SlideShare ist ein Scribd-Unternehmen logo
1 von 14
Downloaden Sie, um offline zu lesen
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

Weitere ähnliche Inhalte

Was ist angesagt?

47811458 exercices-systemes-echantillonnes
47811458 exercices-systemes-echantillonnes47811458 exercices-systemes-echantillonnes
47811458 exercices-systemes-echantillonnesTRIKI BILEL
 
Python avancé : Interface graphique et programmation évènementielle
Python avancé : Interface graphique et programmation évènementiellePython avancé : Interface graphique et programmation évènementielle
Python avancé : Interface graphique et programmation évènementielleECAM Brussels Engineering School
 
Réseaux de neurones récurrents et LSTM
Réseaux de neurones récurrents et LSTMRéseaux de neurones récurrents et LSTM
Réseaux de neurones récurrents et LSTMJaouad Dabounou
 
cours de complexité algorithmique
cours de complexité algorithmiquecours de complexité algorithmique
cours de complexité algorithmiqueAtef MASMOUDI
 
Chp3 - Diagramme de Classes
Chp3 - Diagramme de ClassesChp3 - Diagramme de Classes
Chp3 - Diagramme de ClassesLilia Sfaxi
 
Introduction au traitement d'images
Introduction au traitement d'imagesIntroduction au traitement d'images
Introduction au traitement d'imagesAbdelouahed Abdou
 
Chapitre 4 heuristiques et méta heuristiques
Chapitre 4 heuristiques et méta heuristiquesChapitre 4 heuristiques et méta heuristiques
Chapitre 4 heuristiques et méta heuristiquesSana Aroussi
 
Machine Learning et Intelligence Artificielle
Machine Learning et Intelligence ArtificielleMachine Learning et Intelligence Artificielle
Machine Learning et Intelligence ArtificielleSoft Computing
 
Cours Télévision Numérique.pdf
Cours Télévision Numérique.pdfCours Télévision Numérique.pdf
Cours Télévision Numérique.pdfrdsngqbjgdhf
 
Le Reseau De Neurones
Le Reseau De NeuronesLe Reseau De Neurones
Le Reseau De Neuronesguestf80d95
 
L’optimisation par essaims de particules
L’optimisation par essaims de particulesL’optimisation par essaims de particules
L’optimisation par essaims de particuleschagra bassem
 
Digital Signal Processor ( DSP ) [French]
Digital Signal Processor ( DSP )  [French]Digital Signal Processor ( DSP )  [French]
Digital Signal Processor ( DSP ) [French]Assia Mounir
 
Introduction to Machine learning
Introduction to Machine learningIntroduction to Machine learning
Introduction to Machine learningQuentin Ambard
 
Gateway d’un système de monitoring
Gateway d’un système de monitoringGateway d’un système de monitoring
Gateway d’un système de monitoringGhassen Chaieb
 

Was ist angesagt? (20)

47811458 exercices-systemes-echantillonnes
47811458 exercices-systemes-echantillonnes47811458 exercices-systemes-echantillonnes
47811458 exercices-systemes-echantillonnes
 
Python avancé : Interface graphique et programmation évènementielle
Python avancé : Interface graphique et programmation évènementiellePython avancé : Interface graphique et programmation évènementielle
Python avancé : Interface graphique et programmation évènementielle
 
Réseaux de neurones récurrents et LSTM
Réseaux de neurones récurrents et LSTMRéseaux de neurones récurrents et LSTM
Réseaux de neurones récurrents et LSTM
 
Deep learning
Deep learningDeep learning
Deep learning
 
Chap1 dsp
Chap1 dspChap1 dsp
Chap1 dsp
 
cours de complexité algorithmique
cours de complexité algorithmiquecours de complexité algorithmique
cours de complexité algorithmique
 
Chp3 - Diagramme de Classes
Chp3 - Diagramme de ClassesChp3 - Diagramme de Classes
Chp3 - Diagramme de Classes
 
Introduction au traitement d'images
Introduction au traitement d'imagesIntroduction au traitement d'images
Introduction au traitement d'images
 
Chapitre 4 heuristiques et méta heuristiques
Chapitre 4 heuristiques et méta heuristiquesChapitre 4 heuristiques et méta heuristiques
Chapitre 4 heuristiques et méta heuristiques
 
Machine Learning et Intelligence Artificielle
Machine Learning et Intelligence ArtificielleMachine Learning et Intelligence Artificielle
Machine Learning et Intelligence Artificielle
 
Cours Télévision Numérique.pdf
Cours Télévision Numérique.pdfCours Télévision Numérique.pdf
Cours Télévision Numérique.pdf
 
Le Reseau De Neurones
Le Reseau De NeuronesLe Reseau De Neurones
Le Reseau De Neurones
 
Soc
SocSoc
Soc
 
L’optimisation par essaims de particules
L’optimisation par essaims de particulesL’optimisation par essaims de particules
L’optimisation par essaims de particules
 
DSP
DSPDSP
DSP
 
Langage vhdl
Langage vhdlLangage vhdl
Langage vhdl
 
Chap2 dsp
Chap2 dspChap2 dsp
Chap2 dsp
 
Digital Signal Processor ( DSP ) [French]
Digital Signal Processor ( DSP )  [French]Digital Signal Processor ( DSP )  [French]
Digital Signal Processor ( DSP ) [French]
 
Introduction to Machine learning
Introduction to Machine learningIntroduction to Machine learning
Introduction to Machine learning
 
Gateway d’un système de monitoring
Gateway d’un système de monitoringGateway d’un système de monitoring
Gateway d’un système de monitoring
 

Andere mochten auch

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
 

Andere mochten auch (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)
 

Mehr von 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
 

Mehr von 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