Evaluation de Quelques Méthodes de Segmentation

Evaluation de Quelques Méthodes de Segmentation
-Application aux Caractères TifinaghAbdelkrim MAARIR1, Ilhame AGNAOU, Belaid BOUIKHALENE
Laboratoire Traitement de l’Information et Aide à la Décision
Université Sultan Moulay Slimane - F.S.T Beni Mellal, Maroc
1
[email protected]
Résumé — Le traitement d'image est l'un des
domaines de recherche les plus avancés, l'image
occupe une place particulière dans de nombreux
domaines de la vie quotidienne (manuscrit, les
images satellites, la publicité, l'industrie, ...
etc.).Dans cet article, nous allons mettre l'accent
sur les images des caractères Tifinagh, en
présentant une comparaison de quelques
méthodes de segmentation (détection) existantes
en les classant selon leurs catégories et faire une
étude comparative sur la base de la qualité de
segmentation et le temps de calcul.
Mots clés - Segmentation d’image, Classification,
K-moyens, Extraction d’objets, Segmentation par
contours, Segmentation par région.
L'objectif de cet article est de présenter
quelques méthodes de segmentation, tel que la
segmentation par classification, croissance de
régions, détection de contours- régions et
segmentation par Quadtree.
Cet article est organisé comme suit : Section
2 est consacrée à la base de données des
caractères Tifinagh manuscrits, dans la section 3,
nous décrivons les différentes méthodes de
segmentation
d’images.
Les
résultats
expérimentaux et l’application aux caractères
Tifinagh sont présentés à la section 4. La section
5 conclut ce papier.
II.
I.
Introduction
La segmentation joue un rôle prépondérant
dans le traitement d’image, elle est réalisée avant
les étapes d’analyse et de prise de décision dans
plusieurs processus d’analyse d’image, telle que
la détection des objets. Elle facilite la
localisation et la délimitation des entités
présentes dans l’image.
La segmentation d'image est une opération
de traitement d'images qui a pour but de
rassembler des pixels entre eux suivant des
critères prédéfinis. Les pixels sont ainsi
regroupés en régions, qui constituent une
partition de l'image. Il peut s'agir par exemple de
séparer les objets du fond si le nombre de classes
est égal à deux, elle est appelée
aussi binarisation.
Base de données des caractères Tifinagh
Le Tifinagh est un alphabet utilisé par
les Amazighes, essentiellement les Touaregs.
C'était autrefois un alphabet consonantique. Cet
alphabet a subi des modifications et des
variations inévitables depuis son origine jusqu'à
nos jours,
Depuis l’année 2003 Tifinaghe-IRCAM est
devenu le système graphique officiel pour
l’écriture de la langue amazigh au Maroc. La
figure 1 montre les 33 caractères Tifinagh.
B. Segmentation par croissance de régions
Cette segmentation permet de regrouper
itérativement l’ensemble connexe de pixels
jusqu’à l’obtention de régions maximales selon
un critère d’homogénéité C’est une méthode
locale récursive qui a pour principe de faire
croître une région avant de passer à la suivante.
Figure 1 : Tifinaghe IRCAM
III.
Les Méthodes de segmentation
A. Segmentation par classification
Elle permet d’effectuer une classification [3]
dans l’espace de luminance puis à extraire une
partition par la méthode seuillage en utilisant les
niveaux de gris présents dans l’image comme
par exemple la moyenne des niveaux de gris de
l'ensemble des pixels, ou la médiane, permettant
de construire n classes d'intensité [6]. La figure 2
présente un exemple d’une image qui est
composée de fond et d’un objet.
Figure 2 : Segmentation par Classification (Utilisation
de l’histogramme)
Le seuillage a pour objectif de segmenter une
image en plusieurs classes en n'utilisant que
l'histogramme [3].
L’image est segmentée en régions. Les pixels
adjacents similaires selon un certain critère
d’homogénéité sont regroupés en régions
distinctes. Il y a croissance suivant un critère de
similarité jusqu’à atteindre le critère d’arrêt : par
exemple convexité maximum, etc.
La croissance par région et la division-fusion
sont des techniques courantes de cette catégorie
contrairement à l’extraction des contours qui
s’intéresse aux bords des régions, la
segmentation en régions homogènes vise à
segmenter l’image en se basant sur des
propriétés intrinsèques des régions. Figure 3.
Figure 3 : Segmentation par croissance de régions
C. Segmentation par détection de contours et
de régions
La segmentation par contours permet de
détecter les limites entre les régions de l’image,
les détecteurs de contours utilisés peuvent être
simples, comme les opérateurs de Sobel ou de
Roberts, ou plus complexes tel que l’opérateur
de Canny [5].
Plusieurs zones de niveaux de gris différents
correspondants aux différents objets de la scène,
il faut trouver une manière de repérer ces objets
dans l’image. Deux grandes approches peuvent
être envisagées pour extraire les zones
pertinentes des images :
- On recherche des zones de niveaux de gris
homogènes, c’est l’approche région qu’est une
partition de l'image I en régions homogènes X1,
X2, ..., Xn telles que :
1. Union i=1,..., n Xi = I
2. Pour tout i, Xi est connexe
3. Pour tout i, H [Xi] est vrai (critère H)
4. Pour tout couple (Xi,Xj) de régions voisines,
H[Xi,Xj] est faux.
- On recherche les discontinuités dans la
scène, c’est l’approche contour [4]. La détection
de contours permet de repérer dans les images
les objets qui s'y trouvent avant d'appliquer le
traitement uniquement sur ces objets. Les
contours dans une image proviennent des:
discontinuités de la fonction de préfectance
(texture, ombre), et discontinuités de profondeur
(bords de l'objet),
Figure 4 : Détection de contours
IV.
Segmentation par Quadtree
Un quadtree est une structure de données de type
arbre dans laquelle chaque nœud interne a
exactement quatre sous nœuds [2]. La région
quadtree représente une partition de l'espace en deux
dimensions par la décomposition de la région en
quatre quadrants égaux, et chaque itération la
segmentation crée des objets carrés réguliers, où la
taille est définie par la variation des objets.
Les objets sont créés en divisant des objets
plus grands jusqu'à ce que les objets qui en
résultent sont à la limite supérieure de variation
admise comme le montre la figure 5.
Les régions sont délimitées par les contours
des objets qu’elles représentent (séparation)
figure 4.
Figure 5 : a) Image original, b) 1er niveau de
séparation, c) 2ème niveau, d) 3ème Niveau
final, e) Quad-tree correspondant.
V.
Résultats expérimentaux
Dans cette section nous avons évalué les
méthodes
de
segmentation
mentionnées
précédemment, nous montrons les résultats
expérimentaux appliquées sur une image
contenant du texte Tifinagh.
Les Figures 6-7 ci-dessous présentent un
exemple du texte écrit en Tifinagh son
binarisation et son histogramme horizontale ;
Figure 7: Histogramme horizontale
Cette étude est faite sur l’image de la figure 6
d'après les données présentées dans le tableau cidessous:
Image
Mean
Ecart
Max value
Min value
Figure 6: image du texte amazighe (a) et sa
binarisation (b)
Image 1
222.404
84.0309
178
3
a) Image Original
b) Segmentation par croissance de régions
Temps d’exécution : 143.8361 sec
c) Segmentation par classification-seuillage
Temps d’exécution : 100.9272 sec
d) Détection de contour par canny
Temps d’exécution : 0.3932 sec
e) Segmentation par Quadtree
Temps d’exécution : 5.099 sec
Figure 8: Application des méthodes de segmentation sur une image contenant du texte Tifinaghe
La figure 8 montre les résultats d’application
des différentes méthodes de segmentation sur le
texte amazigh, on peut dire que la segmentation
contour et quadtree (fig. 8d-e) sont les méthodes
qui permet de détecter les contours avec le plus
de détails, les contours sont ici beaucoup plus
nets, par contre la segmentation par croissance
de régions et la segmentation par classification
fig. 8b-c montre que la détection des caractères
et moins performante et le taux d’exécution est
très élevé.
VI.
Conclusion
Cet article présente une comparaison de
deux grandes approches de segmentation :
approche régions et approche contours en se
basant sur quelque méthodes les plus connus a
savoir la segmentation par classification,
croissance de régions, détection de contoursrégions et segmentation par Quadtree et leur
application sur les caractères Tifinaghe pour
l’extraction des différentes zones homogènes
distinctes d'une image dont les membres
partagent un diverses propriétés communes, ces
tests montrent que, dans le cas où la qualité de la
segmentation et le taux d’exécution et sont
favorisée, l'utilisation de segmentation par
contours est souhaitable.
VII.
Références
[1]. M. Spann and R. Wilson, “A Quad-Tree
Approach to Image Segmentation which
Combines
Statistical
and
Spatial
Information,” Pattern Recognition, Vol. 18,
No. 3/4, pp. 257--269, 1985
[2]. http://en.wikipedia.org/wiki/Quadtree
[3]. J. MacQueen. Some methods of
classification and analysis of multivariate
observations. In Proc. 5th; Berkeley
Symposium on math. stat. and prob.,Univ. of
California Press, Berkeley, Etat-Unis, 1967.
[4]. Henri MAITRELa détection des contours
dans les images CHAPITRE 2.
[5]. http://en.wikipedia.org/wiki/Canny_edge_
detector
[6]. A.Suman Tatiraju july-2008,” image
segmentation using k-means clustering, EM
and Normalized cuts,” Symposium of
Discrete Algorithm.