Minéralogie, porosité et diffusion des solutés dans l'argilite du ...
Minéralogie, porosité et diffusion des solutés dans l'argilite du ... Minéralogie, porosité et diffusion des solutés dans l'argilite du ...
25 CHAPITRE 1 ayant une taille supérieure aux minéraux argileux, ils forment des zones homogènes de faibles variations locales de niveaux de gris. 3.2 Techniques de segmentation Les méthodes de partitionnement d’images utilisent des approches basées sur des informations globales et/ou locales de l’image. Les méthodes globales synthétisent l’information contenue dans toute l’image alors que les méthodes locales utilisent les informations contenues au voisinage de chaque pixel indépendamment des autres parties de l’image. 3.2.1 Les méthodes globales Supposons qu’une image composée de N × M pixels, codés sur L niveaux (0, ..., L-1) est représentée par une fonction intensité f(x,y) où chaque pixel est défini par ses coordonnées spatiales x et y. L’histogramme de niveaux de gris H(L) constitue la plus simple représentation 1D de l’information fréquentielle des intensités contenues dans l’image numérique. Classiquement, son étude permet de définir le nombre de composants représentés sur l’image, si un mode est associé à chaque composant. Dans ce cas, la détermination de bornes permet d’obtenir une segmentation correcte de l’image. Différentes méthodes s'appuyant sur l'aspect morphologique de l'histogramme permettent une segmentation automatisée de l’image (Kapur et al., 1981; Wen-Hsiang Tsai 1985; Otsu 1979). Ces méthodes s’avèrent efficaces lorsque les composantes sont relativement bien séparées, sinon elles induisent une sur- ou sous- segmentation locale des différents ensembles. La décomposition de l’histogramme en une somme de gaussiennes permet par exemple une quantification des teneurs de chaque ensemble. 3.2.2 Préfiltrage par méthodes locales Dans le but d’améliorer la qualité de la segmentation, les images peuvent être modifiées par une opération de filtrage. Les filtres modifient les valeurs de chaque pixel de l’image à partir de paramètres calculés sur son voisinage de pixels. Les fonctions moyenne, variance, médian, minima, maxima et « flou gaussien » sont usuellement utilisées pour filtrer une image. Par cette opération, l’image f(x,y) est transformée en une nouvelle image g(x,y). Les filtres
26 CHAPITRE 1 sont également définis par la taille (c.-à-d. la taille du voisinage de pixel sur lequel est appliqué l’opération) et la géométrie (carrée, circulaire…) du masque de mesure et le nombre d’itérations (c.-à-d. le nombre de fois consécutives ou l’opération est appliquée avec un masque de mesure identique). Pour un volume tridimensionnel, le masque de mesure peut être calculé en 2 ou 3 dimensions. Pour cette étude les images filtrées seront notées : type de filtre- géométrie du masque de mesure-taille du masque de mesure (en pixels)-nombre d’itérations. La segmentation de l’image originale f(x,y) peut alors s’effectuer uniquement à partir de g(x,y) ou en combinaison avec l’image originale. 3.2.3 La ligne de partage des eaux La méthode de segmentation par ligne de partage des eaux (LPE), employée pour la segmentation d’images en niveau de gris, utilise les informations locales de l’image. L'idée de cette méthode est de considérer l’image en niveaux de gris comme un relief topographique divisé en plusieurs bassins versants (Vincent and Soille, 1991). A partir de cette représentation, l’indentification des lignes partages des eaux s’effectue classiquement par un algorithme d’inondation (Fig. 1.5). Lorsque l’image à segmenter est bruitée, la méthode de LPE conduit à une surestimation du nombre de bassins, due à un nombre trop important de minima. Afin de réduire ce nombre, un préfiltrage des images (par un filtre gaussien en générale) visant à niveler les niveaux de gris avant LPE est nécessaire. Le choix des paramètres du filtre va déterminer le nombre de bassins finalement obtenus. Une fois les bassins définis, il est possible de conserver uniquement ceux correspondant à une gamme de niveaux de gris sur l’image initiale. Le nombre d’objets (c.-à-d. le nombre de bassins) finalement identifiés peut également être réduit par l’utilisateur; par exemple à partir de leur taille. La segmentation par LPE implique donc un nombre important d’interventions de l’utilisateur. La combinaison finale des différents paramètres s’effectue la plupart du temps par essais-erreurs pour éviter une sur- ou sous- segmentation de l’image (Barraud, 2006). Cette approche a été étendue aux volumes 3D, ou chaque objet décrit une région d’influence tridimensionnelle.
- Page 1: THESE Pour l’obtention du grade d
- Page 4 and 5: SOMMAIRE INTRODUCTION GENERALE 8 CH
- Page 6 and 7: 1.2 Modélisation du processus de d
- Page 8 and 9: 3.1 Relation locale entre distribut
- Page 10 and 11: 9 INTRODUCTION Technology Developme
- Page 12 and 13: 11 INTRODUCTION Caractéristique de
- Page 14 and 15: 13 INTRODUCTION de la chimie de la
- Page 16 and 17: 15 CHAPITRE 1 CHAPITRE 1 ACQUISITIO
- Page 18 and 19: 17 CHAPITRE 1 tridimensionnelle ré
- Page 20 and 21: 19 CHAPITRE 1 d’absorption linéi
- Page 22 and 23: 21 CHAPITRE 1 Afin de conserver l
- Page 24 and 25: 23 CHAPITRE 1 2.2 Microtomographie
- Page 28 and 29: 27 CHAPITRE 1 (a) Minima locaux (b)
- Page 30 and 31: 29 CHAPITRE 1 (a) (b) Fig. 1.6. Sch
- Page 32 and 33: 31 CHAPITRE 1 4 Résultats de la se
- Page 34 and 35: 33 CHAPITRE 1 Image originale Image
- Page 36 and 37: 35 CHAPITRE 1 Après identification
- Page 38 and 39: 37 CHAPITRE 1 La figure 1.12 prése
- Page 40 and 41: 39 CHAPITRE 1 4.2 Segmentation par
- Page 42 and 43: 41 CHAPITRE 1 Fig. 1.14 : Segmentat
- Page 44 and 45: 43 CHAPITRE 1 demeure similaire. Le
- Page 46 and 47: 45 CHAPITRE 1 (a) (b) (c) (d) (e) (
- Page 48 and 49: 47 CHAPITRE 1 (a) (b) Nombre de de
- Page 50 and 51: 49 CHAPITRE 1 290 280 270 260 250 3
- Page 52 and 53: 51 CHAPITRE 1 le filtre Nagao pour
- Page 54 and 55: 53 CHAPITRE 2 CHAPITRE 2 DISTRIBUTI
- Page 56 and 57: 55 CHAPITRE 2 d’environ 10 µm. P
- Page 58 and 59: 57 CHAPITRE 2 est de type S en éch
- Page 60 and 61: 59 CHAPITRE 2 hétérogénéités d
- Page 62 and 63: 61 CHAPITRE 2 Le temps d’expositi
- Page 64 and 65: 63 CHAPITRE 2 optiques en fonction
- Page 66 and 67: 65 CHAPITRE 2 de numérisation des
- Page 68 and 69: 67 CHAPITRE 2 écart Ecart type/éc
- Page 70 and 71: 69 CHAPITRE 2 2.2.4 Impact des cara
- Page 72 and 73: 71 CHAPITRE 2 l’autoradiographie
- Page 74 and 75: 73 CHAPITRE 2 si la résolution att
25 CHAPITRE 1<br />
ayant une taille supérieure aux minéraux argileux, ils forment <strong>des</strong> zones homogènes de faibles<br />
variations locales de niveaux de gris.<br />
3.2 Techniques de segmentation<br />
Les métho<strong>des</strong> de partitionnement d’images utilisent <strong>des</strong> approches basées sur <strong>des</strong><br />
informations globales <strong>et</strong>/ou locales de l’image. Les métho<strong>des</strong> globales synthétisent<br />
l’information contenue <strong>dans</strong> toute l’image alors que les métho<strong>des</strong> locales utilisent les<br />
informations contenues au voisinage de chaque pixel indépendamment <strong>des</strong> autres parties de<br />
l’image.<br />
3.2.1 Les métho<strong>des</strong> globales<br />
Supposons qu’une image composée de N × M pixels, codés sur L niveaux (0, ..., L-1) est<br />
représentée par une fonction intensité f(x,y) où chaque pixel est défini par ses coordonnées<br />
spatiales x <strong>et</strong> y. L’histogramme de niveaux de gris H(L) constitue la plus simple<br />
représentation 1D de l’information fréquentielle <strong>des</strong> intensités contenues <strong>dans</strong> l’image<br />
numérique. Classiquement, son étude perm<strong>et</strong> de définir le nombre de composants représentés<br />
sur l’image, si un mode est associé à chaque composant. Dans ce cas, la détermination de<br />
bornes perm<strong>et</strong> d’obtenir une segmentation correcte de l’image. Différentes métho<strong>des</strong><br />
s'appuyant sur l'aspect morphologique de l'histogramme perm<strong>et</strong>tent une segmentation<br />
automatisée de l’image (Kapur <strong>et</strong> al., 1981; Wen-Hsiang Tsai 1985; Otsu 1979). Ces<br />
métho<strong>des</strong> s’avèrent efficaces lorsque les composantes sont relativement bien séparées, sinon<br />
elles in<strong>du</strong>isent une sur- ou sous- segmentation locale <strong>des</strong> différents ensembles. La<br />
décomposition de l’histogramme en une somme de gaussiennes perm<strong>et</strong> par exemple une<br />
quantification <strong>des</strong> teneurs de chaque ensemble.<br />
3.2.2 Préfiltrage par métho<strong>des</strong> locales<br />
Dans le but d’améliorer la qualité de la segmentation, les images peuvent être modifiées<br />
par une opération de filtrage. Les filtres modifient les valeurs de chaque pixel de l’image à<br />
partir de paramètres calculés sur son voisinage de pixels. Les fonctions moyenne, variance,<br />
médian, minima, maxima <strong>et</strong> « flou gaussien » sont usuellement utilisées pour filtrer une image.<br />
Par c<strong>et</strong>te opération, l’image f(x,y) est transformée en une nouvelle image g(x,y). Les filtres