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