Contraintes géométriques de formes pour les contours actifs orientés région: une approche basée sur les moments de Legendre

Contraintes géométriques de formes pour les contours actifs orientés région: une approche basée sur les moments de Legendre

Geometric shape constraints for region-based active contours using Legendre moments

Alban Foulonneau Pierre Charbonnier  Fabrice Heitz 

ERA 27 LCPC, Laboratoire des Ponts et Chaussées, 11 rue Jean Mentelin, B.P. 9, 67035 Strasbourg

LSIIT UMR CNRS 7005, Université Louis Pasteur – ENSPS –Pôle API, Bd Sébastien Brant, 67400 Illkirch

Corresponding Author Email: 
Alban.Foulonneau@equipement.gouv.fr
Page: 
109-128
|
Received: 
4 December 2003
|
Accepted: 
N/A
|
Published: 
30 April 2004
| Citation

OPEN ACCESS

Abstract: 

In this paper, we present a novel approach to incorporate geometric shape priors in region-based active contours, in order to provide more robustness to noise and occlusions. We define as shape descriptor a set of Legendre moments computed from the characteristic function of the shape. Such a representation is invariant with respect to some geometric transformations and can handle topologically complex objects. The shape prior is then defined as a function of the distance, in terms of descriptors, between the active contour and a reference shape. We derive the evolution equation that minimizes the prior energy, using a rigorous mathematical framework. Experimental results show the ability of the geometric shape prior to constrain an evolving curve to resemble a target shape. We finally introduce the new shape prior into a two-class segmentation functional and show its benefits on segmentation results, in presence of occlusions and clutter.

Résumé

Dans cet article, nous présentons une approche originale permettant d'incorporer une contrainte géométrique de forme dans les contours actifs orientés région, de façon à améliorer leur robustesse au bruit non gaussien, aux fonds d'images texturés et aux occultations. Pour cela, nous définissons un descripteur de forme à partir des moments de Legendre de la fonction caractéristique de la forme. Cette représentation est invariante à certaines transformations géométriques et permet de gérer des objets à topologie complexe. L' a priori de forme est alors défini à partir de la distance entre les descripteurs associés au contour actif et à une forme de référence. Nous utilisons un cadre théorique permettant une dérivation rigoureuse de l'équation d'évolution du contour actif pour minimiser l'énergie a priori. Nous illustrons expérimentalement les capacités de ce nouvel a priori géométrique à contraindre l'évolution d'une courbe vers une forme cible. Enfin, nous introduisons cette nouvelle contrainte dans une fonctionnelle de segmentation à deux classes, mettant en évidence son apport en présence d'occultations et de fonds d'images texturés.

Keywords: 

Segmentation, active contours, region-based approach, Legendre moments, shape constraint, shape derivative

Mots clés

Segmentation, contours actifs, approches région, moments de Legendre, contrainte de forme, dérivée de forme

1. Introduction
2. Les Moments De Legendre Comme Descripteur De Forme
3. Une Contrainte Géométrique Globale Pour Les Contours Actifs Orientés Région
4. Résultats Expérimentaux
5. Conclusion
Remerciements
Annexe
  References

[1] G. Aubert, M. Barlaud, O. Faugeras et S. Jehan-Besson, Image segmentation using active contours: calculus of variations or shape gradients? SIAM, Journal on Applied Mathematics, 63(6):2128–2154, septembre 2003.

[2] M. Bober. MPEG-7 visual shape descriptor, IEEE Transactions on Circuits ans Systems for Video Technology, 11(6):716–719, juin 2001.

[3] X. Bresson, P. Vandergheynst et J.P. Thiran, A priori information in image segmentation: energy functional based on shape statistical model and image information. Dans Proc. of IEEE Conference on Image Processing, volume 3, pp. 425–428, Barcelone, Espagne, 14-17 septembre, 2003.

[4] T. Chan et L. Vese, Active contours without edges. IEEE Transactions on Image processing, 10(2):266–277, février 2001.

[5] G. Charpiat, O. Faugeras et R. Keriven, Approximations of shape metrics and application to shape warping and empirical shape statistics. Rapport technique RR-4820, INRIA, Sophia Antipolis, mai 2003.

[6] Y. Chen, H.D. Tagare, S. Thiruvenkadam, F. Huang, D. Wilson, K.S. Gopinath, R.W. Briggs et E.A. Geiser, Using prior shapes in geometric active contours in a variational framework. International Journal of Computer Vision, 50(3):315–328, décembre 2002.

[7] C. Chesnaud, P. Réfrégier et V. Boulet, Statistical region snake-based segmentation adapted to different physical noise models. IEEE Transactions on Pattern Analysis and Machine Intelligence, 21(11):1145–1157, novembre 1999.

[8] L. Cohen, On active contour models and balloons. Computer Vision, Graphics, and Image Processing: Image Understanding, 53(2): 211–218, mars 1991.

[9] T.F. Cootes et J.C. Taylor, A mixture model for representing shape variation. Image and Vision Computing, 17(8):567–574, juin 1999.

[10] R. Courant et D. Hilbert, Methods of Mathematical Physics. Interscience Publishers, Inc., New York, 1953.

[11] D. Cremers, T. Kohlberger et C. Schnörr, Shape statistics in kernel space for variational image segmentation. Pattern Recognition : Special Issue on Kernel and Subspace Methods in Computer Vision, 36(9): 1929–1943, septembre 2003.

[12] D. Cremers et S. Soatto, A pseudo-distance for shape priors in level set segmentation. Dans O. Faugeras et N. Paragios, éditeurs, 2nd IEEE International Workshop on Variational, Geometric and Level Set Methods in Computer Vision, pp. 169–176, Nice, France, octobre 2003.

[13] D. Cremers, N. Sochen et C. Schnörr, Towards recognition-based variational segmentation using shape priors and dynamic labeling. Dans L. Griffin, éditeur, International Conference on Scale-Space Theories in Computer Vision, volume 2695, pp. 388–400. Springer LNCS, juin 2003.

[14] D. Cremers, F. Tischhäuser, J. Weickert et C. Schnörr, Diffusion snakes: Introducing statistical shape knowledge into the MumfordShah functional. International Journal of Computer Vision, 50(3):295–313, décembre 2002.

[15] M.C. Delfour et J.P. Zolesio, Shape and geometries: analysis, differential calculus and optimization. Advances in design and control. SIAM, 2001.

[16] H. Delingette et J. Montagnat, Topology and shape constraints on parametric active contours. Rapport technique RR-3880, INRIA, Sophia Antipolis, janvier 2000.

[17] A. Foulonneau, P. Charbonnier et F. Heitz, Contraintes de forme géométriques pour les contours actifs orientés région. Dans 19e Colloque GRETSI sur le Traitement du Signal et des Images, volume 2, pp. 64–67, Paris, France, 8-11 septembre 2003.

[18] A. Foulonneau, P. Charbonnier et F. Heitz, Geometric shape priors for region-based active contours. Dans Proc. of IEEE Conference on Image Processing, volume 3, pp. 413–416, Barcelone, Espagne, 14-17 septembre, 2003.

[19] M. Gastaud, G. Aubert et M. Barlaud, Tracking video objects using active contours and geometric priors. Rapport technique RR-2003-07-FR, I3S, Nice-Sophia Antipolis, France, avril 2003.

[20] M. Gastaud, G. Aubert et M. Barlaud, Combining shape prior and statistical features for active contour segmentation. IEEE Transactions on Circuits and Systems for Video Technology, 14(5): 726–734, mai 2004.

[21] M.K. Hu, Visual pattern recognition by moments invariants. IRE Transaction on Information Theory, 8(1):179–187, février 1962.

[22] S. Jehan-Besson, Modèles de contours actifs basés région pour la segmentation d’images et de vidéos. Thèse de doctorat, Université de Nice-Sophia Antipolis, France, janvier 2003.

[23] S. Jehan-Besson, M. Barlaud et G. Aubert, DREAM2S: Deformable Regions driven by an Eulerian Accurate Minimization Method for image and video Segmentation. International Journal of Computer Vision, 53(1): 45–70, juin 2003.

[24] S. Jehan-Besson, M. Gastaud, M. Barlaud et G. Aubert, Region-based active contours using geometrical and statistical features for image segmentation. Dans Proc. of IEEE Conference on Image Processing, volume 2, Barcelone, Espagne,14-17 septembre, 2003.

[25] M. Kass, A. Witkin et D. Terzopoulos. Snakes: active contours models. International Journal of Computer Vision, 1(4):321–331, janvier 1988.

[26] C. Kervrann et F. Heitz, A hierarchical Markov modeling approach for the segmentation and tracking of deformable shapes. Graphical Models and Image Processing, 60(3):173–195, mai 1998.

[27] C. Kervrann et F. Heitz, Statistical deformable model-based segmentation of image motion. IEEE Transactions on Image processing, 8(4): 583–588, avril 1999.

[28] J. Kim, J.W. Fisher III, M. Cetin, A. Yezzi Jr et A.S. Willsky, Incorporating complex statistical information in active contour-based image segmentation. Dans Proc. of IEEE Conference on Image Processing, volume 2, pp. 655–658, Barcelone, Espagne, 14-17 septembre, 2003.

[29] M.E. Leventon, W.E. Grimson et O. Faugeras, Statistical shape influence in geodesic active contours. Dans Proc. of IEEE Conference on Computer Vision and Pattern Recognition, pp. 1316–1323, Hilton Head Island, Caroline du Sud, USA, 13-15 juin, 2000.

[30] S.X. Liao et M. Pawlak, On image analysis by moments. IEEE Transactions on Pattern Analysis and Machine Intelligence, 18(3): 254–266, mars 1996.

[31] T. McInerney et D. Terzopoulos, Topologically adaptable snakes. Dans Proc. of International Conference on Computer Vision, pp. 840–845, Cambridge, Massachusetts, USA, 20-23 juin, 1995.

[32] S. Osher et J.A. Sethian, Fronts propagating with curvature-dependant speed : algorithms based on Hamilton-Jacobi formulations. Journal of Computational Physics, 79(1):12–49, novembre 1988.

[33] N. Paragios et M. Rousson, Shape priors for level set representations. Dans Proc. of European Conference on Computer Vision, volume 2, pp. 78–92, Copenhague, Danemark, 28-31, mai 2002.

[34] F. Precioso et M. Barlaud, B-spline active contours with handling of topology changes for fast video segmentation. Eurasip Special issue: Image analysis for multimedia interactive services – PART II, 2002(6): 555–560, juin 2002.

[35] C. Samson, L. Blanc-Féraud, G. Aubert et J. Zerubia, A level set model for image classification. International Journal of Computer Vision, 40(3):187–197, décembre 2000.

[36] C. Schnörr, Computation of discontinuous optical flow by domain decomposition and shape optimization. International Journal of Computer Vision, 8(2):153–165, août 1992.

[37] J.A. Sethian, Level set methods and fast marching methods : evolving interfaces in computational geometry, fluid mechanics, computer vision and material sciences. Cambridge Monograph on Applied and Computational Mathematics. Cambridge University Press, 1999.

[38] K. Siddiqi, Y.B. Lauzière, A. Tannenbaum et S.W. Zucker, Area and length minimizing flows for shape segmentation. IEEE Transactions on Image Processing, 7(3): 433–443, mars 1998.

[39] T. Sikora, The MPEG-7 visual standard for content description – an overview. IEEE Transactions on Circuits and Systems for Video Technology, 11(6):696–702, juin 2001.

[40] J. Sokolowski et J.P. Zolesio, Introduction to shape optimization: shape sensitivity analysis, volume 16 de Springer Series in Computational Mathematics. Springer Verlag, 1992.

[41] L.H. Staib et J.S. Duncan, Boundary finding with parametrically deformable models. IEEE Transactions on Pattern Analysis and Machine Intelligence, 14(11):1061–1075, novembre 1992.

[42] M. Sussman, P. Smereka et S. Osher, A level set approach for computing solutions to incompressible two-phase flow. Journal of Computational Physics, 114:146–159, 1994.

[43] G. Székely, A. Kelemen, C. Brechbüler et G. Gerig, Segmentation of 3D objects from MRI volume data using constrained elastic deformations of flexible Fourier surface models. Medical Image Analysis, 1(1): 19–34, mars 1996.

[44] M.R. Teague, Image analysis via the general theory of moments. Journal of the Optical Society of America, 70(8):920–930, août 1980.

[45] C.H. Teh et R.T. Chin, On image analysis by the method of moments. IEEE Transactions on Pattern Analysis and Machine Intelligence, 10(4):496–513, juillet 1988.

[46] A. Tsai, A. Yezzi, W. Wells, C. Tempany, D. Tucker, A. Fan, W.E. Grimson et A. Willsky, A shape-based approach to the segmentation of medical imagery using level sets. IEEE Transactions on Medical Imaging, 22(2):137–154, février 2003.

[47] L. Yang et F. Albregsten, Fast and exact computation of cartesian geometric moments using discrete Green’s theorem. Pattern Recognition, 29(7):1061–1073, 1996.

[48] T. Zhang et D. Freedman, Tracking objects using density matching and shape priors. Dans Proc. of IEEE International Conference on Computer Vision, pp. 1056–1062, Nice, France, octobre 2003.

[49] S. Zhu et A. Yuille, Region competition: unifying snakes, region growing, and Bayes/MDL for multiband image segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 18(9): 884–900, septembre 1996.