Résumé:
La segmentation d’images est une étape incontournable dans tout processus d’analyse d’image. C’est un traitement de bas niveau qui précède l’étape de mesure, de compréhension et de décision. Son objectif consiste à partitionner l’image en régions connexes et homogènes au sens d’un critère d’homogénéité difficile à définir surtout dans le cas de régions texturées.
La plupart des méthodes de segmentation publiées dans la littérature nécessitent l’ajustement de plusieurs paramètres de contrôle afin d’obtenir de bons résultats. De plus, ces méthodes sont fortement liées à l’application visée. La recherche d’une méthode flexible adaptable à tout type d’images reste un problème ouvert en analyse d’images. De ce fait, la segmentation adaptative par coopération de méthodes suscite un grand intérêt ces dernières années.
La méthode proposée a l’avantage d’adapter le traitement au contexte selon le type d’image à segmenter (uniforme, faiblement ou fortement texturée).
Pour arriver à notre but nous avons étudié l’hétérogénéité de l’image en question pour déterminer son type et par la suite les attributs à utiliser. L’algorithme de Mean-Shift est en suite appliqué à l’espace des caractéristiques pour définir les centroïdes initiaux à utiliser dans la dernière étape de classification par l’algorithme de Fuzzy-C-Mean.
L’avantage major de notre méthode réside dans l’adaptation des traitements au contexte de l’image avec le minimum de connaissances a priori. Elle exploite l’efficacité des matrices de cooccurrence et l’analyse multi-échelle des filtres de Gabor dans le cas des images texturées pour aboutir à un résultat de segmentation plus précis et plus fidèle.
