Minéralogie, porosité et diffusion des solutés dans l'argilite du ...

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)