Colloque

La segmentation d’images par système à base de connaissances

Daniel Crevier

Richard Lepage

Abdenour Bouzouane

Guturu Parthasarathy

Membre a labase

Daniel Crevier

Résumé du colloque

Nous exposerons une méthode de segmentation d’images basée sur l’exploitation de connaissances formulées à l’aide de règles si-alors. Ces règles sont exprimées à l’aide de l’architecture cognitive Soar, qui est dotée d’un mécanisme d’apprentissage automatisé. La segmentation s’effectue en subdivisant l’image en contours fermés qui correspondront à des objets ou parties d’objets: ayant ainsi isolé les parties d’un objet, il sera possible au système à base de connaissances de les comparer à une description symbolique et de déterminer la nature de l’objet. Dans un premier temps, on extraira des segments de contour consistant en arcs de cercle et lignes droites, qui seront ensuite regroupés en contours fermés. Chaque contour aura son origine dans un segment choisi par un mécanisme d’attention contrôlé par le système de productions. Le contour sera choisi de façon à minimiser la somme pondérée des longueurs des segments impliqués. Les facteurs de pondération permettent de tenir compte d’informations fournies par l’organisation perceptuelle, ainsi que par les caractéristiques des groupes de pixels séparant les segments impliqués. C’est ainsi que si un segment est impliqué avec le segment d’origine dans une relation perceptuellement significative comme le parallélisme, la convergence ou la symétrie, un facteur de pondération plus petit que l’unité lui sera appliqué, de façon à augmenter ses chance de faire partie du contour le plus court. Des facteurs de pondération semblables seront appliqués aux segments reliés au segment d’origine par un groupe de pixels uniformes. Après la fermeture de chaque contour, le système à base de connaissances s’assurera que la segmentation ainsi obtenue ne contient pas de superposition de contours, et choisira le segment d’origine du prochain contour. Ce choix peut s’effectuer par des mécanismes génériques, comme la sélection du segment le plus long ne faisant pas déjà partie d’un contour, ou par une exploitation de connaissances préalables sur le contenu de l’image. Une fois les informations requises extraites de l’image, le système à base de connaisances pourra décider de terminer l’analyse sans avoir complété la segmentation. Nous espérons pouvoir utiliser ce système pour l’apprentissage automatisé de stratégies de reconnaissance d’objets.