Opérateurs dérivatifs du premier ordre : Filtre dérivateur de Prewitt

Chapitre 5: Segmentation d’images

Mettre un objet en valeur en éliminant les
autres informations.

Partitionner l’image en zone homogènes selon

un critère déterminé (couleur, texture, NdG…)

Contours  :
Variation d ’intensité de NdG : peut être de
faux contours (ombres, reflets) et de vrais Opérateurs dérivatifs du premier ordre :
contours (objet physique...) Filtre dérivateur de Sobel
Image Courbe Dérivée 1 Dérivée 2

Opérateurs dérivatifs du 1er ordre :

Dérivée Ligne :

Dérivée Colonne :

Norme du Gradient

Filtres pour la détection de contours :

h = composition de 2 convolutions monodimmensionnelles
Le calcul se fait avec 2 masques de convolution pour les 2 directions de la dérivée.
 hj = hLi . hDj :
 Lissage vertical : hLi = [1 c 1] c=2 (Sobel) ; c=1 (Prewitt)
 Dérivation horizontale : hDj = [1 0 -1]
 hi = hDi . hLj 

On fait lissage de l’image + dérivée de

l’image
Lissage + Dérivée de l’image  : Passage par 0 du Lapacien :

Filtre de Prewitt : Moyenneur + Dérivée * Approximation sur un voisinage 3x3 :

Ken Valeur du pixel b3id aala ces

voisins, ce filtre y9awih => yzid fel les
contours.
Lissage * Dérivation Dérivation * Lissage
Vertical Horizontal Vertical Horizontal
Maxima locaux et Seuillage par hystérésis
Filtre de Sobel : Gaussienne + Dérivée
1) Calcul du gradient en chaque point de l’image

2) Création de l’image de la norme du gradient

3) Pour chaque point de l’image de la norme : Extraction des maxima locaux

(contours fins) dans la direction exacte du gradient.

Gradient G1 4) Seuillage par hystérésis : Sh : seuil haut ; Sb : seuil bas

Pour chaque pixel de la norme du gradient :

Dérivation  Si norme(x,y) < Sb : le pixel est mis à 0 (non contour)

Horizontal Norme des 2
 Si norme(x,y) > Sh : le pixel est contour
gradients G1 et G2
 Si Sb < norme(x,y) < Sh : le pixel est contour s’il est voisin à un autre

Codage de Freeman :

Décrire la forme du contour avec une succession de nbre

Dérivation {1, …,7}
Verticale
1) Sur un point M(i,j) identifié comme un point de
Gradient G2 contour

2) Mise en place du masque de Freeman

Possibilité d’utiliser des filtres adaptés pour la détection d’orientations
3) Recherche sur les 8 voisins du point de contour
particulières : Masque suivant maximise la réponse pour une direction à : Fi   /
suivant
4
4) Mémorisation du code de la direction
Opérateurs dérivatifs du 2ème ordre :
Elongation (mechya bel toul wala bel 3ordh) Seuillage Manuel de l’image :

A/B = rapport entre la corde de longueur Seuil absolu

maximale A et la corde B perpendiculaire à A  Modèle de l’image parfaitement défini
et de longueur maximale  Seuil fixé définitivement pour toute la série d’images
Seuil adaptatif
 Calcul menés sur l’image (cas ombre, lumière, …)
Nombre d ’Euler  Détermination de la valeur optimale du seuil
Seuillage local adaptatif
E = (Nombre de composantes connexes) -
 Image non homogène
(Nombre de trous)
 Variation locales
 Modification de la valeur du seuil en fonction de ces variations

Région  :
1) On divise l’image en sous
Extraire des objets d’une image images
2) On seuille chaque sous-
images indépendamment

Seuillage Automatique de l’image :

Segmentation à partir de l ’Histogramme

Si les objets présents dans
l’image ont des couleurs bien
distinctes et uniformes, ils
vont apparaître comme des
pics dans l’histogramme.
 Méthode de maximisation de la variance interclasses
 Croissance de région (region growing)
On part d’un point germe
(seed) et on l’étend en
ajoutant les points de la
frontières qui satisfont le
critère d’homogénéité

Seuillage global adaptatif : Méthode ISODATA

Split & Merge

h(j) = nbre de Regrouper des zones homogènes sur
pixel ayant le l’image:
NdG j
somme= nbre Split :
de pixel
1) Initialement, arbre racine = image complète

2) Récursivement, chaque feuille F est subdivisée en quatre si elle n’est pas assez
homogène, et les quatre sous images sont ajoutée en tant que feuilles de F.

3) L’algorithme poursuit tant qu’il reste des feuilles non homogènes à diviser
Merge :
Texture
Construction du RAG (Region Adjacancy Graph Quadtree)
Une texture est comme une région avec des variations d’intensité. Elle peut être :
o Connecte les régions adjacentes
o Arrête = mesures de différence d’homogénéité Périodique (répétition des motif) Non Périodique (désordonné)

1) Chaque nœud du RAG est examiné.

2) Si un des voisins de ce nœud est à une distance inférieure à un seuil de

regroupement, les deux nœuds fusionnent dans le RAG.
Analyse de la texture :
3) Lorsque plus aucun nœud ne peut fusionner avec l’un de ses voisins, STOP
o Statistiques du premier ordre
Des paramètres d’une texture à partir de son histogramme g(x,y) :

Remarques
o Matrice de co-occurrences
Identifier les répartitions de NdG selon un distance et une direction.

- Matrice de taille N x N, N= nbre de NdG de l’image

-Plusieurs matrice pour chaque
Il n’y a pas de méthode unique de segmentation d’une image le choix d’une
distance et direction
méthode est lié :

À la nature de l’image : contours flous, homogène, texturée…

Aux opérations situées en aval de la segmentation (localisation, mesure,
reconnaissance des formes, interprétation, …)
Aux primitives à extraire: (contours, segments de droite, angles, régions,
formes ..
Aux contraintes d’exploitation: (complexité algorithmique, fonctionnement en
temps réel,..)
Pour chaque matrice,
on peut calcule des
paramètres
caractérisant la texture.

o Analyse Fréquentielle

Filtrage de l’image en utilisant Filtres de Gabor.

Les Filtres de Gabor sont le
produit de Gaussiennes (lissage)
par des sinus et des cosinis
(analyse en fréquences).