Télécharger la présentation
Publié parClaire Salaun Modifié depuis plus de 10 années
1
Sélection d'espaces couleur pour la segmentation d'images couleur par classification de pixels
Laurent BUSIN Le 07 juin 2007
2
Sommaire Introduction
1 Sommaire Introduction Segmentation par analyse d’histogrammes 1D Influence de l’espace couleur et état de l’art Sélection automatique d’espaces 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
3
Segmentation Espace couleur Plan image Détection de contours
2 Segmentation Espace couleur Plan image Détection de contours Reconstruction de régions Classification statistique Classification métrique Choix de la méthode : Rapidité pour l’application industrielle facilité de mise en œuvre (seuils, paramètres) limité le chevauchement des classes Histogrammes-1D Histogrammes-2D Histogramme-3D Introduction Sélection d’espaces Détection des modes Conclusion
4
Introduction Sélection d’espaces Détection des modes Conclusion
3 Image d’illustration 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 d’espaces Détection des modes Conclusion
5
Introduction Sélection d’espaces Détection des modes Conclusion
4 Principe Color image 50 100 150 200 250 500 1000 1500 2000 2500 3000 3500 4000 50 100 150 200 250 500 1000 1500 2000 2500 3000 3500 4000 50 100 150 200 250 500 1000 1500 2000 2500 3000 3500 4000 Image couleur Images de composante Histogrammes 1D Introduction Sélection d’espaces Détection des modes Conclusion
6
Principe Partitionnement de l’espace Image des classes de pixels 5
Introduction Sélection d’espaces Détection des modes Conclusion
7
Influence de l’espace couleur
6 Influence de l’espace couleur Algorithme de segmentation Image à segmenter codée en (R,G,B) Image segmentée dans l’espace (R,G,B) Algorithme de segmentation Image à segmenter codée en (L*,a*,b*) Image segmentée dans l’espace (L*,a*,b*) Introduction Sélection d’espaces Détection des modes Conclusion
8
Introduction Sélection d’espaces Détection des modes Conclusion
7 Etat de l’art Etat de l’art Référence Espaces comparés Espace(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,Cb,Cr) Dépend de l’algorithme Butler et al. (2002) (R,G,B) (T,L,S) (Y,Cb,Cr) (Y,Cb, Cr ) Phung et al. (2005) (R,G,B) (Y,Cb,Cr) (I,S,T) (L*,a*,b*) (R,G,B)(Y,Cb,Cr) (I,S,T) (L*,a*,b*) Solution proposée. Progrès par rapport à VDB Expliquer le choix des espaces Introduction Sélection d’espaces Détection des modes Conclusion
9
Introduction Sélection d’espaces Détection des modes Conclusion
7 Etat de l’art Référence Espaces comparés Espace(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,Cb,Cr) Dépend de l’algorithme Butler et al. (2002) (R,G,B) (T,L,S) (Y,Cb,Cr) (Y,Cb, Cr ) Phung et al. (2005) (R,G,B) (Y,Cb,Cr) (I,S,T) (L*,a*,b*) (R,G,B)(Y,Cb,Cr) (I,S,T) (L*,a*,b*) Solution proposée. Progrès par rapport à VDB Expliquer le choix des espaces Introduction Sélection d’espaces Détection des modes Conclusion
10
Sélection d’espaces adaptés
8 Sélection d’espaces adaptés Ohlander et al. (1978) : Sélection d’une 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. Solution proposée. Progrès par rapport à VDB Expliquer le choix des espaces Introduction Sélection d’espaces Détection des modes Conclusion
11
Introduction Sélection d’espaces Détection des modes Conclusion
9 Sommaire Introduction Segmentation par analyse d’histogrammes 1D Influence de l’espace couleur et état de l’art Sélection automatique d’espaces 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 Introduction Sélection d’espaces Détection des modes Conclusion
12
Espaces luminance-chrominance
10 Espaces candidats Espaces perceptuels systèmes de coordonnées perceptuelles systèmes de coordonnées polaires (I,S,T) (L,C,H) Espaces indépendants autres espaces luminance- chrominance (I,r,g) espace d’Ohta (I1,I2,I3) (L,Ch1,Ch2) espaces de télévision (Y,I,Q) (R,G,B) (R,G,B) (RF,GF,BF) (Y,U,V) (RE,GE,BE) espaces de primaires réelles espaces antagonistes (RC,GC,BC) (A,C1,C2) (bw,rg,by) (r*,g*,b*) (X,Y,Z) espaces perceptuellement uniformes (x,y,z) (L*,a*,b*) espaces de primaires virtuelles espaces normalisés (L*,u*,v*) Espaces de primaires Espaces luminance-chrominance Introduction Sélection d’espaces Détection des modes Conclusion
13
Algorithme Calcul du pouvoir discriminant des espaces candidats
11 Algorithme Début Calcul du pouvoir discriminant des espaces candidats Sélection de l’espace le plus discriminant Construction de la classe prépondérante dans l’espace sélectionné Suppression des pixels assignés à la classe Critère d’arrêt Fin Introduction Sélection d’espaces Détection des modes Conclusion
14
Méthode de sélection automatique
12 Méthode de sélection automatique Calcul du pouvoir discriminant des espaces candidats Définition : Le pouvoir discriminant d’un espace couleur est défini comme étant sa capacité à distinguer les différentes classes de pixels représentant les régions effectives de l’image. Introduction Sélection d’espaces Détection des modes Conclusion
15
Méthode de sélection automatique
12 Méthode de sélection automatique Calcul du pouvoir discriminant des espaces candidats Hypothèse : Le pouvoir discriminant dépend conjointement du nombre de modes détectés et de l’arrangement spatial des pixels dont les niveaux appartiennent à ces modes. Introduction Sélection d’espaces Détection des modes Conclusion
16
Méthode de sélection automatique
12 Méthode de sélection automatique Calcul du pouvoir discriminant des espaces candidats S Introduction Sélection d’espaces Détection des modes Conclusion
17
Méthode de sélection automatique
13 Méthode de sélection automatique Calcul du pouvoir discriminant des espaces candidats Degré de connexité (Macaire et al. 2004) S Image Introduction Sélection d’espaces Détection des modes Conclusion
18
Méthode de sélection automatique
13 Méthode de sélection automatique Calcul du pouvoir discriminant des espaces candidats Degré de connexité (Macaire et al. 2004) S 4 DC(S )= Image Introduction Sélection d’espaces Détection des modes Conclusion
19
Méthode de sélection automatique
13 Méthode de sélection automatique Calcul du pouvoir discriminant des espaces candidats Degré de connexité (Macaire et al. 2004) S 4 + 5 DC(S )= Image Introduction Sélection d’espaces Détection des modes Conclusion
20
Méthode de sélection automatique
13 Méthode de sélection automatique Calcul du pouvoir discriminant des espaces candidats Degré de connexité (Macaire et al. 2004) S 4 + 5 DC(S )= Image Introduction Sélection d’espaces Détection des modes Conclusion
21
Méthode de sélection automatique
13 Méthode de sélection automatique Calcul du pouvoir discriminant des espaces candidats Degré de connexité (Macaire et al. 2004) S 4 + 5 DC(S )= 8x Card(S) 0 pixels dispersés DC(S)= 1 pixels fortement connexes Image Introduction Sélection d’espaces Détection des modes Conclusion
22
Méthode de sélection automatique
14 Méthode de sélection automatique Calcul du pouvoir discriminant des espaces candidats 0.983 0.970 0.986 0.984 0.977 0.940 0.986 0.858 0.931 R=1.953 G=3.887 B=2.775 Critère : La somme la plus élevée des degrés de connexités associés aux modes détectés. Introduction Sélection d’espaces Détection des modes Conclusion
23
Méthode de sélection automatique
15 Méthode de sélection automatique Début Calcul du pouvoir discriminant des espaces candidats Sélection de l’espace le plus discriminant Construction de la classe prépondérante dans l’espace sélectionné Suppression des pixels assignés à la classe Critère d’arrêt Fin Introduction Sélection d’espaces Détection des modes Conclusion
24
Méthode de sélection automatique
16 Méthode de sélection automatique Calcul du pouvoir discriminant des espaces candidats (R,G,B) (r,g,b) (X,Y,Z) (x,y,z) 3.887 3.841 3.871 3.640 (Y,I,Q) (Y,U,V) (I1,I2,I3) (A,C1,C2) 4.762 3.880 3.876 4.814 (Y,C1,C2) (L*,a*,b*) (L*,u*,v*) 4.812 4.731 4.677 Introduction Sélection d’espaces Détection des modes Conclusion
25
Méthode de sélection automatique
16 Méthode de sélection automatique Calcul du pouvoir discriminant des espaces candidats (R,G,B) (r,g,b) (X,Y,Z) (x,y,z) 3.887 3.841 3.871 3.640 (Y,I,Q) (Y,U,V) (I1,I2,I3) (A,C1,C2) 4.762 3.880 3.876 4.814 (Y,C1,C2) (L*,a*,b*) (L*,u*,v*) 4.812 4.731 4.677 Critère : L’espace couleur sélectionné est l’espace couleur dont le pouvoir discriminant est le plus élevé. Introduction Sélection d’espaces Détection des modes Conclusion
26
Méthode de sélection automatique
17 Méthode de sélection automatique Début Calcul du pouvoir discriminant des espaces candidats Sélection de l’espace le plus discriminant Construction de la classe prépondérante dans l’espace sélectionné Suppression des pixels assignés à la classe Critère d’arrêt Fin Introduction Sélection d’espaces Détection des modes Conclusion
27
Méthode de sélection automatique
18 Méthode de sélection automatique Construction de la classe prépondérante dans l’espace sélectionné Composante A Composante C1 Composante C2 A C2 C1 Image codée dans l’espace (A,C1,C2) Introduction Sélection d’espaces Détection des modes Conclusion
28
Méthode de sélection automatique
18 Méthode de sélection automatique Construction de la classe prépondérante dans l’espace sélectionné Composante A C2 Composante C1 Image codée dans l’espace (A,C1,C2) C1 Composante C2 A Introduction Sélection d’espaces Détection des modes Conclusion
29
Méthode de sélection automatique
19 Méthode de sélection automatique Début Calcul du pouvoir discriminant des espaces candidats Sélection de l’espace le plus discriminant Construction de la classe prépondérante dans l’espace sélectionné Suppression des pixels assignés à la classe Critère d’arrêt Fin Introduction Sélection d’espaces Détection des modes Conclusion
30
Méthode de sélection automatique
20 Méthode de sélection automatique Suppression des pixels assignés à la classe C2 Pixels assignés à la classe prépondérante C1 A Image originale Classe construite Introduction Sélection d’espaces Détection des modes Conclusion
31
Méthode de sélection automatique
21 Méthode de sélection automatique Début Calcul du pouvoir discriminant des espaces candidats Sélection de l’espace le plus discriminant Construction de la classe prépondérante dans l’espace sélectionné Suppression des pixels assignés à la classe Critère d’arrêt Fin Introduction Sélection d’espaces Détection des modes Conclusion
32
Méthode de sélection automatique
22 Méthode de sélection automatique Critère d’arrêt Une nouvelle classe de pixels est construite tant qu’un pourcentage de pixels n’a pas été assigné. Introduction Sélection d’espaces Détection des modes Conclusion
33
Méthode de sélection automatique
23 Méthode de sélection automatique Espace sélectionné à l’itération 1 : (A,C1,C2) Image originale Classe extraite Image segmentée en fausses couleurs Introduction Sélection d’espaces Détection des modes Conclusion
34
Méthode de sélection automatique
23 Méthode de sélection automatique Espace sélectionné à l’itération 2 : (A,C1,C2) Image originale Classe extraite Image segmentée en fausses couleurs Introduction Sélection d’espaces Détection des modes Conclusion
35
Méthode de sélection automatique
23 Méthode de sélection automatique Espace sélectionné à l’itération 3 : (I1,I2,I3) Image originale Classe extraite Image segmentée en fausses couleurs Introduction Sélection d’espaces Détection des modes Conclusion
36
Méthode de sélection automatique
23 Méthode de sélection automatique Espace sélectionné à l’itération 4 : (X,Y,Z) Image originale Classe extraite Image segmentée en fausses couleurs Introduction Sélection d’espaces Détection des modes Conclusion
37
Méthode de sélection automatique
23 Méthode de sélection automatique Espace sélectionné à l’itération 5 : (A,C1,C2) Image originale Classe extraite Image segmentée en fausses couleurs Introduction Sélection d’espaces Détection des modes Conclusion
38
Méthode de sélection automatique
23 Méthode de sélection automatique Espace sélectionné à l’itération 6 : (A,C1,C2) Image originale Classe extraite Image segmentée en fausses couleurs Introduction Sélection d’espaces Détection des modes Conclusion
39
Introduction Sélection d’espaces Détection des modes Conclusion
25 Sommaire Introduction Segmentation par analyse d’histogrammes 1D Influence de l’espace couleur et état de l’art Sélection automatique d’espaces 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 Introduction Sélection d’espaces Détection des modes Conclusion
40
Introduction Sélection d’espaces Détection des modes Conclusion
26 Principe Color image 50 100 150 200 250 500 1000 1500 2000 2500 3000 3500 4000 50 100 150 200 250 500 1000 1500 2000 2500 3000 3500 4000 50 100 150 200 250 500 1000 1500 2000 2500 3000 3500 4000 Image couleur Images de composante Histogrammes 1D Introduction Sélection d’espaces Détection des modes Conclusion
41
Analyse dans le scale-space
27 Analyse dans le scale-space Opérateur de convolution 4000 -25 -20 -15 -10 -5 5 10 15 20 25 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2 = 50 100 150 200 250 500 1000 1500 2000 2500 3000 3500 3500 3000 * 2500 2000 1500 1000 500 50 100 150 200 250 Introduction Sélection d’espaces Détection des modes Conclusion
42
Analyse dans le scale-space
28 Analyse dans le scale-space 4000 0.08 3000 3500 0.07 2500 3000 * 0.06 = 2000 2500 0.05 2000 0.04 1500 1500 0.03 1000 1000 0.02 500 500 0.01 50 100 150 200 250 -25 -20 -15 -10 -5 5 10 15 20 25 50 100 150 200 250 Introduction Sélection d’espaces Détection des modes Conclusion
43
Analyse dans le scale-space
29 Analyse dans le scale-space 4000 0.04 2000 3500 0.035 1800 1600 3000 * 0.03 = 1400 2500 0.025 1200 2000 0.02 1000 1500 0.015 800 600 1000 0.01 400 500 0.005 200 50 100 150 200 250 -25 -20 -15 -10 -5 5 10 15 20 25 50 100 150 200 250 Introduction Sélection d’espaces Détection des modes Conclusion
44
Analyse dans le scale-space
30 Analyse dans le scale-space t 25 20 15 SCALE SPACE 10 5 x 64 128 192 256 Introduction Sélection d’espaces Détection des modes Conclusion
45
Analyse dans le scale-space
30 Analyse dans le scale-space t 25 3000 2500 2000 1500 1000 500 50 100 150 200 250 Histogramme lissé avec un noyau Gaussien d’écart-type x 64 128 192 256 Introduction Sélection d’espaces Détection des modes Conclusion
46
Analyse dans le scale-space
30 Analyse dans le scale-space t 25 3000 2500 20 2000 1500 15 1000 500 10 50 100 150 200 250 Histogramme lissé avec un noyau Gaussien d’écart-type 5 x 64 128 192 256 Introduction Sélection d’espaces Détection des modes Conclusion
47
Analyse dans le scale-space
30 Analyse dans le scale-space t 25 2000 1800 1600 1400 20 1200 1000 800 15 600 400 200 50 100 150 200 250 Histogramme lissé avec un noyau Gaussien d’écart-type 5 x 64 128 192 256 Introduction Sélection d’espaces Détection des modes Conclusion
48
Analyse dans le scale-space
31 Analyse dans le scale-space t 25 20 15 10 5 x 64 128 192 256 Introduction Sélection d’espaces Détection des modes Conclusion
49
Analyse dans le scale-space
31 Analyse dans le scale-space t 25 20 15 Scale-space image 10 5 x 64 128 192 256 Introduction Sélection d’espaces Détection des modes Conclusion
50
Analyse dans le scale-space
32 Analyse dans le scale-space Nœud 1 0.83 t 25 1 20 15 10 5 x 64 128 192 256 Introduction Sélection d’espaces Détection des modes Conclusion
51
Analyse dans le scale-space
32 Analyse dans le scale-space Nœud 1 0.83 t 25 1 20 Nœud 2 20.25 Nœud 3 20.25 15 3 2 10 5 x 64 128 192 256 Introduction Sélection d’espaces Détection des modes Conclusion
52
Analyse dans le scale-space
32 Analyse dans le scale-space Nœud 1 0.83 t 25 1 20 Nœud 2 20.25 Nœud 3 20.25 15 3 2 Nœud 4 2.8 Nœud 5 2.8 10 5 4 5 x 64 128 192 256 Introduction Sélection d’espaces Détection des modes Conclusion
53
Analyse dans le scale-space
32 Analyse dans le scale-space Nœud 1 0.83 t 25 1 20 Nœud 2 20.25 Nœud 3 20.25 15 3 2 Nœud 4 2.8 Nœud 5 2.8 10 5 4 Nœud 6 1.15 Nœud 7 1.15 5 6 7 x 64 128 192 256 Introduction Sélection d’espaces Détection des modes Conclusion
54
Analyse dans le scale-space
33 Analyse dans le scale-space Nœud 1 50 100 150 200 250 500 1000 1500 2000 2500 3000 3500 4000 Nœud 2 Nœud 3 Nœud 4 Nœud 5 Nœud 6 Nœud 7 Introduction Sélection d’espaces Détection des modes Conclusion
55
Sélection des modes par le SSF
34 Sélection des modes par le SSF Nœud 1 0.83 t 25 0.83 1 20 Nœud 2 20.25 Nœud 3 20.25 15 3 2 Nœud 4 2.8 Nœud 5 2.8 10 5 4 Nœud 6 1.15 Nœud 7 1.15 5 6 7 x 64 128 192 256 Introduction Sélection d’espaces Détection des modes Conclusion
56
Sélection des modes par le SSF
34 Sélection des modes par le SSF Nœud 1 0.83 t 25 1 20 Nœud 2 24.2 Nœud 3 20.25 15 24.2 3 2 Nœud 4 2.8 Nœud 5 2.8 10 5 4 Nœud 6 1.15 Nœud 7 1.15 5 6 7 x 64 128 192 256 Introduction Sélection d’espaces Détection des modes Conclusion
57
Sélection des modes par le SSF
34 Sélection des modes par le SSF Nœud 1 0.83 t 25 1 20 Nœud 2 24.2 Nœud 3 20.25 15 3 20.25 2 Nœud 4 2.8 Nœud 5 2.8 10 5 4 Nœud 6 1.15 Nœud 7 1.15 5 6 7 x 64 128 192 256 Introduction Sélection d’espaces Détection des modes Conclusion
58
Sélection des modes par le SSF
34 Sélection des modes par le SSF Nœud 1 0.83 t 25 1 20 Nœud 2 24.2 Nœud 3 20.25 15 3 2 Nœud 4 2.8 Nœud 5 3.95 10 5 4 Nœud 6 1.15 Nœud 7 1.15 5 6 7 x 64 128 192 256 Introduction Sélection d’espaces Détection des modes Conclusion
59
Sélection des modes par le SSF
35 Sélection des modes par le SSF Nœud 1 0.83 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. Nœud 2 24.2 Nœud 3 20.25 Nœud 4 2.8 Nœud 5 3.95 Nœud 6 1.15 Nœud 7 1.15 Introduction Sélection d’espaces Détection des modes Conclusion
60
Sélection des modes par le SSF
35 Sélection des modes par le SSF Nœud 1 0.83 Pixels appartenant au nœud 2 : Nœud 2 24.2 Nœud 3 20.25 Pixels appartenant au nœud 3 : Nœud 4 2.8 Nœud 5 3.95 Nœud 6 1.15 Nœud 7 1.15 Introduction Sélection d’espaces Détection des modes Conclusion
61
Sélection des modes par le SSSF
36 Sélection des modes par le SSSF Introduction Sélection d’espaces Détection des modes Conclusion
62
Sélection des modes par le SSSF
36 Sélection des modes par le SSSF Degré d’homogénéité Image S DH(S )= Introduction Sélection d’espaces Détection des modes Conclusion
63
Sélection des modes par le SSSF
36 Sélection des modes par le SSSF Degré d’homogénéité Image S + DH(S )= Introduction Sélection d’espaces Détection des modes Conclusion
64
Sélection des modes par le SSSF
36 Sélection des modes par le SSSF Degré d’homogénéité S + DH(S )= Image Introduction Sélection d’espaces Détection des modes Conclusion
65
Sélection des modes par le SSSF
36 Sélection des modes par le SSSF Degré d’homogénéité S + 1 DH(S )= x Card(S) (S) 0 les niveaux forment plusieurs 1111modes compacts. Image DH(S)= 1 les niveaux forment un unique 1111mode compact. Introduction Sélection d’espaces Détection des modes Conclusion
66
Sélection des modes par le SSSF
36 Sélection des modes par le SSSF Degré de compacité DCH(S)=DC(S) x DH(S) 0 les pixels sont dispersés dans l’image et/ou les niveaux forment plusieurs modes compacts dans l’histogramme. DCH(S)= 1 les pixels sont fortement connexes dans l’image et les niveaux forment un mode compact dans l’histogramme. Introduction Sélection d’espaces Détection des modes Conclusion
67
Sélection des modes par le SSSF
37 Sélection des modes par le SSSF Nœud 1 0.197 Enoncé du critère : Un nœud est actif si le degré de compacité d’au moins un de ses nœuds fils est inférieur à celui du nœud père considéré. Nœud 2 0.689 Nœud 3 0.526 Nœud 4 0.719 Nœud 5 0.793 Nœud 6 0.00 Nœud 7 0.720 Introduction Sélection d’espaces Détection des modes Conclusion
68
Sélection des modes par le SSSF
37 Sélection des modes par le SSSF Nœud 1 0.197 Pixels appartenant au nœud 2 : Nœud 2 0.689 Nœud 3 0.526 Pixels appartenant au nœud 4 : Nœud 4 0.719 Nœud 5 0.793 Pixels appartenant au nœud 5 : Nœud 6 0.00 Nœud 7 0.720 Introduction Sélection d’espaces Détection des modes Conclusion
69
Introduction Sélection d’espaces Détection des modes Conclusion
38 Conclusion Conclusion sur la méthode de segmentation : Méthode de segmentation avec un nombre restreint de paramètres. Sélection automatique d’espaces couleur pour la construction de chaque classe de pixels. Prise en compte conjointe de la couleur des pixels et de leur répartition spatiale dans l’image. Introduction Sélection d’espaces Détection des modes Conclusion
70
MERCI DE VOTRE ATTENTION !
71
Sélection d’espace pour chaque classe de pixels
Image originale Sélection d’espace pour chaque classe de pixels Image segmentée avec l’espace (X,Y,Z) Image segmentée avec l’espace (R,G,B)
72
Sélection d’espace pour chaque classe de pixels
Image originale Sélection d’espace pour chaque classe de pixels Image segmentée avec l’espace (Y,U,V) Image segmentée avec l’espace (R,G,B)
73
Sélection d’espace pour chaque classe de pixels
Image originale Sélection d’espace pour chaque classe de pixels Image segmentée avec l’espace (Y,U,V) Image segmentée avec l’espace (R,G,B)
74
coefficient de lissage
avec σ= 1. coefficient de lissage avec σ= 4. coefficient de lissage avec σ= 14.
Présentations similaires
© 2024 SlidePlayer.fr Inc.
All rights reserved.