Apport de l'espace Teinte-Saturation-Luminance pour la segmentation spatiale et temporelle - Hue-Saturation-Luminance Colour Space for Spatial and Temporal Segmentation

Apport de l'espace Teinte-Saturation-Luminance pour la segmentation spatiale et temporelle

Hue-Saturation-Luminance Colour Space for Spatial and Temporal Segmentation

Sébastien Lefèvre Nicole Vincent 

LSIIT – Université Louis Pasteur (Strasbourg 1) Parc d'Innovation, bd Brant, BP 10413, 67412 Illkirch cedex

CRIP5 – Université René Descartes (Paris 5) 45, rue des Saints Pères, 75270 Paris cedex 06

Corresponding Author Email: 
lefevre@lsiit.u-strasbg.fr
Page: 
59-77
|
Received: 
11 July 2005
|
Accepted: 
N/A
|
Published: 
28 February 2006
| Citation

OPEN ACCESS

Abstract: 

In this article, we focus on the Hue Saturation Luminance colour space, known for its appropriate representation of the human vision, and we illustrate its interest in the segmentation of image data, both in the spatial and temporal dimensions. The HSL space, with its particular properties (one angular component, the hue, and two scalar components, the saturation and the luminance), requires some original computation models. So our contribution is triple: first we will deal with colour representation in the HSL space and with specific computation methods which have to be involved. Then we will show the relevance of this colour space for automatic segmentation of image data in the two domains which are space and time. Spatial segmentation is considered under the problem of background and foreground separation for which we propose a multiresolution approach which requires a single image. Temporal segmentation corresponds to shot change detection in an image sequence, and the method we are proposing is based on the use ofcontext-independent distance measures. Common properties of our both methods (spatial and temporal segmentations) are efficiency (processing time compatible with video framerate) and robustness (in particular against illumination changes). We illustrate these two approaches with results obtained in the domain of sport video sequences analysis and we compare in this context the use of HSL and RGB colour spaces.

Résumé

Dans cet article, nous nous focalisons sur l'espace Teinte Saturation Luminance, réputé pour sa meilleure représentation de la vision humaine, et illustrons son intérêt dans la segmentation de données image, que ce soit dans l'espace ou dans le temps. L'espace TSL, aux caractéristiques particulières (une composante angulaire, la teinte, et deux composantes scalaires, la saturation et la luminance) nécessite des modes de calcul originaux. Notre contribution est donc triple: tout d'abord nous nous attarderons sur la représentation des couleurs dans l'espace TSL et sur les méthodes de calcul spécifiques qui doivent être employées. Ensuite nous montrerons l'intérêt de cet espace dans la segmentation automatique de données image dans les deux domaines que sont l'espace et le temps. La segmentation spatiale est assimilée au problème de la séparation du fond et des objets pour cela nous proposons une approche multirésolution ne nécessitant qu'une seule image. La segmentation temporelle correspond à la détection des changements de plan dans une séquence d'images, et la méthode que nous proposons pour l'obtenir se base sur l'utilisation de mesures de distances indépendamment du contexte. Les caractéristiques communes de nos deux méthodes (segmentation spatiale et segmentation temporelle) sont l'efficacité (temps de traitement permettant de respecter la cadence vidéo) et la robustesse (notamment aux changements d'illumination). Nous illustrons ces deux approches par des résultats obtenus dans le domaine de l'analyse de séquences vidéo sportives et comparons dans ce contexte l'usage des espaces TSL et RVB.

Keywords: 

HSL, segmentation, multiresolution, illumination, background / foreground separation, shot change

Mots clés

TSL, segmentation, multirésolution, illumination, séparation objets/fond, changements de plan

1. Introduction
2. Représentation Et Calculs Dans L'espace TSL
3. Segmentation Spatiale
4. Segmentation Temporelle
5. Résultats
6. Conclusion
  References

[1] R. BEUN, Image based camera motion stabilization using static features in the distant scene. In International Workshop on Advanced Concepts for Intelligent Vision Systems, pages 276-283, Gand, Belgique, Septembre 2002.

[2] T. CARRON, Segmentations d'images couleur dans la base TeinteLuminance-Saturation : approche numérique et symbolique. Thèse de doctorat, Université de Savoie, Décembre 1995.

[3] H.D. CHANG, X.H. JIANG, Y. SUN et J. WANG, Color image segmentation: Advances and prospects. Pattern Recognition, 34(12):2259-2281, Décembre 2001.

[4] M. CIESIELSKA, Testing uniformity for circular data. Mémoire de maîtrise, West Virginia University, Mai 2001.

[5] B. ELLIGER, Analysis of motion compensated filters concerning motion correctness and accuracy. Signal Processing: Image Communication, 14(9):697-720, Juillet 1999.

[6] C. GARBAY, Modélisation de la couleur dans le cadre de l'analyse d'images et de son application à la cytologie automatique. Thèse de doctorat, Institut National Polytechnique de Grenoble, 1979.

[7] R.C. GONZALEZ et R.E. WOODS, Digital Image Processing. Addison-Wesley, 1992.

[8] P. GOUTON, P. BONTON et P. LAMBERT editors, Traitement du Signal, Numéro Spécial sur l'Imagerie Numérique Couleur, 21(5-6), 2004.

[9] B.G. HASKELL et al. Image and video coding – emerging standards and beyond. IEEE Transactions on Circuits and Systems for Video Technology, 8(7):814-837, Novembre 1998.

[10] J.M. JOLION et A. ROSENFELD, A Pyramid Framework for Early Vision. Kluwer Academic Publishers, Décembre 1993.

[11] S. LEFÈVRE, J. HOLLER et N. VINCENT, A study of real-time segmentation of uncompressed video sequences for content-based search and retrieval. Real-Time Imaging, 9(1):73-98, 2003.

[12] K.V. MARDIA et P.E. JUPP, Directional Statistics. Wiley & Sons Ltd., 2000.

[13] T.W. RIDLER et S. CALVARD, Picture thresholding using an iterative selection method. IEEE Transactions on Systems, Man, and Cybernetics, 8(8):629-632, Août 1978.

[14] A. ROSENFELD, Multiresolution Image Processing and Analysis. Springer-Verlag, 1984.

[15] P.L. ROSIN, Thresholding for change detection. In IEEE International Conference on Computer Vision, pages 274-279, Bombay, Inde, Janvier 1998.

[16] P.K. SAHOO, S. SOLTANI, A.K.C. WONG et Y.C. CHEN, A survey of thresholding techniques. Computer Vision, Graphics and Image Processing, 41:233-260, 1988.

[17] J. SERRA, Morphological segmentations of colour images. In International Symposium on Mathematical Morphology, Paris, Avril 2005.

[18] D. TRAVIS, Effective Color Displays. Theory and Practice. Academic Press, 1991.

[19] A. TRÉMEAU, C. FERNANDEZ-MALOIGNE et P. BONTON, Imagerie Numérique Couleur. Dunod, 2004.

[20] G. TZIRITAS et C. LABIT, Motion analysis for image sequence coding. Advances in Image Communication. Elsevier, 1994.

[21] N. VANDENBROUCKE, Segmentation d'images couleur par classification de pixels dans des espaces d'attributs colorimétriques adaptés. Application à l'analyse d'images de football. Thèse de doctorat, Université des Sciences et Technologies de Lille 1, Décembre 2000.

[22] J.Z. WANG, J. LI, R.M. GRAY et G. WIEDERHOLD, Unsupervised multiresolution segmentation for images with low depth of field. IEEE Transactions on Pattern Analysis and Machine Intelligence, 23(1):85-90, Janvier 2001.

[23] Y. WANG, J. OSTERMANN et Y.Q. ZHANG, Video Processing and Communications. Prentice Hall, 2002.