La lecture à portée de main
Découvre YouScribe en t'inscrivant gratuitement
Je m'inscrisDécouvre YouScribe en t'inscrivant gratuitement
Je m'inscrisDescription
Informations
Publié par | Thesee |
Nombre de lectures | 81 |
Langue | Français |
Poids de l'ouvrage | 26 Mo |
Extrait
UNIVERSITÉ
FRANÇOISRABELAIS
DETOURS
École Doctorale Santé, Sciences, Technologies
Laboratoire d’Informatique (EA 2101)
Equipe Reconnaissance des Formes et Analyse d’Images
THÈSE présentée par :
Julien OLIVIER
soutenue le : 16 septembre 2009
pour obtenir le grade de : Docteur de l’université François - Rabelais
Discipline/ Spécialité : Informatique
Méthodes d’accélération et approches supervisées pour les
contours actifs.
Applications à la segmentation d’images 2D, 3D et texturées
BONÉ Romuald Examinateur Professeur, Ecole Nationale d’Ingénieurs du
Val de Loire Blois
CARDOT Hubert Directeur Professeur, Université François Rabelais de
Tours
CHASSERY Jean-Marc Rapporteur DirecteurdeRechercheCNRS,UniversitéJo-
seph Fourier de Grenoble
COHEN Laurent Examinateur DirecteurdeRechercheCNRS,UniversitéPa-
ris IX Dauphine
DAOUDI Mohamed Rapporteur Professeur, Institut Telecom, Telecom Lille 1
ROSENBERGER Christophe Examinateur Professeur, Université de Caen Basse-
Normandie
ROUSSELLE Jean-Jacques Examinateur Maître de conférences, Université François
Rabelais de ToursA mon grand père, incarnation à mes yeux de l’esprit scientifique
A mon père, qui n’a jamais abandonné son esprit critique
A ma fille, dont l’esprit de découverte ne cesse de m’étonner
34Remerciements
Je tiens tout d’abord à exprimer ma gratitude à Messieurs Laurent Cohen et Chris-
tophe Rosenberger pour avoir accepté de participer à mon jury. Je remercie également
chaleureusement Messieurs Jean-Marc Chassery et Mohamed Daoudi d’avoir pris de leur
temps pour rapporter ce manuscrit.
Je tiens également à remercier Monsieur Jean-Charles Billaut pour m’avoir accepté au
sein du Laboratoire d’Informatique de Tours.
Je remercie Monsieur Hubert Cardot pour avoir dirigé cette thèse, ainsi que Messieurs
Romuald Boné et Jean-Jacques Rousselle pour leur encadrement et leurs conseils.
Je remercie également mes parents pour ne pas avoir pris peur lorsque je me suis en-
gagé dans ces études et m’avoir régulièrement aidé financièrement lorsque j’en avais besoin.
Je remercie Derwella pour m’avoir supporté durant ces années qui se sont avérés
parfois difficiles, et Lila, la seule personne capable de vous redonner une motivation digne
des premiers jours par un simple éclat de rire.
Enfin, même si il est évident que certaines seront oubliées, je tenais à remercier les per-
sonnes suivantes car elles ont toutes contribué de près ou de loin à ces années de doctorat :
Steph, Seb, Julien, Mathieu, Alain, les Funky Warriors, les Dirty, Mike Portnoy, Luffy et
ma double ...
56Résumé
Les contours actifs font partie des méthodes de segmentation les plus répandues. Ils
sont utilisés dans de nombreuses applications de reconstruction, de détection ou encore de
suivi d’objet aussi bien 2D que 3D. Au delà de la distinction faite entre les modèles basés
contour et basés région, on discerne deux familles de représentation des contours actifs.
La représentation paramétrique échantillonne la courbe selon son abscisse curviligne de
manière à guider la déformation du contour actif à l’aide de points de contrôle. La repré-
sentation implicite, appelée également représentation en ensembles de niveaux, détermine
la déformation du contour actif en analysant le comportement d’un modèle de dimension
supérieure. Le principal avantage de la représentation paramétrique est la rapidité de seg-
mentation alors que la représentation implicite reste la plus efficace en terme de précision,
autorisantlacourbeàgérernaturellementleschangementsdetopologie.L’objectifdecette
thèse est de proposer des améliorations pour chaque famille de représentation.
Basées sur l’algorithme d’évolution gloutonne des modèles paramétriques, trois mé-
thodes d’accélération utilisant une gestion dynamique de la grille de voisinage de chaque
point de contrôle ont été développées. La première approche propose d’alterner, lors de
chaque itération de l’évolution gloutonne, une étape de déformation du contour actif avec
une grille de voisinage classique et une étape utilisant un voisinage linéaire. La deuxième
modifie la grille de voisinage de manière à la décaler dans la direction paraissant la plus
intéressante. Enfin, la troisième autorise la grille de voisinage à se déformer afin d’aug-
menter l’espace de recherche de chaque point de contrôle selon certaines directions. Ces
trois méthodes d’accélération sont appliquées à la segmentation 2D et 3D et comparées à
l’évolution gloutonne classique ainsi qu’à une implémentation implicite rapide récente.
Deuxmodèlesdecontoursactifsontégalementétédéveloppésdanslebutd’améliorerla
précision des approches implicites sur les images texturées. Afin d’être en mesure d’appré-
hender ce type d’image, les deux modèles proposés utilisent les coefficients d’Haralick pour
guider leur évolution. De plus, pour garantir leur indépendance par rapport aux types de
textures segmentés, ils sont introduits dans un processus de segmentation supervisé utili-
sant une image d’apprentissage comprenant une segmentation experte. Le premier contour
actif développé, inspiré du modèle basé région développé dans [Chan et Vese, 2001], utilise
le principe de la programmation linéaire afin de déterminer le poids optimal de chaque
coefficient d’Haralick, proportionnel à sa capacité à séparer correctement les textures de
l’image d’apprentissage. Le deuxième modèle utilise l’implémentation en ensembles de ni-
veaux développée dans [Shi et Karl, 2005a] pour introduire un classificateur binaire super-
visé directement dans l’équation d’évolution du modèle. Un ensemble d’apprentissage est
extrait à partir de la segmentation experte, et utilisé pour réaliser l’algorithme d’appren-
tissage du classificateur. Ces deux approches sont appliquées à la segmentation d’images
texturées de différents types, 2D et 3D, et leur précision est comparée à celle du modèle de
Chan et Vese.
Mots clés : Contours actifs, modèles déformables, évolution gloutonne, accélération,
ensembles de niveaux, segmentation supervisée, classification supervisée, segmentation de
textures, segmentation d’images échographiques, 3D.
78Abstract
Active contours are very popular segmentation tools. They are involved in various ap-
plication fields such as reconstruction, detection or tracking of moving objects, in two
or three dimensions. Active contours are usually separated in two groups regarding their
energy functional: contour-based models and region-based models. Two other families can
be defined according to the representation of the model. The parametric representation
samples the curve in order to guide its deformation with control points. The implicit repre-
sentation, also known as level set representation, determine the deformation of the curve
by analyzing the behaviour of a higher dimension model. Main advantage of the parame-
tric representation is its segmentation quickness, whereas models implicitly represented are
more precise, due to their ability to handle topological changes automatically. The purpose
of the work carried out during this PhD was to propose ameliorations for both of these
representation families.
Basedonthegreedyalgorithmforparametricmodels,threeaccelerationmethodsusing
a dynamical control of the neighbourhood of each control point have been developed. In
the first approach, we propose to alternate an evolution step of the active contour using a
classical neighbourhood grid and an evolution step using a linear neighbourhood, during
each iteration of the greedy algorithm. The second approach is based on a modification of
theneighbourhoodgridinordertoswitchitinthedirectionappearingasthemostrelevant.
At last, the third method allows the neighbourhood to be deformed so that the search
space of each control point can be increased in certain directions. These three acceleration
methods are applied to 2D and 3D segmentation problems, and compared to the classical
greedy algorithm and to a recent fast implicit implementation.
Two active contour models have also been developed in order to improve the precision
of implicit approaches on textured images. To handle this type of image, the two proposed
models evolve using Haralick texture features. Furthermore, to ensure their independence
to the type of segmented texture, they are introduced in a supervised segmentation pro-
cess using a learning image with an expert segmentation. The first model is inspired by
the region-based model developed in [Chan et Vese,