Segmentation d'images couleur par un opérateur gradient vectoriel ...
Segmentation d'images couleur par un opérateur gradient vectoriel ...
Segmentation d'images couleur par un opérateur gradient vectoriel ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
QUANTIFICATION ET MORPHOLOGIE DE PHASES DE CLINKER PAR ANALYSE D'IMAGE.<br />
3.1 Pré-traitement – normalisation de l'histogramme<br />
La luminance Y d'<strong>un</strong>e image dépend de l'éclairement du microscope et de la réflectivité de<br />
la section polie examinée. Une normalisation de l'histogramme utilisant seulement la valeur<br />
moyenne ou maximum de l'histogramme n'est pas possible. La valeur moyenne dépend de la<br />
quantité de fond ou matrice présente dans l'image et la présence de points saturés (trous) entraîne<br />
très souvent <strong>un</strong>e valeur maximale de 255. Nous proposons <strong>un</strong>e normalisation utilisant <strong>un</strong>e valeur<br />
de référence calculée à <strong>par</strong>tir de l'histogramme de luminance. Il présente toujours <strong>un</strong> caractère bimodal<br />
de <strong>par</strong>t la présence de cristaux sombres (alite et bélite) et d'<strong>un</strong> fond clair (matrice et pores).<br />
Une référence valable est située dans la vallée sé<strong>par</strong>ant les deux modes. Elle permet de sé<strong>par</strong>er les<br />
cristaux à classifier du fond de l'image. Elle peut être déterminée automatiquement [Otsu, 1979]<br />
(Figure 49). La normalisation proposée produit des images plus homogènes avant la segmentation<br />
et la classification des cristaux d'alite et de bélite.<br />
réference référence<br />
réference<br />
référence<br />
Figure 49. - Histogrammes de luminance présentant différentes valeurs de référence avant normalisation.<br />
3.2 Classification des régions <strong>par</strong> la <strong>couleur</strong><br />
La classification de régions homogènes de l'image est <strong>un</strong> problème rencontré aussi bien<br />
lors de la quantification des cristaux sur <strong>un</strong>e grille régulière comme cela est réalisé dans la<br />
première version du logiciel et décrit dans le <strong>par</strong>agraphe 2, que lors du regroupement de régions<br />
nécessaire pour la segmentation individuelle des cristaux qui est implanté dans la seconde version.<br />
Avant de regrouper les régions, il est nécessaire de les classifier [Vandenbroucke, 2000]. Nous<br />
détaillons ici la méthode de classification <strong>par</strong> réseau de neurones que nous avons utilisée.<br />
Les zones ap<strong>par</strong>tenant à la matrice sont assez faciles à identifier grâce à leur luminance<br />
plus élevée. Cela a été obtenu au cours des pré-traitements qui avaient délimité les zones ne<br />
correspondant pas aux cristaux d'alite et de bélite (zone interstitielle, pores).<br />
Les régions restantes sont sé<strong>par</strong>ées entre alite et bélite en utilisant les caractéristiques de<br />
<strong>couleur</strong> et de texture. Un histogramme des <strong>couleur</strong>s des deux types de cristaux est tracé dans les<br />
plans <strong>couleur</strong> C 1 C 2 et HS (Figure 50). On utilise pour la classification <strong>un</strong> réseau de neurones 5<br />
(classification non linéaire) à trois couches à retro propagation de <strong>gradient</strong> [Haase, 1997 ;<br />
5 Stuttgart Neural Network Simulator : http://www-ra.informatik.<strong>un</strong>i-tuebingen.de/SNNS/<br />
111