Development of an adaptive image segmentation system
Mise en oeuvre d'un système adaptatif de segmentation d'images
Résumé
Image processing reveals an increasing interest as image becomes a support as a privileged source of informations. The quality of interpretation of an image considerably depends on its segmentation result. Despite of the diversity of methods, segmentation results still remain unsatisfied and vary a lot a function of a given technique. In order to contribute to solve this problem, an adaptive image segmentation system is proposed.
After a bibliographic study providing the enumeration of various existing methods by considering their applications domain, an original image segmentation system is proposed. The originality of the developped system lies in the adaptation of processings considering the local context with the minimum of a priori knowledges. The system is composed of three processing modules. The first one allows to analyze the image at two levels. On the one hand, the first level enables to determine the global context of the image to process (image mainly composed of uniformed regions and textured ones) in order to adapt posterior processings and on the other hand, to localize textured and uniformed areas. The second level concerns the local analysis of the image to segment in order to characterize each detected areas considering classical texture attributes that are significant (derived by a statistical analysis) and attributes we have defined. These complementary parameters are determined from a texture model derived from the Wold decomposition of the autocovariance function. They enable to get some informations on the type of texture (stochastic, deterministic) and on its granularity (macroscopic, microscopic). This more precise analysis of a textured region allows to make the choice of the segmentation method easier and secondly to adapt the analysis window size of the region to segment. The second module triggers the segmentation method which is adapted to the local context of the image by using an unsupervised classification method that we have developped. Finally, the third module enables to fusion either the results of several segmentation methods of a same image or results of each band of a multi-components image. The developped fusion method is based on a genetic approach combining the segmentation results by taking into account an evaluation criterion. The system has been validated on different types of images (synthetic and remote sensing).
After a bibliographic study providing the enumeration of various existing methods by considering their applications domain, an original image segmentation system is proposed. The originality of the developped system lies in the adaptation of processings considering the local context with the minimum of a priori knowledges. The system is composed of three processing modules. The first one allows to analyze the image at two levels. On the one hand, the first level enables to determine the global context of the image to process (image mainly composed of uniformed regions and textured ones) in order to adapt posterior processings and on the other hand, to localize textured and uniformed areas. The second level concerns the local analysis of the image to segment in order to characterize each detected areas considering classical texture attributes that are significant (derived by a statistical analysis) and attributes we have defined. These complementary parameters are determined from a texture model derived from the Wold decomposition of the autocovariance function. They enable to get some informations on the type of texture (stochastic, deterministic) and on its granularity (macroscopic, microscopic). This more precise analysis of a textured region allows to make the choice of the segmentation method easier and secondly to adapt the analysis window size of the region to segment. The second module triggers the segmentation method which is adapted to the local context of the image by using an unsupervised classification method that we have developped. Finally, the third module enables to fusion either the results of several segmentation methods of a same image or results of each band of a multi-components image. The developped fusion method is based on a genetic approach combining the segmentation results by taking into account an evaluation criterion. The system has been validated on different types of images (synthetic and remote sensing).
Le traitement d'images suscite un intérêt croissant à mesure que l'image s'impose comme un support et une source d'informations privilégiés. La qualité de l'interprétation d'une image dépend fortement de celle de la segmentation. Malgré la grande diversité de méthodes, les résultats de segmentation restent moyens et varient beaucoup en fonction de la technique choisie. Une méthode de segmentation générale et automatique est difficile à concevoir étant donnés les différents types de régions pouvant être présentes dans une image. Afin de contribuer à résoudre ce problème, nous proposons un système adaptatif de segmentation d'images.
Après un travail de synthèse permettant de répertorier les différentes méthodes de segmentation existantes en fonction du type d'informations pour lesquelles elles sont performantes, un système original de segmentation est proposé. L'originalité de ce système réside dans l'adaptation des traitements au contexte local de l'image avec le minimum de connaissances a priori. Il est constitué de trois modules de traitement. Le premier module permet d'analyser finement l'image à deux niveaux. Le premier niveau identifie d'une part, le contexte global de l'image à traiter (image majoritairement composée de régions uniformes ou texturées) afin d'adapter la suite des traitements et, distingue d'autre part, les zones texturées et uniformes la composant. Le second niveau du module concerne l'analyse locale de l'image à segmenter afin de caractériser chacune des régions détectées par des attributs classiques de textures pertinents (obtenus par analyse statistique) et des attributs que nous avons définis. Ces paramètres complémentaires ont été déterminés à partir d'un modèle de texture basé sur la décomposition de Wold de la fonction d'autocovariance. Ils permettent d'obtenir des informations sur le type de texture (aléatoire ou déterministe) et sur sa granularité (grossière ou fine). Cette analyse plus fine d'une région texturée permet, d'une part, de faciliter le choix de la méthode de segmentation appropriée et, d'autre part, d'adapter la taille du support d'analyse de la région à segmenter. Le deuxième module déclenche la méthode de segmentation adaptée au contexte local de l'image en utilisant une méthode de classification non supervisée que nous avons développée. Enfin, le troisième module permet de fusionner soit les résultats de plusieurs méthodes de segmentation d'une même image, soit les résultats de segmentation de chaque bande dans le cas d'une image multi-composantes. La méthode de fusion développée adopte une approche génétique en combinant les résultats de segmentation pondérés par un critère d'évaluation. Le système a été validé sur différents types d'image (synthétiques et réelles de télédétection).
Après un travail de synthèse permettant de répertorier les différentes méthodes de segmentation existantes en fonction du type d'informations pour lesquelles elles sont performantes, un système original de segmentation est proposé. L'originalité de ce système réside dans l'adaptation des traitements au contexte local de l'image avec le minimum de connaissances a priori. Il est constitué de trois modules de traitement. Le premier module permet d'analyser finement l'image à deux niveaux. Le premier niveau identifie d'une part, le contexte global de l'image à traiter (image majoritairement composée de régions uniformes ou texturées) afin d'adapter la suite des traitements et, distingue d'autre part, les zones texturées et uniformes la composant. Le second niveau du module concerne l'analyse locale de l'image à segmenter afin de caractériser chacune des régions détectées par des attributs classiques de textures pertinents (obtenus par analyse statistique) et des attributs que nous avons définis. Ces paramètres complémentaires ont été déterminés à partir d'un modèle de texture basé sur la décomposition de Wold de la fonction d'autocovariance. Ils permettent d'obtenir des informations sur le type de texture (aléatoire ou déterministe) et sur sa granularité (grossière ou fine). Cette analyse plus fine d'une région texturée permet, d'une part, de faciliter le choix de la méthode de segmentation appropriée et, d'autre part, d'adapter la taille du support d'analyse de la région à segmenter. Le deuxième module déclenche la méthode de segmentation adaptée au contexte local de l'image en utilisant une méthode de classification non supervisée que nous avons développée. Enfin, le troisième module permet de fusionner soit les résultats de plusieurs méthodes de segmentation d'une même image, soit les résultats de segmentation de chaque bande dans le cas d'une image multi-composantes. La méthode de fusion développée adopte une approche génétique en combinant les résultats de segmentation pondérés par un critère d'évaluation. Le système a été validé sur différents types d'image (synthétiques et réelles de télédétection).