Types d’approches pour la segmentation

 Types d’approches pour la segmentation

Il est possible de les regrouper selon différentes caractéristiques communes. Dans [Haralick & Shapiro 1985, Sonka et al. 1993, Zhang 1997], les auteurs distinguent glo balement les méthodes par détection de contours et les détections de régions. Le premier groupe consiste à détecter les discontinuités entre les objets et en déduire les régions. Le second groupe repose sur des mesures d’homogénéité des pixels ou régions adja cent(e)s.

Afin d’être plus robustes, il existe aussi des méthodes de segmentations qui combinent des méthodes de ces deux groupes. Dans le cadre de la segmentation de données de télédétection à THRS, nous sou haitons obtenir des régions qui fournissent une représentation correcte des objets géo graphiques présents sur l’image.

Cependant les objets géographiques étant de taille et de forme très variées, il semble difficile de les détecter lors d’une unique étape de traitement. Nous nous intéressons ainsi à la manière dont des régions initialement créées peuvent être modifiées pour se rapprocher au mieux du résultat souhaité.

Dans [Zouagui et al. 2004], les auteurs distinguent trois types de modification de régions : les modifications avec un nombre constant de régions, la création de nouvelles régions et l’agrégation de régions. Nous avons fait le choix de présenter dans la section suivante les méthodes de segmentation les plus répandues selon cette typologie.

Modifications avec un nombre constant de régions Les méthodes basées sur l’analyse des histogrammes Ces méthodes ne ré pondent pas à la définition de segmentation énoncée dans la section 5.1.1 dans le sens où l’adjacence des pixels n’est pas un critère pris en compte.

Cependant, leur présen tation est inéluctable car ces méthodes ont occupé une place prédominante dans les applications de télédétection avant le développement des images à THRS et suscitent 110 LEFEBVRE, Antoine. Contribution de la texture pour l’analyse d’images à très haute résolution spatiale : application à la détection de changement en milieu périurbain

État de l’art toujours beaucoup d’intérêt pour le traitement des images de basse et moyenne réso lution spatiale. Les méthodes basées sur l’analyse des histogrammes sont les méthodes dites « pixels ». Celles-ci se basent uniquement sur les valeurs spectrales de chaque pixel et essaient de les regrouper à partir de caractéristiques communes.

L’idée principale est de considérer les valeurs des pixels comme une fonction de densité de probabilité dans un espace de mesures à n-dimensions (espace colorimétrique ou spectral, indices de tex ture … ). Le but est d’identifier dans cet espace les zones où les pixels se concentrent, c’est-à-dire les zones de fortes densités correspondant aux « modes ». Il existe de nom breuses méthodes d’analyse de l’espace spectral.

Parmi elles, certaines peuvent être réalisées sans initialisation, ces approches sont dites « non-supervisées ». À l’inverse, si l’on recherche des groupes de pixels respectant certains critères, il est nécessaire de réa liser une étape d’apprentissage avec des échantillons des classes recherchées. On parle alors de classifications « supervisées ».

Cependant, nous ne nous intéressons pas à ces dernières car nous recherchons une méthode de segmentation qui ne nécessite pas de connaissances a priori de l’image. De plus, rappelons que des exemples d’application de ces méthodes (de type « supervisées » et « non-supervisées » confondues) en télédé tection pour la classification d’une image à une date ou la détection de changements sur plusieurs images ont déjà été cités dans la section 1.3.

Les méthodes couramment utilisées dans la communauté de télédétection sont li mitées car elles prennent difficilement en compte l’information spatiale de l’image (cf. section 1.3.3). Dans le domaine de l’imagerie à THRS, elles sont de plus en plus obso lètes car elles souffrent du manque de prise en compte du lien spatial. En effet, elles ne répondent pas aux problèmes de la variabilité intra-classes exposée dans la section 1.3.3 et génèrent parfois un effet « poivre et sel ».

Parmi les méthodes « non-supervisées », nous pouvons citer la segmentation par nuées dynamiques (k-means) qui est utilisée dans de nombreuses applications. Par une succession d’itérations, l’algorithme recherche les noyaux (les centres de gravité) d’un nombre de modes défini par l’utilisateur à l’aide d’une distance de similarité (le plus souvent euclidienne).

Les limites de la segmentation par nuées dynamiques sont principalement le nombre de régions à définir et l’hypothèse que la distribution des densités soit uniforme. Cela rend la méthode particulièrement sensible au bruit de l’image.