Benfriha Hamel

Université KasdiMerbah-Ouargla
Faculté des Nouvelles Technologies de l’Information et de la Communication

Département d'Informatique et Technologie de l'information
Mémoire Master Professionnel
Domaine : Informatique et Technologie de l'Information
Filière : Informatique
Spécialité : Réseaux convergence et sécurité
Présenté par : Sarra BENFRIHA et Asma HAMEL
Thème
Segmentation d’image par
Coopération région-contours
Président Shahrazade TOUMI M me, UKM Ouargla
Examinateur Fouad BAKAARI Maître, UKM Ouargla
Rapporteur Mohamed Kamel BEN KADDOUR Maître, UKM Ouargla
Année Universitaire : 2015 /2016

Remerciements
Nous adressons en premier lieu notre reconnaissance à notre
DIEU tout puissant, de m’avoir permis d’arriver là, car sans lui
rien n’est possible.
Nous tenons tout d'abord à remercier Mr BEN KADDOUR

MOHAMMED KAMEL notre encadreur de mémoire, pour
son encadrement, son suivi et ses conseils lors de la réalisation de
notre mémoire.
Nous tenons ensuite à remercier tous nos professeurs et

enseignants de département d'informatique qui ont contribué à
notre formation.
Nous souhaitons aussi remercier mesdames et messieurs les

membres du jury pour leur précieux temps accordé à l’étude de
notre mémoire.
Enfin nous remercions tous ceux qui ont contribué de près ou de

loin à l'aboutissement de ce travail.
Dédicaces
Je dédie ce mémoire :
A mes très chers parents pour leur soutient et
encouragement durant toutes mes années d’études et sans
lesquels je n’aurais jamais réussi et a ma famille
A tous mes professeurs et enseignants que j’ai eu durant tout
mon cursus scolaire et qui m’ont permis de réussir dans mes
études.
A tous mes amis de l'’Université et d'ailleurs
A toute personne ayant contribué à ce travail de près ou de
loin.
Benfriha sarra
Dédicaces
A mes très chers parents qui n’ont jamais cessé de m’encourager,

que Dieu les protège,
A mes très chers frères,
A mes très chères sœurs, karima, naima, hadjer, imane et fatima,
khadra, meriem, mabrouka, leur mari et leurs enfants,
A mes amis messaouda, alia et om kheltoum
À tous mes chers amis et mes collègues de l’Université d’Ouargla ;
À la promotion LMD Master RCS
A tous mes collègues de la direction de l’urbanisme de l’architecture
et de la constriction de la willaya d’Ouargla,
A tous ceux que j’aime, et tous ceux qui m’aiment,
Je dédie ce modeste travail.
Hamel asma
SOMMAIRE
Chapitre I : généralité sur le traitement d’images

I.1 Introduction ...................................................................................................................... 3
I.2 Définition d’une image: .................................................................................................... 3
I.3 Image numérique :(numérisée) : ....................................................................................... 3
I.4 Caractéristiques d'une image numérique: ......................................................................... 4
I.4.1 Pixel : ..................................................................................................................... 4
I.4.2 La résolution........................................................................................................... 4
I.4.3 Dimension : ............................................................................................................ 5
I.4.4 La texture ............................................................................................................... 5
I.4.5 Bruit........................................................................................................................ 5
I.4.6 La luminance .......................................................................................................... 5
I.4.7 Contours et textures................................................................................................ 6
I.4.8 Histogramme .......................................................................................................... 6
I.4.9 Le contraste : .......................................................................................................... 7
I.5 Types d’images ................................................................................................................. 7
I.5.1 Images binaires (en noir et blanc) .......................................................................... 7
I.5.2 Images à niveaux de gris (Monochromes) ............................................................. 8
I.5.3 Images en couleurs (Polychromes) ........................................................................ 8
I.6 qualité de l’image numérique ........................................................................................... 9
I.7 Images bitmap et images vectorielles ............................................................................... 9
I.8 Système de traitement d'image ....................................................................................... 10
I.9 traitement numérique des images ................................................................................... 11
I.9.1 Filtrage Numérique .............................................................................................. 11
I.9.1.1 Filtres linéaires .............................................................................................. 11
I.9.1.2 Filtres non linéaire ......................................................................................... 12
I.9.2 Domaines d’application ............................................................................................... 13
I.10 Conclusion ................................................................................................................... 14
Chapitre II : Les approches de la segmentation d’images
II.1 Introduction ................................................................................................................... 15
II.2 Definition de la segmentation ....................................................................................... 15
II.3 Definition formelle de la segmentation ......................................................................... 16
II.4 Differentes approches de segmentation ........................................................................ 16
II.5 Approches Contours ...................................................................................................... 16
II.5.1 Méthodes dérivatives .......................................................................................... 17
II.5.1.1 L’approche Gradient .................................................................................... 18
II.5.1.2 L’approche Laplacien................................................................................... 19
II.5.2 Méthodes analytiques ......................................................................................... 20
II.5.2.1 Approche de Canny et Deriche .................................................................... 20
II.5.3 Méthodes déformables ........................................................................................ 21
II.5.3.1 Contours actifs ............................................................................................. 21
II.5.4 Les limites de segmentation par contour ............................................................ 21
II.6 Approche région ............................................................................................................ 22
II.6.1 Croissance de région (région growing) : ............................................................. 22
II.6.2 Segmentation par fusion de régions (Merge) ...................................................... 23
II.6.3 Segmentation par division de régions (Split) ...................................................... 23
II.6.4 Segmentation par division-fusion (Split and Merge) .......................................... 24
II.7 Segmentation par seuillage ........................................................................................... 25
II.7.1 Définition du seuillage ........................................................................................ 25
II.7.2 seuillage globale ................................................................................................. 26
II.7.3 seuillage locale .................................................................................................... 26
II.8 Conclusion..................................................................................................................... 26
Chapitre III : la coopération région-contours
III.1 Introduction .................................................................................................................. 27
III.2 Segmentation coopératives : ........................................................................................ 27
III.3 Coopération Séquentielle ............................................................................................. 27
III.3.1 Formes de coopération séquentielle .................................................................. 28
III.3.1.1 Contrôle de critère de décision ................................................................... 28
III.3.1.1.1 Méthodes basés sur la méthode de croissance de région ............................. 28
III.3.1.2 Ajustement Des Paramètres De Segmentation ........................................... 29
III.3.1.3 Élimination Des Faux Segments ................................................................. 29
III.3.1.4 Placement Des Germes ............................................................................... 30
III.3.1.5 Accélérer Le Temps De Traitement ............................................................ 30
III.4 Coopération des Résultats ............................................................................................ 31
III.4.1 Formes de coopération des résultats .................................................................. 31
III.4.1.1 Complémentarité entre les segmentations .................................................. 31
III.4.1.2 Consensus entre plusieurs segmentations ................................................... 32
III.4.1.3 Ajout d’un critère additionnel aux résultats de segmentation ..................... 32
III.4.1.4 Ajustement Des Paramètres De Segmentation ........................................... 32
III.4.1.5 Évaluation Des Résultats De Segmentation................................................ 33
III.5 Coopération mutuelle ................................................................................................... 33
III.5.1 Formes de coopération mutuelle ....................................................................... 33
III.5.1.1 Détecteur de contours utilisant les informations de type région : ............... 34
III.5.1.2 Détecteur de régions utilisant les informations de type contour : ............... 35
III.5.1.3 Coopération des deux détecteurs de même type (fusion des primitives):... 36
III.6 Conclusion ................................................................................................................... 37
Chapitre IV : applications et résultat expérimentaux
IV.1 Introduction ................................................................................................................. 39
IV.2 Matériel Utilisé ............................................................................................................ 39
IV.3 Evaluation visuelle : .................................................................................................... 39
IV.4 Organigramme de la segmentation par coopération régions-contour .......................... 39
IV.5 Base de donnee ............................................................................................................ 41
IV.6 Méthodologie de tests et résultat expérimentaux: ....................................................... 41
IV.6.1 Approche de coopération séquentielle .............................................................. 41
IV.6.2 Approche de coopération mutuelle .................................................................. 45
IV.7 Discussion .................................................................................................................... 46
IV.8 Conclusion ................................................................................................................... 47
LA LISTE DES FIGURES
figure i-1:représentation d’image numérique. ............................................................................4

figure i-2:groupe de pixel formant la lettre a. .............................................................................4
figure i-3: image sans bruit . . .....................................................................................................5
figure i-4: image avec bruit…………………………………………………………… ………….…5
figure i-5: contour d’une image. .................................................................................................6

figure i-6: image avec histogramme. ..........................................................................................7
figure i-7: image binaire. ............................................................................................................8
figure i-8: image monochrome (256 couleurs). ..........................................................................8
figure i-9: image polychrome (65536 couleurs). ........................................................................9
figure i-10: composition d’un système de traitement numérique. ...........................................10
figure i-11: principe du filtre médian. .......................................................................................13
figure i-12: principe du filtre maximum. ..................................................................................13
figure i-13: principe du filtre minimum. ...................................................................................13
figure ii-1: exemple de segmentation d’image. ........................................................................15
figure ii-2: quelques modèles de contours. ...............................................................................17
figure ii-3: contour et ses dérivées. ...........................................................................................17
figure ii-4: détection de contour par les différents filtres. ........................................................19
figure ii-5: image originale (à gauche), contour détecté par le laplacien. ................................20
figure ii-6: croissance progressive des régions. ........................................................................23
figure ii-7: décompositions successives des blocs. ...................................................................24
figure ii-8: agrégation itérative des blocs similaires au bloc 1. ................................................24
figure ii-9: seuillage simple d’un histogramme. .......................................................................25
figure ii-10: seuillage multiple d’un histogramme. ..................................................................26
figure iii-1: principe de la coopération séquentielle. ................................................................28
figure iii-2: l’information de contour guide la croissance de région. .......................................29
figure iii-3: un schéma pour éliminer des frontières fausses. ...................................................30
figure iii-4: placement du germe initial. ...................................................................................30
figure iii-5: principe de la coopération des résultats. ................................................................31
figure iii-6: principe de la coopération mutuelle. .....................................................................33
figure iii-7: focalisation du processus contour. .........................................................................35
figure iii-8: l’emplacement des processus fils contours............................................................36
figure iii-9: plusieurs détecteurs de régions lancés dans une même zone qui correspond à un objet ....37
figure iv-1:algorithme de segmentation par coopération séquentielle. .....................................40
figure iv-2: algorithme de segmentation par coopération mutuelle. .........................................40
figure iv-3:image originale : (a) avion,(b)argents,(c)cameraman,(d)image médicale. .............41
figure iv-4: image originale : (a) brain, (b) 4 colors, (c) flowers. .............................................41
figure iv-5: (a) avion un seul objet............................................................................................42
figure iv-6: résultat de la segmentation par croissance de région. ............................................42
figure iv-7: segmentation par coopération séquentielle. «avion ». ...........................................43
figure iv-8: segmentation par coopération séquentielle.«argents » ..........................................43
figure iv-9: segmentation par coopération séquentielle. « cameraman ». ................................44
figure iv-10: segmentation par coopération séquentielle.«image medicale » ...........................44
figure iv-11: segmentation par coopération mutuelle.«brain » .................................................45
figure iv-12: segmentation par coopération mutuelle.«4 colors » ............................................46
figure iv-13: segmentation par coopération mutuelle.«flowers » .............................................46
Introduction générale
La segmentation d'image est un problème important dans le domaine de l'analyse

d'image. Elle est, par exemple, utilisée en imagerie médicale afin d'analyser et de quantifier
les différentes structures anatomiques présentes dans les images. Les méthodes de
segmentation peuvent être classées selon le but à atteindre. il existe des méthodes qui
déterminent des régions dans l'image et d’autres qui cherchent à déterminer les frontières des
ces derniers.
La segmentation d’image est l’opération la plus importante dans un système de traitement

d’images, car elle est située à l’articulation entre le traitement et l’analyse des images.
L’intérêt de la segmentation est de partitionner une image en plusieurs régions homogènes, au
sens d’un critère fixé a priori. L’intérêt de disposer de régions homogènes est de fournir des
données simplifiées qui facilitent la tâche d’un système de reconnaissance de formes, ou autre
système d’extraction des objets contenus dans l’image.
Les techniques de segmentation d’image sont généralement fondées sur la recherche des
discontinuités locales (détection de contours) ou la détection de zones de l’image présentant
des caractéristiques d’homogénéité (extraction de régions).Les approches de segmentation par
région, quant à elles, agissent en partitionnant l’image en un ensemble de régions. Chaque région va
définir un ou plusieurs objets connexes. Cependant, ces approches ont tendance à déformer les
frontières naturelles des objets. Les meilleurs résultats de segmentation sont obtenus en faisant
coopérer des méthodes distinctes. Ce sont des approches plus efficaces, car les inconvénients d’une
méthode peuvent être surpassés par les avantages d’une autre méthode.
L’objectif de ce travail est de comparer des approches de coopération région-contour pour la

segmentation d’images. La première est une hybridation séquentielle d’une méthode de détection
de contour et d’une méthode de détection de région. La deuxième est une approche où les deux
méthodes (région, contour) s’exécutent indépendamment. Leurs résultats sont alors exploités afin
d’obtenir à une meilleure segmentation. Et finalement, la dernière approche est une coopération
mutuelle où une méthode contour et une méthode région s’exécutent en parallèle tout en
échangeant des informations qui peuvent leur être utile dans leur prise de décision.
Ce mémoire s’articule autour de quatre chapitres qui nous permettront de présenter les
différents aspects de notre travail. Le premier présente des généralités sur le traitement
d’image. Nous avons ensuite présentés dans le chapitre deux les méthodes de segmentation
d’images, où nous avons décrit un certain nombre de méthodes classiques de segmentation,
1
soit par approche contour ou par région. Le troisième chapitre présente les différentes
approches de la segmentation par coopération région et contour suivi d’une étude comparative.
Le quatrième chapitre est la partie expérimentations et résultats obtenus où nous montrons
l’apport de la coopération de la segmentation par région et contour. Nous terminons ce travail
par une conclusion générale et perspective.
2
Chapitre I
Généralité sur le
traitement d’image
Chapitre I généralité sur le traitement d’images
I. Chapitre I : généralité sur le traite ment d’ images
I.1 Introduction
Le traitement d’image peut être défini comme l’ensemble des méthodes et techniques
opérant sur l’image afin d’extraire les informations les plus pertinentes ou tout simplement
pour fournir une image plus perceptible à l’œil humain.
Dans ce chapitre nous présentons quelques notions de base du domaine de traitement d’image
numérique tels que : la définition d’mage, les types d’image, caractéristiques d’image,
système de traitement d’image, analyse élémentaire, filtrage, La convolution, segmentation et
en fin quelques exemples concrets de traitement d’images.
I.2 Définition d’une image:

L’image est une représentation d’une personne ou d’un objet par la peinture, le dessin, la
photographie, le film, etc.…. C’est aussi un ensemble structuré d’informations qui, après
affichage sur l’écran, ont une signification pour l’œil humain.
Elle peut être décrite sous la forme d’une fonction I(x, y) analogique continue, définie dans
un domaine borné, tel que x et y sont les coordonnées spatiales d’un point de l’image et I est
une fonction d’intensité lumineuse et de couleur. Sous cet aspect, l’image est inexploitable
par la machine, ce qui nécessite sa numérisation. [5]
I.3 Image numérique :(numérisée) :

L'image numérique est l'image dont la surface est divisée en éléments de taille fixe
appelés cellules ou pixels, ayant chacun comme caractéristique un niveau de gris ou de
couleurs. [5]
La numérisation d'une image est la conversion de celle-ci de son état analogique en une image
numérique représentée par une matrice bidimensionnelle de valeurs numériques f(x,y),
comme la montre la figure où :
x,y: coordonnées cartésiennes d'un point de l'image.
f(x, y) : niveau d’intensité.
La valeur en chaque point exprime la mesure d'intensité lumineuse perçue par le capteur.
3
Figure ‎I-1:Représentation d’image numérique.
I.4 Caractéristiques d'une image numérique:

Comme nous l’avons vu, l’image est un ensemble structuré d’informations parmi ses
caractéristiques nous pouvons citer les paramètres suivants:
I.4.1 Pixel :
Contraction de l'expression anglaise " Picture Eléments ": éléments d'image, le pixel est
le plus petit point de l'image, c'est une valeur numérique représentative des intensités
lumineuses.
Si le bit est la plus petite unité d'information que peut traiter un ordinateur, le pixel est le plus
petit élément que peuvent manipuler les matériels et logiciels sur l’image. La lettre A, par
exemple, peut être affichée comme un groupe de pixels dans la figure ci-dessous. [3]
Figure I-2:groupe de pixel formant la lettre A.
I.4.2 La résolution
La résolution d'une image correspond au niveau de détail qui va être représenté sur cette
image. C’est le nombre de pixels par unité de longueur dans l'image à numériser. Elle est en
dpi (dots per inch) ou en ppp (points par pouce).
4
Plus le nombre de pixels est élevé par unité de longueur de l'image à numériser, plus la
quantité d'inflation qui décrit l'image est importante et plus la résolution est élevée. [4]
I.4.3 Dimension :
C’est la taille de l’image. Cette dernière se présente sous forme de matrice dont les
éléments sont des valeurs numériques représentatives des intensités lumineuses (pixels). Le
nombre de lignes de cette matrice multiplié par le nombre de colonnes nous donne le nombre
total de pixels dans une image.[4]
I.4.4 La texture
Une texture est une région dans une image numérique qui a des caractéristiques
homogènes. Ces caractéristiques sont par exemple un motif basique qui se répète .la texture
est composée de Texel, l'équivalent des pixels.[6]
I.4.5 Bruit
Un bruit (parasite) dans une image est considéré comme un phénomène de brusque
variation de l’intensité d’un pixel par rapport à ses voisins, il provient de l’éclairage des
dispositifs optiques et électroniques du capteur.[2]
Figure ‎I-3: Image sans bruit . Figure ‎I-4: Image avec bruit.
I.4.6 La luminance
C’est le degré de luminosité des points de l’image. Elle est définie aussi comme étant le
quotient de l’intensité lumineuse d’une surface par l’aire apparente de cette surface, le mot
luminance est substitué au mot brillance, qui correspond à l’éclat d’un objet.
Une bonne luminance se caractérise par :
5
 Des images lumineuses (brillantes);
 Un bon contraste : il faut éviter les images où la gamme de contraste tend vers le blanc
ou le noir; ces images entraînent des pertes de détails dans les zones sombres ou
lumineuses.
 L’absence de parasites. [1]
I.4.7 Contours et textures
Les contours représentent la frontière entre les objets de l’image, ou la limite entre deux
pixels dont les niveaux de gris représentent une différence significative. Les textures décrivent
la structure de ceux-ci. L’extraction de contour consiste à identifier dans l’image les points
qui séparent deux textures différentes.[6]
Figure ‎I-5: Contour d’une image.
I.4.8 Histogramme
L'histogramme des niveaux de gris ou des couleurs d'une image est une fonction qui
donne la fréquence d'apparition de chaque niveau de gris (couleur) dans l'image. Pour
diminuer l'erreur de quantification, pour comparer deux images obtenues sous des éclairages
différents, ou encore pour mesurer certaines propriétés sur une image.
Il permet de donner un grand nombre d'information sur la distribution des niveaux de gris
(couleur) et de voir entre quelles bornes est repartie la majorité des niveaux de gris (couleur)
dans les cas d'une image trop claire ou d'une image trop foncée.
La figure (1-6) montre une image avec son histogramme. [5]
6
Figure ‎I-6: Image avec histogramme.
I.4.9 Le contraste :
C’est l’opposition marquée entre deux régions d’une image, plus précisément entre les
régions sombres et les régions claires de cette image. Le contraste est défini en fonction des
luminances de deux zones d’images.
Si L1 et L2 sont les degrés de luminosité respectivement de deux zones voisines A1 et A2

d’une image, le contraste C est défini par le rapport : [2]
I.5 Types d’images

On distingue trois types d’images :
 Binaire : 2 couleurs (arrière-plan et avant-plan).
 Monochrome : variations d’une même teinte.
 Polychrome : ‘’ vraies‘’ couleurs. [5]
I.5.1 Images binaires (en noir et blanc)
Les images binaires sont les plus simples. Bichromes (dont les pixels ne peuvent avoir
que les valeurs 0 et 1) .Le 0 correspond à un pixel noir et 1 à un pixel blanc. Le niveau de gris
est donc codé sur un seul bit.
7
Figure ‎I-7: Image binaire.
I.5.2 Images à niveaux de gris (Monochromes)
Le niveau de gris est la valeur de l'intensité lumineuse en un point. La couleur du pixel

peut prendre des valeurs allant du noir au blanc en passant par un nombre fini de niveaux
intermédiaires. Donc pour représenter les images à niveaux de gris, on peut attribuer à chaque
pixel de l'image une valeur correspondant à la quantité de lumière renvoyée. Cette valeur peut
être comprise par exemple entre 0 et 255. Chaque pixel n'est donc plus représenté par 1 bit,
mais par 1 octet. Pour cela, il faut que le matériel utilisé pour afficher l'image, soit capable de
produire les différents niveaux de gris correspondant.
Le nombre de niveaux de gris dépend du nombre de bits utilisés pour décrire la " couleur " de
chaque pixel de l'image. Plus ce nombre est important, plus les niveaux possibles sont
nombreux.[5]
Figure ‎I-8: Image Monochrome (256 couleurs).
I.5.3 Images en couleurs (Polychromes)
Elle est obtenue par la combinaison de trois couleurs dites primaires : rouge, vert et
bleu(RVB) .chaque couleur est codée comme une image à niveaux de gris, avec des valeurs
8
allants de 0 à 255 .pour R=V=B=0 nous auront un noir pur, et pour R=V=B=255 nous auront
un blanc pur. La représentation des images couleurs se fait donc soit par une image dont la
valeur du pixel est une combinaison linéaire des valeurs des trois composantes couleurs, soit
par trois images distinctes représentant chacune une composante couleur, on distingue
généralement deux types d’images: [2]
 Images 24 bits ;
 Images à palettes ;
Figure ‎I-9: Image polychrome (65536 couleurs).
I.6 qualité de l’image numérique

Elle dépend, d’une part, de la qualité des images d’origine et, d’autre part, des moyens
mis en œuvre pour convertir un signal analogique en signal numérique. Elle dépend aussi de :
 La qualité des périphériques de numérisation de l'image, du nombre de niveaux de gris
ou de couleurs enregistrées, etc.
 La qualité de l’affichage à l’écran : définition de l'écran, nombre de teintes
disponibles. [9]
Les critères d'appréciation de la qualité d'une image, tels que cités succinctement ci-dessus,
dépendent largement de la structure même de l'image réaliste ou conceptuelle et de son mode
de représentation (bitmap ou vectorielle). [5]
I.7 Images bitmap et images vectorielles

Les images appartiennent à deux grandes familles : bitmap (image-bit) et vectorielle.
Alors qu’une image vectorielle est décrite à l’aide de courbes et d’équations mathématiques,
une image bitmap est constituée de pixels et se réduit donc à une matrice de points. Si les
9
images vectorielles peuvent être manipulées avec beaucoup de facilité, les modifications de
taille, par exemple, apportées à une image bitmap ne sont pas sans incidence.
I.8 Système de traitement d'image

Un système de traitement d’image est généralement composé des unités suivantes :
 Un système d’acquisition et de numérisation qui permet d’effectuer l’échantillonnage

et la quantification d’une image.
 Une mémoire de masse pour stocker les images numérisées.
 Un système de visualisation.
 Une unité centrale permettant d’effectuer les différentes opérations de traitement

d’images. [1]
Figure ‎I-10: Composition d’un système de traitement numérique.
 Acquisition et numérisation :
L’acquisition d’images constitue un des maillons essentiels de toute chaîne de conception

et de production d’images. Pour pouvoir manipuler une image sur un système informatique, il
est avant tout nécessaire de lui faire subir une transformation qui la rendra lisible et
manipulable par ce système. Le passage de cet objet externe (l’image d’origine) à sa
représentation interne (dans l’unité de traitement) se fait grâce à une procédure de
numérisation. Ces systèmes de saisie, dénommés optiques, peuvent être classés en deux
catégories principales : les caméras numériques et les scanners.
 Visualisation
Tout système de traitement d’image est doté d’un dispositif de visualisation qui permet
l’affichage des images.
L’utilisation de différents types de restituteurs permet de transformer le signal numérique

qu’est la matrice image en un signal analogique visible par l’œil de l’observateur. Pour cela,
10
différents types de supports peuvent être employés : moniteur vidéo, clichés photographiques,
impression sur papier. Dans tous les cas et pour chaque échantillon de l’image numérique, on
recrée un nouvel élément d’image ou un nouveau pixel dont on choisit la forme de façon à
reconstituer une image analogique qui soit la plus proche possible de l’image avant
numérisation compte tenu des erreurs introduites lors de l’acquisition, de la numérisation et de
la transmission .[9]
I.9 traitement numérique des images

Les techniques de traitement sont destinées à l’exploitation des informations contenues
dans les images, ceci dans le but d’améliorer la qualité des images et de les rendre plus
facilement interprétables, en d’autre termes elles permettent d’augmenter la qualité visuelle de
L’image
I.9.1 Filtrage Numérique
Les images numériques telles qu'elles sont acquises, sont très souvent inexploitables
pour le traitement d'images. Elles contiennent des signaux bruités. Pour remédier à cela,
différents prétraitements pour l'amélioration ou la correction sont effectués. [2]
On peut scinder les filtres en deux grandes catégories :
I.9.1.1 Filtres linéaires
Les filtres linéaires transforment un ensemble de données d'entrée en un ensemble de

données de sortie par une convolution bidimensionnelle qui est une opération mathématique.
Ils permettent de supprimer le bruit dans l’image. Chaque filtre a une taille N x N avec N
impair. [2]
Les filtres linéaires les plus connus sont les filtres passe-bas, passe-haut.
A. Filtre passe-bas (lissage) :

Ce filtre n’affecte pas les composantes de basse fréquence dans les données d’une image,
mais doit atténuer les composantes de haute fréquence L’opération de lissage est souvent
utilisée pour atténuer le bruit et les irrégularités de l’image. Elle peut être répétée plusieurs
fois, ce qui crée un effet de flou. En pratique, il faut choisir un compromis entre l’atténuation
du bruit et la conservation des détails et contours significatifs. [1]
11
1 1 1
1 1 1
1/9*
1 1 1
Masque du filtre
B. Filtre Passe-haut (Accentuation) :
Le renfoncement des contours et leur extraction s’obtiennent dans le domaine fréquentiel

par l’application d’un filtre passe-haut. Le filtre digital passe-haut a les caractéristiques
inverses du filtre passe-bas .Ce filtre n’affecte pas les composantes de haute fréquence d’un
signal, mais doit atténuer les composantes de basse fréquence.[1]
Masque de filtre
I.9.1.2 Filtres non linéaire
Ils sont conçus pour régler les problèmes des filtres linéaires, Leur principe est le même
que celui des filtres linéaires, il s’agit toujours de remplacer la valeur de chaque pixel par la
valeur d’une fonction calculée dans son voisinage. La différence majeure, est que cette
fonction n’est plus linéaire mais une fonction quelconque (elle peut inclure des opérateurs de
comparaisons ou de classification). Les filtres non linéaires les plus connu sont : [1]
A. Filtre médian
Ce filtre est très utilisé pour éliminer le bruit sur une image qui peut être de différentes
origines (poussières, petits nuages, baisse momentanée de l’intensité électrique sur les
capteurs, ...). L’avantage de ce filtre réside dans le fait qu’il conserve les contours alors que
les autres types de filtres ont tendance à les adoucir. [1]
L’algorithme de filtre médian est le suivant :

1. Trier les valeurs par ordre croissant.
2. Remplacer la valeur du pixel centrale par la valeur située au milieu de la triée.
3. Répéter cette opération pour tous les pixels de l’image.
12
Figure ‎I-11: Principe du filtre médian.
A. Filtre maximum
On applique le même traitement que celui du filtre médian mais la valeur du pixel du
centre comme la montre la figure I.14, va être changée par le maximum.
Figure ‎I-12: Principe du filtre maximum.
B. Filtre minimum
On applique le même traitement que celui du filtre maximum mais, cette fois, la valeur du
pixel du centre comme la montre la figure va être remplacée par le minimum. [1]
Figure ‎I-13: Principe du filtre minimum.
I.9.2 Domaines d’application
Le traitement d’images possède l’aspect multidisciplinaire. On trouve ses applications

dans des domaines très variés tels que les télécommunications (T.V., vidéo, publicité,...), la
médecine (radiographie, ultrasons,...), biologie, astronomie, géologie, l’industrie (robotique,
sécurité), la météorologie, l’architecture, l’imprimerie, l’armement (application militaire).
De nouvelle applications pratiques sont possibles aujourd’hui et touchent tous les domaines
d’activités, tels que : métiers du spectacle, de la radio, créations artistiques,... [9]
13
I.10 Conclusion
Ce chapitre, nous l'avons voulu à ce qu'il soit une brève introduction aux concepts liés au
domaine du traitement d'images. Les différentes définitions qui y sont développées sont celles
des connaissances élémentaires de cette discipline, mais combien même elles sont essentielles
pour L’initiation aux traitements approfondis des images.
Nous pouvons, à présent, aborder au prochain chapitre les techniques de la segmentation

d’image.
14
Chapitre II
Les approches de la
segmentation
d’images
Chapitre II les approches de la segmentation d’images
II. Chapitre II : Les a pproc hes de la seg mentatio n d’images
II.1 Introduction
L'homme sait naturellement séparer des objets dans une image. Pour séparer un objet d'un
fond, l'humain se base sur des connaissances de haut niveau qui lui permettent de détecter
dans l'image ce qui l'intéresse.
Fondamentalement, la segmentation est un processus qui consiste à découper une image en

régions connexes présentant une homogénéité selon un certain critère, comme par exemple la
couleur. L'union de ces régions doit redonner l'image initiale. La segmentation est une étape
importante pour l'extraction des informations qualitatives de l'image. Elle fournit une
description de haut niveau.
II.2 Definition de la segmentation

La segmentation est une des étapes critiques de l'analyse d'images qui conditionne la
qualité des mesures effectuées ultérieurement. C’est généralement une première étape d'un
traitement plus complexe comme la reconnaissance de formes. Elle permet de cerner les
formes des objets sur lesquels doit porter l'analyse.de délimiter des régions (l'intérêtet de les
extraire du fond. Une bonne méthode de segmentation sera celle qui permettra d'arriver à une
bonne interprétation. Elle devra donc avoir simplifié l'image sans pour autant en avoir trop
réduit le contenu.
Figure ‎II-1: Exemple de segmentation d’image.
À ce jour, il existe (les nombreuses méthodes de segmentation qui sont pratiquement toutes
sensibles au bruit. il est donc nécessaire (le commencer par nettoyer l'image en appliquant les
filtres usuels d'atténuation le bruit. Parmi les approches (le segmentation les plus connues), on
peut citer : la segmentation basée sur le seuillage. le segmentation basée sur les régions. et la
segmentation basée sur les contours. [9]
15
II.3 Definition formelle de la segmentation

Formellement, la segmentation d’une image A en régions Ri, i = 1..n, est définie par les
propriétés suivantes :[13]
1.
2.
3.
4.
5.
 P est un prédicat d’homogénéité.

 La première condition indique que l’union des régions nous ramène à l’image de
départ.
 La deuxième indique que deux régions différentes sont disjointes.
 La troisième exprime que les pixels appartenant à une région doivent satisfaire le
critère d’homogénéité.
 La quatrième exprime le critère d’homogénéité pour la segmentation en régions
disjointes.
II.4 Differentes approches de segmentation
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 :
1. Segmentation fondée sur les régions (en anglais : régions-based segmentation).
2. Segmentation fondée sur les contours (en anglais : edge-based segmentation)
3. Segmentation fondée sur le seuillage.[9]
II.5 Approches Contours

L’approche contour consiste à identifier les changements entre les régions. En général, un
élément de contours est un point de l'image appartenant à la frontière de deux ou plusieurs
objets ayant des niveaux de gris différents. Les variations d'intensité de lumière et de couleurs
sont très bien perçues par le système visuel humain.la figure suivant montre quelques modèles
de contours.[2]
16
Figure ‎II-2: quelques modèles de contours.
 Marche d’escalier : le contour est net (contour idéal).

 Rampe : le contour est plus flou.
 Toit : il s’agit d’une ligne sur un fond uniforme.
Nous présentons dans ce qui suit les différentes méthodes adaptées pour la détection des
contours dans des images en niveaux de gris. Pour ces dernières, deux familles de méthodes
sont distinguées :
II.5.1 Méthodes dérivatives
Les méthodes dérivatives sont les plus utilisées pour détecter des transitions d’intensité par
différenciation numérique (Première et deuxième dérivé). A chaque position, un opérateur est
appliqué afin de détecter les transitions significatives au niveau de l’attribut de discontinuité
choisi. Le résultat est une image binaire constituée de points de contours et de points non-
contours. [2]
Figure ‎II-3: Contour et ses dérivées.

De nombreuses techniques d’extraction de contours existent dans la littérature. Elles peuvent être
classées comme suit [13]:
17
 Les algorithmes basés sur le gradient (ou opérateurs du premier ordre).

 Les algorithmes basés sur le Laplacien (ou opérateurs du second ordre).
II.5.1.1 L’approche Gradient
On utilise la première dérivée pour calculer le gradient. Le gradient, en un pixel, est un

vecteur caractérisé par une amplitude et une direction.
L’approximation des deux dérivées est donnée par la relation suivante :
Le module :
La direction (argument)
Il existe plusieurs opérateurs de gradient Parmi ses operateurs, il y a les masques de

Roberts, de Prewitt et de Sobel …etc. [2]
a .Opérateurs de Sobel et Prewitt :
Les opérateurs de’’ Sobel’’ et de ‘’Prewitt’’ permettent d’estimer la norme du gradient

bidimensionnel d’une image en niveau de gris. Ces opérateurs consistent en une paire de
masques de convolution 3×3.
Pour ces opérateurs les dérivées directionnelles horizontale et verticale s’expriment sous la
forme :[15]
et
Avec:
et :
Les matrices et sont appelées masques, Les masques de Prewitt sont définis par c=1 et
les masques de Sobel par c=2.
18
b . Opérateur de Roberts (1965)
Le détecteur de Roberts permet de calculer le gradient bidimensionnel d’une image de

manière simple et rapide. Ce principe ne diffère pas beaucoup de celui des opérateurs de
‘’Prewitt ‘’et ’’Sobel’’.[2]
Les masques de convolution de Robert sont :
et
La figure suivante nous montre les contours détectés par ces filtres:
image originale Roberts PerwittSobel
Figure ‎II-4: Détection de contour par les différents filtres.
II.5.1.2 L’approche Laplacien
Dans cette approche, l’extraction des contours est basée sur le calcul des dérivées
secondes, cela signifié que le Laplacien[2]
L’approximation des deux dérivées est donnée par la relation suivante
Les plus simples opérateurs du Laplacien est donnée par l’application des masque suivant :
 Laplacien en connexité 4 :
 Laplacien en connexité 8:
19
La figure suivante représente la détection de contour en utilisant le Laplacien :
Figure ‎II-5: Image originale (à gauche), contour détecté par le Laplacien.
II.5.2 Méthodes analytiques
II.5.2.1 Approche de Canny et Deriche
Elle consiste à trouver un filtre optimal satisfaisant les 3 contraintes suivantes :
 Une bonne détection : faible probabilité d’oublier un vrai point de contour et une
faibleprobabilité de marquer un point image comme contour alors qu’il ne l’est pas.
 Une bonne localisation : les points contours doivent être le plus près possible de leur position
réelle dans l’image.
 Une réponse unique : à un contour unique : un point de contour ne doit être détecté qu’une
seule fois par le filtre mis en œuvre.
Le détecteur de contour de Canny est le plus utilisé. Il est basé sur trois critères : la
détection (robustesse au bruit), la localisation (précision de la localisation du point contour),
l’unicité (une seule réponse par contour) [14]
Au filtre de Canny, Deriche a proposé un autre filtre (condition initiale différente) qui permet
une simplification de son implémentation nous préférons souvent le détecteur de Deriche, qui
répond exactement aux mêmes critères de qualité que celui de Canny .[16]
20
II.5.3 Méthodes déformables
Les modèles déformables, introduits par Kasssont aussi connus sous les noms de « snakes
» ou « contours actifs ».
L’intérêt principal des contours actifs est de détecter des objets dans une image en utilisant les
techniques d’évolution de courbes. L’idée est de partir d’une courbe initiale, généralement un
carré ou un cercle, et de la déformer jusqu’à obtenir le contour de l’objet.
En effet, celui-ci présente quelques inconvénients tels que la sensibilité à l'initialisation, au
bruit, et le réglage difficile de ses différents paramètres. [12]
II.5.3.1 Contours actifs
Les contours actifs tirent leur origine des modèles élastiques, mais la communauté
s'accorde à les attribuer à l'équipe Kass, Witkin et Terzopoulos, qui introduisirent les Snakes
ou courbes minimisantes. Les snakes tiennent leur nom de leur aptitude à se déformer comme
des serpents. L’approche est variationelle, c’est à- dire que l’équation d’évolution du contour
actif se déduit de la minimisation d'une énergie modélisant l'objet d'intérêt . Depuis la
publication de cette équipe, les modèles déformables sont devenus un sujet très important
pour la communauté du traitement d'images. [5]
II.5.3.1.1 Principe de fonctionnement des contours actifs

Un contour actif est une courbe définie dans l’image et qui est capable de se mouvoir
sous l’influence de plusieurs forces qui vont la tirer ou la pousser vers la forme. Un snake
consiste à placer aux alentours de l’objet à détecter une ligne initiale de contour, l’évolution
se fait à travers un processus itératif qui déforme la courbe à chaque itération jusqu'à sa
position finale
II.5.4 Les limites de segmentation par contour
Les principales limites des méthodes de détection de contour sont les suivantes [13] :
 Les contours extraits selon les méthodes classiques souvent ne correspondent pas
nécessairement à la limite des objets. Dans de nombreuses images de basse qualité,
quelques-unes des méthodes produisent des faux contours.
21
 Les techniques de détection de contour dépendent de l'information contenue dans le

voisinage local de l'image. Il n’y a pas d’information globale.
 Après l’extraction des points de contours, ces derniers sont reliés afin de déterminer
les frontières. Le processus de fermeture des contours peut parfois conduire à des
discontinuités et des lacunes dans l'image.
 Il est souvent difficile d'identifier et de classer les contours parasites.
II.6 Approche région

La segmentation d’image par l’approche région consiste à découper l’image en régions.
Les pixels adjacents sont regroupés en régions distinctes selon un critère d’homogénéité ou de
similarité donnée. Ce critère peut être, par exemple, le niveau de gris, couleur, texture…etc.
Un processus de groupement est répété jusqu'à ce que tous les pixels dans l'image soient
inclus dans des régions. Cette approche vise, donc, à segmenter l’image en se basant sur des
propriétés intrinsèques des régions. [2]
Il existe plusieurs méthodes telles que la segmentation par croissance de région, par division
de région, et par fusion de région que nous présentons ci-dessous.
II.6.1 Croissance de région (région growing) :
Cette technique consiste à faire progressivement accroître les régions autour de leur point
de départ. L’initialisation de cette méthode consiste à considérer chaque pixel comme une
région. On va essayer de les regrouper entre elles avec un double critère de similarité des
niveaux de gris et d’adjacence. Le critère de similarité peut par exemple être : la variance des
niveaux de gris de la région R est inférieure à un seuil.
Le principe de l’agrégation de pixel est le suivant : on choisit un germe (Le point de départ est
le choix d'un ensemble de pixels appelés « germes ») et on fait croitre ce germe tant que des
pixels de son voisinage vérifient le test d’homogénéité. Lorsqu’il n’y a plus de pixels
candidats dans le voisinage, on choisit un nouveau germe et on itère le processus. [5]
22
Figure ‎II-6: Croissance progressive des régions.
Parmi les avantages de cette technique, nous pouvons citer :
 La simplicité et la rapidité de la méthode.

 La segmentation d’objet à topologie complexe.
 La préservation de la forme de chaque région de l’image.
Cependant, il existe plusieurs inconvénients comme :
 L'influence du choix des germes initiaux et du critère d'homogénéité sur le résultat de la

segmentation.
 Une mauvaise sélection des germes ou un choix du critère de similarité mal adapté peuvent
entraîner des phénomènes de sous-segmentation1ou de sur-segmentation.
 Il peut y avoir des pixels qui ne peuvent pas être classés.
II.6.2 Segmentation par fusion de régions (Merge)
Les techniques de réunion (region merging) sont des méthodes ascendantes où tous les
pixels sont visités. Pour chaque voisinage de pixel, un prédicat P est testé. S’il est vérifié les
pixels correspondants sont regroupés dans une région.
Les inconvénients de cette méthode se situent à deux niveaux :
 Cette méthode dépend du critère de fusion qui peut influer sur le résultat final de la
segmentation.
 Elle peut introduire l’effet de sous-segmentation.
II.6.3 Segmentation par division de régions (Split)
La division consiste à partitionner l’image en régions homogènes selon un critère donné.

Le principe de cette technique est de considérer l’image elle-même comme région initiale, qui
23
par la suite est divisée en régions. Le processus de division est réitéré sur chaque nouvelle
région (issue de la division) jusqu’à l’obtention de classes homogènes [13].
Figure ‎II-7: Décompositions successives des blocs.
Cette méthode présente un inconvénient majeur qui est la sur-segmentation. Toutefois, ce

problème peut être résolu en utilisant la méthode de division-fusion que nous présentons dans
ce qui suit.
II.6.4 Segmentation par division-fusion (Split and Merge)
Ces méthodes combinent les deux méthodes décrites précédemment, la division de

l’image en de petites régions homogènes, puis la fusion des régions connexes et similaires au
sens d’un prédicat de regroupement. On part du principe que chaque pixel représente à lui
seul une région. Deux régions seront fusionnées si elles répondent aux critères de similarité
des niveaux de gris et d’adjacence de régions .On s’arrête quand le critère de fusion n’est plus
vérifié.[2]
Figure ‎II-8: Agrégation itérative des blocs similaires au bloc 1.
Les inconvénients de cette méthode se situent à trois niveaux :
24
 Les régions obtenues ne correspondent pas, dans tous les cas, aux objets représentés
dans l’image.
 Les limites des régions obtenues sont habituellement imprécises et ne coïncident pas
exactement aux limites des objets de l’image.
 La difficulté d’identifier les critères pour agréger les pixels ou pour fusionner et diviser
les régions. [2]
II.7 Segmentation par seuillage
II.7.1 Définition du seuillage
Le seuillage (thresholding en Anglais) représente un outil largement utilisé dans la

segmentation d’image pour extraire des objets de leurs fonds en fonction d’un seuil. Tout
problème de seuillage consiste alors à rechercher la valeur du seuil. La plupart des méthodes
de seuillage déterminent le seuil en optimisant une fonction objective.
On distingue le Seuillage de base (simple) (2 classes) où le résultat du seuillage est une

image binaire (Figure 2.19), et le multi-seuillage (multi-level thresholding en Anglais) qui est
utile quand on a affaire à des images qui contiennent plusieurs objets ayant des luminances
différentes. Pour extraire ces objets, plusieurs seuils sont nécessaires. Le résultat du seuillage
est une image avec n+1 classes pour n seuils (Figure2.20).[5]
Figure ‎II-9: Seuillage simple d’un histogramme.
25
Figure ‎II-10: Seuillage multiple d’un histogramme.
La segmentation par seuillage d’histogramme constitue un cas particulier de la segmentation

par classification. Elle permet de répartir les pixels en classes en fonction de leurs niveaux de
gris. Les classes sont alors délimitées par des seuils.
Les méthodes de seuillage peut être: Seuillage globale et seuillage local, manuelle.
II.7.2 seuillage globale
Seuillage globale : un seuil pour toute l’image, elle consiste à comparer le niveau de gris
de chaque pixel xi de l’image avec un seuil global fixe T (par exemple 127). On note bi la
nouvelle valeur du pixel, le seuillage est donné par l’expression suivante :
bi= 255 si xi T et bi = 0 si xi <T
II.7.3 seuillage locale
Seuillage local ou adaptatif : un seuil pour une portion de l’image. Les méthodes de
seuillage locale prennent en considération la valeur des pixels voisins pour le calcul des
seuils.[5]
II.8 Conclusion
Nous avons tenté dans ce chapitre de regrouper les techniques de segmentation d’images
en trois approches: approche par extraction de régions, approche par détection de contours et
une approche par classification .Bien elles aient toutes des avantages, elles présentent
également plusieurs inconvénients. Et comme la segmentation d'une image peut être
considérée comme un problème d’optimisation, dans le chapitre qui suit, nous présenterons
différentes segmentation d’image par coopération région-contour.
26
Chapitre III
SEGMENTATION par
Coopération
région-contours
Chapitre III la coopération région-contours
III.Chapitre III : la coo pération région-conto urs
III.1 Introduction
Nous avons vu dans le chapitre précédent, qu’il existe deux grandes approches de
segmentation d’images. La première, par contour, consiste à localiser les frontières des régions.
La deuxième, par région, consiste à définir le contenu des régions . Bien que chaque approche ait
ses avantages, elle présente également des inconvénients. Cela a poussé les chercheurs à
s’intéresser aux approches coopératives. Dans ce type d’approche, la complémentarité des
deux types de segmentation (approche contour et approche région) est exploitée. Une des
approches coopératives les plus utilisées est la croissance de régions guidée par la détection
de contours. En premier lieu, les contours sont extraits, puis les régions vont croître à
l’intérieur de ces contours.
La coopération entre les méthodes de segmentation par régions et par contours donne une
meilleure segmentation car elles prennent en compte les caractéristiques des entités de
l’image. En effet, les méthodes coopératives prennent avantage de la nature complémentaire
de l’information sur la région et sur le contour. Elles combinent les techniques de
segmentation basées sur les régions et celles sur les contours. Ainsi, une segmentation par
coopération régions-contours peut être exprimée comme une coopération entre ces deux
concepts afin d’améliorer le résultat final de segmentation.
III.2 Segmentation coopératives :

La segmentation coopérative est une méthode permettant d’obtenir ces deux
segmentations compatibles dans laquelle on relie l’extraction de plusieurs types de primitives
ou d’informations (le gradient, écart type). Elle combine les avantages de chacune prise
séparément : la précision et la rapidité d'une segmentation en contours, et la fermeture des
frontières et la densité de l'information extraite, d'une segmentation en régions. [7]
La segmentation par coopération région contour peut être exprimé comme une entre-aide
entre ces deux concepts afin d’améliorer le résultat final. C’est une approche qui peut être une
solution pour pallier aux inconvénients des deux approches. Il existe trois formes de
coopération région-contour :[13]
III.3 Coopération Séquentielle

Le principe général de la coopération séquentielle est que l’une des techniques, par région ou
par contour, est exécute en premier lieu. Puis son résultat est exploité par la deuxième approche.
L’utilisation de l’information venant de la segmentation par contour dans une segmentation par
27
région est l’une des formes de coopération les plus courantes (Figure 3-1). Mais, l’information sur
les régions peut aussi être utilisée dans une segmentation par contour. Nous allons présenter
certaines formes de coopération séquentielle [17]. Nous allons présenter certaines formes de
coopération séquentielle.
Figure ‎III-1: Principe de la coopération séquentielle.
III.3.1 Formes de coopération séquentielle
La coopération séquentielle peut se manifester dans la définition ou l’ajustement des

Paramètres de segmentation. L’information fournie par cette forme de coopération permet
aussi d’éliminer les faux segments et de gagner du temps de traitement. [17]
Parmi les méthodes de coopération, il y a celles qui utilisent l’information pour le placement
de germe initial et celles qui l’utilisent pour mettre au point un critère de décision.
III.3.1.1 Contrôle de critère de décision
Les contours représentent une contrainte pour la croissance de régions. Par conséquent, la
méthode de croissance de régions va être guidée par des informations de type contours,
préalablement extraites.[13]
III.3.1.1.1 Méthodes basés sur la méthode de croissance de région

Les méthodes de croissance de régions sont basées sur le critère d’homogénéité du pixel
courant avec la région. Cependant, il n'est pas facile de décider quand la différence est assez petite
(ou grande) pour prendre une décision. Dans ce cas, la carte de contour fournit un critère
supplémentaire pour la prise de décision.
28
Un schéma de cette approche est montré dans la Figure 3-2. La technique détermine si le pixel
choisi est un pixel contour ou non. La présence d'un contour est un critère d’arrêt pour le
processus de croissance et le pixel ne doit donc pas être agrégé. Par conséquent, la croissance de
région s’arrête.[13]
Figure ‎III-2: l’information de contour guide la croissance de région.
III.3.1.2 Ajustement Des Paramètres De Segmentation
L’information sur les contours peut aussi servir à ajuster les paramètres de segmentation
par région. L’analyse d’échantillons de pixels (germes) de part et d’autre de chaque contour
permettra de rendre le critère d’homogénéité plus adéquat par rapport aux caractéristiques des
régions. Aussi, les résultats d’une segmentation par régions peuvent constituer les entrées
d’un détecteur de contours. Par exemple, les limites obtenues par une segmentation par
régions peuvent être considérées comme point de départ d’un détecteur de contours de type «
snakes ».[17].
III.3.1.3 Élimination Des Faux Segments
La coopération entre régions-contours peut palier le problème de fausses détections

obtenues par une technique de segmentation, et ce en éliminant les faux segments. Ce type de
coopération repose sur l’idée qu’un contour sépare deux régions de caractéristiques
différentes. Donc, l’analyse de l’information sur les régions de part et d’autre d’un contour.
Peut servir, avec d’autres informations, à détecter les faux contours.
De même, l’information sur le contour peut renseigner sur la possibilité d’une fusion entre
deux régions adjacentes similaires. L’exemple suivant illustre ce principe : les paramètres
d’une détection de contours sont ajustés afin d’obtenir une image sur-segmentée. Cette
dernière constitue le point de départ pour un processus de fusion entre les régions adjacentes
29
selon leur degré d’homogénéité. Le résultat de cette fusion est utilisé pour éliminer les fausses
détections de la segmentation par contours.[17]
Figure ‎III-3: Un schéma pour éliminer des frontières fausses.
III.3.1.4 Placement Des Germes
L'information de contour est employée comme un guide pour déterminer l’emplacement

du germe initial du processus de croissance de région Le placement des points initiaux de
germe influe sur le résultat de croissance de régions. En général, ce choix est fait de manière
aléatoire. Afin d’améliorer la segmentation, l'information de contour peut être utilisée pour
décider la position du germe initial. Il faut éviter de positionner le germe sur les frontières
entre les régions parce que ce sont des zones instables. Les germes doivent être placés dans
des endroits éloignés des contours. De plus, les germes placés doivent être également éloignés
les un des autres (voir la figure 3-4). [19]
Figure ‎III-4: Placement du germe initial.
III.3.1.5 Accélérer Le Temps De Traitement
La segmentation par coopération séquentielle contribue aussi à gagner du temps de

traitement. Par exemple, dans une segmentation par la technique de quadripartition (quadtree),
30
lors du processus de division de l’image en quadrants homogènes, l’intégration de

l’information sur les contours permet d’accélérer le découpage.
En effet, la présence de contours est une information sur la non homogénéité du quadrant. Par
conséquent, l’intégration de l’information sur les contours permet d’accélérer le temps de
traitement.[17]
III.4 Coopération des Résultats
Dans la coopération des résultats, les deux types de segmentations sont réalisés d’une
façon parallèle et indépendante, et la coopération sera faite au niveau de leurs résultats
respectifs (figure 3-5). Ils seront intégrés dans le but d’atteindre une meilleure segmentation
que celle obtenue par une seule des techniques. Cette intégration peut être faite sous forme de
complémentarité ou de recherche de consensus.[17]
Figure ‎III-5: Principe de la coopération des résultats.
III.4.1 Formes de coopération des résultats
Cette catégorie de coopération exploite les résultats de plusieurs segmentations afin

d’aboutir à un meilleur résultat. Diverses formes de coopération se présentent :
Complémentarité ou consensus entre les segmentations, définition ou ajustement des

paramètres de segmentation et évaluation des résultats de segmentation. [17]
III.4.1.1 Complémentarité entre les segmentations
Les résultats des deux types de segmentation sont combinés pour obtenir une
segmentation plus complète. Un exemple de ce type de coopération est la combinaison entre
31
les pixels-contours provenant d’une segmentation à l’aide d’un opérateur de gradient et les
pixels des limites de régions obtenus à l’aide d’une croissance de région.
Ces deux informations se complètent afin d’obtenir plus de contours détectés et d’assurer le
raccordement entre les contours.
III.4.1.2 Consensus entre plusieurs segmentations
Le but de cette forme de coopération est d’établir un consensus entre les résultats de
diverses segmentations. Un exemple de cette approche est proposé par Cho et Meer (1997).
Les résultats de ces diverses segmentations permettent la construction d’un graphe
d’adjacence entre les régions indiquant, pour chaque paire de pixels, la probabilité
d’appartenance à la même région (probabilité de cooccurrence).
Les couples de pixels ayant une grande probabilité de cooccurrence sont ensuite groupés
ensemble. Le résultat est un ensemble de régions contiguës. Ce consensus peut être utilisé entre
les résultats de la segmentation par régions et par contours. Chu et Aggarwal proposent un
algorithme dans ce sens. Des pondérations sont attribuées à chaque segmentation en fonction de
leur degré de fiabilité. Toutes les segmentations sont transformées en cartes contours. Une
procédure itérative, utilisant un estimateur de maximum de vraisemblance, est appliquée afin de
converger vers un consensus. [18]
III.4.1.3 Ajout d’un critère additionnel aux résultats de segmentation
Les deux types de segmentation peuvent coopérer en ajoutant un critère additionnel aux
résultats de segmentation obtenus. Le résultat de la segmentation par régions peut être
amélioré, par exemple, en intégrant le résultat de la segmentation par contours. Les régions
sont subdivisées suivant la carte de contours de sorte qu’aucune région ne contient de
contours. Les régions subdivisées de mêmes caractéristiques sont par la suite fusionnées en
exploitant les informations sur les régions et sur les contours.[13]
III.4.1.4 Ajustement Des Paramètres De Segmentation
La coopération peut contribuer à l’ajustement des paramètres de segmentation par

comparaison des résultats de différentes techniques de segmentation. Cet ajustement peut être
intégré dans un processus itératif. Les itérations sont faites avec des critères de plus en plus
tolérants jusqu’à la convergence vers des résultats cohérents et stables.
32
La vérification de la cohérence est basée sur la minimisation de la dissimilarité entre les

contours et les régions, jusqu’à la compatibilité entre les résultats contours et régions. [17]
III.4.1.5 Évaluation Des Résultats De Segmentation
La coopération peut contribuer aussi au problème de paramétrage des segmentations et

d’absence ou de manque d’informations de réalité de terrain. Par exemple, plusieurs
segmentations par régions avec différents paramètres et seuils sont réalisées. Pour juger de la
meilleure segmentation, les résultats sont comparés à une Segmentation par contours. La
segmentation dont les limites de régions sont les plus proches des contours sera retenue. [17]
III.5 Coopération mutuelle
Dans l’approche de coopération mutuelle, les différentes techniques de segmentation sont
exécutées en parallèle, tout en échangeant mutuellement des informations. L’information
échangée va aider la technique de segmentation dans sa prise de décision. Dans le cas de
lacunes ou d’informations insuffisantes. La coopération permet de prendre des décisions plus
sures et plus fiables. [17]
Figure III-6: Principe de la coopération mutuelle.
III.5.1 Formes de coopération mutuelle
L’exemple suivant illustre bien la coopération mutuelle. C’est une coopération entre un
détecteur de contours et un processus de croissance de régions. Les contours sont détectés par
un détecteur de contours basé sur les grandes valeurs de gradients. Dans les cas où il est
difficile de trouver le fort gradient, l’analyse des régions de part et d’autre du contour donne
33
une information additionnelle : un nouveau seuil adapté à cette partie de l’image à faibles
valeurs du gradient est calculé.
De même, dans la segmentation par croissance de régions, les pixels pour lesquels la décision
d’agrégation est difficile à prendre sont étudiés par un détecteur de contours pour savoir si ce
sont des contours ou non. Dans une approche plus globale et qui fait appel à l’intelligence
artificielle, la coopération peut se faire entre plusieurs techniques de segmentation. Elle est
intégrée dans un processus de décision dans lequel les décisions difficiles sont mises en
instance en attendant plus d’information. Ainsi, dans le cas où une technique de segmentation
n’aboutit pas localement à une décision, le processus va recourir à une autre technique. Une
fois la nouvelle information obtenue, elle est prise en compte par le processus pour prendre
une décision et poursuivre la segmentation. La segmentation par coopération mutuelle entre
les régions et les contours peut être appliquée afin d’améliorer les résultats obtenus par des
segmentations par régions et par contours. Un ensemble de règles est appliqué d’abord sur les
régions et les contours détectés afin de les analyser et de définir des règles pour obtenir une
segmentation plus fidèle. Ainsi, des règles liées au raccordement, à la suppression et à la
prolongation des contours détectés sont définies en prenant en compte, entre autres,
l’information sur les régions adjacentes. Aussi, les règles liées à la fusion ou à la division des
régions détectées prennent en considération aussi la présence des contours.[17]
III.5.1.1 Détecteur de contours utilisant les informations de type région :
Lorsqu’aucune décision n’a pu être prise concernant le pixel candidat au cours de la phase de
croissance, le processus a besoin d'informations supplémentaires. Par exemple, un contour ne
trouvant plus de pixels avec un gradient suffisant pour poursuivre la croissance. Dans ce cas, le
détecteur de contour doit adapter le seuillage appliqué sur la norme du gradient si des régions
existent dans la périphérie de ce contour, ou suspendre son activité et solliciter le système pour la
création de trois processus fils : deux pour chaque région de part et d’autre du contour, un pour le
contour qui lui renvoient de l’information [20].
34
Figure ‎III-7: Focalisation du processus contour.
III.5.1.2 Détecteur de régions utilisant les informations de type contour :
Le fonctionnement de ce détecteur repose sur l’hypothèse de l’existence d’un réseau de

contours entourant une région. Son principe est d’anticiper la création de contours qui ont
pour but de bloquer son avancé (construction de la région). Ce détecteur s’exécute sous forme
d’un cycle de 3 étapes successives [13]:
1. Croissance de la région tant que les pixels candidats ont une bonne évaluation.
2. Lancement de processus de type contour dans le voisinage de la région, et mise en

attente jusqu'à la terminaison de ces processus.
3. Ajustement des seuils utilisés par le processus de type région, pour permettre
d’incorporer de nouveaux pixels.
Pour la deuxième étape, l’initialisation des processus fils contour dans les fenêtres de
focalisations se fait comme indiqué dans la Figure 3-9 (les fenêtres de focalisation sont
placées à une distance D des pixels dans une direction déterminée par la courbure de la
frontière de la région).
A la troisième étape une opération de chaînage de contours engendrés par la deuxième étape
peut être nécessaire.
35
Figure ‎III-8: L’emplacement des processus fils contours.
III.5.1.3 Coopération des deux détecteurs de même type (fusion des primitives):
La méthode présentée engendre souvent une sur-segmentation et des contours non

fermés, et cela est dû à sa nature : Les détecteurs de contours créent conjointement des germes
de détection de régions au sein d’un même objet de l’image (Figure 3-12). Les détecteurs de
régions lancent plusieurs germes contours, qui sont supposés détecter un seul contour. Pour
résoudre ce problème, une étape de fusion des régions et chainage de contours est nécessaire.
La coopération se manifeste ici dans le fait que deux régions homogènes sont fusionnées si
elles ne sont pas séparées par un contour. Deux contours suffisamment proches et similaires
sont chaînés s’ils ne coupent pas une région.[20]
36
Figure ‎III-9: Plusieurs détecteurs de régions lancés dans une même zone qui correspond à un
objet
III.6 Conclusion
Un des objectifs de ce mémoire est la compréhension de la coopération des méthodes
contour et région et leur apport à la segmentation d’image. A cet effet, nous avons présenté
différents schémas de coopération : séquentielle, par fusion des résultats et mutuelle. Ces trois
approches utilisent les mêmes détecteurs de région et de contour. Nous avons choisi d’utiliser
la croissance de région pour le premier détecteur et le suivi de contour pour le deuxième.
Nous avons explicité les différentes stratégies utilisées dans les trois types de coopération. Le
prochain chapitre est dédié à l’évaluation des schémas de coopération et à leur comparaison.
37
Chapitre IV
Applications et
résultat
expérimentaux
Chapitre IV applications et résultat expérimentaux
IV. Chapitre IV : applicatio ns et résultat expérime ntaux
IV.1 Introduction
Dans ce travail, nous sommes intéressés à la collaboration de la détection de région et
contour afin de segmenter une image. Pour cela, nous avons implémenté deux schémas de
segmentation : segmentation par coopération région-contour type séquentiel suivi d’une
comparaison avec la segmentation par croissance de régions, et une segmentation par
coopération région-contour type mutuelle. Ces approches se basent sur les mêmes détecteurs
de contour et de région. L’objectif de cette partie est comparer ces types de segmentation.
IV.2 Matériel Utilisé

Un micro-ordinateur « acer » avec les caractéristiques suivantes :
• Microprocesseur 2.3 GHz ,3MB3 L3 cache
• RAM 4 GB
• Carte Graphique 3000 Mo
• Disque Dur 500 GB
IV.3 Evaluation visuelle :

L’évaluation visuelle est effectuée par un expert humain. Il compare les deux images ( initial
et segmentée) en les regardant. Cette évaluation est très subjective, car elle dépend des critères
utilisés par l’expert humain. Ces critères vont dépendre du domaine d’intérêt de l’expert et du but
précis qu’il cherche à atteindre. Cette évaluation va de l’intérêt porté par l’expert: objets, zones
homogènes ou texturées, discontinuités, etc. L’évaluation visuelle est qualitative, elle permet de
dire si un algorithme fonctionne, mais ne permet pas de comparer plusieurs algorithmes. Pour
améliorer la qualité de cette évaluation, on peut faire appel à plusieurs experts, et ne considérer
que les résultats cohérents. [21]
IV.4 Organigramme de la segmentation par coopération régions-contour

Nous avons choisi deux type de coopération : dans un premier temps une approche
séquentielle parmi les différentes approches qui existent dans la segmentation coopérative,
cette méthode consiste à combiner les techniques de segmentation par région et celles basées
sur les contours, en utilisant un algorithme basé sur les contours actif.
39
Figure ‎IV-1:Algorithme de segmentation par coopération séquentielle.
Le deuxième type de segmentation utilisé est basé sur la coopération mutuelle, dont les
différentes techniques de segmentation sont exécutées en parallèle, tout en échangeant
mutuellement des informations ( Figure IV.2). L’information échangée sert à aider la technique
de segmentation dans la prise de décision dans le cas de lacunes ou d’informations
insuffisantes. La coopération permet de prendre des décisions plus sures et plus fiables.
Figure ‎IV-2: Algorithme de segmentation par coopération mutuelle.
40
IV.5 Base de donnee

Dans cette partie on va testé les différentes modèles de coopération pour la segmentation
d’image, on a pris Plusieurs images de travail (Figure IV. 3 : Image originale :(a) avion, (b)
argents, (c) cameraman, (d) image médicale). Comme Échantillons d’image pour l’évaluation
du modèle de coopération séquentiel et les images de la figure IV. 4 : Image originale : (a)
brain ,(b) color,(c) flower pour l’évaluation du modèle de coopération mutuelle.
Figure ‎IV-3:Image originale : (a) avion,(b)argents,(c)cameraman,(d)image médicale.
Figure ‎IV-4: Image originale : (a) Brain, (b) 4 colors, (c) flowers.
IV.6 Méthodologie de tests et résultat expérimentaux:
IV.6.1 Approche de coopération séquentielle
Nous allons commencer par donner les résultats obtenus par la segmentation par
approche croissance de régions, Cette approche par croissance de région doit choisir un
ensemble de pixels initiaux considérés comme des germes à partir desquels la croissance des
régions commencera.
41
Figure IV-5: (a) Avion un seul objet
Figure IV-6: Résultat de la Segmentation par croissance de région.
Dans cette partie de l’expérimentation on a adopté est la coopération séquentielle

appliqué sur plusieurs images. Elle est la forme de coopération la plus courante. D’abord, une
image des contours est obtenue à l’aide d’un détecteur de contours basé sur la différenciation
des valeurs de l’image.
L’information sur les contours est ensuite intégrée dans une segmentation par croissance de
régions, et ce à deux niveaux : dans la sélection des germes et dans la définition du critère de
segmentation. En effet, l’emplacement idéal d’un germe étant le centre d’une région,
l’information sur la présence des contours est prise en compte pour éviter de choisir les
germes aux bordures des régions. La coopération est aussi exploitée pour renforcer le critère
42
de segmentation en utilisant les contours comme information additionnelle pour arrêter le

processus de croissance de régions
A. Pour la première image « avion »
Figure IV-7: (a) Image originale ;(b) Segmentation par coopération séquentielle.
Histogramme de l’mage originale ; c) Résultat de la segmentation par Contours ; (d) Résultat
de la Segmentation par coopération séquentielle.
B. Pour la deuxième image « argent »
Figure IV-8: Segmentation par coopération séquentielle. (a) Image originale ;(b)
Histogramme de l’mage originale ; c) Résultat de la segmentation par contours ; (d) Résultat
de la Segmentation par coopération séquentielle
43
C. Pour la troisième image « cameraman »
Figure ‎IV-9: Segmentation par coopération séquentielle. (a) Image originale ;(b)
Histogramme de l’mage originale ; c) Résultat de la segmentation par contours ; (d) Résultat
de la Segmentation par coopération séquentielle entre la segmentation par contours et Celle
par croissance de région.
D. Pour la quatrième image « image médicale »
Figure IV-10: Segmentation par coopération séquentielle. (a) Image originale ;(b)
Histogramme de l’mage originale ; c) Résultat de la segmentation par contours ; (d)
Résultat de la Segmentation par coopération séquentielle entre la segmentation par contours
et par croissance de région.
44
IV.6.2 Approche de coopération mutuelle
Dans cette coopération (coopération mutuelle) on va utilisé pour le test d’autres types
d’image en plus de ceux sur lesquelles on a travailler avant (Figure IV. 3) : biphasé et
multiphase.
A. Cas biphase : la figure (IV.11 ) (a ; b) la montre l’image d’origine a laquelle on a

rajoute le cercle qui représente la courbe initiale ; dans la figure (c) la coopération
mutuelle commencer par segmenté l’image en régions homogènes et l’évolution de
courbe en cour traitement, la courbe finale obtenue représente le contour des objet
contenus dans l’mage ; la figure (d) Résultat montre de la Segmentation par
coopération mutuelle.
Figure IV-11: Segmentation par coopération mutuelle, (a) Image originale ;(b) initiale
contour ; (c) la segmentation par régions et contours ; (d) Résultat finale de la
Segmentation par coopération mutuelle
B. Cas multiphase : la figure (IV 12) ET (IV 13), les figure (c) montres le déroulement
de la coopération mutuelle qui commence par segmenté l’image en quartes régions
homogènes avec deux courbes initiale d’évolution qui partagent l’image; les figures
(d) présente le Résultat de la Segmentation par coopération mutuelle.
45
Figure ‎IV-12: Segmentation par coopération mutuelle, (a) Image originale ;(b) initiale contour
; (c) la segmentation par régions et contours ; (d) Résultat finale de la
Figure IV-13: Segmentation par coopération mutuelle, (a) Image originale ;(b) initiale
contour ; (c) la segmentation par régions et contours ; (d) Résultat finale de la
IV.7 Discussion
Sur l’image (Figure IV. (7-8-9-10), on a présenté le résultat de segmentation par une
coopération régions-contours utilisant l’image de contours Visuellement, la segmentation
finale paraît respecter les objets de l’image. Afin de mieux juger de la qualité de ce résultat,
46
une segmentation de la même image à l’aide de l’algorithme de croissance de régions a été

réalisée (Figure IV.4), sans tenir en compte de l’information sur les contours. La comparaison
des deux résultats montre bien que les objets sont mieux détectés.
Les limites des régions sont plus précises et correspondent mieux aux contours réels des
objets. L’intégration de l’information sur les contours a permis de renforcer le critère de
définition des régions. Il faut signaler que la qualité de la segmentation par coopération
régions-contours dépend entre autres de la qualité de la détection des contours. Cette dernière
peut ne pas contenir tous les contours de l’image ou bien elle peut contenir tellement de
fausses limites que des contours qui peuvent ne pas être connexes. Étant donné que
l’information sur les contours est utilisée dans les critères de segmentation, elle influence
donc sur la segmentation finale.
Après l’analyse visuelle, Les différents résultats obtenus par la coopération mutuelle (Figure
IV. 11-12-13 ) et la coopération séquentielle (Figure IV.(7-8-9-10) sont visiblement très
satisfaisants, mais après la comparaison entre les deux coopératives nous pouvons remarquer
que la coopération mutuelle a donné un très bon résultat par rapport la coopération
séquentielle , car dans la coopération mutuelle les contours sont tous fermés et très proches
des limites des régions de l’image originale
Nous concluons par dire que l’hybridation améliore les résultats obtenus d’une manière
significative en donnant de meilleurs résultats par rapport aux Segmentation par croissance de
région.
IV.8 Conclusion
L’analyse visuelle nous laisse dire que : L’hybridation donne de meilleurs résultats par
rapport aux seul approche appliquées pour la détection des contours ou de régions des
images.
Les résultats des méthodes coopératives sont très intéressants sur les plans de la qualité et
nombre de contours détectés par rapport à la méthode base sur la croissance région utilisée.
Ainsi la coopération entre les régions et contours a joué un grand rôle dans l’amélioration de
résultat
47
Conclusion générale
La segmentation d’images est une étape cruciale dans tout processus d’analyse d’images.
Elle consiste à préparer l’image afin de la rendre plus exploitable par un processus
automatique telle que l’interprétation. Il existe deux grandes approches purement locales.
L’approche contour consiste à localiser les frontières des régions, elle est basée sur la notion
de dissimilarité. Parmi ces point fort : sa simplicité et sa rapidité mais elle donne parfois des
contours ouverts. L’approche région consiste à réunir les pixels connexes dans une région
homogène, elle est basée sur la notion de similarité. Elle est simple et rapide mais l’utilisation
uniquement des informations locales donne parfois de mauvais résultats (sous-segmentation,
sur-segmentation). La coopération de ces deux approches qui sont par nature dual améliore le
résultats de la segmentation.
Dans ce mémoire, on a présenté différentes approches de segmentation par coopération

régions-contours. Qu’elle soit séquentielle, ou bien mutuelle, la segmentation coopérative
intègre les deux types d’information (régions et contours) afin de permettre une meilleure
prise en compte des caractéristiques des objets de l’image. Les zones homogènes, ainsi que
les transitions entre elles, sont respectées simultanément. En comparaison avec une
segmentation par régions ou par contours, le résultat de la segmentation coopérative est plus
fidèle à la réalité de l’image.
A cet effet, les trois approches implémentées ont été testées plusieurs types d’images, et
comme il n’existe pas de méthodes d’évaluations dédiées à la coopération région-contour en
segmentation d’image, nous avons opté pour l’évaluation visuelles.
La segmentation coopérative est une voie de recherche prometteuse. La segmentation

d’image est considérée comme l’étape fondamentale de plusieurs processus d’analyse
d’image dédiés à la détection ou l’identification des objets. L’adoption de la coopération entre
les techniques de segmentation dans ces processus permettrait de renforcer la qualité et la
fiabilité des analyses et des décisions envisageables.
Plusieurs perspectives peuvent être dégagées de ce travail pour des travaux futurs par
l’introduction des informations globales de l’image dans le processus de segmentation.
48
une autre serait d’effectuer une étude approfondie pour le choix des évaluations, et essayer de
détecter et d’adapter les paramètres (seuils d’agrégation).
49
Bibliographie
Bibliographie
[1] M .T.Chikh , amélioration des images par un modèle de réseau de neurones

ccccc (comparaison avec les filtres de base), université abou-bakr belkaid tlemcen.2011
[2] C.Houassine, segmentation d’images par une approche biomimétique hybride.

ccccc université universite m’hamed bougara- boumerdes. 2012.
[3] A.Medjaoui , f.fares , segmentation des images par contours actifs : application sur
les Images Satellitaires à Haute Résolutions, Université Abou Bakr Belkaid–

ccccccftlemcen.2012
[4] T.Mohamed ,D.Djafar, la découverte des concepts sémantiques cachés avec plusieurs
c niveaux d’abstraction pour la recherche d’images,universite kasdi merbah ouargla.2013
[5] M Sandeli, traitement d'images par des approches bio-inspirées application à la d

dddddf segmentation d’images, université constantine 2. 2014.
[6] N MERABET,M MAHLIA, recherche d’images par le contenu, université abou
bakrbelkaid– tlemcen.2011 ddddd
[7] Bonnin, P. Zavidoqui, La segmentation coopérative : comment combiner détection

fffffff de contours et croissance de régions ? , universite paris 4. 1993.
[8] Buvry, M. Z. A rule-based system for region segmentation improvement

cccccccinstereovision.in society of photo-optical instrumentation engineers ,1994.
[9] K. Aounallah, les approches de segmentation d’image par coopération régions-

ffffffffcontours, 2010.
[10] A. B.goumeidane , Segmentation et évaluation des images segmentées, université

ccccccc mentouri-constantine. 2010
[11] P.Foliguet, L. Guigues, Evaluation de la segmentation : état de l’art, nouveaux

cccccccindices et comparaison. traitement du signal, Vol. 23, N°2, (pp. 109-125) 2006.
50
Bibliographie
[12] M. Kass, A. Witkin And D. Terzopoulos, snakes : active contour models,
cinternational journal of computer vision, 1(4): pp321–331, 1987. ccccccc
[13] M. Melliani, segmentation d’image par cooperation regions-contours, magistère

dddddd en informatique, ecole national supérieur d’informatique, 2012.
[14] J. Canny, A, computational approach to edge detection, IEEE trans. on pattern
Cccccccc analysis and machine intelligence, vol. 8, n°6, pp. 679-698, novembre 1986.
[15] S.Belarouci,S.Benmokhtar , méthode coopérative pour la segmentation d’images

dddddd IRM cérébrales basée sur les techniques FCM et level Set,. 2012
[16] R. Deriche, Using Canny's criteria to derive a recursively implemented optimal

ddddddvedge detector, international journal of computer vision, pp. 167-187, 1987.
[17] I. Sebari, D-C. He, les approches de segmentation d’image par coopération
régions-contours, Centre d’applications et de recherches en télédétection c

c (CARTEL), université de sherbrooke,canada .2007.
[18] C.C.Cho, K. Aggarwal image segmentation from consensus information. computer

cccccc vvision and image understanding, vol. 68 n° 1, (pp. 72-89) .1997
[19] X.Munoz, J.Freixenet, D.Raba, X.Cuf, J.Mart, region-boundary cooperative
image segmentation, university of girona. institute of informatics and applications.

ffffffffff
[20] F . Bellet, une approche incrémentale à base de processus coopératifs et adaptatifs

ccccccc pour la segmentation des images en niveaux de gris. (1998).
51
Résumé
La segmentation par coopération régions-contours suscite un grand intérêt ces dernières années. Elle
consiste en une coopération entre la segmentation par régions et la segmentation par contours. Elle
exploite les avantages de ces deux types de segmentation pour aboutir à un résultat de segmentation
plus précis et plus fidèle que celui obtenu à l’aide d’une seule technique. L’intégration de ces deux
types de segmentation peut être réalisée à différents niveaux. Ainsi, nous présentons ici les approches
de segmentation coopérative régions-contours en trois classes : coopération séquentielle, coopération
des résultats et coopération mutuelle. Chacune de ces approches est décrite, tout en présentant des
formes possibles de coopération. Un exemple de segmentation par coopération régions-contours est
donné en guise d’illustration. La comparaison avec le résultat de segmentation par croissance de
région montre l’avantage d’adopter une telle coopération
Mots clés : segmentation d’image, coopération régions-contours, coopération séquentielle,
coopération résultats, coopération mutuelle.
Abstract
Over recent years, there has been growing interest in the use of the cooperative approach in image
segmentation. The cooperative region-edge segmentation can be expressed as the integration of
region segmentation and edge segmentation. This integration aims to improve the results by taking
into account the complementary nature of both edge and region information. The cooperation between
these two types of segmentation can be achieved at different levels and according to different forms.
We present here cooperative region-edge segmentation approaches according to three classes :
sequential cooperation, results cooperation and mutual cooperation. For each of these approaches,
we present a description and possible forms of cooperation. An example of cooperative region-edge
segmentation is provided for illustration purposes. The comparison with the result of region growing
segmentation shows the advantage of adopting such a cooperation.
Keywords : image segmentation, region-edge cooperation, sequential cooperation, cooperation using
results, mutual cooperation.
‫ملخص‬
‫و يشمل هذا التعاون التجزئة بواسطة‬.‫خالل السنوات األخيرة هناك اهتمام متزايد فى استخدام النهج التعاونى فى تجزئة الصور‬
‫ و يهدف هذا االدماج الى تحسين النتائج التى تم التوصل اليها بشكل دقيق مع مراعاة الطابع‬، ‫المنطقة و التجزئة بواسطة الحافة‬
‫ التعاون بين هذين النوعين من التجزئة يمكن تحقيقه على مختلف المستويات وفقا ألشكال‬.‫التكميلى للقائمة كل من حافة المنطقة‬
‫ على‬.‫ تعاون النتائج و التعاون المتبادل‬،‫التعاون التسلسلي‬:‫ نقدم هنا األسلوب الهجين( الحافة و المنطقة) من ثالث فئات‬.‫مختلفة‬
.‫سبيل المثال أخذنا مقارنة نتائج التعاون التسلسلي مع نتائج التجزئة من النمو في المنطقة فتبين إيجابيات التعاون التسلسلي‬
‫ تعاون النتائج و التعاون المتبادل‬،‫ التعاون التسلسلي‬،)‫ الحافة‬،‫ التعاون الهجين ( منطقة‬،‫الكلمات األساسية تجزئة الصور‬

Benfriha Hamel

Transféré par

Droits d'auteur :

Formats disponibles

Benfriha Hamel

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Benfriha Hamel

Transféré par

Droits d'auteur :

Formats disponibles

Université KasdiMerbah-Ouargla

Faculté des Nouvelles Technologies de l’Information et de la Communication

Mémoire Master Professionnel

Domaine : Informatique et Technologie de l'Information

Spécialité : Réseaux convergence et sécurité

Présenté par : Sarra BENFRIHA et Asma HAMEL

Président Shahrazade TOUMI M me, UKM Ouargla

Examinateur Fouad BAKAARI Maître, UKM Ouargla

Rapporteur Mohamed Kamel BEN KADDOUR Maître, UKM Ouargla

Année Universitaire : 2015 /2016

Nous tenons tout d'abord à remercier Mr BEN KADDOUR

Nous tenons ensuite à remercier tous nos professeurs et

Nous souhaitons aussi remercier mesdames et messieurs les

Enfin nous remercions tous ceux qui ont contribué de près ou de

A mes très chers parents pour leur soutient et

encouragement durant toutes mes années d’études et sans

lesquels je n’aurais jamais réussi et a ma famille

A tous mes professeurs et enseignants que j’ai eu durant tout

mon cursus scolaire et qui m’ont permis de réussir dans mes

A tous mes amis de l'’Université et d'ailleurs

A toute personne ayant contribué à ce travail de près ou de

A mes très chers parents qui n’ont jamais cessé de m’encourager,

Chapitre I : généralité sur le traitement d’images

figure i-1:représentation d’image numérique. ............................................................................4

figure i-5: contour d’une image. .................................................................................................6

La segmentation d'image est un problème important dans le domaine de l'analyse

La segmentation d’image est l’opération la plus importante dans un système de traitement

L’objectif de ce travail est de comparer des approches de coopération région-contour pour la

I.2 Définition d’une image:

I.3 Image numérique :(numérisée) :

x,y: coordonnées cartésiennes d'un point de l'image.

f(x, y) : niveau d’intensité.

Figure ‎I-1:Représentation d’image numérique.

I.4 Caractéristiques d'une image numérique:

Figure I-2:groupe de pixel formant la lettre A.

Une bonne luminance se caractérise par :

 Des images lumineuses (brillantes);

 L’absence de parasites. [1]

I.4.7 Contours et textures

Figure ‎I-5: Contour d’une image.

La figure (1-6) montre une image avec son histogramme. [5]

Figure ‎I-6: Image avec histogramme.

Si L1 et L2 sont les degrés de luminosité respectivement de deux zones voisines A1 et A2

I.5 Types d’images

I.5.1 Images binaires (en noir et blanc)

Figure ‎I-7: Image binaire.

I.5.2 Images à niveaux de gris (Monochromes)

Le niveau de gris est la valeur de l'intensité lumineuse en un point. La couleur du pixel

Figure ‎I-8: Image Monochrome (256 couleurs).

I.5.3 Images en couleurs (Polychromes)

Figure ‎I-9: Image polychrome (65536 couleurs).

I.6 qualité de l’image numérique

I.7 Images bitmap et images vectorielles

I.8 Système de traitement d'image

 Un système d’acquisition et de numérisation qui permet d’effectuer l’échantillonnage

 Une mémoire de masse pour stocker les images numérisées.

 Une unité centrale permettant d’effectuer les différentes opérations de traitement

Figure ‎I-10: Composition d’un système de traitement numérique.

L’acquisition d’images constitue un des maillons essentiels de toute chaîne de conception

L’utilisation de différents types de restituteurs permet de transformer le signal numérique