Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
Plan
Introduction
La recherche de motifs
La classification de données
Attributs de formes
Attributs de couleur
Attributs de texture
Traitement d'images - Nicolas Vandenbroucke 179
Introduction
Les traitements haut-niveau ont pour but de donner une représentation symbolique de l’image où un lien existe avec la scène observée.
Ils s’appliquent sur :
Le pixel,
Le voisinage du pixel,
Une fenêtre locale de l’image,
Une région (ou contours) extraite d’une phase de segmentation,
L’image elle-même.
Traitement d'images - Nicolas Vandenbroucke 180
Introduction
Reconnaissance des formes
Couleur, texture, contour, mouvement sont des éléments permettant une analyse bas niveau dans la perception humaine
Caractéristique déterminante qui conduit à la reconnaissance des objets observés et à l’interprétation des scènes qui nous entourent.
Grand champs d’applications de segmentation et de classification d’images
Traitement d'images - Nicolas Vandenbroucke 181
Introduction
Recherche de motifs (Template matching)
Corrélation bidimensionnelle
Corrélation normalisée
La recherche géométrique
Classification de données
Extraction de caractéristiques Prise de mesures sur l’image et génération d’un vecteur d’attributs
Outils de classification Définition de critères sur les mesures et élaboration d’un classifieur
Traitement d'images - Nicolas Vandenbroucke 182
La recherche de motifs
Corrélation 2D
Définition
Exemple
i j
jihjqipfqphqpfqpg ),(),(),(),(),(
modèle utilisé
Traitement d'images - Nicolas Vandenbroucke 184
La recherche de motifs
Remarques Les données doivent être à la même échelle
85 85 85 85 85
85 85 85
85 85 170
85 85 170
85 85 170
85 85
170 170
170 170
170 170
170 170 170 170 170
170 170 85
170 170 85
170 85 85
170 170 170
170 170
85 170
170 170
170 170
14×85×170 +
6×170×170 +
3×170×85 +
2×85×85 =
433500 =
0,2667
Traitement d'images - Nicolas Vandenbroucke 185
La recherche de motifs
Normalisation :
– On suppose que le modèle de taille M×N possède les valeurs maximales
– Si la valeur maximale est 255, la valeur maximale de la corrélation est Cmax = M×N×255×255
– Afin d’obtenir une corrélation normalisée entre 0 et 1, il suffit de diviser par Cmax
– Exemple : Cmax = 5×5×255×255 = 1625625 et C = 433500/1625625 = 0,267
Normalisation par rapport au modèle :
– Cmax = 255×ΣiΣjh(i,j)
– Exemple : Cmax = 255×(5×85 + 20×170) = 975375 et C = 433500/ 975375 = 0,444
Traitement d'images - Nicolas Vandenbroucke 186
La recherche de motifs
85 85 85 85 85
85 85 85
85 85 85
85 85 85
85 85 85
85 85
85 85
85 85
85 85
170 170 85 170 170
170 85 85
170 85 85
85 85 85
170 170 85
85 170
85 85
85 170
170 170
170 170 170 170 170
170 170 85
170 170 85
170 85 85
170 170 170
170 170
85 170
170 170
170 170
170 170 170 170 170
170 170 170
170 170 170
170 170 170
170 170 170
170 170
170 170
170 170
170 170
0,3778
0,3067 0,4
170 170 170 170 170
170 170 85
170 170 85
170 85 85
170 170 170
170 170
85 170
170 170
170 170
0,2
Traitement d'images - Nicolas Vandenbroucke 187
La recherche de motifs
Corrélation normalisée
Traitement d'images - Nicolas Vandenbroucke 188
𝑔 𝑝, 𝑞 =1
𝑀 ×𝑁
𝑓 𝑝 + 𝑖, 𝑞 + 𝑗 − 𝜇𝑓(𝑝, 𝑞) × ℎ 𝑖, 𝑗 − 𝜇ℎ
𝜎𝑓(𝑝, 𝑞) × 𝜎ℎ𝑗𝑖
𝜇𝑓 𝑝, 𝑞 =1
𝑀 × 𝑁 𝑓 𝑝 + 𝑖, 𝑞 + 𝑗
𝑗𝑖
𝜎𝑓 𝑝, 𝑞 =1
𝑀 × 𝑁 𝑓 𝑝 + 𝑖, 𝑞 + 𝑗 − 𝜇𝑓(𝑝, 𝑞)
2
𝑗𝑖
12
𝜇ℎ =1
𝑀 × 𝑁 ℎ 𝑖, 𝑗
𝑗𝑖
𝜎ℎ =1
𝑀 ×𝑁 ℎ 𝑖, 𝑗 − 𝜇ℎ
2
𝑗𝑖
12
La recherche de motifs
Application 170 170 170 170 170
170 170 85
170 170 85
170 85 85
170 170 170
170 170
85 170
170 170
170 170
μh = 153 σh = 34
85 85 85 85 85
85 85 85
85 85 170
85 85 170
85 85 170
85 85
170 170
170 170
170 170
μf(p,q) = 115,6 σf(p,q) = 40,8
17 17 17 17 17
17 17 -68
17 17 -68
17 -68 -68
17 17 17
17 17
-68 17
17 17
17 17
-30,6 -30,6 -30,6 -30,6 -30,6
-30,6 -30,6 -30,6
-30,6 -30,6 54,4
-30,6 -30,6 54,4
-30,6 -30,6 54,4
-30,6 -30,6
54,4 54,4
54,4 54,4
54,4 54,4
(14×17×-30,6 +
6×17×54,4 +
3×-68×54,4 +
2×-68×-30,6) /
(34×40,8) =
-6,25 =
-0,25
h - μh f - μf Traitement d'images - Nicolas Vandenbroucke 189
La recherche de motifs
85 85 85 85 85
85 85 85
85 85 85
85 85 85
85 85 85
85 85
85 85
85 85
85 85
170 170 85 170 170
170 85 85
170 85 85
85 85 85
170 170 85
85 170
85 85
85 170
170 170
170 170 170 170 170
170 170 85
170 170 85
170 85 85
170 170 170
170 170
85 170
170 170
170 170
170 170 170 170 170
170 170 170
170 170 170
170 170 170
170 170 170
170 170
170 170
170 170
170 170
1
0,48 0
170 170 170 170 170
170 170 85
170 170 85
170 85 85
170 170 170
170 170
85 170
170 170
170 170
0
Traitement d'images - Nicolas Vandenbroucke 190
La recherche de motifs
Etape de la recherche de motifs
Le but de la recherche de motifs est de localiser dans une image des formes représentées par un motif préalablement appris.
L’approche par corrélation consiste à déplacer le motif appris sur l’image et calculer une fonction de ressemblance au voisinage de chaque pixel.
L’image de corrélation ainsi obtenue est ensuite analysée afin de détecter les maximums locaux supérieurs à un seuil de ressemblance prédéfini.
Cette approche peut être précédé d’une étape de segmentation ou les formes à reconnaitre sont d’abord détectées.
Traitement d'images - Nicolas Vandenbroucke 191
La classification de données
Schéma général
Extraction de caractéristiques (génération d’attributs ou
primitives) Attributs de forme, de couleur, de texture, de mouvement…
Méthodes de classification
Traitement d'images - Nicolas Vandenbroucke 192
La classification de données
Espace de représentation
Traitement d'images - Nicolas Vandenbroucke 193
Données à classer
Exemple : représentation des données dans un espace de dimension 2
La classification de données
Espace de représentation
Traitement d'images - Nicolas Vandenbroucke 194
Classe 1
Classe 2
Classe 3
Exemple : représentation des données dans un espace de dimension 2
La classification de données
Génération des attributs
Attributs de formes (régions ou contours) Mesures métriques
Caractéristiques topologiques
Caractéristiques locales
Attributs de couleur
Attributs de texture
Traitement d'images - Nicolas Vandenbroucke 195
La classification de données
Méthodes de classification Partitionner un ensemble de données en groupes ou classes,
grâce à l’exploitation de leur similarité
Phase d’apprentissage Prise de connaissance : organisation en modèles puis en classes
Différents types d’apprentissage – Supervisé : définition des différentes classes entièrement basée sur des
prototypes, qui sont des échantillons de classe connue on donne par chaque exemple sa classe
– Non supervisé : aucune connaissance a priori sur les classes, le classifieur est autonome
– Semi supervisé : connaissance partielle
Phase de décision Le système identifie la classe du vecteur présenté
Traitement d'images - Nicolas Vandenbroucke 196
La classification de données
Classification supervisée
Traitement d'images - Nicolas Vandenbroucke 197
Apprentissage (hors-ligne)
Classification (en-ligne)
Pré-traitement
Construction du classifieur
Acquisition des images prototypes
Génération d’attributs
Pré-traitement
Décision Acquisition des images
à classer
Génération d’attributs
La classification de données
L’espace de décision (ou de représentation)
Traitement d'images - Nicolas Vandenbroucke 198
La classification de données
Rôle du classifieur : le système doit être capable de déterminer si le vecteur : appartient à une classe
n’est pas parfaitement conforme
est à la frontière
n’appartient pas à des classes connues
appartient à plusieurs classes
impossible à traiter
Traitement d'images - Nicolas Vandenbroucke 199
La classification de données
Les différentes approches Approche structurelle
– Arbre ou graphe de décision
– Critère de distance
Approche syntaxique
– Utilisation d’une « grammaire »
Approche statistique
– Les plus utilisées de nos jours
– Basée sur la règle de Bayes
Traitement d'images - Nicolas Vandenbroucke 200
La classification de données
Exemples Règle du k-ppv : les plus proches voisins sont recherchés parmi k
Algorithme de Parzen : les distances sont mesurées dans une fenêtre
Traitement d'images - Nicolas Vandenbroucke 201
Attributs de formes
Mesures métriques effectuées sur des régions ou des contours
Mesure de distance
Mesure de périmètre
Calcul de surface
Moments invariants
Moments d’ordre 2 Largeur et hauteur de la forme
Mesures invariantes Compacité
Elongation
Traitement d'images - Nicolas Vandenbroucke 204
Attributs de formes
Segmentation en régions
Traitement d'images - Nicolas Vandenbroucke 205
Image segmentée
Attributs de formes
Calcul des attributs
Traitement d'images - Nicolas Vandenbroucke 206
Image binaire d’une région
Boîte encadrante,
Centre de gravité,
Surface,
Périmètre, Longueur et largeur (axe d’inertie), Angle de l’axe principal d’inertie, Excentricité, Niveau moyen…
TroncsExtremités
horizontalesCourbes Traits-Points
ArcsExtremités
CourbesQueue Ventre
Attributs de formes
Caractéristiques topologiques
Exemple : primitives de Coueignoux
Approche structurelle
Traitement d'images - Nicolas Vandenbroucke 208
Attributs de formes
Caractéristiques locales
Intersections avec des droites
Densité locale
Traitement d'images - Nicolas Vandenbroucke 209
Attributs de formes
Exemple
Lecture d’un code postal
Code postal à lire Binarisation
Traitement morphologique Analyse en composante connexes
Traitement d'images - Nicolas Vandenbroucke 210
Attributs de formes
Extraction des cavités nord, sud, est, ouest et centre
Ouest Est Centre Nord Sud
Un pixel P appartient à une cavité de direction θ (est, ouest, sud, nord ou centre) si P n’appartient pas au tracé et si, en partant de P, on ne rencontre pas le tracé dans la direction θ mais dans les autres directions.
Traitement d'images - Nicolas Vandenbroucke 211
Attributs de formes
Calcul du pourcentage de cavité
ouestestsudnordcentre
%
Centre = 0,2349
Ouest = 0,3583
Est = 0,2407
Nord = 0,0485
Sud = 0,1176
Traitement d'images - Nicolas Vandenbroucke 212
Attributs de formes
Vecteurs d’attributs V = [Est Ouest Sud Nord Centre]
Vecteur d’attributs du "6" :
[0,4393 0 0 0 0,5603]
Vecteur d’attributs du "2" :
[0,2407 0,3583 0,1176 0,0485 0,2349]
Vecteur d’attributs du "9" :
[0,0147 0,4772 0 0,0369 0,4711]
Vecteur d’attributs du "6" :
[0,6102 0 0,0307 0 0,3588]
Vecteur d’attributs du "7" :
[0,2376 0,6205 0 0 0,1418]
Traitement d'images - Nicolas Vandenbroucke 213
Attributs de formes
Espace de décision
-0.1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Est
Ouest
6
2
9
6
7
0
1
2
3
4
5
6
7
8
9
-0.1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Est
Centr
e
6
2
9
6
7
0
1
23
4
5
6
7
8
9
Traitement d'images - Nicolas Vandenbroucke 214
Attributs de couleur
Représentation de la couleur
Une image numérique couleur est un ensemble de pixels organisés sous la forme d’une matrice.
Chaque pixel est caractérisé par : Ses coordonnées dans l’image
Ses niveaux de composantes couleur
Autres caractéristiques Attributs calculés dans un voisinage défini du
pixel (moyenne, variance, attribut statistiques, attributs de texture)
Traitement d'images - Nicolas Vandenbroucke 215
Attributs de couleur
Représentation de la couleur
Les images numériques couleur sont acquises par des dispositifs qui codent la couleur dans l’espace (R,G,B).
Les pixels de l'image donnent naissance à des points qui sont représentés dans un espace tridimensionnel et dont les coordonnées sont les niveaux des trois composantes couleur correspondantes.
L’image numérique couleur donne naissance à des nuages de points dans cet espace.
Traitement d'images - Nicolas Vandenbroucke 216
0 64
128 192
255 0
64
128
192
255
0
64
128
192
255
G R
B
Attributs de couleur
Représentation de la couleur
Image couleur numérique
Traitement d'images - Nicolas Vandenbroucke 217
Attributs de couleur
Représentation de la couleur
Image couleur numérique
Traitement d'images - Nicolas Vandenbroucke 218
Attributs de couleur
Image composante
Traitement d'images - Nicolas Vandenbroucke 219
Image couleur I
Image composante IC1 Image composante IC2 Image composante IC3
Attributs de couleur
Les espaces couleur
Il existe un grand nombre d’espaces couleur autre que l’espace d’acquisition (R,G,B).
Le choix d’un espace couleur est une étape importante dans la réussite d’une application.
Aucun espace ne permet d’obtenir toujours les meilleurs résultats.
La multitude et la diversité des espaces couleur impliquant des présentations différentes rend difficile le choix d’un espace.
Traitement d'images - Nicolas Vandenbroucke 220
Familles d’espaces couleur
Traitement d'images - Nicolas Vandenbroucke 221
(R,G,B)
Espaces de primaires
(R,G,B)
espaces de primaires
réelles
(RE,GE,BE)
(RF,GF,BF)
(RC,GC,BC)
espaces de primaires
virtuelles
(X,Y,Z)
espaces normalisés
(r*,g*,b*)
(x,y,z)
Espaces luminance-chrominance
espaces perceptuellement
uniformes
(L*,a*,b*)
(L*,u*,v*)
espaces antagonistes
(A,C1,C2)
(bw,rg,by)
espaces de télévision
(Y’,I’,Q’)
(Y’,U’,V’)
autres espaces luminance-
chrominance (L,Ch1,Ch2)
(I,r,g)
Espaces perceptuels espaces de
coordonnées perceptuelles
(I,S,T) espaces de
coordonnées polaires
(L,C,H)
Espaces d’axes indépendants
espace d’Ohta (I1,I2,I3)
Espaces couleur hybrides
Traitement d'images - Nicolas Vandenbroucke 222
(R,G,B)
Espaces de primaires
(R,G,B)
espaces de primaires
réelles
(RE,GE,BE)
(RF,GF,BF)
(RC,GC,BC)
espaces de primaires
virtuelles
(X,Y,Z)
espaces normalisés
(r*,g*,b*)
(x,y,z)
Espaces luminance-chrominance
espaces perceptuellement
uniformes
(L*,a*,b*)
(L*,u*,v*)
espaces antagonistes
(A,C1,C2)
(bw,rg,by)
espaces de télévision
(Y’,I’,Q’)
(Y’,U’,V’)
autres espaces luminance-
chrominance (L,Ch1,Ch2)
(I,r,g)
Espaces perceptuels espaces de
coordonnées perceptuelles
(I,S,T) espaces de
coordonnées polaires
(L,C,H)
Espaces d’axes indépendants
espace d’Ohta (I1,I2,I3)
(x,y,z)
(L,Ch1,Ch2) (I1,I2,I3)
Attributs de couleur
Beaucoup d’autres espace existent
Contexte du traitement d’image
Les espaces couleur sont vus comme des transformations linéaires ou non permettant une représentation différente des couleurs et conduisant à une amélioration des résultats des traitements.
Les espaces couleur ne sont pas toujours exploités de façon rigoureuse et reposent souvent sur des hypothèses simplificatrices permettant leur utilisation.
Traitement d'images - Nicolas Vandenbroucke 223
Attributs de couleur
Quelques précautions d’utilisation
Respecter les règles d’utilisation (matrices de passage, illuminant, primaires, correction gamma, …).
Pas nécessaire de coder ces espaces si on analyse directement les valeurs transformées.
Lorsqu’un codage est nécessaire (mémorisation, affichage, histogramme, …), il faut l’effectuer tout en respectant les propriétés de ces espaces.
Traitement d'images - Nicolas Vandenbroucke 224
Attributs de couleur
Traitement d'images - Nicolas Vandenbroucke
Image segmentée dans l’espace (R,G,B)
Image segmentée dans l’espace (L*,a*,b*)
Image à segmenter
Sélection automatique d’espaces couleur
225
Attributs de texture
Description visuelle d’une texture
Agencement spatial, plus ou moins régulier, d’éléments qui constituent un ensemble
Informations visuelles permettant une description qualitative à l'aide d'adjectifs tels que contrastée, grossière, fine, lisse, tachetée, zébrée, granuleuse, marbrée, régulière ou irrégulière...
Assez aisée pour l’homme
Un grand nombre de définition mais pas de définition universelle
Difficile à définir (diversité, complexité)
Traitement d'images - Nicolas Vandenbroucke 226
Attributs de texture
Quelques propriétés… Propriété de région Nécessité d’un voisinage spatial (image, fenêtre, région, voisinage direct)
La taille de ce voisinage dépend du type de texture ou de la surface occupée par le motif définissant cette dernière
Résolution Nombre de pixels par unité de longueur
Une résolution spatiale faible permet de mettre en valeur les traits grossiers
Une résolution spatiale plus importante fait apparaître les détails
Répétition, périodicité Une image ou une région est considérée comme texturée si elle présente un
nombre suffisant de motifs la définissant
Texture couleur : Arrangement spatial des couleurs
Traitement d'images - Nicolas Vandenbroucke 227
La classification de textures
Traitement d'images - Nicolas Vandenbroucke 228
Classe 1
Classe 2
Classe 3
Classe 4
Classe 5
Classe 6
Base d’apprentissage
Image requête à classer
?
?
?
?
?
?
Nécessité de déterminer des descripteurs pour représenter, comparer et discriminer différentes textures couleur
Attributs de texture
Descripteurs de texture
Attributs géométriques
Attributs basés sur la modélisation spatiale des textures
Attributs spatio-fréquentiels
Attributs statistiques
Traitement d'images - Nicolas Vandenbroucke 229
Attributs de texture
Attributs statistiques
Objectif Formaliser les relations entre les
pixels et leur voisins et définir la texture en terme de variation de couleur
Principaux descripteurs Attributs statistiques du premier
ordre
– Les statistiques d’image
– Les histogrammes d’image
Attributs statistiques du second ordre
– Matrices de cooccurrences chromatiques
– Motifs binaires locaux couleur
– Histogrammes des sommes et des différences
Attributs statistiques d’ordre supérieur
– Matrices de longueurs de plages
Traitement d'images - Nicolas Vandenbroucke 230
Attributs de texture
Attributs statistiques du premier ordre
Statistique d’image Moyenne
Variance
Dissymétrie (Skewness)
Aplatissement (Kurtosis)
Entropie
…
Statistique d’histogramme Médiane
Mode
Intervalle interquartile
…
Traitement d'images - Nicolas Vandenbroucke 231
Attributs de texture
Traitement d'images - Nicolas Vandenbroucke
Image couleur et images des composantes R, G et B [image OuTex 746×538]
232
Attributs de texture
Traitement d'images - Nicolas Vandenbroucke
Composante R
•Moyenne = 74.8278 •Variance = 25.0964 •Entropie = 6.5275
•Médiane = 73 •Mode = 45
Composante B
•Moyenne = 37.5990 •Variance = 7.3674 •Entropie = 4.7923
•Médiane = 36 •Mode = 34
233
Attributs de texture
Attributs statistiques du second ordre
Matrices de cooccurrences chromatiques Chaque image couleur (représentée dans l’espace (C1,C2,C3)) est
caractérisée par 6 matrices :
– 3 Matrices intra-composante : MC1C1, MC2C2, MC3C3
– 3 Matrices inter-composante : MC1C2, MC1C3, MC2C3
Ces matrices mesurent les interactions spatiales entre les composantes couleurs des pixels dans un voisinage donné défini par :
– Une direction d’orientation θ
– Une distance d
Traitement d'images - Nicolas Vandenbroucke 234
Attributs de texture
Traitement d'images - Nicolas Vandenbroucke
8-connexité 4-connexité 1 4-connexité 2
2-connexité direction 0°
2-connexité direction 90°
2-connexité direction 45°
2-connexité direction 135°
235
Attributs de texture
Traitement d'images - Nicolas Vandenbroucke
0
0
1 2 3
1
2
3
C1 C2
Image couleur représentée dans l’espace (C1,C2,C3)
Matrice de cooccurrences MC1C2 associée
3
0 1 0
3 2 1
1 2 1
0 0 0
2 0 1
1 1 3
2 0 0
1 0 0
3 2 3
2 0 3
2 2 0
2 2 0
2 1 0
3 2 1
1 0 0
2 0 0
237
Attributs de texture
Traitement d'images - Nicolas Vandenbroucke
0
0
1 2 3
1
2
3
C1 C2
Image couleur représentée dans l’espace (C1,C2,C3)
Matrice de cooccurrences MC1C2 associée
0 1 0
3 2 1
1 2 1
0 0 0
2 0 1
1 1 3
2 0 0
1 0 0
3 2 3
2 0 3
2 2 0
2 2 0
2 1 0
3 2 1
1 0 0
2 0 0
3 +1
1
2
0
7 7 4
1 4 3
4
0 0 0
2 9
238
Attributs de texture
Attributs d’Haralick extraits des matrices de cooccurrences
Traitement d'images - Nicolas Vandenbroucke
54 2 10 25 1 …
2 0 97 84
10 97 66
25 84
1
…
0
1
2
3
4
…
255
0 1 2 3 4 … 255
Matrice de cooccurrences M Niv
eau
x d
e q
uan
tifi
cati
on
f1 : énergie (second moment angulaire)
f1 = ∑ ∑ [M(i,j)]2
f2 : contraste
f3 : corrélation
f4 : variance
f5 : homogénéité
… f14
239
Attributs de texture
Traitement d'images - Nicolas Vandenbroucke
Image couleur et images des composantes R, G et B [image OuTex 746×538]
240
Attributs de texture
Traitement d'images - Nicolas Vandenbroucke
Matrice de cooccurrences MRR
(4-connexité 1, d=1)
•Contraste = 87.0194 •Corrélation = 0.9309
•Energie = 0.00050370 •Homogénéité = 0.2365
Matrice de cooccurrences MBB
(4-connexité 1, d=1)
•Contraste = 19.4845 •Corrélation = 0.8202
•Energie = 0.0034 •Homogénéité = 0.3445
241
Attributs de texture
Traitement d'images - Nicolas Vandenbroucke
Matrice de cooccurrences MRR
(4-connexité 1, d=20)
•Contraste = 1068.5 •Corrélation = 0.1502
•Energie = 0.00014986 •Homogénéité = 0.0908
Matrice de cooccurrences MBB
(4-connexité 1, d=20)
•Contraste = 91.9281 •Corrélation = 0.1439
•Energie = 0.0020 •Homogénéité = 0.2258
242
Attributs de texture
Motifs binaires locaux (LBP) Un motif local à chaque pixel est déterminé par comparaison entre les
composantes couleur de ce pixel et celles de ces voisins
Chaque motif est codé par une valeur
Les attributs de textures sont les histogrammes des valeurs ainsi codées
9 motifs locaux binaires par pixel :
– 3 motifs locaux intra-composantes
– 6 motifs locaux inter-composantes
Traitement d'images - Nicolas Vandenbroucke 243
Attributs de texture
Traitement d'images - Nicolas Vandenbroucke 244
Seuillage
C1C1
Pixel à analyser et
son voisinage 8-connexité
Codage
Ma
squ
e de p
oid
s
5 2 4
4 5 3
1 1 7
7 6 5
4 3 0
7 6 1
2 4 0
3 4 7
1 2 7
Seuil
= 5
0 - -
0 - -
1 - -
0 - -
1 - -
0 - -
0 - -
0 - -
Seuil = 5
0 - -
0 - -
128 - -
0 - -
8 - -
0 - -
0 - -
0 - -
16 16 16
64 64 64
128 128 128
32 32 32
8 8 8
2 2 2
4 4 4
1 1 1
8 + 128 = 136
Attributs de texture
Traitement d'images - Nicolas Vandenbroucke 245
Seuillage
C1C2
Pixel à analyser et
son voisinage 8-connexité
Codage
Ma
squ
e de p
oid
s
5 2 4
4 5 3
1 1 7
7 6 5
4 3 0
7 6 1
2 4 0
3 4 7
1 2 7
Seuil
= 5
- 1 -
- 0 -
- 1 -
- 0 -
- 1 -
- 0 -
- 0 -
- 0 -
- 16 -
- 0 -
- 128
-
- 0 -
- 8 -
- 0 -
- 0 -
- 0 -
16 16 16
64 64 64
128 128 128
32 32 32
8 8 8
2 2 2
4 4 4
1 1 1
8 + 16 + 128
= 152
Attributs de texture
Traitement d'images - Nicolas Vandenbroucke 246
Seuillage
C2C1
Pixel à analyser et
son voisinage 8-connexité
Codage
Ma
squ
e de p
oid
s
5 2 4
4 5 3
1 1 7
7 6 5
4 3 0
7 6 1
2 4 0
3 4 7
1 2 7
Seuil
= 2
1 - -
0 - -
1 - -
1 - -
1 - -
1 - -
1 - -
0 - -
16 - -
0 - -
128 - -
32 - -
8 - -
2 - -
4 - -
0 - -
16 16 16
64 64 64
128 128 128
32 32 32
8 8 8
2 2 2
4 4 4
1 1 1
2 + 4 + 8 + 16 + 32
+ 128 = 190
Attributs de texture
Traitement d'images - Nicolas Vandenbroucke 247
Image couleur et images des composantes R, G et B [image OuTex 746×538]