conclusion

8 Etat de lart 7 RéférenceEspaces comparésEspace(s) choisi(s) Ohlander et al.(1978)(R,G,B) (Y,I,Q) (I,S,T)T Ohta et al. (1980)(R,G,B) (X,Y,Z) (Y,I,Q) (L*,a*,b*) (U*,V*,W*) (I,r,g) (I,S,T) (I1,I2,I3) (I1,I2,I3) Lim et al. (1990)(R,G,B) (X,Y,Z) (Y,I,Q) (U*,V*,W*) (I1,I2,I3) (I1,I2,I3) (R,V,B) Du et al. (2005)(R,G,B) (r,g,b) (I,S,T) (L*,a*,b*,) (I1,I2,I3) (Y,C b,C r ) Dépend de lalgorithme Butler et al. (2002)(R,G,B) (T,L,S) (Y,C b,C r )(Y,C b, C r ) Phung et al. (2005)(R,G,B) (Y,C b,C r ) (I,S,T) (L*,a*,b*) Introduction Sélection despaces Détection des modes Conclusion

9 Etat de lart 7 RéférenceEspaces comparésEspace(s) choisi(s) Ohlander et al.(1978)(R,G,B) (Y,I,Q) (I,S,T)T Ohta et al. (1980)(R,G,B) (X,Y,Z) (Y,I,Q) (L*,a*,b*) (U*,V*,W*) (I,r,g) (I,S,T) (I1,I2,I3) (I1,I2,I3) Lim et al. (1990)(R,G,B) (X,Y,Z) (Y,I,Q) (U*,V*,W*) (I1,I2,I3) (I1,I2,I3) (R,V,B) Du et al. (2005)(R,G,B) (r,g,b) (I,S,T) (L*,a*,b*,) (I1,I2,I3) (Y,C b,C r ) Dépend de lalgorithme Butler et al. (2002)(R,G,B) (T,L,S) (Y,C b,C r )(Y,C b, C r ) Phung et al. (2005)(R,G,B) (Y,C b,C r ) (I,S,T) (L*,a*,b*) Introduction Sélection despaces Détection des modes Conclusion

10 Sélection despaces adaptés 8 Ohlander et al. (1978) : Sélection dune composante couleur par analyse récursive pour une segmentation par seuillage. N. Vandenbroucke (2000) détermine un espace couleur hybride par un apprentissage supervisé pour une segmentation par classification de pixels. O. Lezoray (2000) détermine un espace couleur adapté par un apprentissage supervisé pour la segmentation par ligne de partage des eaux. Introduction Sélection despaces Détection des modes Conclusion

11 Sommaire Introduction Segmentation par analyse dhistogrammes 1D Influence de lespace couleur et état de lart Sélection automatique despaces couleur pour la segmentation Espaces couleur candidats Explication des étapes de la méthode de segmentation proposée Détection des modes automatique Scale-space filtering Spatial scale-space filtering Conclusion 9 Introduction Sélection despaces Détection des modes Conclusion

12 Espaces candidats (R,G,B)(R,G,B) Espaces de primaires (R,G,B)(R,G,B) espaces de primaires réelles (RE,GE,BE)(RE,GE,BE) (RF,GF,BF)(RF,GF,BF) (RC,GC,BC)(RC,GC,BC) espaces de primaires virtuelles (X,Y,Z)(X,Y,Z) espaces normalisés (r*,g*,b*)(r*,g*,b*) (x,y,z)(x,y,z) Espaces luminance-chrominance espaces perceptuellement uniformes (L*,a*,b*)(L*,a*,b*) (L*,u*,v*)(L*,u*,v*) espaces antagonistes (A,C1,C2) (bw,rg,by) espaces de télévision (Y,I,Q)(Y,I,Q) (Y,U,V)(Y,U,V) autres espaces luminance- chrominance (L,Ch 1,Ch 2 ) (I,r,g)(I,r,g) Espaces perceptuels systèmes de coordonnées perceptuelles (I,S,T)(I,S,T) systèmes de coordonnées polaires (L,C,H)(L,C,H) Espaces indépendants espace dOhta (I1,I2,I3) 10 Introduction Sélection despaces Détection des modes Conclusion

13 Algorithme Calcul du pouvoir discriminant des espaces candidats Construction de la classe prépondérante dans lespace sélectionné Suppression des pixels assignés à la classe Sélection de lespace le plus discriminant Début Critère darrêt Fin 11 Introduction Sélection despaces Détection des modes Conclusion

14 Calcul du pouvoir discriminant des espaces candidats Définition : Le pouvoir discriminant dun espace couleur est défini comme étant sa capacité à distinguer les différentes classes de pixels représentant les régions effectives de limage. Méthode de sélection automatique 12 Introduction Sélection despaces Détection des modes Conclusion

15 Hypothèse : Le pouvoir discriminant dépend conjointement du nombre de modes détectés et de larrangement spatial des pixels dont les niveaux appartiennent à ces modes. Méthode de sélection automatique Calcul du pouvoir discriminant des espaces candidats 12 Introduction Sélection despaces Détection des modes Conclusion

16 Méthode de sélection automatique Calcul du pouvoir discriminant des espaces candidats 12 S Introduction Sélection despaces Détection des modes Conclusion

17 Méthode de sélection automatique Calcul du pouvoir discriminant des espaces candidats Degré de connexité (Macaire et al. 2004) Image S 13 Introduction Sélection despaces Détection des modes Conclusion

18 Méthode de sélection automatique Calcul du pouvoir discriminant des espaces candidats Degré de connexité (Macaire et al. 2004) Image S DC(S )= 13 4 Introduction Sélection despaces Détection des modes Conclusion

19 Méthode de sélection automatique Image S DC(S )= Calcul du pouvoir discriminant des espaces candidats Degré de connexité (Macaire et al. 2004) 13 Introduction Sélection despaces Détection des modes Conclusion

20 Méthode de sélection automatique Image S DC(S )= Calcul du pouvoir discriminant des espaces candidats Degré de connexité (Macaire et al. 2004) 13 Introduction Sélection despaces Détection des modes Conclusion

21 Méthode de sélection automatique Image S DC(S )= x Card(S) Calcul du pouvoir discriminant des espaces candidats Degré de connexité (Macaire et al. 2004) 13 DC(S)= 0 pixels dispersés 1 pixels fortement connexes Introduction Sélection despaces Détection des modes Conclusion

22 Critère : La somme la plus élevée des degrés de connexités associés aux modes détectés. Calcul du pouvoir discriminant des espaces candidats Méthode de sélection automatique B = G = R = Introduction Sélection despaces Détection des modes Conclusion

23 Méthode de sélection automatique Calcul du pouvoir discriminant des espaces candidats Construction de la classe prépondérante dans lespace sélectionné Suppression des pixels assignés à la classe Sélection de lespace le plus discriminant Début Critère darrêt Fin 15 Introduction Sélection despaces Détection des modes Conclusion

24 (R,G,B)(r,g,b)(X,Y,Z)(x,y,z) (Y,I,Q)(Y,U,V)(I1,I2,I3)(A,C1,C2) (Y,C1,C2)(L*,a*,b*)(L*,u*,v*) Méthode de sélection automatique Calcul du pouvoir discriminant des espaces candidats 16 Introduction Sélection despaces Détection des modes Conclusion

25 (R,G,B)(r,g,b)(X,Y,Z)(x,y,z) (Y,I,Q)(Y,U,V)(I1,I2,I3)(A,C1,C2) (Y,C1,C2)(L*,a*,b*)(L*,u*,v*) Méthode de sélection automatique Calcul du pouvoir discriminant des espaces candidats Critère : Lespace couleur sélectionné est lespace couleur dont le pouvoir discriminant est le plus élevé. 16 Introduction Sélection despaces Détection des modes Conclusion

26 Méthode de sélection automatique Calcul du pouvoir discriminant des espaces candidats Construction de la classe prépondérante dans lespace sélectionné Suppression des pixels assignés à la classe Sélection de lespace le plus discriminant Début Critère darrêt Fin 17 Introduction Sélection despaces Détection des modes Conclusion

27 Méthode de sélection automatique Construction de la classe prépondérante dans lespace sélectionné Composante A Composante C1 Composante C2 18 Image codée dans lespace (A,C1,C2) Introduction Sélection despaces Détection des modes Conclusion

28 Méthode de sélection automatique Construction de la classe prépondérante dans lespace sélectionné Composante A Composante C1 Composante C2 18 A C2 C1 Image codée dans lespace (A,C1,C2) Introduction Sélection despaces Détection des modes Conclusion

29 Méthode de sélection automatique Calcul du pouvoir discriminant des espaces candidats Construction de la classe prépondérante dans lespace sélectionné Suppression des pixels assignés à la classe Sélection de lespace le plus discriminant Début Critère darrêt Fin 19 Introduction Sélection despaces Détection des modes Conclusion

30 Méthode de sélection automatique Suppression des pixels assignés à la classe Image originale Classe construite A C2 C1 20 Pixels assignés à la classe prépondérante Introduction Sélection despaces Détection des modes Conclusion

31 Méthode de sélection automatique Calcul du pouvoir discriminant des espaces candidats Construction de la classe prépondérante dans lespace sélectionné Suppression des pixels assignés à la classe Sélection de lespace le plus discriminant Début Critère darrêt Fin 21 Introduction Sélection despaces Détection des modes Conclusion

32 Méthode de sélection automatique Critère darrêt Une nouvelle classe de pixels est construite tant quun pourcentage de pixels na pas été assigné. 22 Introduction Sélection despaces Détection des modes Conclusion

33 Image originale Classe extraite Image segmentée en fausses couleurs Méthode de sélection automatique Espace sélectionné à litération 1 : (A,C1,C2) 23 Introduction Sélection despaces Détection des modes Conclusion

34 Méthode de sélection automatique Image originale 23 Espace sélectionné à litération 2 : (A,C1,C2) Classe extraite Image segmentée en fausses couleurs Introduction Sélection despaces Détection des modes Conclusion

35 Méthode de sélection automatique Image originale 23 Espace sélectionné à litération 3 : (I1,I2,I3) Classe extraite Image segmentée en fausses couleurs Introduction Sélection despaces Détection des modes Conclusion

36 Méthode de sélection automatique Image originale 23 Espace sélectionné à litération 4 : (X,Y,Z) Classe extraite Image segmentée en fausses couleurs Introduction Sélection despaces Détection des modes Conclusion

37 Méthode de sélection automatique Image originale 23 Espace sélectionné à litération 5 : (A,C1,C2) Classe extraite Image segmentée en fausses couleurs Introduction Sélection despaces Détection des modes Conclusion

38 Méthode de sélection automatique Image originale 23 Espace sélectionné à litération 6 : (A,C1,C2) Classe extraite Image segmentée en fausses couleurs Introduction Sélection despaces Détection des modes Conclusion

39 Sommaire Introduction Segmentation par analyse dhistogrammes 1D Influence de lespace couleur et état de lart Sélection automatique despaces couleur pour la segmentation Espaces couleur candidats Explication des étapes de la méthode de segmentation proposée Détection des modes automatique Scale-space filtering Spatial scale-space filtering Conclusion 25 Introduction Sélection despaces Détection des modes Conclusion

40 Principe 26 Image couleur Images de composante Histogrammes 1D Introduction Sélection despaces Détection des modes Conclusion

41 Analyse dans le scale-space 27 Opérateur de convolution * Introduction Sélection despaces Détection des modes Conclusion

42 Analyse dans le scale-space 28 * = Introduction Sélection despaces Détection des modes Conclusion

43 Analyse dans le scale-space 29 * = Introduction Sélection despaces Détection des modes Conclusion

44 SCALE SPACE Analyse dans le scale-space x Introduction Sélection despaces Détection des modes Conclusion

45 Analyse dans le scale-space 30 Histogramme lissé avec un noyau Gaussien décart-type x Introduction Sélection despaces Détection des modes Conclusion

46 Analyse dans le scale-space 30 Histogramme lissé avec un noyau Gaussien décart-type x Introduction Sélection despaces Détection des modes Conclusion

47 Analyse dans le scale-space 30 Histogramme lissé avec un noyau Gaussien décart-type x Introduction Sélection despaces Détection des modes Conclusion

48 Analyse dans le scale-space x Introduction Sélection despaces Détection des modes Conclusion

49 Analyse dans le scale-space x Scale-space image Introduction Sélection despaces Détection des modes Conclusion

50 Analyse dans le scale-space x Nœud Introduction Sélection despaces Détection des modes Conclusion

51 Analyse dans le scale-space x Nœud Nœud Nœud Introduction Sélection despaces Détection des modes Conclusion

52 Analyse dans le scale-space x Nœud Nœud Nœud Nœud Nœud Introduction Sélection despaces Détection des modes Conclusion

53 Analyse dans le scale-space x Nœud Nœud Nœud Nœud Nœud Nœud Nœud Introduction Sélection despaces Détection des modes Conclusion

54 33 Analyse dans le scale-space Nœud 4Nœud 5 Nœud 6Nœud 7 Nœud 1 Nœud 2 Nœud 3 Introduction Sélection despaces Détection des modes Conclusion

55 Sélection des modes par le SSF x Nœud Nœud Nœud Nœud Nœud Nœud Nœud Introduction Sélection despaces Détection des modes Conclusion

56 x Nœud Nœud Nœud Nœud Nœud Nœud Nœud Sélection des modes par le SSF Introduction Sélection despaces Détection des modes Conclusion

57 x Nœud Nœud Nœud Nœud Nœud Nœud Nœud Sélection des modes par le SSF Introduction Sélection despaces Détection des modes Conclusion

58 x Nœud Nœud Nœud Nœud Nœud Nœud Nœud Sélection des modes par le SSF Introduction Sélection despaces Détection des modes Conclusion

59 35 Nœud Nœud Nœud Nœud Nœud Nœud Nœud Enoncé du critère : Un nœud est actif si la hauteur du rectangle qui le définit est supérieure à la hauteur moyenne des rectangles de ces descendants. Sélection des modes par le SSF Introduction Sélection despaces Détection des modes Conclusion

60 35 Nœud Nœud Nœud Nœud Nœud Nœud Nœud Sélection des modes par le SSF Pixels appartenant au nœud 3 : Pixels appartenant au nœud 2 : Introduction Sélection despaces Détection des modes Conclusion

61 Sélection des modes par le SSSF 36 Introduction Sélection despaces Détection des modes Conclusion

62 DH(S )= Sélection des modes par le SSSF Degré dhomogénéité 36 Introduction Sélection despaces Détection des modes Conclusion

63 Sélection des modes par le SSSF Degré dhomogénéité + DH(S )= 36 Introduction Sélection despaces Détection des modes Conclusion

64 DH(S )= Sélection des modes par le SSSF Image S Degré dhomogénéité 36 Introduction Sélection despaces Détection des modes Conclusion

65 DH(S )= (S) 1 x Sélection des modes par le SSSF Image S Degré dhomogénéité Card(S) 36 DH(S)= 0 les niveaux forment plusieurs 1111modes compacts. 1 les niveaux forment un unique 1111mode compact. Introduction Sélection despaces Détection des modes Conclusion

66 DCH(S)=DC(S) x DH(S) Sélection des modes par le SSSF Degré de compacité 36 DCH(S)= 0 les pixels sont dispersés dans limage et/ou les niveaux forment plusieurs modes compacts dans lhistogramme. 1 les pixels sont fortement connexes dans limage et les niveaux forment un mode compact dans lhistogramme. Introduction Sélection despaces Détection des modes Conclusion

67 37 Nœud Nœud Nœud Nœud Nœud Nœud Nœud Enoncé du critère : Un nœud est actif si le degré de compacité dau moins un de ses nœuds fils est inférieur à celui du nœud père considéré. Sélection des modes par le SSSF Introduction Sélection despaces Détection des modes Conclusion

68 37 Nœud Nœud Nœud Nœud Nœud Nœud Nœud Sélection des modes par le SSSF Pixels appartenant au nœud 2 : Pixels appartenant au nœud 5 : Pixels appartenant au nœud 4 : Introduction Sélection despaces Détection des modes Conclusion

69 Conclusion Conclusion sur la méthode de segmentation : Méthode de segmentation avec un nombre restreint de paramètres. Sélection automatique despaces couleur pour la construction de chaque classe de pixels. Prise en compte conjointe de la couleur des pixels et de leur répartition spatiale dans limage. 38 Introduction Sélection despaces Détection des modes Conclusion

70 MERCI DE VOTRE ATTENTION !

71 Image originale Image segmentée avec lespace (R,G,B) Image segmentée avec lespace (X,Y,Z) Sélection despace pour chaque classe de pixels

72 Image originale Image segmentée avec lespace (R,G,B) Image segmentée avec lespace (Y,U,V) Sélection despace pour chaque classe de pixels

73 Image originale Image segmentée avec lespace (R,G,B) Image segmentée avec lespace (Y,U,V) Sélection despace pour chaque classe de pixels

74 coefficient de lissage avec σ= 1. coefficient de lissage avec σ= 4. coefficient de lissage avec σ= 14.


Télécharger ppt "École dIngénieurs du Pas-de-Calais Campus de la Malassise BP39 62967 Longuenesse Cedex Laboratoire dAutomatique, Génie Informatique & Signal UMR 8146 Cité"

Présentations similaires


Annonces Google