Master Informatique 2ème année Edge Detection and Ridge Detection with Automatic Scale Selection TONY LINDEBERG Synthèse bibliographique Sawsen Rezig ECL/Lyon1 Master Informatique 2ème année Spécialité : Image

Principales conférences et revues du domaine International Conference on Computer Vision (ICCV), European Conference on Computer Vision (ECCV), Conference on Computer Vision and Pattern Recognition (CVPR-USA). IEEE Transactions on Pattern Analysis and Machine Intelligence(TPAMI), IEEE Transactions on Image Processing, International Journal of Computer Vision(IJCV), Pattern Recognition.

L’auteur de L’article: Tony Lindeberg Tony Lindeberg est un professeur au département de l’analyse numérique et de l’informatique au KTH (Royal Institute of Technology (Suède)). Ses principaux sujets de recherche concerne : La théorie de l’Espace d’échelle, Les représentations de l’image et de la vision Détection de caractéristiques, Reconnaissance d’objets, reconnaissance spatio-temporelle La modélisation algorithmique de la vision biologique. Il déjà travaillé aussi sur des sujets sur l’analyse d’images médicales et la reconnaissance de gestuelles. Il est l’auteur du livre : Scale-Space Theory in Computer Vision.

Introduction : L’importance de l’information de contours: Changement dans l’image changement dans les propriétés physiques et naturelles des entités. La difficulté qui se présente dans un contexte pareil: Comment interpréter l’information extraite, Comment choisir l’espace d’échelle.

Problématique traitée par l’article : Domaine : La vision par ordinateur/Extraction de caractéristiques. But : La détection des différentes caractéristiques de l’image (contours, points d’intérêt). La sélection automatique des niveaux d’échelle ( Scale-space).

Avant-propos : Impact du choix du niveaux d’échelle Image Originale t = 1 t = 256 t = 16

Avant-propos : Impact du choix du niveaux d’échelle Résultats de la détection de contours d’une imge au differents niveaux d’échelle

Méthodologie proposée : L’amplitude du gradient, Une mesure normalisée de la puissance d’un contour :

Méthodologie proposée : Intérêt de chaque mesure: L’amplitude du gradient : Le maximum local dans la direction du gradient, les endroits correspondant à un changement brutal dans l’image. Une mesure normalisée de la puissance d’un contour : Varier l’espace d’échelle automatiquement le long d’un contour.

Méthodologie proposée : Adaptation de la méthode pour la détection de régions d’intérêt: Formuler le concept de points d’intérêt : les propriétés différentielles géométriques locales. points représentant un extremum local dans la direction du vecteur propre de la matrice Hessienne.

Résultats obtenus: Résultats de la détection de contours basée sur la dérivée du premier ordre:

Résultats obtenus: Résultats de la détection de contours basée sur la dérivée du troisième ordre:

Résultats obtenus: Résultats de la détection de régions d’intérêt :

Critiques : Etat de l’art : La dérivée normalisée , Les dérivées directionnelles, la suppression des non maxima (classique), l’extension de la notion de la suppression des non maxima en vue de réaliser la sélection des niveaux d’échelle.

Critiques : Expérimentation (détection de contours): un choix automatique du niveau d’échelle s’adaptant à la structure locale de l’image, éviter la distorsion de la forme des objets, extraire les contours fins (ombres, reflets), -résultats pour l’image du fractal, -une différence à peine perceptible entre utilisation de deux mesures de la puissance.

Critiques : Expérimentation (détection de régions d’intérêt): L’application de la méthode adaptée donne les points les plus significatifs.

Critiques : Points forts et points faibles : nouvelle manière géométrique différentielle pour la suppression des non maxima, se basant sur la représentation multi-échelle de l’image à traiter. La détection de contours et de points d’intérêt a été beaucoup améliorée par l’auteur par l’introduction des dérivées -normalisées. -Le choix du nombre de niveaux d’échelle à utiliser est arbitraire dans cette méthode.