La segmentation d’images est une technique couramment utilisée dans le traitement et l'analyse d'images afin de diviser une image en plusieurs parties ou régions, souvent en fonction des caractéristiques des pixels de l'image. La segmentation d’images peut impliquer de séparer l'arrière-plan du premier plan, ou d'effectuer un clustering des régions de pixels en fonction de leurs similarités en termes de couleur ou de forme. Par exemple, dans le domaine de l'imagerie médicale, la segmentation d’images est couramment utilisée pour détecter et labelliser les pixels d'une image ou les voxels d'un volume 3D, qui représentent une tumeur dans le cerveau ou dans d'autres organes d'un patient.
Importance de la segmentation d’images
Plusieurs algorithmes et techniques de segmentation d’images ont été développés dans le but de résoudre efficacement les problèmes de segmentation en utilisant des connaissances spécifiques au domaine. Ces applications concernent, notamment, l'imagerie médicale, la conduite autonome, la vidéosurveillance et la vision industrielle.
Imagerie médicale
La segmentation et l'analyse jouent un rôle important dans le diagnostic clinique, la planification des traitements et la recherche médicale. Utilisez la segmentation pour labelliser et analyser des organes, des tumeurs, des cellules, des implants et d'autres régions d'intérêt. Par exemple, vous pouvez utiliser la radiomique afin de classer une tumeur comme cancéreuse ou bénigne, puis mesurer la croissance de la tumeur lors des scanners de suivi. Vous pouvez également suivre la position et la morphologie des cellules dans des images de microscopie segmentées, ou analyser la densité osseuse lors d'un essai pharmaceutique. Les masques de segmentation peuvent également être utilisés afin de générer des modèles anatomiques en 3D pour des applications comme l'impression 3D ou l'analyse par éléments finis, qui sont utiles pour la planification chirurgicale spécifique au patient.
Exemples de segmentation à l’aide de Medical Imaging Toolbox™, comprenant (dans le sens des aiguilles d'une montre à partir du coin supérieur gauche) des poumons sur un tomodensitogramme, un cerveau sur une IRM, des cellules sur une image de microscopie et un ventricule gauche sur une IRM cardiaque.
Conduite autonome
Lors du design de la perception des véhicules autonomes, comme par exemple les voitures autonomes, la segmentation sémantique est souvent appliquée pour permettre au système d'identifier et de situer des véhicules ainsi que d'autres objets sur la route.
Utilisation de la segmentation sémantique dans Computer Vision Toolbox™ afin d'associer chaque pixel de l'image à une étiquette de classe (comme voiture, route, ciel, piéton ou vélo). (Consulter la documentation.)
Fonctionnement de la segmentation d’images
La première étape de la segmentation d’images consiste à convertir l'image en un ensemble de régions de pixels qui sont représentés par un masque ou par une image labellisée. En divisant une image en segments, vous pouvez sélectionner puis traiter uniquement les segments importants de l'image, au lieu de traiter l'image dans son intégralité.
Parmi les techniques courantes, on trouve la recherche de discontinuités brutes dans les valeurs de pixels ; cela indique généralement les contours qui définissent une région.
Utilisation de la fonction adaptthresh dans Image Processing Toolbox pour le seuillage d'image adaptatif. La conversion en image binaire améliore la lisibilité du texte dans une image. (Voir le code MATLAB.)
Parmi les approches courantes, on trouve également la détection de similarités dans les régions d'une image. Dans les techniques qui utilisent cette approche, on retrouve la croissance de région, le clustering et le seuillage.
Segmentation des régions en fonction des valeurs de couleurs, des formes ou de la texture à l'aide d'Image Processing Toolbox. (Consulter la documentation.)
Pour continuer à explorer ce sujet
Segmentation d’images avec MATLAB
Avec MATLAB®, vous pouvez :
- Utiliser des applications pour explorer différentes techniques de segmentation de manière interactive
- Simplifier les workflows d'analyse d'image à l'aide d'algorithmes de segmentation d’images intégrés
- Utiliser le Deep Learning pour la segmentation d’images
Utiliser des applications pour effectuer le seuillage des images de manière interactive
Application Image Segmenter
Vous pouvez utiliser l'application interactive Image Segmenter afin d'essayer plusieurs méthodes de segmentation d’images de manière itérative pour atteindre le résultat escompté. Par exemple, vous pouvez utiliser l'application pour segmenter et affiner davantage les images d'une voiture.
Utilisation de l'application Image Segmenter pour appliquer différentes techniques de segmentation de manière interactive.
Application Color Thresholder
L'application Color Thresholder vous permet d'appliquer un seuillage aux images couleur en manipulant la couleur des images de manière interactive, en fonction des différents espaces de colorimétriques. Par exemple, avec l'application Color Thresholder, vous pouvez créer un masque binaire à l'aide de contrôles en nuages de points pour une image couleur.
Utilisation d’une variété de techniques de segmentation d'images
Grâce aux fonctions de MATLAB et d’ Image Processing Toolbox™, vous pouvez développer une expertise dans différentes techniques de segmentation d’images, comprenant par exemple le seuillage, le clustering, la segmentation basée sur les graphes et la croissance de région, ainsi que dans les techniques de Deep Learning, comme le Segment Anything Model.
Seuillage
Pour créer une image binaire, vous pouvez utiliser la fonction imbinarize pour effectuer le seuillage d'une image 2D ou 3D en niveaux de gris. Pour produire une image binaire depuis une image couleur en RGB, utilisez la fonction rgb2gray pour la convertir en une image en niveaux de gris.
Utilisation de la fonction imbinarize dans Image Processing Toolbox pour convertir une image couleur en une image binaire. (Voir le code MATLAB.)
Clustering
Cette technique vous permet de créer une image segmentée labellisée à l'aide d'un algorithme de clustering spécifique. La fonction imsegkmeans, qui utilise la segmentation basée sur le clustering k-means, segmente une image en clusters au sein d'un espace de couleur.
Utilisation d'une technique de clustering k-means imsegkmeans afin de séparer le sol à motifs en arrière-plan. (Voir le code MATLAB.)
Segmentation basée sur les graphes
Les techniques de segmentation basées sur les graphes telles que le lazy snapping vous permettent de segmenter une image en régions de premier plan et d'arrière-plan. MATLAB vous permet d'effectuer cette segmentation sur une image de manière programmatique (lazysnapping) ou de manière interactive, à l'aide de l'application Image Segmenter.
Utilisation de la fonction lazysnapping dans Image Processing Toolbox pour séparer les régions de premier plan et d'arrière-plan. (Voir le code MATLAB.)
Utilisation de l'application Image Segmenter dans Image Processing Toolbox afin d'appliquer la segmentation basée sur les graphes de manière interactive.
Croissance de région
La croissance de région est une méthode simple de segmentation d’images basée sur les régions (également classifiée comme basée sur les pixels). L'algorithme activecontour est couramment utilisé : il examine les pixels avoisinants un point de départ et détermine de manière itérative si les pixels voisins doivent être ajoutés à la région. Vous pouvez également effectuer cette segmentation sur des images en utilisant l'application Image Segmenter.
Le Deep Learning pour la segmentation d’images
Grâce à l'utilisation de réseaux de neurones à convolution (CNN), une technique de Deep Learning appelée segmentation sémantique vous permet d'associer chaque pixel d'une image à une étiquette de classe. Parmi les applications de la segmentation sémantique, on retrouve la conduite autonome, l'inspection industrielle, la robotique, l'imagerie médicale et l'analyse d'images satellite. Pour en savoir plus, consultez l'exemple Segmentation sémantique avec le Deep Learning.
Schéma de la technique de segmentation sémantique.
Vous pouvez concevoir et entraîner des réseaux de segmentation sémantique à l'aide d'une collection d'images et de leurs images labellisées correspondantes, puis utiliser les réseaux entraînés afin de labelliser de nouvelles images. Pour labelliser les images d'apprentissage, vous pouvez utiliser les applications Image Labeler, Video Labeler ou Ground Truth Labeler.
Utilisation de l'application Image Labeler pour effectuer une segmentation sémantique.
Pour continuer à explorer ce sujet
La segmentation d’images est une technique de traitement numérique d’images qui consiste à diviser une image en plusieurs régions ou segments en fonction des caractéristiques des pixels. Elle permet, par exemple, de séparer le premier plan de l’arrière-plan ou de regrouper des régions selon leur couleur ou leur forme.
La segmentation d’images permet de concentrer l’analyse sur les parties les plus pertinentes d’une image plutôt que sur l’image entière. Elle joue un rôle essentiel dans des domaines tels que l’imagerie médicale pour la détection de tumeurs, la conduite autonome pour l’identification d’objets, l’inspection visuelle pour la détection d’anomalies, la vidéosurveillance et la vision industrielle.
La segmentation d’images transforme une image en régions de pixels représentées par un masque ou une image étiquetée. Cette opération peut s’appuyer sur la détection de discontinuités dans les valeurs des pixels, l’identification de similarités par croissance de région, clustering ou seuillage, ou encore sur des réseaux de segmentation basés sur le Deep Learning.
L’application Image Segmenter est un outil interactif de MATLAB qui permet d’expérimenter différentes méthodes de segmentation, d’appliquer des techniques telles que le seuillage ou les contours actifs, puis d’affiner les résultats de manière itérative afin d’obtenir la segmentation souhaitée.
MATLAB propose des techniques de seuillage avec imbinarize, du clustering k-means avec imsegkmeans, des méthodes basées sur les graphes telles que lazy snapping, l’approche de croissance de région avec activecontour, ainsi que des techniques de Deep Learning, notamment le Segment Anything Model.
La segmentation sémantique utilise des réseaux de neurones convolutifs (CNN) pour associer chaque pixel à une classe donnée. Les réseaux peuvent être conçus et entraînés à partir de collections d’images et de leurs annotations à l’aide d’applications telles que Image Labeler, Medical Image Labeler et Video Labeler.
L’application Color Thresholder permet d’effectuer un seuillage sur des images couleur en manipulant de manière interactive les couleurs dans différents espaces colorimétriques. Elle facilite la création de masques binaires à l’aide d’outils de contrôle visuels.
Oui. MATLAB prend en charge la segmentation d’images médicales pour identifier et annoter des organes, des tumeurs, des cellules ou d’autres régions d’intérêt dans des radiographies, des scanners CT, des IRM et des images de microscopie. Ces capacités sont utilisées pour le diagnostic clinique, la planification des traitements et la recherche.
Ressources
Développez vos connaissances grâce à la documentation, aux exemples, aux vidéos et plus encore.
Documentation
