méthode de recalage d`image, basée sur des descripteurs de
Transcription
méthode de recalage d`image, basée sur des descripteurs de
MÉTHODE DE RECALAGE D’IMAGE, BASÉE SUR DES DESCRIPTEURS DE TYPE SURF, APPLIQUÉE AU DOMAINE DE L’OPHTALMOLOGIE Estelle Parra-Denis ([email protected]), Jean-Claude Klein Centre de Morphologie Mathématiques, Mines ParisTech Mots Clés : Recalage d’image, méthode hybrides, multimodal, ophtalmologie. Le recalage d’images est un terme très générique qui indique une méthode de mise en correspondance de deux images. La définition générale du recalage d’image pourrait être « méthode visant à trouver la transformation géométrique qui aligne au mieux les pixels physiquement homologues de deux images ». Néanmoins sous cette définition paraissant simple une multitude d’approches et de méthodes ont vue le jour. Chaque méthode correspond à la résolution d’une problématique donnée : recalage intra modal d’image, recalage multi modal, recalage temporel… Toutes les méthodes de recalage se classent en trois familles [1][2]: les méthodes géométriques, les méthodes iconiques, et enfin les méthodes hybrides. Le recalage géométrique s’appuie sur l’appariement de primitives géométrique extraites des images à recaler. Le recalage iconique ne requiert aucune segmentation et s’appuie directement sur les intensités des images à recaler. Le recalage hybride est une méthode s’appuyant une combinaison des deux méthodes précédentes. Ces familles sont en fait liées aux différentes évolutions du recalage au cours de ces dernières décennies (voir Figure 3) des plus simples au plus compliquées, portant sur les différents aspects du recalage d’image. Dans sa mise en œuvre, on est passé d’approches nécessitant un prétraitement des images à recaler (primitives segmentées), à des approches sans prétraitement, présentant une complexité algorithmique accrue et des critères permettant d’évaluer la qualité du recalage (méthode utilisant le critère de Woods, les histogrammes conjoints [3]…). Dans les applications, on est passé au recalage d’images intra sujet (avec une transformation rigide), au recalage d’images inter sujets (avec une transformation non-rigide). Dans le cadre du recalage d’images ophtalmologiques nous nous sommes intéressés à plusieurs applications du recalage : le recalage intra modal, et le recalage inter modal. Le recalage intra modal peut se satisfaire d’algorithmes simples de type Block Matching utilisant une recherche exhaustive et en utilisant des critères de similarités définis. Néanmoins pour du recalage inter modal la recherche de critère de similarité devient vite problématique et un recalage géométrique paraît plus adapté. Nous avons donc opté pour des méthodes de types hybrides: Shape context+algorithme d’appariement basé sur l’algorithme Hongrois, SURF+algorithme d’optimisation de type BBF. La méthode de shape context [4][5] donne des résultats de recalage encourageants mais nécessite de nombreux prétraitements sur les images : filtrage, segmentation des vaisseaux, squelettisation des vaisseaux, recherche des points de bifurcation, puis détermination des caractéristiques du shape context, enfin appariement des descripteurs par l’algorithme hongrois et recalage élastique. Les méthodes de détection de point d’intérêts SIFT [6][7] ou plus récemment SURF [8] présentent une invariance à la rotation, l’illumination et les transformations de type affine. Il n’y a donc pas besoin d’appliquer de traitement préalable des images. Elles extraient les points singuliers de l’image puis mesurer un certain nombre de caractéristiques géométriques dépendant d’un facteur d’échelle (Figure 1). Nous avons appliqué la détection de points d’intérêt et leur caractérisation par la méthode SURF. Puis nous avons mis au point une méthode d’appariement des points en 2 étapes : algorithme grossier d’appariement basé sur les plus proches voisins, puis extraction des outliers par 2 approches (heuristique et déterministe). Les résultats obtenus par la méthode mise en œuvre présentent des résultats satisfaisants aussi bien sur le recalage des images en intra modalité (Figure 2) qu’en inter modalité. Des variantes pourraient être envisagées au niveau du descripteur pour tenir compte de l’environnement plus lointain et pas seulement de la courbure locale (à une échelle donnée), du positionnement relatif... Au niveau de l’appariement des modèles plus complexes (affine par morceau…) seraient à envisager pour tenir compte de déformations plus locales comme par exemple des cisaillements… FIGURE 1 : DÉTECTION DES POINTS D’INTÉRÊT PAR LA MÉTHODE SURF. FIGURE 2 : RECALAGE D'IMAGE D'ANGIOGRAPHIE À LA FLUORESCEINE. FIGURE 3 : ILLUSTRATION DES DIFFÉRENTES FAMILLES DE MÉTHODES DE RECALAGE D'IMAGE EN FONCTION DE LEUR NIVEAU DE COMPLEXITÉ. [1] Lisa Gottesfeld Brown. A survey of image registration techniques. ACM Comput. Surv., 24(4):325–376, 1992. [2] J. Maintz and M. Viergever. A survey of medical image registration. Medical Image Analysis, 2(1):1– 36, 1998. [3] Paul A. Viola. Alignment by maximization of mutual information. Technical Report AITR-1548, 1995. [4] Belongie, S.; Malik, J. & Puzicha, J.Shape matching and object recognition using shape contexts, IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 24, 509-522 [5] A.R. Chaudhry, J.C. Klein, E. Parra-Denis (1-3 sept 2008). Ophtalmologic registration based on shape context: Application to fundus Autofluorescence (FAF) images, Vizualization Imaging and Image Processing, Palma de Majorque. [6] David G. Lowe. Object recognition from local scale-invariant features. Computer Vision, IEEE International Conference on, 2:1150, 1999. [7] David G. Lowe. Distinctive image features from scale-invariant keypoints. International Journal of Computer Vision, 60:91–110, 2004 [8] Herbert Bay, Tinne Tuytelaars, and Luc Van Gool. Surf: Speeded up robust features. In Springer Berlin / Heidelberg, editor, Computer Vision – ECCV 2006, volume 3951 of Lecture Notes in Computer Science, pages 404–417, 2006