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 ...
27 CHAPITRE 1 (a) Minima locaux (b) (c) (d) (e) (f) Fig. 1.5 Schéma d’une segmentation ligne de partage des eaux à partir de l’algorithme d’inondation (a) l’image à segmenter est considérée comme un relief topographique, les minima locaux sont ensuite identifiés (le minimum local est le point le plus bas que l’on peut atteindre sans être obligé de remonter) (b) et (c) immersion par les minima locaux (d) et (e) lorsque les eaux provenant de deux bassins se rencontrent, une digue est construite pour que celles-ci ne se mélangent pas (f) à la fin de l’immersion l’ensemble des digues constitue la ligne de partage des eaux. Cet algorithme est transposable en 2D et 3D. Le choix des points d’entrée d’eaux (marqueurs) peut également être défini par l’utilisateur, on parle alors d’algorithme LPE par imposition de marqueurs. 3.2.4 Histogramme à deux dimensions Lignes de partage des eaux (f) L’histogramme 2D de fréquence de niveaux de gris est un tableau de taille L × L avec pour entrée le nombre d’occurrence des paires (f(x,y) : image originale ; g(x,y) : image filtrée). Eau L’utilisation de cet histogramme permet de séparer, les pixels qui ont les mêmes niveaux de
28 CHAPITRE 1 gris mais pas le même voisinage (Abutaleb, 1985). La seconde étape de la segmentation consiste à identifier les pixels appartenant à un ensemble défini sur l’histogramme 2D. Pour cela, l’histogramme 2D est transformé en une image de taille L × L par conversion des fréquences en niveaux de gris. Le codage de l’image peut s’effectuer par une fonction linéaire ou logarithme. L’image topographique en niveau de gris de l’histogramme peut ensuite être partitionnée par la méthode LPE. Les zones d’influences obtenues sont ensuite identifiées pour chaque pixel de l’image originale à partir des positions f(x,y), g(x,y) (Fig. 1.9). Le calcul d’histogramme 2D est transposable aux volumes par un calcul de la seconde dimension de l’histogramme avec un filtre utilisant un masque de mesure tridimensionnel. La moyenne locale (Li et al., 1996, Yonekura and Facon, 2003) et le gradient local (Park and Bajaj, 2007) sont les paramètres locaux les plus utilisés pour l’image filtrée constituant la deuxième dimension de l’histogramme 2D. En combinaison avec la variance, on identifie le contour des objets. La méthode s’avère cependant difficile à mettre en œuvre pour des images ayant un nombre élevé de composantes. Bien que, classiquement utilisée pour la moyenne et le gradient local, cette approche peut être étendue à tous types de couples image filtrée/image originale. Le choix du type de filtre, la taille du masque de mesure et le nombre d’itérations utilisés pour la seconde dimension de l’histogramme ont cependant été peu étudiés dans la littérature. De nombreux filtres plus complexes permettent cependant d’accroître les potentialités de la méthode. A ce titre, le filtre Nagao remplace le niveau de gris de chaque pixel par la moyenne de son voisinage le plus homogène (variance minimale) (Nagao and Matsuyama, 1979) (Fig. 1.6). Ce filtre permet un lissage de l'image en conservant le contour des objets. Pour les images couleurs RVB, l’utilisation d’histogramme d’occurrence 3D rouge, vert et bleu permet d’obtenir une segmentation des principaux objets de couleur composant une image (Park et al., 1998)
- 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 26 and 27: 25 CHAPITRE 1 ayant une taille sup
- 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
- Page 76 and 77: 75 CHAPITRE 2 (i) A l’échelle du
28 CHAPITRE 1<br />
gris mais pas le même voisinage (Abutaleb, 1985). La seconde étape de la segmentation<br />
consiste à identifier les pixels appartenant à un ensemble défini sur l’histogramme 2D. Pour<br />
cela, l’histogramme 2D est transformé en une image de taille L × L par conversion <strong>des</strong><br />
fréquences en niveaux de gris. Le codage de l’image peut s’effectuer par une fonction linéaire<br />
ou logarithme. L’image topographique en niveau de gris de l’histogramme peut ensuite être<br />
partitionnée par la méthode LPE. Les zones d’influences obtenues sont ensuite identifiées<br />
pour chaque pixel de l’image originale à partir <strong>des</strong> positions f(x,y), g(x,y) (Fig. 1.9). Le calcul<br />
d’histogramme 2D est transposable aux volumes par un calcul de la seconde dimension de<br />
l’histogramme avec un filtre utilisant un masque de mesure tridimensionnel.<br />
La moyenne locale (Li <strong>et</strong> al., 1996, Yonekura and Facon, 2003) <strong>et</strong> le gradient local (Park<br />
and Bajaj, 2007) sont les paramètres locaux les plus utilisés pour l’image filtrée constituant la<br />
deuxième dimension de l’histogramme 2D. En combinaison avec la variance, on identifie le<br />
contour <strong>des</strong> obj<strong>et</strong>s. La méthode s’avère cependant difficile à m<strong>et</strong>tre en œuvre pour <strong>des</strong> images<br />
ayant un nombre élevé de composantes. Bien que, classiquement utilisée pour la moyenne <strong>et</strong><br />
le gradient local, c<strong>et</strong>te approche peut être éten<strong>du</strong>e à tous types de couples image filtrée/image<br />
originale. Le choix <strong>du</strong> type de filtre, la taille <strong>du</strong> masque de mesure <strong>et</strong> le nombre d’itérations<br />
utilisés pour la seconde dimension de l’histogramme ont cependant été peu étudiés <strong>dans</strong> la<br />
littérature.<br />
De nombreux filtres plus complexes perm<strong>et</strong>tent cependant d’accroître les potentialités de<br />
la méthode. A ce titre, le filtre Nagao remplace le niveau de gris de chaque pixel par la<br />
moyenne de son voisinage le plus homogène (variance minimale) (Nagao and Matsuyama,<br />
1979) (Fig. 1.6). Ce filtre perm<strong>et</strong> un lissage de l'image en conservant le contour <strong>des</strong> obj<strong>et</strong>s.<br />
Pour les images couleurs RVB, l’utilisation d’histogramme d’occurrence 3D rouge, vert <strong>et</strong><br />
bleu perm<strong>et</strong> d’obtenir une segmentation <strong>des</strong> principaux obj<strong>et</strong>s de couleur composant une<br />
image (Park <strong>et</strong> al., 1998)