1. Segmentation d'images
Segmentation
Alain Boucher - IFI
aboucher@ifi.edu.vn

2.  Filière de formation en Sciences Géomatiques et Ingénierie Topographique
Applications de la télédétection
Segmentation des images et identification des structures
Techniques basées sur le savoir, l’intelligence artificielle et
les notions relatives aux images floues
Réalisé par : Encadré par :
Sara BOUYSFI Pr.ELGHOUAT
Loubna IHAYA
Ishraq RACHED
Hind SABRI
Vision par ordinateur - Alain Boucher 2

3. Plan
 Introduction:

Qu’est-ce qu’une image ?

Qu'est-ce que la segmentation ?

But de la segmentation

Que devrait être une bonne segmentation?
 Problématique:
 Objectifs:
 Segmentation basée sur les savoirs et les
connaissances :
3

4. Plan:
 Segmentation basée sur l’intelligence artificielle :
 Segmentation reposant sur les notions relatifs aux
images floues:
 Résultat:
 Conclusion:
4

5. Introduction:

Qu’est-ce qu’une image ?
 Projection d’une réalité tridimensionnelle sur un plan
 Représentation visuelle voire mentale de quelque chose
(objet, être vivant et/ou concept).
 Elle peut être naturelle (ombre, reflet) ou artificielle (
peinture, photographie)
5

6. Introduction:

Qu'est-ce que la segmentation ?
 une opération de traitement d'images qui a pour
but de rassembler des pixels entre eux suivant
des critères pré-définis.
 Les pixels sont ainsi regroupés en régions, qui
constituent un pavage ou une partition de
l'image.
6

7. Introduction:
 Une région est un ensemble connexe de pixels ayant
des propriétés communes (Intensité, texture, …) qui les
différencie des pixels des régions voisines
 Lorsque le nombre de région est limité à deux, la
segmentation prend le nom de binarisation et se résume
alors à séparer un objet du fond
7

8. Introduction :
8

9. Introduction:
 Il n’y a pas de méthode unique de segmentation
 Le choix d’un méthode depend:
 Nature de l’image
 Opérations situées en aval de la segmentation ,

Primitives à extraire

Contraintes d’exploitation
9

10. Introduction:

But de la segmentation :
 Comme un moyen efficace de réduction des données
permettant leur analyse par un processus de niveau
supérieur.
 Par exemple, la segmentation est une étape dans le
processus d'interprétation de scènes ou dans celui de la
vision stéréoscopique.
10

11. Introduction:
 Que devrait être une bonne segmentation?
 Il n'existe pas, en fait, de réponse absolue à cette
question
 La qualité du résultat d'une segmentation est
généralement jugée par l'homme en fonction de critères
sémantiques difficilement implantables
 cette qualité est souvent fonction du traitement ultérieur
choisi
11

12. Problématique:
12

13. Objectifs:
 Traiter les différents méthodes de segmentation des
images afin d’identifier les structures dans une image
selon le but recherché.
 Faire une comparaison entre ces différentes méthodes
13

14. Segmentation basée sur les
connaissances:
 Cette approche consiste en l’utilisation des
connaissances disponibles dans les systèmes à base
de connaissance dés l’étape de segmentation.
 Ces systèmes à base de connaissances ont prouvé leur
efficacité pour l’identification d’objets, ainsi qu’en
interprétation d’images.
14

15. Segmentation basée sur les
connaissances:
 L’architecture de représentation des connaissances.
 Possibilités au travers d’exemple d’application sur
quelques classes d’images et en particulier sur des
images biomédicales.
15

16. Segmentation basée sur les
connaissances:
 L’architecture de système :
 L’architecture de système est basée sur un tableau noir.
 Un système à tableau noir essaye d’éliminer les
faiblesses rencontrées dans le système expert classique
de
la manière suivante :

Les connaissances sont divisées en modules (sources de
connaissances), chaque source contenant sa propre base
de connaissance.
16

17. Segmentation basée sur les
connaissances:

La communication entre les sources est limitée à la lecture
et l’écriture dans la mémoire du travail (tableau noir) chaque
source doit lire/écrire dans un format acceptable pour les
autres modules .

Le tableau noir est subdivisé de manière à faire cohabiter
des données ayant des représentations différentes, il
contient toutes les informations concernant le problème à
résoudre et les éléments solution développées par les
sources exécutés.
17

18. Segmentation basée sur les
connaissances:
 Le principe de résolution consiste à exécuter les
sources de connaissances qui peuvent faire évoluer les
éléments de solution présente dans la base de données
vers d’autres éléments plus proche de la solution finale.
 La solution est peu à peu construite par application de
différentes sources sur les informations du tableau noir.
 Une source ne sait résoudre qu’une partie du problème,
il faut donc une complémentarité des sources pour
résoudre un problème
18

19. Segmentation basée sur les
connaissances:
 Dans la base du donnée du tableau noir le domaine est
décomposé en 7 niveaux d’abstraction :
 image
 zone d’image
 Région
 Ligne
 groupement de région
 groupement de lignes
 point d’intersection de lignes
19

20. Segmentation basée sur les
connaissances:
 Les sources de connaissances :
 Pour segmenter une classe d’images, on définit des
sources de connaissances implémentant une stratégie
particulière de segmentation.
 Les connaissances générales sur la segmentation sont
codé sous forme de sources de connaissance appelé
spécialiste.
20

21. Segmentation basée sur les
connaissances:
 Un langage d’expression des sources de connaissances
a été spécifié afin d’exprimer les conditions d’application
des SC, il comporte la définition des valuation et de
comparateur floue.
 les valuations « très grand »
« grand » « moyen » « petit » « très petit »,sont utilisées
sur les valeurs numériques des attributs des objets ou
sur les résultats des méthodes
21

22.  Par exemple l’introduction du critères tel que « la
surface de la région est grande »ou « la moyenne des
niveaux de gris de la région est petite » dans la
formulation de l’expertise de segmentation rend celle-ci
potentiellement indépendante de la nature de l’image
traité
Vision par ordinateur - Alain Boucher 22

23. Segmentation basée sur les
connaissances:
 Un module de segmentation se décompose en 3 étapes
fondamentales :

La présentation qui consiste à obtenir des segmentation
initiales contours, régions ou contour/région.

La caractérisation et la description de l’image segmentée.

La recherche de la meilleure solution par le regroupement
ou la division de certains éléments de l’image segmentée
suivant plusieurs critères.
23

24. Segmentation basée sur les savoirs
et les connaissances:
 Expérimentation :
 L’extraction de connaissances spécifiques au domaine
pouvant guider la segmentation a été effectué grâce a
diverses études sur des images biomédicales.
 L’image présentée ci-dessous provient de coupes
histologiques colorées de la tumeur du sein.
 L’objectif fixé est tout d’abord de distinguer le tissu
tumoral du stroma de soutien et des cellules
inflammatoires, puis d’effectuer des mesures sur les
cellules internes aux lobules.
24

25. Segmentation basée sur les savoirs
et les connaissances:
25

26. Segmentation basée sur
l’intelligence artificielle

Qu’est-ce que l’intelligence artificielle:
 Recherche de moyens susceptibles de doter les
systèmes informatiques de capacités intellectuelles
comparables à celles des êtres humains.
 Ne cherche pas à comprendre ou à reproduire la vision
humaine, mais à construire un modèle algorithmique
qui, vu de l’extérieur, possède des propriétés
semblables.
26

27. Segmentation basée sur
l’intelligence artificielle
 Avantages de l’intelligence artificielle :
 la possibilité d'utiliser une forme de communication
entre différents organismes, cette communication
permet a partir d'échanges d'informations locales
d'obtenir des informations globales qui a leur tour
permettront aux organismes d'être plus efficaces dans
leur tache.
27

28. Segmentation basée sur
l’intelligence artificielle
 Un second avantage de l’intelligence artificielle pour la
segmentation d'image est l'autonomie dont font preuve
les organismes
28

29. Segmentation basée sur
l’intelligence artificielle

Méthodes de segmentation utilisant l’intelligence
artificielle :
 La méthode des Organismes déformables basés sur les
modèles déformables de Ter-populos, elle combine la
géométrie, la physique et la théorie de l’approximation.
 La méthode dite multi-agent
29

30. La méthode de ségmentation par multi-agent:
 Introduction :
 La segmentation par multi-agents s’appuie sur des
entités autonomes déployées sur l’image tel que
chaque entité est équipée d’une habilité à estimer
l'homogénéité d’une région dans une localité
prédéfinie en exhibant plusieurs comportements
réactifs.
30

31. La méthode de ségmentation par multi-agent
 Ces entités peuvent migrer, se reproduire, ou bien se
diffuser au sein de l’image. Différentes catégories
d’entités explorent l’image et marquent les pixels
lorsqu’ils appartiennent au segment correspondant.
 L’interaction entre plusieurs comportements
permet l’émergence d’une nouvelle fonctionnalité, à
savoir la segmentation de l’image.
31

32. La méthode de ségmentation par multi-agent
 Principe de la segmentation par multi-agents:
 un nombre fixe d’entités autonomes est déployé
aléatoirement sur l’image
 Chaque entité est équipée d’une habilité à estimer
l'homogénéité d’une région
Agents
Agents
region
contours
32

33. La méthode de ségmentation par multi-agent :
 Chaque classe d’agents sera responsable d’étiqueter
respectivement un seul type de segment : régions
homogènes ou contours
 Lorsqu’un segment non homogène est rencontré,
l’entité autonome se diffuse vers un autre pixel en
prenant une certaine direction sélectionnée auparavant
33

34. La méthode de ségmentation par multi-agent :
 Dans le cas ou l’entité localise un segment
homogène, cette dernière par un comportement
d’auto-reproduction délivre un certain nombre de
progéniture dans la région locale où elle réside, et
étiquette le pixel sur lequel elle se trouve.
 La nouvelle progéniture aura la tâche d’étiqueter le
même type de segment que l’entité génitrice
34

35. La méthode de ségmentation par multi-agent :
 Les comportements de reproduction et d’étiquetage
d'un agent set déclenchés par son stimulus local qui
satisfera alors certains critères d’homogénéité.
 À sa naissance la progéniture exhibe un
comportement de migration
35

36. La méthode de ségmentation par multi-agent :

Remarque:
 Chaque entité a une durée de vie prédéfinie.
Lorsqu’un agent prend de l’âge, il gagne en maturité.
Cette maturité est désignée par l’état courant de l’agent
(jeune, adulte, parent, vieux). Cette maturité l’aidera
plus tard, à sélectionner les meilleures directions lors
d’un comportement de diffusion.
36

37. La méthode de ségmentation par multi-agent :
 Stimulus local :
 La région voisine d'un agent se trouvant à
l’emplacement (i, j) est une région circulaire centrée à
l’emplacement (i, j) avec un rayon R(i,j)_region, Les
pixels qui se trouvent à l'intérieur de cette région sont
appelés les pixels voisins de l'agent.
37

38. La méthode de ségmentation par multi-agent :
 un agent perçoit son environnement en évaluant les
caractéristiques d’intensité en niveau de gris de tous
les pixels se trouvant dans sa région voisine.
 Les comportements relatifs à l’agent ne répondront
uniquement qu’à son stimulus local.
38

39. La méthode de ségmentation par multi-agent :

Les comportements des agents :
 les comportements des agents sont issus de leur
stimulus local.
 c’est-à-dire les agents de segmentation s'adaptent à
leur environnement local, à l’aide de plusieurs
réactions comportementales :

Reproduction

Migration

Diffusion
39

40. La méthode de ségmentation par multi-agent :

Reproduction :
 L’agent de segmentation exhibe un comportement
d’auto-reproduction lorsque son stimulus local satisfait
les critères d’homogénéité.
 L’agent reproduit alors un nombre fini de progéniture
et les délivre par la suite selon une certaine direction
 La nouvelle progéniture aura les mêmes propriétés
que l’agent géniteur.
40

41. La méthode de ségmentation par multi-agent :
 Elle sera distribuée tout près des pixels répondant
aux critères d’homogénéité, permettant
d’augmenter les chances de détection des
segments homogènes.
 Après avoir terminé sa reproduction, l’agent géniteur
étiquettera le pixel sur lequel il réside.
 Par la suite, il deviendra inactif et sa vie prendra
fin lorsqu’elle aura dépassé la limite autorisée.
41

42. La méthode de ségmentation par multi-agent :
42

43. La méthode de ségmentation par multi-agent :
43

44. La méthode de ségmentation par multi-agent :
 Migration :
 Ce comportement de migration accompagne la
reproduction.
 Il ne concerne que la nouvelle progéniture
 Cette dernière ne migre que lorsque il y’a une
concentration élevée d’agents appartenant à la même
classe dans la région locale où elle réside
 ou lorsque le pixel sur lequel elle se trouve a été déjà
étiqueté
44

45. La méthode de ségmentation par multi-agent:
 La direction dans laquelle cette progéniture va
migrer, correspond à la direction de
reproduction du parent géniteur.
 Après qu’un jeune agent ait effectué une migration, il
entrera dans une vie active.
 Il commencera à chercher à son tour des
segments homogènes.
45

46. La méthode de ségmentation par multi-agent:
46

47. La méthode de ségmentation par multi-agent:

Diffusion :
 À l’inverse de la reproduction, la diffusion est
déclenchée lorsque le stimulus local de l’agent ne
vérifie pas les critères d’homogénéité.
 La diffusion consiste à se déplacer vers un nouvel
emplacement se trouvant dans une région avoisinante à
celle de l’emplacement courant, en prenant une
direction spécifique qui sera sélectionnée à partir du
vecteur de diffusion de l’agent.
47

48. La méthode de ségmentation par multi-agent:
48

49. Application de la segmentation Multi-Agents:
 Il s’agit d’une application de la segmentation par
l’approche Multi-Agents, réalisée par l’ Équipe vision et
infographie, Laboratoire LIRE, Université Mentouri,
Constantine, Algérie
49

50. Application de la segmentation Multi-Agents:
Données:
Image IRM
cérébrale.
De taille 512
* 512
L’image IRM objet de la segmentation
50

51. Application de la segmentation Multi-Agents:
Matériel :
Plate forme : NetLogo
Environnement de programmation
pour la modélisation de
phénomène collectifs.
Elle constitue un puissant outil
pour le développement d’un
système tel le système Multi-
agents : Elle permet à des milliers
d’agents de fonctionner tous
indépendamment en parallèle
51

52. Application de la segmentation Multi-Agents:
Approche
utilisée
Segmentation par 4 classes
d’agents
Chaque classe sera responsable
d’étiqueter un seul type de
segment
52

53. Application de la segmentation Multi-Agents:
Caractéristiques des 4 classes
Classe Classe 1 Classe 2 Classe 3 Classe 4
Type de segment Contour Région
δ 0.80 0.99 0.99 0.99
Nombre de Progéniture 2 3 3 3
Durée de vie 3 3 3 3
53

54. Application de la segmentation Multi-Agents:
Initialement, 50 agents de chacune des
Résultats quatre classes, ont été aléatoirement
obtenus distribués sur l'image donnée .
54

55. Application de la segmentation Multi-Agents:
55

56. Application de la segmentation Multi-Agents:
56

57. Segmentation reposant sur les
notions relatifs aux images floues
 Le concept de logique floue dit aussi image floue permet
de manipuler des classes d'objets dont les frontières ne
sont pas clairement déterminées, par l'introduction d'une
fonction caractéristique prenant des valeurs courantes
entre 0 et 1.
57

58. Segmentation reposant sur les
notions relatifs aux images floues
 Les principaux moyens d’obtenir une segmentation basé
sur la logique floue sont:
 le seuillage flou.
 la classification floue
 la croissance de région ou les règles floues
58

59. Segmentation reposant sur les
notions relatifs aux images floues
 le seuillage flou:
 But : définir des fonctions d'appartenance aux régions.
 Il est basé sur un ensemble de seuils.
 Cette méthode permet d’effectuer une binarisation d’une
image grâce à une construction hiérarchique
descendante.
59

60. Segmentation reposant sur les
notions relatifs aux images floues
Procédure:
 Le seuillage effectué avec un seuil unique revient à une
opération de binarisation .
 Soit, I(x,y), la valeur radiométrique du pixel de
coordonnées (x,y) dans l’image,
 si I(x,y) > T , T étant le seuil fixé, le pixel prend la valeur
1, sinon il prend la valeur 0. Les pixels ont été classés
en deux catégories, on a créé une image binaire en noir
et blanc
60

61. Segmentation reposant sur les
notions relatifs aux images floues

la classification floue:
 Le principe de base est de former à partir des individus
non étiquetés c groupes qui soient les plus homogènes
et naturels possible.
 Homogène et Naturel signifient que les groupes obtenus
doivent contenir des individus les plus semblables
possible , tandis que les individus de groupes différents
doivent être les plus dissemblables possible
61

62. Segmentation reposant sur les
notions relatifs aux images floues:

la croissance de région ou les règles floues:
 le problème est de déterminer les germes des régions,
la fonction définissant l'homogénéité des régions et les
fonctions d'appartenance.
 Les pixels sont d’abord triés par ordre croissant de leur
norme du gradient.
62

63. Segmentation reposant sur les
notions relatifs aux images floues:
 Application de la logique floue:
 L’application auquel on va s’interesser est l’extraction
des zones d’eau à partir des images satellitaires
63

64. Segmentation reposant sur les
notions relatifs aux images floues:

Données et matériel utilisé :
 Données:

Image Spot.

Image Radar.
 Logiciels:

ENVI ( Détections des éléments linéiques )

Aphélion ( traitement d’image)
64

65. Segmentation reposant sur les
notions relatifs aux images floues:

Nature des images :
 Les images multi-spectrales sont des images qui
proviennent de plusieurs bandes (trois dans le cas de
l’image couleur et sept dans le cas des images
satellitaires).
65

66. Segmentation reposant sur les
notions relatifs aux images floues:
Approche utilisée
66

67. Segmentation reposant sur les
notions relatifs aux images floues:

Sous ensemble flou:
 un sous-ensemble flou A de l’ensemble X est défini par
sa fonction d’appartenance donnant pour chaque
élément x de X le degré d’appartenance de x à A ((x) A
m), compris entre 0 et 1.
 le sous-ensemble flou Sombre dont la fonction
d’appartenance peut être choisie comme celle
présentée ci-dessous, en considérant des images en
256 niveaux de gris :
67

68. Segmentation reposant sur les
notions relatifs aux images floues:
68

69. Segmentation reposant sur les
notions relatifs aux images floues:

Algorithme de croissance de régions :
 Consiste à partir d’un pixel de départ, appelé germe, de
déterminer itérativement la région en gardant les pixels
connexes à la région de l’itération précédente
(initialement le germe) qui satisfont un critère donné.
 Ce critère est généralement fondé sur l’homogénéité
des valeurs de radiométrie.
69

70. Segmentation reposant sur les
notions relatifs aux images floues:
70

71. Segmentation reposant sur les
notions relatifs aux images floues:
 Extraction des zones d’eau:
71

72. Segmentation reposant sur les
notions relatifs aux images floues:
 Extraction des zones d’eau:
72

73. Segmentation reposant sur les
notions relatifs aux images floues:
 Phase d’identification:
 Morphologie mathématique.
 mesures granulométriques.
 Une mer sera caractérisée par une très grande
superficie, un fleuve par une forme allongée et
relativement vaste, et un lac aura une superficie
relativement faible.
73

74. Conclusion
D’après ce qu’on a vu Il n’y a pas de méthode unique
de segmentation. Le choix d’une technique est lié à la
nature de l’image, aux opérations situées en aval de la
segmentation, aux primitives à extraire, aux contraintes
d’exploitation. Du fait de cette diversité, il est difficile de
définir une méthode universelle de segmentation qui
convienne à toutes les situations.
Vision par ordinateur - Alain Boucher 74

75. Merci pour votre
attention
Vision par ordinateur - Alain Boucher 75