Deux sujets traités La segmentation d’images

Présentation au sujet: "Deux sujets traités La segmentation d’images"— Transcription de la présentation:

1 Deux sujets traités La segmentation d’images
La détection des changements

2 La segmentation d’images: approches standard
Segmentation orientée frontières Segmentation orientée régions

3 Segmentation orientée frontière

4 EXEMPLE 1. On choisit une bande spectrale et l’on applique un algorithme de détection d’arêtes

5 EXEMPLE (suite) 2. On applique divers algorithmes (seuillage et amincissement des arêtes, suivi d’arêtes, fermetures et formation de contours) afin d’obtenir une carte des entités polygonales

6 Exemple (suite et fin) On extrait des traits caractéristiques de l’image et l’on applique des algorithmes de classification afin d’étiqueter chaque entité polygonale

7 Segmentation orientée régions
Décomposition/fusion Croissance des régions Ligne de partage des eaux

8 Illustrations: méthodes de segmentation orientées région
Matériel provenant de la publication:

9 Un pixel est-il similaire à un ou plusieurs des ses voisins?
Le cas échéant ils forment une région Mais comment mesurer la similarité entre pixels voisins? Image N&B  différence entre les niveaux de gris< à un seuil imposé par l’opérateur Image à plusieurs dimensions  distance spectrale Similarité de texture? mesures plus complexes … encore sujet de recherche

10 Le graphe d’adjacence Un outil nécessaire pour les opérations de segmentation

11 La méthode décomposition/fusion (split/merge)

12 La méthode décomposition/fusion (split/merge)

13 La fusion

14 Fusion

15 Croissance des régions: choix des points de départs (germes)

16 Croissance des régions

17 Ligne de partages des eaux

18 Carte d’élévations On part d’une image de gradient: les pixels avec le plus fort gradient sont localisés (lignes de crête) L’élévation de tout autre point est calculée en fonction de sa distance à ces pixels

19 Remplissage des bassins par infiltration (flooding)

20 Réduction du nombre de régions
On se sert de la graphe d’adjacence Les petites régions sont absorbées par leur voisines selon leur distance Distance = « coût » de rendre similaire une région par rapport à ses voisins (fonctions de sa valeur moyenne et de sa superficie) On cherche l’arc avec la plus faible valeur et les deux régions sont fusionnées On ajuste le graphe d’adjacence et on recommence le processus jusqu’à atteindre les conditions imposées au départ (nombre de régions, valeurs moyennes, etc.)

21 Un exemple Croissance des régions guidée par l’opérateur

22 Croissance des régions guidées par la carte
Exemple: recherche du trait de côte sur image RADARSAT

23 Accroissement Une série de pixels est définie: les germes

24 Accroissement Une région: tous les valeurs des pixels satisfont un certain critère de similarité

25 Résultats

26 La segmentation d’images: autres approches
L’algorithme du mean-shift: adaptation d’un algorithme de classification non dirigée (mean-shift) à la classification locale

27 Exemple 1: Image originale

28 Exemple 1: image segmentée

29 Exemple 1: contours segments

30 Couleur+taille+régularité du contour+ ombrage = bâtiment Couleur + élongation du segment = chemin

31 Exemple 2: Image originale

32 Exemple 2: image segmentée

33 Exemple 2: contours segments

34 Couleur+taille+régularité du contour+ ombrage = bâtiment Couleur + élongation du segment = chemin

35 Exemple 3: Image originale

36 Exemple 3: image segmentée

37 Exemple 3: contours segments

38 Couleur+taille+régularité du contour+ ombrage = bâtiment Couleur + élongation du segment = chemin

39 Exemple 4: Image originale

40 Exemple 4: image segmentée

41 Exemple 4: contours segments

42 Couleur+taille+régularité du contour+ ombrage = bâtiment Couleur + élongation du segment = chemin

43 Exemple 5: Image originale

44 Exemple 5: image segmentée

45 Exemple 5: image segmentée

46 Bâtiment: cas très complexe (édition + nettoyage manuelle) Couleur + élongation du segment = chemin

47 Exemple 6: Image originale

48 Exemple 6: image segmentée

49 Exemple 6: contours segments

50 Couleur+taille+régularité du contour+ ombrage = bâtiment Couleur + élongation du segment = chemin

51 Exemple 6: Image originale

52 Exemple 6: image segmentée

53 Exemple 6: contours segments

54 Couleur+taille+régularité du contour+ ombrage = bâtiment Couleur + élongation du segment = chemin

55 Pour la couleur – transformation RGB à Lab

56 Pour la couleur – transformation RGB à Lab