Vision par ordinateur

Texture
Alain Boucher - IFI

Texture

Les textures sont
 

une information intéressante à analyser mais plus difficile à extraire

Jusqu à présent! on définissait
 

"ne région comme une #one homo$%ne "n contour comme une &ariation d intensité

"ne texture peut 'tre définie
  

comme une ré$ion a&ec des &ariations d intensité comme une or$anisation spatiale des pixels (

)xemples de textures

*otifs des textures

"ne texture peut 'tre périodique +répétition d un motif de ,ase- ( (ou non-périodique +pas de motif de ,ase! plus désordonnée-

Source : www.univ-lr.fr/formations/ecoledoctorale/SiteDEA/SiteDEA-IMCA/html/contenu/part3.pdf

.lusieurs sous-pro,l%mes

Segmentation de texture

/i&iser une ima$e en plusieurs ré$ions ou chaque ré$ion représente une m'me texture

Synthèse de texture

A l0aide de petites ima$es de texture! construire de plus $randes ima$es en extrapolant ces textures

Shape from Texture

1econstruction de la forme 2/ d0un o,3et en analysant sa texture

pour chaque texture .or    Le plus difficile est de trou&er une .onne représentation +param%tres.Analyse de la texture  Il existe plusieurs méthodes pour analyser la texture 4  5tatistiques du premier ordre  5tatistiques sur l histo$ramme *atrices de co-occurrences  1echerche de motifs Analyse fréquentielle  Filtres de 6a.

Analyse de la texture 5tatistiques du premier ordre .

7isto$rammes et textures Source : Stina Svensson !epresentation and Description Computeri"ed ima#e anal$sis S%& 'Sweden(. .

e/ture CMCS 012 Ima#e 3rocessin# &MD '&SA(. h ) ) = ∑ 2 m =1 hi (m) + h ) (m) 2 + [hi (m) − h ) (m)]2 Source : Cornelia .8 1 χ (hi . .1 } 0.erm-ller ./istance d0histo$rammes Distance du Chi2 entre histogrammes de textures i ) * } 0.

y) : niveaux de gris des pixels Ce sont les moments d’ordre 1. …! . D’autres paramètres existent (uniformit .… de l’image. $ ) − M45E66E ) ∑∑ 6 $ / 1 S+E86ESS = ∑∑ ( # ( /.. entropie.4SIS = ∑∑ ( # ( /. $ ) $ / 7A!IA6CE = 1 2 ( # ( / . $ ) − M45E66E ) 4 6 $ / où g(x. $ ) − M45E66E ) 3 6 $ / 1 +&!.3.4.2.aram%tres des textures  8n peut calculer plusieurs param%tres d une texture à partir de l ima$e ou de son histo$ramme 4 M45E66E = ∑∑ # ( /.

2( s&e'#)1..31 &urt#)$.univ-lr.pdf .aram%tres des textures mo+enne#13% mo+enne#($ varian"e#3$ varian"e#%1 s&e'#$.fr/formations/ecoledoctorale/SiteDEA/SiteDEA-IMCA/html/contenu/part3.$* Source : www.1( &urt#2.

9aractérisation des textures Source : Stina Svensson !epresentation and Description Computeri"ed ima#e anal$sis S%& 'Sweden(. .

Analyse de la texture *atrices de co-occurences .

<8n réduit sou&ent à des tailles =x=! ><x>< ou 2:x2:  .A  Temps de calcul des matrices est asse# lon$ .A B@A ?.re de ni&eaux de $ris de l ima$e +:.*atrices de co-occurences  L idée de cette méthode est d identifier les répétitions de niveaux de gris selon une distance et une direction  .A! B@A! >2.lusieurs matrices! pour chaque distance @A et direction   Distance 4 >! :! 2 +!?! (Direction 4 @A! ?.g étant le nom.atri"es de "o)o""uren"e (-arali"&!  Matrice de taille Ng x Ng   .+:.A +! (>2.<x:.

on in"r mente la matri"e des "o)o""urren"es de 1 .atri"e pour distan"e#1 et dire"tion#$0 1n par"ours l’image et pour "2a3ue "ouple de pixels form ave" la distan"e et la dire"tion donn es.*atrices de co-occurences  )xemple de calcul des matrices 4 > ? > > ? : : : ? 2 > : 2 : ? 2 2 3 4 2 C C C C C C C C 3 C C C C 4 C C C C /mage .

atri"e pour distan"e#1 et dire"tion#$0 Couple de pixels voisins (1.4! .*atrices de co-occurences  )xemple de calcul des matrices 4 2 @ 2 3 4 @ @ @ @ @ @ @ 3 @ @ @ @ @ @ @ 4 4 ? > > : : : ? 2 > : 2 : ? 2 /mage .

atri"e pour distan"e#1 et dire"tion#$0 Couple de pixels voisins (4.4! .*atrices de co-occurences  )xemple de calcul des matrices 4 2 @ 2 3 4 @ @ @ @ @ @ @ 3 @ @ @ @ 4 > @ @ > ? > > 4 : : : 4 2 > : 2 : ? 2 /mage .

atri"e pour distan"e#1 et dire"tion#$0 et". (après 2 lignes! .*atrices de co-occurences  )xemple de calcul des matrices 4 4 4 > > 2 : : 4 3 > : 3 2 ? 2 2 3 4 2 @ @ @ @ @ @ @ 3 @ @ @ 4 /mage .

atri"e pour distan"e#1 et dire"tion#$0 .*atrices de co-occurences  )xemple de calcul des matrices +final.4 ? : : : ? 2 > : 2 : ? 2 2 3 4 2 @ > @ @ : > > > 3 @ : @ > 4 : @ @ > 2 3 4 @ > @ @ 2 : > @ : 3 > @ @ > 4 @ @ > @ > ? > > /mage .atri"e pour distan"e#1 et dire"tion#4(0 …et ainsi de suite pour "2a3ue matri"e (plusieurs au total! .

E!E6. ) )) 2 I6E!.!43IE = −∑∑ p (i.IE% I67E!SE = ∑∑ p(i. ) ) 7A!IA6CE i = ∑∑ (i − M45E66E ) 2 p (i.IE = ∑∑ (i − ) ) 2 p (i. ) ) 2 i ) 1 + (i − ) ) . DI. ) ) log( p (i. ) )) ) i ) ) ) i ) i où (i..our chaque matrice! on peut calculer quator#e param%tres caractérisant la texture! dont les plus importants 4 M45E66E = ∑∑ p(i.j) : valeurs normalis es de la matri"e 1 M4ME6. ) ) E6.9alculs des param%tres des matrices  . ) ) ) i E6E!9IE = ∑∑ ( p (i.j) : "oordonn es dans la matri"e p(i.

.$3 mdi#$.aram%tres de la matrice "ontraste#12$ "ontraste#424 "ontraste#42 "ontraste#142 entropie#4.univ-lr.% entropie#4.fr/formations/ecoledoctorale/SiteDEA/SiteDEA-IMCA/html/contenu/part3.pdf .% mdi#$.$$2 Source : www.

ro.l%me du calcul sur l ima$e enti%re ou sur des #ones de l ima$e +découpa$e en carrés de l ima$eIl existe plusieurs &ariantes de cette méthode .asée sur le calcul de différences de ni&eaux de $ris   ./étection des textures  A&ec les matrices de co-occurences! on esp%re identifier une texture particuli%re +selon une distance et une direction à trou&er.

l%me d échelle pour les textures 5our 6ien identifier les textures. on a souvent 6esoin de travailler 7 diff rentes "2elles… ..ro.

on obtient de mauvaises représentation des textures : phénomène d'alliassage (que nous étudierons en s nthèse d'images! .Alliassa$e des textures Lorsqu'on réduit trop l'image de départ.

Analyse de la texture Analyse fréquentielle .

our rappel sur la Transformée de Fourier +FFT   (re!voir le "ours de 8raitement d9images .Analyse fréquentielle  "ne texture est une répétition d éléments a&ec une certaine fréquence Filtra$e de l ima$e en utilisant des méthodes spectrales  Fourier  !iltres de "a#or  ( .

Idée $énérale du filtra$e fréquentiel Réponses au carré Lissage .

e/ture CIS 0:.Filtres de 6a.or  Les filtres de 6a./2:. Computer 7ision &niv.or sont le produit de 6aussiennes par des sinus ou des cosinus   5inus D cosinus 4 analyse en fréquences 6aussienne 4 différents ni&eaux de lissa$e +échelles- E F Gaussienne * Sinus !osinus " Ga#or Source : Christopher !asmussen . of Delaware '&SA( .

Filtres de 6a.or analysent la structure   7 diff rentes "2elles (fr 3uen"es! 7 diff rentes orientations (angles! :iltres anti) s+m tri3ues (impairs ) sinus! :iltres s+m tri3ues (pairs ) "osinus! .rande "2elle 5etite "2elle Source : Christopher !asmussen . of Delaware '&SA( . Computer 7ision &niv.e/ture CIS 0:.or  Les filtres de 6a./2:.

Banque de filtres sur une ima$e "mage d'entrée #anque de $iltres %éponse des $iltres & une échelle .

Filtra$e à différentes échelles .

or:d)artie réelle (s! 'chelle des $iltres )artie imaginaire (rientation des $iltres (o! .)xemple +Torch2Vision $a.

9alcul de statistiques  8n o.lus on a de statistiques! mieux c0est *inimum 4 moyenne de la norme2 et écart&type de la norme2 .tient une série de réponses aux différents filtres   r ponse "omplexe (partie r elle < partie imaginaire! une s rie d9images de r ponse pour "2a3ue image de texture  9acul de statistique sur la norme au carré  norme2 $ réel2 % imaginaire2  Guelles statistiques faut-il calculer C   .

tenir l0in&ariance +rotation I échelle-    .9omparaison de &ecteurs  .our chaque ima$e de texture! on o.tient un &ecteur de caractéristiques 9omparaison de textures 4 calcul de distance entre les &ecteurs de caractéristiques /istance euclidienne  H0est pas in&ariante +rotation I échelleIl existe d0autres méthodes de comparaison plus efficace  pour o.

5ynth%se de texture .

e/ture C3SC 01>: Computer 7ision &?C 'Canada(.e/ture infinie ima#e #=n=r=e Source : David %owe . .5ynth%se de texture ima#e d<entr=e SYNTHESE .

.e/ture C3SC 01>: Computer 7ision &?C 'Canada(.)xemples +)fros et Leun$- Source : David %owe .

e/ture C3SC 01>: Computer 7ision &?C 'Canada(.as seulement un copier-coller Photo Répétition seulement Source : David %owe .. .

2001] Source : .ech '&SA(.> Computer 7ision 9a.)xemples d0al$orithmes [$%ros & Leung] [$%ros & 'ree(an.ran* Dellaert .e/ture CS /0. .

.bloc Texture d'entrée B1 B2 B1 B2 B1 B2 Placement aléatoire des blocs Recouvrement des blocs voisins Calcul de la frontière d'erreur minimale Source : Marc 3ollefe$s 3$ramids and te/tures Comp1>2 Computer 7ision &6C '&SA(.

.Fronti%re d0erreur minimale Recouvrement de blocs Frontière verticale _ 2 = Erreur minimale Erreur de recouvrement Source : Marc 3ollefe$s 3$ramids and te/tures Comp1>2 Computer 7ision &6C '&SA(.

.Influence de la taille de l0échantillon Source : David %owe .e/ture C3SC 01>: Computer 7ision &?C 'Canada(.

aille de l<=chantillon Source : David %owe .1ésultats de synth%se de texture . .e/ture C3SC 01>: Computer 7ision &?C 'Canada(.

.Source : David %owe .e/ture C3SC 01>: Computer 7ision &?C 'Canada(.

l%mes Source : David %owe . .ro.e/ture C3SC 01>: Computer 7ision &?C 'Canada(..

erm-ller .e/ture CMCS 012 Ima#e 3rocessin# &MD '&SA(.5ynth%se de texte à partir d0ima$es Source : Cornelia . .

e/ture C3SC 01>: Computer 7ision &?C 'Canada(. .)xtrapolation d0ima$es Source : David %owe .

.ran* Dellaert .> Computer 7ision 9a.ech '&SA(.e/ture CS /0.)xtrapolation d0ima$es Source : .

ech '&SA(.ran* Dellaert . .> Computer 7ision 9a.e/ture CS /0.)xtrapolation d0ima$es Source : .

5hape from texture .

le de retrou&er la forme 2/ d un o.3et à partir de sa texture +ré$uli%re  =2ape from 8exture )n pratique! tr%s difficile et peu d approches existent à ce su3et  La texture est un élément essentiel de l ima$e! mais sou&ent difficile à manipuler ."tilisation des textures   5e$mentation en ré$ions texturées 9aractérisation des ima$es  recherche d ima$es par le contenu  )n théorie! il est possi.

>me texture mais ave" une orientation ou une taille diff rentes .5hape from texture .

5hape from texture ?etrouve@ la forme 3D d’un o6Aet 7 l’aide de la texture B très diffi"ile… .

ild5L"DlecturesDFMN=&t:@@.1éférences (voir aussi la page 'e6 du "ours!  5tina 5&ensson! 1epresentation and /escription! 9omputeri#ed ima$e analysis! 5Jedish "ni&ersity of A$ricultural 5ciencesK  JJJKc.KuuKseDLstinaD.Kpdf  9ornelia FermOller! Lecture :?4 Texture! 9*59 ?:< Ima$e .arPK  http4DDJJJKcfarKumdKeduDLferDcmsc?:<DlecturesDTexture:Kppt  9hristopher 1asmussen! Texture! 9I5 ?=BD<=B 9omputer Vision! "ni&ersity of /elaJare +"5A-K  http4DD&isionKcisKudelKeduDc&DlecturesDc&>BNtextureKppt .rocessin$ +9omputer Vision-! "ni&ersity of *aryland at 9olle$e .

4 9omputer Vision! "ni&ersity of British colum.ia +9anada-K  http4DDJJJKcsKu.DslidesD.1éférences (voir aussi la page 'e6 du "ours!  /a&id LoJe! Texture! 9.<D&ision@MKppt .cKcaDLloJeD?:.NfallD@B-TextureKppt  *arc .ollefeys! 9lass M .59 ?:.< 9omputer Vision! "ni&ersity of Horth 9arolina at 9hapel 7ill +"5A-K  http4DDJJJKcsKuncKeduD1esearchD&isionDcomp:.yramids and textures! 9omp:.Dcs??B. 9omputer Vision! 6eor$ia Institute of Technolo$y +"5A-K  http4DDJJJ-staticKccK$atechKeduDclassesDAQ:@@.-TextureKppt  FranP /ellaert! Texture! 95 x?B.