École dingénieurs du pas-de-calais campus de la malassise bp39 62967 longuenesse cedex laboratoire...
Post on 03-Apr-2015
103 Views
Preview:
TRANSCRIPT
École d’Ingénieurs du Pas-de-CalaisCampus de la Malassise BP39
62967 Longuenesse Cedex
Laboratoire d’Automatique, Génie Informatique & SignalUMR 8146
Cité Scientifique59655 Villeneuve d'Ascq Cedex
Département GMP de l'IUT 'A' de Lille Rue de la Recherche - BP 179 59653 Villeneuve d'Ascq Cedex
Sélection d'espaces couleur pour la segmentation d'images couleur par
classification de pixels
Laurent BUSIN
Le 07 juin 2007
Sommaire Introduction
Segmentation par analyse d’histogrammes 1D Influence de l’espace couleur et état de l’art
Sélection automatique d’espaces couleur pour la segmentation Espaces couleur candidats Explication des étapes de la méthode de segmentation proposée
Détection des modes automatique Scale-space filtering Spatial scale-space filtering
Conclusion
1
Segmentation
2
Détection de contours
Reconstruction de régions
Classification métrique
Classification Classification statistiquestatistique
Histogrammes-1DHistogrammes-1D Histogrammes-2D Histogramme-3D
Espace couleurEspace couleurPlan image
Introduction Sélection d’espaces Détection des modes Conclusion
Image d’illustration
3
Fond marron R1Carré orange R2Tâche mauve R3Carré jaune R4Anneau vert clair
R5Disque vert foncé
R6Image de synthèse
Introduction Sélection d’espaces Détection des modes Conclusion
Principe
4
Color image
0 50 100 150 200 2500
500
1000
1500
2000
2500
3000
3500
4000
0 50 100 150 200 2500
500
1000
1500
2000
2500
3000
3500
4000
0 50 100 150 200 2500
500
1000
1500
2000
2500
3000
3500
4000
Image Image couleurcouleur
Images de Images de composantecomposante
Histogrammes Histogrammes 1D1D
Introduction Sélection d’espaces Détection des modes Conclusion
Partitionnement de Partitionnement de l’espacel’espace
Image des classes de Image des classes de pixelspixels
Principe
5
Introduction Sélection d’espaces Détection des modes Conclusion
Influence de l’espace couleur
Image à segmenter codée en (R,G,B)
Image à segmenter codée en (L*,a*,b*)
Algorithme de segmentation
Algorithme de segmentation
Image segmentée dans l’espace (R,G,B)
Image segmentée dans l’espace (L*,a*,b*)
6
Introduction Sélection d’espaces Détection des modes Conclusion
Etat de l’art
7
Etat de l’art
Référence Espaces comparés Espace(s) choisi(s)
Ohlander et al.(1978) (R,G,B) (Y,I,Q) (I,S,T) T
Ohta et al. (1980) (R,G,B) (X,Y,Z) (Y,I,Q) (L*,a*,b*) (U*,V*,W*) (I,r,g) (I,S,T) (I1,I2,I3)
(I1,I2,I3)
Lim et al. (1990) (R,G,B) (X,Y,Z) (Y,I,Q) (U*,V*,W*) (I1,I2,I3)
(I1,I2,I3) (R,V,B)
Du et al. (2005) (R,G,B) (r,g,b) (I,S,T) (L*,a*,b*,) (I1,I2,I3) (Y,Cb,Cr)
Dépend de l’algorithme
Butler et al. (2002) (R,G,B) (T,L,S) (Y,Cb,Cr) (Y,Cb, Cr )
Phung et al. (2005) (R,G,B) (Y,Cb,Cr) (I,S,T) (L*,a*,b*)
(R,G,B)(Y,Cb,Cr) (I,S,T) (L*,a*,b*)
Introduction Sélection d’espaces Détection des modes Conclusion
Etat de l’art
7
Référence Espaces comparés Espace(s) choisi(s)
Ohlander et al.(1978) (R,G,B) (Y,I,Q) (I,S,T) T
Ohta et al. (1980) (R,G,B) (X,Y,Z) (Y,I,Q) (L*,a*,b*) (U*,V*,W*) (I,r,g) (I,S,T) (I1,I2,I3)
(I1,I2,I3)
Lim et al. (1990) (R,G,B) (X,Y,Z) (Y,I,Q) (U*,V*,W*) (I1,I2,I3)
(I1,I2,I3) (R,V,B)
Du et al. (2005) (R,G,B) (r,g,b) (I,S,T) (L*,a*,b*,) (I1,I2,I3) (Y,Cb,Cr)
Dépend de l’algorithme
Butler et al. (2002) (R,G,B) (T,L,S) (Y,Cb,Cr) (Y,Cb, Cr )
Phung et al. (2005) (R,G,B) (Y,Cb,Cr) (I,S,T) (L*,a*,b*)
(R,G,B)(Y,Cb,Cr) (I,S,T) (L*,a*,b*)
Introduction Sélection d’espaces Détection des modes Conclusion
Sélection d’espaces adaptés
8
Ohlander et al. (1978) : Sélection d’une composante couleur par analyse récursive pour une segmentation par seuillage.
N. Vandenbroucke (2000) détermine un espace couleur hybride par un apprentissage supervisé pour une segmentation par classification de pixels.
O. Lezoray (2000) détermine un espace couleur adapté par un apprentissage supervisé pour la segmentation par ligne de partage des eaux.
Introduction Sélection d’espaces Détection des modes Conclusion
Sommaire Introduction
Segmentation par analyse d’histogrammes 1D Influence de l’espace couleur et état de l’art
Sélection automatique d’espaces couleur pour la segmentation Espaces couleur candidats Explication des étapes de la méthode de segmentation proposée
Détection des modes automatique Scale-space filtering Spatial scale-space filtering
Conclusion
9
Introduction Sélection d’espaces Détection des modes Conclusion
Espaces candidats
(R,G,B)
Espaces de primaires
(R,G,B)
espaces de primairesréelles
(RE,GE,BE)
(RF,GF,BF)
(RC,GC,BC)
espacesde primaires
virtuelles
(X,Y,Z)
espacesnormalisés
(r*,g*,b*)
(x,y,z)
Espaces luminance-chrominance
espacesperceptuellementuniformes
(L*,a*,b*)
(L*,u*,v*)
espacesantagonistes
(A,C1,C2)
(bw,rg,by)
espaces detélévision
(Y,I,Q)
(Y,U,V)
autres espacesluminance-chrominance(L,Ch1,Ch2)
(I,r,g)
Espaces perceptuelssystèmes decoordonnées perceptuelles
(I,S,T)systèmes de coordonnéespolaires
(L,C,H)
Espaces indépendants
espace d’Ohta(I1,I2,I3)
10
Introduction Sélection d’espaces Détection des modes Conclusion
Algorithme
Calcul du pouvoir discriminant des espaces candidats
Construction de la classe prépondérante dans l’espace sélectionné
Suppression des pixels assignés à la classe
Sélection de l’espace le plus discriminant
Début
Critère d’arrêt
Fin
11
Introduction Sélection d’espaces Détection des modes Conclusion
• Calcul du pouvoir discriminant des espaces candidats Définition : Le pouvoir discriminant d’un espace couleur est défini comme étant sa capacité à distinguer les différentes classes de pixels représentant les régions effectives de l’image.
Méthode de sélection automatique
12
Introduction Sélection d’espaces Détection des modes Conclusion
Hypothèse : Le pouvoir discriminant dépend conjointement du nombre de modes détectés et de l’arrangement spatial des pixels dont les niveaux appartiennent à ces modes.
Méthode de sélection automatique
• Calcul du pouvoir discriminant des espaces candidats
12
Introduction Sélection d’espaces Détection des modes Conclusion
Méthode de sélection automatique
• Calcul du pouvoir discriminant des espaces candidats
12
S
Introduction Sélection d’espaces Détection des modes Conclusion
Méthode de sélection automatique
• Calcul du pouvoir discriminant des espaces candidats
• Degré de connexité (Macaire et al. 2004)
Image
S
13
Introduction Sélection d’espaces Détection des modes Conclusion
Méthode de sélection automatique
• Calcul du pouvoir discriminant des espaces candidats
• Degré de connexité (Macaire et al. 2004)
Image
S
DC(S )=
13
4
Introduction Sélection d’espaces Détection des modes Conclusion
Méthode de sélection automatique
Image
S
DC(S )=4 + 5
• Calcul du pouvoir discriminant des espaces candidats
• Degré de connexité (Macaire et al. 2004)
13
Introduction Sélection d’espaces Détection des modes Conclusion
Méthode de sélection automatique
Image
S
DC(S )=4 + 5 +... .... .... +4
• Calcul du pouvoir discriminant des espaces candidats
• Degré de connexité (Macaire et al. 2004)
13
Introduction Sélection d’espaces Détection des modes Conclusion
Méthode de sélection automatique
Image
S
DC(S )=4 + 5 +... .... .... +4
8x Card(S)
• Calcul du pouvoir discriminant des espaces candidats
• Degré de connexité (Macaire et al. 2004)
13
DC(S)=
0 pixels dispersés
1 pixels fortement connexes
Introduction Sélection d’espaces Détection des modes Conclusion
Critère : La somme la plus élevée des degrés de connexités associés aux modes détectés.
• Calcul du pouvoir discriminant des espaces candidats
Méthode de sélection automatique
0.9310.986 0.858
B=2.775
0.9770.986 0.984 0.940
G=3.887
0.983 0.970
R=1.953
14
Introduction Sélection d’espaces Détection des modes Conclusion
Méthode de sélection automatique
Calcul du pouvoir discriminant des espaces candidats
Construction de la classe prépondérante dans l’espace sélectionné
Suppression des pixels assignés à la classe
Sélection de l’espace le plus discriminant
Début
Critère d’arrêt
Fin
15
Introduction Sélection d’espaces Détection des modes Conclusion
(R,G,B) (r,g,b) (X,Y,Z) (x,y,z)
3.887 3.841 3.871 3.640
(Y,I,Q) (Y,U,V) (I1,I2,I3) (A,C1,C2)
4.762 3.880 3.876 4.814
(Y,C1,C2) (L*,a*,b*) (L*,u*,v*)
4.812 4.731 4.677
Méthode de sélection automatique
• Calcul du pouvoir discriminant des espaces candidats
16
Introduction Sélection d’espaces Détection des modes Conclusion
(R,G,B) (r,g,b) (X,Y,Z) (x,y,z)
3.887 3.841 3.871 3.640
(Y,I,Q) (Y,U,V) (I1,I2,I3) (A,C1,C2)
4.762 3.880 3.876 4.814
(Y,C1,C2) (L*,a*,b*) (L*,u*,v*)
4.812 4.731 4.677
Méthode de sélection automatique
• Calcul du pouvoir discriminant des espaces candidats
Critère : L’espace couleur sélectionné est l’espace couleur dont le pouvoir discriminant est le plus élevé.
16
Introduction Sélection d’espaces Détection des modes Conclusion
Méthode de sélection automatique
Calcul du pouvoir discriminant des espaces candidats
Construction de la classe prépondérante dans l’espace sélectionné
Suppression des pixels assignés à la classe
Sélection de l’espace le plus discriminant
Début
Critère d’arrêt
Fin
17
Introduction Sélection d’espaces Détection des modes Conclusion
Méthode de sélection automatique
• Construction de la classe prépondérante dans l’espace sélectionné
0 32 64 96 128 160 192 224 2550
500
1000
1500
2000
2500
3000
3500
4000
0 32 64 96 128 160 192 224 2550
500
1000
1500
2000
2500
3000
3500
4000
0 32 64 96 128 160 192 224 2550
500
1000
1500
2000
2500
3000
3500
4000
Composante A
Composante C1
Composante C2 A
C2
C1
18
Image codée dans l’espace
(A,C1,C2)
Introduction Sélection d’espaces Détection des modes Conclusion
Méthode de sélection automatique
• Construction de la classe prépondérante dans l’espace sélectionné
0 32 64 96 128 160 192 224 2550
500
1000
1500
2000
2500
3000
3500
4000
0 32 64 96 128 160 192 224 2550
500
1000
1500
2000
2500
3000
3500
4000
0 32 64 96 128 160 192 224 2550
500
1000
1500
2000
2500
3000
3500
4000
Composante A
Composante C1
Composante C2
18
A
C2
C1
Image codée dans l’espace
(A,C1,C2)
Introduction Sélection d’espaces Détection des modes Conclusion
Méthode de sélection automatique
Calcul du pouvoir discriminant des espaces candidats
Construction de la classe prépondérante dans l’espace sélectionné
Suppression des pixels assignés à la classe
Sélection de l’espace le plus discriminant
Début
Critère d’arrêt
Fin
19
Introduction Sélection d’espaces Détection des modes Conclusion
Méthode de sélection automatique
• Suppression des pixels assignés à la classe
Image originale Classe construite
A
C2
C1
20
Pixels assignés à la classe prépondérante
Introduction Sélection d’espaces Détection des modes Conclusion
Méthode de sélection automatique
Calcul du pouvoir discriminant des espaces candidats
Construction de la classe prépondérante dans l’espace sélectionné
Suppression des pixels assignés à la classe
Sélection de l’espace le plus discriminant
Début
Critère d’arrêt
Fin
21
Introduction Sélection d’espaces Détection des modes Conclusion
Méthode de sélection automatique
• Critère d’arrêt
Une nouvelle classe de pixels est construite tant qu’un pourcentage de pixels n’a pas été assigné.
22
Introduction Sélection d’espaces Détection des modes Conclusion
Image originale
Classe extraite Image segmentée en fausses couleurs
Méthode de sélection automatique
Espace sélectionné à l’itération 1 : (A,C1,C2)
23
Introduction Sélection d’espaces Détection des modes Conclusion
Méthode de sélection automatique
Image originale
23
Espace sélectionné à l’itération 2 : (A,C1,C2)
Classe extraite Image segmentée en fausses couleurs
Introduction Sélection d’espaces Détection des modes Conclusion
Méthode de sélection automatique
Image originale
23
Espace sélectionné à l’itération 3 : (I1,I2,I3)
Classe extraite Image segmentée en fausses couleurs
Introduction Sélection d’espaces Détection des modes Conclusion
Méthode de sélection automatique
Image originale
23
Espace sélectionné à l’itération 4 : (X,Y,Z)
Classe extraite Image segmentée en fausses couleurs
Introduction Sélection d’espaces Détection des modes Conclusion
Méthode de sélection automatique
Image originale
23
Espace sélectionné à l’itération 5 : (A,C1,C2)
Classe extraite Image segmentée en fausses couleurs
Introduction Sélection d’espaces Détection des modes Conclusion
Méthode de sélection automatique
Image originale
23
Espace sélectionné à l’itération 6 : (A,C1,C2)
Classe extraite Image segmentée en fausses couleurs
Introduction Sélection d’espaces Détection des modes Conclusion
Sommaire Introduction
Segmentation par analyse d’histogrammes 1D Influence de l’espace couleur et état de l’art
Sélection automatique d’espaces couleur pour la segmentation Espaces couleur candidats Explication des étapes de la méthode de segmentation proposée
Détection des modes automatique Scale-space filtering Spatial scale-space filtering
Conclusion
25
Introduction Sélection d’espaces Détection des modes Conclusion
Principe
26
Color image
0 50 100 150 200 2500
500
1000
1500
2000
2500
3000
3500
4000
0 50 100 150 200 2500
500
1000
1500
2000
2500
3000
3500
4000
0 50 100 150 200 2500
500
1000
1500
2000
2500
3000
3500
4000
Image Image couleurcouleur
Images de Images de composantecomposante
Histogrammes Histogrammes 1D1D
Introduction Sélection d’espaces Détection des modes Conclusion
Analyse dans le scale-space
27
(x)H B
Opérateur de convolution
*0 50 100 150 200 250
0
500
1000
1500
2000
2500
3000
3500
4000
2 with)GK(x, -25 -20 -15 -10 -5 0 5 10 15 20 250
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
(x)H 2BS
=
0 50 100 150 200 2500
500
1000
1500
2000
2500
3000
3500
Introduction Sélection d’espaces Détection des modes Conclusion
Analyse dans le scale-space
28
(x)H B 5 with)GK(x, (x)H 5BS
* =
0 50 100 150 200 2500
500
1000
1500
2000
2500
3000
3500
4000
-25 -20 -15 -10 -5 0 5 10 15 20 250
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0 50 100 150 200 2500
500
1000
1500
2000
2500
3000
Introduction Sélection d’espaces Détection des modes Conclusion
Analyse dans le scale-space
29
(x)H B 10 with)GK(x, (x)H 10BS
* =
0 50 100 150 200 2500
500
1000
1500
2000
2500
3000
3500
4000
-25 -20 -15 -10 -5 0 5 10 15 20 250
0.005
0.01
0.015
0.02
0.025
0.03
0.035
0.04
0 50 100 150 200 2500
200
400
600
800
1000
1200
1400
1600
1800
2000
Introduction Sélection d’espaces Détection des modes Conclusion
SCALE SPACE
Analyse dans le scale-space
30
0 64 128 192 256x0
5
10
15
20
25
Introduction Sélection d’espaces Détection des modes Conclusion
Analyse dans le scale-space
30
Histogramme lissé avec un noyau
Gaussien d’écart-type
50 64 128 192 256
x0
25
5
0 50 100 150 200 2500
500
1000
1500
2000
2500
3000
Introduction Sélection d’espaces Détection des modes Conclusion
Analyse dans le scale-space
30
Histogramme lissé avec un noyau
Gaussien d’écart-type
50 64 128 192 256
x0
5
10
15
20
25
5
0 50 100 150 200 2500
500
1000
1500
2000
2500
3000
Introduction Sélection d’espaces Détection des modes Conclusion
Analyse dans le scale-space
30
10
Histogramme lissé avec un noyau
Gaussien d’écart-type
10
0 64 128 192 256x0
5
15
20
25
0 50 100 150 200 2500
200
400
600
800
1000
1200
1400
1600
1800
2000
Introduction Sélection d’espaces Détection des modes Conclusion
Analyse dans le scale-space
31
0 64 128 192 256x0
5
10
15
20
25
Introduction Sélection d’espaces Détection des modes Conclusion
Analyse dans le scale-space
31
0 64 128 192 256x0
5
10
15
20
25
Scale-space image
Introduction Sélection d’espaces Détection des modes Conclusion
Analyse dans le scale-space
32
0 64 128 192 256x0
5
10
15
20
25Nœud 1
0.83
1
Introduction Sélection d’espaces Détection des modes Conclusion
Analyse dans le scale-space
32
0 64 128 192 256x0
5
10
15
20
25
1
2
3
Nœud 1
0.83
Nœud 2
20.25
Nœud 3
20.25
Introduction Sélection d’espaces Détection des modes Conclusion
Analyse dans le scale-space
32
0 64 128 192 256x0
5
10
15
20
25
1
2
3
4 5
Nœud 4
2.8
Nœud 5
2.8
Nœud 1
0.83
Nœud 2
20.25
Nœud 3
20.25
Introduction Sélection d’espaces Détection des modes Conclusion
Analyse dans le scale-space
32
0 64 128 192 256x0
5
10
15
20
25
Nœud 4
2.8
Nœud 5
2.8
Nœud 6
1.15
Nœud 7
1.15
Nœud 1
0.83
Nœud 2
20.25
Nœud 3
20.25
1
2
3
4 5
6 7
Introduction Sélection d’espaces Détection des modes Conclusion
33
Analyse dans le scale-space
Nœud 4 Nœud 5
Nœud 6 Nœud 7
Nœud 1
Nœud 2 Nœud 3
(x)H B
0 50 100 150 200 250
0
500
1000
1500
2000
2500
3000
3500
4000
Introduction Sélection d’espaces Détection des modes Conclusion
Sélection des modes par le SSF
34
0 64 128 192 256x0
5
10
15
20
25
1
2
3
4 5
6 7
Nœud 1
0.83
Nœud 2
20.25
Nœud 3
20.25
Nœud 4
2.8
Nœud 5
2.8
Nœud 6
1.15
Nœud 7
1.15
0.83
Introduction Sélection d’espaces Détection des modes Conclusion
34
0 64 128 192 256x0
5
10
15
20
25
1
2
3
4 5
6 7
Nœud 1
0.83
Nœud 2
24.2
Nœud 3
20.25
Nœud 4
2.8
Nœud 5
2.8
Nœud 6
1.15
Nœud 7
1.15
24.2
Sélection des modes par le SSF
Introduction Sélection d’espaces Détection des modes Conclusion
34
0 64 128 192 256x0
5
10
15
20
25
1
2
3
4 5
6 7
Nœud 1
0.83
Nœud 2
24.2
Nœud 3
20.25
Nœud 4
2.8
Nœud 5
2.8
Nœud 6
1.15
Nœud 7
1.15
20.25
Sélection des modes par le SSF
Introduction Sélection d’espaces Détection des modes Conclusion
34
0 64 128 192 256x0
5
10
15
20
25
1
2
3
4 5
6 7
Nœud 1
0.83
Nœud 2
24.2
Nœud 3
20.25
Nœud 4
2.8
Nœud 5
3.95
Nœud 6
1.15
Nœud 7
1.15
Sélection des modes par le SSF
Introduction Sélection d’espaces Détection des modes Conclusion
35
Nœud 1
0.83
Nœud 2
24.2
Nœud 3
20.25
Nœud 4
2.8
Nœud 5
3.95
Nœud 6
1.15
Nœud 7
1.15
Enoncé du critère :
Un nœud est actif si la hauteur du rectangle qui le définit est supérieure à la hauteur moyenne des rectangles de ces descendants.
Sélection des modes par le SSF
Introduction Sélection d’espaces Détection des modes Conclusion
35
Nœud 1
0.83
Nœud 2
24.2
Nœud 3
20.25
Nœud 4
2.8
Nœud 5
3.95
Nœud 6
1.15
Nœud 7
1.15
Sélection des modes par le SSF
Pixels appartenant au nœud 3 :
Pixels appartenant au nœud 2 :
Introduction Sélection d’espaces Détection des modes Conclusion
Sélection des modes par le SSSF
36
Introduction Sélection d’espaces Détection des modes Conclusion
DH(S )=
Sélection des modes par le SSSF
Image
S
• Degré d’homogénéité
36
Introduction Sélection d’espaces Détection des modes Conclusion
Sélection des modes par le SSSF
Image
S
• Degré d’homogénéité
+ DH(S )=
36
Introduction Sélection d’espaces Détection des modes Conclusion
+ +... .... .... +DH(S )=
Sélection des modes par le SSSF
Image
S
• Degré d’homogénéité
36
Introduction Sélection d’espaces Détection des modes Conclusion
+ +... .... .... +DH(S )=
(S)
1x
Sélection des modes par le SSSF
Image
S
• Degré d’homogénéité
Card(S)
36
DH(S)=
0 les niveaux forment plusieurs
1111modes compacts. 1 les niveaux forment un unique
1111mode compact. Introduction Sélection d’espaces Détection des modes Conclusion
DCH(S)=DC(S) x DH(S)
Sélection des modes par le SSSF
• Degré de compacité
36
DCH(S)=
0 les pixels sont dispersés dans l’image et/ou les niveaux forment plusieurs modes compacts dans l’histogramme.
1 les pixels sont fortement connexes dans l’image et les niveaux forment un mode compact dans l’histogramme.
Introduction Sélection d’espaces Détection des modes Conclusion
37
Nœud 1
0.197
Nœud 2
0.689
Nœud 3
0.526
Nœud 4
0.719
Nœud 5
0.793
Nœud 6
0.00
Nœud 7
0.720
Enoncé du critère :
Un nœud est actif si le degré de compacité d’au moins un de ses nœuds fils est inférieur à celui du nœud père considéré.
Sélection des modes par le SSSF
Introduction Sélection d’espaces Détection des modes Conclusion
37
Nœud 1
0.197
Nœud 2
0.689
Nœud 3
0.526
Nœud 4
0.719
Nœud 5
0.793
Nœud 6
0.00
Nœud 7
0.720
Sélection des modes par le SSSF
Pixels appartenant au nœud 2 :
Pixels appartenant au nœud 5 :
Pixels appartenant au nœud 4 :
Introduction Sélection d’espaces Détection des modes Conclusion
Conclusion
Conclusion sur la méthode de segmentation : Méthode de segmentation avec un nombre restreint de paramètres. Sélection automatique d’espaces couleur pour la construction de
chaque classe de pixels. Prise en compte conjointe de la couleur des pixels et de leur
répartition spatiale dans l’image.
38
Introduction Sélection d’espaces Détection des modes Conclusion
MERCI DE VOTRE ATTENTION !
Image originale
Image segmentée avec l’espace (R,G,B)
Image segmentée avec l’espace (X,Y,Z)
Sélection d’espace pour chaque classe de pixels
Image originale
Image segmentée avec l’espace (R,G,B)
Image segmentée avec l’espace (Y,U,V)
Sélection d’espace pour chaque classe de pixels
Image originale
Image segmentée avec l’espace (R,G,B)
Image segmentée avec l’espace (Y,U,V)
Sélection d’espace pour chaque classe de pixels
Itération n° Espace choisiclasses extraites
1 R G B fond2 Y C1 C2 carré orange3 Y C1 C2 bruit du fond4 Y C1 C2 tache
5 R G B cercle vert extérieur
6 R G B cercle vert intérieur
7 R G B carré jaune
coefficient de lissage avec σ= 1.
Itération n° Espace choisiclasses extraites
1 r g b fond2 r g b carré orange3 L u* v* cercle vert4 Y C1 C2 tache5 R G B bruit du fond6 R G B carré jaune
coefficient de lissage avec σ= 4.
Itération n° Espace choisiclasses extraites
1 r g b fond + tache2 R G B carré orange3 R G B cercle vert
coefficient de lissage avec σ= 14.
top related