Active contours models for image and video segmentation
Modèles de contours actifs pour la segmentation d'images et de vidéos
Résumé
Image segmentation is the partitioning of an image into regions of interest and a background. Image segmentation can be performed using an active contour algorithm in a variational framework. In the case of a single region of interest, the active contour evolves from an initial contour towards the region of interest according to an evolution equation. In the variational framework, the evolution equation is deduced from the derivative of a criterion. The criterion should characterize the region of interest in terms of, for example, its motion, its color homogeneity or its texture. We differentiate the criterion using shape gradients, a theory originally developed for shape optimisation.
We propose two criteria and we provide for each criterion the development leading to the associated evolution equation.
The first criterion defines a free form a priori constraint on the contour by minimizing the distance between the active contour and a reference contour. We applied this criterion to shape warping, image segmentation, and video tracking. The second criterion assumes that the object motion can be described by a motion model on a group of pictures. The evolution of the
active contour allowing to minimize this criterion provides a joint motion segmentation and motion estimation. We applied this criterion to sequence segmentation and to video tracking.
We propose two criteria and we provide for each criterion the development leading to the associated evolution equation.
The first criterion defines a free form a priori constraint on the contour by minimizing the distance between the active contour and a reference contour. We applied this criterion to shape warping, image segmentation, and video tracking. The second criterion assumes that the object motion can be described by a motion model on a group of pictures. The evolution of the
active contour allowing to minimize this criterion provides a joint motion segmentation and motion estimation. We applied this criterion to sequence segmentation and to video tracking.
La segmentation en objets d'une image consiste à extraire de l'image des régions d'intérêt suivant un critère défini. Nous segmentons l'image par un algorithme de contours actifs dans le cadre d'une approche variationnelle. Partant d'un contour initial quelconque, le contour actif évolue, suivant une équation aux dérivées partielles. L'équation d'évolution du contour actif est déduite de la dérivation du critère. Au vu de la dépendance du critère à la région considérée, la dérivation du critère par rapport à la région n'est pas aisée. Nous utilisons des outils de dérivation empruntés à l'optimisation de domaine: les gradients de forme.
La contribution de cette thèse réside dans l'élaboration et l'étude de différents descripteurs de région. Pour chaque critère, nous calculons la dérivée du critère à l'aide des gradients de forme, et en déduisons l'équation d'évolution du contour actif.
Le premier descripteur définit un a priori géométrique sans contrainte paramétrique: il minimise la distance du contour actif à un contour de référence. Nous l'avons appliqué à la déformation de courbe, la segmentation et le suivi de cible.
Le deuxième descripteur caractérise le mouvement de l'objet par un modèle de mouvement. Le critère associé définit conjointement une région et son mouvement sur plusieurs images consécutives. Nous avons appliqué ce critère à l'estimation et la segmentation conjointe du mouvement et au suivi d'objets en mouvement.
La contribution de cette thèse réside dans l'élaboration et l'étude de différents descripteurs de région. Pour chaque critère, nous calculons la dérivée du critère à l'aide des gradients de forme, et en déduisons l'équation d'évolution du contour actif.
Le premier descripteur définit un a priori géométrique sans contrainte paramétrique: il minimise la distance du contour actif à un contour de référence. Nous l'avons appliqué à la déformation de courbe, la segmentation et le suivi de cible.
Le deuxième descripteur caractérise le mouvement de l'objet par un modèle de mouvement. Le critère associé définit conjointement une région et son mouvement sur plusieurs images consécutives. Nous avons appliqué ce critère à l'estimation et la segmentation conjointe du mouvement et au suivi d'objets en mouvement.
Loading...