Segmentation image Introduction
segmentation-image-introduction
Si tu est sur cette page c'est que tu a probablement commencé ton apprentissage de la vision par ordinateur et de l'analyse et du traitement d'image je te dis donc bienvenue, tout au long de cet article, je te parlerais de segmentation et tu apprendras très certainement beaucoupe de chose. Si tu est déjà un initié du traitement d'image, je te souhaite aussi la bienvenue et te dis qu'une picure de rappelle ne te feras pas de mal. J'espère aussi que tu découvrira de nouveau éléments, outils ou corde à ajouté à ton arc tout au long de cette article.
Quoi qu'il en soit allons y. La segmentation, est une tâche qui est pas aisé à résoudre. Quand on arrive devant l'image. Il n'y a qu'une question qu'on se pose c'est "Mais comment je vais faire pour extraire les objets qui m'intéresse de celle-ci?" Et c'est à cette question que réponds la segmentation.
Dans cet article, je tacherais de répondre aux questions suivante:
Comme extraire un, deux , trois, le nombre d'ojets que je veux d'une image afin de pouvoir les analyser et en retirer des informations pour pouvoir poursuivre mon traitement et atteindre le résultat que je souhaite.
Comment peut ont se servir de la valeur pixelaire des objet pour les extraire
Comment peut-on se servir de l'appentissage non supervisé pour segmenter une image.
Comment en partant d'un pixel, il est possible de segmenter tout l'objet auquel il appartient
Qu'est qu'un superpixel et en quoi c'est plus super pour la segmentation d'image que d'utiliser un pixel basique
Pourquoi utiliser les équations de dérivées partielles est une plutôt bonne idée pour segmenter une image.
Toutes ces questions seront abordé sur un angle théorique, nous ne verrons donc pas comment mettre les solution exposé dans cette article en place. Il ne vous fournira que le matériel pour pouvoir choisir la tech(e)nique ;-D la plus adapté à votre situation, votre problème.
Nous allons travailler tout du long avec les images ci-dessous, je vous montrerais les résultat de l'application des algorithme sur celles-ci
Qu'est ce que le seuillage (Thresolding) ?
Le seuillage est la méthode la plus simple et la plus rapide de segmentation. Il consiste à choisir un seuil
Le seuillage est la première d’entre elle, la plus simple et intuitive puisqu’elle consiste à choisir une valeur de pixel qui servira à différencier les objets de l’image. Il peut se faire de manière manuelle (l’opérateur humain définit un seuil) ou automatiquement avec des algorithme tels que la méthode d’Otsu, de Yanni ou encore de riddler ou autre … Avant seuillage, l’espace de couleurs de l’image est souvent changé vers un espace plus humainement compréhensible tels que CIELab ou encore HSV. Pour finir, bien que le seuillage soit un problème relativement simple à traiter quand il est à deux niveau (1 fond, des objets), il peut rapidement se compliquer et devenir un problème d’optimisation quand il devient multi nivaux.
Méthode de seuillage :
Comment peut-on se servir de l'appentissage non supervisé pour segmenter une image.
Le clustering ou classification non supervisée est une méthode d'apprentissage qui comme son nom l'indique se veut non-supervisée (non aidé par l'humain) dans le sens ou les données qui sont soumise à l'algorithme de clustering sont non étiquetté. Cela est typiquement le cas d'une image car les pixel qui se trouvet à l'intérieur de celles-ci ne sont pas étiquetté.
Il existe diverse méthode de clustering :
- K-means
-Mean-shift
-Expectation-maximisation
-DBSCAN
Comment en partant d'un pixel, il est possible de segmenter tout l'objet auquel il appartient
Region grow est une méthode qui consiste à partir d’un pixel de l’image et à étendre la zone couvert par ce dernier en considérant que ses pixel voisins appartiennent au même objet que lui si la différence entre le pixel principal et son voisin est inférieur à un certain seuil.
Qu'est qu'un superpixel et en quoi c'est plus super pour la segmentation d'image que d'utiliser un pixel basique
Les superpixels regroupent les pixels ayant une intensité similaire tout en étant à proximité les uns des autres dans l’image. Ce regroupement se fait en utilisant l’algoritme Simple Linear Iterative Clustering (SLIC) qui s’appuit sur des méthode de clustering tels que celle évoqué un peu plus haut afin de regrouper les pixels selon leurs intensité dans l’epace CIELab et leurs proximité dans l’image.
Pourquoi utiliser les équations de dérivées partielles est une plutôt bonne idée pour segmenter une image.
Les équation de dérivée partielle et notemment les level set
Le partitionnement de Graph
La morphologie
Plusieur procédé peuvent être utiliser pour arriver à, cet fin. Le plus simple étant le seuillage, qui peut rapidement se compliquer en devenant un problème d’optimisation dans le cas d’un seuillage multiniveau.
Super pixel
En 2017, il s’agissait d’une tache manuellement automatisé. Cependant Ronneberg et al. Ont montré qu’il était possible de construire automatiquement un modèle de segmentation avec U-Net. Un réseau neuronale profond capable de constuire automatiquement un modèle de segmentation de l’image
Dans cette sous-section nous montrons
Comment nous avons fait pour extraire les pollens des images
Comment nous avons séparer les doublons
Un test de U-Net et une comparaison avec notre méthode
