segmentation d'image

Imaginez une image comme une mosaïque de petits carrés, les pixels. Segmenter cette image revient à attribuer une même étiquette aux pixels qui semblent appartenir à une même zone. Un ciel bleu, une route sombre et une voiture peuvent ainsi former trois régions distinctes.

La règle de regroupement dépend du but recherché. Elle peut suivre une différence de couleur, une texture, une frontière visible ou le franchissement d’un seuil de luminosité. Le résultat indique où se trouvent les zones d’intérêt ; il ne leur donne pas nécessairement un nom.

La segmentation d’image partitionne l’ensemble des pixels d’une image en régions selon un critère fixé à l’avance. Chaque pixel reçoit une région, et les pixels regroupés partagent une propriété jugée pertinente : intensité lumineuse, couleur, texture locale ou appartenance à une zone délimitée. Une région peut être homogène pour ce critère sans correspondre exactement à un objet du monde réel.

Dans une approche par contours, la méthode recherche d’abord des variations marquées afin de localiser les frontières. Le résultat peut prendre la forme de chaînes de pixels qui bordent les structures. Dans une approche par régions, elle agrège au contraire des pixels ou des zones voisines dont les attributs sont assez proches. Le seuillage classe chaque pixel en comparant la valeur d’un attribut à un ou plusieurs seuils ; avec plusieurs seuils, il peut produire plus de deux classes.

Le critère, son échelle et les conventions de classement font donc partie de la définition opérationnelle d’une segmentation. Le résultat sert à isoler des structures avant d’autres analyses, notamment en imagerie médicale, dans les données satellitaires, la conduite autonome, la reconnaissance d’objets ou la compréhension de scènes.

Considérons une image en niveaux de gris composée de 6 × 6 pixels. Les 20 pixels de la bordure ont la valeur 30. Les 16 pixels du carré central de 4 × 4 pixels ont la valeur 180. On choisit le seuil 100 et la règle suivante : une valeur strictement supérieure à 100 appartient à la région d’intérêt ; les autres valeurs appartiennent au fond.

1. Chaque pixel de valeur 30 est comparé à 100 : 30 n’est pas supérieur à 100, donc il reste dans le fond.
2. Chaque pixel de valeur 180 est comparé à 100 : 180 est supérieur à 100, donc il rejoint la région d’intérêt.
3. Le masque obtenu contient ainsi 16 pixels dans la région d’intérêt et 20 pixels dans le fond.

Le contrôle consiste à recompter les cases : 16 + 20 = 36, soit exactement les 6 × 6 pixels de l’image. La représentation associe le carré central rouge à la région sélectionnée et la bordure blanche au fond.

En imagerie médicale, la segmentation isole une structure d’intérêt avant son analyse. Un seuillage convient lorsque cette structure se distingue nettement par son intensité ; une approche par régions devient préférable si son intérieur est homogène mais ne se sépare pas par une valeur unique.

Dans une image satellitaire, le geste consiste à regrouper les pixels qui partagent une couleur, une intensité ou une texture locale. Une méthode par contours est plus adaptée lorsque l’information décisive est une frontière marquée entre deux zones.

Pour la conduite autonome et la compréhension de scènes, la segmentation localise les zones utiles de l’image. Elle prépare alors la reconnaissance d’objets : le masque précise où regarder, tandis qu’une étape distincte peut déterminer ce qui a été isolé.

Segmentation et détection de contours. Une détection de contours signale des frontières, souvent sous forme de chaînes de pixels. Une segmentation attribue les pixels à des régions. Si le résultat ne contient que les quatre côtés du carré central, il décrit son contour ; s’il étiquette ses 16 pixels, il décrit une région.

Segmentation et reconnaissance d’objets. La segmentation répond d’abord à la question « où sont les zones séparées ? », tandis que la reconnaissance cherche à déterminer ce qu’elles représentent. Dans l’exemple, obtenir un carré central de 16 pixels est une segmentation ; lui attribuer une catégorie demanderait une reconnaissance supplémentaire.

Valeur égale au seuil. Dire seulement « seuil 100 » ne classe pas un pixel de valeur 100. Il faut préciser la convention. Avec la règle « strictement supérieur à 100 », cette valeur reste dans le fond ; avec « supérieur ou égal à 100 », elle rejoint la région d’intérêt.

Homogénéité trompeuse. Deux zones séparées peuvent partager la même intensité ou la même couleur. Un simple seuillage leur donnera la même classe, même si elles ne forment pas une région connexe. Il faut alors ajouter un critère de voisinage ou analyser séparément les composantes obtenues.

Contour incomplet. Si une frontière présente une ouverture, une chaîne de pixels ne délimite pas nécessairement une région fermée. Le symptôme est une fuite entre intérieur et extérieur. Une méthode par régions ou une règle de fermeture explicite doit alors compléter l’information de contour.

Critère mal choisi. Une variation d’éclairage peut séparer artificiellement un même objet, tandis que deux objets proches peuvent partager une texture. Il faut contrôler le masque obtenu et changer de critère, d’échelle ou de méthode lorsque les régions ne correspondent pas aux structures recherchées.

Une même image peut produire plusieurs segmentations valides, car le résultat dépend de l’information recherchée. Comparer un découpage par contours, un regroupement par régions et un seuillage permet d’observer ce que chaque critère conserve : les frontières, l’homogénéité locale ou la position d’une valeur par rapport à un seuil.

Le prolongement naturel consiste à étudier les segmentations à plusieurs classes. Plusieurs seuils peuvent séparer plusieurs plages de valeurs, tandis qu’un critère combinant couleur et texture peut affiner les régions. Dans tous les cas, la qualité du résultat s’évalue par rapport au but fixé, et non par le seul nombre de zones produites.