Méthode coopérative pour la segmentation d’image Application a l’imagerie médicale

Abstract

La segmentation d’image est le processus de partitionnement d’une image en régions non chevauchées, homogène vis-à-vis de certaines caractéristiques, telle que le niveau de gris, la couleur, texture …etc. . Elle a des applications dans plusieurs domaines comme l’imagerie médicale, l’imagerie par satellite …etc. Le processus de segmentation représente une étape cruciale dans le système de vision par ordinateur car les caractéristiques et décisions sont extraites et prise à partir de son résultat. Les premiers algorithmes de segmentation d’image ont vu le jour dans les années 1970, depuis de nombreuse techniques et méthodes de segmentation ont été expérimentées pour essayer d’améliorés les résultats, ces dernière années l’introduction des méta-heuristiques dans le domaine du traitement d’images a permis d’étudier la segmentation sous un angle différent avec des résultats plus ou moins réussis. Dans le but d’apporter notre contribution et d’améliorer davantage les performances des méthodes de segmentation, nous avons proposé des algorithmes basés sur la classification flou en utilisant l'algorithme standard de classification non-supervisée C-Moyennes Floues (FCM) est très populaire en segmentation d’images, mais il ne tient pas a la topologie de l’image il ne se base que sur la valeur des pixels de ce fait il reste très sensible aux bruits et aux inhomogénéité dans l’image, de plus il reste tributaire de l’initialisation des centres de classes. Afin de rendre l'algorithme plus robuste face aux imprécisions et aux bruits, deux Techniques d'intégration et de prise en compte de l'information spatiale ont été introduites par (FCM_S1). Nous avons combiné l’algorithme FCM_S1 avec la méthode de level set en initialisant automatiquement le contour initial d’une région recherchés. Les méthodes proposées ont été évaluées sur des bases de donnés expérimentales composées d’image synthétiques, d’images IRM simulés, Les résultats montrent que les techniques proposées qui intègres l'information spatiale donnent de meilleur performance de segmentation.