IV Segmentation et
algorithmes proposés
4.1 Introduction
Dans la première partie de ce travail, nous avons
présenté l'état de l'art dans ce domaine de
détection de phénomènes Ceci nous amène alors
à chercher d'autres techniques pour améliorer et continuer sur
cette première solution, puisque notre objectif est la détection
automatique des phénomènes météorologiques
présents sur les images satellitaires de Météosat MSG
Pour mener à bien cette détection, nous
exploitons les techniques de traitement d'images
Ces techniques s'est développée dans des
domaines très divers durant ces dernières décennies
Pour avoir alors une détection automatique plus
performante, il est nécessaire d'intégrer les étapes
suivantes
Ø Prétraitement
Ø Segmentation
Ø Extraction
4.2 La segmentation
La segmentation en général consiste au
découpage spatial de l'image en zones homogènes. Elle joue un
rôle prépondérant dans le traitement et l'analyse d'image
et la vision par ordinateur.
En analyse d'images, on distingue les traitements de bas
niveau et les traitements de haut niveau. Cette distinction est liée au
contenu sémantique des entités traitées et extraites de
l'image.
Les traitements de bas niveau opèrent
en général, sur les grandeurs calculées à partir
des valeurs attachées à chaque point de l'image sans faire
nécessairement la liaison avec la réalité qu'elles
représentent. Par exemple, la détection des contours est un
traitement de bas niveau qui est effectué
«sans comprendre» l'image. Le contour
détecté peut très bien ne pas correspondre à un
bord d'objet dans la réalité et ne présenter aucun
intérêt, Ainsi les traitements de bas niveau opèrent
plutôt sur des données de nature numérique.
A l'opposé, les traitements de haut
niveau s'appliquent à des entités de nature symbolique
associées à une représentation de la réalité
extraite de l'image. Ils sont relatifs à l'interprétation et
à la compréhension de l'image et sont exprimés avec des
mots du vocabulaire de l'application. Par exemple, des zones d'une image
aérienne peuvent être caractérisées par leur forme
(rectangulaire, linéique,..), être étiquetées avec
les termes : bâtiment, route, bosquet, ombre, etc... Des relations
entre ces zones sont exploitées pour comprendre la scène
étudiée, par exemple : une route ne peut pas être
incluse dans un bosquet.
La segmentation est un traitement de bas niveau qui consiste
à créer une partition de l'image A en sous-ensemble Ri,
appelées régions, tels que :
Une région est un ensemble
connexe de points image (pixels) ayant des propriétés communes
(intensité, texture,...) qui les différencient des pixels des
régions voisins. Les connaissances utilisées sont le plus souvent
du domaine de l'imagerie numérique et du traitement du signal, donc
sémantiquement assez pauvres. Il n'y a pas de méthode unique de
segmentation d'une image, le choix d'une technique ou une autre est
dicté par :
Ø la nature de l'image :
-éclairage non homogène, reflets,
-présence de bruit, de zones texturées,
- contours flous, en partie occultes,
Ø les opérations situées en aval de la
segmentation :
- localisation, mesure, calcul 3D,
- reconnaissance des formes, interprétation,
-diagnostique, contrôle qualité,
Ø les primitives à extraire :
-contours, segments de droite, angles,...
-régions, formes,
- textures,
Ø les contraintes d'exploitation :
-complexité algorithmique, fonctionnement en temps
réel,
- taille de la mémoire disponible en machine.
Du fait de cette diversité, il est difficile de
définir, de manière absolue, une « bonne »
segmentation qui fait référence aux notions de différence
et de similarité comme les perçoit le système visuel
humain et ceci donne naissance à deux proches :
« frontière » et
approche « région »
Ø La notion de « frontière »
est associée à une variation d'intensité ou à une
discontinuité entre les propriétés de deux ensembles
connexes de points.
Ø La notion
de « région » fait référence
à des groupements de points ayant des propriétés communes.
Il existe évidemment de nombreuses méthodes de
segmentation :
Ø Fusion de région, [A4] ;
Ø Diffusion anisotropique [A5] ;
Ø Algorithmes de watershed [A6] ;
Ø Contours actifs ou «snakes» [A7] ;
Ø Contours géodésiques [A8] ;
Ø Modèles déformables [A9] ;
Ø Méthode des k-means introduite par
MacQueen ;
Ø Kernel-k-means [A10];
Ø Chaînes de Markov [A11] ;
Ø Algorithmes génétiques [A12] ;
Ø Filtrages ;
Ø Etc....
Cependant, aucune méthode de segmentation ne se
révèle absolue et optimale dans tous les cas. En effet, la
complexité et la diversité des images à traiter rendent
difficile la conception d'une méthode générique. Chaque
méthode présente ses avantages et ses limites, aussi son
utilisation dépend généralement du problème
à résoudre. Le but est en général de trouver la
méthode la plus adaptée à une famille d'application
donnée. .
| 
