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 ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
SEGMENTATION D’IMAGES PAR CONTOURS ACTIFS A LONGUEUR NORMALISEE (CALN).<br />
Paramètres<br />
du modèle<br />
Discrétisation du<br />
modèle<br />
Boucle jusqu'au<br />
minimum<br />
d'énergie<br />
Calcul des forces<br />
externes<br />
Redistribution des<br />
points sur le contour<br />
Normalisation de la<br />
longueur du contour<br />
Application de la<br />
déformation au<br />
contour initial<br />
Déformation <strong>par</strong><br />
minimisation<br />
d'énergie<br />
Calcul des vecteurs<br />
de déformation<br />
Figure 29. - Schéma complet de notre approche de contour actif à longueur normalisée (CALN).<br />
6.3 Intérêt du nouveau modèle de contours actifs à longueur<br />
normalisée (CALN)<br />
Les avantages de notre algorithme de contours actifs à longueur normalisée sont<br />
multiples.<br />
L'évolution du contour étant calculée sur <strong>un</strong> modèle normalisé, la régularisation de la<br />
déformation <strong>par</strong> des forces internes reste stable au cours des itérations. En d'autres termes, la<br />
matrice A du système n'est calculée qu'<strong>un</strong>e seule fois. Ceci est possible <strong>par</strong>ce que, ni le nombre N<br />
de points, ni le pas de discrétisation h normalisé du modèle, ne changent au cours des itérations. De<br />
larges évolutions sont donc autorisées sans ré-échantillonnage et nouvelle initialisation du<br />
modèle. En effet, la réinitialisation est <strong>un</strong> problème majeur dans les modèles de contours actifs<br />
classiques. Elle introduit <strong>un</strong> temps de calcul important, et modifie les propriétés élastiques du<br />
modèle au cours des itérations. Notre modèle permet <strong>un</strong> gain de temps de calcul important tout<br />
en garantissant <strong>un</strong>e meilleure précision. Cette nouvelle approche n'adapte pas le modèle au<br />
contour avec <strong>un</strong> <strong>par</strong>amétrage nouveau pour chaque itération, mais elle adapte la taille du contour<br />
au modèle.<br />
Ainsi, les contours actifs peuvent être utilisés dans <strong>un</strong> but de segmentation non supervisée<br />
d'objets d'<strong>un</strong>e image. La stabilité de l'algorithme pour de grandes déformations permet <strong>un</strong><br />
démarrage automatique du contour qui peut être initialement réduit à la taille d'<strong>un</strong> seul pixel. Ceci<br />
est <strong>un</strong>e caractéristique intéressante pour les nombreuses applications qui nécessitent <strong>un</strong>e<br />
segmentation, et donc <strong>un</strong>e initialisation, automatique.<br />
Le <strong>par</strong>amétrage du modèle ne dépend pas de la taille réelle du contour (N et h constants),<br />
et les <strong>par</strong>amètres de l'énergie interne peuvent donc être choisis indépendants de la discrétisation<br />
actuelle de la courbe. Des objets de tailles différentes peuvent être détectés à <strong>par</strong>tir d'<strong>un</strong> seul<br />
modèle avec <strong>un</strong> nombre de points fixe.<br />
En contre<strong>par</strong>tie, l’invariabilité des <strong>par</strong>amètres de rigidité et de la viscosité du contour actif<br />
au cours des itérations est inhérente au modèle. La variation de ces <strong>par</strong>amètres au cours de<br />
l'évolution pourrait être <strong>par</strong>fois souhaitée pour adapter le modèle aux caractéristiques<br />
<strong>par</strong>ticulières d'<strong>un</strong> objet ou d'<strong>un</strong>e image, comme la présence d'<strong>un</strong> angle pointu. Ces adaptations<br />
73