Tous le mérite revient à : la thèse de M. Fontaine
1) méthode par quadtree
Le principe de l’algorithme est d’associer un arbre à l’image à segmenter.
- Initialement, il n’y a que la racine.
- Puis, de manière itérative on attribue quatre noeuds fils à chaque noeud correspondant à une zone non homogène. Le découpage correspond a une division en 4 carrés de la région.
Chaque noeud correspond donc une région carré de l’image. - On arrête l’analyse récursive lorsque toutes les feuilles de l’arbre respectent le prédicat d’homogénéité.
- On démarre une nouvelle analyse récursive pour tester si des régions présentent des caractéristiques d’homogénéité deux à deux et on réalise la fusion lorsque le cas se présente.
- L’itération est arrêtée lorsqu’il n’y a plus de couple qui respecte le prédicat d’homogénéité.
Inconvénients :
- la forme carrée des régions ne permet pas d’être précis sur la forme des objets
- l’algorithme est sensible à l’ordre de parcours du quadtree.
2) méthode par partitionnement de Voronoï
La méthode de segmentation proposée comporte une étape d’initialisation, une étape de division suivie d’une étape de fusion :
- Initialisation : Des germes sont positionnés et répartis uniformément dans l’image grâce à un processus de Poisson. A chaque germe est associée une région dont les frontières sont établies grâce à un diagramme de Voronoï.
- Division : Un prédicat d’homogénéité est calculé pour chaque région et les régions non homogènes sont divisées par introduction de nouveaux germes. Le diagramme de Voronoï est remis à jour et le processus de division est réitéré jusqu’à ce que toutes les régions de Voronoï respectent un prédicat d’homogénéité.
- Fusion : Les germes qui ne correspondent pas à un objet dans l’image sont éliminés dans cette dernière étape. Ainsi, les régions adjacentes dont les couleurs moyennes sont proches et pour lesquelles la longueur de la frontière commune divisée par la somme de leurs périmètres est inférieure à un seuil sont fusionnées.
Inconvénients :
- difficulté d’ajustement du seuil de fusion
- et résultats influencés par l’initialisation des germes
3) méthode utilisant les champs de Markov
Une image est considérée par le formalisme des champs de Markov comme une réalisation particulière d’un champ de variables aléatoires. Les champs de Markov ne se limitent pas à la prise en compte individuelle des pixels car ils permettent de prendre en compte les relations de voisinage entre les pixels. Ainsi, la probabilité qu’un pixel appartienne à une classe dépend non seulement de sa couleur, mais aussi de celles de ses voisins.
L’algorithme de segmentation se décompose en trois phases :
- phase de divisions successives de régions,
division de division de l’image originale en sous régions déformées carrés ayant une surface supérieure à un seuil et respectant un prédicat d’homogénéité.
Chaque région est modélisée par sa pseudo-vraisemblance qui est définie comme le produit des probabilités conditionnelles des pixels qui appartiennent à cette région - phase de fusion préliminaire,
deux fusions adjacentes sont fusionnées si le rapport entre les logarithmes de leur pseudo-vraisemblance avant et après fusion est inférieur à un seuil. - phase de fusion finale
les paires de régions adjacentes qui font décroître le moins possible la pseudo-vraisemblance de toute l’image sont fusionnées. - fin
Les fusions successives s’arrêtent lorsque des régions de couleurs différentes tentent d’être fusionnées.
Inconvénient :
- la prise en compte des interactions spatiales et colorimétriques entre les pixels , bien qu’adaptée à la segmentation d’images couleur de scènes extérieures, s’avère coûteuse en temps de calcul.
