La segmentation est une étape importante pour l’extraction des informations qualitatives de l’image. Elle consiste à découper l’image considérée en régions ayant une homogénéité selon un critère prédéfini (niveau de gris, moments, coefficients d’ondelettes …). L’union des régions obtenues doit redonner l’image initiale. La segmentation d’image n’est pas considérée comme un but en soi, mais dépend du type de traitement fixé a priori.
Une multitude de méthodes de segmentation sont proposées dans la littérature, elles se répartissent en trois grandes familles : la segmentation par approche contour, région et classification.
L’approche contour consiste à identifier les discontinuités qui séparent les différentes régions de l’image, cette approche cherche les dissimilarités.
Approche contour
L’approche région a pour objectif de décomposer l’image en un ensemble de régions connexes les plus homogènes possible; et les plus différentes pour celles qui se côtoient.
Approche région
L’approche classification, quant à elle, cherche à regrouper les pixels qui présentent une similarité et une uniformité selon un critère prédéfini, on parle de partitionnement ou de clustering. C’est cette approche qui nous intéresse dans ce travail.
Méthodes de segmentation par classification :
Les méthodes de classification sont issues des méthodes statistiques multidimensionnelles. Il n’existe pas une méthode de classification qui peut s’appliquer à tout type d’image et qui peut fournir un partitionnement optimal. En général, on peut les répartir en : méthodes supervisées qui se basent sur un modèle exacte, fourni par un expert, des classes à obtenir et les méthodes non supervisées ou aucune connaissance à priori n’est disponible. Ici le nombre de classes est déduit directement des données. (Cas des images cérébrales IRM : les classes qu’on cherche sont trois : MB, MG et LCR).
Images IRM du cerveau
On parle aussi de méthodes avec ou sans apprentissage, cela dépend de la disponibilité d’une base de connaissance préalables sur les données. Enfin, les méthodes paramétriques et non paramétriques, dans le cas ou l’on possède un modèle qui décrit les données.
