Généralités sur le calcul parallèle

La segmentation joue un rôle prépondérant dans le domaine de traitement d’images. Elle est sans doute la tâche qui mobilise le plus d’efforts. Elle n’apparaît pas toujours de façon explicite, mais elle est toujours présente, même lorsque les images à analyser sont simples. Elle est une brique parmi un enchaînement de traitements répondant à un problème concret. Elle est réalisée avant les étapes d’analyse et de prise de décision dans plusieurs processus d’analyse d’image, telle que la détection des objets . Elle aide à localiser et à délimiter les entités présentes dans l’image. L’intérêt de ces entités est de pouvoir être manipulé via des traitements de haut niveau pour extraire des caractéristiques de forme, de position, de taille, etc. La segmentation d’images constitue une partie clé de tels systèmes qui conditionne les étapes ultérieures. C’est un domaine réputé difficile en analyse d’images et qui englobe toute la problématique liée à la délimitation des zones. Il n’existe pas de théories s’appliquant à différents types d’images, mais plutôt des méthodes variées que l’on choisit et que l’on développe pour résoudre des problèmes d’analyse sur un type d’images bien défini. Le choix de la méthode est généralement conditionné par la représentation d’images que l’on choisit d’adopter [Cousty 2007].

Devant la multitude des méthodes proposées, la segmentation d’images est toujours un sujet d’actualité et un problème permanent qui reste ouvert. Elle ne peut être appliquée que si elle remplit un certain nombre de critères afin de ne pas produire d’erreurs qui se répercuteraient sur l’ensemble de la chaîne de traitements. Ces critères se résument généralement en précision, et en robustesse. En pratique, ces critères ne sont pas complètement remplis, et il est important de prendre en compte le contexte d’utilisation envisagé pour concevoir une méthode de segmentation. Autrement dit, le critère principal doit être la réalisation de la tâche visée et qui devra permettra d’arriver à une bonne interprétation. En raison de la variabilité des images, et du grand nombre d’applications possibles, les obstacles rencontrés pendant la segmentation sont multiples [Meurie 2005] [Ciofolo 2005]. Les plus courants sont :

– La variabilité des formes à segmenter,
– Le bruit sur l’image,
– Le faible contraste et les frontières mal définies,
– La complexité des régions environnant la cible,
– L’hétérogénéité des intensités,
– Etc.

Le problème de l’évaluation de la qualité de la segmentation devient primordial. L’efficacité d’un algorithme de segmentation est illustrée habituellement par la présentation de quelques résultats de segmentation, ce qui n’autorise que des conclusions subjectives sur les performances de cet algorithme [Chabrier 2005]. Néanmoins un algorithme de segmentation doit au moins être stable et régulier. Valider correctement une segmentation nécessite souvent la vérité terrain. Une segmentation idéale serait en mesure de traiter une grande variété d’images issues de modalités diverses et de donner des résultats précis.

La segmentation est donc l’affectation des pixels à des régions homogènes et disjointes formant une partition de l’image. Les pixels qui appartiennent à une même région partagent une propriété commune dite critère d’homogénéité. Cependant, il est important de souligner que le nombre de régions est indéterminé et qu’il peut donc exister plusieurs segmentations possibles pour un critère d’homogénéité donné. Pour cette subdivision en régions distinctes homogènes, il est reconnu deux grandes approches, l’approche région et l’approche frontière. Ces deux approches sont duales car une région définit une ligne sur son contour et une ligne fermée définit une région intérieure.

Les critères de segmentation forment la partie active du processus de segmentation. Ils définissent la partition à obtenir et dépendent de l’application. Ils sont nombreux et variés. Ils sont souvent combinés afin de produire des résultats aussi pertinents que possible. Dans sa thèse, Dupas [2009] a cité quatre grandes classes de critères pour guider le processus de segmentation : les critères scalaires : basés sur les valeurs de l’image qui utilisent directement l’information de valeur des éléments de l’image afin de déterminer l’homogénéité. Parmi ces critères, nous trouvons les critères basés sur l’intensité des niveaux de gris ou l’intensité de couleur (la variance, l’histogramme local, la texture locale) ; Les critères fréquentiels : pour ce type de critères, l’image est considérée comme un signal multidimensionnel et les partitions sont déterminées à partir des opérations de traitement de signal. Les critères les plus utilisés sont la transformée de Fourier, la transformée en cosinus, et les ondelettes ; Les critères géométriques : représentent les paramètres géométriques mesurables d’un objet tels que : la dimension (longueur, largeur, etc.), l’aire, l’élongation (rapport longueur/largeur), le volume, la forme (courbure, etc.); Les critères topologiques : représentent les invariants topologiques des objets définis dans des espaces topologiques. Parmi ces critères, nous trouvons la caractéristique d’Euler, et les nombres de Betti.

Une étude formelle morpho-mathématique des deux notions « critère » et « segmentation » a été aussi abordée dans les travaux de Serra [2003]. Cette étude est fondée d’une part, sur la définition mathématique de la partition d’un ensemble en parties disjointes, connexes et maximales, et d’autre part, sur les propriétés que doit vérifier un critère de segmentation. Les propriétés établies pour un critère de segmentation devraient toujours permettre de trouver au moins une partition qui les vérifie .