Ce type de segmentation a pour objectif d’affecter chaque pixel à une classe unique.
Les méthodes sont :
- les méthodes de seuillage pures
- les méthodes de nuées dynamiques (K-moyenne)
- les méthodes par minimisation de variance
- les méthodes par détection de vallées
- les méthodes de classification bayesienne
- les méthodes neuronales
- les méthodes de classification floue
Ces types de méthodes présentent les inconvénients
- du choix du nombre de classe (approches non supervisées)
- du choix des attributs
Les deux étant peu aisés à déterminer.
Présentation rapide des différentes méthodes :
1) Méthode de seuillage par détection de vallée
Cette méthode se base sur l’histogramme des niveaux de gris :
- Recherche des minima locaux de l’histogramme normalisé
- Positionnement des seuils de classification sur ces minima locaux (multiseuillage)
Remarques sur cette méthode :
- Résultats assez moyens sur histogrammes bruités
nombreuses irrégularités = mauvaise détection des minima locaux - Assez peu utilisée malgré des techniques d’amélioration de la robustesse par des algorithmes de type lissage d’histogrammes
2) Seuillage par minimisation de variance
Cette méthode se base sur la répartition des pixels en K classes : c’est un problème classique de classification.
- on minimise l’intertie intra-classe
- on maximise l’inertie inter-classe
Algorithme de Otsu
- on balaie toutes les valeurs de seuil possible T
- pour chaque seuil T
on calcule les moyennes et les variances de chaque classe
on s’intéresse à la variance intra-classe
fin algorithme ? manque de détail dans mes sources
3) méthode de seuillage par classification bayésienne
Cas de ncl classes
- Hypothèse : chaque classe suit une répartition gaussienne
- Meilleurs seuils = ceux qui minimisent l’erreur de classification
- Soient μi et μj 2 moyennes successives rangées dans l’ordre croissant, on a :
t_ij = (μi+μj)/2+σ^2/(μi-μj) log(P_j/P_i)
L’affectation des pixels :
- i=1
- pour j allant de 2 à ncl
si intensité_pixel >tij alors i=j
finpour - affecter le pixel à la classe Ci
Remarques :
- Ne tient pas compte du voisinage du point considéré
- Peu performant pour les images complexes
4) méthode de seuillage par hystérisis
Algorithme :
1. Choisir 2 niveaux de seuil (global)
TL: faire ressortir les éléments désirés incluant des détails non pertinents
TH: éléments désirés, avec des manquements
2. Marquer tous les pixels >TH
3. Pour tous les pixels adjacents aux pixels marqués :
marquer si >TL
4. Répéter 3 pour tous les pixels marqués dans 2
5. fin
Référence :
