SlideShare una empresa de Scribd logo
1 de 14
Descargar para leer sin conexión
Segmentation par
WATERSHED
1
Plan
 Introduction
 Notions théoriques
 Exemple Applicatif en 3D
 Algorithme Watershed ( LPE )
 Conclusion
2
IntroductionMorphologie
mathématique
 L'algorithme de la ligne de partage des eaux (LPE) est un
algorithme de segmentation d'images.
 LPE utilise la description des images en termes géographiques.
 LPE est définit comme étant une crête formant la limite entre deux
bassins versants.
 Une image est présentée comme un relief en associant un niveau
de gris de chaque pixel à une altitude
3
La ligne de partage des eaux ( LPE )
Pour obtenir la LPE
 Associer chaque valeur de pixel à
une altitude.
 Imaginer l’immersion d’un relief dans
l’eau.
 L’eau ne peut pénétrer dans les
vallées que par ses minimas
 LPE est représentée par les points où
deux lacs disjoints se rejoignent au
cours de l'immersion
4
La ligne de partage des eaux ( LPE )
LIGNEDEPARTAGEDESEAUX
5
EXEMPLE APPLICATIF
Unity 3D Adobe Photoshop
6
EXEMPLE APPLICATIF – transformation
en 3D
7
Algorithme Watershed ( LPE ):
Vincent et Soille
ENTÉES : Image I[N,M], Réel E pas d’altitude( tolérance )
SORTIE : Tableau d’entiers T[N,M] (avec T[x,y]= Etiquète de bassin ou Watershed )
DÉBUT
MIN,HMAX : minimum et maximum global I, F : File d’attente (FIFO)
Les pixels sont d’abord triés par ordre croissant d’altitude. (Ils sont ensuite traités par série : tous
ceux entre h et h+E sont considérés d’altitude identique)
Toute minima de l’image a un étiquète différente.
POUR h DE MIN À HMAX
On sélectionne les pixels du niveau [h,h+E].
On ajoute les pixels sélectionnées et qui touchent un bassin au file d’attente F
POUR CHAQUE pixels P DU F
On vois les 4 pixels adjacents de P et on met une étiquète dans la case qui correspond a P dans
la table T (Voisin ou Watershed).
Tous les pixels qui sont adjacents à P (+1) et sélectionnées sont ajouter a la fin F.
FIN POUR
On propage les étiquètes des bassin vers les pixels qui son étiqueté comme voisin.
FIN POUR
FIN
8
Algorithme Watershed ( LPE ): Exemple
9
10 50 10 10 30 50 70
50 10 30 30 10 20 60
60 0 20 50 60 70 10
70 10 50 30 30 20 50
60 20 30 40 10 20 60
20 40 0 20 50 30 50
10 50 60 70 60 50 40
10 50 10 10 30 50 70
50 10 30 30 10 20 60
60 0 20 50 60 70 10
70 10 50 30 30 20 50
60 20 30 40 10 20 60
20 40 0 20 50 30 50
10 50 60 70 60 50 40
10 50 10 10 30 50 70
50 10 30 30 10 20 60
60 0 20 50 60 70 10
70 10 50 30 30 20 50
60 20 30 40 10 20 60
20 40 0 20 50 30 50
10 50 60 70 60 50 40
10 50 10 10 30 50 70
50 10 30 30 10 20 60
60 0 20 50 60 70 10
70 10 50 30 30 20 50
60 20 30 40 10 20 60
20 40 0 20 50 30 50
10 50 60 70 60 50 40
10 50 10 10 30 50 70
50 10 30 30 10 20 60
60 0 20 50 60 70 10
70 10 50 30 30 20 50
60 20 30 40 10 20 60
20 40 0 20 50 30 50
10 50 60 70 60 50 40
10 50 10 10 30 50 70
50 10 30 30 10 20 60
60 0 20 50 60 70 10
70 10 50 30 30 20 50
60 20 30 40 10 20 60
20 40 0 20 50 30 50
10 50 60 70 60 50 40
10 50 10 10 30 50 70
50 10 30 30 10 20 60
60 0 20 50 60 70 10
70 10 50 30 30 20 50
60 20 30 40 10 20 60
20 40 0 20 50 30 50
10 50 60 70 60 50 40
10 50 10 10 30 50 70
50 10 30 30 10 20 60
60 0 20 50 60 70 10
70 10 50 30 30 20 50
60 20 30 40 10 20 60
20 40 0 20 50 30 50
10 50 60 70 60 50 40
10 50 10 10 30 50 70
50 10 30 30 10 20 60
60 0 20 50 60 70 10
70 10 50 30 30 20 50
60 20 30 40 10 20 60
20 40 0 20 50 30 50
10 50 60 70 60 50 40
10 50 10 10 30 50 70
50 10 30 30 10 20 60
60 0 20 50 60 70 10
70 10 50 30 30 20 50
60 20 30 40 10 20 60
20 40 0 20 50 30 50
10 50 60 70 60 50 40
Image original
Minima en rouge
Niveau MIN=0 Niveau 10 Niveau 20 Niveau 30
Création des lignes de partage
Niveau 40 Niveau 50 Niveau 60 Niveau HMAX=70 Segmentation
4
connexité
Watershed
Non
classifié
E=10
Algorithme Watershed ( LPE ): Application
10
Algorithme Watershed ( LPE ):
 Principe des marqueurs : ne considérer que certains minima
 Le procédé de construction : on crée une image égale à l'originale et dans les
zones d'intérêt on élimine les minima non voulues, on opère alors une LPE sur cette
image modifiée.
 Quand les minima sont remplacés par des marqueurs il est primordial de contrôler
la place de ces marqueurs.
 On peut créer des marqueurs manuellement. Mais le problème du choix
automatique de marqueurs toujours existe.
 Exemple de marqueur manuel :
11
 Marqueur manuel
Algorithme Watershed ( LPE ) :
Avantages et inconvénients
 Avantages :
 Grande précision sur les frontières obtenues
 Distinction parfaite de 2 régions collées
12
 Inconvénients :
 Consommation de mémoire
 Sensibilité au bruit
 Sur-segmentation
 Demande un post-traitement :
Problèmes d’utilisation dans des
systèmes temps réel.
Algorithme Watershed ( LPE ) :
Améliorations
 Plusieurs transformations possibles pour effectuer un prétraitement :
 Filtrage : seuil, flou, érosion...
 Pour suppression du bruit et suppression des minima à faible contraste pour
minimiser la sur-segmentation
 Transformation des données : Gradient, Inversion des niveaux, etc...
 Mise en valeur des caractéristiques de l’image
 Utilisation de Marqueurs pour choisir les zones d’intérêt
13
Conclusion
 La segmentation d'images par l'algorithme de ligne de partage des eaux
(Watershed en anglais) constitue un outil puissant pour analyser la
topographie d’une image. Il a plusieurs implémentations Par Immersion
« Vincent et Soille 1991 » et Par distances géodésiques « Meyer ».
 Par ce qu’il n’existe pas de méthode de segmentation universelle. On
devra adapter le processus de segmentation à chaque problématique.
 Afin de pouvoir l'exploiter correctement, on doit effectue un
prétraitement adéquat sur images à traiter pour éliminer toute information
non significative soit éliminer certains contours non pertinents par filtrage
ou améliorer sa luminosité, sa contraste ou autres.
14

Más contenido relacionado

La actualidad más candente

Biométrie d'Empreinte Digitale Power Point
Biométrie d'Empreinte Digitale Power PointBiométrie d'Empreinte Digitale Power Point
Biométrie d'Empreinte Digitale Power PointIntissar Dguechi
 
TP / Traitement d'image : Discrimination de Texture
TP / Traitement d'image : Discrimination de TextureTP / Traitement d'image : Discrimination de Texture
TP / Traitement d'image : Discrimination de TextureAhmed EL ATARI
 
L'algorithme FAST de détection de coins | FAST Algorithm for Corner Detection
L'algorithme FAST de détection de coins | FAST Algorithm for Corner DetectionL'algorithme FAST de détection de coins | FAST Algorithm for Corner Detection
L'algorithme FAST de détection de coins | FAST Algorithm for Corner DetectionNawfel Mestoui
 
Image Processing Introduction
Image Processing IntroductionImage Processing Introduction
Image Processing IntroductionAhmed Gad
 
Compte rendu tp automatique 1
Compte rendu tp automatique 1Compte rendu tp automatique 1
Compte rendu tp automatique 1hamdinho
 
Gestion de la mobilité et de la Qos chez un opérateur de téléphonie mobile:UMTS
Gestion de la mobilité et de la Qos chez un opérateur de téléphonie mobile:UMTSGestion de la mobilité et de la Qos chez un opérateur de téléphonie mobile:UMTS
Gestion de la mobilité et de la Qos chez un opérateur de téléphonie mobile:UMTSMkMk Kachallah
 
Introduction au traitement d'images
Introduction au traitement d'imagesIntroduction au traitement d'images
Introduction au traitement d'imagesAbdelouahed Abdou
 
Basics of image processing using MATLAB
Basics of image processing using MATLABBasics of image processing using MATLAB
Basics of image processing using MATLABMohsin Siddique
 
Rapport-du-projet CNN.docx
Rapport-du-projet CNN.docxRapport-du-projet CNN.docx
Rapport-du-projet CNN.docxkhalil Ismail
 
Mathematical operations in image processing
Mathematical operations in image processingMathematical operations in image processing
Mathematical operations in image processingAsad Ali
 
Adaptive Median Filters
Adaptive Median FiltersAdaptive Median Filters
Adaptive Median FiltersAmnaakhaan
 
Computer Vision - Image Filters
Computer Vision - Image FiltersComputer Vision - Image Filters
Computer Vision - Image FiltersYoss Cohen
 
BigData_TP1: Initiation à Hadoop et Map-Reduce
BigData_TP1: Initiation à Hadoop et Map-ReduceBigData_TP1: Initiation à Hadoop et Map-Reduce
BigData_TP1: Initiation à Hadoop et Map-ReduceLilia Sfaxi
 
Exercice3 - Logiciels
Exercice3 - LogicielsExercice3 - Logiciels
Exercice3 - LogicielsKayl Mido
 

La actualidad más candente (20)

Image processing Presentation
Image processing PresentationImage processing Presentation
Image processing Presentation
 
Envoi SMS JAVA
Envoi SMS JAVAEnvoi SMS JAVA
Envoi SMS JAVA
 
Biométrie d'Empreinte Digitale Power Point
Biométrie d'Empreinte Digitale Power PointBiométrie d'Empreinte Digitale Power Point
Biométrie d'Empreinte Digitale Power Point
 
Image processing in MATLAB
Image processing in MATLABImage processing in MATLAB
Image processing in MATLAB
 
TP / Traitement d'image : Discrimination de Texture
TP / Traitement d'image : Discrimination de TextureTP / Traitement d'image : Discrimination de Texture
TP / Traitement d'image : Discrimination de Texture
 
Segmentation
SegmentationSegmentation
Segmentation
 
L'algorithme FAST de détection de coins | FAST Algorithm for Corner Detection
L'algorithme FAST de détection de coins | FAST Algorithm for Corner DetectionL'algorithme FAST de détection de coins | FAST Algorithm for Corner Detection
L'algorithme FAST de détection de coins | FAST Algorithm for Corner Detection
 
Image Processing Introduction
Image Processing IntroductionImage Processing Introduction
Image Processing Introduction
 
Compte rendu tp automatique 1
Compte rendu tp automatique 1Compte rendu tp automatique 1
Compte rendu tp automatique 1
 
Gestion de la mobilité et de la Qos chez un opérateur de téléphonie mobile:UMTS
Gestion de la mobilité et de la Qos chez un opérateur de téléphonie mobile:UMTSGestion de la mobilité et de la Qos chez un opérateur de téléphonie mobile:UMTS
Gestion de la mobilité et de la Qos chez un opérateur de téléphonie mobile:UMTS
 
Introduction au traitement d'images
Introduction au traitement d'imagesIntroduction au traitement d'images
Introduction au traitement d'images
 
Basics of image processing using MATLAB
Basics of image processing using MATLABBasics of image processing using MATLAB
Basics of image processing using MATLAB
 
Image compression .
Image compression .Image compression .
Image compression .
 
Rapport-du-projet CNN.docx
Rapport-du-projet CNN.docxRapport-du-projet CNN.docx
Rapport-du-projet CNN.docx
 
Mathematical operations in image processing
Mathematical operations in image processingMathematical operations in image processing
Mathematical operations in image processing
 
Adaptive Median Filters
Adaptive Median FiltersAdaptive Median Filters
Adaptive Median Filters
 
Pixelrelationships
PixelrelationshipsPixelrelationships
Pixelrelationships
 
Computer Vision - Image Filters
Computer Vision - Image FiltersComputer Vision - Image Filters
Computer Vision - Image Filters
 
BigData_TP1: Initiation à Hadoop et Map-Reduce
BigData_TP1: Initiation à Hadoop et Map-ReduceBigData_TP1: Initiation à Hadoop et Map-Reduce
BigData_TP1: Initiation à Hadoop et Map-Reduce
 
Exercice3 - Logiciels
Exercice3 - LogicielsExercice3 - Logiciels
Exercice3 - Logiciels
 

Destacado

Exposé segmentation
Exposé segmentationExposé segmentation
Exposé segmentationDonia Hammami
 
Présentation projet de fin d'étude
Présentation projet de fin d'étudePrésentation projet de fin d'étude
Présentation projet de fin d'étudeDonia Hammami
 
Cours de programmation en c
Cours de programmation en cCours de programmation en c
Cours de programmation en cbenouini rachid
 
Techniques du data mining
Techniques du data miningTechniques du data mining
Techniques du data miningDonia Hammami
 
PPT on BRAIN TUMOR detection in MRI images based on IMAGE SEGMENTATION
PPT on BRAIN TUMOR detection in MRI images based on  IMAGE SEGMENTATION PPT on BRAIN TUMOR detection in MRI images based on  IMAGE SEGMENTATION
PPT on BRAIN TUMOR detection in MRI images based on IMAGE SEGMENTATION khanam22
 
Presentation watershed
Presentation watershedPresentation watershed
Presentation watershedakshitakohli
 
Investigacion de un_accidente[1]lida
Investigacion de un_accidente[1]lidaInvestigacion de un_accidente[1]lida
Investigacion de un_accidente[1]lidalidaforever851
 
Animar sense presionar ars març
Animar sense presionar ars marçAnimar sense presionar ars març
Animar sense presionar ars marçMarta Ocaña
 
Cultiver son identité num
Cultiver son identité numCultiver son identité num
Cultiver son identité numE2m Gig
 
Table ronde : la V.U.E. à Châteauneuf-sur-Loire
Table ronde : la V.U.E. à Châteauneuf-sur-LoireTable ronde : la V.U.E. à Châteauneuf-sur-Loire
Table ronde : la V.U.E. à Châteauneuf-sur-LoireMission Val de Loire
 
Table ronde : la déclinaison territoriale de la V.U.E. aux Ponts-de-Cé
Table ronde : la déclinaison territoriale de la V.U.E. aux Ponts-de-CéTable ronde : la déclinaison territoriale de la V.U.E. aux Ponts-de-Cé
Table ronde : la déclinaison territoriale de la V.U.E. aux Ponts-de-CéMission Val de Loire
 
Carta de onu caso terrorismo
Carta de onu caso terrorismoCarta de onu caso terrorismo
Carta de onu caso terrorismoAlejandra Prado
 
Utilisation de wikipedia dans la veille => L'exemple de Reador.NET
Utilisation de wikipedia dans la veille => L'exemple de Reador.NETUtilisation de wikipedia dans la veille => L'exemple de Reador.NET
Utilisation de wikipedia dans la veille => L'exemple de Reador.NETdescl
 
ePressPack Start-ups offre complète
ePressPack Start-ups offre complèteePressPack Start-ups offre complète
ePressPack Start-ups offre complètejjelocha
 
EDUCACION MATEMÁTICA
EDUCACION MATEMÁTICAEDUCACION MATEMÁTICA
EDUCACION MATEMÁTICAIlse Brix
 
Outils en ligne puissants (et gratuits)
Outils en ligne puissants (et gratuits)Outils en ligne puissants (et gratuits)
Outils en ligne puissants (et gratuits)Blog Atlantic
 

Destacado (20)

Exposé segmentation
Exposé segmentationExposé segmentation
Exposé segmentation
 
Présentation projet de fin d'étude
Présentation projet de fin d'étudePrésentation projet de fin d'étude
Présentation projet de fin d'étude
 
Cours de programmation en c
Cours de programmation en cCours de programmation en c
Cours de programmation en c
 
Techniques du data mining
Techniques du data miningTechniques du data mining
Techniques du data mining
 
PPT on BRAIN TUMOR detection in MRI images based on IMAGE SEGMENTATION
PPT on BRAIN TUMOR detection in MRI images based on  IMAGE SEGMENTATION PPT on BRAIN TUMOR detection in MRI images based on  IMAGE SEGMENTATION
PPT on BRAIN TUMOR detection in MRI images based on IMAGE SEGMENTATION
 
Presentation watershed
Presentation watershedPresentation watershed
Presentation watershed
 
2012 13-guide-snptv
2012 13-guide-snptv2012 13-guide-snptv
2012 13-guide-snptv
 
Investigacion de un_accidente[1]lida
Investigacion de un_accidente[1]lidaInvestigacion de un_accidente[1]lida
Investigacion de un_accidente[1]lida
 
Animar sense presionar ars març
Animar sense presionar ars marçAnimar sense presionar ars març
Animar sense presionar ars març
 
Ntm
NtmNtm
Ntm
 
Verbes à etudier
Verbes à etudierVerbes à etudier
Verbes à etudier
 
Cultiver son identité num
Cultiver son identité numCultiver son identité num
Cultiver son identité num
 
Table ronde : la V.U.E. à Châteauneuf-sur-Loire
Table ronde : la V.U.E. à Châteauneuf-sur-LoireTable ronde : la V.U.E. à Châteauneuf-sur-Loire
Table ronde : la V.U.E. à Châteauneuf-sur-Loire
 
Las tic’s
Las tic’sLas tic’s
Las tic’s
 
Table ronde : la déclinaison territoriale de la V.U.E. aux Ponts-de-Cé
Table ronde : la déclinaison territoriale de la V.U.E. aux Ponts-de-CéTable ronde : la déclinaison territoriale de la V.U.E. aux Ponts-de-Cé
Table ronde : la déclinaison territoriale de la V.U.E. aux Ponts-de-Cé
 
Carta de onu caso terrorismo
Carta de onu caso terrorismoCarta de onu caso terrorismo
Carta de onu caso terrorismo
 
Utilisation de wikipedia dans la veille => L'exemple de Reador.NET
Utilisation de wikipedia dans la veille => L'exemple de Reador.NETUtilisation de wikipedia dans la veille => L'exemple de Reador.NET
Utilisation de wikipedia dans la veille => L'exemple de Reador.NET
 
ePressPack Start-ups offre complète
ePressPack Start-ups offre complèteePressPack Start-ups offre complète
ePressPack Start-ups offre complète
 
EDUCACION MATEMÁTICA
EDUCACION MATEMÁTICAEDUCACION MATEMÁTICA
EDUCACION MATEMÁTICA
 
Outils en ligne puissants (et gratuits)
Outils en ligne puissants (et gratuits)Outils en ligne puissants (et gratuits)
Outils en ligne puissants (et gratuits)
 

Más de benouini rachid

Réseaux sans fil wifi et bluetooth
Réseaux sans fil wifi et bluetoothRéseaux sans fil wifi et bluetooth
Réseaux sans fil wifi et bluetoothbenouini rachid
 
Radio cognitive et intelligence artificielle
Radio cognitive et intelligence artificielleRadio cognitive et intelligence artificielle
Radio cognitive et intelligence artificiellebenouini rachid
 
Ontology concept et applications
Ontology concept et applicationsOntology concept et applications
Ontology concept et applicationsbenouini rachid
 
Ontologie concept applications
Ontologie concept applicationsOntologie concept applications
Ontologie concept applicationsbenouini rachid
 
JNDI Java Naming Derectory Interfaces
JNDI Java Naming Derectory InterfacesJNDI Java Naming Derectory Interfaces
JNDI Java Naming Derectory Interfacesbenouini rachid
 

Más de benouini rachid (6)

Réseaux sans fil wifi et bluetooth
Réseaux sans fil wifi et bluetoothRéseaux sans fil wifi et bluetooth
Réseaux sans fil wifi et bluetooth
 
Radio cognitive et intelligence artificielle
Radio cognitive et intelligence artificielleRadio cognitive et intelligence artificielle
Radio cognitive et intelligence artificielle
 
e-commerce
e-commercee-commerce
e-commerce
 
Ontology concept et applications
Ontology concept et applicationsOntology concept et applications
Ontology concept et applications
 
Ontologie concept applications
Ontologie concept applicationsOntologie concept applications
Ontologie concept applications
 
JNDI Java Naming Derectory Interfaces
JNDI Java Naming Derectory InterfacesJNDI Java Naming Derectory Interfaces
JNDI Java Naming Derectory Interfaces
 

Segmentation par watershed

  • 2. Plan  Introduction  Notions théoriques  Exemple Applicatif en 3D  Algorithme Watershed ( LPE )  Conclusion 2
  • 3. IntroductionMorphologie mathématique  L'algorithme de la ligne de partage des eaux (LPE) est un algorithme de segmentation d'images.  LPE utilise la description des images en termes géographiques.  LPE est définit comme étant une crête formant la limite entre deux bassins versants.  Une image est présentée comme un relief en associant un niveau de gris de chaque pixel à une altitude 3
  • 4. La ligne de partage des eaux ( LPE ) Pour obtenir la LPE  Associer chaque valeur de pixel à une altitude.  Imaginer l’immersion d’un relief dans l’eau.  L’eau ne peut pénétrer dans les vallées que par ses minimas  LPE est représentée par les points où deux lacs disjoints se rejoignent au cours de l'immersion 4
  • 5. La ligne de partage des eaux ( LPE ) LIGNEDEPARTAGEDESEAUX 5
  • 6. EXEMPLE APPLICATIF Unity 3D Adobe Photoshop 6
  • 7. EXEMPLE APPLICATIF – transformation en 3D 7
  • 8. Algorithme Watershed ( LPE ): Vincent et Soille ENTÉES : Image I[N,M], Réel E pas d’altitude( tolérance ) SORTIE : Tableau d’entiers T[N,M] (avec T[x,y]= Etiquète de bassin ou Watershed ) DÉBUT MIN,HMAX : minimum et maximum global I, F : File d’attente (FIFO) Les pixels sont d’abord triés par ordre croissant d’altitude. (Ils sont ensuite traités par série : tous ceux entre h et h+E sont considérés d’altitude identique) Toute minima de l’image a un étiquète différente. POUR h DE MIN À HMAX On sélectionne les pixels du niveau [h,h+E]. On ajoute les pixels sélectionnées et qui touchent un bassin au file d’attente F POUR CHAQUE pixels P DU F On vois les 4 pixels adjacents de P et on met une étiquète dans la case qui correspond a P dans la table T (Voisin ou Watershed). Tous les pixels qui sont adjacents à P (+1) et sélectionnées sont ajouter a la fin F. FIN POUR On propage les étiquètes des bassin vers les pixels qui son étiqueté comme voisin. FIN POUR FIN 8
  • 9. Algorithme Watershed ( LPE ): Exemple 9 10 50 10 10 30 50 70 50 10 30 30 10 20 60 60 0 20 50 60 70 10 70 10 50 30 30 20 50 60 20 30 40 10 20 60 20 40 0 20 50 30 50 10 50 60 70 60 50 40 10 50 10 10 30 50 70 50 10 30 30 10 20 60 60 0 20 50 60 70 10 70 10 50 30 30 20 50 60 20 30 40 10 20 60 20 40 0 20 50 30 50 10 50 60 70 60 50 40 10 50 10 10 30 50 70 50 10 30 30 10 20 60 60 0 20 50 60 70 10 70 10 50 30 30 20 50 60 20 30 40 10 20 60 20 40 0 20 50 30 50 10 50 60 70 60 50 40 10 50 10 10 30 50 70 50 10 30 30 10 20 60 60 0 20 50 60 70 10 70 10 50 30 30 20 50 60 20 30 40 10 20 60 20 40 0 20 50 30 50 10 50 60 70 60 50 40 10 50 10 10 30 50 70 50 10 30 30 10 20 60 60 0 20 50 60 70 10 70 10 50 30 30 20 50 60 20 30 40 10 20 60 20 40 0 20 50 30 50 10 50 60 70 60 50 40 10 50 10 10 30 50 70 50 10 30 30 10 20 60 60 0 20 50 60 70 10 70 10 50 30 30 20 50 60 20 30 40 10 20 60 20 40 0 20 50 30 50 10 50 60 70 60 50 40 10 50 10 10 30 50 70 50 10 30 30 10 20 60 60 0 20 50 60 70 10 70 10 50 30 30 20 50 60 20 30 40 10 20 60 20 40 0 20 50 30 50 10 50 60 70 60 50 40 10 50 10 10 30 50 70 50 10 30 30 10 20 60 60 0 20 50 60 70 10 70 10 50 30 30 20 50 60 20 30 40 10 20 60 20 40 0 20 50 30 50 10 50 60 70 60 50 40 10 50 10 10 30 50 70 50 10 30 30 10 20 60 60 0 20 50 60 70 10 70 10 50 30 30 20 50 60 20 30 40 10 20 60 20 40 0 20 50 30 50 10 50 60 70 60 50 40 10 50 10 10 30 50 70 50 10 30 30 10 20 60 60 0 20 50 60 70 10 70 10 50 30 30 20 50 60 20 30 40 10 20 60 20 40 0 20 50 30 50 10 50 60 70 60 50 40 Image original Minima en rouge Niveau MIN=0 Niveau 10 Niveau 20 Niveau 30 Création des lignes de partage Niveau 40 Niveau 50 Niveau 60 Niveau HMAX=70 Segmentation 4 connexité Watershed Non classifié E=10
  • 10. Algorithme Watershed ( LPE ): Application 10
  • 11. Algorithme Watershed ( LPE ):  Principe des marqueurs : ne considérer que certains minima  Le procédé de construction : on crée une image égale à l'originale et dans les zones d'intérêt on élimine les minima non voulues, on opère alors une LPE sur cette image modifiée.  Quand les minima sont remplacés par des marqueurs il est primordial de contrôler la place de ces marqueurs.  On peut créer des marqueurs manuellement. Mais le problème du choix automatique de marqueurs toujours existe.  Exemple de marqueur manuel : 11  Marqueur manuel
  • 12. Algorithme Watershed ( LPE ) : Avantages et inconvénients  Avantages :  Grande précision sur les frontières obtenues  Distinction parfaite de 2 régions collées 12  Inconvénients :  Consommation de mémoire  Sensibilité au bruit  Sur-segmentation  Demande un post-traitement : Problèmes d’utilisation dans des systèmes temps réel.
  • 13. Algorithme Watershed ( LPE ) : Améliorations  Plusieurs transformations possibles pour effectuer un prétraitement :  Filtrage : seuil, flou, érosion...  Pour suppression du bruit et suppression des minima à faible contraste pour minimiser la sur-segmentation  Transformation des données : Gradient, Inversion des niveaux, etc...  Mise en valeur des caractéristiques de l’image  Utilisation de Marqueurs pour choisir les zones d’intérêt 13
  • 14. Conclusion  La segmentation d'images par l'algorithme de ligne de partage des eaux (Watershed en anglais) constitue un outil puissant pour analyser la topographie d’une image. Il a plusieurs implémentations Par Immersion « Vincent et Soille 1991 » et Par distances géodésiques « Meyer ».  Par ce qu’il n’existe pas de méthode de segmentation universelle. On devra adapter le processus de segmentation à chaque problématique.  Afin de pouvoir l'exploiter correctement, on doit effectue un prétraitement adéquat sur images à traiter pour éliminer toute information non significative soit éliminer certains contours non pertinents par filtrage ou améliorer sa luminosité, sa contraste ou autres. 14