Le Coin du Traitement d'Image

Présentation

La segmentation d'image en régions consiste à créer une partition de l'image par des composantes connexes contraintes...
Plus sérieusement, le résultat d'une segmentation d'image en régions est une découpe de l'image en plusieurs zones de façon à regrouper les pixels qui se "ressemblent".

Parler de l'image étant plus simple avec des images, donnons un exemple : l'image "pentagon" ci-dessous a été segmentée en 53 régions, ou morceaux d'image.
L'image de droite est une image des régions avec attribution de couleur aléatoire.

Intérêt

• Extraction de zones d'intérêt, pour appliquer un traitement sur un morceau de l'image seulement :

  • L'encodage en divX compresse les zones d'image séparémment et évite ainsi les "blocs" du MPEG au niveau des contours.
  • Les logiciels de dessin (Gimp, Photoshop, ...) ont tous une "baguette magique" pour sélectionner une zone de l'image.

• Modélisation ou simplification de l'image. L'image, tableau de plusieurs milliers de pixels colorés, se "simplifie" en une poignée de régions, de taille et de forme quelconque. Les traitements qui suivent auront moins d'information à gérer, mais au prix d'une complexité accrue.

Limitations

La seconde raison est la difficulté de contrôler la segmentation : les algorithmes de segmentation sont rarement stables. Non seulement chaque algorithme donne un résultat différent, mais ils sont souvent extrêmement sensible aux variations des paramètres.
Le problème majeur est que le résultat est souvent sur-segmenté (trop de régions) ou sous-segmenté (trop peu de régions) et qu'il est difficile d'obtenir automatiquement le bon compromis.

Enfin, la dernière raison est la complexité algorithmique accrue. Travailler sur des régions est beaucoup plus complexe qu'avec des pixels. La richesse de leur information a un prix :

• Géométrie : les pixels sont assimilables à un point, 2 coordonnées suffisent pour décrire leur géométrie. Les régions ont une forme quelconque : leur géométrie est décrite par un contour fermé extérieur et éventuellement des contours fermés intérieurs si des régions sont incluses.
• Radiométrie : les pixels ont une valeur de couleur. Les régions ont une valeur de couleur pour chaque pixel inclu. En prendre la moyenne ou la médiane est souvent trop restrictif.
• Connexité : un pixel a un voisinage fixe (haut, bas, gauche, droite en 4-connexité). Une région a un nombre variable de voisines, connectés en des endroits quelconques de leur contours.
• Représentation en mémoire : les pixels sont rangés sous forme de tableau, leur accès est direct. Les régions forment un graphe complexe dont la représentation n'est pas évidente.

L'exemple ci-dessous montre différents résultats de segmentation en régions de la même image, avec le même algorithme mais différents paramètres.

La première ligne affiche les images avec des couleurs particulière pour faire ressortir les contrastes. La couleur des régions est la couleur moyenne.
La seconde ligne affiche les images avec des couleurs aléatoires par zones.
Le premier paramètre de l'algorithme utilisé est l'intensité du bruit dans l'image, le second est la taille minimale d'une région (voir plus loin pour les détails).

On remarque clairement qu'à nombre de région similaire, les segmentations peuvent être très différentes, et ce malgré l'utilisation du même algorithme.

On remarque aussi que "simplifier" l'image entraîne des associations indésirables de pixel, ici notamment entre la table et le fond. L'oeil perçoit cette association comme une "erreur" car les objets de la scène sont analysés et séparés, mais l'ordinateur, lui, ne voit que des pixels de couleur côte à côte.

La section suivante présente quelques types d'algorithmes actuels.