[PDF] Ce document est le fruit dun long travail approuvé par le jury de

View - Download Ce document est le fruit dun long travail approuvé par le jury de

Previous PDF

Next PDF

AVERTISSEMENT

Ce document

est le fruit d'un long travail approuvé par le jury de soutenance et mis à disposition de l'ensemble de la communauté universitaire élargie. Il est soumis à la propriété intellectuelle de l'auteur. Ceci implique une obligation de citation et de référencement lors de l'utilisation de ce document. D'autre part, toute contrefaçon, plagiat, reproduction illicite encourt une poursuite pénale.

Contact : ddoc-theses-contact@univ-lorraine.fr

LIENS Code de la Propriété Intellectuelle. articles L 122. 4 Code de la Propriété Intellectuelle. articles L 335.2- L 335.10 '0

Institut National

Polytechnique de Lorraine

'1/"'

Centre de Recherche en

Informatique de Nancy

Inria-Lorraine

[Mj-199A ziou, D .

La détection de contours

dans des images à niveaux de gris : mise en oeuvre et sélection de détecteurs

THE SE

présentée et soutenue publiquement le 11 octobre 1991 pour l'obtention du Doctorat de l'Institut National Polytechnique de Lorraine (Spécialité Informatique) par

Djemel ZIOU

1 devant le jury composé de :

Président : Jean-Paul HATON

Rapporteurs: Serge

René HUSSON

Examinateurs: Gérard GIRAUDON

Gérald MASINI

Roger MOHR

1 Adresse de à partir du 1/2/92 : EERIE-LERI, Parc .Jeorge Besse, 30000 Nimes Je voudrais exprimer tout d'abord mes remerciments à ceux qui m'ont fait l'honneur de par ticiper au jury de cette thèse,

Monsieur

Jean-Paul Raton, Professeur à l'Université de Nancy 1, qui m'a accueilli dans l'équipe Reconnaissance de Formes et Intelligence Artificielle du CRIN, et qui me fait l'honneur de présider ce jury. Je le remercie pour ses encouragements et le grand intérêt qu'il a toujours porté à mes travaux.

Monsieur Serge

Castan, de l'Université Paul-Sabatier à Toulouse, et Monsieur

René Husson,

Professeur à l'Institut National Polytechnique de Lorraine, qui ont accepté

d'être rapporteurs de ce travail et de sièger à ce jury. Qu'ils trouvent ici l'expression de ma

gratitude pour l'intérêt qu'ils ont porté à ce travail.

Monsieur

Gérard Giraudon, Directeur de Recherche à l'INRIA de Sophia-Antipolis, qui m'a proposé un sujet de recherche passionnant et original et qui a accepté d'examiner ce travail et de le juger. Je tiens particulièrement à le remercier pour les nombreuses discussions qui

ont guidé mes travaux. J'ai particulièrement apprécié les qualités humaines et scientifiques

que notre collaboration a permis de révéler.

Monsieur Gérald Masini,

Chargé de Recherche CNRS au CRIN, qui m'a fait l'honneur de participer

à ce jury. L'intérêt qu'il a toujours porté à mes travaux et les conseils qu'il a bien

voulu me prodiguer ont été pour moi les plus précieux des encouragements. Il m'a apporté

la garantie d'un soutien et d'une amitié. Je le remercie pour sa disponibilité, pour les très

nombreux moments qu'il a conscaré à la lecture de mes articles et de ce mémoire, ainsi que pour tous les entretiens que nous avons pu avoir ensemble.

Monsieur Roger Mohr,

Professeur à l'Ecole Nationa,le Supérieure d'Informatique et de Math

ématiques Appliqués de Grenoble, qui a assumé la direction de cette thèse. Il rn 'a encouragé

de ses conseils tout au long de mon apprentissage du métier de chercheur. Je tiens partic ulièrement à le remercier pour la liberté qu'il m'a accordé pendant mes recherches, liberté sans laquelle je n'aurai pas pu mener à bien l'étude de ce difficile problème. Je ne peux pas oublier de remercier Yolande Anglade et Abderafi.aa Koukam pour leur amitié et pour les moments qu'ils ont passés à m'écouter ou à me relire, Dominique Antoine pour ses remarques issues d'une lecture passionnée.

Cette thèse a été réalisée dans le groupe Vision du CRIN et je tiens à remercier tous ceux

qui, de près ou de loin, en ont facilité l'aboutissement, notamment Salvatore Tabbone, Eric Thirion, Karl Tombre et Brigitte Wrobcl-Dautcourt. Je remercie Tahar Khammaci qui m'a

initié à l'informatique, Bechir El-Ayeb, avec qui j'ai partagé de longues soirées au CRlN, Sarra

Jalcl Mzali, Monjia et Toufik Gabsi, Philippe Anglade, mes deux compagnons du bureau Hassan Bentefrit et Pierre Marquis, ainsi que tous ceux qui m'ont apporté leur soutien amical.

Enfin, que

tous mes proches, parents et amis, trouvent ici le témoignage de l'expression de ma plus sincère gratitude, en particulier Kamila, Myriam et Abdelghani, que je remercie pour leur patience, soutien et leurs encouragements. -Merci à tous -

Résumé

La détection de contours a pour objectif l'acquisition d'une représentation compacte de toutes

les propriétés significatives de la scène perçue. Elle doit être efficace et fiable car la validité et

l'efficacité ainsi que les possibilités de réalisation des traitements ultérieurs y sont directement

liées. Cependant, la présence du bruit dans l'image rend difficile la conception d'un algorithme général de détection de contours satisfaisant d'une manière optimale ces exigences. C'est la raison

pour laquelle de nombreux détecteurs ont été proposés, souvent différents par leur objectif ainsi

que

par leurs propriétés mathématiques et algorithmiques. Le problème auquel se trouve souvent

confrontés les utilisateurs de la détection de contours est le choix du détecteur le plus approprié pour l'application envisagée. Le

thème central de cette thèse est la détection de contours dans des images à niveaux de gris, en

visant la mise en oeuvre d'une sélection automatique de détecteurs et de leurs paramètres les plus appropriés pour mettre en évidence un contour donné.

Pour disposer d'.un ensemble d'outils nécessaires à la détection de contours, nous proposons deux

détecteurs de contours originaux. Le premier est destiné aux lignes de crête. Il est optimal au sens de

Canny et implanté efficacement par des équations aux différences. Le second est un détecteur

de contours fermés de type marches fondé sur des techniques d'apprentissage. li est destiné à des

images comportant quelques objets posés sur un fond. Cet algorithme peut être utilisé pour la détection de contours et pour l'extraction de régions.

La définition critère de sélection de détecteurs et le calcul automatique de leurs paramètres

nécessite la spécification de la relation de cause à effet entre les caractéristiques du contour et

les propriétés des détecteurs. Dans ce contexte, nous proposons une étude bibliographique appro

fondie et une étude théorique mettant en évidence l'influence des attributs des contours sur les performances des détecteurs. Cette étude validée par des expérimentations a permis d'obtenir des résultats originaux.

En ce qui concerne

la sélection des détecteurs de contours, nous proposons une approche incrémen tale qui consiste à choisir un seul détecteur à chaque itération. La combinatoire de l'approche pro posée est faible grâce à l'utilisation d'heuristiques. Le système implanté est composé d'algorithmes originaux. Il a l'avantage de fournir une solution efficace assurant le compromis entre deux critères de performance qui sont de nature antagoniste : la détection et la localisation.

Mots Clés:

détection de contours, sélection de détecteurs, analyse de contours, formation de l'image, fusion des contours, fermeture de contours, m ulti-échelle.

Table des matières

Introduction générale

I Introduction

1 La vision par ordinateur

1.1 Définition .............. .

1.2 Organisation

d'un système de vision

1.2.1 Extraétion de primitives

1.2.2 Reconstruction 3D

1.2.3 Interprétation .

1.3 Conclusion

2 La formation de l'image

2.1 Introduction ..... .

2.2

La fonction image ..

2.3 Les procédés de formation

2.3.1 Image de rayon X

2.3.2 Image optique . .

2.4 Que peut-on extraire

d'une image ? .

3 La détection de contours

3.1 Notion de contours ................. .

3.2 La détection de contours est un problème mal posé

3.3 Organisation

d'un détecteur de contours

3.3.1 Lissage de l'image

3.3.2 Différentiation de l'image

3.3.3 Commutativité des opérations de lissage et de différentiation

3.4 Conclusion 7

9 13 13 13 15 16 17 18 19 19 19 20 22
25
25
27
28
29
30
32
33
35

4 Les travaux antérieurs

4.1 Introduction . . . . .

...................... 35 1 2

4.2 Détecteurs autonomes de contours . . .

4.2.1 Détecteurs informels de marches

4.2.2 Détecteurs

optimaux de marches

4.2.3 Détecteurs

d'autre types de contours

4.2.4 Détecteur de contours rectilignes

4.3 Détecteurs contextuels de contours . . .

4.3.1 Détecteurs guidés

par le modèle.

4.3.2 Générateur de détecteurs

4.4 L'approche multi-échelle

4.4.1 Définition . . . . . . . .

4.4.2

La fusion des contours résultats .

4.4.3 La problématique de la détection multi-échelle de contours

4.5 Le seuillage

4.6 Conclusion

5 Problématique et Conclusion

5.1 Caractérisation des résultats de la détection de contours

5.2 Problèmes liés

à la définition du contour

5.3 Problèmes liés

aux détecteurs . 5.4

5.5 5.3.1 Dérivation de détecteurs

5.3.2

Implantation d'un détecteur .

5.3.3 Evaluation des résultats

d'un détecteur

Méthodologie de détection de contours

Conclusion

II Les détecteurs de contours

1 Quelques détecteurs optimaux

1.1 Détecteur de J.F. Canny ...

1.1.1 Critères de Canny . .

1.1.2 Le détecteur de marche

1.2

Détecteur de R. Deriche . . . .

1.3

Détecteur de J. Shen et S.

1.4 Conclusion

2 Un détecteur optimal de lignes de crête

2.1 Introduction .......... .

2.2

La dérivation du détecteur lD .

2.3 Le

détecteur 2D ........ .

2.3.1 Extension du filtre en deux dimensions .

35
35
36
39
40
41
41
42
43
43
43
45
46
48
51
51
52
53
53
53
54
55
55
57
61
61
61
62
64
65
65
67
67
68
70

2.3.2 Identification du contour ...........

2.4 Implantation du détecteur 2D . . . . . . . . . ...

2.4.1 Représentation de la fonction de détection .

2.4.2

Représentation de

la fonction de projection 2.5 Résumé de l'algorithme de détection des lignes de crête 2.6

Evaluation des performances

du détecteur 2.6.1

Performances du détecteur proposé .

2.6.2

Choix des paramètres du détecteur

2.6.3

Complexité de l'algorithme

2.6.4

Résultats expérimentaux .

2.6.5 Discussion .

2.7 Conclusion

2.8 Annexe A

2.9

Annexe B

3 Détecteur de contours à partir de l'histogramme

3.1 Introduction .............

3.2 Approximation de l'histogramme

3.2.1

Estimation des paramètres

3.2.2

Valeurs initiales des paramètres à estimer

3.2.3

Décomposition d'histogramme

3.3

Détermination des seuils . :

3.4

Principe de l'algorithme .....

3.5 Evaluation de l'algorithme . . . .

3.5.1

Résultats expérimentaux .

3.5.2

Comparaison de l'algorithme

3.6 Conclusion

3.7

Annexe A

III Sélection automatique de détecteurs de contours

1 Présentation globale de l'approche

1.1 Position du problème ....... .

1.2

Principe de l'approche de sélection

1.2.1 Quelles informations peut-on utiliser?

1.2.2 Exemple

d'un détecteur de contours 1.2.3 Critère de sélection . . . . . . . . . .

1.3 Description globale du système de sélection

1.3.1 Schéma général de l'algorithme

1.3.2 Bibliothèque de détecteurs

..... . 3 71
74
74
76
76
77
77
79
80
81
82
83
84
85
87
87
88
89
90
91
93
94
94
98
. 101 . 102 107
111
. 111 . 112 . 112 .. 113 . 114 . 115 . 115 . 116 4

1.3.3 Architecture du système .

1.4 Conclusion . 116

. 118

2 Sélection d'un détecteur 119

. 119 . 119 . 120 . 123 . 124 . 126 . 128 . 129 . 129 130
. 132 . 132 . 133 2.1 Principe de l'algorithme de sélection d'un détecteur.

2.2 Analyse du contour exemple , . . . . . . . .

2.3

2.2.1 Estimation

du bruit ........ .

2.2.2 Identification du modèle de contour

2.2.3 Estimation des

attributs d'un contour de type marche simple

2.2.4 Estimation des

attributs d'une double marche .

2.2.5 Segmentation

du contour exemple Choix du détecteur . . . . . . . . . . ..

2.3.1 Choix des détecteurs applicables

2.3.2

Sélection du meilleur détecteur .

2.4 Description

de détecteurs . . . . . . . . 2.4.1

Attributs intrinsèques d'un détecteur .

2.4.2

Attributs de performance . . . . . . .

2.4.3 Influence de l'orientation

d'un contour sur les performances d'un

détecteur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135

2.4.4 Influence des

attributs image d'un contour sur les performances d'un

détecteur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137

2.4.5 Influence des propriétés

d'un détecteur sur ses performances . . 141 2.4.6 Une synthèse . . . . . . . . . . . . . . . . . 143 2.5 Etude d'un exemple . . . . . . . . . . . . . . . . . 144

2.5.1 Résultats de

l'étape d'analyse du contour . 144

2.5.2 Résultats de

la sélection . 147

2.6 Conclusion

2.7 Annexe A

2.7.1

Cas d'une marche simple

2.7.2

Cas d'une double marche

2.8 Annexe B

2.9 Annexe

C . . . . .

3 Analyse des résultats

3.1 Analyse des résultats .

3.2 Fusion d'images de contours

3.2.1 Notre approche de fusion

3.2.2

La règle de fusion des contours

3.2.3 Résultats de

la fusion . . . . .

3.3 Evaluation

3.3.1 Génération du contour exemple . 149

. 151 . 152 . 154 . 157 . 159quotesdbs_dbs50.pdfusesText_50

[PDF] detective stories anglais seconde

[PDF] detendeur 9414532

[PDF] determinacion de yodo en sal

[PDF] déterminant d'une matrice triangulaire

[PDF] determinant de l investissement definition

[PDF] determinant de vandermonde recurrence

[PDF] déterminant matrice 2x2

[PDF] determinant matrice 3x3

[PDF] determinant matrice 4*4

[PDF] déterminant matrice 5x5

[PDF] determinant matrice exercices corrigés

[PDF] determinant matrice propriété

[PDF] déterminant sociologique définition

[PDF] déterminants taux de change

[PDF] détermination de la dureté de l'eau par complexométrie