• Segmentation

     La segmentation d'image est une opération de traitement d'images qui a pour but de rassembler des pixels entre eux suivant des critères pré- définis. Les pixels sont ainsi regroupés en régions, qui constituent un pavage ou une partition de l'image. Il peut s'agir par exemple de séparer les objets du fond. Si le nombre de classes est égal à deux, elle est appelée aussi binarisation.

La segmentation est une étape primordiale en traitement d'image. À ce jour, il existe de nombreuses méthodes de segmentation, que l'on peut regrouper en trois principales classes:

     L'opération dite de "seuillage simple" consiste à mettre à zéro tous les pixels ayant un niveau de gris inférieur à une certaine valeur (appelée seuil, en anglais treshold en niveaux de gris) et à la valeur maximale les pixels ayant une valeur supérieure. Ainsi le résultat du seuillage est une image binaire contenant des pixels noirs et blancs, c'est la raison pour laquelle le terme de binarisation est parfois employé. Le seuillage permet de mettre en évidence des formes ou des objets dans une image. Toutefois la difficulté réside dans le choix du seuil à adopter.

Pour chaque point :

si f(x,y)>Seuil alors f(x,y)=1 sinon f(x,y)=0.

• Manuel

     Pour effectuer une segmentation manuelle, il faut avoir déterminé le seuil (la valeur de partition) à appliquer à l'image : le seuillage permet de sélectionner les parties de l'image qui intéressent l'opérateur. Pour sélectionner des objets, il faut donc choisir des limites entre lesquelles les pixels devront être pris en compte.

Après cette opération on pourra alors traiter l'image en appliquant des filtres pour enlever/garder certaines région, en appliquant des outils morphologiques ...

• Automatique

     Le seuillage n'est pas nécessairement une opération qui s'effectue manuellement : la valeur de seuil peut être obtenue de manière automatique.

Le seuillage automatique est basé sur l'analyse de la distribution en fréquence sur l'histogramme des niveaux de gris associée à l'image. L'objectif des méthodes de recherche de seuil automatique est de déceler 2 "populations" sur l'histogramme, et de proposer la valeur qui permet de les séparer au mieux.

On peut distinguer comme seuillage automatique:

     L'analyse par morphologie mathématique vise à modifier la structure et la forme des objets de l'image, par exemple, pour séparer les objets, les discriminer en fonction de leur taille, remplir les trous ...

Il existe, en fait, deux types de morphologie mathématique, la morphologie mathématique ensembliste et la morphologie mathématique fonctionnelle. La première traite les images binaires en utilisant la théorie des ensembles alors que la seconde traite les images en niveaux de gris. Mais les transformations d'images dans les deux cas se pratiquent de la même manière.

C'est pour cela que toutes les fonctions suivantes seront traitées plus en détails dans la partie "morphologie sur image binaire" puisqu'elles utilise le même principe mais en plus simple car il n'y a que 2 couleurs (le noir et le blanc).

• Eléments structurants

     La transformation morphologique modifie la valeur d'un pixels de l'image en fonction de la valeur de ses voisins. Pour cela, on utilise un élément structurant, qui est un masque binaire.

Il permet de prendre en compte le voisinage du pixels.

Exemple d'un élément structurant à 4-connexité:

• L'érosion

     Pour l'érosion, l'élément structurant balaye l'image de façon à ce que son centre x passe par tous les pixels de l'image à traiter.

Pour chacune des positions de x, chacun des pixels de l'élément structurant prend la valeur du pixel de l'image sur lequel il se situe.

Le pixel de l'image qui se trouve sous le pixel central de l'élément structurant prend la valeur minimale.

Nous répétons cette opération pour chaque position de l'image. Ainsi nous obtenons une nouvelle image appellée image érodée.

Illustration:

- zone grise: image de départ.

- grille rouge: grille de séparation des pixels.

- zones noires: image érodé superposé à l'image de départ.

- zones vertes: élément structurant.

L'érosion est un des opérateurs de base qui réduit les petites structures claires et qui élargit les zones sombres. Par conséquent, les objets qui sont plus petits que l'élément structurant vont disparaître. Dans certains cas, les bords ne seront pas traités.

Voici un exemple d'érosion sur l'image binaire du chat:

L'image en niveaux de gris est définie par une fonction f qui représente l'amplitude en niveau de gris au point x.

L’érosion en niveaux de gris réduit la luminance des pixels qui sont entourés de voisins de moindre intensité

• La dilatation

     L'opération de dilatation est analogue à l'érosion. Elle consiste à affecter au pixel courant, la valeur maximale de son voisinage.

Dans le cas de la dilatation, l'élément structurant correspond à un pinceau qui passe sur les contours des formes binaires.

Illustration :

- zone noire: image de départ superposée a l'image dilatée.

- grille rouge: grille de séparation des pixels.

- zones grises + zone noire: image dilatée.

- zones vertes: élément structurant, son centre étant le pixel rayé.

Les objets vont grossir de la taille de l'élément structurant et ceux qui sont situés à une distance moins grande que la taille de l'élément structurant seront fusionnés. Par conséquent, les trous dans les objets seront comblés.

La dilatation en niveaux de gris accroît la luminance des pixels entourés de voisins plus lumineux

• L'ouverture et la fermeture

     L'ouverture et la fermeture sont en fait des applications des deux opérateurs érosion et dilatation appliqués soit dans un sens, soit dans l'autre: