Chapitre 5

Principe et Développement d’une Méthode de Recalage

V- Principe et Développement d’une Méthode de Recalage 1. Introduction :
Le principe de recalage rigide implique les transformations géométriques de translation et de rotation. Ces transformations sont considérées affines lorsqu’on y implique des facteurs d’échelles et des torsions. Elles permettent alors de prendre en compte une grande partie de distorsions spatiales usuelles sur les images. On considère dans notre application une de ces transformations qu’est la transformation par similitude pour développer une nouvelle méthode de recalage d’images médicales. On définit dans ce chapitre la technique de recherche des paramètres de la transformation cible en adaptant une approche hybride de recalage qui combine l’utilisation des primitives d’image et le calcul de la mesure de similarité appliqué à l’image entière. Le processus de développement nécessite alors : -Une étape de choix de l’approche. -Une étape de choix de la transformation. -Une étape de choix de mesure de similarité et primitives à considérer. La difficulté apparaît au moment où plus d’une transformation peuvent être utilisée dans le recalage. On a focalisé notre développement sur la transformation de similitude par minimisation de l’erreur quadratique, tout en mettant la correspondance entre des primitives points particuliers dans les deux images. Les paramètres de la transformation sont déterminés à partir d'un algorithme connu ou on décrit ci-dessus

2. Description de la démarche :
Les méthodes de développement de recalage rigide sont classées en deux principales approches : -Approche iconique : elle se base sur l’idée de trouver la transformation en cherchant directement ses paramètres en optimisant une mesure de similarité bien choisie, c’est une approche, le plus souvent utilisée pour reconnaître ou focaliser une certaine forme dans l’image.

49

Chapitre 5

Principe et Développement d’une Méthode de Recalage

-Approche basée primitive : elle nécessite l’extraction de primitives, et se base sur le principe de mettre en correspondance ces primitives pour déduire la transformation qui aligne les images,le problème fondamental ici est celui des méthodes de mise en correspondance .
Recalage Rigide

Iconique

Basé Primitives

Base Mesure Erreur quadratique

Base Mesure Corrélation

Base Mesure Entropie

Points

Surfaces

Régions

Structures

2.1 Présentation de l’algorithme GICP :
L’algorithme GICP (Generalized Iteractive Closed Point) est un algorithme utilisé pour trouver les paramètres d’une transformation géométrique [Tar96]. L’algorithme est appliqué en recouvrement par des formes géométriques quand un prototype de forme géométrique de référence est utilisé. L’algorithme peut s’utiliser en cas de transformation de similitude, d’affinité ou d’homographie. On décrit ci-dessus l’algorithme général est: Début Étape 0 : Fixer {Xi} i=1…n ensemble des points de l’image source en entrée ; Étape 1 : Fixer {X'i} i=1…n ensemble des points de l’image référence en entrée ; Étape 2 : Calculer paramètres de F(Xi) ; Calculer erreur moindre carré entier (Xi', F (Xi)) ; Si l’erreur est réduite d’une valeur inférieure à un seuil donné à priori Alors Afficher l’image ; Sinon Reprendre l’étape 0 ; Finsi Fin L’initialisation du processus de recherche des paramètres se fait en fixant les points des contours extraits Xi et X'i des deux image en entrée.

50

Chapitre 5

Principe et Développement d’une Méthode de Recalage

La recherche de la transformation (c’ad ses paramètres) qui minimise l’erreur se fait selon un processus itératif qui s’arrête quand le seuil de l’erreur fixé à l’avance est atteint. Les paramètre sont calculées a partir de cette transformation L’erreur aux moindres carrés minimisée par l’algorithme est : e ( F , X i' ) = ∑ d 2 ( F ( X i ), X i' ) …………… (8)
i =1 n

Où d(X,X')est la distance euclidienne entre deux point X et X'. Pour généraliser l'algorithme, il est donc nécessaire d'être capable d'exprimer analytiquement quelle est la transformation optimale qui minimise l'erreur aux moindres carrés entre deux ensembles de n points appariés (étape 2). Lorsque {X'i} est connu, l'expression de la transformation optimale qui minimise e(F) dans l'équation pour différents types de transformations est donnée dans la section suivante. L’erreur calculée est la mesure de similarité quadratique c’est un critère utilisé dans le cas des images mono source. Il se calcule sur des primitives de type point ou pixels. La fonction quadratique s’exprime par :
C ( I R , I S , G ) = ∑ I R ( P ) − I S (G ( P )) ] [
p∈ ℘ 2

Où p est le vecteur des coordonnées spatiales d’une primitive point et ℘l’ensemble des primitives. Ce critère décroît avec le degré de similarité entre I R et la transformée par G de
IS .

(P correspond à un point Xi dans l’algorithme)

51

Chapitre 5

Principe et Développement d’une Méthode de Recalage

2.2 La méthode adoptée :
L’organigramme suivant présente notre démarche :

Début

Lecture: Image Référence Image Source

Extraction de contours

Superposition des contours sur images

Extraction des points particuliers

Calcul des paramètres (similitude)

Calcul mesure de similarité

Non

Erreur minimale

Oui
Affiche Image

Fi n

Fig : Organigramme illustratif de développement

52

Chapitre 5

Principe et Développement d’une Méthode de Recalage

2.3 Processus de sélection de point (Xi et Xi') :
La primitive utilisée dans notre méthode de recalage est la primitive point. Les points sélectionnés sont des points des contours de l’image source et l’image référence. La sélection des points contours se fait sur des points particuliers tels que les points de contours de courbure maximales, de points d'intersection de lignes, des point de jonction en T, des point de centre de gravite ou régions. Cette sélection est semi-automatique : Seul les contours sont calculés. Le calcul des positions des points particuliers cités-ci dessus n'a pas fait l'objet de notre étude. (Extraction de primitive)

2.4 Extraction des contours des images Source / Référence :
Dans une image, les contours se situent entre les pixels appartenant à des régions ayant des intensités moyennes différentes. Les contours sont en fait les frontières entre paries ou zones homogènes d'une scène observée. Ils sont en général assimilés aux points de l’image de fort gradient ou de dérivé seconde nulle. Les principes. Autrement dit la zones de transition entre deux zones peut se définir comme l’intervalle comprenant le maximum (ou le minimum) local de la dérivée première ou le passage a zéro de la dérivée second. [Bol95] Plusieurs opérateurs sont disponible en littératures pour obtenir des contours d’images soit en utilisant des opérateurs dérivatifs de premier ordre ou opérateurs dérivatifs de second ordre. Tous ces operateurs de contours comporte une dernière étape qu’est le seuillage pour éliminer les transitions qui peuvent correspondre à du bruit dans l’image.

3. Estimation avec appariement
Dans cette section, nous disposons de deux ensemble de n point {Xi} et {X'i} où i =1,…n qui Sont appariés pour un même indice i. L'ensemble {X'i} est le transformé par F de l'ensemble {Xi} Ceci se traduit par la relation suivante :
X i' = F ( X i ) + Bi

Où Bi est un bruit supposé gaussien centré. Dans le cadre du recalage, les transformations F les plus utiles pour rappel sont : -Une translation F ( X ) = X +T , -Un déplacement rigide, soit une rotation R combinée avec une translation F ( X ) = RX +T , -Une similitude F ( X ) = sRX +T , où s est un scalaire. 53

Chapitre 5

Principe et Développement d’une Méthode de Recalage

-Un étirement, c'est-à-dire la combinaison d’un changement d'échelle sur chaque axe avec un déplacement rigide, soit F ( X ) = RDX +T , ou D est une matrice diagonale. -Une affinité F ( X ) = LX + T , qui est une combinaison d’une transformation linéaire L est d’une translation. On remarque que ces transformations définissent des transformations de plus en plus générales. Elles vont de l’espace Rp vers Rp. Étant donné deux ensembles de points, estimer au mieux la transformation entre les deux ensembles bruités par un bruit gaussien revient `a minimise e (formule (8))

4. Cas d’étude de transformation de similitude :
Pour une transformation de type similitude, G est le produit d’un scalaire positif s, avec une rotation R. Puisque G (Y ) = sRY , la fonction `a minimiser est la suivante : e( s, R) = ∑ sRX i − X '
i =1 n 2

(1)

La dérivée partielle de e(s, R) par rapport à s est nécessairement nulle, pour minimiser cette équation. Cette contrainte permet d’obtenir s en fonction de la rotation :

∑ s= ∑
n

i =1 n

X i't RX i X it X i

i =1

Cette formule se réécrit en introduisant la matrice de covariance croisée :
Q= 1 n ∑=1 X i't X it i n

Et la matrice d'inertie du premier ensemble est : I = ∑=1 X i X it , i
n

De la façon suivante on a :
s= trace ( RQ t ) trace ( I )

Puisque s n’est qu’un facteur, on peut appliquer la décomposition en valeurs singulières. En effet, les rotations Z et W ne sont pas affectées par ce scalaire s, contrairement à D' La rotation R et donc égale à ZW t , si Q = Z 'W t .Par substitution, on vérifie que la valeur de s obtenue est positive, puisque D' est positive tout Comme dans la section précédente, s étant positif. Le résultat de notre algorithme pour les similitudes est donc le suivant: - Calculer la matrice de covariance croisée centrée Q :

54

Chapitre 5

Principe et Développement d’une Méthode de Recalage

Q = X i' X it

(2).

- Calculer la matrice de covariance centrée I :
I = X i X it

(3).

- Trouver la Valeurs singuliers VSD de Q,
Q = ZD 'W t .

(4).

Où Z et W sont des rotations et D' est une matrice diagonale. - La meilleure rotation est alors R.
R = ZW t

(5).

- Le meilleur facteur d'échelle est s :
s= trace ( D ' ) . trace ( I )

6).

- La meilleure translation est T :
T = X ' − sR X i

(7).

5. Développement des algorithmes :
Les algorithmes généraux de notre méthode sont :

5.1 Algorithme général
Entrée : -IS : Image source;

-IR : Image recalée ;
θ ,R, S, TX, TY, E; Sortie : IR Image recalée; Début : Si E < Un seuil prédéfini alors Pour chaque pixel PS(x,y) de IS et chaque pixel PR(u,v) Faire PR(u) = PS(x) S cos (θ) - PS(y) S sin (θ) +TX ; PR(v) = PS(x) S sin (θ) - PS(y) S cos (θ) +TY ; Fin Pour Afficher (“Image recalée”); Sinon Appel à similitude ; Fin Si Fin

55

Chapitre 5

Principe et Développement d’une Méthode de Recalage

5.2 Algorithme Similitude
Entrée : PS /*Les points sélectionnées à partir de l’image source*/ PR /* Les points sélectionnées à partir de l’image référence*/ Sortie : R,S,Tx,Ty,E /*les paramètres de la transformation et l’erreur Quadratique*/ Début R = Calculer (Z, W) ; /* Appel a la formule (5) */ S = Calculer (D, I) ; /* Appel a la formule (6) */ TX = Calculer (S, R) ; /* Appel a la formule (7) */ TY = Calculer (S, R) ; /* Appel a la formule (7) */ E = Calculer (S, R) ; /* Appel a la formule (1)*/ Afficher (R, S, TX, TY, E) ; Fin.

6. Conclusion :
Dans ce chapitre on a présenté notre démarche pour effectuer un recalage rigide tout en développant une méthode et donnant des différents algorithmes, on a aussi adapté dans notre démarche un algorithme de recherche GICP, dont l’utilisation a pour but de trouver les paramètres de la transformation utilisée pour l’alignement qu’est la similitude. Le critère utilisé pour le calcul de la mesure de similarité est celui du la mesure de l’erreur quadratique à minimiser dans des étapes itératives, afin de trouver les meilleures paramètres de la transformation, et les primitives utilises sont des points des contours extraits des deux images. Le prochain chapitre traite l’implémentation de ce développement.

56

Sign up to vote on this title
UsefulNot useful