Mise en oeuvre d'un système coopératif adaptatif de segmentation d'images multicomposantes

par Mohamad M. Awad

Thèse de doctorat en Traitement du signal et télécommunications

Sous la direction de Kacem Chehdi.

Soutenue en 2008

à Rennes 1 .

mots clés

• Traitement d'images -- Techniques numériques
• Fusion multicapteurs
• Algorithmes génétiques
• Systèmes adaptatifs

Résumé

The exploitation of images acquired by various sensors for a difficult application such as the Remote Sensing presents a wide investigation field and poses many problems for all levels of the image processing chain. Also, the development of adaptive and optimized segmentation and fusion methods proves out to be indispensable. Image segmentation and fusion are the key phases of all systems of recognition or interpretation by vision: the rate of identification or the quality of interpretation depends indeed closely on the sharpness of the analysis and the relevance of results of these phases. Although the topic was studied extensively in the literature, it does not exist a universal and efficient method of classification and fusion allowing an accurate identification of classes of a real image when this one is composed at a time of uniform regions (weak local variation of luminance) and of textured nature. In addition, the majority of these methods require a priori knowledge which is difficult to obtain in practice. Furthermore, they assume the existence of models which can estimate its parameters, and fit to given data. However, such a parametric approach is not robust and its performance is severely affected by the correctness of the utilized parametric model. In the framework of this thesis, a cooperative adaptive mutli-component image segmentation system using the minimum a priori knowledge is developed. The segmentation methods used in this system are nonparametric. The system works by analyzing the image in several hierarchical levels of complexity while integrating several methods in cooperation mechanisms. Three cooperative approaches are created between different methods such as Hybrid Genetic Algorithm, Fuzzy C-Means, Self-Organizing Map and Non-Uniform Rational B-Spline. In order to finalize image segmentation results, a fusion process of the results of the segmentation of the above three methods is used. The assessment of the system is achieved through several experiments by using different satellite and aerial images. The obtained results show the high efficiency and accuracy of developed system.

Titre traduit

Implementing a cooperative and adaptative segmentation and fusion system for multi-component images

Résumé

Dans le domaine de la télédétection, l'exploitation des images acquises par divers capteurs présente un large champ d'investigation et pose de nombreux problèmes à tous les niveaux dans la chaîne de traitement des images. Aussi, le développement d’approches de segmentation et de fusion optimisées et adaptatives, s’avère indispensable. La segmentation et la fusion sont deux étapes essentielles dans tout système de reconnaissance ou d’interprétation par vision: Le taux d'identification ou la qualité de l'interprétation dépend en effet, étroitement de la qualité de l'analyse et la pertinence des résultats de ces phases. Bien que le sujet ait été étudié en détail dans la littérature, il n'existe pas de méthodes universelles et efficaces de segmentation et de fusion qui permettent une identification précise des classes d'une image réelle lorsque celle-ci est composée à la fois de régions uniformes (faible variation locale de luminance) et texturées. En outre, la majorité de ces méthodes nécessitent des connaissances a priori qui sont en pratique difficilement accessibles. En outre, certaines d’entre elles supposent l'existence de modèles dont les paramètres doivent être estimés. Toutefois, une telle approche paramétrique est non robuste et ses performances sont sévèrement altérées par l’ajustement de l'utilisation de modèles paramétriques. Dans le cadre de cette thèse, un système coopératif et adaptatif de segmentation des images multicomposantes est développé. Ce système est non-paramétrique et utilise le minimum de connaissances a priori. Il permet l’analyse de l'image à plusieurs niveaux hiérarchiques en fonction de la complexité tout en intégrant plusieurs méthodes dans les mécanismes de coopération. Trois approches sont intégrées dans le processus coopératif: L’Algorithme Génétique Hybride, l'Algorithme des C-Moyennes Floues, le Réseau de Kohonen (SOM) et la modélisation géométrique par ’’Non-Uniform Rational B-Spline’’. Pour fusionner les différents résultats issus des méthodes coopératives, l’algorithme génétique est appliqué. Le système est évalué sur des images multicomposantes satellitaires et aériennes. Les différents résultats obtenus montrent la grande efficacité et la précision de ce système.