Evaluation de Quelques Méthodes de Segmentation
Transcription
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.