Segmentation d'images: Libérer des informations grâce à Pixel Precision

Par Fouad Sabry

Qu'est-ce que la segmentation d'image

Dans le traitement d'images numériques et la vision par ordinateur, la segmentation d'image est le processus de partitionnement d'une image numérique en plusieurs segments d'image, également appelés régions d'image ou objets images. Le but de la segmentation est de simplifier et/ou de modifier la représentation d'une image en quelque chose de plus significatif et plus facile à analyser. La segmentation d'images est généralement utilisée pour localiser des objets et des limites dans les images. Plus précisément, la segmentation d'image est le processus d'attribution d'une étiquette à chaque pixel d'une image de telle sorte que les pixels portant la même étiquette partagent certaines caractéristiques.

Comment vous en bénéficierez

(I) Informations et validations sur les sujets suivants :

Chapitre 1 : Segmentation d'images

Chapitre 2 : Détection des contours

Chapitre 3 : Transformation de caractéristiques invariantes d'échelle

Chapitre 4 : Seuil (traitement d'image)

Chapitre 5 : Méthode d'Otsu

Chapitre 6 : Détection de coin

Chapitre 7 : Coupes graphiques en vision par ordinateur

Chapitre 8 : Décalage moyen

Chapitre 9 : Segmentation de plage

Chapitre 10 : Bassin versant (traitement d'image)

(II) Répondre aux principales questions du public sur la segmentation d'images.

(III) Exemples concrets d'utilisation de la segmentation d'images dans de nombreux domaines.

À qui s'adresse ce livre

Professionnels, étudiants de premier cycle et des cycles supérieurs, passionnés, amateurs et ceux qui souhaitent aller au-delà des connaissances ou des informations de base pour tout type de segmentation d'images.

 

 

• Langue: Français
• Éditeur: Un Milliard De Personnes Informées [French]
• Date de sortie: 11 mai 2024

Aperçu du livre

Segmentation d’image

Libérer des informations grâce à la précision au pixel près

Fouad Sabry est l'ancien responsable régional du développement commercial pour les applications chez Hewlett Packard pour l'Europe du Sud, le Moyen-Orient et l'Afrique. Fouad est titulaire d'un baccalauréat ès sciences des systèmes informatiques et du contrôle automatique, d'une double maîtrise, d'une maîtrise en administration des affaires et d'une maîtrise en gestion des technologies de l'information de l'Université de Melbourne en Australie. Fouad a plus de 25 ans d'expérience dans les technologies de l'information et de la communication, travaillant dans des entreprises locales, régionales et internationales, telles que Vodafone et des machines commerciales internationales. Actuellement, Fouad est un entrepreneur, auteur, futuriste, axé sur les technologies émergentes et les solutions industrielles, et fondateur de l'initiative One billion knowledge.

Un milliard de connaissances

Segmentation d’image

Libérer des informations grâce à la précision au pixel près

Fouad Sabry

Copyright

Segmentation © d'images 2024 par Fouad Sabry. Tous droits réservés.

Aucune partie de ce livre ne peut être reproduite sous quelque forme que ce soit ou par quelque moyen électronique ou mécanique que ce soit, y compris les systèmes de stockage et de récupération d'informations, sans l'autorisation écrite de l'auteur. La seule exception est celle d'un critique, qui peut citer de courts extraits dans une critique.

Couverture conçue par Fouad Sabry.

Bien que toutes les précautions aient été prises dans la préparation de ce livre, les auteurs et les éditeurs n'assument aucune responsabilité pour les erreurs ou omissions, ou pour les dommages résultant de l'utilisation des informations contenues dans ce livre.

Table des matières

Chapitre 1 : Segmentation d'images

Chapitre 2 : Détection des bords

Chapitre 3 : Transformation de caractéristique invariante à l'échelle

Chapitre 4 : Seuillage (traitement d'image)

Chapitre 5 : La méthode d'Otsu

Chapitre 6 : Détection des coins

Chapitre 7 : Coupes de graphiques en vision par ordinateur

Chapitre 8 : Décalage moyen

Chapitre 9 : Segmentation de l'aire de répartition

Chapitre 10 : Bassin versant (traitement d'images)

Appendice

À propos de l'auteur

Chapitre 1 : Segmentation d'images

La segmentation d'image, également connue sous le nom de segmentation de région d'image ou d'objet, est une technique utilisée en vision par ordinateur et en traitement d'image pour diviser une image numérique en morceaux plus petits et plus faciles à gérer (ensembles de pixels). Le but de la segmentation est de transformer la représentation d'une image en une représentation plus digeste et informative. La segmentation d'une image est une technique courante pour trouver des caractéristiques telles que des lignes, des courbes et d'autres limites dans une image. La segmentation d'image, pour être plus précis, est le processus d'étiquetage de chaque pixel d'une image afin que les pixels avec la même étiquette partagent des propriétés communes.

La segmentation d'une image produit une collection de sous-images, ou contours, qui constituent ensemble l'image d'origine (voir détection des bords). Tous les pixels d'une certaine zone partagent une similitude dans au moins une propriété calculée, comme la teinte, la saturation ou la texture. Coloration différentielle entre régions adjacentes pour la ou les mêmes caractéristiques.

La segmentation d'images a de nombreuses utilisations dans le monde réel, notamment les suivantes :

Récupération d'images basée sur le contenu

Vision industrielle

Techniques d'imagerie diagnostique, telles que la tomodensitométrie (TDM) et l'imagerie par résonance magnétique (IRM) avec rendu volumique.

Diagnostiquer le cancer et d'autres pathologies

Mesurer les volumes de tissus

Etude de l'anatomie et diagnostic

Planification de la chirurgie

Simulation de chirurgie virtuelle

Systèmes de guidage inutilisables

Radiothérapie

Détection d'objets

Détection des piétons

Détection des visages

Détection des feux stop

Reconnaître des choses dans les images spatiales (routes, forêts, cultures, etc.)

Tâches de reconnaissance

Reconnaissance faciale

Reconnaissance d'empreintes digitales

Reconnaissance de l'iris

Systèmes de contrôle de la circulation

Vidéosurveillance

Détection d'actions et co-segmentation dans les vidéos

De nombreux algorithmes et méthodes à usage général pour la segmentation d'images ont été développés. Ces méthodes nécessitent généralement des connaissances spécifiques à un domaine pour être appliquées efficacement aux problèmes de segmentation dans un domaine donné.

Deux types de méthodes de segmentation existent.

Techniques conventionnelles en vision par ordinateur

Techniques basées sur l'IA

La segmentation sémantique est une méthode qui attribue une classe à chacun des pixels d'un objet. Segmenter une figure en ses parties constitutives, telles que ses personnes et son arrière-plan, donnerait lieu à deux objets distincts.

La segmentation d'instance est une méthode qui attribue chaque pixel à l'instance d'objet correcte. Il trouve chaque objet individuel de l'image. La segmentation est utilisée, par exemple, lorsque chaque partie individuelle d'une figure est traitée comme une entité distincte.

La segmentation sémantique et la segmentation des instances sont regroupées dans la segmentation panoptique. Semblable à la segmentation sémantique, la segmentation panoptique détermine l'appartenance du pixel à la classe. La segmentation panoptique, contrairement à la segmentation sémantique, peut distinguer les membres d'une même classe.

Le seuillage est la méthode la plus simple de segmentation d'image. Le niveau de clip (ou valeur seuil) est la base de cette technique pour convertir une image en niveaux de gris en une image binaire.

Le choix du seuil approprié est crucial pour cette approche (ou des valeurs lorsque plusieurs niveaux sont sélectionnés). La méthode de l'entropie maximale, la méthode de seuillage de l'histogramme équilibré, la méthode d'Otsu (variance maximale) et la méthode de clustering k-means sont toutes largement utilisées dans les entreprises.

Les techniques de seuillage pour les images de tomodensitométrie (TDM) ont émergé récemment. L'idée principale est que les seuils sont dérivés des radiographies plutôt que de l'image (reconstruite), comme dans la méthode d'Otsu.

Pour diviser une image en K groupes, l'algorithme K-means utilise des techniques itératives. La procédure standard est la suivante :

Choisissez K nœuds pour un cluster au hasard ou à l'aide d'une technique heuristique comme K-means++.

Les pixels doivent être affectés aux clusters en fonction de la distance la plus courte par rapport aux centres des clusters.

Recalculez les centres des clusters en faisant la moyenne des pixels des clusters.

Pour parvenir à la convergence, les étapes 2 et 3 doivent être répétées (c'est-à-dire qu'aucun pixel ne change de cluster)

La distance entre un seul pixel et le centre d'un cluster est exprimée en tant que distance au carré ou absolue. La couleur, la luminosité, la texture et la position des pixels individuels, ou une combinaison de ceux-ci, jouent souvent un rôle dans l'établissement de la distinction. La valeur de K peut être choisie empiriquement, arbitrairement ou heuristiquement. Il existe une garantie de convergence pour cet algorithme, mais il n'est peut-être pas la meilleure réponse. L'efficacité de la solution est déterminée par le nombre de clusters donné au départ et le paramètre K.

L'algorithme Mean Shift est une méthode permettant de regrouper les images en sous-ensembles dont le nombre ne peut pas être déterminé à l'avance. Le fait que cela ne nécessite aucune connaissance préalable d'un tel paramètre en fait une solution générale supérieure à un plus large éventail de problèmes.

Pour effectuer une segmentation, la méthode basée sur le mouvement utilise les informations de mouvement de l'image.

Le concept est simple : il suffit de comparer et de contraster deux images. Si la cible de l'étude est en mouvement, la différence sera cette cible elle-même.

Kenney et al. [2] ont proposé la segmentation interactive comme une amélioration de cette idée. Pour créer le signal de mouvement requis pour la segmentation basée sur le mouvement, un robot est utilisé pour piquer des objets.

Dov Katz [3, 4] et Oliver Brock [3, 4] ont proposé le cadre de perception interactif sur lequel la segmentation interactive est basée.

La technique de segmentation en mouvement rigide basée sur le mouvement est une autre option.

Selon les principes des approches basées sur la compression, la meilleure façon de diviser les données est de les diviser en morceaux gérables, la plus petite longueur de codage étant la solution optimale. La segmentation recherche des modèles dans une image, et ces modèles peuvent être exploités pour créer des versions compressées de l'original. La technique caractérise chaque section par sa texture et son contour. Pour déterminer la longueur de codage de chacune de ces parties, nous utilisons des fonctions de distribution de probabilité comme modèles :

Le contour lisse des régions dans les images naturelles est exploité par l'encodage des frontières. Le codage de Huffman l'utilise avant pour coder le code de la chaîne de différence des contours d'une image. Plus la longueur du codage