Comparing color edge detection and segmentation methods Projet TIM.

Slides:



Advertisements
Présentations similaires
Piecewise Affine Registration of Biological Images
Advertisements

Xialong Dai, Siamak Khorram
Distance de BORGEFORS Et Applications
Extraction de segments pour la reconnaissance de symboles : Une approche robuste par Transformée de Hough Présenté par : Simon BERNARD Encadré par : Jean-Marc.
TRAITEMENT D’IMAGE SIF-1033 Segmentation des images par détection de contours et d’arêtes u Détection des contours et arêtes u Dérivée première (gradient)
INF-1019 Programmation en temps réel
Partie II : Segmentation
PIF-6003 Sujets spéciaux en informatique I
ContactSite web Comportement mécanique d’un alliage de titane et d’un alliage d’aluminium issus de la fabrication additive par SLM Auteurs: Vincent DOVERGNE,
Cours #6 Filtrage n Découverte Plan du cours n 2- Pré-traitement des images u 2.1 Amélioration du contraste u 2.2 Filtrage :  Filtre gaussien  Filtres.
L'image: Le codage des images BacPro SEN Lycée Condorcet.
Modélisation Géométrique Cours 4 : Acquisition de la géométrie.
Hypergraph Lossless Compression, Quadtrees et notion de complexité sur les images G graphes et sécurité Sujet de stage de Master en cours: Sujet de thèse.
Adopter le KM mix pour obtenir ou renforcer le leadership Préparé par: Ilham ELKORCHI Meriem NASIRI Mohammed BENMRAH Encadré par: Ouidad AMRANI.
1 Estimation temps réel du flot optique Julien MARZAT 3A – ISA CPDS Tuteur ENSEM:Didier WOLF Tuteur INRIA :André DUCROT.
Etudiant : Matthieu MARTIN Encadrement Créatis : Philippe DELACHARTRE et Kevin Blaise GUEPIE Encadrement Ecole Centrale de Lyon : Laurent SEPPECHER Master.
Traitement d'images en Java avec JAI
L'OBJECTIVITE DANS LE TRAITEMENT DES IMAGES PLANETAIRES
Traitement d’images 420-D78-SW A17 Semaine 02.
Analyse, Classification,Indexation des Données ACID
Introduction à la vision artificielle Traitement des images
Détermination des propriétés texturales d’un solide poreux par traçage
Préparer par : Intissare et kaoutare
Détection de coutours - Exemples élémentaires -
Simulation des nanostructures à base de nanorubans de graphène
Plans d’experiences : plans de melanges
Technologies de l’intelligence d’affaires Séance 11
Technologies de l’intelligence d’affaires Séance 12
Introduction à OpenCV GEL – Design III Charles du Tremblay
PROGRAMMATION SCIENTIFIQUE EN C
Protocole AODV pour Iot
Chapitre 6: Réduction de dimensionnalité paramétrique
SIF-1033 Traitement d’image
Applications du filtrage
Modélisation Spatio-temporelle de la pluviométrie " Application du prédicteur Filtre de Kalman":Cas du bassin versant de Cheliff -Algérie- Présentée par Samra Harkat
Introduction au traitement d’images Simulation sous Matlab Professeur. Mohammed Talibi Alaoui Département Mathématique et Informatique, Oujda.
Segmentation des images sonar texturées
ACP Analyse en Composantes Principales
Royaume de Maroc Université Hassan Premier Settat Faculté des Sciences et Techniques de Settat LA CLASSIFICATION K-MEANS SOUS R /MATLAB Master :Automatique.
INDICATEURS ET TABLEAUX DE BORD EN MAINTENANCE. Définitions Indicateur : chiffre significatif d’une situation économique pour une période donnée. Tableau.
Chapitre2: SGBD et Datawarehouse. On pourrait se demander pourquoi ne pas utiliser un SGBD pour réaliser cette structure d'informatique décisionnelle.
Amélioration de la résolution spatiale des sondeurs multifaisceau
DÉTECTION DE DÉFAUTS DANS DES HOLOGRAMMES DE PHASE
Les méthodes non paramétriques
Apports de la statistique spatialisée
Arbres de décision.
CHAPTER 10: Discrimination Linéaire
VI. Introduction à l ’indexation
Prise de performance sur 40m haies (P1) Prise de performance sur 40m rivières (P2) Performance cible du cycle sur les haies = moyenne P1+P2 Comparer.
Comme son nom l’indique, ce réseau a 3 phases. Nous connaissons le réseau monophasé ( 1 phase + 1 neutre). Le triphasé a été crée afin d ’alimenter des.
Variable Neighborhood Descent (VND) Réalisée par Nadia Sassi Eya baghdedi AU
Sujets Spéciaux en informatique II
Systèmes ADAS: Assistant de contrôle de direction et de voies
Reconnaissance de formes: lettres/chiffres
Moteurs de recherches Data mining Nizar Jegham.
INTELLIGENCE ARTIFICIELLE
Amélioration de la visibilité
Tableau de bord d’un système de recommandation
Test de performances. Test de performances:  Un test de performance est un test dont l'objectif est de déterminer la performance d'un système informatique.
Encadrée par: - Mr. Abdallah ALAOUI AMINI Réalisée par : -ERAOUI Oumaima -DEKKAR Amal - ES-SAHLY Samira -Houari Mohammed PROGRAMMATION MULTIOBJECTIFS.
Problématique Se connecter au drône pour la capture vidéo en le pilotant. Détecter les carrés rouges et les suspects potentiels. Trouver « Le prof Meuniono»
INTELLIGENCE ARTIFICIELLE
PROGRAMMATION SCIENTIFIQUE EN C
Global Positioning System
PROGRAMMATION SCIENTIFIQUE EN C
Création d une application pour la détection des personnage par les empreintes digitale 1.
Transcription de la présentation:

Comparing color edge detection and segmentation methods Projet TIM

Plan ● Segmentation ● Approche contours – Nevatia – Difference Of Offset Gaussian (DOOG) ● Approche région – Ohlander – Fuzzy C-Means (FCM) ● Conclusion

Segmentation ✔ Segmentation ● Approche contours – Nevatia – DOOG ● Approche région – Ohlander – FCM ● Conclusion ● créer des partitions de l'image en sous ensembles homogènes selon un certain critère ● segmentation couleur => critère = composantes colorimétriques des pixels ● 2 grandes classes : ➢ approche contours ➢ approche région

Approche contours ✗ Segmentation ✔ Approche contours – Nevatia – DOOG ● Approche région – Ohlander – FCM ● Conclusion ● contours bien localisés ● fonctionne bien lorsque les zones de part et d'autre du contour ont des intensités moyennes différentes

Nevatia ✗ Segmentation ✔ Approche contours ✔ Nevatia – DOOG ● Approche région – Ohlander – FCM ● Conclusion ● Généralisation du « Hueckel Operator » ● Détermination du contour dans un voisinage circulaire du pixel. ● Ajustement d'un modèle idéal

Hueckel Operator ✗ Segmentation ✔ Approche contours ✔ Nevatia – DOOG ● Approche région – Ohlander – FCM ● Conclusion ● Illustration du modèle idéal =>Ajustement à un cas concret en faisant varier Θ, r, b, h -Angle Θ distance r -2 régions : b / b+h

Hueckel Operator ✗ Segmentation ✔ Approche contours ✔ Nevatia – DOOG ● Approche région – Ohlander – FCM ● Conclusion ● Détermination des paramètres : N²= ∑ ( A(x) – S(x, ξ) ) A(x) : intensité au point x S(x, ξ) : fonction idéale au point x avec les paramètres ξ ● But : minimiser N² ● Décision : N petit et h grand

Nevatia ✗ Segmentation ✔ Approche contours ✔ Nevatia – DOOG ● Approche région – Ohlander – FCM ● Conclusion ● Généralisation du « Hueckel Operator » ● Adaptation à un espace couleur : Intensité (Y), Rouge (R), Vert (G) ● Pour chaque espace, détermination du contour optimal ● Contrainte : même angle pour les 3 contours. ● Décision : contours coïncident

DOOG ✗ Segmentation ✔ Approche contours ✗ Nevatia ✔ DOOG ● Approche région – Ohlander – FCM ● Conclusion ● Different of offset Gaussian ● Opérateur dérivatif du second ordre ● Recherche du passage par 0 du laplacien

DOOG ✗ Segmentation ✔ Approche contours ✗ Nevatia ✔ DOOG ● Approche région – Ohlander – FCM ● Conclusion ● Une gaussienne centrale ● 6 gaussiennes autour (modèle hexagonal) ● Calcul des différences de gaussiennes dans des plans différents. ● R vs G / B vs Y ● => différence entre un pixel dans un plan donné avec la moyenne de ses 6 voisins dans le second plan.

Approche région (1) ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✔ Approche région – Ohlander – FCM ● Conclusion ● méthodes de classification beaucoup utilisées ● partition de l'espace des couleurs ● pas de prise en compte de la disposition spatiale des pixels

Approche région (2) ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✔ Approche région – Ohlander – FCM ● Conclusion ● efficace si la classification permet de mettre en évidence les différentes régions homogènes de l'image

Ohlander (1) ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✔ Approche région ✔ Ohlander – FCM ● Conclusion ● Détermination de régions par traitement d'histogrammes ● méthode récursive de division de régions ● 1977

Ohlander (2) ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✔ Approche région ✔ Ohlander – FCM ● Conclusion ● On commence par choisir une région (l'image entière au départ) grâce à un masque de bits ● On calcule les histogrammes des caractéristiques suivantes : ➢ Rouge, Vert, Bleu, Intensité, Teinte, Saturation ➢ Y = R V B (luminance) ➢ I = R V B (interpolation) ➢ Q = R V B (quadrature)

Ohlander (3) ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✔ Approche région ✔ Ohlander – FCM ● Conclusion ● On lisse l'histogramme pour supprimer les petits pics ● On choisit le meilleur pic ➢ pic isolé, c'est-à-dire pic fort avec minima très bien définis autour

Ohlander (4) ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✔ Approche région ✔ Ohlander – FCM ● Conclusion ● On seuille l'image en utilisant les seuils supérieurs et inférieurs => image binaire ● On affine le masque binaire par lissage ● La région traitée est retirée de l'image ● On recommence jusqu'à ce que la partie restante soit trop petite

Fuzzy C-Means (1) ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✔ Approche région ✗ Ohlander ✔ FCM ● Conclusion ● Segmentation en régions floues ● ensemble flou = ensemble dont les bords sont mal définis ● fonction d'appartenance à valeurs dans l'intervalle [0,1]

Fuzzy C-Means (2) ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✔ Approche région ✗ Ohlander ✔ FCM ● Conclusion ● Exemple :

Fuzzy C-Means (3) ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✔ Approche région ✗ Ohlander ✔ FCM ● Conclusion ● L'Algorithme des c-moyens flous ➢ algorithme de classification floue ➢ fondé sur l'optimisation d'un critère quadratique de classification ➢ chaque classe est représentée par son centre de gravité

Fuzzy C-Means (4) ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✔ Approche région ✗ Ohlander ✔ FCM ● Conclusion ➢ nécessite de connaître le nombre de classes ➢ génère les classes par un processus itératif ➢ donne à chaque pixel un degré d'appartenance à une région donnée.

Fuzzy C-Means (5) ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✔ Approche région ✗ Ohlander ✔ FCM ● Conclusion ➢ évolution de la partition (Matrice U) en minimisant la fonction objectif suivante : ➢ m >1 (paramètre contrôlant le degré de flou) ➢ c k = centre de la classe k ➢ U = matrice des degrés d'appartenance ( ) ➢ avec x i vecteur des 3 composantes RVB ➢ C = nombre de classes

Fuzzy C-Means (6) ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✔ Approche région ✗ Ohlander ✔ FCM ● Conclusion 1 - choisir le nombre de classes 2 - initialiser la matrice U et les c k 3 - mise à jour des degrés d'appartenance : où

Fuzzy C-Means (7) ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✔ Approche région ✗ Ohlander ✔ FCM ● Conclusion 4 - mise à jour des centres 5 – test d'arrêt

Fuzzy C-Means (8) ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✔ Approche région ✗ Ohlander ✔ FCM ● Conclusion ➢ Résultats segmentation avec 2 classes Image originale segmentation avec 3 classes

Comparaison ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✗ Approche région ✗ Ohlander ✗ FCM ✔ Conclusion ➢ Déterminer les critères de performances ➢ 4 critères : ➢ Précis ➢ Différence entre contour détecté et réel faible ➢ Sensible ➢ Robuste au bruit

Conclusion ✗ Segmentation ✗ Approche contours ✗ Nevatia ✗ DOOG ✗ Approche région ✗ Ohlander ✗ FCM ✔ Conclusion ➢ nombreuses approches de segmentation couleur différentes ➢ chaque méthode adaptée à une application

Références ● (École Nationale Supérieure des Télécommunications) ● ● Cortical-model.pdf Cortical-model.pdf