Segmentation de séquences d’images au sens du mouvement

Présentation au sujet: "Segmentation de séquences d’images au sens du mouvement"— Transcription de la présentation:

1 Segmentation de séquences d’images au sens du mouvement
Stage DEA Image & Calculs Elodie Bichot Juillet 2002 Encadrant : L. Mascarilla

2 segmentation de séquences d’images au sens du mouvement
Introduction illusion de mouvement créée par la succession d’images à une cadence élevée mouvement = information importante en traitement d’images segmentation de séquences d’images au sens du mouvement

3 Plan Définition de la segmentation au sens du mouvement
Les méthodes de segmentation au sens du mouvement Le flot optique Les méthodes d’estimation du flot optique Le partitionnement du flot optique Mise en œuvre L’appariement par fenêtres L’algorithme de segmentation au sens du mouvement mis en œuvre

4 Contexte : Projet Aqu@thèque
étape de segmentation : détecter la région correspondant au poisson sélectionné images couleurs réelles présentant des effets spéculaires, des changements de luminosité méthodes de segmentation par le mouvement impossible de distinguer deux poissons évoluant en sens opposé au moment où ils se croisent  segmentation au sens du mouvement

5 Segmentation au sens du mouvement
Partitionnement de l’image en régions uniformes au sens du mouvement : estimation du mouvement 2D (flot optique) classification des pixels selon leur mouvement Estimation du segmentation mouvement Images segmentées en Séquence d’images Flot optique régions uniformes au sens du mouvement

6 équation du flot optique
Le flot optique champ de vecteurs de déplacements produit par la projection du mouvement 3D des objets et/ou par le mouvement de la caméra estimation du flot optique illumination constante : équation du flot optique composantes de la vitesse gradient spatial de I gradient temporel de I

7 Le flot optique équation du flot optique fossé entre mouvement estimé par équation du flot optique et mouvement réel détermination du mouvement problème mal posé : problème d’ouverture : seule b, composante du mouvement normale au bord, peut être estimée [2]

8 Domaines d’utilisation du flot optique
compression vidéo par compensation de mouvement segmentation : météorologie reconnaissance de signes du langage des signes surveillance de sites routiers Le flot optique pour segmenter des véhicules en mouvement [1]

9 Méthodes d’estimation du flot optique
Techniques différentielles Méthodes fréquentielles Appariement par fenêtres

10 Les méthodes différentielles
fondées sur hypothèse d’intensité constante  Problème d’ouverture ajout de contrainte de lissage du flot optique : flot optique constant sur un voisinage local de meilleure solution : la plus régulière [HS81] [LK81]

11 Positionnement des techniques différentielles
coût de calculs faible précise estimation de déplacements de faible amplitude mauvaise estimation du flot optique aux frontières des objets = zones de discontinuités du mouvement

12 L’appariement par fenêtres
recherche de la meilleure correspondance entre des régions de deux images consécutives par : maximisation d’un critère de similarité minimisation d’une distance entre deux fenêtres de référence sur une zone de recherche fenêtre de référence ou de corrélation zone de recherche position translatée de la pixel (i, j) de l’image considéré

13 Positionnement de l’appariement par fenêtres
simple possibilité d’estimer des déplacements d’amplitude importante problème en cas d’images bruitées, en présence d’occultations, en cas de zones uniformes coûteuse en temps de calculs imprécise

14 Segmentation du flot optique
qualité liée à la qualité de l’estimation du mouvement par estimation d’un mouvement dominant - évaluation du mouvement dominant - « extraction » de l’objet animé du mouvement dominant problème : lorsqu’il n’y a pas qu’un seul mouvement dominant

15 Segmentation du flot optique
par classification sur les paramètres d’un modèle de mouvement affine [WA94] : mouvement affine : facile à implémenter décrit les mouvements rencontrés dans les vidéos génération d’hypothèses de mouvement classification flot optique affectation des régions à l’hypothèse la plus proche image segmentée objets en translation : groupement des pixels de même vitesse

16 Estimation du flot optique par appariement par fenêtres
simple à l’origine des meilleurs résultats pas fondé sur hypothèse d’illumination constante intégration assez facile de l’information de couleur difficile d’apprécier la justesse du flot optique estimé image initiale, flot optique évalué par appariement et par la méthode de Lucas & Kanade

17 Estimation du flot optique
Représentation des normes des vecteurs vitesses et du flot optique évalués par appariement à partir d’images en niveaux de gris à gauche, à partir d’images en couleurs à droite

18 Algorithme de segmentation au sens du mouvement
flot optique évalué par appariement segmentation par classification sur les paramètres d’un modèle de mouvement affine nombre de classes fixé arbitrairement Estimation du flot optique Estimation des paramètres d’un modèle de mouvement affine sur des régions carrées [WA94] Classification par C moyennes floues sur les paramètres de mouvement Représentation des classes dans l’espace de l’image image initiale image segmentée

19 Algorithme de segmentation au sens du mouvement
flot optique évalué par appariement segmentation par classification sur les composantes de la vitesse nombre de classes fixé arbitrairement image initiale segmentation par classification sur les composantes de la vitesse

20 Conclusion estimation du flot optique + partitionnement du flot optique = segmentation au sens du mouvement appariement par fenêtres + classification sur les composantes du déplacement = segmentation au sens du mouvement distinction de poissons évoluant en sens opposé coopération entre la segmentation au sens du mouvement et la poursuite de cibles

21 Références [HS81] B.K.P. Horn, B.G. Schunck. Determining optical flow. Artificial Intelligence 17 : , 1981. [LK81] B. Lucas, T. Kanade. An iterative image registration technique with an application to stereo vision. Proc. DARPA Image Understanding Workshop, pp , 1981. [WA94] J.Y.A. Wang, E.H. Adelson, Spatio-Temporal Segmentation of Video Data. Proceedings of the SPIE : Image and Video Processing 2, vol. 2182, San Jose, 1994. [WA94] J.Y.A. Wang, E.H. Adelson. Representing Moving Images with Layers. IEEE Transactions on Image Processing Special Issue : Image Sequence Compression, vol3, n°5, p , 1994. [1] [2]