École dingénieurs du pas-de-calais campus de la malassise bp39 62967 longuenesse cedex laboratoire...

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


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


Partitionnement de Partitionnement de l’espacel’espace

Image des classes de Image des classes de pixelspixels

Principe

5


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


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*)


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*)


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.






Conclusion

9


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


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


• 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


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.


• Calcul du pouvoir discriminant des espaces candidats

12




12

S




• Degré de connexité (Macaire et al. 2004)

Image

S

13





Image

S

DC(S )=

13

4



Image

S

DC(S )=4 + 5



13



Image

S

DC(S )=4 + 5 +... .... .... +4



13



Image

S

DC(S )=4 + 5 +... .... .... +4

8x Card(S)



13

DC(S)=

0 pixels dispersés

1 pixels fortement connexes


Critère : La somme la plus élevée des degrés de connexités associés aux modes détectés.



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







Début

Critère d’arrêt

Fin

15


(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



16


(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



Critère : L’espace couleur sélectionné est l’espace couleur dont le pouvoir discriminant est le plus élevé.

16







Début

Critère d’arrêt

Fin

17



• 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)



• 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)







Début

Critère d’arrêt

Fin

19



• Suppression des pixels assignés à la classe

Image originale Classe construite

A

C2

C1

20

Pixels assignés à la classe prépondérante







Début

Critère d’arrêt

Fin

21



• Critère d’arrêt

Une nouvelle classe de pixels est construite tant qu’un pourcentage de pixels n’a pas été assigné.

22


Image originale

Classe extraite Image segmentée en fausses couleurs


Espace sélectionné à l’itération 1 : (A,C1,C2)

23



Image originale

23





Image originale

23

Espace sélectionné à l’itération 3 : (I1,I2,I3)




Image originale

23

Espace sélectionné à l’itération 4 : (X,Y,Z)




Image originale

23








Conclusion

25


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


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



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



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


SCALE SPACE


30

0 64 128 192 256x0

5

10

15

20

25



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



30



50 64 128 192 256

x0

5

10

15

20

25

5

0 50 100 150 200 2500

500

1000

1500

2000

2500

3000



30

10



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



31

0 64 128 192 256x0

5

10

15

20

25



31

0 64 128 192 256x0

5

10

15

20

25

Scale-space image



32

0 64 128 192 256x0

5

10

15

20

25Nœud 1

0.83

1



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



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



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


33


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


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


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



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



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



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.



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


Pixels appartenant au nœud 3 :



Sélection des modes par le SSSF

36


DH(S )=


Image

S

• Degré d’homogénéité

36



Image

S


+ DH(S )=

36


+ +... .... .... +DH(S )=


Image

S


36


+ +... .... .... +DH(S )=

(S)

1x


Image

S


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)


• 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.


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.



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






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


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

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.


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



1 r g b fond + tache2 R G B carré orange3 R G B cercle vert


École dingénieurs du pas-de-calais campus de la malassise bp39 62967 longuenesse cedex laboratoire...

Documents