TD2 – Du pixel à l`information

TD2 – Du pixel à l'information
1. Objectif pédagogique
Le but de cette séance est d'étudier la segmentation par classification sur des images couleur et de
texture.
2. Installation du logiciel Wima
Le logiciel a été mis à jour depuis la dernière séance. Il faut donc effectuer l'installation de nouveau.
Pour cela, vous devez récupérer l'archive sur le portail à l'adresse :
http://portail-istase.univ-st-etienne.fr/Portail/DocsenLigne/istase2/bloc-image2-du-pixel-a-l-information/
puis la décompresser dans un dossier de travail dont le nom ne comporte pas d'espaces. Lancer
wimad.exe dans le dossier bin.
3. Utilisation des fonctions de la séance
Durant cette séance, les fonctions suivantes seront utilisées :
– Séparer les composantes : Opérations – Couleur – Séparer les composantes
– Histogramme couleur : Opérations – Couleur – Histogramme2D...
mode :
110 : rouge+vert
101 : rouge+bleu
011 : vert+bleu
– Histogramme 2 composantes : Détection et mesures – Statistiques – Histogramme 2D
– Seuillage par nuées dynamiques : Détection et mesures – Seuillage – Nuées dynamiques...
nbcomposantes : nombre de composantes pour les vecteurs (0 si toutes)
nbclasses : nombre de centres de cluster utilisé pour la segmentation
niter : nombre de tirages aléatoires effectués (3 par défaut)
fichier noyaux : fichier dans lequel le centre des clusters sera enregistré.
Cette dernière fonction travaille à partir d'un tableau d'images contenant les composantes des
vecteurs associés aux pixels de l'image (1 image par composante du vecteur). Pour une image
couleur, il faut donc d'abord créer ce tableau à partir de la fonction "séparer les composantes".
4. Travail à réaliser
4.1. Histogramme 2D
–
–
–
–
Charger l'image BillesColoréesBruit.bmp
Faire l'histogramme couleur 2D
Interpréter le résultat en identifiant les nuages
Comment est l'histogramme 3D ?
4.2. Seuillage par nuées dynamiques
–
–
Seuiller l'image en utilisant les nuées dynamiques (trouver les bons paramètres)
Quel est l'effet d'un changement du nombre de classes ?
4.3. Images réelles
Segmenter les images suivantes et interpréter les résultats : BillesVerresCouleurMasque.bmp,
BillesVerresCouleur.bmp (il est conseillé de travailler sur des fenêtres pour régler les paramètres).
4.4. Images de textures
–
–
Charger l'image Forme2Bruits.bmp
Calculer la moyenne et l'écart type à partir de la fonction : Prétraitement – Paramètres de
texture – Moyenne et écart type local
–
–
–
Mettre les 2 images en tableau :
– cliquer successivement sur les 2 images (dans l'arbre des traitements),
– cliquer sur Outils – Créer tableau d'images,
– valider le nombre d'image égal à 2.
Calculer l'histogramme des 2 composantes (Détection et mesures – Statistiques –
Histogramme 2D)
Seuiller par nuées dynamiques.
4.5. Couleur et texture
On s'intéresse à la segmentation d'une série d'images de cancer du colon (Colon_TMAxx.bmp).
Certaines zones de l'image Colon_TMA01 ont été segmentée à la main par un expert qui a repéré le
fond (label 1) et 3 classes de textures (labels 2, 3 et 4). L'image donnant les zones labellisées est
Colon_TMA01_Label.bmp. Une image donnant un masque de ces zones est
Colon_TMA01_Masque.bmp. Le but est de segmenter toutes les images en accord avec la
segmentation de référence (approche supervisée).
Nous proposons de procéder en 2 étapes :
– Une étape d'apprentissage réalisée sur l'image de référence (Colon_TMA01) à partir de
laquelle on devra déterminer des centres de cluster dans l'espace des paramètres à partir de
la méthode des nuées dynamiques. Chaque centre se verra affecté une classe de texture en
fonction des classes de l'expert.
– Une étape de segmentation réalisée sur toute les images qui utilisera les centres de cluster
précédemment déterminés pour classifier les pixels en fonction de leur distance aux centres.
On se placera dans un espace de paramètres à 6 dimensions correspondant à la moyenne et à l'écart
type sur chaque composante couleur.
Il est conseillé de respecter la progression suivante :
1. Déterminer la taille du voisinage pour la moyenne et l'écart type. Pour cela, faire plusieurs
essais de segmentation par nuées dynamiques sur l'image de référence avec un nombre de
clusters assez grand.
2. Déterminer le nombre de clusters en travaillant sur l'image de référence masquée (ne
contenant que les zones de type connu).
3. Affecter un label à chaque cluster en modifiant le fichier noyaux
4. Segmenter toutes les images en utilisant le fichier noyaux à partir de la fonction Détection et
mesures – Seuillage – Centre le plus proche...