APPLICATION DE PSO – 2 S EN SEGMENTATION D ’IMAGES ET ÉLECTRONIQUE

APPLICATION DE PSO – 2 S EN SEGMENTATION D ’IMAGES ET ÉLECTRONIQUE

Ce chapitre se divise en deux parties correspondant aux applications de PSO-2S à des problèmes « réels ». Dans la première partie (section 4.2), nous présentons la première ap- plication de PSO-2S en segmentation d’images, dans laquelle PSO-2S est utilisé comme méthode d’optimisation pour minimiser un critère qui permet de déterminer les différents seuils d’une image multi-classes. Dans la deuxième partie (section 4.3), nous présentons la deuxième application de PSO-2S en électronique (plus précisément, dans le cadre de la conception de composants des circuits électroniques). Le but ici est de trouver les dimen- sions des transistors qui permettent de faire fonctionner de manière optimale les circuits étudiés.Le traitement d’images numériques est devenu prépondérant dans de nombreux do- maines, tels que la surveillance, la médecine ou encore la prospection pétrolière. Les images pouvant contenir des informations très diverses, difficiles à extraire et à séparer vi- suellement, il est devenu nécessaire de disposer d’algorithmes de traitement automatique des images. Un système de traitement automatique d’images est globalement composé de deux niveaux : le premier est consacré au traitement numérique, au sens large, avec des opérations telles que le codage, l’amélioration ou encore la restauration ; le deuxième est dédié à l’analyse des images, dans le but d’extraire et d’interpréter l’information contenue dans l’image.

Plusieurs approches de segmentation d’images existent dans la littérature [Naki 07]. Dans le cadre de nos travaux, nous nous sommes limités à l’approche par seuillage d’images. Le seuillage d’image est une méthode de segmentation supervisée, c’est-à-dire que le nombre de régions et leurs propriétés sont fournis au préalable par l’utilisateur. La segmentation est effectuée en déterminant, pour chaque pixel, la classe dont les propriétés se rapprochent le plus de celles observées en ce pixel. La technique de seuillage est basée sur l’hypothèse que les différentes régions de l’image peuvent être différenciées par leurs niveaux de gris. Cette méthode repose donc sur l’utilisation de l’histogramme de l’imageDans cette partie de ce chapitre, nous montrons l’intérêt d’utiliser la métaheuristique PSO-2S, décrite dans le chapitre 2, pour la segmentation d’images IRM cérébrale. Les per- formances de PSO-2S sont tout d’abord comparées à celles de SPSO-07 (Standard Particle Swarm Optimization dans sa version 2007) [Cler 12], en utilisant des images de référence, communément utilisées dans la littérature en segmentation. Ensuite, les performances de ces deux algorithmes seront comparées sur des images issues d’une base de données gé- nérée par simulation d’IRM cérébrale [Bran 12, Coll 98]. Cette base de données, appelée BrainWeb, fournit des images pour lesquelles une segmentation « optimale » est connue. En effet, les simulations d’IRM cérébrale disponibles sur BrainWeb se basent sur un mo- dèle anatomique prédéfini du cerveau. Les images générées par ces simulations peuvent ainsi servir pour valider une méthode de segmentation, ou comparer les performances de différentes méthodes.

Les performances du seuillage manuel dépendent de l’aptitude de l’opérateur à trou- ver les bons seuils de segmentation. Cette tâche ne pose pas de problème lorsque l’histo- gramme de l’image n’est pas difficile à interpréter. Toutefois, ce n’est pas toujours le cas avec les différentes classes d’images. Le but d’un algorithme de seuillage est donc de pro- poser une méthode automatique qui permette à l’utilisateur de s’affranchir de l’ensemble des quatre étapes du seuillage manuel, afin de gagner en précision et en rapidité de traite- ment.Les deux méthodes non-paramétriques de référence sont la méthode d’Otsu [Otsu 79] et la méthode de Kapur et al. [Kapu 85]. Beaucoup de techniques parues ensuite sont des variantes de ces deux méthodes. La méthode d’Otsu repose sur la maximisation de la variance interclasse. Celle de Kapur et al. est basée sur la maximisation de l’entropie de Shannon. Cette méthode a ouvert le champ à la définition de nombreuses mesures d’infor- mation pour mieux segmenter les images, telles que l’entropie de Tsallis ou l’entropie de Renyi [Sezg 04].Les méthodes paramétriques de seuillage supposent que les différentes classes de l’image suivent une fonction de densité de probabilité (fdp) prédéfinie. L’histogramme est alors approché par une somme de fdp et les seuils sont choisis aux intersections de celles- ci. Généralement, ces fdp sont supposées suivre un modèle gaussien. Le problème se dé- compose ici en deux étapes : estimer les paramètres des fdp et déterminer les seuils de seg- mentation. La plupart des méthodes existantes sont présentées dans [Saho 88], [Sezg 04], [Gonz 07] et [Cuev 10].