Post on 03-Apr-2015
A Feature Based Registration Algorithm Using Improved Chain-
Code Representation Combined with Invariant Moments
Xialong Dai, Siamak KhorramSeptembre 1999
présenté par Segovia Benjamin
Introduction
● Recalage d'images satellite● Deux grandes classes de méthodes
– Avec des points de contrôle manuels: fastidieux et pas toujours valables
– Automatiques● Area-base techniques● Feature (formes) techniques
Introduction (2)
● Cadre de l'article– Méthode de détection de formes– 4 étapes
● Détection des bords fermés via laplacien de gaussien● Calculs de points caractéristiques (centres de gravité
de formes), et des caractéristiques de formes: moments invariants et chain-codes améliorés
● Calculs de similarité des formes● Recalage
Plan de l'exposé
● Présentation de la méthode de détection de bords
● Présentation du calcul des points de contrôle et des matrices de similarités
● Présentation globale du moteur de recalage● Analyses et critiques
Détection de Formes Caractéristiques
● Détection de bords via une convolution par filtre laplacien de gaussien– Floute l'image puis trouve les bords en un seul
calcul
Matrice de convolution
Détection de Formes Caractéristiques (2)
● Contours détectés par zero-crossing – Verticalement et horizontalement
● Problème: algorithme pas assez robuste et Etat de l'Art non satisfaisant– Problème des « weak edges » et « thick edges »
● Améliorer l'algorithme: « thin and robust zero-crossing »
Détection de Formes Caractéristiques (3)
● Un pixel appartient à un bord ssi:– Le pixel est zero-crossing– Il est sur le gradient le plus fort parmi ses 8
voisins (gradient sur la convolée)– Entre les deux points du gradient (forcément un
positif et un négatif), il est le plus petit en valeur absolue
Détection de Formes Caractéristiques (4)
● Résultats obtenus bruités fortement● On seuille !
Beaucoup de Bruit...
Détection de Formes Caractéristiques (5)
● On garde seulement les contours qui ont un gradient assez grand
● On définit le « steepest gradient » pour chaque point
● Deux seuils T2>T
1
– T1 pour tout le contour
– T2 pour un point du contour
● On garde les zones fermées
Détection de Formes Caractéristiques (6)
● Résultats obtenus
Calcul des Invariants de Formes
● Détection des zones fermées faites● On cherche à caractériser ses zones● Critères
– Invariants par translations– Invariants par rotations– Invariants par changements d 'échelle
Calcul des Invariants de formes – Représentation des zones par les
moments
● Représentation des régions par les moments
● On définit alors
et
Calcul des Invariants de formes – Représentation des zones par les
moments (2)
● On définit alors 7 invariants par translations, rotations, changements d'échelle
● De 1 à 6: invariants par symétrie
Calcul des Invariants de formes – Représentation par Chain-Codes
améliorées
● Chain-Codes standards de la forme {ai avec ai dans {0..7} }
● Améliorations– Retire le Wraparound (ex: {707070} ) en minimisant
la différence entre deux termes consécutifs (ici, 78787878)
– Smoothing operation par filtre gaussien {0.1 0.2 0.4 0.2 0.1}
– Invariance par rotations en soustrayant la moyenne– Invariance de scaling par longueur fixée de la chaîne
Calcul des Correspondances de Formes
● Deux images – Calculs des contours fermés pour chaque image
● n contours pour image 1 ---- m contours pour image 2
● Calculs des invariants● Deux matrices de similarité
Matrice de Similarité avec les Chain-Codes améliorés
● Matrice n x m
● Alors pour tout ( i,j ) dans ( Nn,N
m )
● Mesure la distance entre les contours respectifs de chaque image et fixe leur similarité
Matrice de Similarité avec les Moments Invariants
● Matrice n x m
● Alors pour tout ( i,j ) dans ( Nn,N
m )
● Mesure la distance entre les contours respectifs de chaque image et fixe leur similarité
L'Algorithme de Recalage d'Images
● Calculs des contours fermés de deux images● Calculs des deux matrices de similarités et
des matrices 2 x n et 2 x m des centres de gravité de ces contours
● Deux seuils Tc et T
d donnent ensemble C
des correspondances dans les deux matrices
L'algorithme de Recalage d'Images (2)
● Trois meilleures correspondances sont prises et donnent une première estimation des paramètres de recalage
● Six paramètres de transformation
● Analyses des autres points de correspondances
– Autre seuil Er élimine les points mal recalés
L'algorithme de Recalage d'Images (3)
● Calcul final des paramètres par la méthode des moindres carrés sur C\(points mal recalés)
Résultats
● Deux images prises par LandSat TM --- Caroline du Nord
1988 1994
Résultats (2)
● Segmentation– Image 1988: 22 régions– Image 1994: 29 régions
● Similarité: 21 régions détectées● Après premier recalage, reste 7 points de
contrôle● Recalage avec ces 7 points● Et.....
Résultats en Image
Conclusion
● Méthode rapide a priori– Pas de temps de calculs donné– Mais, recalage fait sur très peu de points!
● Robuste a priori sur des photos aériennes– Segmentation rapide et fiable– Deux méthodes de similarité utilisées
● Mais, médical: problèmes des contours peut être plus difficile– Segmentation peut-être à revoir