Segmentation hiérarchique de textures à l'aide d'une décomposition en ondelettes
Segmentation hiérarchique de textures La segmentation hiérarchique de textures est une méthode qui utilise la décomposition en ondelettes pour analyser et classifier des images texturées. Cet article présente les étapes de cette méthode, ainsi que les résultats obtenus lors de son application.
D'après le document Segmentation hiérarchique de textures à l'aide d'une décomposition en ondelettes
Cet article a été rédigé automatiquement à partir du document source, puis vérifié avant publication.
Document source
Image Processing and Computer Vision · PDF · 11 pages · 1996
Afficher l'aperçu du document
Segmentation hiérarchique de textures
La segmentation hiérarchique de textures est une méthode qui utilise la décomposition en ondelettes pour analyser et classifier des images texturées. Cet article présente les étapes de cette méthode, ainsi que les résultats obtenus lors de son application. Les étudiants découvriront comment cette technique permet de segmenter des images en différentes classes de textures, en utilisant des prototypes et une classification floue.
Introduction à la segmentation des textures
La segmentation des images texturées a été largement étudiée ces dernières années. Ce type de segmentation suppose l’extraction d’attributs permettant de mieux caractériser les différentes textures de l'image afin de les différencier. Les travaux de recherche récents sur le système visuel humain, qui n'éprouve aucune difficulté apparente à reconnaître des textures différentes, ont inspiré le modèle de filtrage multicanal pour l'analyse de textures. Ce filtrage peut être modélisé mathématiquement par les fonctions de Gabor et les ondelettes.
Les ondelettes ont déjà été appliquées à la segmentation d'images. La méthode proposée diffère des précédentes par le mode de caractérisation des textures et par le processus de segmentation employé. À chaque niveau de résolution, des attributs de texture appelés facteurs de forme sont déterminés en combinant les informations des différents niveaux de résolution. Une classification de type flou est ensuite effectuée au niveau de résolution le plus élevé.
Décomposition en ondelettes
La Transformée en Ondelettes (T.O.) permet de représenter une image à différents niveaux de résolutions. Au niveau de résolution j, elle fournit une approximation I_j de l'image de départ, ainsi que trois images de détail D1,j, D2,j, et D3,j, chacune privilégiant une orientation particulière : horizontale (indice 1), verticale (indice 2), et diagonale (indice 3). Ces images contiennent les informations perdues lors du passage du niveau de résolution précédent au niveau j.
La mise en œuvre pratique de la T.O. est généralement réalisée au moyen de deux filtres P1 (passe-bas) et G (passe-haut) conjugués en quadrature. Le filtrage réalisé par ces filtres est d'abord effectué suivant les lignes puis les colonnes de l'image, ce qui permet d'obtenir dans un premier temps deux sous-images intermédiaires, puis les quatre sous-images résultantes de la transformation.
Méthode de segmentation hiérarchique
La méthode de segmentation proposée s'articule autour de trois points essentiels : la détermination des prototypes, la segmentation primaire, et la localisation précise des contours.
Détermination des prototypes
Cette phase consiste à déterminer les "meilleurs" prototypes de chaque classe de la pyramide de décomposition. Elle se déroule au niveau le plus élevé et requiert la connaissance du nombre c de classes. C'est une phase importante puisque le choix de ces prototypes conditionne les performances de la segmentation. Dans les techniques habituelles de classification, l'appartenance d'un pixel à une classe est binaire. Les techniques de classification floue, en revanche, permettent d'attribuer à un pixel donné un degré d'appartenance aux différentes classes présentes.
L'algorithme de classification floue utilisé est celui des c-moyennes floues (Fuzzy C-Means). À chaque pixel x_i est associé un vecteur d'attribut formé des trois facteurs de forme et un vecteur d'appartenance Q = (u_i^1, ..., u_i^c), où u_i^k désigne le degré d'appartenance du pixel x_i à la classe C_k. À chaque itération, le centre V_k de la classe C_k est calculé à partir des pixels x_i de l'image.
Segmentation primaire
À l'aide des prototypes déterminés précédemment, on calcule le nouveau centre de chaque classe. Ces centres permettent d'affecter aux différentes classes C_k tous les pixels du niveau de résolution courant par une mesure de distance dans l'espace des attributs. Une analyse du voisinage de chaque pixel est ensuite effectuée afin de déterminer les pixels ambigus. Un pixel est considéré comme ambigu s'il n'appartient pas à la même classe que la majorité des pixels de son voisinage immédiat.
Les pixels ambigus sont généralement représentatifs de zones singulières ou des frontières. Leur classification est reportée à une résolution supérieure, permettant d'analyser plus finement les régions représentées par ces pixels.
Localisation précise des contours
Au début de cette phase, on dispose des prototypes de chaque classe, des pixels ambigus, et d'une image résultat formée par des pixels affectés à une classe. Seuls les pixels ambigus font l'objet d'une classification lors de cette phase. L'image résultat obtenue est interpolée pour être ramenée au niveau de résolution inférieur. À ce niveau, les facteurs de forme associés aux parents des pixels prototypes sont utilisés pour calculer les nouveaux centres de classes.
Une mesure de distance à ces centres permet de classer les pixels ambigus, affinant ainsi les contours. Le processus est itéré jusqu’au niveau de résolution 1, sans avoir recours à l’algorithme de classification floue pour la détermination des prototypes. À ce dernier niveau, tous les pixels sont attribués à une classe.
Résultats et discussion
Les résultats obtenus par l'algorithme sont satisfaisants. La taille des images traitées est de 256x256 avec 256 niveaux de gris. La décomposition en ondelettes a été effectuée jusqu'au niveau 5, qui correspond à un voisinage de taille 16x16 sur l'image originale. L'ondelette utilisée est celle de Haar, qui présente l'avantage d'être d'un coût faible en temps de calcul et de conduire à un calcul des attributs sur des régions qui ne se recouvrent pas.
Les résultats de la segmentation de deux mosaïques de textures montrent l'efficacité de la méthode. Les figures illustrent les différentes étapes de l'algorithme, montrant la classification floue et la localisation des pixels ambigus. Les résultats chiffrés indiquent un taux correct de classification élevé pour les différentes classes de textures.
Points clés à retenir
Voici les points essentiels à retenir de cette méthode de segmentation hiérarchique de textures :
- Utilisation de la décomposition en ondelettes pour une analyse multi-niveaux.
- Application de la classification floue pour déterminer les prototypes de textures.
- Processus itératif permettant d'affiner la segmentation en considérant les pixels ambigus.
- Résultats satisfaisants avec un taux correct de classification élevé.
Questions fréquentes
Qu'est-ce que la décomposition en ondelettes ?
La décomposition en ondelettes est une technique qui permet de représenter une image à différents niveaux de résolutions, en séparant les détails de l'image selon différentes orientations.
Comment fonctionne la classification floue ?
La classification floue attribue à chaque pixel un degré d'appartenance à plusieurs classes, permettant ainsi de mieux gérer les ambiguïtés dans la classification des textures.
Quels sont les avantages de la méthode proposée ?
Les avantages incluent une segmentation plus précise des textures, une réduction de l'ambiguïté dans la localisation des contours, et une efficacité en termes de temps de calcul grâce à l'approche hiérarchique.
Quels types d'images peuvent être segmentés avec cette méthode ?
Cette méthode peut être appliquée à divers types d'images texturées, comme des mosaïques de textures, des images naturelles, ou des images médicales, où la distinction entre différentes textures est cruciale.
Commentaires
Aucun commentaire pour le moment. Posez la première question.