Chapitre 4

Les textures
Chapitre r´ dig´ par Henri M AˆTRE e e I

4.1 Qu’est ce qu’une texture ?
Dans le domaine du traitement de l’image et de la vision, il n’existe pas de d´ finition satisfaisante de la texture. e Les d´ finitions math´ matiques construites a partir de propri´ t´ s statistiques sont soit trop g´ n´ rales et impr´ cises e e ` ee e e e soit trop restrictives pour s’adapter a la diversit´ des cas rencontr´ s. La d´ finition que nous proposons n’est pas ` e e e op´ rationnelle et prˆ te sur ce point a critique. Elle s’appuie sur une constatation exp´ rimentale : une texture est e e ` e un champ de l’image qui apparaˆt comme un domaine coh´ rent et homog` ne, c’est-` -dire formant un tout pour ı e e a un observateur. C’est cette propri´ t´ de coh´ rence de la texture plac´ e dans son contexte d’ˆ tre percue comme ee e e e ¸ un tout homog` ne par l’œil humain qui sera recherch´ e le plus souvent par le traiteur des images, dans le but e e d’isoler les textures, soit pour segmenter l’image, soit pour reconnaˆtre des r´ gions. La figure 4.1 illustre la diversit´ ı e e des textures et l’ouvrage de r´ f´ rence de Brodatz [Brodatz, 1966] offre une collection de textures naturelles qui ee constituent d’excellents exemples et sont souvent utilis´ es pour tester les algorithmes et les m´ thodes. e e

F IG . 4.1 – Quelques exemples de textures naturelles : ecorce d’arbre, poil court, perles, tapis d’aiguilles de pin et ´ de feuilles. Les capacit´ s du syst` me visuel humain a discerner les textures diff´ rentes sont remarquables et tr` s mal exe e ` e e 49

Nos capacit´ s a distinguer des textures diff´ rentes peuvent parfois s’expliquer par les capacit´ s de filtrage e ` e e du syst` me visuel (bande passante des voies optiques. e 4.). Elles deviennent excellentes e e ` e e d` s lors que l’on a reconnu l’objet de la vie courante dont la texture est issue.6. LES TEXTURES pliqu´ es. celle-ci restant e e e e e globalement invariante dans un rep` re impr´ cis´ (cf. non comme une perturbation des propri´ t´ s e e e ee g´ om´ triques du champ textur´ .2 – Lorsque la texture n’est pas homog` ne. discrimination angulaire. herbe. Julesz. La premi` re famille sera bien d´ crite par des approches fr´ quentielles ou des approches structurelles dans e e e lesquelles on associera un motif et des r` gles de placement sur un pavage r´ gulier. etc. dans lesquelles la p´ riodicit´ du motif est evidente : grilles.1. etc. les textures r´ guli` res. nuages. c’est-` -dire que nous n´ gligerons g´ n´ ralement e a e e e les effets de perspectives et les variations d’homog´ n´ it´ du champ de distribution des intensit´ s. murs. (mais aussi pour simplifier consid´ rablement la tˆ che du traiteur d’image). Grossberg et Mingolla.2). d’´ clairage. les textures al´ atoires pour lesquelles la distribution des intensit´ s n’est l’objet d’aucune r´ gularit´ appae e e e rente : sable. 1969. a partir des sym´ tries. proximit´ s.).50 CHAPITRE 4. figure 4. sensibilit´ aux variations locales e e de luminosit´ [Hubel et Wiesel. nous e a consid´ rerons par la suite les textures comme spatialement invariantes. des textures non reconnues (champs al´ atoires cr´ es math´ matiquement par exemple. etc. et mˆ me en l’absence d’un contexte favorable (par exemple pr´ sence de silhouettes d’objet ou d’alignements e e perspectifs).1 Distribution al´ atoire ou r´ guli` re ? e e e Une premi` re constatation que l’on fait en examinant des textures naturelles est le rˆ le particulier que joue e o l’al´ atoire dans la texture. F IG . 1971]). le syst` me visuel interpr` te la d´ formation de la texture. Parfois elles rel` vent de m´ canismes de psycho-vision et e e e peuvent trouver des explications par exemple dans la Gestalt Theorie qui propose des m´ canismes d’associae tion (groupement perceptuel) ou de discrimination. de ` e e e couleur. Au contraire. Ainsi un tronc d’arbre est vu comme une texture e e e homog` ne enroul´ e sur un cylindre et non comme une texture plane dont les fr´ quences spatiales s’accroissent en e e e approchant des bords. ´e L’une des remarquables capacit´ s du syst` me visuel est de reconnaˆtre des textures d´ j` m´ moris´ es mˆ me sous e e ı ea e e e de tr` s fortes distorsions g´ om´ triques (vues perspectives. entre lesquels se e e e positionnent un peu toutes les textures : 1. Notre m´ morisation est alors ree e marquable et invariante a de tr` s nombreuses transformations (changement d’´ chelle. mais comme une variation de la g´ om´ trie qui supporte la texture. Nos capacit´ s a m´ moriser et discriminer des textures sont tr` s variables. similarit´ s des stimulus ` e e e el´ mentaires composant la texture [Wertheimer. Dans ces condie e e tions. 4. e e . Nous l` verons e e e e e cette hypoth` se au paragraphe 4. 1985]. 1944. d’orientation. foule. ee e e Pour toutes ces raisons. on interpr` te naturellement les variations locales de ses proe e pri´ t´ s statistiques comme des d´ formations de la surface sur laquelle elle est projet´ e. recouvrement de surfaces gauches. On distingue assez naturellement deux mod` les extrˆ mes de textures. e e e e ´ 2. e e´ e ou textures plac´ es hors de leur contexte) sont m´ moris´ es de facon tr` s fugitive et sont peu robustes aux transfore e e ¸ e mations. tissus.

e e e ¡   4. On d´ compose tout d’abord le flot ope e tique en une pyramide (cf. Elle peut etre au contraire relativement variable (personne dans e ˆ une foule. perle.4) par une succession de filtrages gaussiens et de sous-´ chantillonnages e adapt´ s (semblables aux pyramides de Burt et Adelson [Burt. paragraphe 3. on observe souvent un objet el´ mentaire qui constitue la base de ´ e ´e la texture (poil. des moments. des mod` les de texo e e e tures on et´ propos´ s. Ces travaux se distinguent notablement de ceux conduits e e en traitement d’image qui visent plutˆ t a extraire des param` tres discriminants et robustes permettant de s´ parer o ` e e des textures diff´ rentes. . e e e de Valois et al. . Cette composante el´ mentaire de la texture a tendance e ´e naturellement a disparaˆtre lorsqu’on observe le champ global de la texture.2. caillou sur une plage.). de p´ riodicit´ . 1991] un tel mod` le. sur la figure 4. son isotropie. s’inspirant de ce que l’on connaˆt aujourd’hui de cette perception.` 4. pour des jeux vid´ o. Chaque niveau de la pyramide est alors e filtr´ par 4 filtres qui produisent une d´ riv´ e seconde directionnelle selon l’horizontale. bois. Cette juxtaposition poss` de ses propres lois d’isotropie. de e e e e e r´ gularit´ et induit donc d’autres lois statistiques (corr´ lation. Une bonne analyse de texture donnera des informations sur ces deux composantes egalement. tissus. Mais ces travaux se rejoignent en ce qu’ils contribuent simultan´ ment a une meilleure e e ` e connaissance et compr´ hension des textures a travers la boucle analyse/synth` se qui a fait ses preuves en e ` reconnaissance des formes. ou photom´ triquement (aiguille de pin). ` ı e e ` ` A plus grande echelle (donc pour une analyse plus grossi` re). . etc.1). e ´ ` A petite echelle (donc pour des d´ tails fins).3 Analyse ou synth` se e Un effort tr` s important a et´ fait dans le domaine de la synth` se des images pour cr´ er artificiellement ou copier e ´e e e des textures naturelles : forˆ ts ou cultures pour des simulateurs de vols. Dans la suite. la verticale et les deux e e e diagonales. 1984]. une description spectrale en o e termes de densit´ de puissance.1. nuage). la texture apparaˆt comme une juxtaposition plus ´ e ı ou moins r´ guli` re des motifs ci-dessus. murs.. des propri´ t´ s de corr´ lation ou d’isotropie. e On trouve par exemple dans [Bergen et Landy. m´ taux pour des repr´ sentations e e e d’int´ rieur. Cette primitive peut etre tr` s r´ guli` re g´ om´ triquement ˆ e e e e e (perle).2. nous empruntons les m´ thodes aussi bien a l’analyse qu’` la synth` se e ` a e des images en pr´ cisant lorsque c’est n´ cessaire les limites des m´ thodes dans l’une ou l’autre application. L’une des difficult´ s est de les mˆ ler dans des mod` les capables de s’adapter a la variabilit´ des e e e ` e textures etudi´ es. densit´ de puissance) qui se combinent a celles du e e e e ` motif de base.2 Mod` les de texture e 4. 1969. On proc` de ensuite a une mesure d’´ nergie dans chaque image par une int´ gration locale des sorties e ` e e . Elle poss` de une taille et des propri´ t´ s statistiques caract´ ristiques (qui e ee e joueront sur sa fonction de corr´ lation. MODELES DE TEXTURE 51 La seconde approche sera plutˆ t d´ crite par des lois statistiques. 1982] ainsi que sur des exp´ rimentations sur les effets de masquage psychovisuel [Phillips et Wilson. e ee e Mais une texture n’est jamais strictement p´ riodique ni totalement al´ atoire et les deux mod` les se compl` tent e e e e naturellement.2. ´ e ´ 4. ´ 4.1. Elle est int´ gr´ e a la texture.2 Les echelles des textures Une autre particularit´ tr` s importante des textures est qu’elles pr´ sentent g´ n´ ralement plusieurs niveaux e e e e e d’´ chelle auxquels on peut les etudier. 1981]). Ces travaux s’appuient sur ´e e ı les m´ canismes d’adaptation du syst` me visuel aux fr´ quences spatiales et aux orientations [Hubel et Wiesel. eau. aiguille de pin. toitures.1 Un mod` le biologiquement plausible e Compte tenu du rˆ le important de la perception humaine dans la d´ finition mˆ me de texture.

.3). Eventuellement.1. La texture est alors consid´ r´ e comme la r´ alisation d’un processus al´ atoire gouvern´ par ses lois. Sur le voisinage on mesure des propri´ t´ s particuli` res de l’image : soit ee e la mesure attach´ e a la e ` configuration parmi les mesur´ es. et plus g´ n´ ralement les ensembles ferm´ s al´ atoires.3). On classifie les pixels a partir du vecteur form´ par les ` e par l’une des nombreuses m´ thodes de la recone naissance des formes (rappel´ es en section 3. e £¡   ¤£¡    . 1978]. La fenˆ tre d’analyse e La dimension du voisinage est importante.52 CHAPITRE 4.).2. 1993.4 [Cross et Jain. et nous renvoyons le lecteur a trois textes qui couvrent assez bien l’´ volution du domaine : [VanGool et al.3. e ´ 1. Il existe d’autres e e e e e e sch´ mas tout aussi int´ ressants [Mayhew et Frisby. etc. 1985]. On d´ finit un voisinage e ¨ ©¦      ¨¦ ©§¥ ¤£¢  ¡ ¤£¢  ¡  de tout pixel . mais il faut s’assurer alors e e que la technique de classification n’est pas perturb´ e par des mesures faites sur des echantillons variables. masque de contours. On proc` de enfin a une etape de normalisation pour tenir compte e ` ´ d’une sorte de gain variable de contrˆ le de contraste v´ rifi´ exp´ rimentalement. o e e e Un tel sch´ ma de fonctionnement du syst` me visuel humain est tr` s sch´ matis´ et controvers´ . ` e Randen et Husøy. e e e e e – les mod` les autor´ gressifs et leurs d´ riv´ s. on r´ duit la dimension de e l’espace par une s´ lection judicieuse des composantes les plus significatives ou par analyse en composantes e principales. si est trop grand. Ces mesures seront attach´ es au pixel ( ). Nous ee e e e avons vu dans les chapitres ant´ rieurs deux mod` les qui ont et´ abondamment utilis´ s pour mod´ liser les textures : e e ´e e e – le sch´ ma bool´ en (cf.1 Sch´ ma g´ n´ ral e e e Le principe le plus g´ n´ ral de l’analyse statistique des textures est le suivant. avant cette classification. LES TEXTURES pr´ c´ dentes et l’on soustrait ces energies. mettent l’accent sur la distribution statistique des pixels et sur leur d´ pendance e e spatiale. Taille et forme peuvent eventuellement s’adapter au signal a mesurer e e e e ´ ` si l’on a quelque m´ thode pour le faire (pr´ -segmentation. Nous nous attarderons particuli` rement sur ce point a la section e e ` 4. ces derniers etant e e e e ı ´ aujourd’hui les plus universellement adopt´ s. 1983. e ´ 4. e e 2. dans un mˆ me niveau de r´ solution. 4. mais. La forme est g´ n´ ralement carr´ e. entre orientations voisines (pour e e ´ e e exprimer le contraste relatif entre directions). figure e 4. e e 3. au contraire. Reed et du Buf. chaˆnes de Markov et champs de Markov. et si le vecteur de mesures est trop grand. Elle doit comprendre au moins un motif de base de la texture mesur´ e pour fournir des statistiques homog` nes e e sur la texture. de taille et de forme appropri´ es. la pr´ cision de localisation des fronti` res des textures d´ tect´ es sera e e e e m´ diocre. qui consid` rent la e e e e e e e texture comme une distribution poissonnienne de motifs et qui est particuli` rement bien analys´ par les outils e e d´ velopp´ s en morphologie math´ matique qui permettent de d´ finir sa capacit´ de Choquet [Schmitt et Mattioli. mais il a le m´ rite de comporter la plupart des etapes e e e ´ que nous reverrons plus loin pour analyser les textures. 1999] 4. C’est l’un des choix d´ licats de l’analyse des textures (cf. 1985. 4.2 Mod` les stochastiques e Ces mod` les. 1994] . section ??).3 Analyse et reconnaissance de textures Il existe de nombreuses revues des diverses approches de l’analyse de textures. Chellappa et Kashyap.

3. C moyennes floues. etre segment´ es par simple e e ˆ e seuillage (cas de la mesure d’un seul param` tre discriminateur) ou par des seuils multiples sur les diverses come posantes. id´ alement. une nouvelle image dont les plages seront tr` s distinctes et pourront. r´ seaux neuroe e e mim´ tiques. 4. plans s´ parateurs. e  ¨¦ ©§¥ Dans ces approches on mesure les propri´ t´ s statistiques autour du point ee dans le voisinage . ce qui r´ duit les calculs et permet de prendre de meilleures d´ cisions e e car les composantes sont alors non corr´ l´ es.3. Les erreurs de classification peuvent b´ n´ ficier de techniques contextuelles de reclassification e e e comme la relaxation ou les champs de Markov comme nous le verrons plus bas (section 4. On diagonalise et on ne retient que ses plus grands vecteurs propres sur lesquels on projette toutes les mesures.1. on utilise des techniques de classification supervis´ ees : k-plus proches voisins. Lorsque l’on cherche non seulement a discriminer des plages de textures diff´ rentes. la fenˆ tre e mesurera des propri´ t´ s moyennes sur tout le toit et ignorera les ee diff´ rences entre tuiles claires et sombres. etc. mais aussi a reconnaˆtre ` e ` ı des textures particuli` res. ee 4. ¢  ¨¦ ©§¥ £¡      ©§    ¨¦¥¨ ¥ ¢    £ ¤ ¢     ¨¦ ©§¥  ¡  . On calcule alors la matrice de taille et telle que .4.4). pr´ alablements entraˆn´ s sur des ensembles e e e e e e ı e d’apprentissage [Vickers et Modestino. La fenˆ tre permettra de d´ terminer des propri´ t´ s caract´ ristiques d’une tuile de ce toit et distinguera e e e ee e tuiles claires de tuiles sombres. La r´ duction des dimensions e occupe rarement toutes les Les diverses variables mesur´ es sont rarement ind´ pendantes et le vecteur des e e dimensions de . r´ seaux neuro-mim´ tiques. ANALYSE ET RECONNAISSANCE DE TEXTURES La classification des donn´ es e 53 Ce sont celles que nous avons vues au chapitre 3. Dans l’id´ al on aimerait pouvoir obtenir a partir de l’image e e ` . classie e fieurs bay´ siens. 1982]. La classification se fait alors dans l’espace de dimension . En pratique il est rare que l’on puisse s´ parer les nuages des mesures et il faut trouver des compromis e lors des d´ cisions.3 – Le choix de la taille de la fenˆ tre d’analyse est important pour s´ lectionner les d´ tails que l’on souhaite e e e pr´ server.2 Approches par mesures statistiques A B F IG . algorithmes g´ n´ tiques.3 : nu´ es dynamiques.

. e ´ e Les statistiques de points particuliers On recherche dans ce cas. ´ ´ e – par m´ diane et distance interquartile2. La conjecture de Julesz demeure cependant un guide important pour les e etudes sur les textures car elle est assez bien v´ rifi´ e pour les textures naturelles. . – les moments centr´ s d’ordre : e et en particulier : 2. dans la fenˆ tre e . l’aplatissement (ou kurtosis) : 01 )#(( $' § ' f $    ¥ 8cdX & T EB   &aYB W e H S  ¥ b ` &GX E I @© UI VP© H F D I H S QI H FD B P© &T EB RP© &GEC A  ¥ 9 75 4   ¢ @86   ¥ © §  ¥ 3 § 3    ¢ © ¨ 2   "! 3. l’entropie : . . fond´ e sur une tr` s vaste etude exp´ rimentale. ultra-sonores) : – l’exposant de Holder. Gagalowicz e e ´e e e qui a produit des textures artificielles ne diff´ rant qu’` l’ordre 3 [Gagalowics et Tournier-Lasserve. Ce sont : – les moments d’ordre (non centr´ s) : e . ´ e e 1 Attention. Une quantification adapt´ e choisit de partager les niveaux de gris e en fonction des statistiques de la texture : – par moyenne et ecart type par exemple (cela donne 4 classes non equir´ parties). figure 4. Elles se d´ duisent de la probabilit´ empirique ` e e du niveau de gris dans la fenˆ tre ou de l’histogramme e o` est le nombre total de pixels dans u l’image.4). le biais : %'   ¦ &#% $ §    ¦ 1. 2 La distance interquartile est la distance qui. que le e ´ e e ´ e syst` me perceptif humain ne distingue pas les textures qui ont des statistiques similaires aux ordres 1 et 2. c’est-` -dire celles qui mettent en jeu deux pixels e a simultan´ ment. LES TEXTURES Ce sont celles qui ne prennent en compte qu’un pixel a la fois1 . 1971]. dans l’histogramme. la moyenne : . . Une quantification brutale se a ` fait en ne conservant que les bits de poids fort. On a montr´ que les propri´ t´ s de e e ee discrimination des textures se conservaient remarquablement mˆ me pour des quantifications tr` s fortes des textures e e (jusqu’` 8 ou 4 niveaux de gris seulement). 1984]. En effet. Cette conjecture a et´ d´ montr´ e fausse par A.54 Statistiques du premier ordre CHAPITRE 4. on d´ signe egalement parfois par premier ordre les statistiques comme la moyenne. l’occurrence moyenne des pixels est inf´ rieure a 4 par e ` niveau de gris). les statistiques mesur´ es sont souvent peu significatives (pour une fenˆ tre e e e de pixels et un histogramme de 256 niveaux de gris. e e ´ e Les statistiques d’ordre elev´ Ce sont surtout les statistiques d’ordre 2 qui sont exploit´ es. ¤    ¢ ¥£   ¥ ¥ ¤ ¢ ¡  ¨ ¥   ¥ © §   ¢   ¦      ¦    ¥    ¨  ¦ © §   § §  §  §   g h0 £ rp sqi g @0   ¢ ¥  . s´ pare les niveaux de gris des e de pixels les plus sombres de ceux des de pixels les plus clairs. qui ne mettent en jeu que des moments du e ´ premier ordre. e rp sqi ¤£¡     § § § § – – – – –  ! 4. 1986]. C’est une mesure robuste de l’´ talement d’une loi. B. e – les points de contour (apr` s application d’un d´ tecteur et seuillage). caract´ ristique de la dimension fractale : [Pentland. images e . e Si les fenˆ tres de mesure sont petites. a la condition d’adapter la quantification. ce qui donne des classes equir´ parties. le coefficient de variation (surtout pour les images coh´ rentes dont le bruit est multiplicatif : radar. la variance : l’´ nergie : e . mais e a perceptivement diff´ rentes (cf. le contraste : la dynamique : . Les plus souvent e ee utilis´ s sont : e – les maximums locaux de l’intensit´ . Julesz a emis une conjecture. la densit´ moyenne de certains points d’int´ rˆ t. mˆ me e e si elles diff` rent aux ordres sup´ rieurs [Julesz. On choisit alors souvent de r´ duire la dynamique des images.

mais e ` ` diff´ rentes a l’ordre 3. alors la texture est 3. si le rapport e e est fort. 4. dans une direction donn´ e. section ??). ni tr` s e e e fiable (les valeurs sont des estimations tr` s m´ diocres des probabilit´ s r´ elles). e e  R t W A ¡  ¨ ¥ d     § R sTr $ S W 2 S q ¡ § ¥   ¨ §  ¥  ¥ ¡ ` "7 p  ig h f §  ¡ R e W 5  ¨ ¥ a Y X bc d a Y b`X   S W £ R VUT $ S ¡ R §  S g § ¦¥¨ g §  G  Q8H I PH  ¨   ©¦ 7 ¨ ¥ ¦¥  A  ¨   ©¦ 7 ¨ ¥  ¦¥ A   ©§¥  ¨¦ D   ©§FD ¨ ¦¥ E ¦ C B 6  6 9 @ 4. enfin par transformation de Fourier. en contradiction avec la conjecture de e ` Julesz.et les param` tres et sont tr` s significatifs de la d´ pendance spatiale (en et ) des niveaux de gris a e e e ` l’int´ rieur de la texture . e 2. poss` de des maximums locaux diff´ rents de e e . la matrice de cooccurrence est sous cette forme un outil ni tr` s pratique. la fonction d’autocorr´ lation donne acc` s au spectre de densit´ de puise e e sance (th´ or` me de Wiener-Kinchine. c’est-` -dire un d´ compte des occurrences des niveaux en a e et en . les matrices de cooccurrence sont des outils adapt´ s a l’analyse e e ` des textures. et au voisinage de l’origine. par exemple : e e  I £ ¡H 4 A Q  I H Q 1 6 6 87 £ 5¡ 4 3 % 1 20 )    ¨ ¦  ¨  ¥ ¥   A  '     ¥ $ &   ¨  ©¦ ¥ ¥ (  §  ¨  %¦ ¥ ¥ # !   ©§¥ ¥ $ " ¨¦              ¡ § §   ©¨¦ ¥ ¨  ¥     A ©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨                               ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨                               ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨                               ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©© ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨¨ ¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨                               ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨                               ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨                               ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨                               ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨                               ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨©¨¨                               ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ ¨©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©© ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨¨ ¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨©¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©©¨ £¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤£¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ ¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¥£ £¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ ¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¥£ £¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ ¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¥£ £¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ ¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¥£ £¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ ¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¥£ £¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ ¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¥£ £¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ ¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¥£ £¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤¥¤ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ £ ¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¥£ £¥¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤ ¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤£¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ £¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤£¥ ¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ £¥¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤£¤ ¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤£¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ ¥ £¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤£¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤£¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ ¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤£¥ £¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤£¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ ¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤£¥ £¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤£¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤£¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ ¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤£¥ £¥¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤£¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ £¥ ¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤¤£¥ ¦§  ¢ ¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡ ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢  ¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢¢ ¢  ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡  ¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢  ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡ ¢  ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡ ¢                                                                  ¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢¢ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡  ¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡                                                                  ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡ ¢   ¢¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢¢ ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡   ¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢ ¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¢  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢   ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡  ¢  ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡ ¢                                                                  ¢¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢¢ ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡   ¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡ ¢¡¢  ¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢   ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡ ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢  ¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢¢ ¢  ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¢   ¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡  ¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢  ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡ ¢  ¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡ ¢                                                                  ¢¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢ ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡  ¡ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¢  ¢   ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡¢ ¡  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢  ¢ ¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢¡¢ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡   ¢¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡¡ ¢  ¢ 3 certains auteurs pr´ f` rent etudier le variogramme qui s’exprime comme ee ´ † … „ ‚  € x ©q`ƒ`wywu v . Ces matrices sont d´ finies pour un vecteur de translation e donn´ comme la probabilit´ jointe de e e l’amplitude d’un point et d’un point . si la fonction fortement p´ riodique et les p´ riodes de la fonction de corr´ lation permettent d’estimer de facon robuste la e e e ¸ p´ riode de la texture. Elles sont obtenues pratiquement par une estimation sur la texture. A droite les 2 textures sont identiques a l’ordre 1 et a l’ordre 2. Cela se fait de plusieurs facons : ¸ – en diminuant le nombre de niveaux de gris par une quantification r´ guli` re ou adaptative. ANALYSE ET RECONNAISSANCE DE TEXTURES On d´ duit de nombreuses propri´ t´ s de cette fonction : e ee 1. En raison de sa taille mˆ me.4 – A gauche. les 2 textures diff` rent d` s le premier ordre. la texture est fortement anisotrope. Plus encore que la fonction d’autocorr´ lation. On a donc int´ rˆ t a e e e e ee ` comprimer ces matrices. e 4. les 2 textures sont identiques au e e premier ordre mais diff` rent au second. C’est donc un tableau g´ n´ ralement de taille e e si la texture a 256 niveaux de gris : ` Les statistiques d’ordre 2 sont bien appr´ hend´ es par la fonction d’autocorr´ lation3 de la texture. Ces deux textures sont distinguables visuellement. les deux directions d’inertie maximale et minimale extraites de expriment bien les directions privil´ gi´ es de la texture et. 55 . elle peut etre fr´ quemment approch´ e par une fonce ˆ e e tion r´ guli` re. cf. par exemple 8 e e niveaux de gris d´ termin´ s de facon adapt´ e (par moyenne et ecart-type ou par m´ diane et distance intere e ¸ e ´ e quartile) donnent souvent une bonne qualit´ de repr´ sentation .3. Au centre. et plus e e e particuli` rement par la fonction d’autocorr´ lation norm´ e centr´ e : e e e e F IG . et a tous les traitements spectraux que nous verrons e e ` ci-dessous.

R Les configurations particuli` res de pixels e On s’int´ resse dans cette m´ thode a mesurer la probabilit´ d’apparition de certaines configurations particuli` res e e ` e e de pixels (cf. 1979].6). e – en ne conservant que les seuls vecteurs significatifs . Mais il est souvent difficile d’´ viter que des mesures ne soient statistiquement ˆ e e d´ pendantes car les probabilit´ s de certaines fenˆ tres sont evidemment d´ pendantes. rapport des inerties. ´ `  ¡ R t ¨  ¨ ¥ W A d ¡ ¡ R    S W . on a pu montrer que quelques descripteurs des matrices de cooccurrences pouvaient tr` s bien les e repr´ senter : position du centre de gravit´ . les 2 des e bords etant noirs et celui du centre blanc (en haut a gauche). entropie. 4. e e ´ e [Chen et Pavlidis. Des configurations bien choisies pour un probl` me particulier e e peuvent etre tr` s discriminantes. etc.56 CHAPITRE 4. 4. puis on mesure l’occurrence des e couples de niveaux de gris en et en . energie. Il convient donc souvent de e e e ´ e r´ duire la dimension de l’espace des param` tres par analyse en composantes principales. – en tirant profit des sym´ tries existant dans la texture pour regrouper des vecteurs e contribuant de facon ¸ identique a l’apparence de la texture (par exemple des vecteurs sym´ triques le long des axes. figure 4. Ce sont donc des techniques qui s’appliquent surtout a des textures binaires ou a tr` s peu ` ` e de niveaux de gris (ou rendues telles).5 – Construction d’une matrice de cooccurrence : on d´ finit un vecteur . e e F IG . ou des vecteurs ` e de mˆ me module si la texture est isotrope) . facteurs de sym´ trie.6 – Quelques configurations particuli` res de pixels qui peuvent etre mesur´ es pour fournir un descripteur e ˆ e statistique : par exemple on mesure le nombre d’occurrences de trois pixels align´ s horizontalement. La matrice de coocurrence ainsi calcul´ e est e . LES TEXTURES M Vi N F IG . – enfin. Les mesures ainsi faites permettent de construire un vecteur d’attributs qui permettra de discriminer des textures diff´ rentes.

e Les filtres en anneau et en coin Ce sont des filtres d´ finis dans l’espace de Fourier a 2 dimensions [Coggins et Jains.8) : E le recouvrement de ces filtres est contrˆ l´ par le param` tre . Il est e e appliqu´ dans l’espace de l’image. ´ B ¤ h   X § ¤  ¤ ¡   b  ¤  ¤¥  ¡ E 8 ¤ ¥  ¤ § B bX f © ¥ § f $  ¨ § § ¤¥ ¡ E ¤¤ ¢ 6¥ £¤ ¦ § ¡ . 4. Il n’est alors pas n´ cessaire d’utiliser de fenˆ tre d’estimation. Il existe donc deux e e e e familles de techniques : – celles qui analysent syst´ matiquement tout l’espace fr´ quentiel (par exemple par une d´ composition en e e e ondelettes). Un filtre de d´ tection est le produit s´ parable de deux de ces filtres. car les analyses fr´ quentielles e e e e utilis´ es disposent g´ n´ ralement de leurs propres fonctions de fenˆ trage. souvent gaussiennes. echelonn´ s de facon dyadique (c’est-` -dire centr´ s autour de fr´ quences suivant une ´ e ¸ a e e .3. – celles qui s´ lectionnent un petit nombre de domaines fr´ quentiels significatifs (c’est par exemple l’analyse e e par filtres de Gabor).7). mais ils sont tr` s rapides. e F IG . obtenus par produit en et e e de 5 filtres de base (cf. Les filtres sont au nombre de 25. ANALYSE ET RECONNAISSANCE DE TEXTURES 57 4.3 La d´ tection d’´ nergie dans des canaux fr´ quentiels e e e L’id´ e sous-jacente a toutes ces techniques est d’extraire l’´ nergie port´ e par le signal dans des bandes de e ` e e fr´ quences diverses. figure 4.). Leurs performances sont modestes. 1985]. progression g´ om´ trique de fr´ quences. et de profil gaussien (cf. Les filtres de Law Ce sont des filtres tr` s simples qui sont appliqu´ s dans l’espace de l’image par des masques. egalement de profils gaussiens.7 – Les 5 filtres de base de Law. oe e – 4 filtres directionnels selon les axes et les diagonales. figure 4. le premier de fr´ quence e e e e le troisi` me de fr´ quence e e . le second de fr´ quence e .3. dans l’esprit des e e filtres de d´ tection de contour par masquage adapt´ . Ils sont constitu´ s e ` e du produit de deux familles el´ mentaires de filtres : ´e – 7 filtres en anneau. etc.4.

de leurs bonnes performances pour s´ parer e e les fr´ quences ainsi que de la grande vari´ t´ des fonctions qu’elles autorisent [Daubechies. ou un petit nombre de textures connues par avance. 2000]. Les filtres dyadiques de Gabor Ce sont des filtres qui essaient de copier les fonctions de la vision des mammif` res. Les ondelettes de Mallat [Mallat.4 Les filtres optimis´ s e Lorsque l’on cherche a distinguer 2 textures. on conseille l’emploi de 5 fr´ quences radiales diff´ rentes et de 4 orientations. Ce ne sont e e donc pas des filtres dyadiques. e Les filtres de Gabor. Ces m´ thodes ont et´ pr´ sent´ es au chapitre ??. 0. e e Dans [Randen et Husøy. Ce sont aussi des filtres a couverture dyadique qui se d´ duisent par rotation et homoth´ tie du filtre de e e ` e e base qui a pour r´ ponse impulsionnelle [Jain et Farrokhnia. la recherche ` syst´ matique de l’´ nergie dans de nombreuses d´ compositions en sous-bandes peut etre tr` s lourde et hasardeuse.40 et 0.8 – Les filtres en anneau dans le domaine spectral centr´ s sur les fr´ quences : 0.25. 1989] utilisent e ´e e e elles aussi une d´ composition dyadique (mais deux directions d’analyse seulement). Saito et Coifman. qui disposent d’un petit nombre de param` tres seulement se prˆ tent assez bien a ce type e e `    E ¤  ¥ 7 ¨  ¦ © §   ¡ X q  X  X ¢ X  $ ¥  X   ¤    X  X £¡ ¤¢  X   X     ¨ ¡ ¨   ¥   § 1 X   X  . 1991]. 1999].60. Les ondelettes de Daubechies demeurent l’une des bases d’ondelettes les plus utilis´ es e pour l’analyse de textures en raison de leur bonne efficacit´ de calcul. 1993. Ils sont assez proches des e pr´ c´ dents. on utilise aussi 4 orientations et les fr´ quences radiales suivantes : e X Les ondelettes et les QMF La transformation en ondelettes discr` tes permet de choisir une famille compl` te de filtres de d´ composition e e e en sous-bandes. 1991] : e Dans [Jain et Farrokhnia. Des travaux sugg` rent qu’une e e d´ composition plus serr´ e que l’octave (c’est-` -dire des d´ compositions non-dyadiques) serait plus efficace pour e e a e l’analyse des textures [Chang et Kuo. Unser. 4. On propose ainsi l’usage de paquets d’ondelettes [Laine et Fan. e e e ˆ e Il est possible de mettre en place des techniques adapt´ es pour les seules textures que l’on recherche qui permettent e de se concentrer sur quelques mesures seulement de l’espace fr´ quentiel. 4. 1995]. 1992. 1995].58 CHAPITRE 4. LES TEXTURES F IG . e ee Des mod` les ont egalement et´ cr´ es alliant les propri´ t´ s de s´ lection des ondelettes et les mod` les statistiques e ´ ´ e e´ ee e e [Portilla et Simoncelli. 1993].3.

etc. Ceci e e e e se fait en utilisant les equations normales associ´ es de Yule Walker [Alata et Cariou. 1992. de distance aux centres ee e de classe. Si les coefficients sont nuls pour tout appartenant a . dans les autres cas on optimise e e par essai-erreur. e e mais pour bien repr´ senter des signaux a longue p´ riodicit´ .4. 1987] [Won et Derin. Derin et Elliott. d’isotropie. 1986]. puisqu’il e e e e suffit de se donner les potentiels correspondant aux propri´ t´ s de d´ pendance. 1992. l’image est d´ crite par la formule : e ` e e o` u repr´ sente le domaine de pr´ diction li´ a la sortie du filtre.4. e e e` . 2001].4 Les approches par champs markoviens Les champs de Markov (cf. celui li´ a l’entr´ e du filtre et d´ crit un e` e e processus de bruit. Afin de conserver aux mod` les ARMA une bonne localit´ . 2. mais aussi parce qu’ils ont. Il y a donc une abondante litt´ rature qui exploite le formalisme des e e champs markoviens pour segmenter des textures : [Hu et Fahmy. que l’on souhaite voir repr´ senter. alors le processus est AR. Les repr´ sentations ´ e e par mod´ lisation autor´ gressive des textures est particuli` rement efficace pour des textures tr` s p´ riodiques et de e e e e e large extension.1) . Si ` les coefficients sont nuls pour tout appartenant a . Il est parfois possible de d´ terminer des valeurs optimales analytiques des filtres par ces crit` res. alors le processus est MA. ` Le choix des domaines et incombe a l’utilisateur. mais ˆ leur adaptation a traiter des images les distinguent. les el´ ments qui permettent e e ` ´e de d´ crire les r´ gions et leurs interactions. LES APPROCHES PAR CHAMPS MARKOVIENS d’optimisation. Ils se prˆ tent doublement a l’analyse des textures : ` e ` 1. dans le terme d’´ nergie li´ aux connaissances a priori.5 Les mod´ lisations autor´ gressives e e De la mˆ me facon que les signaux monodimensionnels sont analys´ s par des mod´ lisations autor´ gressives e ¸ e e e uni-dimensionnelles (AR ou ARMA) afin de mettre en evidence les p´ riodicit´ s qu’ils contiennent. Ces mod` les expriment e ` e e e naturellement une d´ pendance causale et suscitent donc des discussions comme celles que nous avons abord´ es au e e chapitre ??.3. il vaut mieux qu’il soit grand. Les mod` les ARMA permettent de repr´ senter tr` s bien n’importe quelle densit´ spectrale de puissance. Dans de nombreux cas on choisit ` . e e Les champs de Markov sont particuli` rement adapt´ s pour synth´ tiser et mod´ liser des textures. tout d’abord parce qu’ils comportent naturellement des descriptions des d´ pendances spatiales entre pixels e par le choix des cliques et des potentiels d’interaction au sein des cliques. On cherche alors a optimiser un crit` re comme : ` e 59 o` u est la valeur moyenne de la mesure donn´ e par la texture et e sa variance [Unser. 1998] ! ! ( $ ' " ! ! §  §    ¨   ¦ ¥  ¥ £ ¤ ¡  ¡   ¡ G £ ¢¦  ¢V¥ ¡ ¦ $ &!  4 $  Q Q I   ©   ¨ 4 § ¡  H ¢ $ %!   $ w ¡  ¨¦ ©§¥ ¥ ¦7    ¨ ¥ § ¦¥ " %!  E 4 E e £ ¤¡ ¦ ¡ ¦   £ ¢¦  ¢V¥ ¡ ¡ ¦   $   ¨   ¦ ¥  ¥ Q Q  ¨ ¥ ¦¥ §    4      4 $ ! H I    © § ©¨§¦¥    Q £ ¤¡ ¦ ¡ ¢¦ " ! § ¨ 4     4  " #! ¡ ¦ (4. 2001]. Andrey et Tarroux. 4. e e e Dans une approche autor´ gressive a moyenne ajust´ e (ARMA). les signaux ´ e e bidimensionnels peuvent etre analys´ s par des mod` les autor´ gressifs bi-dimensionnels. Un etude tr` s compl` te ˆ e e e ´ e e de ces m´ thodes de description est pr´ sent´ e dans [Garello. chapitre ??) peuvent etre vus comme une sous-classe des processus ARMA. 4. il est souhaitable que le nombre de termes dans soit faible.

o` les u correspondent aux cliques des directions S. e e Dans une premi` re etape. et .60 CHAPITRE 4. du point (cf. LES TEXTURES tr` s faciles d’emploi en synth` se des textures. ¨¢ ©§¡ " ¡ ¥ ¡ ¦¢ ¨ ¡ X  " £ ¡ ¤ " ¨ ¡  " ¨      @  X ¦ ¥ ¥ ¡  § ¦¥¨ £¡ 3 " ¡ ¥  ¢ ¤ ¡ ¥ § § "     &  '" ¡       " ¡ ! ©" " ¨ U " ¡ ¨ Q " ¡ ¡ (4. 1.9). etc.9 – Le 8-voisinage utilis´ par Manjunath et Chelappa. . La d´ termination des potentiels : elle passe souvent par la r´ duction des potentiels possibles a des classes e e ` etroites (par exemple les potentiels quadratiques ou les potentiels polynomiaux). pour retrouver un champ de Markov a partir de la r´ alisation d’une texture. ils sont cependant d’un usage plus difficile en analyse car il e e n’existe pas de formulation explicite permettant de d´ terminer les potentiels correspondant a une texture dont on e ` dispose. figure 4. soit par analyse a e ¸ e du nuage des points obtenus sur toutes les fenˆ tres. La d´ termination des cliques utiles : on peut l’obtenir soit par l’analyse des fonctions de corr´ lation. Seules les cliques d’ordre 2 sont utilis´ es. 4. ¨ " ¡ " ¨   ¥ ¤    Q   dont les inconnues sont. Sur cette e fenˆ tre on estime aux moindres carr´ s par la formule4 : e e Une tˆ che d´ licate est l’estimation du nombre de classes qui se fait soit de facon supervis´ e. e e 4. les SE. On d´ termine les e 4 C’est ici que l’hypoth` se gaussienne simplifie le calcul : l’estimation peut se faire par moindres carr´ s de facon explicite.1 La m´ thode de Manjunath et Chellappa e C’est une technique assez typique des approches markoviennes.4. elle peut alors se faire par ´ des techniques de moindres carr´ s ou par des m´ thodes de filtrage (techniques de renormalisation). Prenons une seule fenˆ tre de taille e e dont on va supposer la texture homog` ne. Ce probl` me a et´ abord´ au chapitre ??. 1997]. a la section ??. accompagn´ es de tests d’ind´ pendance au fur et a mesure que e e ` l’on agrandit le voisinage. il faut d´ finir les e e e ` e e cliques significatives.2)  $ ¨ %U  " ¡     § §  . L’image est arbitrairement subdivis´ e e ´ e e en petites fenˆ tres .. puis les potentiels qui lient les sites dans ces cliques [Azencott et al. 1991]. il faut apprendre les param` tres des textures. soit par e e des techniques de croissance de voisinage. 2. Supposons que l’on recherche e classes. e ´e e ` En r` gle g´ n´ rale. pour chaque texture . Les energies ´ d’attache aux donn´ es pour une classe e sont de la forme : N NO NE O E SO S SE F IG . E. e e ¸    et " ¡ " #£  © " avec . Elle repose sur l’hypoth` se de probabilit´ s e e gaussiennes dans chaque classe (donc de potentiels quadratiques) [Manjunath et Chellapa.

La construction des classes se fait de la facon suivante. ` e Notons que cette m´ thode. la taille des fenˆ tres doit etre : e e e ˆ 1. On introduit un champ de liaisons entre les pixels. e e On recherche la distribution des et des .2 et etant un biais propre a la classe . on repr´ sente la texture par un vecteur d’attributs issus de ces e e matrices . d´ crit par la seule variable binaire (processus de e bord) qui vaut 0 si deux pixels voisins sont dans une mˆ me classe et 1 s’ils sont dans des classes diff´ rentes. On reprend le balayage de l’image. on d´ termine e ´ e ea e e e les param` tres de la classe trouv´ e (en calculant un vecteur e e sur toutes les r´ alisations trouv´ es) et on accroˆt de e e ı 1 le nombre de classes. soit par recuit simul´ (relaxation stochastique) (cf. e Comme dans le cas pr´ c´ dent. Cela nous fournit vecteurs de param` tres e . LES APPROCHES PAR CHAMPS MARKOVIENS 61 meilleures classes du nuage des points obtenus sur toutes les fenˆ tres par exemple par un algorithme de nu´ es e e dynamiques. Le champ evolue vers le crit` re du MAP (Maximum A Posteriori) par la technique de relaxation sous-optimale ´ e de l’ICM : pour chaque site on choisit la meilleure classe parmi les seules classes des voisins du site consid´ r´ (cf. etant ´ comme dans la formule 4.5). e ee e chapitre ??).4. L’optimisation d’une telle fonction d’´ nergie se ´ ` e fait soit par relaxation d´ terministe (par exemple l’ICM Iterated Conditional Mode qui remplace a chaque etape la e ` ´ classe par celle qui minimise l’´ nergie au site consid´ r´ ). ee chapitre ??). 4. e e 2.2 La m´ thode de Kervrann et Heitz e Dans cette m´ thode [Kervrann et Heitz. ne permet pas de d´ terminer les potentiels et les e e e e cliques des textures retenues. on calcule sur des fenˆ tres recouvrant l’image. En chaque fenˆ tre. On it` re ce proc´ d´ jusqu’` ce qu’un nombre pr´ -´ tabli e e e a ee de classes soit trouv´ ou qu’il n’y ait plus de candidats dans la classe fourre-tout.4. Les incluent toute u e e l’information connue sur le site appartenant a la classe : par exemple ` . Apr` s un passage sur l’image. au contraire de la pr´ c´ dente. Les autres vecteurs de texture sont associ´ s a cette classe si leur distance e e e e ` est inf´ rieure au seuil donn´ . On peut alors proc´ der a la phase de segmentation. variables caract´ ristiques de l’appartenance du pixel a la classe e ` ( ssi le pixel au site appartient a la classe ) qui minimise l’´ nergie : ` e D o` le premier terme exprime l’attache aux donn´ es et le second l’a priori sur les r´ gions. Initialement il n’y a qu’une classe. on cr´ e une classe fourre-tout dans laquelle e e e e sont rang´ es toutes les textures trop eloign´ es de celle d´ j` trouv´ e. assez petite pour conduire a des segmentations fines des d´ tails.4. On va d´ sormais travailler au niveau des sites du champ e ` e de Markov. 1990]. autrement que par r´ f´ rence aux primitives de la matrice de cooccurrence. des matrices de e e cooccurrence (cf. ee ¡    ¡  H ¡ § "§ D ¡ "!¡   ¡     §¨ " §¥ ¥   ¡¨ §  ¤¨ " ¤¥ ¡ ¡  H H ¤ d X H  o` u est le vecteur d’attributs du site et Le potentiel s’´ crit a partir de la distance e ` est le vecteur d’attributs de la r´ gion d’´ tiquette affect´ e au site . Le terme d’attache aux donn´ es s’´ crit sous la forme : e e o` la fonction vaut 0 ou 1 selon que les valeurs de sont sup´ rieures ou inf´ rieures a une valeur de seuil issue u e e ` des tables du test de Smirnov-Kolmogorov [Saporta. section 4. 1995]. identifi´ e au ¸ e vecteur de la premi` re fenˆ tre rencontr´ e. Afin de cr´ er de nouvelles classes. assez grande pour permettre une caract´ risation statistique r´ aliste des textures (et de leurs motifs) . e e e de Smirnov-Kolmogorov des composantes et des vecteurs :  ¨  t¨  ¥  D  £ ¨ ¨ $  q¥ D ¡ ¢§ H  ¥ ¥ ¥ ¥   ¨  ¦ ¨  ¨  ¢ ¨  ¨  " R  e¨  ¥ D H ¡ R  ¡ © ¨   ¨ H ¨  " H ¨ D ¤¨ " ¤¥    ¡ ¥  H " ¤ e¨  ¥ R D §   D R  ¨ ©" D §  ¡ H H " ¨ ¤ ¡ R H ¨  " ¨ R H   § §   " ©§¨ ¡ ¡  " " " ¨ "& ¨ "  ©§ ¨¦§ " ¤ §¥ d R g D  § " H ¤ " R  .

il convient de mesurer en chaque point de l’image (c’este a-dire en des zones suffisamment petites autour de chaque point) des propri´ t´ s statistiques d’ordre 2 (prenant en ` ee compte les pixels 2 par 2. construisant ainsi une e chaˆne de descripteurs. e Y c 4. chaque sous-image est normalis´ e par un r´ echantillonnage de facon a ce que les e e´ ¸ ` nouveaux vecteurs de p´ riodicit´ soient tous dans une position de r´ f´ rence. e e ou des textures plus ou moins parfaites en m´ langeant des motifs r´ els ou moyens sur des mailles r´ elles ou e e e moyennes. Dans les approches par grammaires. figure 4. LES TEXTURES 4. Dans les e approches par graphes. des el´ ments suffisants pour remonter a une connaissance de certains el´ ments de ee ´e ` ´e relief et d’orientation 3D des objets de la sc` ne observ´ e. l’image est d´ coup´ e en sous-fenˆ tres. L’analyse d’une texture homog` ne se fait en plusieurs etapes : e e e ´ 1. 1978. cycles) mettant en evidence les d´ pendances entre pixels. comme par exemple la d´ croissance de la corr´ lation a e e ` ). 2. Les relations entre les descripteurs successifs sont exprim´ es par des r` gles qui indiquent ı e e l’enchaˆnement des niveaux de gris le long du parcours.2). chacune contenant plusieurs primitives (typiquement de l’ordre de e e e primitives). on repr´ sente les d´ pendances entre les diverses cmposantes de la texture par des graphes e e (arbres.6 Textures h´ t´ rog` nes ee e Si l’on fait l’hypoth` se que la texture sous-jacente est stationnaire. e 5. e X £¡ £ Y . Des m´ thodes plus structurales encore s’appuient sur des techniques de graphes ou de grammaires. sur chaque sous fenˆ tre on d´ termine les 2 vecteurs moyens de p´ riodicit´ . Pour faire cela par traitement num´ rique. Les chaˆnes font alors l’objet d’un traitement syntaxique ı ı qui extrait ces d´ pendances [Lu et Fu. puis d’´ tudier les variations e spatiales de ces propri´ t´ s. on parcourt ´ e la texture ou des sous-ensembles de la texture par un balayage syst´ matique de tous les sites. Cela est naturellement fait par syst` me visuel humain e e e (cf. on est alors en mesure de reconstruire une texture parfaite en r´ p´ tant le motif moyen sur la maille moyenne. on peut d´ duire des variations de ses proe e pri´ t´ s statistiques dans l’image. e 3. Lu et Fu. Ces variations sont alors reli´ es a l’orientation de la surface observ´ e (g´ n´ ralement ee e ` e e e sous l’hypoth` se que celle-ci fait un angle constant avec la direction d’observation). on calcule alors par TF le motif de la primitive en sommant dans l’espace de Fourier toutes les sous-fenˆ tres e normalis´ es et en isolant le sous-domaine du fondamental. connaissant ces vecteurs. e e ee 4.5 Les m´ thodes structurales e Ces m´ thodes ne s’appliquent qu’aux textures construites sur une primitive bien identifiable qui se r´ p` te sur e e e une maille r´ guli` re. par exemple par l’examen de la e e e e fonction d’auto-corr´ lation.62 CHAPITRE 4. 1979].

Sign up to vote on this title
UsefulNot useful