Segmentation d'images : recherche d'une mise en oeuvre automatique par coopération de méthodes

Segmentation d'images : recherche d'une mise en oeuvre automatique par coopération de méthodes

Image Segmentation Toward an Automatic Framework Through Methods Cooperation

Chafik Djalal Kermad Kacem Chehdi 

LASTI-Groupe Image, ENSSAT . 6, rue de Kerampont, 22305 Lannion, France

Corresponding Author Email: 
kermad@enssat.fr
Page: 
321-336
|
Received: 
2 February 1998
|
Accepted: 
N/A
|
Published: 
31 August 1998
| Citation

OPEN ACCESS

Abstract: 

This paper focuses on the problem of image segmentation . It adresses the inherent deficiencies occurring when extracting low-level features (primitives) and when dealing with the complexity of real scenes . To solve such a problem we propose a framework which integrates several types of primitives formed progressively from complementary image transformations in an iterative and cooperative way. A particular interest has been given to the automatic and unsupervised aspect of the device.

The proposed system combines two concepts. The first one is based on the integration of the information resulting from different segmentation methods . This allows us to take into account the advantages from each of them . The second concept draws itself from active perception by the introduction of a feedback in the system in order to correct and adjust the control parameters of different segmentation methods . The principle of the proposed cooperation introduces a mechanism to check the coherence by making a comparison of the results obtained by the cooperative methods . This last aspect is lacking to most of cooperative approaches that can be found in the literature.

The developed system is composed of two modules . The first is dedicated to the extraction of uniform or weakly textured regions. Its principle is based on an iterative cooperation between two methods : edge detection and region growing . Both methods are iterated with more and more tolerance criteria until they converge towards coherent and stable results . The coherence is achieved by minimising a dissimilarity measure between the contours and the regions . The objective is therefore to provide an optimal solution in the sense of the compatibility between the results of the two segmentations . The second module localises textured regions in order to update and correct the contours extracted at each iteration by the first module . This localisation is based on an automatic classification through multi-thresholding exploiting some mechanisms of visual perception, and on a fusion of multi-thresholded regions minimising a similarity criterion.

Résumé

Dans cet article, nous proposons un système de segmentation adapté à l'analyse de plusieurs types d'images, riches en détails et dont les régions peuvent être de nature uniforme et/ou texturée . Un intérêt tout particulier a été accordé à l'aspect automatique et non-supervisé du dispositif.

Le système proposé combine deux concepts . Le premier, fondé sur un procédé d'intégration d'informations issues de différentes méthodes de segmentation, permet de tirer parti des avantages de chacune d'elles . Le second concept s'inspire de la perception active par l'introduction d'une boucle de retour dans le système afin de corriger et d'ajuster les paramètres de contrôle de l'ensemble des méthodes employées . Le principe de la coopération proposée introduit un mécanisme de vérification de la cohérence par comparaison des résultats des méthodes impliquées dans la coopération . Ce dernier aspect fait défaut à un bon nombre d'approches coopératives.

Le système développé est composé de deux modules . Le premier est dédié à l'extraction de régions uniformes ou faiblement texturées. Le principe est fondé sur une coopération itérative entre une méthode de détection de contours et une méthode d'agrégation de points . Ces deux méthodes sont itérées avec des critères de plus en plus tolérants jusqu'à la convergence vers des résultats cohérents et stables . La cohérence est réalisée en minimisant une mesure de dissimilarité entre les contours et les régions. Le but est ainsi de fournir une solution optimale au sens de la compatibilité entre les résultats des deux segmentations. Le second module localise les régions texturées et contribue à la réactualisation et à la correction des contours extraits à chaque itération du premier module . Cette localisation s'appuie sur une classification automatique par multi-seuillage exploitant certains mécanismes de la perception visuelle, et sur une fusion des régions multi-seuillées minimisant un critère de similarité.

Keywords: 

Image segmentation, cooperative methods, contrast perception, dissimilarity between edge maps, coherence measure

Mots clés

Segmentation d'images, coopération de méthodes, perception du contraste, dissimilarité entre images de contours, mesure de cohérence

1. Position Du Problème
2. État De L'art Et Motivations
3. Approche Développée
4. Conclusion
  References

[1] N . Ahuja, A transform for multiscale image segmentation by integrated edge and region detection, IEEE PAMI-18(12) pp . 1211-1235, 1996 .

[2] N. Ahuja et M . Tuceryan, Extractions of early perceptual structure in dot patterns : integrating region, boundary and component Gestalt . Pattern Recognition, vol . 48, pp . 304-356, 1989 .

[3] R . Bajcsy, Active Perception . Proceedings of The IEEE, 76(8) pp . 996-1005 , Aug. 1988 .

[4] O. Baujard et C . Garbay, KISS : un système de vision multi-agents . Actes du 8ième congrès de Reconnaissance des Formes et Intelligence Artificielle, pp . 89-98, Lyon-Villeurbanne, Nov. 1991 .

[5] F. Bellet, M . Salotti et C . Garbay, Une approche opportuniste et coopérative pour la vision bas niveau, Revue Traitement du Signal, Vol.12(5) pp . 479-493 , 1995.

[6] J. Benois et D . Barba, Image segmentation by region-contour cooperation as basis for efficient coding scheme, Proc . of ICPR,92, The Hague Nd. Sept. 1992 .

[7] P. Bonnin et B . Zavidovique, La segmentation coopérative : Comment combiner détection de contours et croissance de régions? 14ième colloque GRETSI, pp . 755-758, Juan-les-Pins, Sept . 1993 .

[8] P. Brodatz, Textures- A Photographic album for artists and designers, Dover NY 1966.

[9] J. Canny, A computational approach to edge detection, IEEE PAMI-8(6) pp . 679-698, Nov . 1986.

[10] J .M. Chassery et Y. Elomary, Coopération contours actifs et multi-résolution en segmentation d'images, 15ième colloque GRETSI, Juan-les-pins , Septembre 1995 .

[11] J.M. Chassery et A. Montanvert, Géométrie discrète en analyse d'images . Eds . Hermès, Paris 1991 .

[12] C .C . Chu et J .K . Aggarwal, The Integration of image segmentation maps using region and edge information, IEEE PAMI-15(12) :1241-1255, Dec. 1993 .

[13] M .G. Cox, J.M . Rehg et S . Hingorani, A Bayesian multiple-hypothesis approach to edge grouping and contour segmentation . International Journal of Computer Vision, vol . 11, no 1, pp . 5-24, 1993 .

[14] J .P. Cocquerez et S . Philipp, Analyse d'images : filtrage et segmentation . Collection Enseignement de la physique . Masson, Paris, 1995 .

[15] K . Chehdi, C . Cariou et C .D . Kermad, Image segmentation and texture classification using local thresholds and 2D AR modelling, in Proc . EUSIPCO'94, pp30-33, Sept . 1994 .

[16] K. Chehdi et D . Coquin, Binarisation de plusieurs classes d'images par seuillage local optimal maximisant un critère d'homogénéité, 13ième col - loque GRETSI, Juan-les-pins, Sept . 1991 .

[17] K. Chehdi et Q.M. Liao, Détection de contours basée sur la perception visuelle en vue de la segmentation d'images, 14ième colloque GRETSI, pp.739-742, Juan-les-Pins, Sept. 1993.

[18] R. Deriche, Fast algorithms for low-level vision, IEEE PAMI-18(1) :679-683 , 1990 .

[19] J .P. Gombotto, A new approach to combining region growing and edge detection, Pattern Recognition Letters, 14 pp . 869-875, 1993 .

[20] J.F. Haddon et J .F. Boyce, Image segmentation unifying region and boundary information, IEEE PAMI-12(10) pp . 929-948, 1990 .

[21] R .M . Haralick, Statistical and structural approaches to texture . Proceedings of the IEEE, 67(5) pp . 786-803, 1979.

[22] R .M. Haralick et L .G. Shapiro, Survey, image segmentation techniques , Computer Vision, Graphics and Image Processing, Vol 29, pp . 100-132, 1985 .

[23] R .M . Haralick et L .T. Watson, A facet model for image data, Computer Graphics and Image Processing, Vol 15 pp . 113-126, 1981 .

[24] D .P. Huttenloocher, G . Klanderman et J . Rucklidge, Comparating images using the Haussdorff distance, IEEE PAMI-15(9) :850-863, 1993 .

[25] R . Kara-Falah et P. Bolon, Une technique d'intégration des résultats en segmentation d'images, 15ième colloque GRETSI, pp . 573-576, Juan lespins, Sept. 1995 .

[26] R. Kara-Falah, P. Bolon, et J.P. Cocquerez, A region-region and region-edge cooperative approach of image segmentation, in Proc . of IEEE ICIP'94, Vol .3 pp . 470-474, 1994.

[27] C .D . Kermad, Segmentation d'Images : Recherche d'une Mise en oeuvre Automatique par Coopération de Méthodes . Thèse de doctorat de l'université de Rennes I, 1997 .

[28] C .D . Kermad, K. Chehdi et C . Cariou, Segmentation d'images par multiseuillage d'histogramme et fusion de régions minimisant un critère de similarité, 15ième colloque GRETSI, pp . 641-644, Juan-les-Pins, Sept . 1995 .

[29] C .D . Kermad, K. Chehdi et C. Cariou, Image segmentation by an iterative region-contour control minimizing a convergence criterion, in Proc . of IEEE ICSP'96, Pekin, Oct . 1996 .

[30] V. Koivunen et M . Pietikainen, Combined edge and region based method for range image segmentation, Proc . of SPIE Inl . robotics and computer vision conf. IX, pp . 501-512, Boston Nov. 1990 .

[31] Q.M. Liao, Detection de contours et segmentation d'images, application à la télédétection et à la biologie marine. Thèse de doctorat de l'université de Rennes I, 1995 .

[32] D .G . Lowe, Perceptual organization and visual recognition . Kluwer Academic Publishers, Hingham, 1985 .

[33] D . Marr et E. Hildreth, Theory of edge detection, Proc . of the Royal Society of London, Series B 207 pp. 187-217, 1980.

[34] I . Matalas, R . Benjamin, et R . Kitney, An edge detection technique using the facet model and parameterized relaxation labeling, IEEE PAMI-19(4) :328-341, 1997 .

[35] M . Melkemi et J .M . Chassery, Edge-region segmentation processing based on generalized voronoÊ diagram representation, Proc . of the ICPR, The Hague Nd. Sept . 1992 .

[36] O . Monga et B . Wrobel, Segmentation d'image : vers une méthodologie, Revue Traitement du Signal, Vol .4(3) pp . 169-193, 1987 .

[37] V.S . Nalwa et E . Pauchon, Edge aggregation and edge description . Computer Vision, Graphics and Image Processing, vol . 40, pp . 79-94, 1987 .

[38] A. Nazif et M .D. Levine, Low level segmentation : An expert system, IEEE PAMI-6(5), 1984.

[39] N .R . Pal et S .K. Pal, A review on image segmentation techniques, Pattern Recognition, 26 :1277-1294, 1993 .

[40] T. Pavlidis et Y.T. Liow, Integration region growing and edge detection, IEEE PAMI-12(3) pp . 225-233, 1990 .

[41] T.R. Reed et J.M.H. Du Buf, A review of recent texture segmentation and feature extraction techniques. Computer Vision, Graphics and Image Processing : Image Understanding, 57 :359-372, Mai 1993 .

[42] P.K . Sahoo, S . Soltani, A.K.C. Wong et Y.C. Chen, A survey of thresholding techniques, Computer Vision, Graphics and Image Processing, vol 41, pp. 233-260, 1988 .

[43] C . Spinu, C . Garbay et J .M . Chassery, Une approche coopérative et adaptative pour la segmentation d'images, 15ième colloque GRETSI, pp . 609-612, Juanles-Pins, Sept. 1995 .

[44] M . Tabb et N . Ahuja, Multiscale image segmentation by integrated edge and region detection, IEEE Transactions of Image Processing, vol . 6, no . 5, pp. 642-655, 1997 .

[45] A .N. Tikhonov et V.Y. Arsenin, Méthodes de résolution de problèmes mal posés, MIR Moscou 1974.

[46] L. Vinet et al . Cooperative segmentation and stereo matching, Image Topical Meeting on IU and Machine Vision, Massachusetts, June 1989 .

[47] B . Wrobel et O. Monga, Segmentation d'images naturelles : Coopération entre un détecteur de contour et un détecteur de région, Proc . of Cong. COGNITIVA MARI, pp . 181-188, Paris Mai 1987 .

[48] Y. Xiaohan et al . Image segmentation combining region growing and edge detection, Proc . of ICPR'92, The Hague Nd . Sept . 1992 .

[49] S .C . Zhu et A . Yuille, Region competition : unifying snakes, region growing and bayes /mrf for multiband image segmentation, IEEE PAMI-18(9), Sept . 1996.