Edge Detection and Ridge Detection with
Automatic Scale SelectionTONY LINDEBERG
Synthèse bibliographique
Sawsen Rezig
ECL/Lyon1Master Informatique 2ème année
Spécialité : Image
Principales conférences et revues du domaine
International Conference on Computer Vision (ICCV),European Conference on Computer Vision (ECCV),Conference on Computer Vision and Pattern Recognition (CVPR-USA).
IEEE Transactions on Pattern Analysis and Machine Intelligence(TPAMI),IEEE Transactions on Image Processing,International Journal of Computer Vision(IJCV),Pattern Recognition.
L’auteur de L’article:Tony LindebergTony Lindeberg est un professeur au département de l’analyse numérique et de l’informatique au KTH (Royal Institute of Technology (Suède)). Ses principaux sujets de recherche concerne :
La théorie de l’Espace d’échelle,Les représentations de l’image et de la vision
Détection de caractéristiques, Reconnaissance d’objets, reconnaissance spatio-
temporelle La modélisation algorithmique de la vision biologique.
Il déjà travaillé aussi sur des sujets sur l’analyse d’images médicales et la reconnaissance de gestuelles. Il est l’auteur du livre : Scale-Space Theory in Computer Vision.
Introduction :
L’importance de l’information de contours: Changement dans l’image changement dansles propriétés physiques et naturelles des entités.
La difficulté qui se présente dans un contexte pareil: Comment interpréter l’information extraite, Comment choisir l’espace d’échelle.
Problématique traitée par l’article :
Domaine : La vision par ordinateur/Extraction de caractéristiques.
But : La détection des différentes caractéristiques de l’image (contours,
points d’intérêt).
La sélection automatique des niveaux d’échelle ( Scale-space).
Avant-propos : Impact du choix du niveaux d’échelle
ImageOriginale
t = 16
t = 1
t = 256
Avant-propos : Impact du choix du niveaux d’échelle
Résultats de la détection de contours d’une imge au differents niveaux d’échelle
Méthodologie proposée :
L’amplitude du gradient,Une mesure normalisée de la puissance d’un contour :
Méthodologie proposée :
L’amplitude du gradient :• Le maximum local dans la direction du gradient,• les endroits correspondant à un changement brutal
dans l’image.
Une mesure normalisée de la puissance d’un contour :• Varier l’espace d’échelle automatiquement le long
d’un contour.
Intérêt de chaque mesure:
Méthodologie proposée :
Formuler le concept de points d’intérêt :
les propriétés différentielles géométriques locales. points représentant un extremum local dans la direction
du vecteur propre de la matrice Hessienne.
Adaptation de la méthode pour la détection de régions d’intérêt:
Résultats obtenus:Résultats de la détection de contours basée sur la dérivée du premier ordre:
Résultats obtenus:Résultats de la détection de contours basée sur la dérivée du troisième ordre:
Résultats obtenus:Résultats de la détection de régions d’intérêt :
Critiques :
La dérivée normalisée , Les dérivées directionnelles,la suppression des non maxima (classique),l’extension de la notion de la suppression des non maxima en vue de réaliser la sélection des niveaux d’échelle.
Etat de l’art :
Critiques :
⁺un choix automatique du niveau d’échelle s’adaptant à la structure locale de l’image,⁺ éviter la distorsion de la forme des objets,⁺ extraire les contours fins (ombres, reflets),
-résultats pour l’image du fractal, -une différence à peine perceptible entre utilisation de deux mesures de la puissance.
Expérimentation (détection de contours):
Critiques :
L’application de la méthode adaptée donne les points les plussignificatifs.
Expérimentation (détection de régions d’intérêt):
Critiques :
•nouvelle manière géométrique différentielle pour la suppression des non maxima, se basant sur la représentation multi-échelle de l’image à traiter.•La détection de contours et de points d’intérêt a été beaucoup améliorée par l’auteur par l’introduction des dérivées -normalisées.
-Le choix du nombre de niveaux d’échelle à utiliser est arbitrairedans cette méthode.
Points forts et points faibles :