Multiscale Color Gradient for Image Segmentation. Gradient Couleur Multiéchelle pour la Segmentation D’images

Multiscale Color Gradient for Image Segmentation

Gradient Couleur Multiéchelle pour la Segmentation D’images

A. Anwander B. Neyran  A. Baskurt 

CREATIS, Unité de recherche CNRS (UMR 5515), affiliée à l'INSERM INSA de Lyon, Bat. 502, 69621 Villeurbanne Cedex

LAFARGE CIMENTS, Centre de Viviers

LIGIM, EA 1899, Université Claude Bernard Lyon 1

Page: 
129-142
|
Received: 
28 October 1999
|
Accepted: 
N/A
|
Published: 
30 April 2001
| Citation

OPEN ACCESS

Abstract: 

This paper presents a new gradient model for video color images.  These multispectral images have the characteristic, either for the transmission or for storage, to present a reduced bandwidth of color components compared to that of luminosity.  The use of traditional methods of determination of the multispectral gradient amplifies the noise from the color components.  We adapt the vector gradient from Lee and Cok [22], and introduce the computation of the partial derivatives at different scales according to the resolution of each component. We show that a weight is necessary between the derivatives of color and luminosity components to obtain the multiscale color gradient (MCG).  The application of the MCG on microscopic color images illustrates the advantages of our method.  The contribution of the MCG is shown with results of edge detection from the gradient image.  Finally, segmentation by active contours of crystals in microscopic images of cement clinker (industrial application) is realized using the MCG image.

Résumé

Cet article présente une nouvelle méthode de calcul du gradient d'une image couleur de type vidéo. Ces images multispectrales ont la particularité, soit pour la transmission soit pour le stockage, de présenter une bande passante réduite des composantes couleur par rapport à celle de la luminosité. L'utilisation des méthodes classiques de calcul du gradient multispectral amplifie le bruit présent dans les composantes couleur. Nous reprenons le gradient vectoriel de Lee et Cok [22] en introduisant le calcul des dérivées partielles à une échelle différente suivant la composante traitée. Nous montrons qu'une pondération est nécessaire entre les dérivées des composantes couleur et celle de la composante luminosité pour obtenir le gradient couleur multiéchelle (GCM). La mise en œuvre du GCM sur des images microscopiques couleur illustre les avantages de notre méthode. L'apport du GCM est montré avec des résultats de détection de contour effectuée sur l'image gradient. Enfin, une segmentation par contours actifs des cristaux de clinker de ciment (application industrielle) est également mise en œuvre à partir de l'image gradient issu du GCM.

Keywords: 

Image processing, Image segmentation, Image color analysis, Image edge analysis, Video cameras, Active contour.

Mots clés

Traitement d'image, segmentation d'image, couleur, gradient, contour, caméra vidéo, contour actif.

1. Introduction
2. Problématique D’images Vidéo Couleur
3. Gradient Couleur
4. Gradient Couleur Multiéchelle (GCM) Proposé
5. Segmentation par Approche Contour
6. Applications
7. Conclusions
8. Remerciements
  References

[1] Adobe, « TIFF Revision 6.0 », Adobe Systems Inc., Mountain View, CA, June 3, 1992. et « http://partners.adobe.com/asn/developer/PDFS/TN/TIFF6.pdf », section 20 et 21. 

[2] Alshatti et P. Lambert, « Un opérateur optimal pour la détection de contours dans des images couleur », GRETSI, Juan-les-Pins, 679-682, 1993. 

[3] A. Amini, T. Weymouth et R. Jain, « Using Dynamic Programming for Solving Variational Problems in Vision », IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 12, #9, pp. 855-867, 1990. 

[4] A. Anwander, B. Neyran, et A. Baskurt, « Automatic Microscopic Examination of Cement Clinker by Image Segmentation and Quantification », QCAV’97, Le Creusot, France, pp. 269-274, 1997. 

[5]  A. Anwander, B. Neyran, J. Haase et A. Baskurt, « New Methods for Clinker Phase Recognition Using Automatic Image Analysis », World Cement, Vol.29, #4, 1998, pp. 77-84. 

[6]  A. Anwander, J. Haase, B. Neyran et A. Baskurt, « Automatic Color Image Segmentation for Microscopic Images of Cement Clinker », QCAV’98, Takamatsu, Kagawa, Japan, pp. 22-27, 1998. 

[7] Base d’images du « Signal Analysis and Machine Perception Laboratory, The Ohio State University » accessible à l’adresse http://sampl.eng.ohiostate.edu/~sampl/data/motion/. 

[8] W. H. A. Beaudot, « Le traitement neuronal de l’information dans la rétine des vertébrés : Un creuset d’idées pour la vision artificielle », Thèse de Doctorat, Institut National Polytechnique de Grenoble, France, 1994. 

[9] L. Bedat, « Aspects psychovisuels de la perception des couleurs : Application au codage d’images couleur fixes avec compression de l’information », Thèse de Doctorat, Université de Nantes, France, 1998. 

[10] P. Blomgren et T. F. Chan, « Color TV: Total Variation Methods for Restauration of Vector-Valued Images », IEEE Transactions on Image Processing, Vol. 7, #3, pp. 304-309, 1998. 

[11] I. N. Bronshtein et K. A. Semendyayev, « Handbook of Mathematics », Thun et Frankfurt/Main, Germany, Verlag Harri Deutsch, 1985. 

[12] J. Canny, « A computational approach to edge detection », IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 8, #6, pp. 679-698, 1986. 

[13] T. Carron, « Segmentation d’images couleur dans la base TeinteLuminance-Saturation : approche numérique et symbolique », Thèse de Doctorat, Université de Savoie, 1995. 

[14] J.-P. Cocquerez et S. Philipp, « Analyse d’images : filtrage et segmentation », Paris, Masson, 1995. 

[15] L. D. Cohen, « On Active Contour Models and Balloons », Computer Vision, Graphics and Image Processing : Image Understanding, Vol. 53, #2, pp. 211-218, 1991. 

[16] L. D. Cohen et I. Cohen, « Finite-element methods for active contour models and balloons for 2-D and 3-D images », IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 15, #11, pp. 1131-1147, 1993.

[17] A. Cumani, « Edge Detection in Multispectral Images », Computer Vision, Graphics and Image Processing : Graphical Models and Image Processing, Vol. 53, #1, pp. 40-51, 1991. 

[18] R. Deriche, « Fast Algorithms for Low-Level Vision », IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 12, #1, pp. 78-87, 1990. 

[19] R. Di Zenzo, « A Note on the Gradient of a Multi-Image », Computer Vision, Graphics and Image Processing : Graphical Models and Image Processing, Vol. 33, pp. 116-125, 1986. 

[20] M. Kass,A. Witkin et D. Terzopoulos, « Snakes:Active Contour Models », International Journal of Computer Vision, Vol. 1, #4, pp. 321-331, 1987. 

[21] R. Kimmel, « Demosaicing: Image Reconstruction from Color CCD Samples », IEEE Transactions on Image Processing, Vol. 8, #9, pp. 12211228, 1999. 

[22] H. C. Lee et D. R. Cok, « Detecting Boundaries in a Vector Field », IEEE Transactions on Signal Processing, Vol. 39, #5, pp. 1181-1194, 1991.

[23] T. Linderberg et J. O. Eklundh, « Scale-space primal sketch: construction and experiments », Image and Vision Computing, Vol. 10, #1, pp. 3-18, 1992. 

[24] K. T. Mullen, « The Contrast  Sensitivity of Human Colourvision to RedGreen and Blue-Yellow Chromatic Gratings », Journal of Physiology, Vol. 359, pp. 381-400, 1985. 

[25] S. J. Sangwine et R. E. N. Horne, « The Colour Image Processing Handbook », London, Chapman & Hall, 1998. 

[26] G. Sapiro, « Vector (Self) Snakes: A Geometric Framework for Color, Texture and Multiscale Image Segmentation », International Conference on Image Processing, Vol. 1, pp. 817-820, 1996. 

[27] G. Sapiro, « Color Snakes », Computer Vision and Image Understanding, Vol. 68, #2, pp. 247-253, 1997. 

[28] G. Sapiro et D. L. Ringach, « Anisotropic Diffusion of Multivalued Images with Applications to Color Filtering », IEEE Transactions on Image Processing., Vol. 5, #11, pp. 1582-1586, 1996.