Détection de contours des images RVB et HSV par le Produit Multi-échelles des Coefficients en Ondelettes

02/03/2015
Publication e-STA e-STA 2014-1
OAI : oai:www.see.asso.fr:545:2014-1:12785
DOI : You do not have permission to access embedded form.

Résumé

Détection de contours des images RVB et HSV par le Produit Multi-échelles des Coefficients en Ondelettes

Auteurs

Métriques

556
11
519.25 Ko
 application/pdf
bitcache://d140887d92baf73f2aaa3377f4f72a2cb58d2b30

Licence

Creative Commons Aucune (Tous droits réservés)
<resource  xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
                xmlns="http://datacite.org/schema/kernel-4"
                xsi:schemaLocation="http://datacite.org/schema/kernel-4 http://schema.datacite.org/meta/kernel-4/metadata.xsd">
        <identifier identifierType="DOI">10.23723/545:2014-1/12785</identifier><creators><creator><creatorName>Nadia Ben Youssef</creatorName></creator><creator><creatorName>Aicha Bouzid</creatorName></creator><creator><creatorName>Noureddine Ellouze</creatorName></creator></creators><titles>
            <title>Détection de contours des images RVB et HSV par le Produit Multi-échelles des Coefficients en Ondelettes</title></titles>
        <publisher>SEE</publisher>
        <publicationYear>2015</publicationYear>
        <resourceType resourceTypeGeneral="Text">Text</resourceType><dates>
	    <date dateType="Created">Mon 2 Mar 2015</date>
	    <date dateType="Updated">Mon 25 Jul 2016</date>
            <date dateType="Submitted">Sat 17 Feb 2018</date>
	</dates>
        <alternateIdentifiers>
	    <alternateIdentifier alternateIdentifierType="bitstream">d140887d92baf73f2aaa3377f4f72a2cb58d2b30</alternateIdentifier>
	</alternateIdentifiers>
        <formats>
	    <format>application/pdf</format>
	</formats>
	<version>22121</version>
        <descriptions>
            <description descriptionType="Abstract"></description>
        </descriptions>
    </resource>
.

1 Détection de contours des images RVB et HSV par le Produit Multi-échelles des Coefficients en Ondelettes Nadia Ben Youssef, Aicha Bouzid, Noureddine Ellouze Laboratoire de Signal, Images et Technologies de l’Information (LR-SITI-ENIT) Université Tunis El Manar Ecole Nationale d’Ingénieurs de Tunis Nadia_benyoussef@yahoo.fr, bouzidacha@yahoo.fr, nourellouze@yahoo.fr Résumé— De nombreuses applications de traitement d'images considèrent que les informations de contours représentent une étape primordiale pour tous les types de traitement. Ce papier présente une méthode de détection de contours par le produit multi-échelles (PM) de la transformée en ondelettes sur des images couleurs RGB et HSV. Les résultats obtenus montrent que le PM donne une meilleure détection de contour dans l’espace couleur RGB comparativement à l’espace HSV. Mots clés— détection de contours, produit multi-échelles, transformée en ondelettes, espaces couleurs. I. INTRODUCTION Les contours sont connus comme une brusque variation d'intensité en niveaux de gris ou en couleur dans une image. . La détection de contours classe une image en un objet et un fond. Suite à la détection de contours, les informations d'une image sont extrêmement réduites étant donné que cette dernière ne contient que les bords des objets. Les performances de détection de contours dépendent du bruit, de la présence d'objets d’intensités similaires, de l'éclairage et de la densité des contours de la scène [1-3]. Les techniques de détection de contours analysent souvent l'image dans son intégralité, indépendamment de ses composants spécifiques. Dans cette perspective, des détecteurs de contours plus avancés ont été proposés, ces derniers ne détectent pas seulement les contours, mais essayent également de connecter les points de bord voisins dans un contour. De cette démarche, des approches multi-échelles ont été introduites, en particulier quand une certaine redondance est associée, de sorte que la plupart des éléments remarquables sont présents à différentes échelles. Parmi les différentes théories qui formalisent ces approches, le produit multi-échelles (PM) permet d'identifier les structures de complexité variable dans une image. Dans ce domaine, l'analyse multi-échelles utilisant la transformée en ondelettes des images conduit à une approche basée sur le changement de contours à différentes échelles. Nous avons appliqué le PM sur différentes images appartenant aux espaces couleurs RGB (rouge, vert et bleu) et HSV ou TSV (teinte, saturation et valeur), et nous avons évalué les performances de cette méthode par le calcul du rapport signal sur bruit. Ce document est organisé comme suit. La section 2 définit les espaces couleurs entre RGB et HSV. L’approche du PM est décrite dans la section 3, et les résultats et la comparaison sont représentés dans la section 4. II. LES ESPACES COULEURS RGB ET HSV L’Espace couleurs RVB est un mélange d’espaces couleurs composé des couleurs primaires additives qui sont le rouge, le vert et le bleu. Le caractère additif rend ces trois composantes fortement corrélées ce qui représente un inconvénient majeur de cette représentation. En fait, les trois composantes RVB ne permettent pas de reconstituer réellement toutes les couleurs perceptibles par l'œil humain. Un autre inconvénient de l’espace RGB est sa non-conformité car il est impossible d'évaluer les différences constatées entre les couleurs sur la base de distance. Le modèle (HSV) TSV, pour teinte saturation et valeur caractérise les couleurs de façon plus intuitive, conformément à notre perception des couleurs, en termes de teinte, c'est le nom utilisé pour désigner la couleur. Idéalement associé à une longueur d'onde, la saturation désigne le taux de pureté de la couleur, qui doit varier entre la pureté maximale et l'achromatisme, la valeur qui représente la mesure 2 de l'intensité lumineuse de la couleur, qui varie entre le noir absolu et le blanc. III. DETECTION DE CONTOURS PAR LE PM SUR LES ESPACES COULEURS RVB ET HSV La méthode proposée a pour objectif la détection de contours des images couleurs par le Produit Multi- échelles PM de la transformée en ondelette. Le PM est défini comme le produit des coefficients de la transformée en ondelettes à certaines échelles dyadiques. Nous opérons l’implémentation d’une ondelette 2D définie comme le gradient de la fonction gaussienne 2D appelée fonction de lissage. Nous obtenons deux ondelettes données par les fonctions ψ1 et ψ2 définies par la dérivée premières de la gaussienne par rapport à l’axe des x et celui des y respectivement [4-5]. La transformée en ondelettes d’une image est équivalente au gradient de l’image initiale après un lissage proportionnel à une échelle bien déterminée. Le PM est défini par la multiplication des coefficients d'ondelettes à l'échelle s1 et s2 dans une direction donnée, nous obtenons deux produits P1,s (x, y) et P2,s (x, y). Lors de l’analyse d’une singularité sur une image, à chaque échelle de la transformée en ondelette, nous observons des maximas locaux [6]. Un maximum est détecté, selon l’approche de Canny, comme le maximum local du module du gradient dans la direction donnée par le vecteur gradient, ce qui correspond au maximum local du module de la transformée en ondelettes dans la direction de sa phase. Les maximas de la transformée en ondelettes correspondent aux contours des objets dans l’image lissée. Le procédé proposé, appliqué à une image RVB, est composé des étapes suivantes: • Etape 1: L’image couleur est décomposée en trois images RVB. La transformée en ondelettes continue est appliquée aux lignes de chaque image (pour obtenir les contours horizontaux) et aux colonnes (pour obtenir les contours verticaux) de chaque couleur, ensuite Les dérivés directionnels sont combinés pour obtenir le gradient de la composante en cours de traitement de l’image d’origine. • Étape 2: Une fois, les contours de chaque image (RVB) obtenus, nous générons l'image gradient calculé à l'aide d’une première échelle s1. • Etape 3: les étapes 1) et 2) sont répétées pour obtenir la deuxième image gradient à l’échelle S2. • Étape 4: les résultats de l'étape 2) et l'étape 3) sont multipliés et fusionné pour obtenir le contour final de l’image. Pour le cas des images de l’espace couleurs HSV, la démarche est similaire. La décomposition de l’image HSV donne les trois composantes teinte, saturation et valeur sur lesquelles est appliquée la même démarche appliquée que pour les images RGB. IV. RESULTATS ET COMPARAISON L'algorithme proposé a été appliquée aux images couleurs RVB et HSV. Les notions de changement d’échelles ont été appliquée afin d’extraire les contours à chaque échelle et combine les résultats obtenues pour produire le contour final. Nous avons utilisé une combinaison de deux échelles dyadiques. Pour les résultats illustrés dans ce papier, nous avons optés pour les échelles s1=2-4 et s2=2-5 et nous avons utilisé des images de la base de segmentation de Berkeley (BSDS300) [7]. Afin d’évaluer la performance de la méthode nous avons ajouté un bruit blanc gaussien de variance 0,01 et calculé le rapport signal sur bruit pour analyser la capacité de suppression de bruit du PM. La comparaison des résultats obtenus pour les images illustrées par la figure 1 est présentée par le tableau 1. Les expériences montrent que l’approche du PM appliquée sur les images présentées dans la figure 1 appartenant à l’espace couleurs RVB donne le rapport signal-bruit le plus élevé comparant avec celui obtenu pour l’espace couleurs HSV. La méthode proposée est plus performante pour l’espace RVB que l’espace HSV. TABLEAU 1 : RAPPORT S/B DES CONTOURS IMAGES RVB ET HSV Image RSB image RVB RSB image HSV 37073.jpg 20.69 14.04 126007.jpg 20.54 15.61 291000.jpg 22.15 16.45 295087.jpg 20.97 14.57 351093.jpg 22.63 15.48 3 N° image Image d’origine Contours dans l’espace couleurs RVB Contours dans l’espace couleurs HSV 37073.jpg 126007.jpg 291000.jpg 295087.jpg 351093.jpg Fig. 1 : Détection de contours des images de la base BSDS. De gauche à droite: Identifiant, Images, Contours du PM Images RVB et Images HSV 4 CONCLUSION Le papier présente une approche de détection de contours des images couleurs par le produit multi-échelles de la transformée en ondelettes dans les deux bases RGB et HSV. L’ondelette employée possède la caractéristique du « Gradient de la gaussienne ». Les résultats expérimentaux indiquent qu’en présence de bruit, les contours obtenus sur l’espace couleurs RVB donnent de meilleurs résultats que dans l’espace HSV en termes de rapport signal-bruit. REFERENCES [1] Z. Rahman, D. J. Jobson and G. A. Woodell, “Multiscale Retinex for color rendition and dynamic range compression”, in Proc. SPIE 2847, (1996), pp. 183. [2] M. Y. Lee, C. H. Son, J. M. Kim, C. H. Lee and Y. H. Ha, “Illumination-Level Adaptive Color Reproduction Method with Lightness Adaptation and Flare Compensation for Mobile Display”, Journal of Imaging Science and Technology, vol. 51, no. 1, (2007), pp. 44-52. [3] R. C. Gonzalez and R. E. Woods, “Digital Image Processing; Pearson Education Asia Limited, (2007). [4] S. Bouyahia Marzouk, « Détection des microcalifications dans les mammographies par Transformée en Ondelettes », Thèse de Doctorat, ENIT 2006 [5] O. Le Cadet, « Méthodes d'ondelettes pour la segmentation d'images : Applications à l'imagerie médicale et au tatouage d'images », Thèse de Doctorat, INPG, 2004 [6] F. Truchetet, « Ondelettes pour le Signal Numérique », Edition Hermès, Paris 1998. [7] D. Martin, C. Fowlkes, D. Tal and J. Malik, ”A database of human segmented natural images and its application to evaluating segmentation algorithms and measuring ecological statistics” , Proc. IEEE Computer Vision, International Conference on (ICCV01), Vancouver, BC, jul 2001, pp. 416-42