5.6 Segmentation en r´ egions
129
sieurs modes (niveaux de gris comparables) comme les images binaires (noir
et blanc) par exemple. Elle n’est pas utilisable si l’image est bruit´ ee ou textur´ ee. Le seuillage (c’est -` a-dire la s´ eparation de l’histogramme) se fait par
un calcul automatique du seuil avec des outils statistiques (maximisation de
la variance par exemple).
(a) Histogramme
(b) Image segment´ ee - seuillage ` a 20, 75
et 180 (4 classes)
(c) Histogramme
(d) Image originale (e) Image segment´ ee
- seuillage ` a 135 (2
classes)
Fig. 5.22 Segmentation par seuillage d’histogramme
5.6.2 Algorithme K-means
L’algorithme des ! K-means " (K-moyennes) [59, 61] est une m´ ethode
statistique de partitionnement de donn´ ees : son but est de regrouper les
observations en K classes (ou clusters) dans lesquelles chaque observation
(ici un pixel caract´ eris´ e par son niveau de gris) appartient ` a la partition
129
sieurs modes (niveaux de gris comparables) comme les images binaires (noir
et blanc) par exemple. Elle n’est pas utilisable si l’image est bruit´ ee ou textur´ ee. Le seuillage (c’est -` a-dire la s´ eparation de l’histogramme) se fait par
un calcul automatique du seuil avec des outils statistiques (maximisation de
la variance par exemple).
(a) Histogramme
(b) Image segment´ ee - seuillage ` a 20, 75
et 180 (4 classes)
(c) Histogramme
(d) Image originale (e) Image segment´ ee
- seuillage ` a 135 (2
classes)
Fig. 5.22 Segmentation par seuillage d’histogramme
5.6.2 Algorithme K-means
L’algorithme des ! K-means " (K-moyennes) [59, 61] est une m´ ethode
statistique de partitionnement de donn´ ees : son but est de regrouper les
observations en K classes (ou clusters) dans lesquelles chaque observation
(ici un pixel caract´ eris´ e par son niveau de gris) appartient ` a la partition