Thesec. Vachier

Extraction de caractéristiques, segmentation d’image et
morphologie mathématique
Corinne Vachier
To cite this version:

Corinne Vachier. Extraction de caractéristiques, segmentation d’image et morphologie mathématique.
Mathematics [math]. École Nationale Supérieure des Mines de Paris, 1995. English. �NNT : �. �pastel-
00004230�
HAL Id: pastel-00004230

https://pastel.hal.science/pastel-00004230
Submitted on 10 Oct 2008
HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
ECOLE NATIONALE SUPERIEURE DES MINES DE PARIS
EXTRACTION DE CARACTERISTIQUES,
SEGMENTATION D’IMAGE ET
MORPHOLOGIE MATHEMATIQUE
THESE
présentée à
l’Ecole Nationale Supérieure des Mines de Paris
par
Corinne VACHIER
pour obtenir le titre de Docteur en Morphologie Mathématique
Thèse soutenue le 18 Décembre 1995 devant le jury composé de:
MM. Bernard PICINBONO Président

Philippe BOLON Rapporteur
Serge MULLER Rapporteur
Jean-Louis LAMARQUE
Fernand MEYER
Michel SCHMITT
Jean SERRA
À mes parents
À mon doudou
Remerciements
Cette thèse est le résultat d’une collaboration étroite entre le Centre de Morphologie
Mathématique de l’Ecole des Mines de Paris et General Electric Medical Systems. Je tiens
ici à exprimer ma très sincère gratitude à tous ceux et toutes celles qui ont pris sur le
temps pour m’aider et m’entourer de leurs conseils tout au long de ce travail ; ils ont
contribué pour une grande part à l’aboutissement de cette thèse.
Mes plus vifs remerciements vont tout d’abord à Jean Serra pour m’avoir accueillie
au Centre de Morphologie Mathématique, mais aussi pour sa grande disponibilité, son
expérience qu’il sait transmettre à chacun, sa gentillesse et la confiance qu’il accorde aux
jeunes thésards. Je le remercie aussi d’avoir accepté de faire partie du jury. Je tiens aussi
à exprimer ma sincère gratitude à Fernand Meyer qui a assumé la charge de directeur
de thèse et qui a su diriger et orienter mes recherches tout en me laissant une grande
liberté. Je lui suis également très reconnaissante pour sa disponibilité et pour m’avoir fait
profiter de son expérience. L’aboutissement de cette thèse doit beaucoup à ses conseils
comme à ses critiques. Mes plus vifs remerciements vont également à Serge Muller qui a
supervisé ce travail tout au long de son déroulement et dont les conseils et critiques m’ont
beaucoup aidée. Je tiens aussi à le remercier pour la confiance qu’il m’a accordée dès le
début ainsi que pour avoir accepté la lourde tâche d’être rapporteur. Merci beaucoup à
Bernard Picinbono d’accepter de présider le jury de cette thèse. J’en suis très honorée.
J’espère avoir su tirer le plus grand profit de l’enseignement qu’il m’a dispensé il y a
quelques années déjà. Je tiens à remercier vivement Philippe Bolon d’avoir accepté d’être
rapporteur de cette thèse. Mes plus vifs remerciements vont également au Professeur Jean-
Louis Lamarque qui a accepté de faire partie du jury et qui nous permet ainsi de profiter
de sa grande compétence en sénologie. Enfin, je remercie vivement Michel Schmitt d’avoir
accepté de faire partie du jury.
Je tiens également à remercier Christophe Gratin et Michel Bilodeau qui, durant mon
séjour au Centre de Morphologie Mathématique, m’ont sans cesse aidé de leurs conseils et
auxquels je dois une lecture critique approfondie de la première version de ce manuscript.
Je remercie également vivement Luc Vincent, de l’autre côté de l’Atlantique, pour l’intérêt
qu’il a porté à ce travail et pour m’avoir aidé à le diffuser.
Merci enfin à l’ensemble de l’équipe du Centre de Morphologie Mathématique (je cite
en vrac et je m’excuse déjà si ma RAM oublie quelqu’un ou quelqu’une). Les disparus :
Roro Bremond, Hugues Talbot (et je salue le Poitou au passage !), Jean-François Rivest,
Jean-Nono Mialet, René Peyrard, Pierre Soille, Tilman Jochems, Christophe Gratin et
Michel Grimaud. Un merci tout particulier à Oscar grâce à qui nous avons gagné le
tournoi de boules l’année dernière. Les indéracinables ensuite : Jean-Claude Klein, Serge
Beucher, les deux Michel (Bilodeau et Gauthier), Marc Waroquier et Laura Andriamasi-
noro. Un merci tout particulier à Liliane Pipault qui, par sa disponibilité, sa gentillesse
et sa bonne humeur, contribue beaucoup à l’excellente ambiance qui règne au centre. Je
salue enfin tous les thésards, ceux du centre et ceux de General Electric, ceux qui commen-
cent et ceux qui terminent : Fabrice Lemonnier, Nicolas Bez (pour les discussions dans la
navettomobile), Sylvie Bothorel, Beatris Marcotegui, Pascal Laurenge, François Calmel
(même s’il ne fait pas partie du clan des thésards)... Je leur sais gré à tous, non seule-
ment de leur aide concrète, mais surtout de l’atmosphère chaleureuse et amicale qu’ils ont
tous contribué à créer au Centre de Morphologie Mathématique, dans la navettomobile
ou ailleurs.
Table des matières
1 Introduction 5
1.1 Avant propos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Plan et contenu de l’ouvrage . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2 Transformations morphologiques et extraction de caractéristiques 9

2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Le point de vue de l’analyse granulométrique . . . . . . . . . . . . . . . . . 10
2.2.1 Granulométries et résidus granulométriques . . . . . . . . . . . . . 10
2.2.2 Squelette morphologique et fonction d’extinction . . . . . . . . . . . 14
2.2.3 Le filtrage par décomposition morphologique d’image . . . . . . . . 19
2.2.4 Granulométries et connexité . . . . . . . . . . . . . . . . . . . . . . 31
2.3 L’approche par extrema . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.3.1 Extraction des extrema d’une image numérique . . . . . . . . . . . 34
2.3.2 Extraction des h-extrema . . . . . . . . . . . . . . . . . . . . . . . . 37
2.3.3 Valuation des extrema selon leur contraste : la dynamique . . . . . 39
2.3.4 Relation entre la dynamique et les h-extrema . . . . . . . . . . . . . 40
2.4 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3 Des fonctions d’extinction numériques 43

3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.2 Fonction d’extinction : principe et définition . . . . . . . . . . . . . . . . . 45
3.2.1 Les opérateurs morphologiques connexes . . . . . . . . . . . . . . . 45
3.2.2 Fonction d’extinction : définition . . . . . . . . . . . . . . . . . . . 49
3.3 Etude approfondie de quelques cas particuliers . . . . . . . . . . . . . . . . 53
3.3.1 La dynamique : une fonction d’extinction particulière . . . . . . . . 53
3.3.2 Fonction d’extinction associée aux ouvertures par reconstruction . . 59
3.3.3 Fonction d’extinction surfacique . . . . . . . . . . . . . . . . . . . . 61
3.3.4 Arasement volumique et fonction d’extinction volumique . . . . . . 65
3.4 Définition symétrique à l’aide des transformations alternées séquentielles . 71
3.4.1 Les transformations alternées séquentielles . . . . . . . . . . . . . . 72
3.4.2 Valeurs d’extinction symétriques des extrema d’une image numérique 75
3.5 Utilisation des fonctions d’extinction pour le filtrage d’image . . . . . . . . 78
3.5.1 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.5.2 Les “filtres” d’extinction . . . . . . . . . . . . . . . . . . . . . . . . 79
3.5.3 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
1
2 TABLE DES MATIÈRES
3.5.4 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.6 Récapitulation et discussion . . . . . . . . . . . . . . . . . . . . . . . . . . 88
4 Calcul efficace des fonctions d’extinction 91

4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.2 Algorithme de calcul des fonctions d’extinction . . . . . . . . . . . . . . . . 92
4.2.1 Cas non symétrique : calcul par inondation du relief . . . . . . . . . 92
4.2.2 Calcul de la dynamique symétrique par propagation des extrema . . 106
4.2.3 Efficacité des algorithmes . . . . . . . . . . . . . . . . . . . . . . . 113
4.3 Lien avec l’analyse dendronique . . . . . . . . . . . . . . . . . . . . . . . . 115
4.3.1 Définition et rôle de l’analyse dendronique . . . . . . . . . . . . . . 115
4.3.2 Arbres de fusion des minima et dendrone . . . . . . . . . . . . . . . 116
4.3.3 Apport du point de vue symétrique . . . . . . . . . . . . . . . . . . 118
4.4 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
5 Application à la segmentation d’image 121

5.1 Introduction : la segmentation par LPE . . . . . . . . . . . . . . . . . . . . 121
5.1.1 La Ligne de Partage des Eaux (LPE) . . . . . . . . . . . . . . . . . 122
5.1.2 Les points clefs de la segmentation par LPE . . . . . . . . . . . . . 126
5.1.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
5.2 Extraction de marqueurs à l’aide des fonctions d’extinction . . . . . . . . . 133
5.2.1 Présentation sur quelques exemples . . . . . . . . . . . . . . . . . . 134
5.2.2 Comparaison avec une opération équivalente de filtrage . . . . . . . 140
5.2.3 Utilisation des arbres de fusion des extrema pour l’extraction de
marqueurs plus précis . . . . . . . . . . . . . . . . . . . . . . . . . . 141
5.2.4 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
5.3 Segmentation hiérarchique interactive . . . . . . . . . . . . . . . . . . . . . 145
5.3.1 Zones d’influence hiérarchiques et arbre de fusion . . . . . . . . . . 145
5.3.2 Valuation des arcs de LPE . . . . . . . . . . . . . . . . . . . . . . . 151
5.3.3 Autre exemple d’utilisation . . . . . . . . . . . . . . . . . . . . . . 156
5.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
6 Application à la détection automatique des opacités du sein 161

6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
6.1.1 Le cancer du sein et son dépistage . . . . . . . . . . . . . . . . . . . 162
6.1.2 Mammographies et opacités du sein . . . . . . . . . . . . . . . . . . 164
6.2 Processus de détection automatique des opacités du sein . . . . . . . . . . 166
6.2.1 Description générale de notre approche . . . . . . . . . . . . . . . . 166
6.2.2 Mise en oeuvre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
6.3 Résultats et conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
7 Conclusion et perspectives 181

7.1 Apport de cette thèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
7.2 Extensions et suites possibles de ce travail . . . . . . . . . . . . . . . . . . 183
A Notations 185
TABLE DES MATIÈRES 3
B Rappels de morphologie mathématique 187

B.1 Notions élémentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 187
B.1.1 La notion de connexité . . . . . . . . . . . . . . . . . . . . . . . .. 187
B.1.2 Morphologies binaire et numérique . . . . . . . . . . . . . . . . .. 190
B.1.3 Propriétés de base des transformations morphologiques . . . . . .. 190
B.2 Transformations morphologiques élémentaires . . . . . . . . . . . . . . .. 191
B.2.1 Erosion et dilatation . . . . . . . . . . . . . . . . . . . . . . . . .. 191
B.2.2 Ouverture, fermeture, filtres morphologiques . . . . . . . . . . . .. 193
B.3 Transformations géodésiques et reconstruction . . . . . . . . . . . . . . .. 195
B.3.1 Dilatation et érosion géodésiques . . . . . . . . . . . . . . . . . .. 196
B.3.2 Les transformations par reconstruction . . . . . . . . . . . . . . .. 197
B.4 Un intermédiaire entre ouverture et ouverture par reconstruction : le filtre
gommette . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
B.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
C Algorithmes en pseudo-code 205

4 TABLE DES MATIÈRES
Chapitre 1
Introduction
1.1 Avant propos

De nombreuses opérations relevant de l’analyse d’image et auparavant effectuées ”manuelle-
ment” peuvent aujourd’hui être résolues automatiquement par des systèmes de vision
artificielle, et ceci dans des domaines très diversifiés. Nous pouvons citer entre autre
la télédétection, le contrôle de qualité lors de la fabrication de matériaux, les systèmes
d’assistance à la conduite de véhicules... ou encore les applications en imagerie médicale,
qui correspond au cadre dans lequel notre travail s’est déroulé.
Parmi les nouvelles techniques développées par l’industrie pour l’imagerie médicale
(pour l’IRM, la radiologie...), les systèmes d’analyse d’image occupent aujourd’hui une
place importante et tout-à-fait originale, d’abord parce qu’ils ont su prouver leur intérêt
dans des domaines tels que la restauration d’images ou encore la vision tri-dimensionnelle,
mais également parce qu’ils sont en voie de se justifier dans d’autres domaines jusqu’alors
inexplorés telle l’aide au diagnostic. Le travail que nous allons présenter ici est le résultat
de recherches menées pour la mise au point d’un système de détection automatique des
sur-densités anormales du sein sur des clichés mammographiques numérisés. Ce travail
a été effectué en collaboration avec General Electric Medical Systems. Il vient en suite
directe de celui effectué pour la détection automatique des micro-calcifications, qui fut
également l’objet d’une collaboration entre le Centre de Morphologie Mathématique et
General Electric Medical Systems. La qualité des résultats obtenus sur ce premier point
encouragea les équipes de General Electric à poursuivre vers l’étape suivante : la détection
des sur-densités anormales du sein.
Pour des raisons de confidentialité industrielle, cette application ne sera pas présentée
en détail dans ce mémoire. Fort heureusement, lorsqu’un opérateur (c’est-à-dire celui
qui est confronté à un problème d’analyse d’image) développe de nouveaux outils pour
résoudre son application, ces outils sont très souvent exploitables dans d’autres domaines.
Ce mémoire contient donc sinon l’ensemble du moins une grande part des interrogations,
des réflexions et des conclusions que la résolution de notre problème a suscité ; simplement,
d’autres exemples sont utilisés pour illustrer notre propos.
Le problème central de tout système de vision artificielle consiste à traduire sous forme
algorithmique ce que réalise la vision humaine : à partir d’un flot d’information brute,
5
6 Chapitre 1. Introduction
trier cette information et en extraire le sens. Tous ces systèmes fonctionnent aujourd’hui
sur une connaissance a priori du problème à traiter. Même les systèmes basés sur un
apprentissage doivent être redéfinis selon le problème à résoudre. L’homme pour sa part
est bien plus performant puisqu’il s’adapte seul, accroı̂t lui-même ses connaissances, ce
qu’aucun système artificiel ne saurait faire aujourd’hui.
Les systèmes de vision artificielle utilisent aujourd’hui deux classes principales et fon-
damentales de techniques : celles des techniques numériques (pour la segmentation et la
quantification d’images) et celles de l’intelligence artificielle (pour l’analyse sémantique de
données). Dans de nombreux systèmes de vision, les techniques numériques sont utilisées
comme préambule aux techniques de l’intelligence artificielle.
Tout au long de notre travail, notre problème central a été la segmentation d’image,
c’est-à-dire l’extraction des différentes régions d’une image. Cette définition est en fait
incomplète, car lorsqu’on parle des régions d’une image, on sous-entend généralement les
“bonnes” régions de l’image, celles qui présentent un intérêt pour le problème étudié. Par-
ler de segmentation d’image sans parler d’une définition préalable des régions d’intérêt n’a
réellement pas de sens : pour une image donnée, il n’y a pas une unique bonne segmenta-
tion, mais des segmentations possibles dont la pertinence est directement liée à l’utilisation
que l’on veut en faire. C’est d’ailleurs ainsi que la vision humaine procède puisque le
contexte intervient toujours dans la perception que l’on a des choses. L’approche mor-
phologique des problèmes de segmentation d’image puise certainement une grande partie
de sa justification et de sa force dans le respect de ce principe. Avant de chercher à seg-
menter une image, on se pose d’abord la question de ce que l’on cherche à segmenter :
c’est-à-dire que, dans un premier temps, on se fixe comme objectif d’identifier et de lo-
caliser les régions pertinentes dans l’image avant de chercher à en extraire les contours.
C’est pour cette raison que, même si notre problème central a été la segmentation d’image,
une partie importante de notre travail a d’abord consisté à développer des outils perme-
ttant d’extraire, de trier et de caractériser l’information brute présente sur une image,
c’est-à-dire des outils permettant de comprendre une image, d’identifier les éléments qui
la constituent. Ces outils allaient ensuite nous permettre d’orienter convenablement nos
algorithmes de segmentation.
Pour illustrer la génèse de la morphologie mathématique, J. Serra écrit : “Percevoir,
c’est transformer”. Le problème de l’extraction de caractéristiques d’une image est en fait
un problème de transformation d’image puis d’interprétation de cette transformation et
du comportement de l’image par rapport à cette transformation. Une grande partie de ce
mémoire se propose d’explorer, sur ce principe, de nouvelles méthodes pour extraire les
caractéristiques des structures ou régions présentes sur une image. Notre but n’est pas
tant d’introduire de nouvelles transformations d’images que de chercher comment mieux
exploiter celles que nous connaissons déjà. Notre approche est très clairement orientée
vers les objets de l’image : ce qui nous intéresse ce n’est pas une caractérisation de la
scène dans son ensemble mais une caractérisation de chaque élément composant la scène,
du plus insignifiant au plus important. La morphologie mathématique s’adapte justement
très bien à ce type d’approche : les transformations morphologiques opèrent dans le plan
de l’image et s’interprètent très aisément.
Ce mémoire est rédigé avec le souci constant de décrire les opérateurs que nous intro-
duisons et leurs algorithmes de la manière la plus précise et la plus générale possible. Ceci
1.2. Plan et contenu de l’ouvrage 7
nous amène ensuite à étudier à part les cas particuliers les plus pertinents. De nombreux
exemples sont utilisés pour permettre au lecteur de mieux percevoir visuellement comment
ces opérateurs agissent et quelles sont leurs particularités. Nous espérons également ainsi
mettre en lumière leur intérêt et leurs utilisations potentielles. Les débouchés pratiques
des outils que nous étudions ne sont pas tous immédiats ; de même que nous ne préten-
dons pas donner une solution à tous les problèmes de segmentation d’image. Le but de
cette thèse est simplement d’apporter une pierre à l’édifice et de se donner de nouveaux
moyens pour résoudre plus aisément certains des problèmes de l’analyse d’image.
1.2 Plan et contenu de l’ouvrage

L’annexe A regrouppe l’ensemble des notations utilisées dans cet ouvrage. Le lecteur non
familier avec la morphologie mathématique pourra commencer sa lecture par l’annexe B,
consacrée aux éléments de base nécessaires à une bonne compréhension de notre propos.
Nous donnons en annexe C les algorithmes en pseudo-code présentés dans le corps de
l’ouvrage. Indépendemment des annexes, ce mémoire est découpé en cinq chapitres :
Chapitre 2 : Transformations morphologiques et extraction de caractéristiques

Ce chapitre introductif présente des notions importantes pour toute la suite de notre
propos. L’objet de ce chapitre est plus précisément de répondre à la question suivante :
lorsqu’on cherche à identifier et à caractériser les objets ou régions présents sur une im-
age, quels sont les outils morphologiques (binaires ou numériques) dont on dispose ? Nous
distinguons deux approches : les méthodes granulométriques (et ses dérivées telles que la
notion de squelette) et l’approche par extréma. Dans ce chapitre, nous nous attachons
également à mettre en évidence les différences entre les outils développés pour la mor-
phologie binaire et ceux spécifiques à la morphologie numérique. Ce point situe d’emblée
l’orientation de notre recherche.
Chapitre 3 : Des fonctions d’extinction numériques

Ce chapitre introduit une nouvelle classe de transformations morphologiques, les fonctions
d’extinction, et présente une méthode générale permettant d’extraire les caractérisques
des différentes régions d’une image. Le principe consiste à étudier, pour chaque région,
sa persistance lorsqu’on applique des transformations morphologiques de plus en plus
sélectives. Un certain nombre de cas particuliers sont étudiés plus en détail ; leur intérêt
est illustré sur de nombreux exemples et notamment une application au filtrage d’image
est présentée.
Chapitre 4 : Calcul efficace des fonctions d’extinction

Ici, nous proposons des méthodes efficaces de calcul des opérateurs introduits au chapitre 3.
Nous insistons particulièrement sur l’importance de disposer de méthodes de calcul effi-
cace : c’est à ce niveau, que les fonctions d’extinction puisent une grande part de leur
8 Chapitre 1. Introduction
justification et de leur intérêt. Ces considérations algorithmiques mettent en évidence une

notion importante : celle d’arbre de fusion des extréma de l’image.
Chapitre 5 : Application à la segmentation d’image

Ce chapitre est consacré à l’utilisation des outils présentés dans les chapitres 3 et 4 (les
fonctions d’extinction et les arbres de fusion des extréma qui leur sont associés) pour
la segmentation d’image. Leur intérêt sera discuté à travers des exemples variés. Ces
exemples ont été choisis parce qu’ils posent de réelles difficultés en termes de segmentation
d’image : grande complexité des régions à extraire, présence de bruit et d’information
parasite qui perturbent les processus de segmentation... On insistera également sur les
avantages offerts par les fonctions d’extinction et les arbres de fusion pour la mise au
point des algorithmes de segmentation d’image par rapport à d’autres méthodes plus
traditionnelles.
Chapitre 6 : Application à la détection automatique des opacités du sein

Ce chapitre est consacré à notre application. Nous décrivons les principales orientations
choisies pour la résolution de ce problème et nous donnons les résultats obtenus. Pour des
raisons de confidentialité industrielle, nous ne décrirons pas nos algorithmes en détail.
Chapitre 7 : Conclusion et perspectives

Dans ce dernier chapitre, nous résumons les principaux résultats présentés dans ce mé-
moire ainsi que les extensions et les suites possibles de ce travail.
Chapitre 2
Transformations morphologiques et
extraction de caractéristiques
Ce chapitre introduit un point très important de notre travail : le problème de l’extraction

de caractéristiques. Par ce terme nous entendons l’ensemble des méthodes permettant
d’extraire des informations à partir d’images complexes sans connaissance a priori sur
l’image, informations relatives à la texture mais aussi et surtout au contenu structurel de
l’image.
Ce premier point abordé dès le début de la thèse eut une double incidence sur notre
travail. Tout d’abord, il fut l’occasion du premier contact réel avec les transformations
morphologiques et leur utilisation pour la résolution de problèmes spécifiques et com-
plexes. Dans le même temps, il posait clairement la question de l’extension de notions
importantes binaires au cas numérique. C’est ce dernier point qui décida de l’orientation
du travail que nous présentons dans les chapitres suivants.
2.1 Introduction
Le terme d’extraction de caractéristiques recouvre en fait deux problèmes distincts : la
quantification de texture et l’extraction des caractéristiques des structures ou régions
présentes sur une image. Ces problèmes sont distincts, non pas tant dans les méthodes de
résolution auxquelles ils font appel, mais dans la manière même qu’on a de les aborder.
L’extraction des caractéristiques d’un signal procède généralement par une transfor-
mation de ce signal : sa réponse à une transformation donnée est utilisée pour en déduire
une caractérisation. L’information est pertinente à partir du moment où la transforma-
tion est discriminante : deux signaux distincts (dans un contexte donné) ont des réponses
distinctes à la transformation. Dans le cas de l’analyse de textures, cette condition est
généralement suffisante. Pour la satisfaire, on peut être amené à considérer non pas une
transformation mais plusieurs transformations et l’ensemble des réponses à ces trans-
formations. Lorsque le problème se pose en termes d’extraction de caractéristiques des
structures ou régions présentes dans l’image, cette condition ne suffit généralement pas.
En effet, il faut également être en mesure d’interpréter les caractéristiques déduites.
Les transformations de la morphologie mathématique satisfont cette deuxième con-
9
10 Chapitre 2. Transformations morphologiques et extraction de caractéristiques
dition. En effet, elles opèrent sur les structures de l’image en répondant à une question
du type : cette structure satisfait-elle ce critère (où le critère est défini par le biais d’un
élément structurant et d’un opérateur topologique simple) ? Leur interprétation ne pose
généralement pas de problème.
Nous distinguerons ici deux types d’approches au problème de l’extraction de car-
actéristiques. La première considère des familles de transformations morphologiques et
étudie comment l’image est transformée par ces transformations : c’est le point de vue de
l’analyse granulométrique. La deuxième considère de manière plus systématique chaque
structure ou région de l’image et définit des critères pour les caractériser : c’est l’approche
par extrema.
2.2 Le point de vue de l’analyse granulométrique

Une ouverture fait disparaitre les objets d’une image binaire lorsqu’ils ne contiennent pas
l’élément structurant. A partir du concept d’ouverture, il est donc possible de ”tamiser”
un ensemble de particules en considérant simplement une famille d’ouvertures associées à
des éléments structurants de taille croissante (voir figures 2.1, 2.2 et 2.3).
E.S. de taille 1 E.S. de taille 2
Figure 2.1: Effet d’ouvertures de taille croissante sur un ensemble
2.2.1 Granulométries et résidus granulométriques

Les notions de granulométrie et de transformation granulométrique ont été introduites
par G. Matheron en 1967 [49].
Définition 2.1 (granulométrie [49]) Soit (ψλ )λ≥0 une famille de transformations dépen-
dant d’un paramètre unique λ. Cette famille constitue une granulométrie si et seulement
si elle vérifie les trois propriétés suivantes :
∀λ ≥ 0, ψλ est croissante (f ≤ g ⇒ ψλ (f ) < ψλ (g)) (2.1)

∀λ ≥ 0, ψλ est anti-extensive (ψλ < Id) (2.2)
∀λ ≥ 0, ∀µ ≥ 0, ψλ ψµ = ψµ ψλ = ψmax(λ,µ) (2.3)
Remarquons que la propriété 2.3 implique l’idempotence des ψλ .

2.2. Le point de vue de l’analyse granulométrique 11
On montre que si B est convexe, alors la famille des ouvertures par les homothétiques
(λB)λ≥0 de ce convexe est une granulométrie (si B est convexe, la famille des éléments
structurants déduits de B par addition de Minkowski (les λB) sont homothétiques à B).
Insistons sur le fait que l’élément structurant utilisé doit impérativement être convexe pour
que la dernière propriété soit vérifiée, c’est-à-dire pour que l’opération granulométrique
ait un sens physique.
On définit de manière duale les anti-granulométries associées à une famille croissante
de transformations extensives satisfaisant, de plus, la dernière propriété. Ainsi, la famille
des fermetures (ϕλB )λ≥0 , avec B convexe, est une anti-granulométrie. Le couple consti-
tuée par une granulométrie et l’anti-granulométrie qui lui est associée (constituée des
transformations duales) permet de généraliser ce concept à des images biphasées.
Figure 2.2: Image originale (Tools)
a- ouverture de taille 3 b- ouverture de taille 6 c- ouverture de taille 10
Figure 2.3: Granulométrie par ouvertures de l’image Tools
Effectuer une analyse granulométrique d’une image binaire ou numérique f consiste

alors à associer à chaque valeur λ une mesure sur l’image ψλ (f ). Les courbes déduites sont
appelées courbes granulométriques [13]. En pratique, on utilise souvent le spectre granu-
lométrique qui est la dérivée de la courbe granulométrique et qui considère l’information
perdue d’un niveau granulométrique à un autre.
Définition 2.2 (Résidus granulométriques [62]) Soit (ψλ )λ≥0 une granulométrie. On
appelle résidus granulométriques les différences entre les résultats obtenus pour deux niveaux
granulométriques successifs :
∀λ ≥ 0, Rλ (X) = ψλ (X) \ ψλ+1 (X) ≥ 0 (2.4)
Dans cette définition l’opèrateur “\” représente la différence ensembliste (X \Y = X ∩Y c ).
La famille constituée des images résidus (Rλ )λ≥0 synthétise toute l’information gran-
ulométrique et constitue une représentation complète de l’image :
S
X= λ≥0 (Rλ (X)) et λ 6= µ ⇒ Rλ (X) ∩ Rµ (X) = ∅ (2.5)
Dans la famille (Rλ )λ≥0 , l’information est hiérarchisée selon un critère déterminé par
la transformation ψ. En effet, Rλ représente ce qui est préservé au niveau λ mais éliminé
au niveau (λ + 1) de la granulométrie.
Si ψλ est une ouverture par l’élément structurant λB (B convexe) et si X est homoth-
étique à B (X = λ0 B), alors : λ ≤ λ0 ⇒ γλB (X) = X et λ > λ0 ⇒ γλB (X) = ∅. Par
conséquent : Rλ0 (X) = X et λ 6= λ0 ⇒ Rλ (X) = ∅. Deux objets identiques mais homoth-
étiques de rapport λ seront donc présents sur des résidus différents, correspondant à des
niveaux hiérarchiques homothétiques, où le rapport est λ.
a- residu de niveau 3 b- residu de niveau 6 c- residu de niveau 10
Figure 2.4: Résidus de la granulométrie par ouvertures de l’image Tools
Remarquons que, parmi tous les convexes B utilisables pour effectuer des granu-
lométries, les boules (et leurs approximations dans le cas digital : hexagones, carrés ...)
sont privilégiées : en effet ce choix permet de s’affranchir au mieux des considérations de
forme.
Enfin, insistons sur le fait que tout ce que nous venons de dire vaut sans aucune
restriction pour le cas numérique :
Rλ (f ) = ψλ (f ) − ψλ+1 (f ) et f = R0 (f ) + R1 (f ) + R2 (f ) + ... + Rλ (f ) + ... (2.6)
Définition 2.3 (Fonction granulométrique) Soit X un ensemble, la fonction granu-
lométrique de X notée gX associe à tout point x de X la taille λ du plus grand ouvert de
X (γλ(X)) contenant x :
gX (x) = λ0 si x ∈ γλ0 (X) et ∀λ > λ0 , x ∈
/ γλ (X) (2.7)
La figure 2.5 donne un exemple d’une fonction granulométrique. Notons que cette notion
n’est définie que dans le cas binaire. Dans le cas numérique, on se contente des couples
((Rλ (f ), λ)λ≥0 (voir figure 2.4).
a- image originale binaire b- fonction granulometrique associee
Figure 2.5: Fonction granulométrique d’une image binaire
La figure 2.6 donne un exemple de spectres granulométriques par ouvertures obtenus

pour des images de textures : à chaque valeur λ, on associe le volume du résidu granu-
lométrique d’indice λ. De nombreuses autres mesures sont possibles. Elles sont générale-
ment à redéfinir selon le type d’image (binaire ou numérique) et le problème à résoudre.
Les plus classiques sont : la surface (respectivement le volume), le nombre de partic-
ules connexes (respectivement le nombre d’extrema) dans le cas binaire (respectivement
numérique).
a- texture "r77" b- texture "r65"
Volume
r65
r77
Figure 2.6: Exemple de spectres granulométriques

Ce type d’approche est bien adapté à l’analyse de textures où l’information à extraire
est quantitative : quelle est la quantité de signal perdu à chaque niveau granulométrique ?
Dans le cas de problèmes de reconnaissance de formes par exemple, on utilise généralement
une autre transformation morphologique, apparentée aux granulométries par ouvertures
: le squelette morphologique.
2.2.2 Squelette morphologique et fonction d’extinction

La notion de squelette (axe médian) a été introduite pour la première fois en 1961 par H.
Blum [7, 8]. Sa définition, basée sur le concept de “feu de prairie”, fut ensuite formalisée
en terme de boule maximale par L. Calabi [9]. Enfin, une définition opératoire en terme
d’érosions et de dilatations morphologiques fut proposée en 1978 par C. Lantuéjoul [38].
A partir de ces travaux, de nombreuses définitions ont été proposées pour la notion de
squelette, notamment le squelette par zone d’influence binaire [38] qui a ensuite donné
naissance à la notion de ligne de partage des eaux numérique [4, 2]. Citons également les
travaux de F. Meyer sur le squelette digital [55, 56]. Nous ne parlerons ici que du squelette
morphologique ou squelette par boules maximales. Outre les références précédentes, cette
partie doit beaucoup à la lecture des travaux de J. Serra [81], de S. Peleg et A. Rosen-
feld [69] et de P. Maragos [44], en autres, sur ce sujet.
Dans tout ce qui suit, nous nous plaçons dans le cas discret.
Nous avons vu que les granulométries par ouvertures décomposent les images et
classent les composantes extraites selon leur taille et/ou leur forme (selon le choix de
l’élément structurant). Le concept de taille sous-jacent introduit naturellement une hiérar-
chisation des composantes sur les résidus granulométriques, hiérarchisation compatible
avec l’homothétie : deux structures homothétiques sont représentées dans les résidus de
niveaux correspondant au rapport d’homothétie. Les particules du résidu Rλ sont de taille
strictement inférieure à (λ + 1) (voir relation 2.4).
Le squelette morphologique (ou squelette par boules maximales) possède les mêmes
propriétés de décomposition hiérarchisée de l’image et permet en outre de satisfaire la con-
dition suivante : deux structures homothétiques ont des squelettes identiques ; simplement,
les composantes (ou résidus) de leur squelette correspondent à des niveaux hiérarchiques
différents. Les résidus du squelette contrairement aux résidus granulométriques sont de
taille fine (de taille inférieure à l’élément structurant). Pour cette raison, le squelette four-
nit une représentation particulièrement bien adaptée à la reconnaissance de formes : il
est alors possible de comparer les composantes du squelette à un prototype unique de la
forme recherchée sans qu’il soit nécessaire de se soucier d’un critère de taille.
Définition 2.4 (Squelette morphologique [51]) Le squelette morphologique (ou squelette

par boules maximales) d’un ensemble X, noté S(X) est défini par :
S
S(X) = λ≥0 (Sλ (X)) avec : Sλ (X) = ǫλ (X) \ δ1 (ǫλ+1 (X)) = ǫλ (X) \ γ1 (ǫλ (X)) (2.8)
Dans le cas numérique, le squelette de f est défini par la famille (Sλ (f ))λ≥0 avec :
Sλ (f ) = ǫλ (f ) − γ1 (ǫλ (f )).
Figure 2.7: Résidus du squelette morphologique de l’image Tools
Les Sλ (X) sont appelées composantes ou résidus du squelette : ce sont les chapeaux
haut de forme des érodés successifs de X. Dans le cas binaire, le squelette correspond
donc à l’ensemble des lieux des centres des boules maximales inclues dans X. Pour cette
raison, ce squelette est également appelé squelette par boules maximales.
Les résidus du squelette sont de taille fine :
∀λ ≥ 0, ǫ1 (Sλ (f )) = ∅ (2.9)
Si le support de X est fini (ce qui est le cas en pratique) alors, l’ensemble (Sλ )λ≥0 est
fini.
On montre que le squelette par boules maximales peut être obtenu, dans le cas discret,
en recherchant les maxima locaux de la fonction distance, c’est-à-dire les points qui n’ont
pas de voisin immédiat d’altitude supérieure [96]. Nous rappelons que la fonction distance
d’un ensemble X (notée fd (X)) associe à tout point de X sa distance au complémentaire
de X, c’est-à-dire la taille de la boule maximale centrée en ce point et incluse dans X
(voir définition B.8). Les différentes lignes de niveau de la fonction distance correspondent
aux frontières des érodés successifs de X.
fd (X)(x) = λ + 1 si x ∈ ǫλ (X) \ ǫλ+1 (X) (2.10)
Le lien entre le squelette et la fonction distance peut notamment être utilisé pour
introduire de nouveau types de squelette, simplement en modifiant la fonction distance
que l’on utilise [55]. Enfin, des algorithmes efficaces séquentiels [55] ou à base de files
d’attente [2] permettent d’obtenir le squelette par ouverture très rapidement.
A tout point du squelette S(X), on peut associer le rayon de la boule maximale cor-
respondante, c’est-à-dire sa valeur sur la fonction distance. On définit ainsi la fonction
d’extinction de X (également appelée fonction d’étanchéité).
a- image originale binaire b- fonction d’extinction associee
Figure 2.8: Fonction d’extinction d’une image binaire
Définition 2.5 (Fonction d’extinction [62]) Soit X un ensemble. La fonction d’extinction

de X notée f e (X) est la fonction égale à la fonction distance et ayant pour support le
squelette morphologique de X.
Dans le cas numérique, la fonction d’extinction désigne simplement l’ensemble des

résidus du squelette hiérarchisés par l’indice λ, c’est-à-dire la famille de couples : (Sλ (f ), λ)λ≥0 .
La fonction d’extinction constitue une représentation exacte de l’image : X peut être

intégralement reconstruite à partir des composantes de son squelette. En effet, il suffit
d’écrire :
X = (X \ γ1 (X)) ∪ γ1 (X)
= S0 (X) ∪ δ1 (ǫ1 (X))
On applique la même décomposition à ǫ1 (X) :
ǫ1 (X) = (ǫ1 (X) \ γ1 (ǫ1 (X))) ∪ γ1 (ǫ1 (X))

= S1 (X) ∪ δ1 (ǫ2 (X))
Ce qui donne (nous rappelons que la dilatation est distributive par rapport à l’union) :
X = S0 (X) ∪ δ1 ( S1 (f ) ∪ δ1 (ǫ2 (f )) )
= S0 (X) ∪ δ1 (S1 (X)) ∪ δ2 (ǫ2 (X))
On applique la même décomposition à ǫ2 (X)
X = S0 (X) ∪ δ1 (S1 (X)) ∪ δ2 (S2 (X)) ∪ δ3 (ǫ3 (X))
Et ainsi de suite ... tant que ǫn (X) 6= ∅.
Finalement, le processus de reconstruction s’écrit (algorithme de reconstruction de

Serra [81]) :
[
X= δλ (Sλ (X)) (2.11)
λ≥0
On remarque que, pour reconstruire les ouverts d’un ensemble X (les γλ0 (X)), il suffit
de restreindre la classe des λ à λ ≥ λ0 :
S S S
X= 0≤λ<λ0 δλ (Sλ (X)) γλ0 (X) et γλ0 (X) = λ≥λ0 δλ (Sλ (X))
Cette relation montre comment le squelette est lié à la notion d’ouverts (et donc de
granulométrie).
La propriété de reconstruction vaut évidemment pour les fonctions numériques mais

fait alors intervenir un processus additif plus complexe. Soit f une fonction numérique,
on a :
f = (f − γ1 (f )) + γ1 (f ) = S0 (f ) + δ1 (ǫ1 (f ))
On applique la même décomposition à ǫ1 (f ) :
f = S0 (f ) + δ1 (S1 (f ) + δ1 (ǫ2 (f )))
La dilatation n’est pas distributive par rapport à l’addition. Cette expression ne se simpli-
fie donc pas. On applique la même décomposition aux érodés successifs de f . Finalement,
le processus de reconstruction dans le cas numérique sécrit :
f = S0 (f ) + δ1 ( S1 (f ) + δ1 ( S2 (f ) + δ1 (S3 (f ) + ... + δ1 (Sλ (f ) + ...) ) ) ) (2.12)
P. Maragos [44] a proposé une autre définition du squelette permettant une recon-
struction de l’image faisant intervenir un processus d’union (supremum en numérique)
identique à celui utilisé dans le cas binaire (relation 2.11).
Définition 2.6 (Squelette de Maragos [44]) Soit f un fonction numérique, les com-
posantes du squelette de f , notées Dλ (f ) sont définies par :
(
ǫn (f )(x) si ǫλ (f )(x) > γ1 (ǫλ (f ))(x)
∀λ ≥ 0, Dλ (f )(x) = (2.13)
−∞ si ǫλ (f )(x) = γ1 (ǫλ (f ))(x)
Nous donnons figure 2.9 un exemple illustrant les premières composantes du squelette
selon l’une ou l’autre des deux définitions proposées. Les deux squelettes ont même sup-
port. Par contre, les niveaux de gris des composantes différent.
(
1 si g(x) > 0
Dλ (f ) = Ind(Sλ (f )) × ǫλ (f ) avec : Ind(g)(x) = (2.14)
0 si g(x) = 0
Nous verrons dans la section suivante, sur des exemples concrets, comment ces deux
définitions peuvent être exploitées.
a b
F F−
οB
d c e f
S 0 (F) D0 (F)
S 1 (F) D1 (F)
Figure 2.9: Définitions possibles des composantes du squelette numérique
Examinons comment s’écrit le processus de reconstruction de f à partir des composantes

Dλ (f ). On a f = D0 (f ) ∨ γ1 (f ) car f ≥ γ1 (f ).
f = D0 (f ) ∨ γ1 (f ) = D0 (f ) ∨ δ1 (ǫ1 (f ))
On applique la même décomposition à ǫ1 (f ) :
f = D0 (f ) ∨ δ1 (D1 (f ) ∨ γ1 (ǫ1 (f )))

= D0 (f ) ∨ δ1 (D1 (f ) ∨ δ1 (ǫ2 (f )))
La dilatation est distributive par rapport à l’union. Cette expression se simplifie donc,
comme dans le cas binaire :
f = D0 (f ) ∨ δ1 (D1 (f ) ∨ δ2 (ǫ2 (f )))
Et ainsi de suite pour les érodés successifs de f ...

_ _
f = Dλ (f ) γλ0 (f )
0≤λ<λ0
La reconstruction de f à partir des composantes de son squelette s’exprime donc par

une relation semblable à celle du cas binaire [44] :
_
f= δλ (Dλ (f )) (2.15)
λ≥0
Nous avons vu, dans ce paragraphe, que la notion de squelette et celle de fonction
d’extinction fournit une représentation complète et intelligible de l’image : l’information
est triée et hiérarchisée. Il est dès lors possible d’extraire une caractérisation des objets
d’une image binaire ou numérique par la considération de leur squelette : la forme du
squelette est caractéristique de la forme de l’objet (indépendamment de sa taille), les
valeurs d’extinction associées à chaque composante définissent une caractéristique en taille
de l’objet.
Image originale f Image originale f Image originale f Image originale f
Chapeau haut de forme S 0(f) Addition Ouverture D0(f) Supremum
Erosion Dilatation Erosion
Erosion Erosion
Chapeau haut de forme S n(f) Addition Ouverture Dn(f) Dilatation de taille n
Erosion Dilatation Erosion Dilatation de taille (n+1)
DECOMPOSITION RECONSTRUCTION DECOMPOSITION RECONSTRUCTION
Figure 2.10: Modification du processus de reconstruction de l’image selon la définition du

squelette utilisée : à gauche, la reconstruction ne peut commencer que lorsque tous les
résidus du squelette sont calculés ; à droite, les étapes de décomposition et de reconstruc-
tion peuvent s’effectuer en parallèle.
2.2.3 Le filtrage par décomposition morphologique d’image

Un mode de représentation hiérarchique se révèle souvent efficace pour extraire le sens
d’une observation complexe. Ceci a été exploité dans de nombreux types de représenta-
tions tels que les techniques de résolution multi-échelle et les applications des transformées
d’ondelettes qui s’y rattachent par exemple.
La notion de squelette introduit naturellement une décomposition exacte et hiérar-
chique de l’image. Exacte car l’image peut être intégralement reconstruite à partir de son
squelette et hiérarchique de par le concept de taille contenu dans la définition. De plus,
cette représentation est une représentation par primitives compatible avec l’homothétie
: la reconnaissance d’une forme particulière peut alors s’effectuer en comparant les com-
posantes du squelette à un prototype unique sans qu’aucun critère de taille ne soit à
prendre en compte. Ces propriétés ont déjà été exploitées dans le cadre d’une représen-
tation hiérarchique d’images [87]. Nous donnons ici un exemple d’application au filtrage
d’image.
Cette section est organisée comme suit : dans un premier temps, nous donnons un
algorithme générale de filtrage d’image par calcul du squelette morphologique ; dans un
deuxième temps, cette méthode est appliquée pour la résolution d’un problème concret
d’extraction de structures rectilignes sur des images microscopiques de fibres de verre.
Décomposition, filtrage, reconstruction

Nous nous plaçons dans le cas numérique. Tout ce que nous dirons peut être adapté très
simplement au cas binaire.
Nous avons vu qu’une image numérique f peut être reconstruite de façon exacte à par-
tir des composantes de son squelette morphologique selon le processus (voir relation 2.12)
:
f = S0 (f ) + δ1 (S1 (f ) + δ1 (S2 (f ) + δ1 (S3 (f ) + ... + δ1 (Sλ (f ) + ...))))
Une reconstruction partielle de f peut être obtenue si ce processus est effectué à partir
de sous-fonctions des Sλ (f ) (notées Sλ′ (f )).
Supposons ∀λ ≥ 0, Sλ′ (f ) ≤ Sλ (f ) , alors :
f ′ = S0′ (f ) + δ1 (S1′ (f ) + δ1 (S2′ (f ) + δ1 (S3′ (f ) + ... + δ1 (Sλ′ (f ) + ...)))) ≤ f (2.16)
Bien entendu, cela vaut également si l’on considère les composantes Dλ (f ) définies par
Maragos (définition 2.6 et relation 2.15) :
_
Supposons ∀λ ≥ 0, Dλ′ (f ) ≤ Dλ (f ) , alors : f ′ = δλ (Dλ′ (f )) ≤ f (2.17)
λ≥0
En fait, la notion de squelette permet d’établir un principe général de filtrage que nous
appelons filtrage par décomposition morphologique [91, 94] qui consiste en trois étapes :
1. Décomposition de l’image : calcul des résidus du squelette Sλ (f ) ou Dλ (f )
2. Filtrage des résidus de la décomposition : calcul des Sλ′ (f ) ou des Dλ′ (f )
3. Reconstruction partielle de l’image à partir des résidus filtrés : calcul de f ′

b d
S 0 (F) S’0 (F)
a f
F F F’
seuil
c e
S 1 (F)
S’1 (F)
seuil
Figure 2.11: Décomposition (b,c) filtrage par seuillage (d,e) et reconstruction partielle (f)
Nous n’avons imposé jusqu’ici aucune condition sur le filtrage des résidus. Dans la
pratique cependant, il ne sera bien souvent pas nécessaire de traiter tous les résidus
de la décomposition mais seulement ceux significatifs dans le contexte de l’étude : on
se restreindra aux premiers résidus si l’on s’intéresse aux structures de petite taille par
exemple. Dans ce cas, il n’est pas utile de calculer l’ensemble des résidus :
W
f = S0 (f ) + δ1 (S1 (f ) + δ1 (... + δ1 (ǫλ+1 (f )))) ou f = ( 0≤λ≤n δλ (Dλ (f )) ) ∨ γλ+1 (f )
W
f = S0′ (f ) + δ1 (S1′ (f ) + δ1 (... + δ1 (ǫλ+1 (f )))) ou f ′ = ( 0≤λ≤n δλ (Dλ′ (f )) ) ∨ γλ+1 (f )
Le nombre de résidus du squelette considérés est déterminé par la taille maximale des
structures à étudier. Les structures de plus grande taille ne seront pas affectées par le fil-
trage. C’est d’ailleurs de cette façon que sont définis la plupart des filtres morphologiques :
la taille d’une ouverture par exemple est définie selon la taille maximale des structures à
éliminer.
Remarquons que le filtre ainsi défini est anti-extensif f ′ ≤ f et agit donc sur les
structures claires de l’image (voir figure 2.11). La transformation duale peut être obtenue
en considérant le squelette par fermetures ou bien en appliquant le même processus à
l’image inversée (et en inversant le résultat).
Nous avons résumé figures 2.12 et 2.13 les algorithmes de filtrage par décomposition
selon que l’on adopte l’une ou l’autre des deux définitions du squelette : squelette mor-
phologique ou squelette de Maragos. Dans le premier cas, le processus de reconstruction
est effectué pas à pas et ne peut commencer que lorsque l’étape de filtrage est entièrement
terminée. Dans le second cas, les étapes de décomposition, de filtrage et de reconstruc-
tion peuvent s’effectuer en parallèle, ce qui présente de grands avantages : notamment, il
n’est plus nécessaire, contrairement au cas précédent, de stocker l’ensemble des résidus.
Ils sont entièrement traités les uns après les autres. De plus, ce principe de reconstruction
est très intéressant du point de vue de l’interprétation : les images δλ (Dλ (f )) correspon-
dent en effet aux structures de taille λ telles qu’elles apparaissent sur l’image originale.
Ici, l’image est vue comme la superposition de sous-images correspondant chacune aux
structures d’une taille donnée.
Image originale f Image filtree f’
Chapeau haut de forme S 0(f) S’0 (f) Addition
Erosion Dilatation
Chapeau haut de forme S 1(f) S’1 (f) Addition
Erosion Dilatation
Erosion Dilatation
Chapeau haut de forme S n(f) S’n (f) Addition
Erosion Dilatation
DECOMPOSITION FILTRAGE RECONSTRUCTION
Figure 2.12: Algorithme de décomposition / Filtrage / Reconstruction - Première méthode
Image originale f Image filtree f’
Supremum
D0(f) D’0 (f) Dilatation de taille 0
D1(f) D’1 (f) Dilatation de taille 1
Dn(f) D’n (f) Dilatation de taille n
DECOMPOSITION FILTRAGE RECONSTRUCTION
Figure 2.13: Algorithme de décomposition / Filtrage / Reconstruction - Deuxième méth-

ode
Par contre, il sera bien souvent plus intéressant d’étudier les composantes du squelette
morphologiques (les Sn (f )) plutôt que celles du squelette de Maragos. En effet, nous
avons vu que le squelette morphologique considère les chapeaux haut-de-forme des érodés
successifs de l’image : les composantes Sλ (f ) contiennent donc une information relative
au contraste des objets par rapport au fond de l’image dans leur voisinage. L’intérêt
de choisir cette définition est donc de s’assurer d’une certaine robustesse vis-à-vis des
variations d’intensité qui peuvent exister de part et d’autre d’une image, ce qui n’est pas
le cas si la définition de Maragos est choisie.
On peut penser concilier les avantages de chacune des deux définitions en filtrant les
composantes Sλ puis en effectuant la reconstruction selon l’algorithme de Maragos. Pour
cela, on utilise la relation 2.14 et, connaissant les composantes filtrées Sλ′ (f ), on pose :
Dλ′ (f ) = Ind(Sλ′ (f )) × ǫλ (f )
Nous reprenons l’exemple de la figure 2.11 pour illustrer comment le résultat du filtrage
est modifé lorsque la reconstruction est effectuée à partir des composantes Dλ′ : il peut
y avoir un rehaussement artificiel du contraste relatif des structures reconstruites (voir
figure 2.14).
b c f
S’0 (F) S’1 (F) F F’
Reconstruction
a
F
d e g
D’0 (F) D’1 (F) F F’
Reconstruction
Figure 2.14: Influence du choix des composantes sur le résultat du filtrage
La figure 2.15 fournit une illustration de la technique de filtrage que nous venons de
définir. A est l’image originale. Le filtrage par décomposition utilisé considère les 4 pre-
miers résidus du squelette morphologique (S0 (f ), S1 (f ), S2 (f ) et S3 (f )) et l’algorithme
de reconstruction utilisé est celui de Maragos. Les résidus filtrés sont obtenus par un
seuillage, c’est-à-dire que le critère de filtrage est le contraste :
(
Si (f )(x) si Si (f )(x) ≥ si
Si′ (f )(x) =
0 sinon
Les seuils si sont choisis de moins en moins sélectifs : s0 = 20, s1 = 15, s2 = 10, s3 = 5.
Le résultat du filtrage est l’image B. L’image C est obtenue en appliquant le même filtre
par décomposition à l’image B inversée (puis en inversant le résultat).
Les image D et E ont été obtenues en appliquant respectivement un filtre alterné
séquentiel de taille 3 et un filtre médian de taille 3 à l’image originale A. Cet exemple
illustre bien l’originalité du filtrage par décomposition : ce type d’approche permet un
traitement plus fin des structures de l’image, qui sont examinées taille par taille. Ici,
une struture de grande taille peut très bien être éliminée si son contraste est faible alors
qu’une structure plus petite mais de plus grand contraste sera préservée (les détails dans
les plumes du chapeau par exemple). Ce type d’approche ne peut être effectué par les
filtres morphologiques classiques : les ouvertures par exemple agissent uniquement sur un
critère de taille ou de forme. Citons tout de même, le filtre gommette qui, bien que faisant
appel à un tout autre principe, permet également un filtrage plus fin que l’ouverture et
tenant compte de la notion de contraste : voir le paragraphe B.4 de l’annexe B.
A B C
D E
Figure 2.15: Exemple de filtrage par décomposition morphologique sur l’image ”Lena”
(seuillage des résidus de la décomposition). A : image originale. B : filtrage par décompo-
sition morphologique des structures claires (seuillage des 4 premiers résidus du squelette
morphologique). C : filtrage par décomposition morphologique des structures sombres (on
applique la transformation duale sur B). Comparaison avec le filtre alterné séquentiel de
taille 3 (D) et le filtre médian de taille 3 (E).
Application à l’extraction de structures linéaires

Nous illustrons notre propos par un problème concret à résoudre par analyse d’image : celui
de l’extraction de structures (localement) rectilignes sur des images complexes, problème
fréquemment rencontré en étude microscopique de matériaux [86]. L’image de la figure 2.16
a été obtenue par analyse microscopique d’un amas de fils. Les structures à détecter sont
des fibres localement rectilignes de largeur variable, pouvant se chevaucher et zigzaguer.
Figure 2.16: Image originale ”Fibres”
Les algorithmes classiques d’extraction d’éléments rectilignes utilisent soit un change-

ment de représentation (algorithmes dérivés de la transformation de Hough), soit des
filtres contenant l’information directionnelle (filtres directionnels de Granlund [18], fil-
tres morphologiques directionnels [82, 89]), soit une approche par connexion d’éléments
rectilignes ([34], [55], [20]). La méthode que nous présentons utilise des transformations
directionnelles linéaires et non-linéaires agissant sur les composantes du squelette de l’ima-
ge. Elle nécessite peu de connaissance a priori sur l’image et est particulièrement robuste
au bruit.
Nous donnons figure 2.17 les premiers résidus de la décomposition (les Sλ (f )). Nous
avons utilisé un élément structurant carré 8-connexe de taille 2 (5 × 5 pixels). La présence
Figure 2.17: Image originale ”Fibres” et premiers résidus de la décomposition
de bruit de forte amplitude rend la détection des traces des fibres les plus fines extrême-
ment délicate.
Pour détecter les structures rectilignes sur les images issues de la décomposition, nous
allons d’abord en établir un “prototype”. Sur les images résidus, la linéarité des structures
n’est pas évidente, même si visuellement elle ne fait aucun doute. En fait, les éléments
rectilignes correspondent à un ensemble de pixels localement rectilignes (pouvant être
approximés par des segments de droite) dont les intensités peuvent varier de façon im-
portante. Nous modéliserons les variations en niveau de gris le long de ces structures par
des discontinuités locales dont on supposera la taille faible devant la longueur totale de
l’élément rectiligne (figure 2.18).
L
Approximation par l
des segments de droite
structure localement irregularites locales

rectiligne
Figure 2.18: Modélisation des éléments rectilignes
Nous voyons apparaı̂tre deux paramètres : celui lié à la taille des segments approximant
les éléments rectilignes et celui lié à la taille des irrégularités locales. A cause du bruit
et du fait que les petites structures ont des rayons de courbure supérieurs à ceux des
grosses structures, ces paramètres varient selon le niveau hiérarchique du résidu considéré
(figure 2.17).
Pour extraire l’information directionnelle d’une image, l’élément structurant utilisé
doit être défini de manière à contenir également cette information directionnelle. L’élément
structurant optimal pour extraire les éléments rectilignes de direction iest un segment de
direction i variable. La détection se fera donc direction par direction et i devra parcourir
l’ensemble des orientations du plan.
Si les structures étaient régulières (absence de bruit), alors leur extraction pourrait
être réalisée grâce à de simples ouvertures linéaires. Ce n’est pas le cas ici. Il est donc
nécessaire de procéder à certains prétraitements avant d’effectuer ces ouvertures linéaires.
L’algorithme de détection que nous proposons comporte trois étapes. Chacune de ces
étapes tente de reproduire sous forme algorithmique l’analyse effectuée visuellement : l’œil
néglige les irrégularités locales au profit de la tendance générale.
Nous allons travailler direction par direction. La première étape consiste donc à extraire
l’information directionnelle et ceci pour chaque direction du plan. Les images résidus ont
été obtenues en effectuant des chapeaux haut de forme avec un élément structurant de
taille fixe b (taille de l’élément structurant B utilisé dans la décomposition). Toutes les
structures sur les images résidus sont donc caractérisées par un critère de taille connu :
dans au moins une direction, leur largeur est strictement inférieure à b. Nous supposerons
que les structures rectilignes recherchées sont constituées de petits éléments rectilignes de
longueur (taille dans une autre direction) supérieure à b.
Pour réduire l’information contenue sur les images résidus aux seules structures rec-
tilignes de direction i, nous effectuons une ouverture dans la direction i de taille supérieure
à b. Les structures étant hachées (discontinuités locales), il est préférable de choisir la taille
de l’ouverture faible (pratiquement, on la choisit égale à b) (cf. figure 2.19). Cette opéra-
tion permet de compenser le fait que les images résidus sont issues de transformations
non-directionnelles.
En parcourant l’ensemble des directions du plan, nous obtenons une famille de sous-
fonctions des résidus, chacune de ces sous-fonctions privilégiant l’information liée à une
direction donnée (voir figure 2.19).
<b
Sn(F)
Direction de travail
Sn,i(F)
Petite ouverture Ouvertures directionnelles de taille 2 dans les directions

directionnelle
0, 30, 60, 90 et 150 degres
Figure 2.19: Extraction de l’information directionnelle
Dans un deuxième temps, l’information directionnelle ayant été extraite, il est néces-
saire d’effectuer un renforcement de l’information directionnelle pour compenser les irrégu-
larités locales. Nous proposons d’effectuer une moyenne directionnelle sur un segment de
taille adaptée à la taille des irrégularités locales (figure 2.20).
Petite ouverture
directionnelle
Moyennage
Moyennages directionnels de taille 8 dans les directions :
Directionnel
0, 30, 60, 90 et 150 degres
Figure 2.20: Renforcement de l’information directionnelle
Ce moyennage directionnel permet de connecter les structures rectilignes de direction i

présentant des discontinuités. Elle a également des effets indésirables : elle modifie totale-
ment les profils en niveaux de gris de nos images et engendre un étalement des structures
dans la direction i (amplification du bruit) : voir figure 2.20. D’autres opérateurs peu-
vent se révéler mieux adaptés pour effectuer cette étape de connexion. Citons les filtres de
rang (une fermeture ou encore un filtre médian) ou bien encore l’utilisation d’une moyenne
pondérée.
A ce stade de l’algorithme, nous nous sommes ramenés à un problème de détection de

segments de droites d’une certaine longueur L. L’extraction des éléments rectilignes est
effectué par une ouverture directionnelle de direction i et de taille L (figure 2.21). L’image
finale des marqueurs des structures rectilignes est obtenue en regroupant les informations
extraites pour chaque direction (supremum) puis en seuillant le résultat (figure 2.22).
Moyennage
Directionnel
Ouverture
directionnelle
Ouvertures directionnelles de taille 10 dans les directions :
de grande taille
0, 30, 60, 90 et 150 degres
Figure 2.21: Extraction des éléments rectilignes de direction i
Figure 2.22: Regroupement des résultats obtenus dans chaque direction du plan (32 di-
rections).
Remarquons que le nombre de directions i à explorer est lié à la taille de la transfor-

mation effectuée : si 2l + 1 est la taille de l’élément structurant, le nombre de directions
à explorer est de l’ordre de π × l.
Il est également à noter que dans le cas où le rapport signal sur bruit est suffisamment
grand, et que les structures rectilignes ne présentent aucune irrégularité, l’algorithme de
détection peut être réduit à des ouvertures directionnelles.
Sur cet exemple, il est particulièrement intéressant de reconstruire taille par taille les
structures rectilignes. En effet, un tel traitement a pour but la segmentation des fibres
en vue d’effectuer sur elles des mesures, afin d’évaluer la qualité du matériau [86]. Un
processus de reconstruction taille par taille est donc particulièrement bien adapté à ce
type de problème puisqu’il permet de lier directement les mesures effectuées à la taille
des structures étudiées. L’algorithme de reconstruction, basé sur la définition de Maragos
(voir figure 2.13), est donc le mieux adapté à notre étude. Ce processus présente en
outre l’avantage, comme nous l’avons indiqué, d’un traitement ”parallèle” des résidus
: il n’est pas nécessaire de traiter l’ensemble des résidus pour entamer le processus de
reconstruction. Cet aspect est d’importance si un grand nombre de résidus est étudié pour
prévenir des problèmes d’encombrement de mémoire (il n’est pas nécessaire de stocker les
résultats obtenus pour chaque résidu).
La figure 2.23 résume l’algorithme général d’extraction des structures rectilignes de
l’image. Nous voyons qu’un autre intérêt de cet algorithme par décomposition est de
permettre la segmentation des fibres lorsqu’elles se chevauchent. Par contre, les niveaux
de gris le long des fibres n’étant pas uniformes, certaines fibres peuvent être présentes sur
plusieurs résidus.
Figure 2.23: Extraction de structures rectilignes par décomposition, filtrage, reconstruc-

tion. Colonne de gauche : image originale et premiers résidus du squelette. Colonne cen-
trale : image binaire des structures rectilignes. Colonne de droite : reconstruction des
structures rectilignes taille par taille (résultat final en haut à droite)
Efficacité et limites de la méthode

L’algorithme d’extraction de structures rectilignes que nous venons de décrire doit,
pour une bonne part, son efficacité au principe de décomposition utilisé qui permet de se
ramener au cas où les structures recherchées sont de taille unitaire.
Cependant le principe de décomposition utilisé situe dans le même temps les limites de
l’algorithme. En effet, une irrégularité non significative sur l’image originale peut se trans-
former, au niveau du résidu, en une discontinuité notable : voir figure 2.24. Ce phénomène
est dû aux érosions successives appliquées à l’image (les résidus sont définis comme les
chapeaux haut de forme des érodés successifs de l’image). En effet, une érosion de taille
n dilate les pores de l’image d’une taille n. Cette distorsion est donc d’autant plus im-
portante que n est grand, c’est-à-dire pour les résidus de haut niveau. L’algorithme n’est
donc pas bien adapté à l’extraction des structures les plus larges.
Structure
reguliere
Irregularite Dilatation de
l’irregularite
1 composante connexe 2 composantes connexes
Figure 2.24: Effet d’amplification des irrégularités locales
D’autre part, le fait de travailler sur des primitives de taille fine accentue le problème du
nombre de directions à explorer : en effet, plus une structure est fine, plus l’information
directionnelle est définie de manière précise. De plus larges structures supportent une
plus grande imprécision (voir figure 2.25). Le fait de recourir à une décomposition mor-
phologique des larges structures impose donc de travailler avec un plus grand nombre de
directions que si le traitement était effectué directement sur l’image originale.
Structure Direction peu precise

large
Structure Direction definie

fine avec precision
Figure 2.25: Lien entre la taille des structures rectilignes et la précision de la mesure de
direction
2.2.4 Granulométries et connexité

L’originalité du point de vue de l’analyse granulométrique est de définir une méthode
générale permettant d’extraire les caractéristiques d’une image sans qu’il soit nécessaire
d’introduire la notion de particule ou de structure. Cette caractéristique est bien illustrée
dans l’exemple ”Fibres” que nous venons de présenter. A l’inverse des opérations usuelles
de tamisage, qui ne peuvent s’appliquer à des milieux continus, la granulométrie n’est pas
associée à la notion de composante connexe.
La notion de connexité est cependant très importante en analyse d’image : elle per-
met d’introduire dans le cas binaire une définition simple de la notion de particule ou
d’objet (voir section B.1.1). Dans certaines applications, il peut être intéressant d’utiliser
des transformations granulométriques compatibles avec la notion de connexité. Les granu-
lométries satisfaisant ces propriétés sont les granulométries par reconstruction, c’est-à-dire
basées sur des transformations par reconstruction, par exemple les ouvertures par recon-
struction γλrec (voir section B.3) :
γλrec (f ) = δ ∞ (f, γλ (f )) = δ ∞ (f, ǫλ (f )) (2.18)
Alors qu’une ouverture morphologique peut scinder une composante connexe en plusieurs
composantes connexes, les ouvertures par reconstruction soit préservent la particule con-
nexe intégralement, soit l’éliminent intégralement (voir figure 2.26). Les exemples des
figures 2.27 et 2.28 mettent en évidence les bonnes propriétés des granulométries par
reconstruction vis-à-vis des structures de l’image.
Element structurant
Ouverture
Ouverture par reconstruction
Figure 2.26: Comparaison de l’ouverture et de l’ouverture par reconstruction
Considérons une granulométrie par ouvertures par reconstruction. La fonction gran-

ulométrique d’une image binaire attribue une valeur unique à chaque composante con-
nexe X de l’image : voir figure 2.29. Cette valeur gX correspond à la taille maximale de
l’ouverture qu’il est possible de calculer sans que la particule connexe soit éliminée : la
taille de l’ouverture ultime [82] associée à X.
si X est connexe, gX = sup{λ ≥ 0 | γλrec (X) 6= ∅}
= sup{λ ≥ 0 | γλ(X) 6= ∅} (2.19)
= sup{λ ≥ 0 | ǫλ (X) 6= ∅}
L’équivalence de ces trois définitions se déduit de manière triviale de la définition 2.18.
Nous avons vu que les fonctions granulométriques sont définies pour les fonctions
binaires. De même, la notion d’ouverture ultime qui lui est liée est définie relativement à
des ensembles. Nous proposons dans la deuxième partie de cette thèse une généralisation
de ces notions au cas des fonctions numériques.
a- ouverture par rec. de taille 3 b- ouverture par rec. de taille 6 c- ouverture par rec. de taille 10
Figure 2.27: Granulométrie par ouvertures par reconstruction de l’image Tools
Figure 2.28: Résidus de la granulométrie par ouvertures par reconstruction de l’image

Tools
a- image originale binaire b- fonction granulometrique associee
Figure 2.29: Fonction granulométrique dans le cas d’ouvertures par reconstruction

2.3. L’approche par extrema 33
2.3 L’approche par extrema

Nous avons vu qu’une particularité importante des approches granulométriques est qu’elles
sont indépendantes d’une quelconque définition de la notion de particule ou de structure.
Les granulométries par reconstruction sont les seules à être directement liées à la notion
de connexité donc de particule.
Dans de nombreux problèmes d’analyse d’image et particulièrement dans les problèmes
de segmentation d’image, la question de l’extraction de caractéristiques se pose non pas
en termes de mesures quantitatives sur les images mais en termes de mesures qualitatives
au niveau des structures présentes sur l’image. C’est la question incontournable dans les
problèmes de segmentation : quelles sont les structures ou régions pertinentes de l’image
? Dans le cas binaire, ce problème trouve généralement des solutions simples, la notion
de particule pouvant se définir par la notion de connexité (et lorsque ce n’est pas le cas,
des transformations telles que l’érodé ultime permettent de se ramener simplement à ce
cas). Dans le cas numérique, la notion de structure est plus complexe à définir que dans
le cas binaire. Une solution classique consiste à considérer les extrema de l’image comme
des marqueurs des structures ou régions de l’image.
Considérons une fonction numérique f : Z 2 → Z . Le graphe de f peut être considéré
comme un relief topographique. Ce type de représentation est couramment utilisé en mor-
phologie mathématique, particulièrement lorsqu’il s’agit de passer de la définition formelle
d’une transformation à sa définition algorithmique. Les structures claires de l’image corre-
spondent aux pics du relief et les structures sombres aux vallées. Les maxima régionaux de
f sont les sommets de la surface topographique : ils marquent donc les structures claires
de l’image. Les minima régionaux sont situés au fond des vallées et marquent les structures
sombres de l’image (cf. figure 2.30). Examinons ces notions plus en détail [39, 41, 40, 83].
Z MAXIMA REGIONAUX
PLATEAUX NON EXTREMA
MINIMA REGIONAUX
X
Figure 2.30: Extrema d’une image numérique
Définition 2.7 (Plateau) Le plateau d’une fonction f : E ⊂ Z 2 → Z au point x noté

P ltx (f ) est la plus large composante connexe de f contenant x et d’altitude constante
égale à f (x) :
P ltx (f ) = Cx ({y ∈ E | f (y) = f (x)}) (2.20)
Nous rappelons que Cx désigne l’ouverture connexe ponctuelle qui extrait de tout ensemble
la composante connexe contenant x.
On distingue trois types de plateaux : les maxima régionaux, les minima régionaux et
les plateaux non-extrema.
Définition 2.8 (Maxima et minima régionaux) Un maximum (respectivement min-
imum) régional M d’une image f est un plateau sans voisin plus haut (respectivement
sans voisin plus bas).
2.3.1 Extraction des extrema d’une image numérique

Les notions de maximum et de minimum régionaux ne sont pas locales : dans le cas
général, on ne peut pas décider si un pixel p appartient à un extremum simplement en
examinant les pixels voisins de p. Il faut parcourir l’ensemble du plateau contenant p.
C’est pourquoi on parle généralement de maximum régional et de minimum régional.
Si l’on considère les seuils de f , un maximum
n d’altitude hode cette fonction sera
une composante connexe du seuil Xh (f ) = x ∈ Z 2 , f (x) ≥ h ne contenant aucune
+
composante connexe de tout seuil Xs+ (f ) où s > h. Enfin, d’après la définition 2.8, un
maximum régional M de f d’altitude h, satisfait :
∀h′ > h, Xh+′ (f ) ∩ M = ∅
Les maxima d’altitude h de f sont donc les composantes de Xh+ (f ) non reconstruites
+
par Xh+1 (f ), soit encore, les composantes de Xh+ (f ) non reconstruites par Xh+ (f − 1).
Dans tout ce qui suit, Max(f ) (respectivement Min (f )) désignera l’ensemble des
maxima régionaux (respectivement minima régionaux) de f . Pour extraire les maxima
régionaux de f , il suffit donc d’effectuer une reconstruction de f par dilatation géodésique
de (f − 1) sous f (voir section B.3), de soustraire le résultat de f et de considérer les
ensembles connexes de pixels strictement positifs [2] :
Max (f ) = X1+ (f − δ ∞ (f, f − 1)) (2.21)
MAXIMA REGIONAUX
f
δ (f,f-1)
f-1
Figure 2.31: Extraction des maxima régionaux par une reconstruction géodésique
L’extraction des minima régionaux de f relève du même procédé appliqué à (−f ) ; on

peut également effectuer une reconstruction géodésique par érosion de (f + 1) au dessus
de f .
Min (f ) = X1+ (ǫ∞ (f, f + 1) − f ) (2.22)

Si les extrema d’une image numérique semblent bien adaptés pour marquer les struc-
tures sombres et claires d’une image, dans la pratique, plusieurs difficultés peuvent appa-
raı̂tre :
-Cas des plateaux non extrema Dans le cas où les zones plates de l’image sont
très étendues, des plateaux non extrema peuvent correspondre à des régions d’intérêt dans
l’image (voir figure 2.32). En considérant uniquement les extrema de l’image, ces régions
échappent à l’analyse.
Figure 2.32: Les plateaux non extrema peuvent correspondre à des régions d’intérêt dans
l’image (à gauche : image originale ; au centre : extrema régionaux (minima en blanc,
maxima en noir) ; à droite : quelques plateaux non extrema)
Une manière de résoudre ce problème peut consister à introduire artificiellement de

nouveaux extrema régionaux au niveau des larges plateaux non extrema de l’image. Cette
démarche consiste à compléter le relief [55] : pour chaque pixel x, le plateau contenant x
est extrait (P ltx ), la fonction distance sur ce plateau (composante connexe) est calculée
et on associe au pixel x la valeur f (x) plus sa valeur sur la fonction distance (distance de
x au bord du plateau) :
∀x ∈ E, fc (x) = f (x) + d (x, F r (P ltx (f )))
Cette opération a pour effet de créer de nouveaux maxima régionaux. Si on soustrait à
Z PLATEAU NON EXTREMUM
Z X
FONCTION DISTANCE
X
CREATION D’UN NOUVEAU MAXIMUM
ULTIME ERODE ULTIME
X
CREATION D’UN NOUVEAU MINIMUM
Figure 2.33: On complète le relief à l’aide de la fonction distance

a- image originale "Tools" b- maxima regionaux
Figure 2.34: Image ”tools” et ses maxima régionaux
l’altitude de chaque pixel d’un plateau sa valeur sur la fonction distance, on crée alors de
nouveaux minima régionaux (voir figure 2.33).
La plupart des images réelles sont bruitées et ce problème ne se pose pas : chaque
région d’intérêt est marquée par au moins un extremum régional. Par contre, le problème
inverse apparaı̂t : celui du sur nombre d’extrema régionaux dans l’image (voir figure 2.34).
-Sensibilité au bruit La deuxième difficulté est d’ordre pratique : la notion d’extrema

est très sensible au bruit. Une structure marquée par un seul maximum régional sera
marquée par plusieurs extrema si on ajoute du bruit (cf. figure 2.35 et 2.34).
Une solution à ce problème consiste à filtrer l’image de sorte à éliminer les structures
(et les extrema correspondants) non significatives : les compositions d’ouvertures et de
fermetures par exemple permettent de filtrer les structures de petite taille tout en préser-
vant celles de taille plus importante. Ce point sera repris plus en détail dans ce qui suit.
M1 IMAGE CLAIRE
m2 m3
m1 m4 M2
m7
IMAGE BRUITEE
m8
m5 m6
m9
Figure 2.35: Influence du bruit sur les extrema d’une image
-Relations entre les structures de l’image Lorsqu’on utilise les extrema de l’image
pour marquer les structures ou régions présentes dans l’image, la question qui se pose
d’emblée est la suivante : comment à partir des extrema de l’image mettre en évidence
l’aspect hiérarchisé de l’observation ? (deux petits disques clairs identiques sont inclus
dans une régions plus sombre dans l’exemple de la figure 2.36).
Des méthodes structurelles ont été proposées pour résoudre ce problème complexe.
Citons notamment les travaux R. W. Ehrich [15] et ceux de P. V. Sankar et A. Rosen-
feld [78] basés sur une mise en correspondance des pics des signaux. Nous aurons l’occasion,
Y X
X
SCENE NIVEAUX DE GRIS
Figure 2.36: Comment extraire les relations hiérarchiques entre les structures d’une image
?
dans la suite de cette thèse, d’approfondir ce point et de décrire plus en détail ces tech-
niques d’analyse.
2.3.2 Extraction des h-extrema

Nous avons vu que les extrema d’une image numérique sont sensibles au bruit. Le ré-
sultat de l’extraction des extrema d’une image est souvent un nombre trop grand de
composantes qui, pour la plupart, marquent des pics de bruit dans l’image, mais non le
contenu structurel de l’image. L’idée des h-extrema [3, 21] est d’utiliser la définition algo-
rithmique des extrema et de la modifier de telle sorte que le résultat de la transformation
soit un ensemble de composantes connexes moins important. Une étude détaillée de cette
transformation peut être trouvée dans la thèse de M. Grimaud [21].
D’une manière générale, on constate que la reconstruction d’une fonction f par di-
latation géodésique de la même fonction translatée (f − h) permet d’extraire les pics
de l’image. Cette opération δ ∞ (f, f − h) (que nous appellerons h-reconstruction) permet
d’introduire la notion de h-extrema :
Définition 2.9 (h-extrema [21]) Les h-extrema d’une fonction numérique f sont les
composantes connexes de l’ensemble Maxh (f ) défini par :
Maxh (f ) = X1+ (f − δ ∞ (f, f − h)) (2.23)
La figure 2.37 illustre les extrema extraits par cette transformation pour une grande valeur
de h. Plus h augmente plus les extrema extraits sont étendus et seuls les extrema à fort
contraste persistent.
h-MAXIMA
f
δ (f,f-h)
h
f-h
Figure 2.37: Extraction des h-extrema de l’image par reconstruction

a- h-reconstruction b- h-maxima
Figure 2.38: Extraction des h-extrema de l’image Tools (256 niveaux de gris, h = 50)
Enfin, les rh-extrema [80, 79] permettent d’introduire un critère supplémentaire (spa-
tial) de sélection des maxima. Les rh-extrema d’une image numérique f (Maxr,h (f )) sont
obtenus en effectuant non plus une reconstruction géodésique (dilatation géodésique de
taille infinie) mais en effectuant une dilatation géodésique de taille finie r de f par (f − h)
(cf. figure 2.39). Les dômes de faible contraste (paramètre h) ou trop larges (paramètre
r) ne sont pas extraits par cette transformation.
(
h f (x) − h si x ∈ Max(f )
fM (x) =

0

sinon
+ r
Y1 = X1 f − δ f, fM h
Y2 = X1+ δ r f, fM
h
Maxr,h (f ) = Y1 \ δ ∞ (Y1 , Y2c )
h r,h-maximum
f
r h
δ (f , fM )
+ r h
Y1 = X1 [ f - δ (f , fM ) ]
+ r h
Y2 = X1 [ δ (f , fM )]
Figure 2.39: Extraction des rh-extrema par une dilatation géodésique de taille finie
Cette transformation présente quelques désavantages. D’une part, il peut arriver que
des pixels n’appartenant pas à des maxima soient extraits. Il faut donc ne retenir des
composantes connexes extraites que celles contenant un maximum régional de l’image
originale. D’autre part, cette transformation est sensible au bruit. Pour cette raison, il est
généralement nécessaire de filtrer l’image avant de calculer les rh-maxima, ce qui ajoute
un paramètre supplémentaire à l’algorithme. Pour cette raison cette transformation est
délicate à mettre en oeuvre et peu utilisée dans la pratique. Pour plus de précision sur ce
point on pourra consulter la référence [21].
2.3.3 Valuation des extrema selon leur contraste : la dynamique

Le concept de dynamique a été introduit par M. Grimaud [21, 22] et permet de valuer
les extrema (minima ou maxima) d’une image numérique selon leur contraste, ou, plus
exactement, selon le contraste des structures qu’ils marquent.
Soit M un maximum régional d’altitude h. M. Grimaud définit la dynamique de M
en considérant l’ensemble des chemins (p0 , p1 , ..., pn ) (voir définition B.2 en annexe A)
vérifiant : p0 ∈ M et f (pn ) > f (p0 ), c’est-à-dire les chemins liant M à un point de plus
haute altitude. Parmi l’ensemble de tous les chemins satisfaisant cette condition, on choisit
celui de plus faible dénivelée, c’est-à-dire tel que la quantité inf {f (x), x ∈ (p0 , p1 , ..., pn )}
soit maximale.
Définition 2.10 (Dynamique [21]) La dynamique d’un maximum régional M d’une

image numérique f est la dénivellation minimale à franchir quand, partant de M, on
cherche à atteindre un point de plus haute altitude :
dyn(M) = f (M) − sup { inf {f (x), x ∈ C} }

C=(p0 ,p1 ,...,pn)
p0 ∈M et f (pn )>f (p0 )
Chemin de plus faible dynamique

Z
dyn(M)
Figure 2.40: Dynamique d’un maximum régional
Comme nous l’avons dit, la dynamique permet de valuer les extrema d’une image
numérique selon leur contraste sur l’image, ou plus exactement, selon le contraste des
structures qu’ils marquent. La distribution en dynamique d’une image numérique est
donc une caractérisation du contraste des structures ou régions présentes sur cette image.
a- dynamique des maxima b- maxima de forte dynamique
Figure 2.41: Maxima régionaux de l’image Tools de forte dynamique (> 50)
La sélection des régions significatives (en termes de contraste) peut alors s’effectuer par
un simple seuillage des valeurs de dynamique des extrema (voir figure 2.41). Une car-
actéristique importante de cette transformation est de ne tenir compte d’aucun critère
spatial (forme, taille ...) : sur la figure 2.41 on obtient un marqueur pour la clef ou pour
le crayon comme pour les écrous de petite taille.
2.3.4 Relation entre la dynamique et les h-extrema

Comparons sur les figures 2.38 et 2.41 les h-extrema extraits pour une valeur h = 50
et les maxima extraits par seuillage de la dynamique avec un seuil de même valeur.
Nous remarquons qu’à chaque h-maximum peut être associé un et un seul maximum de
dynamique supérieure ou égale à 50. En fait, ces deux notions sont étroitement liées :
Théorème 2.1 ([21]) Les maxima de dynamique supérieure ou égale à h sont les seuls
points d’altitude égale à h dans la fonction (f − δ ∞ (f, f − h)).
La démonstration de ce théorème peut être trouvée dans la thèse de M. Grimaud [21].
Notons que h est la valeur maximale atteinte par (f − δ ∞ (f, f − h)). En effet, dans
∞
δ (f, f − h), la fonction (f − h) est dilatée ; la dilatation est extensive, par conséquent :
δ ∞ (f, f − h) ≥ f − h.
Ce théorème exprime que, pour extraire les maxima de f de dynamique supérieure ou
égale à h, il suffit de calculer (f − δ ∞ (f, f − h)) puis de seuiller le résultat au niveau h :
Xh+ (f − δ ∞ (f, f − h)) = {M ∈ Max(f ) | dyn(M) ≥ h} (2.24)
La similitude entre cette relation et la définition des h-maxima est immédiate (voir
relation 2.23). Ici, le niveau de seuillage est h et non plus 1.
La relation 2.24 peut également s’écrire :
dyn(M) = sup{h ≥ 0 | M ∩ Xh+ (f − δ ∞ (f, f − h)) 6= ∅} (2.25)
Cette relation permet une nouvelle interprétation de la dynamique : pour calculer la
dynamique d’un maximum M, on calcule Xh+ (f −δ ∞ (f, f −h)) pour des valeurs coissantes
de h et on retient le niveau h pour lequel M est éliminé dans l’image résultat.
2.4. Discussion 41
La dynamique peut donc être vue comme une mesure de la persistance des structures
de l’image quand on applique des filtres de contraste de plus en plus sélectifs (on calcule
(f − δ ∞ (f, f − h)) pour des valeurs croissantes de h).
2.4 Discussion
Les méthodes granulométriques et celles basées sur l’étude des extrema de l’image peuvent
paraı̂tre très dissemblables. Pourtant, elles sont étroitement liées.
Nous avons vu que les granulométries par reconstruction permettent de définir dans le
cas binaire une méthode de valuation des composantes connexes d’une image numérique
par le biais de la fonction granulométrique (relation 2.19). Soit C(X) l’ensemble des com-
posantes connexes d’une image binaire X :
∀Y ∈ C(X), gX (Y ) = sup{λ ≥ 0 | Y ∩ δ ∞ (X, ǫλ (X)) 6= ∅} (2.26)
Chaque composante connexe est valué avec une mesure de sa persistance (le niveau
pour lequel elle disparaı̂t) lorsqu’on applique des ouvertures de taille croissante.
La dynamique quant à elle introduit une méthode de valuation des extrema d’une
image numérique et nous avons vu le lien qui existe entre cette notion et une famille de
reconstructions géodésiques (relation 2.25) :
∀M ∈ Max(f ), dyn(M) = sup{h ≥ 0 | M ∩ Xh+ (f − δ ∞ (f, f − h)) 6= ∅} (2.27)
Chaque maximum est valué avec une mesure de sa persistance (le niveau pour lequel
il disparaı̂t) lorsqu’on applique des filtres de contraste de taille croissante.
Les similitudes entre les relations 2.26 et 2.27 montrent que les fontions granulométriques
binaires et la dynamique fonctionnent selon un même principe : on mesure la persistance
des structures ou des particules de l’image lorsqu’on applique des filtres de taille crois-
sante. Alors que les fonctions granulométriques usuelles valuent les particules binaires
selon un critère spatial (taille et/ou forme), la dynamique value les extrema d’une image
numérique (et donc les structures de l’image qu’ils marquent) selon un critère de contraste
et indépendamment de leur taille ou de leur forme.
Dans la pratique, la dynamique est une transformation très utile lorsque l’on cherche à
extraire les extrema significatifs d’une image (par exemple dans les problèmes de segmen-
tation). Une de ses caractéristiques est de ne dépendre d’aucune considération de taille
ou de forme. Cet avantage devient pourtant un inconvénient dès lors qu’une caractérisa-
tion spatiale des structures doit être prise en considération. Une manière de résoudre ce
problème consiste généralement à associer à la dynamique un filtrage spatial de l’image,
par des ouvertures morphologiques par exemple.
La question qui se pose alors est : est-il possible de valuer les extrema d’une image
numérique selon un critère spatial (de taille ou de forme) selon le modèle des granu-
lométries par ouvertures binaires ?
Chapitre 3
Des fonctions d’extinction

numériques
La plupart des transformations morphologiques ont d’abord été introduites pour les en-
sembles binaires puis étendues aux fonctions numériques. Un exemple bien connu est
celui de la ligne de partage des eaux définie comme une extension de la notion de SKIZ
binaire [82, 2].
Aujourd’hui encore certains outils binaires n’ont pas d’équivalent en morphologie
numérique. C’est le cas par exemple de l’ensemble des outils disponibles pour caractériser
des particules binaires (les mesures de surface, de forme...). De ce fait, on aborde générale-
ment ce type de problème en morphologie numérique en se ramenant au cas binaire que
l’on sait résoudre par un seuillage, une segmentation de l’image... Une telle démarche
s’accompagne inévitablement d’une perte d’information et est de plus généralement assez
complexe et peu systématique : des prétraitements paramétriques sont souvent néces-
saires. La question qui se pose alors est : est-il possible d’étendre au cas numérique la dé-
marche réalisée dans le cas binaire ? C’est de cette question que traite le présent chapitre.
Nous proposons ici de nouveaux opérateurs morphologiques, les fonctions d’extinction
numériques, définis comme une extension des fonctions de type granulométrique déjà
connues en morphologie binaire.
3.1 Introduction
Les transformations morphologiques agissent sur les structures d’une image qui sont soit
préservées, soit éliminées selon qu’elles satisfont ou pas le critère de filtrage (critère de
taille, de forme, de contraste...) : une ouverture morphologique par un élément structurant
B élimine les structures claires de l’image ne contenant pas B et préserve les autres ; une
h-reconstruction élimine les structures claires de l’image ayant un contraste inférieur à h
et préserve les structures de plus fort contraste (voir figure 3.1).
En considérant des transformations de plus en plus sélectives, on élimine progressive-
ment les structures de l’image des moins significatives aux plus significatives (au sens du
critère de filtrage). Si l’on repère une structure donnée et qu’on l’étudie tout au long du
processus de filtrage, l’indice pour lequel elle disparait entièrement constitue une mesure
43
44 Chapitre 3. Des fonctions d’extinction numériques
a- Image originale "Pepper"
a- Ouverture par rec. de taille 10 b- ouverture par rec. de taille 20 c- ouverture par rec. de taille 30
d- h-reconstruction, h = 40 e- h-reconstruction, h = 80 f- h-reconstruction, h = 120
Figure 3.1: Exemples de filtrage hiérarchique sur l’image ”Pepper”
de sa persistance vis-à-vis de la transformation. Cette mesure permet donc de caractériser

la structure vis-à-vis du critère de filtrage étudié. Si l’on applique ce principe à toutes les
structures de l’image, on obtient alors une caractérisation entière de la scène.
Considérons pour illustrer notre propos, l’exemple de la figure 3.1. Nous avons appliqué
ici deux types de filtre : un filtre de taille (ouvertures de taille croissante) et un filtre de
contraste (h-reconstructions avec h croissant). Repérons une structure de l’image : le
poivron allongé par exemple. Cet objet persiste sur l’image après une ouverture de taille
20 et est éliminé par l’ouverture de taille 30. On peut en déduire que la taille du poivron
allongé est supérieure à 20 et inférieure à 30 (ou plus exactement : le poivron allongé
contient la boule de taille 20 mais pas la boule de taille 30). On peut également à la vue
des images ouvertes conclure que la taille du poivron rond et plus grande que celle du
poivron allongé : le poivron rond persiste après une ouverture de taille 30. En étudiant
les images issues des filtres de contraste, on extrait les caractéristiques en contraste des
objets de l’image : le poivron allongé persiste au filtre de contraste de paramètre h = 120
; il a un contraste supérieur à 120. Le poivron rond, quant à lui, a un contraste plus faible
3.2. Fonction d’extinction : principe et définition 45
que le poivron alongé.

Le principe que nous venons de décrire est à la base de la définition de la fonction
d’extinction qui est l’objet de ce chapitre.
L’idée d’utiliser des familles de filtres de taille croissante pour analyser des images n’est
pas nouvelle : elle est à la base des méthodes d’analyse granulométrique. Cette approche
diffère cependant dans le principe des granulométries classiques : au lieu de mesurer pour
chaque indice granulométrique la quantité de particules éliminées, on associe à chaque
particule de l’image l’indice pour lequel la particule est éliminée. On passe donc d’une
analyse globale de l’image à une analyse objet par objet de l’image.
3.2 Fonction d’extinction : principe et définition

Notre but est d’étudier le comportement de chaque structure d’une image lorsqu’on ap-
plique des familles de transformations de plus en plus sélectives. Cela nécessite tout
d’abord de définir la notion de structure et ensuite de considérer des transformations
compatibles avec cette définition.
Dans le cas binaire, une structure (on parlera plus volontiers de particule) est générale-
ment définie comme une composante connexe (voir section B.1.1). Dans le cas numérique,
les extrema de l’image semblent bien adaptés pour marquer les structures présentes sur
l’image (voir section 2.3). Ce choix présente en outre l’intérêt d’être cohérent par rapport
au choix binaire : les opérateurs morphologiques ayant de bonnes propriétés vis-à-vis des
composantes connexes binaires ont également de bonnes propriétés vis-à-vis des extrema
des fonctions numériques. Ces opérateurs sont les opérateurs dits connexes. Lorsqu’on
applique une transformation connexe, il existe des relations simples entre les composantes
connexes (ou les extrema) des images d’entrée et de sortie.
3.2.1 Les opérateurs morphologiques connexes

La notion d’opérateur connexe a récemment été formalisée par J. Serra et P. Salem-
bier [83] et est à la base des transformations les plus évoluées de la morphologie mathé-
matique telles que la reconstruction numérique [31], la dynamique [21], l’ouverture sur-
facique numérique [97] et a donné naissance à des techniques de segmentation pyramidale
performantes [83, 14].
Nous rappelons que A △ B désigne la différence symétrique entre A et B :
A △ B = (A ∩ B c ) ∪ (Ac ∩ B)
Nous rappelons également que C(A) désigne l’ensemble des composantes connexes de
A.
Définition 3.1 (Opérateur connexe binaire [83]) Un opérateur binaire ψ est dit con-
nexe si pour tout ensemble A de E, la différence symétrique entre A et ψ(A) (notée
A △ ψ(A)) est exclusivement constituée de composantes connexes de A ou de son complé-
mentaire Ac :
ψ est connexe ⇔ C(A △ ψ(A)) ⊂ C(A) ∪ C(Ac ) (3.1)
La caractéristique de ces opérateurs est donc de préserver les relations de connexité :

si deux points p et q de E ⊂ ZZ2 sont connexes dans A ou dans Ac (il existe un chemin
d’extrémités p et q inclus dans A ou Ac ), alors les points p et q sont encore connexes soit
dans l’ensemble transformé, soit dans son complémentaire. Autrement dit, les opérateurs
connexes binaires n’agissent sur les ensembles qu’en préservant ou en supprimant leurs
composantes connexes. Ainsi, un opérateur connexe ne fait pas de compromis : chaque
particule (de A ou de son complémentaire) est soit entièrement préservée, soit entièrement
éliminée (voir figure 3.2).
Remarquons que si on impose, en plus, à l’opérateur ψ d’être anti-extensif, alors (A △
ψ(A)) est exclusivement constitué de composantes connexes de A. De la même façon, si
ψ est extensif, alors (ψ(A) △ A) est exclusivement constitué de composantes connexes de
Ac .
Figure 3.2: Exemple d’opérateur connexe binaire ϕ. φ n’est pas connexe
On définit les opérateurs connexes pour les fonctions numériques en partant des opéra-
teurs connexes binaires que l’on fait agir sur les sections planes (ou plateaux : voir défini-
tion 2.7) des fonctions numériques [83, 14]. La propriété de conservation de la connexité
dans le cas binaire vaut alors pour les plateaux des fonctions numériques. Il est ainsi
possible de définir autant d’opérateurs connexes pour les fonctions numériques qu’il en
existe pour les ensembles.
Définition 3.2 (Opérateur connexe numérique [83]) Un opérateur numérique ψ est
connexe si et seulement si il étend les plateaux de l’image d’entrée :
ψ est connexe ⇔ ∀x ∈ E, P ltx (f ) ⊂ P ltx (ψ(f )) (3.2)
Les opérateurs connexes numériques ont donc pour caractéristique d’élargir (on parlera
également de propagation) et de fusionnner les plateaux de l’image [83]. Cette définition
n’impose aucune condition sur la manière dont les niveaux d’intensité de la fonction sont
modifiés.
Nous donnons figure 3.3 un exemple d’opérateur connexe numérique (ici, une ouverture
par reconstruction) et les maxima de l’image originale et de l’image filtrée. Les maxima
de l’image filtrée sont moins nombreux et plus étendus que ceux de l’image originale.
Image originale "Pepper" et ses maxima
Ouverture par reconstruction de taille 20 et maxima de l’image ouverte
Figure 3.3: Effet des opérateurs connexes numériques sur les zones plates de l’image
Opérateurs connexes et Pyramide

La classe des opérateurs connexes est de manière évidente stable pour les opérations de
composition, de sup et d’inf [83, 14]. Considérons donc une pyramide d’opérateurs [83],
c’est-à-dire une famille indicée d’opérateurs {ψλ } tels que :
1. pour tout couple (λ, µ), le produit de composition (ψλ ◦ ψµ ) appartient encore à la
famille
2. ∀λ ≥ µ > 0, ∃ν > 0, ψλ = ψν ◦ ψµ
Lorsque les opérateurs qui engendrent cette famille sont connexes, la famille s’enrichit
d’une propriété très importante. Nous avons vu qu’un opérateur connexe n’agit sur les
fonctions qu’en en propageant les zones plates. Si l’on considère les fonctions issues de la
pyramide (ψλ (f ))λ≥0 , alors : les zones plates des ψλ (f ) s’élargissent avec λ : les zones de
gradient nul sont emboitées les unes dans les autres (voir figure 3.4). Cette propriété est
particulièrement intéressante dans le cadre de la segmentation d’image et est à la base de
techniques de segmentation pyramidales très performantes [83, 14].
a- Image originale "Pepper" b- Ouverture par rec. de taille 10 c- ouverture par rec. de taille 20 d- ouverture par rec. de taille 30
a’- gradient morphologique de (a) b’- gradient morphologique de (b) c’- gradient morphologique de (c) d’- gradient morphologique de (d)
Figure 3.4: Emboitement des zones de gradient nul dans le cas d’une pyramide d’opérateurs
connexes
Construction d’opérateurs connexes

Remarquons tout d’abord que dans le cas général, les ouvertures et les fermetures mor-
phologiques ne sont pas connexes ; elles ne le sont que dans le cas particulier d’un espace
à une dimension et lorsque l’élément structurant utilisé est connexe et, dans ce cas, elles
correspondent à des ouvertures par reconstruction : les seules ouvertures connexes sont
les ouvertures par reconstruction.
D’une manière générale, on construit des opérateurs connexes à partir de la recon-
struction géodésique [31, 83] : partant d’une transformation quelconque ψ, il est pos-
sible de construire l’opérateur connexe associé en composant ψ avec l’opération de re-
construction (voir section B.3) : ψ rec (f ) = δ ∞ (f, ψ(f )) (si ψ est anti-extensif) ou bien
ψ rec (f ) = ǫ∞ (f, ψ(f )) (si ψ est extensif). La reconstruction par dilatation géodésique agit
au niveau des structures claires de l’image et la reconstruction par érosion géodésique sur
les structures sombres de l’image.
Un exemple simple est celui des h-reconstructions (voir section 2.3.2) : ψ correspond
à un décalage négatif ou positif de l’image. Les h-reconstructions sont construites en
composant cette opération de décalage avec une reconstruction numérique.
Remarquons que le processus de reconstruction numérique peut être vu comme un
processus de reconstruction binaire appliqué aux seuils successifs de l’image :
n o
∀x ∈ E, δ ∞ (f, ψ(f ))(x) = sup s ≤ f (x) | Cx Xs+ (f ) ∩ Xs+ (ψ(f )) 6= ∅ (3.3)
Nous rappelons que Xs+ (f ) désigne le seuil au niveau s de f : Xs+ (f ) = {x ∈ E | f (x) ≥ s}

et que Cx désigne l’ouverture connexe ponctuelle : Cx (X) extrait de X la composante
connexe contenant x.
3.2.2 Fonction d’extinction : définition

Dans tout ce qui suit Ψ = (ψλ )λ≥0 désignera une famille décroissante de transformations
connexes anti-extensives :
1. ∀λ ≥ 0, ψλ (f ) est connexe
2. ∀µ ≥ λ ≥ 0 =⇒ ψλ ≤ ψµ
3. ∀λ ≥ 0, ψλ (f ) ≤ f et ψ0 = Id
Nous allons, dans un premier temps, définir la notion de fonction d’extinction dans le
cas des fonctions binaires, et, dans un second temps, étendre cette définition aux fonctions
numériques. Nous nous restreignons dans tout ce qui suit au cas discret. Les notions intro-
duites valent dans le cas continu pour l’ensemble restreint des fonctions lipschitziennes.
Cas des ensembles

Soit Y un ensemble quelconque et X un sous-ensemble connexe de Y . Nous avons supposé
les opérateurs ψλ connexes et anti-extensifs donc ψλ (Y ) est exclusivement constitué de
composantes connexes de Y , c’est-à-dire, puisque X est supposé connexe : ψλ (X) = X
ou bien ψλ (X) = ∅.
Par hypothèse, ψλ est décroissant vis-à-vis de l’indice λ donc :
(
µ ≤ λ ⇒ ψµ (X) = X
Si X est connexe, ∃λ ≥ 0 tel que :
ψλ+1 (X) = ∅
L’indice λ caractérise la persistance de la particule connexe X par rapport à la famille Ψ.
Définition 3.3 (Valeur d’extinction d’un ensemble connexe) Soit X un ensemble

connexe, et Ψ = (ψλ )λ une famille décroissante de transformations connexes anti-extensives.
La valeur d’extinction de X par rapport à Ψ notée EΨ (X) est la valeur maximale λ telle
que ψλ préserve X :
EΨ (X) = sup{λ ≥ 0 | ψλ (X) = X} (3.4)
Si Ψ est une granulométrie par ouvertures par reconstruction, alors EΨ (X) est la taille
de l’ouverture ultime associée à X (voir la relation 2.19 au paragraphe 2.2.4) :
EΓ (X) = sup{λ ≥ 0 | γλrec (X) = X} = sup{λ ≥ 0 | γλ (X) 6= ∅}
Dans ce cas, si Y est un ensemble quelconque, la fonction ayant pour support Y et pour
valeurs numériques les valeurs d’extinction des composantes connexes de Y est exactement
la fonction granulométrique par reconstruction associée à Y .
Dans tout ce qui suit, nous noterons C(Y ) l’ensemble des composantes connexes de
l’ensemble Y . On définit la fonction d’extinction d’un ensemble Y sur le modèle des
fonctions granulométriques (voir paragraphe 2.2.4) :
Définition 3.4 (Fonction d’extinction d’un ensemble) Soit Y un ensemble, et Ψ =

(ψλ )λ une famille décroissante de transformations connexes anti-extensives. La fonction
d’extinction de Y par rapport à Ψ notée FΨE (Y ) associe à chaque composante connexe de
Y sa valeur d’extinction par rapport à Ψ :
(
EΨ (X) si ∃X ∈ C(Y ), x ∈ X
∀x ∈ Y, FΨE (Y )(x) = (3.5)
0 sinon
On définit de manière duale les valeurs d’extinction des composantes connexes de Y c en

considérant une famille croissante de transformations connexes extensives : Ψ = (Ψλ )λ≥0 .
Nous rappelons que si ψλ est anti-extensif, alors ψ λ défini par ψ λ (Y ) = (ψλ (Y c ))c est
extensif. On a :
FΨE (Y ) = FΨE (Y c )
La figure 3.5 correspond à une opération classique en imagerie binaire : on asssocie à

chaque composante connexe sa surface. L’image numérique des composantes valuées selon
leur surface peut être vue comme une fonction d’extinction binaire associée à la famille
de transformations (ψλ )λ≥0 avec :
(
X si Surf (X) ≥ λ
∀X connexe , ψλ (X) =
∅ sinon
où Surf (X) désigne la surface de X (nombre de pixels de la composante connexe X).
X X’ Surface(X) Surface(X’)
Surface(X")
Y X"
Figure 3.5: Fonction d’extinction d’une image binaire : sur cet exemple, on associe à
chaque composante connexe un niveau de gris égal à sa surface.
C’est l’extension au cas numérique de telles opérations binaires classiques qui nous
intéresse ici.
Cas des fonctions numériques

Le fait que la fonction d’extinction binaire soit définie à partir d’opérateurs connexes
permet d’étendre cette notion aux fonctions numériques. On passe alors de l’analyse des
composantes connexes des ensembles à l’analyse des extrema régionaux des fonctions
numériques. En effet, nous avons vu que les opérateurs connexes ont de bonnes propriétés
vis-à-vis des extrema des fonctions numériques.
Nous nous intéressons, dans un premier temps, à l’étude des maxima de l’image : on
se restreint donc à des transformations agissant uniquement sur les structures claires de
l’image, c’est-à-dire des transformations anti-extensives. Nous supposerons donc, dans
tout ce qui suit, que Ψ est une famille décroissante de transformations connexes anti-
extensives.
Nous notons Max(f ) l’ensemble des maxima régionaux d’une fonction numérique f .
ψλ est par hypothèse un opérateur connexe donc il n’agit sur l’image qu’en propageant
les zones plates et en particulier les maxima :
∀M ∈ Max(f ), x ∈ M ⇒ M ⊂ P ltx (ψλ (f ))
Un maximum de f est étendu par ψλ pour donner soit un maximum, soit un plateau
non-maximum de ψλ (f ).
Les images ψλ (f ) sont constituées de plateaux de plus en plus étendus à mesure que
λ augmente, pour finalement (pour une valeur λ infinie, c’est à dire suffisamment grande)
ne constituer qu’un seul plateau unique. Une image constante définit un plateau à la fois
maximum (sans voisin plus haut) et à la fois minimum (sans voisin plus bas). Par conven-
tion, lorsqu’on étudie les maxima de l’image, nous considérons de tels plateaux comme
des minima (lorsqu’on étudie les minima, nous les considérons comme des maxima). Cette
convention permet d’assurer, pour tout maximum M de f , l’existence d’un niveau λ tel
que M n’appartienne plus à un maximum de ψλ (f ).
Finalement, comme ψλ est décroissant vis-à-vis de l’indice λ, on a :
(
µ ≤ λ ⇒ M ∈ Max(ψµ (f ))
∀M ∈ Max(f ), ∃λ ≥ 0 tel que :
M∈ / Max(ψλ+1 (f ))
On impose que M soit maximum régional pour toute valeur µ ≤ λ. En effet, on calcule
la valeur d’extinction de M dès que le plateau de ψµ (f ) contenant M n’est plus maximum
régional, mais ce plateau peut éventuellement, pour des indices suivants, fusionner avec
un autre plateau pour redonner un maximum régional.
Définition 3.5 (Valeur d’extinction d’un maximum régional) Soit M un maximum

régional d’une fonction numérique f , et Ψ = (ψλ )λ une famille décroissante de transfor-
mations connexes anti-extensives. La valeur d’extinction de M par rapport à Ψ notée
EΨ (M) est la valeur maximale λ telle que M reste maximum régional de ψλ (f ) :
EΨ (M) = sup{λ ≥ 0 | ∀µ ≤ λ, M ⊂ Max(ψµ (f ))} (3.6)
Si l’on suppose que les structures claires d’une image sont toutes marquées par un max-
imum régional, alors la valeur d’extinction associée à un maximum régional M caractérise
la persistance de la structure claire qu’il marque lorsqu’on filtre de plus en plus sélective-
ment l’image. Le critère de filtrage introduit par la famille Ψ, définit la caractéristique
des structures de l’image qui est ainsi extraite.
On définit sur le modèle binaire la fonction d’extinction numérique, qui associe aux
maxima d’une image leurs valeurs d’extinction :
Définition 3.6 (Fonction d’extinction d’une fonction numérique) Soit f une fonc-
tion numérique et Ψ = (ψλ )λ une famille décroissante de transformations connexes anti-
extensives. La fonction d’extinction de f respectivement à Ψ notée FΨE (f ) associe à chaque
maximum régional de f sa valeur d’extinction par rapport à Ψ :
(
EΨ (M) si ∃M ∈ Max(f ), x ∈ M
∀x ∈ E, FΨE (f )(x) = (3.7)
−∞ sinon
On définit de manière duale les valeurs d’extinction des minima régionaux d’une image
numérique à partir d’une famille de transformations anti-extensives. Cela revient égale-
ment à appliquer ψλ à (−f ) puis à inverser le résultat. On a :
FΨE (f ) = FΨE (−f )
La figure 3.6 illustre la fonction d’extinction obtenue dans le cas d’ouvertures par
reconstruction.
Ouvertures par reconstruction de taille croissante
Plateaux non extrema
fonction d’extinction
Figure 3.6: Fonction d’extinction d’une image numérique : sur cet exemple, à chaque
maximum (chaque dôme de l’image), on associe la taille maximale de l’ouverture par
reconstruction qui préserve (au moins partiellement) le dôme.
Remarques sur les conditions imposées à la famille Ψ : La notion de valeur

d’extinction peut théoriquement être définie à partir de toute famille d’opérateurs con-
nexes. Les conditions supplémentaires que nous avons imposées (famille d’opérateurs ex-
tensifs ou anti-extensifs) permettent d’assurer que les notions définies ont un sens physique
3.3. Etude approfondie de quelques cas particuliers 53
: lorsqu’on étudie les structures claires de l’image, on considère des transformations agis-
sant de manière privilégiée sur les structures claires de l’image, c’est-à-dire des transfor-
mations anti-extensives. Les transformations extensives seront utilisées pour l’étude des
structures sombres de l’image.
3.3 Etude approfondie de quelques cas particuliers

Dans cette partie, nous allons étudier plus précisément les fonctions d’extinction asso-
ciées à quelques transformations morphologiques simples. Les images ”Tools” et ”Road”
(figures 3.8 et 3.7) nous serviront d’illustration.
Figure 3.7: Image ”Tools” et ses maxima régionaux
Figure 3.8: Image ”Road” et ses maxima régionaux
3.3.1 La dynamique : une fonction d’extinction particulière

Un des outils les plus performants aujourd’hui utilisés en morphologie mathématique
pour sélectionner les extrema significatifs d’une image selon leur contraste est la dy-
namique [21, 22]. Nous avons vu qu’un lien étroit existe entre la dynamique et une
famille de transformations morphologiques agissant selon un critère de contraste : les
h-reconstructions (δ ∞ (f, f − h)) (voir la relation 2.25 au paragraphe 2.3.4).
δ ∞ (f, f − h) est une transformation connexe, croissante et anti-extensive [21]. Elle
satisfait également une loi d’absoption pyramidale de type additif :
th (f ) = δ ∞ (f, f − h) th (f ) ◦ th′ (f ) = th+h′ (f )

La famille (δ ∞ (f, f − h))h≥0 satisfait l’ensemble des conditions que nous avons imposées
pour définir une fonction d’extinction. La valeur d’extinction d’un maximum régional M
d’une fonction f par rapport à la famille (δ ∞ (f, f − h))h≥0 est alors définie par :
∀M ∈ M⊣§(f ), E d(M) = sup{h ≥ 0 | ∀t ≤ h, M ∩ Max(δ ∞ (f, f − t)) 6= ∅}
Nous allons montrer que E d (M) = dyn(M) − 1, c’est-à-dire que l’on a (puisque que les
valeurs de h sont discrètes) :
dyn(M) = inf {h ≥ 0 | M ∩ Max(δ ∞ (f, f − h)) = ∅} (3.8)
Avant de démontrer la relation 3.8, quelques remarques importantes pour la suite peu-
vent être faites à propos de la dynamique et des h-reconstructions.
• Nous rappelons que la dynamique d’un maximum régional M est la dénivellation
minimale à franchir, quand, partant de M, on cherche à atteindre un point de plus haute
altitude (définition 2.10 de M. Grimaud). Cette définition se formalise en :
dyn(M) = f (M) − sup{s ≤ f (M) | ∃x ∈ CM (Xs+ (f )), f (x) > f (M)} (3.9)
Si M est le maximum de plus haute altitude de f , on convient d’associer à M une dy-

namique infinie [21].
dyn(M)
Figure 3.9: Principe de la dynamique : on cherche le col le plus haut qui unit le dôme de
sommet M à un autre dôme de plus haut sommet.
• Les transformations par reconstruction s’expriment également en considérant les

seuils successifs de l’image (voir relation 3.3) :
δ ∞ (f, f − h)(x) = sup{s ≤ f (x) | Cx (Xs+ (f )) ∩ Xs+ (f − h) 6= ∅}
Ce qui s’écrit également :
δ ∞ (f, f − h)(x) = sup{s ≤ f (x) | ∃y ∈ Cx (Xs+ (f )), f (y) − h ≥ s} (3.10)
• Nous rappelons également que si M est un maximum régional de f d’altitude notée

f (M), de dynamique dyn(M), alors (voir théorème 2.1) :
∀h ≤ dyn(M), δ ∞ (f, f − h)(M) = f (M) − h (3.11)

f
δ (f,f-h)
f-h
Figure 3.10: Principe des h-reconstructions : les dômes de l’image sont arasés.
Démontrons la relation 3.8

Soit M un maximum régional de f . Nous noterons dyn(M) sa dynamique, f (M) son
altitude dans f .
• Montrons que si h = dyn(M), alors M n’est pas inclus dans un maximum régional
de δ ∞ (f, f − h).
Soit s = f (M) − dyn(M). Si h = dyn(M), on a :
s = δ ∞ (f, f − h)(M) d’après 3.11

+
∃x ∈ CM (Xs (f )), f (x) > f (M) d’après 3.9 (voir figure 3.9)
Evaluons δ ∞ (f, f − h)(x). La dilatation est extensive, donc δ ∞ (f, f − h) ≥ f − h et

par conséquent : δ ∞ (f, f − h)(x) > f (x) − h > f (M) − h
D’après 3.11, f (M)−h = δ ∞ (f, f −h)(M), donc : δ ∞ (f, f −h)(x) > δ ∞ (f, f −h)(M)
Montrons que x ∈ CM (Xs+ (δ ∞ (f, f − h))). δ ∞ (f, f − h) est connexe : elle agit
sur les seuils de f composante connexe par composante connexe (une composante
connexe est soit entièrement préservée soit entièrement éliminée). Par conséquent :
CM (Xs+ (f )) ⊂ CM (Xs+ (δ ∞ (f, f − h))).
(
s = δ ∞ (f, f − h)(M)
Finalement :
∃x ∈ CM (Xs+ (δ ∞ (f, f − h))), δ ∞ (f, f − h)(x) > δ ∞ (f, f − h)(M)
Le plateau de δ ∞ (f, f − h) contenant M admet donc au moins un voisin de plus

haute altitude. Ce n’est pas un maximum régional. (cqfd)
• Montrons que si h < dyn(M), alors M est inclus dans un maximum régional de
δ ∞ (f, f − h). Pour cela, nous allons montrer que si M n’est pas inclus dans un
maximum régional, alors h ≥ dyn(M).
On pose s = δ ∞ (f, f − h)(M) ≥ f (M) − h. Si M n’est pas inclus dans un maximum
de δ ∞ (f, f − h), alors le plateau contenant M admet au moins un voisin de plus
haute altitude :
∃x ∈ CM (Xs+ (δ ∞ (f, f − h))), δ ∞ (f, f − h)(x) > s
+
δ ∞ (f, f − h)(x) ≥ s + 1. D’après 3.10 : ∃y ∈ Cx (Xs+1 (f )), f (y) − h ≥ s + 1 > s
Evaluons f (y) : s ≥ f (M) − h donc f (y) − h > f (M) − h soit f (y) > f (M)
+
De plus, y ∈ CM (Xs+ (f )). En effet : Cx (Xs+1 (f )) ⊂ Cx (Xs+ (f )) = CM (Xs+ (f )).
y vérifie : y ∈ CM (Xs+ (f )) et f (y) > f (M), donc d’après 3.9 : s ≤ f (M) − dyn(M).
Or s ≥ f (M) − h, par conséquent, on a forcément : h ≥ dyn(M) (cqfd)
(cqfd)
La conclusion de tout ceci est que la dynamique correspond, à une constante près, aux
valeurs d’extinction associées à la famille (δ ∞ (f, f − h))h≥0 :
∀M ∈ M⊣§(f ), E d (M) = dyn(M) − 1
La dynamique apparaı̂t donc comme une fonction d’extinction particulière associée à

des filtres morphologiques de contraste. Elle correspond à une mesure de persistance des
structures de l’image quand on applique des filtres morphologiques de contraste de plus
en plus sélectifs.
La figure 3.11 illustre le lien entre la dynamique et les h-reconstructions. Sur cet
exemple, à chaque maximum de l’image filtrée δ ∞ (f, f − h) correspond un et un seul
maximum de l’image originale de dynamique supérieure à h. Nous verrons, dans le chapitre
suivant, comment le cas particulier de deux maxima de même altitude peut modifier ce
résultat et comment cette configuration pathologique peut être traitée.
h
M’
Decalage / reconstruction - h = 40 Maxima de l’image filtree
Dyn(M’) = h
Decalage / reconstruction
Maxima de l’image originale de dyn. sup. a 40
Figure 3.11: La dynamique et les filtres morphologiques de contraste : principe et illus-

tration sur l’exemple ”Tools”
La figure 3.12 donne un exemple d’utilisation de la dynamique pour extraire d’une

image les extrema significatifs en termes de contraste. La dimension spatiale des régions
n’est pas prise en compte : la marque sur la route fortement contrastée est marquée par
un maximum de forte dynamique malgré sa petite taille. Par contre le ciel qui correspond
à une large région de faible contraste est marqué par un maximum de faible dynamique.
Ce résultat était prévisible : le ciel est une région significative en termes de taille, non en
termes de contraste.
La dynamique peut également être calculée sur une image gradient. Les minima du
gradient correspondent aux plateaux de l’image originale. En calculant la dynamique sur
une image gradient, on traite simultanément les structures claires et sombres de l’image
de départ (les maxima et les minima de l’image originale sont des minima de l’image
gradient). Remarquons que l’interprétation de la dynamique ainsi calculée n’est pas la
même que lorsqu’elle est calculée sur l’image originale : ce n’est plus une mesure de
contraste des structures qui est déduite mais une mesure caractéristique de la force et de
l’homogénéité des contours des régions (voir figure 3.14).
Notons, enfin, la fragilité de la dynamique lorsqu’elle est calculée sur une image gradi-
ent : des variations locales d’intensité, au niveau des lignes de crête du gradient, peuvent
modifier radicalement les valeurs de dynamique (voir figure 3.15). Nous aurons l’occasion
de revenir plus en détails sur ce point important dans le chapitre 5 (voir notamment la
figure 5.16). Le même phénomène apparaı̂t également sur l’image originale lorsque le con-
tour d’une région est flou (faible transition des niveaux de gris à la frontière de la région)
; ceci peut influencer également, de manière plus ou moins significative, la dynamique
calculée sur l’image originale.
Image originale "Road" Maxima de l’image originale les 4 maxima de plus forte dynamique h-reconstruction equivalente
Figure 3.12: Utilisation de la dynamique pour extraire les extrema les plus significatifs
en termes de contraste : on ne retient que les 4 maxima de plus forte dynamique ; nous
donnons, pour référence, le résultat d’une h-reconstruction de paramètre h égal à la plus
faible valeur de dynamique prise par ces 4 maxima.
Image gradient Minima de l’image gradient les 4 minima de plus forte dynamique
Figure 3.13: Exemple où la dynamique est calculée sur une image gradient
Image originale
M M’
dyn(M)
= dyn(M’)
Image gradient
dyn(M’)
dyn(M)
M M’
Figure 3.14: Comparaison entre la dynamique calculée sur l’image originale et la dy-
namique calculée sur l’image gradient : lorsqu’elle est calculée sur le gradient, la dynamique
est caractéristique de la force et de l’homogénéité des contours des régions.
Gradient uniforme Irregularite locale
M M
Contour Contour
dyn(M)
dyn(M)
minima minima
Figure 3.15: Illustration du manque de robustesse de la dynamique calculée sur une im-
age gradient : des variations locales d’intensité modifient radicalement les valeurs de dy-
namique extraites.
3.3.2 Fonction d’extinction associée aux ouvertures par recon-

struction
Les transformations classiquement utilisées pour filtrer les structures d’une image selon
un critère de taille sont les ouvertures et les fermetures. Dans le cas binaire, la fonction
granulométrique définie à partir d’ouvertures par reconstruction permet de valuer les
composantes connexes d’un ensemble selon leur taille ou plus exactement selon la taille
maximale de la boule qu’ils peuvent contenir.
La fonction d’extinction numérique associée aux ouvertures par reconstruction intro-
duit un équivalent numérique de la fonction granulométrique binaire : on associe aux
minima ou aux maxima d’une image numérique une valeur caractéristique de la taille des
structures qu’ils marquent (voir figure 3.16) :
EΓ (M) = sup{λ ≥ 0 | ∀µ ≤ λ, M ∩ Max(δ ∞ (f, γµ (f ))) 6= ∅}

M’
Ouverture par rec. de taille 10 Maxima de l’image ouverte

R
E(M) = R
Ouverture par reconstruction de taille (R + 1)
Maxima de val. d’extinction sup. a 10
Figure 3.16: Valeurs d’extinction associées aux ouvertures par reconstruction : principe
et illustration sur l’exemple ”Tools”
Notons la similitute entre cette relation et celle donnant la dynamique en fonction

des h-reconstructions (relation 3.8) : le décalage d’image (f − t) est simplement remplacé
par une ouverture morphologique (γµ (f )). On passe ainsi d’une étude en contraste à
une étude en taille. La fonction d’extinction associée aux ouvertures par reconstruction
apparait ainsi comme un équivalent spatial de la dynamique.
Selon le choix de l’élément structurant, on peut ainsi valuer les extrema d’une image
numérique selon un critère de taille et/ou de forme et ceci indépendamment de toute
considération relative au contraste des structures.
Cependant, quel que soit le choix de l’élément structurant, les valeurs d’extinction
associées aux ouvertures par reconstruction classiques ne correspondent jamais à une car-
actérisation essentiellement en taille : le concept de forme contenu dans l’élément struc-
turant implique que la caractérisation déduite est toujours fonction de la morphologie de
la région. Ainsi sur l’exemple ”Tools” de la figure 3.16, le crayon, la lame de rasoir et les
clefs ont des surfaces de même ordre. Seules les clefs constituées d’une partie ronde ont de
fortes valeurs d’extinction (l’élément structurant utilisé est un hexagone, par conséquent
les objets “ronds” sont privilégiés). La figure 3.17 illustre le comportement des valeurs
d’extinction lorsqu’on change l’élément structurant utilisé. Pour que la valeur d’extinction
associée au crayon soit significative de sa taille réelle, l’élément structurant utilisé doit
être adapté à sa forme (un segment de même direction par exemple est mieux adapté que
l’hexagone). Mais un tel élément structurant ne convient plus pour les objets de forme
différente...
On s’aperçoit donc que pour extraire les caractéristiques en taille et seulement en
taille des structures d’une image par le biais d’ouvertures morphologiques, il faudrait
en toute rigueur considérer toutes les configurations morphologiques possibles d’éléments
Image originale Ouverture par reconstruction Maxima de l’image ouverte Max. de l’im. orig. de plus forte val. d’extinct.
Image originale Ouverture par reconstruction Maxima de l’image ouverte Max. de l’im. orig. de plus forte val. d’extinct.
Figure 3.17: Influence de l’élément structurant sur les valeurs d’extinction associées aux
ouvertures par reconstruction : cas d’un segment de surface constante et de direction 30o
(en haut) puis 160o (en bas)
structurants (solution peu envisageable) ou bien considérer un élément structurant dé-

formable capable d’adapter sa forme à celle de chaque structure étudiée : ceci est réalisé
par l’ouverture surfacique.
3.3.3 Fonction d’extinction surfacique

L’ouverture surfacique numérique a été introduite récemment par L. Vincent [97] comme
une généralisation de l’ouverture surfacique binaire qui consiste à extraire d’une image
binaire les composantes connexes de surface supérieure à une valeur donnée : on définit
l’ouverture surfacique numérique en appliquant la transformation binaire à chaque com-
posante connexe des seuils successifs de f .
Définition 3.7 (Ouverture surfacique [97]) L’ouverture surfacique d’une image numérique
f de taille λ notée γλa (f ) est définie par :
γλa (f )(x) = sup{h ≤ f (x) | Surf (Cx (Xh+ (f ))) ≥ λ} (3.12)
Dans cette définition, Surf (X) désigne la surface de l’ensemble X (nb de pixels appar-
tenant à X).
L’ouverture surfacique peut être vue comme une transformation avec un élément struc-
turant plan qui adapte localement sa forme aux structures de l’image. L. Vincent montre
la relation liant cette ouverture aux ouvertures morphologiques classiques définies à partir
d’éléments structurants fixes : une ouverture surfacique de taille λ est égale à un supré-
mum des ouvertures morphologiques définies à partir d’éléments structurants connexes de
surface supérieure ou égale à λ [97].

_
γλa = {γB | B connexe et Surf (B) ≥ λ} (3.13)
Outre le fait de s’affranchir du choix de l’élément structurant, l’ouverture surfacique

présente l’intérêt, par rapport aux ouvertures morphologiques classiques, de conduire à
un algorithme de calcul efficace [97]. Le principe de cet algorithme est un processus
d’inondation de l’image similaire à celui utilisé dans l’algorithme de calcul de la ligne
de partage des eaux [2, 96]. Les algorithmes relevant de tels processus sont parmi les plus
rapides de la morphologie mathématique.
Nous appellerons valeurs d’extinction surfaciques les valeurs d’extinction associées aux
ouvertures et aux fermetures surfaciques. Elles seront notées E a . Ces valeurs correspon-
dent à la persistence des structures de l’image lorsqu’on applique des ouvertures ou des
fermetures surfaciques de taille croissante.
∀M ∈ Max(f ), E a(M) = sup{λ ≥ 0 | M ∩ Max(γλa (f )) 6= ∅} (3.14)
Contrairement aux valeurs d’extinction associées aux ouvertures morphologiques clas-
siques, les valeurs d’extinction surfaciques permettent d’extraire une caractérisation en
taille des structures de l’image sans qu’aucun critère de forme ne soit pris en compte : sur
l’exemple de la figure 3.18, les clefs, le crayon et la lame de rasoir ont de toute évidence
des surfaces équivalentes. Les valeurs d’extinction surfaciques qui leur sont associées sont
également du même ordre de grandeur.
M’
Surface = S
Ouverture surfacique de taille 1000 Maxima de l’image ouverte
Surface > S
E(M) = S
Ouverture surfacique de taille (S + 1)
Max. de l’im. orig. de val. d’extinct. sup. a 1000
Figure 3.18: Valeurs d’extinction surfaciques : principe et illustration sur l’exemple ”Tools”
La figure 3.19 donne un exemple d’utilisation de la fonction d’extinction surfacique

pour extraire d’une image les extrema significatifs en termes de taille. Le contraste et la
forme des régions ne sont pas pris en compte. A chaque grande région de l’image (la route,
le ciel, le bord de route enneigé et le mur) est associé un et un seul maximum de forte
valeur d’extinction surfacique. Ce résultat peut être comparé à celui obtenu précédemment
grâce à la dynamique (voir figure 3.12).
La figure 3.20 illustre la comparaison entre la dynamique et les valeurs d’extinction
surfaciques. On construit bien ainsi un équivalent spatial de la dynamique. A un maximum
de faible dynamique peut être associée une valeur d’extinction surfacique importante et
vice versa.
Image originale "Road" Maxima de l’image originale les 4 max. de plus forte val. d’extinct. surf. Ouverture surfacique equivalente
Figure 3.19: Utilisation de la fonction d’extinction surfacique pour extraire les extrema
les plus significatifs en termes de taille : on ne retient ici que les 4 maxima de plus forte
valeur d’extinction. L’image de gauche est le résultat de l’ouverture surfacique de taille
λ, où λ correspond à la plus faible valeur d’extinction des 4 maxima retenus. Seules les
régions claires qui persistent sur l’image filtrée sont marquées.
Ouvertures surfaciques de taille croissante

M’ Image originale M’ dynamique de M
M M
dyn(M) < dyn(M’)
surf(M) > surf(M’)

Maximum de l’image ouverte Valeur d’extinction surfacique de M
Plateau non-maximum de l’image ouverte
Figure 3.20: Comparaison entre la dynamique et la fonction d’extinction surfacique : ces

deux opérateurs agissent selon deux critères distincts, les hiérarchies entre les extrema de
l’image qui s’en déduisent diffèrent. Sur cet exemple : à un pic ponctuel de forte amplitude,
on associe une forte valeur de dynamique et une faible valeur d’extinction surfacique.
Tout comme la dynamique, la fonction d’extinction surfacique peut également être cal-
culée sur une image gradient (voir figure 3.21). Comme nous l’avons vu, le fait de travailler
sur une image gradient permet de traiter simultanément de manière non indépendante
les structures claires et sombres de l’image. Les valeurs d’extinction surfaciques calculées
sur l’image gradient sont également une mesure de la surface des régions de l’image : con-
trairement à la dynamique, dans le cas des valeurs d’extinction surfaciques, il n’y a pas de
différence d’interprétation entre la mesure calculée sur l’image originale et celle calculée
sur l’image gradient, même si ces mesures peuvent être différentes (voir figure 3.22).
En fait, il semble tout-à-fait pertinent de calculer la fonction d’extinction surfacique
sur une image gradient. En effet, la notion de taille d’une région est étroitement liée à
la notion de contour de la région, information que le calcul d’une image gradient permet
d’extraire (voir figure 3.22). La distribution en taille ainsi obtenue est d’autant plus fiable
que les contours des régions sont précisément définis (lignes de crêtes fermées, pas de
discontinuité locale sur l’image gradient). Lorsque ce n’est pas le cas, l’incertitude sur la
taille calculée est à la mesure de l’incertitude sur le contour de la région étudiée.
Image gradient Minima de l’image gradient les 4 minima de plus forte val. d’extinct. surf.
Figure 3.21: Exemple où la fonction d’extinction surfacique est calculée sur une image
gradient
Image originale
M’
M
Surf(M) Surf(M’)
Image gradient
Surf(M) Surf(M’)
M M’
Figure 3.22: Comparaison entre la fonction d’extinction surfacique calculée sur l’image
originale et la fonction d’extinction surfacique calculée sur l’image gradient. Contrairement
au cas de la dynamique, il n’y a pas ici de différence d’interprétation entre la mesure
calculée sur l’image originale et celle clculée sur l’image gradient, même si ces mesures
peuvent être différentes.
3.3.4 Arasement volumique et fonction d’extinction volumique

L’ouverture surfacique permet d’introduire un équivalent spatial de la notion de dy-
namique. Notre but ici est de concilier ces deux critères (taille et profondeur) de manière
à introduire une valuation caractéristique du volume des structures sur l’image.
Introduction d’une nouvelle transformation : l’Arasement volumique

Nous rappelons que Cx (X) extrait la composante connexe de X contenant x et que Xs+ (f )
désigne le seuil de f au niveau s : Xs+ (f ) = {x ∈ E | f (x) ≥ s}. Nous rappelons également
que le sous-graphe d’une fonction numérique f peut être vu comme une superposition de
ses seuils successifs : voir figure 3.23.
Figure 3.23: Une fonction numérique f peut être vue comme une superposition de ses
seuils successifs
Nous avons vu que les transformations δ ∞ (f, f − h) et γλa (f ) (qui sont à la base de la
dynamique et de la fonction d’extinction surfacique) sont définies par :
∀x ∈ E, δ ∞ (f, f − h)(x) = sup {s ≤ f (x) | ∃y ∈ Cx (Xs+ (f )), f (y) − s ≥ h}
∀x ∈ E, γλa (f )(x) = sup {s ≤ f (x) | Surf (Cx(Xs+ (f ))) ≥ λ}
f f
h-reconstruction ouverture surfacique de taille S
h
<h
<S
Figure 3.24: Principe des h-reconstructions et de l’ouverture surfacique : élimination des

dômes de hauteur ou de surface trop faible
δ ∞ (f, f − h) élimine les dômes de l’image (c’est-à-dire les structures claires de l’image)
de hauteur inférieure à h ; les autres sont arasés sur une hauteur h (donc partiellement
préservés). γλa (f ) élimine les dômes de l’image de surface inférieure à λ ; les autres sont
arasés (voir figure 3.24). Nous nous proposons ici de définir une transformation agissant
sur les dômes de l’image selon leur volume.
γλa (f ) peut être vue comme une ouverture par un élément structurant plan de surface
λ déformable. δ ∞ (f, f − h) peut être vue comme une érosion (suivie d’une reconstruction
géodésique) par un segment vertical de hauteur h centré en bas. Une manière de concilier
les critères de taille et de hauteur peut consister à considérer un élément structurant non
plan et non ponctuel.
On peut notamment considérer la composée γλa (δ ∞ (f, f − h)). Cette transformation
peut être vue comme une érosion (suivie d’une reconstruction géodésique) par un élément
structurant définit par un segment de hauteur h et une base déformable de surface λ (le
centre de l’élement structurant étant situé sur sa base). On vérifie aisément que :
γλa (δ ∞ (f, f − h)) = inf (γλa (f ), δ ∞ (f, f − h))
γλa (δ ∞ (f, f − h)) élimine donc les dômes de l’image de hauteur ou de surface trop petite.
Mais ce n’est pas exactement le volume des dômes qui est pris en compte. Un dôme de
volume V > h × λ peut très bien être éliminé par γλa (δ ∞ (f, f − h)) (voir figure 3.25).
h-reconstruction
f puis Comportement identique dans ces 2 configurations
ouverture surfacique de taille S
S
<h
<S V > h.S
E.S.
Figure 3.25: γλa (δ ∞ (f, f − h)) agit selon la surface et la hauteur des dômes mais non selon
leur volume.
Considérons maintenant une érosion par un élément structurant non plan quelconque
(voir figure 3.26). Si on effectue une reconstruction de f par cet érodé, alors, tous les
dômes de l’image ne contenant pas cet élément structurant non plan sont éliminés. Les
autres sont érodés. Nous définissons l’arasement volumique comme une érosion associée
à un élément structurant non plan de volume donné λ déformable capable d’adapter
localement sa forme aux structures de l’image.
Erosion par un E.S. non plan Erosion volumique (taille V)

f Reconstruction f E.S. deformable
Figure 3.26: érosion à partir d’un élément structurant à niveaux de gris déformable
Dans tout ce qui suit, V olxs (f ) désignera la quantié :

X
V olxs (f ) = (f (y) − s) (3.15)
y∈Cx (Xs+ (f ))
Définition 3.8 (Arasement volumique) Soit f une fonction numérique. L’arasement

volumique de taille λ de f notée avλ (f ) est défini par :
∀x ∈ E, avλ (f )(x) = sup{s ≤ f (x) | V olxs (f ) ≥ λ} (3.16)
avλ (f ) élimine les dômes de l’image (c’est-à-dire les structures claires de l’image) de
volume strictement inférieur à λ ; les autres sont arasés (voir figure 3.27).
On définit de manière duale une transformation agissant sur les structures sombres de
l’image :
X
∀x ∈ E, avλ (f )(x) = −avλ (−f ) = inf {s ≥ f (x) | (s − f (y)) ≥ λ} (3.17)
y∈Cx (Xs− (f ))
f
Arasement volumique (taille V) Le volume en discret
<V
f(y)-s
>= V s
y
Figure 3.27: Principe de l’arasement volumique : élimination des dômes de volume trop
faible
Propriétés de l’arasement volumique

• La transformation avλ n’est pas une érosion car elle ne commute pas avec l’inf : ∃(f, g) |
avλ (f ∧ g) 6= avλ (f ) ∧ avλ (g). Nous rappelons que δ ∞ (f, f − h) ne définit pas non plus une
érosion.
• avλ est de manière évidente

• connexe
• anti-extensive : avλ (f ) ≤ f et av0 = Id
• croissante : f ≤ g =⇒ avλ (f ) ≤ avλ (g)
• décroissante vis-à-vis de l’indice λ : ∀f, λ ≥ µ =⇒ avλ (f ) ≤ avµ (f )

Ces propriétés sont également vérifées par l’ouverture surfacique et par les h-reconstructions
; nous rappelons qu’elles correspondent aux conditions que nous avons imposées pour
définir la notion de fonction d’extinction.
• avλ n’est pas idempotente (comme l’ouverture surfacique) et avλ ◦ avµ ≤ avλ+µ mais on
n’a pas toujours l’égalité donc avλ ne satisfait pas une loi de composition additive (comme
les h-reconstructions) (voir figure 3.29).
g
f
INF V Pseudo-erosions volumiques de taille V

v v g
a λ (f) a λ (g)
f ^g
f
Pseudo-erosion volumique de taille V INF
v v v
a λ (f^ g) a λ (f)
^ a λ (g)
Figure 3.28: L’arasement volumique ne commute pas avec l’inf : ce n’est pas une érosion.
Sur cet exemple avλ (f ) ∧ avλ (g) 6= avλ (f ∧ g)
En conclusion, les propriétés de la la transformation avλ ne sont pas aussi riches que
celles des transformations morphologiques classiques utilisées pour le filtrage d’image.
Doit-on en déduire que cette transformation n’est pas intéressante ? Nous ne le pensons
pas. Notamment, le fait qu’elle soit connexe, croissante, anti-extensive et décroissante
vis-à-vis de l’indice λ permet d’utiliser la famille (avλ )λ≥0 pour l’étude des maxima de
l’image.
On peut également s’interroger sur le sens physique d’une telle transformation qui
mélange des grandeurs spatiales et des grandeurs relatives à la luminance. En effet, par
construction, le résultat d’une telle transformation est complètement modifié par anamor-
phose. En réalité, c’est en liant l’information spatiale et celle de luminance qu’il est possible
d’approcher la perception humaine : à contrastes égaux, l’oeil perçoit avec plus ou moins
d’intensité des objets de petite ou de grande taille. Nous verrons dans le chapitre suivant,
que sur le principe du volume, d’autres critères peuvent être introduits pour mélanger ces
informations : rapport contraste sur surface par exemple.
Valeurs d’extinction volumiques

Comme (avλ )λ≥0 est une famille décroissante de transformations connexes anti-extensives,
on peut lui associer une fonction d’extinction que nous appellerons fonction d’extinction
volumique et qui associe à tout maximum M d’une image f une valeur d’extinction volu-
mique définie par :
∀M ∈ Max(f ), E v (M) = sup{λ ≥ 0 | ∀µ ≤ λ, M ∩ Max(avµ (f )) 6= ∅} (3.18)
La figure 3.30 illustre l’intérêt de la notion de valeur d’extinction volumique pour

distinguer des objets ayant des dynamiques et des valeurs d’extinction surfaciques égales
(voir figure 3.30).
On peut également remarquer que, si f ne contient que des structures de même taille,
alors la hiérarchie engendrée par la fonction d’extinction volumique est identique à celle
Pseudo-erosion volumique de taille 2
Pseudo-erosion volumique de taille 7 Pseudo-erosion volumique de taille 5
Figure 3.29: avλ ◦avµ ≤ avλ+µ mais on n’a pas toujours l’égalité : sur cet exemple notamment.
engendrée par la dynamique. De même, si toutes les structures de l’image sont de même
hauteur, la hiérarchie engendrée est identique à celle que l’on obtiendrait à partir de la
fonction d’extinction surfacique.
Les figures 3.31 et 3.32 illustrent le principe et le comportement de la fonction d’extinction

volumique. Par un simple seuillage des maxima valués avec leur valeur d’extinction volu-
mique, il est possible d’extraire des marqueurs des régions les plus significatives de l’image
en termes de volume. On retient : les régions très fortement contrastées même si elles sont
de petite taille (l’écrou sur l’image ”Tools” de la figure 3.31), les régions de très grande
taille même si elles sont faiblement contrastées (la grande clef) ainsi que les régions ayant
un contraste moyen et une taille moyenne. Sur l’exemple 3.32, le résultat obtenu est sim-
ilaire à celui que l’on obtenait dans le cas des valeurs d’extinction surfaciques : on extrait
un marqueur pour la route, le mur, le bord de route enneigé et le ciel.
M M’
S
ARASEMENTS VOLUMIQUES DE TAILLE CROISSANTE
M M’ M M’ M M’
Vol(M’) < Vol(M)
Figure 3.30: Les valeurs d’extinction volumiques permettent de distinguer des régions
ayant des caractéristiques en taille et en contraste identiques
La fonction d’extinction volumique peut également être calculée sur une image gradient
(voir figure 3.33). Comme dans le cas de la dynamique, l’information extraite dans ce cas
n’est pas la même que celle que l’on extrait en calculant la fonction d’extinction volumique
sur l’image originale. Ici, c’est la taille et la force des contours des régions qui sont pris
en compte et non pas la taille et le contraste des régions (voir figure 3.34). Par rapport à
la fonction d’extinction surfacique calculée sur l’image gradient, la fonction d’extinction
volumique présente l’avantage de prendre en compte la qualité des contours des régions
en plus de leur taille.
3.4. Définition symétrique à l’aide des transformations alternées séquentielles 71
M’
seuil s
Pseudo-erosion volumique de taille 60000 Maxima de l’image "erodee"
Volume > V Volume = V
E(M’) = V
Arasement volumique de taille (V + 1)
Max. de l’im. orig. de val. d’extinct. vol. sup. a 60000
Figure 3.31: Valeurs d’extinction volumiques : principe et illustration sur l’exemple

”Tools”
3.4 Définition symétrique à l’aide des transforma-

tions alternées séquentielles
Nous avons jusqu’ici introduit la notion de valeur d’extinction d’un extremum d’une image
numérique en considérant des transformations soit anti-extentives soit extensives, c’est-
à-dire agissant soit sur les maxima (les régions claires) soit sur les minima (les régions
sombres) de l’image. Or, la plupart des images réelles se composent de régions sombres et
claires juxtaposées ou emboitées et pour bon nombre d’applications, il peut être nécessaire
de traiter celles-ci de manière non indépendante.
Prenons l’exemple de la dynamique. Le calcul de la dynamique des maxima et des
minima d’une image est lié à deux familles distinctes de filtres de contraste agissant soit
sur les maxima soit sur les minima de l’image. A chaque fois, les minima et les maxima
sont traités séparément et indépendamment les uns des autres. De ce fait, considérer
l’ensemble des extrema de l’image valués par leur dynamique ne correspond pas à une
analyse réellement symétrique des régions sombres et claires de l’image.
Une solution peut consister à calculer les fonctions d’extinction associées aux minima
de l’image gradient. Nous avons vu que cette solution semble tout-à-fait correcte dans
le cas des valeurs d’extinction surfaciques mais qu’elle ne convient pas dans le cas de la
dynamique. En effet, en étudiant une image gradient à la place de l’image originale, on
perd énormément d’information et notamment celle liée au contraste des régions (il y a
modification totale des niveaux d’intensité).
Notre but ici est d’introduire une définition réellement symétrique de la fonction
d’extinction (c’est-à-dire applicable à l’image originale) de telle sorte que tous les ex-
Image originale "Road" Maxima de l’image originale les 4 max. de plus forte val. d’extinct. vol. Arasement volum. de taille equivalente
Figure 3.32: Utilisation de la fonction d’extinction volumique pour extraire les extrema
les plus significatifs en termes de volume. On ne retient ici que les 4 maxima de plus forte
valeur d’extinction volumique. L’image de gauche est le résultat de l’arasement volumique
de paramètre λ, où λ correspond à la plus faible valeur d’extinction des 4 maxima retenus.
Seules les régions claires qui persistent sur l’image filtrée sont marquées.
Image gradient Minima de l’image gradient les 4 minima de plus forte val. d’extinct. vol.
Figure 3.33: Exemple où la fonction d’extinction volumique est calculée sur une image
gradient
trema de l’image soient traités simultanément et surtout de manière non indépendante.
3.4.1 Les transformations alternées séquentielles

Dans ce paragraphe, (ψλ )λ désignera une famille de transformations anti-extensives. On
notera ψ λ la transformation duale de ψλ définie par :
∀λ ≥ 0, ∀f, ψλ (f ) = −ψλ (−f )
On supposera de plus que ψλ est décroissant vis-à-vis de l’indice λ et que ψ0 = Id. On

a alors :
ψλ < ψλ−1 < .... < ψ1 < Id < ψ 1 < ... < ψ λ−1 < ψ λ
L’algorithme classiquement utilisé pour passer d’une transformation non symétrique

ψλ à une transformation symétrique consiste à appliquer alternativement la transforma-
tion ψλ et la transformation duale sur l’image. La transformation résultante porte le nom
de transformation alternée séquentielle [29].
Image originale
M M’
Vol(M) = Vol(M’)
Image gradient
M M’
Vol(M) < Vol(M’)
Figure 3.34: Comparaison entre la fonction d’extinction volumique calculée sur l’image
originale et la fonction d’extinction volumique calculée sur l’image gradient : lorsqu’elle
est calculée sur l’image gradient, la fonction d’extinction volumique est caractéristique de
la taille et de la force des contours des régions de l’image.
Ouverture de taille 2 Ouverture puis fermeture de taille 2
Ouverture puis fermeture de taille 1 F.A.S. de taille 2
Figure 3.35: Comparaison entre le filtre alterné séquentiel de taille 2 (ϕ2 ◦ γ2 ◦ ϕ1 ◦ γ1 ) et

une ouverture fermeture de taille 2 (ϕ2 ◦ γ2 )
Si ψλ est idempotente, le filtre alterné séquentiel associé est défini par (voir figure 3.35) :
ψλAS = (ψ λ ◦ ψλ ) ◦ (ψλ−1 ◦ ψλ−1 ) ◦ ... ◦ (ψ 1 ◦ ψ1 ) = (ψ λ ◦ ψλ ) ◦ ψλ−1
AS
(3.19)
ou bien :
ψλAS = (ψλ ◦ ψ λ ) ◦ (ψλ−1 ◦ ψλ−1 ) ◦ ... ◦ (ψ1 ◦ ψ 1 ) = (ψλ ◦ ψ λ ) ◦ ψλ−1
AS
(3.20)
Dans le cas où ψλ n’est pas idempotente, on considère la transformation (voir fig-
ure 3.36) :
ψλAS = (ψ 1 ◦ ψ1 ) ◦ (ψ 1 ◦ ψ1 ) ◦ ... ◦ (ψ 1 ◦ ψ1 ) = (ψ 1 ◦ ψ1 ) ◦ ψλ−1
AS
(3.21)
| {z }
λ fois
h
h
h
h
(f-1) / Reconst. puis (f+1) / Reconst. ... puis (f-1) / Reconst. puis (f+1) / Reconst.
Figure 3.36: h-reconstructions (décalage positif puis négatif) appliquées alternativement

sur les structures claires et sombres de l’image
ou bien :
ψλAS = (ψ1 ◦ ψ 1 ) ◦ (ψ1 ◦ ψ 1 ) ◦ ... ◦ (ψ1 ◦ ψ 1 ) = (ψ1 ◦ ψ 1 ) ◦ ψλ−1

AS
(3.22)
| {z }
λ fois
Les filtres alternés séquentiels ont fait l’objet d’études approfondies [82, 29] et sont
aujourd’hui très utilisées. Ces transformations ne sont ni auto-duales, ni idempotentes
: elles sont à la limite auto-duales lorsque les valeurs λ sont continues et que la valeur
initale de λ tend vers zéro. On choisit l’une ou l’autre des deux définitions 3.19 ou 3.20 (ou
bien 3.21 ou 3.22) selon que l’on désire privilégier les structures claires ou les structures
sombres de l’image. Ce choix est laissé à l’utilisateur et doit être redéfini pour chaque
problème traité. Enfin, ces transformations ne sont ni extensives, ni anti-extensives, c’est-
à-dire que les fonctions f et ΨAS AS AS
λ (f ) ne sont pas comparables (Ψλ ne vérifie ni Ψλ (f ) ≥ f
AS
ni Ψλ (f ) ≤ f ).
Une propriété importante des transformations alternées est la suivante : si ψ est un

filtre par reconstruction, alors ψψ est un filtre fort, c’est-à-dire qu’il présente de bonnes
propriétés de stabilité et de robustesse vis-à-vis du bruit d’origine aléatoire. Cette pro-
priété n’est généralement pas vérifiée lorsque ψ n’est pas un filtre par reconstruction.
Les transformations alternées séquentielles ont un comportement symétrique vis-à-vis

des structures claires et sombres de l’image qui sont traitées de façon inter-dépendantes.
En pratique, il y a peu de différence entre ψλAS et (ψ λ ◦ ψλ ) ou (ψλ ◦ ψ λ ), excepté dans des
configurations particulières telles que celles de structures emboitées. Or, sur des images
complexes, ces configurations sont courantes (voir figure 3.37).
image originale ouverture par rec. de taille 10 fermeture par rec. de taille 10 F.A.S. par rec. de taille 10
extrema de l’image originale extrema de l’image ouverte extrema de l’image fermee extrema du F.A.S.
Figure 3.37: Effet d’un Filtre Alterné Séquentiel par reconstruction sur les extrema d’une
image numérique
3.4.2 Valeurs d’extinction symétriques des extrema d’une image

numérique
Nous avons défini jusqu’ici la notion de valeur d’extinction en considérant des familles
de transformations par reconstruction extensives ou anti-extensives. Ces transformations
agissent sur les images numériques, nous l’avons vu, en propageant leurs minima ou leurs
maxima. Les transformations alternées séquentielles par reconstruction qui leur sont as-
sociées agissent sur les images numériques en propageant leurs extrema (voir figure 3.37).
Définition 3.9 (Valeur d’extinction symétrique d’un extremum) Soit M un ex-

tremum régional d’une fonction numérique f et Ψ = (ψλ )λ≥0 une famille de transfor-
mations par reconstruction (extensives ou bien anti-extensives). La valeur d’extinction
symétrique de M par rapport à Ψ notée EΨsym (M) est la taille maximale λ de la T.A.S.
(ψλAS = (ψ λ ◦ ψλ ) ◦ ψλ−1
AS
) qu’il est possible de calculer sans éliminer M :
∀M ∈ Extr(f ),
( " )
sym M ∈ Max(ψµAS (f )) si M ∈ Max(f ) (3.23)
EΨ (M) = sup λ ≥ 0 | ∀µ ≤ λ,
M ∈ Min(ψµAS (f )) si M ∈ Min(f )
Dans cette définition, Extr(f ) désigne l’ensemble de extrema régionaux de f .

D’une manière gènérale, comme la classe des opérateurs connexes est stable pour la
composition, la notion de valeur d’extinction peut être définie à partir de toute famille
(homogène ou non) construite par composition d’opérateurs connexes...
Les figures 3.38 et 3.39 illustrent la comparaison entre la fonction d’extinction associée
aux h-reconstructions (c’est-à-dire la dynamique) et celle associée aux h-reconstructions al-
ternées séquentielles (que nous appelons la dynamique symétrique). Sur l’exemple ”Tools”,
les résultats obtenus dans les cas de la dynamique et de la dynamique symétrique diffèrent
pour tous les outils troués : dans de telles configurations en effet, les structures sombres
et claires de l’image sont traitées de manière non indépendante par les transformations
alternées séquentielles. De ce fait, sur cet exemple, la dynamique symétrique d’un trou
est plus faible que sa dynamique.
Par définition, à chaque extremum de l’image filtrée par la transformation alternée

séquentielle de taille h correspond un et un seul extremum de l’image originale de dy-
namique symétrique supérieure à h. Et on a :
∀M ∈ Extr(f ), dynsym(M) ≤ dyn(M)
La différence entre la dynamique et la dynamique symétrique est de l’ordre de la dif-

férence entre une transformation alternée (ǫ∞ (f, f +h)◦δ ∞ (f, f −h)) et une transformation
alternée séquentielle (ǫ∞ (f, f + h) ◦ δ ∞ (f, f − h) ◦ ... ◦ ǫ∞ (f, f + 1) ◦ δ ∞ (f, f − 1)).
maxima
M’
M
minima Image originale h-reconstr. alt. seq. de taille 15
h
M’
dyn(N) > h
h N
sym sym
dyn (M) = dyn (N) = h
Extrema de dyn. sym. sup. a 15 Extrema de l’image filtree
Figure 3.38: Dynamique symétrique : principe et illustration sur l’exemple “Road”

Image originale h-reconstr. alt. seq. de taille 40 Extrema de l’image filtree
Extrema de dyn. sym. sup. a 40 (16 extr.) Extrema de dyn. sup. a 40 (24 extr.)
Figure 3.39: Comparaison entre la dynamique et la dynamique symétrique sur l’exemple

de l’image ”Tools” : ces opérateurs diffèrent dans le cas de structures emboı̂tées (les clés,
les écrous...).
3.5 Utilisation des fonctions d’extinction pour le fil-

trage d’image
Nous avons introduit la notion de valeur d’extinction comme un outil permettant de
valuer les extrema d’une image numérique selon un critère prédéfini : le contraste, la
taille, la forme, le volume... Prenons l’exemple des valeurs d’extinction surfaciques : à
chaque structure ou région de l’image de taille supérieure ou égale à λ est associé un
unique extremum de l’image de valeur d’extinction surfacique supérieure ou égale à λ.
Dès lors une application immédiate est le filtrage d’image : comment, à partir de cette
donnée, éliminer de l’image les structures non significatives et préserver intégralement
les structures d’intérêt ? La reconstruction géodésique est pour ce type de problème une
solution intéressante.
3.5.1 Principe
Supposons que l’on s’intéresse uniquement aux structures claires de l’image, et que l’on
dispose d’un ensemble de marqueurs quelconques (connexes ou non) Marq = (Mi )i∈I
pointant sur les structures d’intérêt dans l’image. Pour reconstruire uniquement les struc-
tures marquées dans Marq, on effectue une reconstruction géodésique à partir de l’ensemble
e ces marqueurs [21] :
(
∞ +∞ si x ∈ Marq
δ (f, f ∧ fMarq ) avec : ∀x ∈ E, fMarq (x) =
−∞ sinon
3.5. Utilisation des fonctions d’extinction pour le filtrage d’image 79
Nous notons, pour simplifier, +∞ (respectivement −∞) la valeur maximale (respective-

ment minimale) prise par f .
δ ∞ (f, f ∧ fMarq ) reconstruit uniquement les structures claires de f marquées dans
Marq ; les autres sont éliminées (voir figure 3.40).
Figure 3.40: Principe de la reconstruction numérique : dilatation géodésique de marqueurs

(en noir) sous une fonction. Le résultat est en gris.
Si l’on s’intéresse aux structures sombres de l’image, on fait alors intervenir le processus
dual, c’est-à-dire une reconstruction géodésique par érosion.
Pour qu’une région claire (resp. sombre) marquée soit entièrement reconstruite il faut
et il suffit que le marqueur coı̈ncide avec le maximum régional le plus haut (resp. minimum
le plus bas) inclus dans la région.
La reconstruction numérique à partir de marqueurs est utilisée depuis longtemps déjà
pour filtrer des images. Elle a d’ailleurs déjà été mise à profit par M. Grimaud dans le
cas de la dynamique et a donné naissance au filtre en dynamique [21]. Le point délicat de
tels algorithmes ne réside pas dans le principe de reconstruction mais dans l’obtention de
marqueurs des structures devant être reconstruites dans l’image. C’est à ce niveau que les
outils que nous avons présentés dans ce chapitre offrent de nouvelles perspectives.
3.5.2 Les “filtres” d’extinction

Les fonctions d’extinction que nous venons de définir associent à chaque extremum d’une
image une caractéristique de la structure qu’il marque dans l’image : le contraste, la taille,
la forme, le volume, la régularité et la force du contour...
Pour un critère fixé, la fonction d’extinction permet d’extraire des marqueurs des
régions les plus significatives de l’image (au sens du critère choisi) : il suffit de sélectionner
par un simple seuillage les extrema de l’image ayant une valeur d’extinction suffisamment
grande. Si l’on s’intéresse aux structures claires de l’image, le “filtre” d’extinction prend
la forme suivante :
RE,+ ∞
s (f ) = δ (f, f ∧ fMarq ) avec : Marq = Maxs = {M ∈ Max(f ) | E(M) ≥ s}
où E(M) désigne la valeur d’extinction de M (par rapport à une famille (ψλ )λ≥0 donnée)
calculée sur l’image f .
M’
M
M"
dyn(M’)
dyn(M")
surf(M’)
surf(M")
dyn(M)
surf(M)
Extrema de forte dynamique Extrema de forte valeur d’extinction surfacique

FILTRAGE EN DYNAMIQUE M’ M’
FILTRAGE EN TAILLE
M M" M
M"
Figure 3.41: Principe des “filtres” d’extinction : les régions marquées par des extrema de
forte valeur d’extinction sont intégralement préservées, les autres sont éliminées.
On dispose évidemment de l’opérateur dual pour agir sur les structures sombres de
l’image : RE,− E,+
s (f ) = −Rs (−f )
Comme les marqueurs considérés correspondent toujours à des extrema régionaux de
l’image, on est sûr que les structures intéressantes sont intégralement reconstruites. La
figure 3.41 illustre ce principe de filtrage dans le cas de la dynamique et des valeurs
d’extinction surfaciques.
3.5.3 Propriétés
• RE,+
s est, par construction, une transformation anti-extensive, idempotente et décrois-
sante vis-à-vis de l’indice s :
∀f, RE,+
s (f ) ≤ f
∀f, s1 ≤ s2 ⇒ RE,+ E,+ E,+ E,+ E,+

s1 (f ) ≥ Rs2 (f ) et ∀s ≥ 0, Rs (Rs (f )) = Rs (f )
• Ces transformations sont, par construction, connexes.
• L’ensemble des maxima de RE,+ s (f ) est un sous-ensemble de l’ensemble des maxima

de f . Dans le cas de la dynamique et des valeurs d’extinction surfaciques, calculer
la valeur d’extinction d’un maximum M de RE,+ E,+
s (f ) sur Rs (f ) ou sur f conduit
au même résultat (voir figure 3.42). Par contre, ceci n’est pas vrai dans le cas des
valeurs d’extinction volumiques.
• Ces transformations ne sont pas croissantes : elles ne définissent donc pas des filtres
morphologiques (voir figure 3.43).
M’
M
M"
surf(M’)
surf(M")
surf(M)
Extrema de forte valeur d’extinction surfacique

M’ M’
FILTRAGE EN TAILLE
M M
M" M"
surf(M’)
surf(M)
Figure 3.42: La valeur d’extinction surfacique d’un maximum M n’est pas modifiée
lorsqu’on élimine les maxima de moins grande surface que M. Ici, après reconstruction,
la région marquée par M ′′ est éliminée. Les valeurs d’extinction surfaciques associées à
M et M ′ (calculées sur l’image filtrée) restent inchangées.
• Ces transformations vérifient des lois d’absorption de type granulométrique :
∀λ ≥ 0, ∀µ ≥ 0, RE,+
λ ◦ RE,+
µ = RE,+
max(λ,µ)
En effet, lorsqu’on effectue deux reconstructions géodésiques successives à partir de

deux ensembles de marqueurs, c’est l’ensemble de marqueurs le plus restreint qui
commande le résultat.
Cependant, elles ne correspondent pas à des transformations granulométriques puisqu’elles

ne sont pas croissantes.
3.5.4 Exemples
Nous nous proposons de comparer les filtres d’extinction dans le cas de la dynamique et
des valeurs d’extinction surfaciques et volumiques lorsque celles-ci sont calculées soit sur
l’image originale, soit sur l’image gradient. L’image ”Tools” nous servira d’illustration
(voir figure 3.44).
M’ M’
f f
M
M" g M"
surf(M’)
surf(M") surf(M")
surf(M)
surf(M’)
seuil = surf(M) f seuil = surf(M’)

M’ M’
Filtre d’extinction g
M
M" Filtre d’extinction M"
Figure 3.43: Non croissance des filtres d’extinction. Sur cet exemple, on calcule un filtre
d’extinction surfacique. On a f ≥ g mais RE,+ E,+
s (f ) et Rs (g) ne sont pas comparables.
Figure 3.44: Image ”Tools” et son gradient (gradient morphologique de taille 1)
• La figure 3.45 donne un premier exemple du filtrage obtenu lorsque les marqueurs
considérés sont les maxima les plus significatifs de l’image en termes de contraste, de taille
et de volume. Dans un premier temps, les valeurs d’extinction des maxima régionaux de
l’image originale sont calculées. Les marqueurs sont obtenus en sélectionnant les maxima
de plus forte valeur d’extinction. Le filtre d’extinction consiste enfin en une reconstruction
géodésique de l’image à partir des marqueurs obtenus. Dans le cas des valeurs d’extinction
surfaciques par exemple, les seuls outils préservés par le filtrage sont les outils de grande
surface.
Nous comparons ce résultat à celui obtenu en appliquant le filtre équivalent : nous
avons vu que si les valeurs d’extinction sont définies à partir de la famille de transfor-
mations (ψλ )λ≥0 alors, les maxima de valeur d’extinction supérieure ou égale à un seuil s
donné marquent des structures de l’image qui persistent lorsqu’on applique ψs à l’image.
Ainsi, le filtre d’extinction surfacique de seuil 1000 est comparé à une ouverture sur-
facique de taille 1000. On remarque que les images issues des deux filtrages sont com-
parables : les mêmes structures sont éliminées, les mêmes structures sont préservées.
Cependant, les structures d’intérêt sont intégralement préservées par le filtre d’extinction
alors qu’elles sont arasées en hauteur par le filtre ψs . Ceci est particulièrement visible sur
nos exemple si l’on compare le filtre d’extinction surfacique de seuil 1000 et l’ouverture
surfacique de taille 1000. Une des clés (celle située dans le coin bas à gauche) a presque
entièrement été éliminée par l’ouverture (l’élimination n’est pas encore totale cependant :
voir figure 3.18)) ; elle est intégralement reconstruite par le filtre d’extinction.
E ,+
D’une manière générale, si Rs ψ désigne le filtre d’extinction et si ψλ est la transfor-
mation associée aux valeurs d’extinction étudiées, alors on a :
REs ψ ,+ (f ) ≥ ψs (f )
Max. de dyn. sup. a 40 (17 marqueurs) Reconstruction des structures marquees h-reconstruction avec h = 40
Max. de val. d’ext. surf. sup. a 1000 Reconstruction des structures marquees Ouverture surfacique de taille 1000
Max. de vol. sup. a 60000 (17 marq.) Reconstruction des structures marquees Arasement volumique de taille 60000
Figure 3.45: Exemple d’utilisation des valeurs d’extinction pour le filtrage d’image. En
haut, les marqueurs correspondent aux maxima de forte dynamique. Au centre, les mar-
queurs correspondent aux maxima de forte valeur d’extinction surfacique. En bas, les mar-
queurs correspondent aux maxima de forte valeur d’extinction volumique. On compare les
résultats à ce que l’on obtiendrait à partir des filtres équivalents : par une h-reconstruction,
par une ouverture surfacique et par un arasement volumique.
• Le même traitement peut être appliqué aux structures sombres de l’image. Nous don-
nons figure 3.46 le résultat obtenu dans le cas de la dynamique. Après avoir reconstruit les
structures blanches de fort contraste (marquées par des maxima de dynamique supérieure
ou égale à 40), on reconstruit, sur l’image résultat, les structures sombres de fort contraste
à partir des minima de l’image originale de dynamique supérieure ou égale au même seuil
s = 40.
Le résultat est comparé à ce que l’on obtiendrait en effectuant sur l’image originale des
h-reconstructions alternée séquentielle (pour une même taille h = 40). La différence entre
ces deux filtrages est notable : sur l’image filtrée déduite de la dynamique les objets troués
sont intégralement reconstruits (objet plus trou) ; Par contre, ces trous ont été fermés par
les h-reconstructions alternées séquentielles. La dynamique considère les structures claires
et sombres de manière indépendante alors que celles-ci inter-agissent lorsqu’on calcule la

transformation alternée séquentielle. De ce fait, lorsque les structures sont emboitées les
résultats diffèrent : c’est le cas notamment pour la lame de rasoir, les clefs et les écrous qui
sont troués. Mais nous avons justement introduit la dynamique symétrique pour résoudre
ce type de problème...
Extr. de dyn. sup. a 40 Reconstruction des structures claires Reconstruction des structures sombres h-rec. alt. seq. (40 iterations)
Figure 3.46: Filtrage des structures claires et sombres de l’image de faible contraste en
utilisant la dynamique des extrema de l’image - Comparaison avec le résultat obtenu à
partir d’un filtre de contraste symétrique
Si l’on applique le même processus de filtrage en considérant la dynamique symétrique

(on extrait les extrema de l’image de dynamique symétrique supérieure à 40 puis on
effectue deux reconstructions successives sur les blancs puis sur les noirs), alors, le résultat
obtenu est comparable à celui déduit des h-reconstructions alternées séquentielles (voir
figure 3.47). Sur cet exemple, les “trous” dans les outils et les outils eux mêmes ont
des dynamiques identiques mais des dynamiques symétriques différentes. C’est pour cette
raison, que dans le cas de la dynamique symétrique, les trous des outils ne sont pas
reconstruits.
Extr. de dyn. sym. sup. a 40 Reconstr. des struct. claires et sombres h-rec. alt. seq. (40 iterations)
Figure 3.47: Filtrage des structures claires et sombres de l’image de faible contraste en
utilisant la dynamique symétrique des extrema de l’image
• Reprenons l’exemple de la figure 3.45 où le critère de filtrage est la taille des structures.
Pour filtrer les structures claires et sombres de l’image de taille inférieure à une valeur s
donnée, plusieurs solutions sont possibles :
• calculer les fonctions d’extinction surfaciques des extrema de l’image originale et

seuiller le résultat au niveau s.
• calculer la fonction d’extinction surfacique symétrique des extrema de l’image orig-

inale et seuiller le résultat au niveau s.
• calculer la fonction d’extinction surfacique des minima de l’image gradient et seuiller

le résultat au niveau s.
La dernière solution est de toute évidence la plus simple. En effet, nous avons déjà vu
que les valeurs d’extinction surfaciques, qu’elles soient calculées sur l’image originale ou
sur l’image gradient, correspondent toujours à une mesure de la taille des structures. Le
calcul sur l’image gradient présente en outre l’intérêt de considérer simultanément et de
manière inter-dépendante les structures claires et sombres de l’image (voir figure 3.48).
La dynamique des minima du gradient peut également être utilisée pour filtrer les
structures de l’image originale. Dans ce cas, le critère de filtrage n’est pas le contraste
mais la force et la régularité des contours des structures (voir figure 3.49).
Enfin, les valeurs d’extinction volumiques calculées sur l’image gradient permettent
d’éliminer les régions de l’image de faible taille ou bien ayant des contours mal définis
(voir figure 3.50).
Minima du gradient de
Reconstruction des structures marquees
val. d’extinct. surf. sup. a 1000
Figure 3.48: Filtrage des structures claires et sombres de l’image de faible taille en utilisant
les valeurs d’extinction surfaciques des minima de l’image gradient
Les 13 minima du gradient de

plus forte dynamique
Figure 3.49: Filtrage des structures claires et sombres de l’image aux contours mal définis
en utilisant la dynamique des minima de l’image gradient
Les 13 minima du gradient de

plus forte val. d’extinct. volumique
Figure 3.50: Filtrage des structures claires et sombres de l’image en utilisant les valeurs
d’extinction volumiques des minima de l’image gradient
3.6 Récapitulation et discussion

Dans cette partie, nous avons proposé une méthode générale permettant de valuer les ex-
trema d’une fonction numérique selon une caractéristique des structures qu’ils marquent.
Les valeurs d’extinction correspondent à une mesure de la persistence des structures de
l’image quand on applique des transformations de plus en plus sélectives. Nous avons
insisté sur les valeurs d’extinction surfaciques et volumiques qui apparaissent comme des
compléments pertinents de la notion de dynamique déjà connue (voir figure 3.51).
Filtrage de référence Fonct. d’extinct. associée Caractéristiques considérées

h-reconstructions Dynamique image originale : contraste
(δ ∞ (f, f − h))h≥0 maxima (ou minima) gradient : qualité du contour
h-reconstructions Dynamique Symétrique image originale :
Alternées Séquentielles maxima et minima contraste
Ouvertures Surfaciques Fonct. d’extinct. Surfacique image originale ou gradient :
(γλa )λ≥0 maxima (ou minima) surface
Ouvertures par Reconstruction — image originale ou gradient :
Elément Struct. B (γλB )λ≥0 maxima (ou minima) surface et forme
Arasement Volumique Fonct. d’extinct. Volumique image originale : volume
(avλ )λ≥0 maxima (ou minima) grad. : surf. et qualité cont.
Figure 3.51: Les fonctions d’extinction : tableau récaputalif des opérateurs présentés
Un des atouts majeurs de la dynamique est qu’il existe un algorithme rapide pour son
calcul. Cette question n’a pas encore été abordée pour les nouveaux outils que nous venons
d’introduire.
3.6. Récapitulation et discussion 89
Remarquons simplement que le calcul des fonctions d’extinction ne peut être effectué
par une application directe de la définition que nous avons donnée : en effet, il faudrait
alors calculer les transformées ψλ (f ) (ou ψλAS (f ) dans le cas symétrique) pour des valeurs
croissantes de λ et ceci tant que ψλ (f ) n’est pas une fonction constante ; il faudrait égale-
ment pour chaque valeur de λ extraire les maxima et/ou minima régionaux de ψλ (f ) et
les comparer à ceux de ψλ−1 (f ). Tout ceci n’est en réalité pas envisageable ! Ce type
d’algorithme est en effet très couteux en temps de calcul sur des processeurs non spécial-
isés.
La question du calcul efficace des fonctions d’extinction apparaı̂t alors inévitable pour
que ces outils puissent êtres utilisables.
Chapitre 4
Calcul efficace des fonctions

d’extinction
Les transformations les plus évoluées de la morphologie mathématique sont, pour la plu-
part, définies comme des combinaisons de plus en plus complexes de transformées élé-
mentaires. Ainsi, la ligne de partage des eaux a originellement été introduite comme une
extension du SKIZ binaire aux fonctions numériques, le SKIZ étant lui-même défini à
partir de l’épaississement, résultat de la combinaison de deux dilatations élémentaires. La
définition de ces transformations pose alors le problème de celui de leur programmation
algorithmique : en effet, la combinaison de transformations élémentaires est généralement
coûteux en temps de calcul et nécessite des processeurs spécialisés. Ce fut le cas pour la
ligne de partage des eaux dont le calcul nécessitait initialement un très grand nombre
de parcours de l’image et était très long sur les machines non câblées. Les travaux de
L. Vincent [96, 98] et de F. Meyer [57] aboutirent à un algorithme original et très efficace
qui constitue aujourd’hui un des grands atouts de cette transformation. Dans le même
temps, la définition algorithmique de la ligne de partage des eaux introduisait une nouvelle
manière de considérer cette transformation et enrichissait par là-même ce concept.
La notion de fonction d’extinction ne déroge pas à cette règle. Définie à partir de
familles de transformations morphologiques élémentaires, le problème de son calcul ef-
ficace se pose immédiatement. Une partie de notre travail a donc consisté à établir un
algorithme efficace pour le calcul des valeurs d’extinction. C’est de ce sujet que traite le
présent chapitre. De la même façon que pour la ligne de partage des eaux, l’aspect algo-
rithmique de la notion de fonction d’extinction conduit à une nouvelle interprétation de
cette transformée et permet d’établir un lien avec des techniques d’analyse d’image par
arbres hiérarchiques de représentation, ce que l’on appelle parfois l’analyse dendronique.
4.1 Introduction
Nous avons vu que les fonctions d’extinction sont des opérateurs définis à partir de
familles d’opérateurs connexes. Or, les opérateurs connexes n’agissent sur les images
numériques qu’en propageant les plateaux de l’image. Une manière efficace de program-
mer les opérateurs connexes consiste donc à effectuer une propagation de ces plateaux.
91
92 Chapitre 4. Calcul efficace des fonctions d’extinction
Ce type d’algorithme a déjà été utilisé pour le calcul de la dynamique [21] ou encore
des ouvertures surfaciques [97] et est à la base d’algorithmes de segmentation pyramidale
performants [14].
Les algorithmes par propagation utilisent généralement des files d’attente hiérarchiques
pour stocker les pixels à propager. Ces files d’attente (First In First Out) sont aujourd’hui
bien connues ; nous nous dispenserons donc d’en refaire une présentation complète. Pour
plus de détails sur ce point, on pourra consulter les ouvrages de la liste non exhaustive
suivante : [57, 96, 21, 19, 14].
Nous allons voir que, dans le cas non symétrique, le calcul des valeurs d’extinction
surfaciques et volumiques fait appel à un processus similaire à celui utilisé pour le calcul
de la dynamique. Le cas symétrique fait, par contre, appel à un processus plus complexe.
4.2 Algorithme de calcul des fonctions d’extinction

4.2.1 Cas non symétrique : calcul par inondation du relief
Nous allons voir que, dans le cas non symétrique, on peut utiliser un processus d’inondation
similaire à celui utilisé pour le calcul de la ligne de partage des eaux [96, 57] et de la dy-
namique [21]. Ces algorithmes sont généralement décrits à partir des minima de l’image.
Nous n’allons pas trahir cette tradition. Nous décrirons donc les algorithmes pour le cal-
cul des valeurs d’extinction des minima de l’image. Le même processus appliqué à l’image
inversée permet d’obtenir les valeurs associées aux maxima de l’image.
On utilise généralement pour décrire les processus d’inondation une description par-
ticulière de l’image vue comme un relief topographique où les structures claires sont les
pics du relief et les structures sombres correspondent aux vallées du relief.
On suppose le relief troué à l’endroit des minima et on le plonge dans une étendue
d’eau supposée infinie. L’eau va progressivement inonder le relief en pénétrant par les
minima et l’on suppose que pour chaque minimum-source, l’eau se teinte d’une couleur
donnée (le label du minimum) (voir figure 4.1). Chaque minimum donne naissance à un
lac de plus en plus étendu à mesure que le niveau d’eau augmente.
niveau d’inondation
Figure 4.1: Principe de l’inondation d’un relief : l’eau pénètre par les minima ; le niveau
d’inondation est maintenu constant.
Lorsque deux lacs provenant de deux sources différentes se rencontrent, on est sur un
4.2. Algorithme de calcul des fonctions d’extinction 93
L.P.E
niveau d’inondation = h
Figure 4.2: Inondation et ligne de partage des eaux : lorsque deux eaux provenant de deux
sources différentes se rencontrent, on est sur un point de la ligne de partage des eaux.
point de la ligne de partage des eaux [2]. Soit M et M ′ les minima sources des lacs qui se
rencontrent. On note h le niveau courant d’inondation.
Au niveau d’inondation h, le lac de source M correspond à la composante connexe du
seuil de niveau h de f contenant M :
CM (Xh− (f )) avec : Xh− (f ) = {x ∈ E | f (x) ≤ h}
Si les lacs de source M et M ′ se rencontrent au niveau h, alors :
M ′ ∈ CM (Xh− (f )) (ou encore : M ∈ CM ′ (Xh− (f )) )
Rappelons brièvement l’algorithme de calcul de la dynamique proposé par M. Gri-

maud [21].
• Calcul de la dynamique
Nous avons vu que la dynamique d’un minimum M est définie par (voir section 3.3.1,
relation 3.9) :
dyn(M) = inf {s ≥ f (M) | ∃x ∈ CM (Xs− (f )), f (x) < f (M)} − f (M)
Pour calculer la dynamique d’un minimum M, il suffit donc de déterminer le niveau

d’inondation minimal h tel que le lac de source M rencontre un lac de source plus profonde.
On a alors : dyn(M) = h − f (M).
Par conséquent, lors du processus d’inondation, lorsque deux lacs de sources différentes
M et M ′ se rencontrent, la dynamique du minimum-source le moins profond est calculée.
Si M est le minimum-source le moins profond et si h est le niveau d’inondation courant,
alors : dyn(M) = h − f (M) (voir figure 4.3).
On peut également aboutir aux mêmes conclusions en raisonnant en termes de fil-
trage : une h-reconstruction (décalage-reconstruction) de paramètre h − f (M) préserve
partiellement la cuvette associée à M ′ mais élimine totalement celle associée à M : M
est inclus dans un plateau non-extremum de l’image filtrée ǫ∞ (f, f + (h − f (M))) (voir
figure 4.3).
L.P.E
Plateau non-extremum
Minimum
dyn(M) dyn(M)
M M
niveau d’inondation = h M’ decalage / reconstruction M’
Figure 4.3: Calcul de la dynamique : lorsque deux lacs de sources différentes se rencontrent,
la dynamique de la source associée au lac de plus faible profondeur est calculée.
Une configuration ambigüe peut être rencontrée : elle correspond au cas où M et
′
M sont de même altitude. Par une h-reconstruction de paramètre (h − alt(M)) = (h −
alt(M ′ )), M et M ′ fusionnent pour donner un unique minimum régional (voir figure 4.4).
M. Grimaud propose plusieurs solutions pour résoudre cette configuration pathologique
: celle que nous retenons consiste à attribuer fictivement une altitude plus faible à l’un
des deux minima (choisi par exemple au hasard), de telle sorte que le traitement décrit
ci-dessus puisse être appliqué.
L.P.E.
Minimum regional
alt(M) = alt(M’) decalage / reconstruction
M M’ M M’
niveau d’inondation = h alt(M) = alt(M’)
Figure 4.4: Configuration pathologique pour le calcul de la dynamique : deux lacs de

même profondeur se rencontrent.
Une fois la dynamique de l’un des deux minima calculée (ici M), les deux lacs fusion-
nent, ou plus exactement l’un absorbe l’autre : le lac associé au minimum le plus profond
(M ′ ) absorbe l’autre (M) : M −→ M ′ . L’inondation continue en considérant que ces lacs
n’en font plus qu’un (si M a auparavant absorbé d’autres lacs, alors M ′ absorbe également
ces autres lacs). Le processus d’absorption se traduit algorithmiquement par un chaı̂nage
des minima de l’image : à l’origine M est son propre père ; après fusion des deux lacs, M
a pour père M ′ . Nous appelons l’arbre ainsi construit arbre de fusion des minima (voir
figure 4.5).
L.P.E L.P.E
2 3 4 2 3 4
1 1
5 5
L.P.E
5
2 4
1 3
Arbre de fusion des minima

2 3 4
1
dyn(4) < dyn(1) < dyn(3) < dyn(2) < dyn(5)
5
Figure 4.5: Algorithme de calcul de la dynamique - Construction d’un arbre de fusion des
minima de l’image : lorsque deux lacs de sources différentes se rencontrent le plus fort (le
lac le plus profond) absorbe le plus faible (le lac le moins profond) et la dynamique de la
source du lac le plus faible est calculée. Tout ce passe ensuite comme si la source du lac
absorbé n’existait plus.
L’arbre de fusion des minima déduit de la dynamique satisfait les conditions suivantes :
(
′ dyn(M ′ ) ≥ dyn(M)
si M −→ M alors :
l’altitude à franchir pour aller de M à M ′ est minimale
Ces deux conditions ne permettent pas d’assurer l’unicité du minimum M ′ . L’algorithme

que nous venons de décrire introduit naturellement une solution au problème du choix de
M ′ : ici, M ′ est choisi “au hasard” parmi tous les candidats possibles. Nous verrons à la
fin de ce paragraphe que d’autres solutions peuvent être adoptées [90].
L’algorithme de calcul de la dynamique est donc basé sur une inondation de l’image et
sur l’étude des points de rencontre des différents lacs. Ensuite, le mécanisme de traitement
des minima utilise :
1. une mesure sur les lacs (c’est-à-dire un calcul quantitatif sur les composantes con-
nexes des seuils de l’image) : la profondeur.
2. un critère d’attribution de cette mesure à l’un ou l’autre des deux minima dont les
lacs se rencontrent : on décide que le lac le moins profond est traité.
Nous allons voir que pour calculer les valeurs d’extinction surfaciques et volumiques, il
suffit de modifier, dans cet algorithme, le critère (le calcul quantitatif) que l’on considère.
• Calcul des valeurs d’extinction surfaciques

Nous rappelons la définition des valeurs d’extinction surfaciques (voir section 3.3.3, rela-
tion 3.14, nous rappelons que ϕaµ (f ) désigne la fermeture surfacique de taille µ) :
∀M ∈ Min(f ), E a(M) = sup{λ ≥ 0 | ∀µ ≤ λ, M ⊂ Min(ϕaµ (f ))}
Soit M un minimum régional de f . Au niveau d’inondation h, le lac associé à la source

M correspond à la composante connexe du seuil h de f contenant M : CM (Xh− (f )). La
surface de ce lac vaut : Surf (CM (Xh− (f ))).
Considérons le niveau d’inondation minimal s tel que le lac de source M rencontre un
autre lac de plus grande surface :
s = inf {h ≥ f (M) | ∃x ∈ CM (Xh− (f )), Surf (Cx(Xh−1

− −
(f )) > Surf (CM (Xh−1 (f ))}
Nous allons montrer que :

−
E a (M) = Surf (CM (Xs−1 (f ))
−
c’est-à-dire que, si λ0 = Surf (CM (Xs−1 (f )) alors :
(
∀λ ≤ λ0 , M appartient à un minimum régional de ϕλ (f ) (i)
M n’appartient pas à un minimum régional de ϕλ0 +1 (f ) (ii)
Surf(M)< Surf(M’) Plateau non-extremum
s
s-1 S = Surf(M) Minimum
au niveau s-1
M M
Ouverture surfacique
niveau d’inondation h=s M’ de taille (S+1) M’
Figure 4.6: Calcul des valeurs d’extinction surfaciques : lorsque deux lacs de sources
différentes se rencontrent, la valeur d’extinction surfacique de la source associée au lac de
plus faible surface est calculée.
Démontration
• (i) Considérons ϕaλ la fermeture surfacique de taille λ. Montrons que si le plateau
de ϕaλ (f ) contenant M n’est pas minimum régional, alors : λ > λ0 .
Posons h = ϕaλ (f )(M). Si le plateau contenant M n’est pas minimum régional de
ϕaλ (f ) alors, il admet au moins un voisin de plus faible altitude :
∃x ∈ CM (Xh− (ϕaλ (f ))) , ϕaλ (f )(x) < ϕaλ (f )(M) = h

On a donc : ϕaλ (f )(x) ≤ h − 1. Par définition de la fermeture surfacique (voir

définition 3.12), on a :
−
Surf (Cx(Xh−1 (f ))) ≥ λ
De même : ϕaλ (f )(M) = h, donc :
−
Surf (CM (Xh−1 (f ))) < λ
x ∈ CM (Xh− (ϕaλ (f ))) donc x ∈ CM (Xh− (f )) car ϕaλ est extensive. On a donc :
x ∈ CM (Xh− (f )) et Surf (Cx(Xh−1

− −
(f ))) > Surf (CM (Xh−1 (f )))
Au niveau d’inondation h, le lac de source M rencontre un autre lac (celui contenant

x) de plus grande surface. Par conséquent : h ≥ s.
Or h = ϕaλ (f )(M). Donc si h ≥ s alors, par définition de la fermeture surfacique, on
−
a : λ > Surf (CM (Xs−1 (f ))), c’est-à-dire : λ > λ0 (cqfd)
• (ii) Considérons la fermeture surfacique de taille λ = λ0 + 1 et montrons que M

n’est pas minimum régional de ϕaλ (f ).
−
λ0 = Surf (CM (Xs−1 (f ))) < λ, par conséquent : ϕλ (f )(M) ≥ s
Or, au niveau s, le lac contenant M s’unit avec un autre lac de plus grande surface :
∃x ∈ CM (Xs− (f )), Surf (Cx(Xs−1

− −
(f ))) > Surf (CM (Xs−1 (f )))
−
Surf (Cx(Xs−1 (f ))) > λ0 . Par conséquent : ϕλ (f )(x) ≤ s − 1
x ∈ CM (Xs− (f )) et ϕaλ est connexe, donc : x ∈ CM (Xs− (ϕaλ (f ))). Finalement, on a :
∃x ∈ CM (Xs− (ϕaλ (f ))), ϕaλ (f )(x) < ϕaλ (f )(M) = s
Le plateau de ϕaλ (f ) contenant M admet au moins un voisin de plus basse altitude.

Ce n’est pas un minimum régional. (cqfd)
(cqfd)
Ainsi, le calcul des valeurs d’extinction surfaciques peut s’effectuer selon un proces-
sus identique à celui utilisé dans le cas de la dynamique. Lorsque deux lacs de sources
différentes(M et M ′ ) se rencontrent, on compare les surfaces de deux lacs au niveau
d’inondation immédiatement précédent : (h − 1) si h est le niveau courant d’inondation.
Si le lac associé à M ′ est de plus grande surface que celui associé à M, alors on calcule la
valeur d’extinction surfacique associée à M (voir figure 4.6).
L.P.E.
Minimum regional
h
h-1
Ouverture surfacique
Surf(M) = Surf(M’) = S de taille (S + 1)
M M’ M M’
niveau d’inondation = h
Figure 4.7: Configuration pathologique pour le calcul des valeurs d’extinction surfaciques
: deux lacs de même surface se rencontrent.
Nous avons vu que, dans le cas de la dynamique, une configuration pathologique

correspond au cas de deux lacs de même profondeur. Dans le cas du calcul des valeurs
d’extinction surfaciques, la configuration pathologique correspond au cas de deux lacs
de même surface λ (voir figure 4.7). Une fermeture surfacique de taille (λ + 1) produit
alors un large minimum résultat de la fusion entre M et M ′ . Selon la définition que nous
avons proposée pour les valeurs d’extinction (définition 3.14), on attribue à M et M ′ des
valeurs d’extinction surfaciques identiques. Nous préférons, sur le modèle de la dynamique,
résoudre l’indétermination et leur attribuer deux valeurs d’extinction distinctes. De la
même façon que dans le cas de la dynamique, on attribue donc fictivement une surface
plus importante à l’un des deux lacs (choisi par exemple au hasard). Plutôt que de choisir
au hasard, on peut également utiliser la dynamique pour trancher : on associe fictivement
une surface plus grande à celui des deux minima correspondant au lac le plus profond
(bien entendu toutes les configurations ne peuvent être résolues ainsi : le cas de deux lacs
de même surface et de même profondeur peut être rencontré mais dans ce cas le choix au
hasard est peut être plus légitime). De la même façon, l’information de surface peut être
utilisée dans les cas d’indétermination rencontrés lors du calcul de la dynamique.
Lorsqu’après une rencontre (entre M et M ′ ), le minimum M a été traité (c’est-à-dire
que sa surface est calculée), le processus d’inondation se poursuit en considérant que M ′
a absorbé M (voir figure 4.8). L’algorithme conduit encore à la construction d’un arbre de
fusion des minima de l’image mais cet arbre est différent de celui construit pour le calcul
de la dynamique. Il satisfait ici les conditions suivantes :
(
′ E a (M ′ ) ≥ E a (M)
Le calcul des valeurs d’extinction associées aux ouvertures par reconstruction (définies
à l’aide d’un élément structurant B quelconque) relève du même processus, excepté qu’on
ne considére plus la surface des lacs au niveau (h − 1) mais la taille maximale de la boule
λB contenue dans chaque lac au niveau (h − 1). Un calcul de surface est très simple à
réaliser : lorsqu’un pixel est extrait de la file d’attente, un lac se propage en ce pixel
et la nouvelle surface de ce lac est obtenue par une simple incrémentation. Par contre,
L.P.E L.P.E
2 3 4 2 3 4
1 1
5 5
L.P.E
3
2 5
1 4

2 3 4
1
Surf(4) < Surf(1) < Surf(2) < Surf(5) < Surf(3)
5
Figure 4.8: Algorithme de calcul des valeurs d’extinction surfaciques - Construction d’un
arbre de fusion des minima de l’image : lorsque deux lacs de sources différentes se ren-
contrent, le plus fort (le lac de plus grande surface) absorbe le plus faible (le lacs de plus
petite surface). La valeur d’extinction surfacique de la source du lac absorbé est calculée.
déterminer la taille de la boule contenue dans cette nouvelle surface est plus complexe à
mettre en oeuvre et plus coûteux en temps d’exécution.
• Calcul des valeurs d’extinction volumiques

Nous rappelons que la valeur d’extinction volumique d’un maximum M est la taille max-
imale de l’arasement volumique qui préserve M (voir section 3.3.4).
Nous rappelons également la notation suivante :
X
V olxs (f ) = (s − f (y))
y∈Cx (Xs− (f ))
On peut montrer que, pour calculer la valeur d’extinction volumique d’un minimum
M, il suffit de considérer le niveau d’inondation minimal s tel que le lac de source M
rencontre un autre lac de plus grand volume.
Soit : s = inf {h ≥ f (M) | ∃x ∈ CM (Xh− (f )), V olxh−1 (f ) > V olM

h−1
(f )}
s−1
Alors : E v (M) = V olM (f )
La démonstration de ce théorème est tout-à-fait similaire à celle présentée ci-dessus dans

le cas des valeurs d’extinction surfaciques.
Le calcul des valeurs d’extinction volumiques relève donc du même processus que
dans le cas de la dynamique ou des valeurs d’extinction surfaciques, excepté que l’on ne
considère plus la surface des lacs ou leur profondeur mais leur volume. Lorsque deux lacs
Vol(M) < Vol(M’) Plateau non-extremum
s
s-1 V = Vol(M) Minimum
au niveau s-1
M M
Filtre volumique
niveau d’inondation h=s M’ de taille (V+1) M’
Figure 4.9: Calcul des valeurs d’extinction volumiques : lorsque deux lacs de sources
différentes se rencontrent, la valeur d’extinction volumique associée au lac de plus faible
volume est calculée.
se rencontrent au niveau h, la valeur d’extinction volumique du minimum source du lac

de plus faible volume est calculée (voir figure 4.9).
Le calcul du volume des lacs est une opération qui s’effectue très simplement. En effet,
connaissant le volume pour un niveau h donné. On déduit le volume au niveau supérieur
h + 1 selon la relation (voir figure 4.10) :
V olh+1 (lac) = V olh (lac) + Surfh (lac)
h+1
S h
V’ = V + S V
Figure 4.10: Calcul du volume d’un lac au niveau h + 1 connaissant son volume et sa
surface au niveau h
La configuration pathologique correspond ici au cas de deux lacs de même volume et se

résoud de la même façon que dans le cas de la dynamique ou des ouvertures surfaciques :
on attribue fictivement un volume plus grand à l’un des deux lacs (choisit par exemple
au hasard).
Cet algorithme conduit encore à la construction d’un arbre de fusion des minima dif-
férent de ceux obtenus dans le cas de la dynamique ou dans le cas des valeurs d’extinction
surfaciques (voir figure 4.11). L’arbre construit dans le cas des valeurs d’extinction volu-
miques satisfait :
(
′ E v (M ′ ) ≥ E v (M)
L.P.E L.P.E
2 3 4 2 3 4
1 1
5 5
L.P.E
2
1 3 4

2 3 4
1
Vol(4) < Vol(1) < Vol(3) < Vol(5) < Vol(2)
5
Figure 4.11: Algorithme de calcul des valeurs d’extinction volumiques - Construction d’un
arbre de fusion des minima de l’image : lorsque deux lacs se rencontrent, le plus fort (celui
de plus grand volume) absorbe le plus faible (celui de plus petit volume).
Calcul efficace de l’arasement volumique

L’algorithme de calcul de l’arasement volumique fait appel à un processus d’inondation
similaire à celui que nous venons d’utiliser. Si λ est la taille du filtre volumique à calculer,
le principe consiste à propager les minima de l’image jusqu’à ce que chaque lac ainsi formé
ait atteint un volume supérieur ou égal à λ.
La propagation des minima est réalisée par une inondation en utilisant encore une fois
des files d’attentes hiérarchiques. Un minimum est inséré dans la file d’attente avec un
niveau de priorité égal à son altitude.
Lorsque, pour un niveau d’inondation donné, un lac atteint un volume correct (c’est-à-
dire supérieur ou égal à λ), alors, on note ce niveau d’inondation (étiquetage du minimum).
Lorsque deux lacs se rencontrent, ils fusionnent : le nouveau lac résultant de la fusion a
un volume égal à la somme des volumes des lacs qui fusionnent. L’inondation se poursuit
tant qu’il reste des lacs de volume inférieur à λ.
On obtient finalement l’image transformée simplement par une lecture de l’image des
lacs : si x est extérieur à un lac, alors son niveau de gris en sortie est celui sur l’image
d’entrée. Si x est dans un lac de label l, son niveau de gris en sortie est sup(f (x), h(l))
où h est le niveau d’inondation que l’on a associé au label l lors de l’inondation (voir
figure 4.12).
• Remarques
Efficacité de l’algorithme proposé pour le calcul des valeurs d’extinction non symétriques
L’efficacité des algorithmes du type de ceux décrits et utilisant des files d’attente hiérar-
chique est aujourd’hui bien connue. Lorsque les calculs effectués sur les lacs sont de type
algébriques (cas de la profondeur, de la surface ou du volume ...), la vitesse d’exécution
Volume suffisant Volume suffisant

Volume suffisant
h(4)
2 3 4 2 h(3) 3 4 h(5)
1 1
h(5)
5 5
Filtre volumique
Volume suffisant
h(1) = h(2)
h(3) h(4)
2 3 4 h(5) 2 3 4
1 1
5 5
Figure 4.12: Calcul du filtre volumique par inondation du relief : lorsqu’un lac atteint un
volume suffisant, le niveau d’inondation courant est noté. Les points de ce lac prendront
ce niveau de gris dans l’image de sortie.
de ces algorithmes est de l’ordre de celle du calcul de la ligne de partage des eaux et
entre donc dans la catégorie des algorithmes rapides de la morphologie mathématique.
En effet, nous avons vu que de telles mesures sont programmables par incrémentation :
le volume par exemple des lacs à l’altitude h se déduit très simplement de celui calculé
à une altitude inférieure. Lorsqu’un pixel est extrait de la file d’attente au niveau h, on
peut immédiatement noter sa contribution au volume du lac pour le niveau h (sans que la
connaissance d’autres points soit nécessaire). Par contre, le calcul des valeurs d’extinction
associées aux ouvertures morphologiques par reconstruction fait appel à des processus
plus complexes et plus coûteux en temps de calcul. Nous donnons en annexe C les algo-
rithmes en pseudo-code décrits ici pour le calcul des valeurs d’extinction surfaciques et
volumiques.
Les calculs de la dynamique et des valeurs d’extinction surfaciques et volumiques

peuvent tout à fait être effectués en parallèle. Par contre, chacun de ces calculs prévoit
la construction d’arbres de fusion des minima différents (voir les figures 4.5, 4.8 et 4.11).
Dans le cas d’un calcul en parallèle il faut donc prévoir autant de structures d’arbre que
l’on calcule de valeurs d’extinction. Nous donnnons figure 4.13 des exemples d’arbres de
fusion obtenus dans le cas de la dynamique et des valeurs d’extinction surfaciques et
volumiques.
Image originale et ses maxima (en blanc)
Arbres de fusion des maxima obtenus dans le cas :

- de la dynamique - des valeurs d’extinction surfaciques - des valeurs d’extinction volumiques
Figure 4.13: Les algorithmes de calcul des valeurs d’extinction des maxima conduisent à
la construction d’arbres de fusion des maxima de l’image
Valuation des branches des arbres de fusion des minima de l’image

Nous avons introduit les fonctions d’extinction à partir de familles de transforma-
tions connexes (les ψλ ). Nous avons vu que les transformations connexes ont pour pro-
priété caractéristique d’étendre (et donc de fusionner) les plateaux de l’image d’entrée.
L’information contenue dans un arbre de fusion est, de ce point de vue, très riche.
Prenons l’exemple de l’arbre de fusion des minima obtenu pour le calcul des valeurs
d’extinction surfaciques. Cet arbre traduit comment les structures de l’image se com-
portent lorsqu’on applique des fermetures surfaciques de tailles croissantes. En effet, les
valeurs d’extinction associées aux noeuds de l’arbre indiquent le niveau λ maximal de fil-
trage qui préserve (au moins partiellement) la structure associée à ce noeud ; les branches
de l’arbre indiquent comment les régions de l’image fusionnent lorsqu’on filtre progresive-
ment l’image : M → M ′ signifie : à partir d’un certain niveau λ de filtrage, les minima M
et M ′ sont inclus dans un même plateau des images filtrées ψλ (f ). Pour que l’information
contenue dans l’arbre soit plus riche encore, on peut valuer les branches de l’arbre avec le
niveau λ à partir duquel ces régions fusionnent.
Nous avons vu que pour valuer les noeuds de l’arbre (pour le calcul des valeurs
d’extinction) on utilise l’information du lac le plus faible (lac le moins profond, de plus
petite surface ou de plus petit volume). Pour valuer les branches de l’arbre, on utilise
l’information du lac le plus fort. Ainsi, dans le cas de la dynamique, lorsque deux lacs de
sources différentes se rencontrent, une branche de l’arbre est créée. Cette branche est val-
uée avec la profondeur du lac le plus profond (voir figure 4.14). Dans le cas de la fonction
d’extinction surfacique, la branche créée est valuée selon la surface du lac de plus grande
surface (surface au niveau d’inondation immédiatement précédent du lac le plus étendu

plus un). De même, dans le cas de la fonction d’extinction volumique, la branche créée
est valuée selon le volume du lac de plus grand volume (volume au niveau d’inondation
immédiatement précédent du lac le plus fort plus un).
L’arbre dont les branches sont ainsi valuées mémorise donc quand et comment les
régions de l’image fusionnent quand on applique la famille (ψλ (f ))λ. L’information est
donc aussi riche que celle obtenue en calculant les ψλ (f ) pour des valeurs croissantes de λ
; par contre, ces informations ont été obtenue en une seule passe (un seul calcul effectué
sur l’image). Dans le cas de la fonction d’extinction surfacique par exemple, le cas des
fermetures surfaciques de tailles croissantes nécessite n inondations de l’image alors que
l’arbre de fusion est obtenu en une seule inondation de l’image.
Cas de la dynamique Cas des valeurs d’extinction surfaciques
18
M M 9
11
8 19
M’ 8 M’ 10
11 M" M"
Figure 4.14: Valuation des branches de l’arbre des minima : lorsque deux lacs de sources
différentes se rencontrent, une branche de l’arbre est créée ; cette branche est valuée en
utilisant l’information du lac le plus fort : avec la profondeur du lac le plus profond dans
le cas de la dynamique (notre exemple), selon la surface du lac de plus grande surface
dans le cas de la fonction d’extinction surfacique, selon le volume du lac de plus grand
volume dans le cas de la fonction d’extinction volumique.
Différentes options possibles pour le chaı̂nage des minima Nous avons vu que, dans les
trois cas étudiés, la construction des arbres de fusion des minima repose sur un méme
mécanisme. Si M → M ′ dans l’arbre de fusion, alors M ′ satisfait : parmi tous les M ′′ plus
persistants que M (E(M ′′ ) ≥ E(M)), M ′ est celui que l’on peut atteindre à partir de M
en montant le moins.
M ′ est plus persistant que M : E(M ′ ) ≥ E(M) (4.1)
l’altitude à franchir pour aller de M à M ′ est minimale (4.2)
Ces conditions n’assurent pas l’unicité de M. L’algorithme que nous avons proposé
introduit naturellement une solution au choix de M. D’autres choix auraient pu être
effectués : celui proposé figure 4.15 permet d’assurer une condition supplémentaire de
“proximité” entre M et M ′ . C’est d’ailleurs à partir d’un arbre de ce type que les exemples
de la figure 4.13 ont été obtenus. On peut se poser la question de l’utilité de modifier ainsi
les relations de fusion : nous reviendrons sur ce point dans la section 5.3 du chapitre suivant
où nous discuterons de l’intérêt ces représentations dans des applications de segmentation
hiérarchique d’images.
Soulignons que cette modification ne change rien quant à l’interpétation de l’arbre.
A partir du moment où les conditions 4.1 et 4.2 sont satisfaites, alors : l’arbre dont
les noeuds et les branches sont valués comme indiqué précédemment mémorise quand et
comment les régions de l’image fusionnent quand on applique la famille (ψλ (f ))λ≥0 .
Arbre dynamique de fusion des minima Autre choix possible

produit
M M
M’ M’
M" M"
Figure 4.15: Plusieurs options sont possibles pour le chaı̂nage des minima : sur cet exemple,
M ′ et M ′′ ont des valeurs de dynamique plus grandes que M ; la hauteur à franchir pour
aller de M vers M ′ ou M ′′ est la même. On peut créer une branche liant soit M à M ′ soit
M à M ′′ .
Mécanisme général de l’algorithme et introduction de nouvelles mesures

Chacun des cas que nous venons de présenter fait appel au même mécanisme de calcul :
1. Une inondation de l’image (en d’autres termes, on considère les seuils de l’image
pour des niveaux croissants). Chaque lac (chaque composante connexe des seuils
successifs de l’image) correspond à une région particulière dans l’image.
2. Une opération sur les lacs (on évalue la profondeur, la surface, le volume... des lacs).
On extrait ainsi des caractéristiques des régions de l’image.
3. Un mode de hiérarchisation des lacs (on décide comment la mesure extraite va

finalement être attribuée aux régions). Lorsque deux lacs se rencontrent, il faut
décider lequel des deux absorbe l’autre (par exemple : le plus fort absorbe le plus
faible).
On peut intervenir dans ce mécanisme à deux niveaux : pour le choix de la (ou des)
mesure(s) effectuées sur les lacs et pour le choix du mode d’affectation de la mesure à une
région. C’est en modifiant l’un de ces points (ou les deux) qu’il est possible d’introduire de
nouveaux opérateurs. On peut par exemple, choisir comme mesure le rapport profondeur
sur surface (nous avons vu qu’un tel opérateur est bien adapté pour modéliser la perception
visuelle de l’Homme). Ensuite, le choix de l’affectation (lorsque deux lacs se rencontrent)
reste à définir : on peut par exemple, sur le modèle des opérateurs précédents, traiter le
lac ayant le plus faible rapport profondeur sur surface...
4.2.2 Calcul de la dynamique symétrique par propagation des

extrema
Nous avons défini les valeurs d’extinction symétriques à partir de familles de transfor-
mations appliquées alternativement sur les structures claires et sombres de l’image. Leur
intérêt est de permettre une étude simultanée et non indépendante à la fois des minima
et des maxima de l’image.
Nous avons vu qu’une solution permettant de traiter les régions claires et sombres
de l’image consistait à travailler sur l’image gradient. Dans le cas de la dynamique, cette
solution n’est pas correcte car la mesure extraite sur le gradient n’est pas la même que celle
extraite sur l’image originale (la dynamique calculée sur le gradient caractérise la force et
l’homogénéité du contour, non le contraste des régions). C’est pour cette raison que nous
avons introduit la notion de dynamique symétrique. Dans le cas des valeurs d’extinction
surfaciques, nous avons vu que l’étude de l’image gradient est une bonne solution pour
traiter de manière symétrique les minima et les maxima de l’image. Enfin, dans le cas du
volume, comme dans le cas de la dynamique, les valeurs extraites ne s’interprètent pas de
la même manière si elles sont calculées sur l’image originale ou sur l’image gradient.
Nous allons, dans cette partie, présenter un algorithme de calcul efficace de la dy-
namique symétrique. La définition de valeurs d’extinction volumiques symétriques est
tout-à-fait envisageable. Par contre, leur calcul ne trouve a priori pas de solution simple...
Ce problème ne sera donc pas abordé.
Nous rappelons que la dynamique symétrique d’un minimum (resp. maximum) M
est définie par la taille maximale des h-reconstructions alternées séquentielles qu’il est
possible de calculer sans éliminer M : sans que M cesse d’être minimum (resp. maximum)
de l’image filtrée.
Lorsqu’on applique des h-reconstructions alternées sur une image, les dômes de cette
image sont progressivement arasés et les vallées sont progressivement comblées. L’algorithme
de calcul de la dynamique symétrique que nous proposons est basé sur une propagation des
extrema de l’image. Au niveau h, un maximum (resp. minimum) est propagé de tel sorte
qu’il soit arasé sur une hauteur h (resp. comblé sur une profondeur h) : voir figure 4.16.
Propagation
des
extrema
Figure 4.16: Principe de la propagation des extrema

Dans tout ce qui suit, M désignera un extremum de f (ensemble connexe de pixels)

qui va être progressivement propagé à ses pixels voisins. Nous noterons f (M) le niveau
de gris de M dans f . Nous noterons alt(M) le niveau de gris de l’extremum au cours
de la propagation : alt(M) ≤ f (M) si M est un maximum (arasement des dômes) et
alt(M) ≥ f (M) si M est un minimum (rehaussement des vallées).
La propagation des plateaux de l’image est conditionnée par les règles suivantes :
• Pour qu’un plateau se propage, il doit correspondre à un extremum régional (mini-

mum ou maximum) : les plateaux non-extrema ne se propagent pas. Cette condition
est dûe au fait que les transformations considérées sont des transformations par re-
construction qui n’agissent qu’en propageant les extrema de l’image.
• Lorsqu’on passe du niveau hiérarchique h, au niveau hiérarchique (h + 1), l’altitude

des plateaux extrema est modifée : elle est décrémentée si le plateau est un maximum
et incrémentée si le plateau est un minimum.
• Au niveau h, un plateau extremum se propage en ses pixels voisins x tels que |

f (x) − f (M) |= h (c’est toujours le niveau de gris de M dans l’image originale f
qui est pris en compte).
• Lorsque deux plateaux M et M ′ de même altitude courante (alt(M) = alt(M ′ )) se

rencontrent, ils fusionnent : la fusion des deux produit soit un minimum, soit un
maximum, soit un plateau non-extremum.
Le processus symétrique est plus complexe que celui utilisé dans le cas non symétrique.
Nous allons le décrire plus en détails.
• Initialisation de la file d’attente
Initialement, l’ensemble des plateaux à propager est l’ensemble des extrema de l’image.
Dans une étape préliminaire, les extrema de l’image sont donc extraits et étiquetés (dans
l’image de sortie) : on attribue à chacun un niveau de gris particulier permettant ensuite
de le reconnaı̂tre (pour cette étape on pourra consulter [96]). Il faut pour ce point prévoir
un algorithme d’étiquetage capable de traiter correctement le cas où un minimum et un
maximum sont voisins : on doit alors leur attribuer deux labels différents alors que leur
union ne définit qu’une seule composante connexe.
Les pixels de M sont étiquetés minima ou maxima. Les pixels voisins de M sont
étiquetés voisin et sont entrés dans la file d’attente au niveau de priorité égal à : | f (x) −
f (M) |. Si un pixel est voisin de plusieurs extrema, il est entré plusieurs fois dans la file
d’attente : voir figure 4.17.
minimum maximum
4 7 4 5 0 6
4 2 5 2 1 5
2 3 9 8 6 4
1 5 5 8 6 6
1 2 3 4 5 6 7
Figure 4.17: Calcul des valeurs d’extinction symétriques : initialisation de la file d’attente
hiérarchique. Si un pixel est voisin de deux extrema, il est entré deux fois dans la file
d’attente.
• Propagation des extrema
(1) Tant que la file d’attente est non vide, on extrait les pixels de niveau de priorité
minimal. Si ce pixel a déjà un label, on extrait le pixel suivant de la file d’attente ; dans
le cas contraire, on le traite.
Soit x le pixel courant extrait de la file et h le niveau de priorité courant.
(2) On cherche le voisin p de x étiqueté minimum ou maximum tel que | alt(p) −

alt(x) |= h. Si on trouve p on continue. Dans le cas contraire, x a un voisin p étiqueté
en attente (étiquette des plateaux non-extrema) ; dans ce cas p est ré-inséré dans la file
d’attente au niveau de priorité (h + 1) et on retourne à l’étape (1). Nous verrons en (3)
sous quelle condition une nappe est étiquetée en attente.
4 7 4 5 0 6
4 2 5 2 1 5
X
2 3 9 8 6 4
1 5 5 8 6 6
1 2 3 4 5 6 7
P
4 7 4 5 0 6
4 2 5 2 1 5
X
2 3 9 8 6 4
1 5 5 8 6 6
1 2 3 4 5 6 7
Figure 4.18: Extraction et traitement des pixels de la file d’attente. Un pixel x est extrait
de la file d’attente. Un plateau extremum se propage en x et les voisins de x non traités
sont insérés dans la file d’attente.
(3) Soit p un voisin de x étiqueté minimum ou maximum vérifiant | alt(p)−alt(x) |= h.

x est alors mis au label de p et étiqueté minimum ou maximum (même étiquette que p).
Les pixels voisins de x sont entrés dans la file d’attente. Pour ce point, on peut ne con-
sidérer qu’une partie des voisins de x : ceux qui ne sont pas voisins de p (voir figure 4.18).
4 7 4 5 0 6 4 6 4 5 1 5
4 2 5 2 1 5 4 3 5 2 1 5
sym-dyn=1
2 3 9 8 6 4 2 3 8 8 6 4
1 5 5 8 6 6 2 5 5 8 6 6
Non-extremum
Figure 4.19: Lorsqu’un extremum étendu cesse d’être extremum, sa propagation est arrêtée
et sa dynamique symétrique est calculée. (Ici, le niveau de priorité courant est égal à 1.)
Lors de cette opération, selon le niveau de gris des voisins de x, on est en mesure
de dire si le plateau propagé en x est toujours extremum ou non. En effet, si x est
étiqueté minimum (resp. maximum) et que x a un voisin d’altitude strictement inférieure
(resp. strictement supérieure) à alt(x) alors, le plateau contenant x est un plateau non-
extremum. Dans ce cas, x est étiqueté en attente (voir figure 4.19) et la propagation du
plateau est arrêtée (et tant que cette situation ne changera pas l’altitude courante du
plateau ne sera pas modifiée).
Ce plateau correspond à un extremum M de l’image originale qui a été étendu. Si
le plateau contenant M cesse d’être extremum, alors la dynamique symétrique de M est
calculée ; elle est exactement égale au niveau de priorité courant h : dynsym(M) = h.
(4)Lorsque deux nappes de labels différents et de même altitude courante se rencon-

trent, elles fusionnent : l’un des deux plateaux absorbe l’autre. Le nouveau plateau ré-
sultant de la fusion peut correspondre soit à un minimum (Min), soit à un maximum
(Max), soit à un plateau non extremum (P lt).
La difficulté de cet algorithme réside précisément en ce point : le moment où deux
plateaux étendus fusionnent. Nous avons vu qu’il est nécessaire de déterminer pour chaque
fusion, si le résultat est un maximum, un minimum ou bien un plateau non-extremum.
D’abord, parce que c’est ainsi que l’on détermine la dynamique symétrique des extrema
de l’image (si un minimum par exemple est propagé en un plateau non minimum au
niveau h, la dynamique symétrique de ce minimum est égale à h). Ensuite parce qu’il est
nécessaire de savoir si un plateau est extremum ou non pour décider s’il est propagé ou
non. Or, dans l’algorithme tel que nous l’avons présenté jusqu’ici, cette information n’est
pas accessible directement. En effet, pour connaı̂tre la nature d’un plateau, il faut étudier
l’altitude de tous les pixels qui lui sont voisins : il n’y a pas de règle simple. La fusion
d’un minimum et d’un maximum par exemple peut donner un plateau non-extremum
mais aussi un maximum ou un minimum (cas de deux régions emboitées).
Tout le problème est de trouver une solution qui évite d’avoir à relire l’image. En effet,
lorsque le nombre d’extrema est élevé (ce qui est généralement le cas) de nombreuses
4 7 4 5 0 6 4 6 4 5 1 5
4 2 5 2 1 5 4 3 5 2 1 5
2 3 9 8 6 4 2 3 8 8 6 4
1 5 5 8 6 6 2 5 5 8 6 6
Non-extremum
sym-dyn=3
4 5 4 5 2 4 4 4 4 5 3 4
sym-dyn=2
4 3 5 2 2 4 4 4 5 3 3 4
3 3 7 7 6 4 4 4 6 6 6 4
3 5 5 7 6 6 4 5 5 6 6 6
Merging Non-extremum Merging
Figure 4.20: Lorsque deux plateaux de même altitude se rencontrent, ils fusionnent
fusions ont lieu et on ne peut se permettre d’effectuer à chaque fois une lecture de l’image
pour accéder aux voisins des nappes qui fusionnent !
La solution que nous proposons consiste à travailler non pas avec une seule file d’attente
mais avec une file d’attente par extremum. Ainsi, lorsqu’un pixel est voisin d’un plateau,
il est inséré dans la file d’attente associée à ce plateau. De même, lorsqu’on cherche à
déterminer la nature d’un plateau, il suffit de relire les pixels de la file d’attente qui lui
est associée.
Lorsque deux plateaux M et M ′ fusionnent M → M ′ , les pixels dans la file d’attente
associée à M sont insérés dans celle associée à M ′ . Leur altitude est prise en compte
pour déduire la nature du plateau résultant de la fusion. Notons qu’il faut également
tenir compte de l’altitude des plateaux voisins pour que la conclusion soit valable : aussi,
lorsque deux plateaux d’altitudes différentes se rencontrent, même s’ils ne fusionnent pas
(puisqu’ils ne sont pas à la même altitude), cette rencontre est mémorisée.
Le fait de travailler avec plusieurs files d’attente n’est pas source en soi d’augmentation
de temps de calcul. De plus, cette variante facilite la gestion des plateaux en attente
(les plateaux non-extrema) : lorsqu’un plateau n’est pas extremum, sa propagation est
arrêtée c’est-à-dire que la file d’attente qui lui est associée est elle-même mise en attente.
Ceci facilite également l’étape (2) : lorsqu’on extrait x d’une file d’attente, on connait
immédiatement le label du plateau voisin et on sait que ce plateau n’est pas en attente,
sinon x n’aurait pas été extrait.
Lorsque deux plateaux fusionnent, la nature du plateau résultant de la fusion détermine

comment s’opère la fusion (lequel des deux plateaux absorbe l’autre) et si la dynamique
symétrique d’un extremum (ou des deux) est calculée :
• Min ∪ Plt
si Min ∪ P lt = Min : P lt −→ Min
sinon : P lt −→ Min et dynsym (Min) = h
• Min ∪ Max
sym
Si Min ∪ Max = Min : Max −→ Min et dyn
( (Max) = h
sym
dyn (Min) = h
Si Min ∪ Max = P lt : Max −→ Min et
dynsym (Max) = h
• Min ∪ Min
Si deux minima fusionnent, le résultat est encore un minimum. Celui de plus basse
altitude absorbe l’autre et la dynamique symétrique de celui qui est absorbé est
calculée.
On a bien entendu des règles équivalentes pour les maxima de l’image (remplacer Min
par Max dans les relations).
Si M −→ M ′ , alors la propagation se poursuit en considérant que le label M n’existe

plus et est remplacé par le label M ′ (voir figure 4.21). L’algorithme produit un chaı̂nage
des extrema comme dans le cas non symétrique (on trouvera en annexe C une description
complète de cet algorithme en pseudo-code).
4 7 4 5 0 6 4 4 4 5 3 4
4 2 5 2 1 5 4 4 5 3 3 4
2 3 9 8 6 4 4 4 6 6 6 4
1 5 5 8 6 6 4 5 5 6 6 6
Fusion
Fusion dyn-sym=5
5 5 5 5 4 4 4 7 4 5 0 6
5 5 5 4 4 4 4 2 5 2 1 5
5 5 5 5 5 4 2 3 9 8 6 4
5 5 5 5 5 5 1 5 5 8 6 6
dyn-sym=4 dyn-sym=5
Fusion Arbre de fusion des extrema
Figure 4.21: L’algorithme de calcul de la dynamique symétrique produit un arbre de fusion

des extrema de l’image : les plateau de l’image fusionnent progresivement ; à chaque fusion,
une branche de l’arbre est créée.
Remarques sur l’algorithme de calcul de la dynamique symétrique :

• Cet algorithme peut également être utilisé tel que nous le présentons pour calculer les
h-reconstructions alternées séquentielles. Il suffit d’arrêter le processus de propagation au
niveau de priorité h, si h est la taille des h-reconstructions alternées séquentielles devant
être calculées.
• L’algorithme de calcul de la dynamique symétrique produit un arbre de fusion des
extrema de l’image. Contrairement au cas symétrique, ici, les minima et les maxima
sont étudiés conjointement (voir figures 4.20 et 4.22).
Image originale et ses extrema
Arbres de fusion des extrema obtenu dans le cas de la dynamique symetrique
Figure 4.22: Exemple “Tools” : arbre de fusion des extrema de l’image dérivé de la dy-
namique symétrique
Considérons l’exemple de la figure 4.22 et comparons l’arbre obtenu à celui obtenu

dans le cas non symétrique (voir figure 4.13) : ici, minima et maxima de l’image sont liés.
L’intérêt de la définition symétrique apparaı̂t ainsi clairement : elle est plus proche de ce
que réalise la vision humaine qui considère simultanément toutes les régions de l’image
qu’elles soient claires ou sombres.
Sur l’image 4.13, La lame de rasoir par exemple correspond précisément au cas de
structures emboitées : une structure sombre à l’intérieur d’une plus large structure claire.
Nous avons grossi cette partie de manière à mieux percevoir l’arbre dans cette région.
La lame de rasoir se compose d’une partie claire (la lame proprement dite) et d’une
partie centrale sombre (trou central dans la lame). La partie claire est marquée par un
maximum régional et le trou central de la lame correspond à un minimum régional. La
définition symétrique de la dynamique crée un arbre liant les parties sombres et claires
de la lame. Ce type de représentation est très intéressant lorsqu’on cherche à extraire le
contenu sémantique d’une observation. En effet, l’arbre déduit peut être intérprété de la
façon suivante : la lame est constituée d’une partie claire et d’une partie plus sombre.
Nous reviendrons dans le paragraphe suivant de ce chapitre sur les perspectives qu’offrent
de telles représentations par arbre.
L’arbre de fusion ainsi créé contient toute l’information qu’on aurait pu obtenir en
calculant des h-reconstructions alternées séquentielles de taille croissante. La dynamique

symétrique permet de déterminer, pour chaque structure de l’image, pour quelle taille de la
h-reconstruction alternée séquentielle elle est éliminée. Les branches de l’arbre traduisent
comment les plateaux de l’image fusionnent lorsqu’on calcule cette famille de transforma-
tions (voir figure 4.23) ; chaque branche peut, comme dans le cas non symétrique, être
valuée avec le niveau h pour lequel elle est créée.
Minimum de l’image filtree h’’’>h
h’<h
h
h
h’’>h
T.A.S. de taille h Arbre de fusion des extrema
Figure 4.23: L’arbre de fusion dynamique des extrema mémorise quand et comment les
plateaux de l’image fusionnent lorsqu’on calcule des h-reconstructions alternées séquen-
tielles de taille croissante
4.2.3 Efficacité des algorithmes
Nous avons vu que le calcul des valeurs d’extinction surfaciques et volumiques dans le cas
non symétrique pouvait être effectué par un algorithme tout à fait similaire à celui utilisé
pour le calcul de la ligne de partage des eaux et de la dynamique. Ce type d’algorithme est
très efficace. Pour donner un ordre de grandeur, sur une station de travail SUN SPARC 1,
le temps de calcul des valeurs d’extinction de plus de 1000 minima sur une image de taille
256 × 256 est de l’ordre de 7 ou 8 secondes. En comparaison, le temps de calcul d’une
reconstruction numérique est de l’ordre de 4 secondes. De plus, les temps de calcul varient
peu d’une image à l’autre (pour une même taille d’image) et lorsque le nombre de minima
augmente : en effet l’algorithme par inondation traite toujours le même nombre de fois
chaque pixel de l’image. De plus, les temps de calcul ne varient pas selon que l’on calcule
la dynamique, les valeurs d’extinction surfaciques ou les valeurs d’extinction volumiques
: les traitements algébriques effectués pour chaque pixel diffèrent mais n’influent pas de
manière significative sur les temps de calcul. Nous donnons figure 4.24 des exemples
de temps de calcul évalués sur les images ”Tools” et ”Road” originales (grand nombre
d’extrema) et filtrées (faible nombre d’extrema).
Grand nombre de minima Faible nombre de minima

Tools Road Tools filtree Road filtree
1533 minima 1118 minima 61 minima 92 minima
L.P.E 5.72s 5.77s 5.72s 5.83s
Dynamique 7.77s 7.07s 7.02s 7.08s
Val. d’ext. surf. 7.77s 6.97s 6.53s 6.58s
Val. d’ext. volum. 7.97s 7.02s 6.53s 6.67s
Figure 4.24: Temps de calcul des valeurs d’extinction non symétriques (temps évalués sur
une station SUN SPARC 1 et pour des images de taille (256 × 256))
L’algorithme de calcul de la dynamique symétrique est par contre plus coûteux en

temps de calcul et la durée du traitement augmente fortement lorsque le nombre d’extrema
traité augmente. Cette variation est dûe à la lourdeur des étapes de fusion : en effet, cette
partie de l’algorithme nécessite une relecture de certaines files d’attente et correspond à un
enchaı̂nement de tests logiques prohibitifs en temps de calcul. Cette fonction est d’autant
plus souvent appelée que le nombre d’extrema est grand (voir figure 4.25). Lorsque le
nombre de minima diminue, le temps de calcul de la dynamique symétrique est alors
de l’ordre de deux fois celle de la dynamique : ce qui est tout à fait acceptable puisque
minima et maxima sont traités par un seul calcul (c’est d’ailleurs pour cette raison que
dans le tableau 4.25 le temps de calcul de la dynamique symétrique est comparé au temps
de calcul de la dynamique des minima additonné à celui de la dynamique des maxima).
Grand nombre d’extrema Faible nombre d’extrema

Tools Road Tools filtree Road filtree
1936 extrema 2319 extrema 142 extrema 181 extrema
Dynamique des maxima
+ 14.85s 14.77s 14.85s 14.80s
Dynamique des minima
Dynamique symetrique 54.25s 76.38s 15.37s 12.98s
Figure 4.25: Temps de calcul de la dynamique symétrique (temps évalués sur une station
SUN SPARC 1 et pour des images de taille (256 × 256))
Il est probable que d’autres méthodes de programmation puissent être développées

dans le cas non symétrique. Un algorithme basé sur un fléchage de l’image par exemple
peut être bien adapté pour ce type de problème. Pour notre part, nous n’avons pas exploré
d’autres méthodes.
4.3. Lien avec l’analyse dendronique 115
4.3 Lien avec l’analyse dendronique

Pour extraire le sens d’une observation complexe, un point de vue hiérarchique est sou-
vent une solution efficace. Ceci a déjà été mis à profit depuis longtemps. Nous pouvons
citer les méthodes de classification hiérarchiques [85], les techniques de résolution multi-
échelles [43] et les applications des transformées d’ondelettes qui s’y rattachent [23]. Citons
enfin les structures arborescentes de représentations des signaux (bi- ou tri-dimensionels)
définissant une vue hiérarchique du seuillage utilisé comme processus structurant : celle
inspirée des travaux de R.A. Kirsch [30] qui mettent en correspondance les composantes
connexes des seuils successifs des signaux [10, 42] et celle inspirée des travaux de R. W.
Ehrich [15], de P. V. Sankar et A. Rosenfeld [78] plus synthétique définissant des rela-
tions de dominance entre les pics des signaux [28, 70, 71]. C’est particulièrement sur cette
dernière méthode que se portera notre attention du fait de la similitude qui existe entre
cette approche et la notion d’arbres de fusion des extrema que nous venons d’introduire.
Très récemment, les travaux de P. Hanusse et P. Guillateaux [27] ont permis d’entrevoir
le grand intérêt de la méthode de représentation proposée par R. W. Ehrich pour la
représentation simplifiée d’images et la résolution des problèmes de reconnaissance de
forme. P. Hanusse et P. Guillateaux ont établi une méthode générale et efficace pour pro-
duire la structure arborescente appelée dendrone et pour l’utiliser comme outil d’analyse
de l’image, définissant ainsi l’analyse dendronique.
4.3.1 Définition et rôle de l’analyse dendronique

Les méthodes de représentation des fonctions numériques par arbre relationnel sont nées
de la difficulté qui existe à interpréter les valeurs brutes d’un signal. La connaissance
des extrema du signal et des relations hiérarchiques liant ces extrema semble être une
information pertinente pour la résolution de ce type de problèmes.
Pour tenir compte des relations de dominance entre les extrema d’un signal, il faut
utiliser une représentation tenant compte à la fois de la répartition spatiale de ces extrema
et de leur amplitude relative : c’est à ces contraintes que la représentation proposée par R.
W. Ehrich se propose de répondre. Cette approche apparaı̂t immédiatement pertinente et
ceci a été confirmé si l’on en juge par le nombre de travaux y faisant référence [28, 70, 71].
Le seul point d’ombre de cette technique originellement définie pour les signaux mono-
dimensionnels était justement d’étendre ce principe au cas des fonctions numériques.
Comme nous l’avons dit ci-dessus, ce problème a et́é récemment résolu par P. Hanusse et
P. Guillateaux. Nous allons en rappeler le principe.
Considérons l’image comme un relief initialement englouti sous la mer. La mer se retire
progressivement découvrant le paysage. D’une hauteur de marée à une autre, plusieurs
évènements peuvent se produire : une nouvelle ı̂le apparaı̂t, une ı̂le voit sa surface croı̂tre,
deux ı̂les fusionnent pour n’en donner qu’une seule. A chacun de ces évènements corre-
spond une étape dans la construction du dendrone : quand une ı̂le apparaı̂t, un noeud
terminal du dendrone est créé (on note en ce noeud la position et l’altitude de l’ı̂le) ; au fur
et à mesure que l’ı̂le grossit, on garde trace du centre de masse de la base de l’ı̂le ; quand
deux ı̂les fusionnent, l’information de leur base est collectée, un nouveau noeud est créé
correspondant à l’agrégat des deux ı̂les, avec comme information de sommet celle de l’une
des deux sous-ı̂les, et sa propre information de base. C’est ce phénomène d’agrégation qui
est à l’origine de la structure d’arbre : les branches de l’arbre lient la nouvelle ı̂le-agrégat
aux deux sous-ı̂les.
La figure 4.26 illustre cette définition. On le voit ici, dans la définition proposée par
R. W. Ehrich, ce n’est pas la hauteur absolue des extrema mais leur hauteur relative qui
est prise en compte pour construire la hiérarchie [16].
B C
A
D
(B+C) E
(D+E)
(A+(B+C))
((A+(B+C))+(D+E))
Figure 4.26: Définition algorithmique du dendrone
Les noeuds du dendrone sont étiquetés de telle sorte que le dendrone contienne toute
l’information utile de l’image : la surface, l’élongation, l’orientation de la base d’une ı̂le ...
Des exemples d’utilisation de ce dendrone pour la reconnaissance de forme peuvent être
trouvées dans [27]. La reconnaissance de formes effectuée à l’aide du dendrone doit son
efficacité à la valeur sémantique de celui-ci, plus élevée que celle de l’image. Les noeuds
du dendrone pointent sur les régions de l’image, les branches du dendrone traduisent les
relations hiérarchiques d’inclusion entre les régions de l’image. L’étiquetage des noeuds
du dendrone permet en plus de qualifier toutes ces régions.
4.3.2 Arbres de fusion des minima et dendrone

On remarque aisément que la définition algorithmique du dendrone est très proche de celle
de la LPE et des valeurs d’extinction. En effet, si l’on inverse l’image (on “retourne” le
relief), la marée descendante correspond pour l’image inversée à une immersion du relief,
les noeuds terminaux du dendrone correspondent aux minima de l’image, l’agrégation de
deux ı̂les correspond à la fusion de deux lacs.
Nous avons vu que le calcul des valeurs d’extinction dans le cas non symétrique était
effectué au niveau des points de ligne de partage des eaux (lorsque deux eaux provenant
de deux sources différentes se rencontrent) et que les arbres des minima construits corre-
spondent à des fusions entre ces lacs. Il y a donc un lien étroit entre la notion d’arbre des
minima introduite à partir de la définition algorithmique des fonctions d’extinction et ce
dendrone.
La figure 4.28 illustre la comparaison entre le dendrone et l’arbre des minima construit
pour le calcul de la dynamique. Notons que l’arbre des minima est orienté alors que le
4.3. Lien avec l’analyse dendronique 117
dendrone ne l’est pas. Une relation simple lie le dendrone à l’arbre des minima déduit de
la dynamique : considérons deux minima A et B de l’image. Si A −→ B dans l’arbre des
minima alors A et B sont liés au noeud (A + B) dans le dendrone. Nous avons vu qu’à
chaque fonction d’extinction correspond un arbre de fusion des minima particulier. Par
contre le dendrone est défini de façon unique car ses branches sont non-orientées.
B C
A
D Ligne de partage des eaux
E
E
A D
B C
Figure 4.27: Lien entre la définition algorithmique du dendrone et celle de la ligne de

partage des eaux
((A+(B+C))+(D+C))
(A+(B+C))
(D+C)
(B+C) E E
A D A D
B B
C C
Figure 4.28: Comparaison des définitions algorithmiques du dendrone et de l’arbre dy-

namique de fusion des minima
D’un point de vue algorithmique, construire le dendrone ou bien un arbre de fusion

des minima est absolument équivalent. Seule la structure utilisée et la façon de mémoriser
les relations de fusion entre les lacs change.
Les noeuds du dendrone sont généralement étiquetés selon des mesures effectuées sur
les bases des ı̂les de telle sorte que l’information contenue par le dendrone caractérise
complètement la scène : la surface des ı̂les, leur élongation (les diamètres de Feret par
exemple), leur orientation, la dénivelée entre un noeud et son “père”... (voir figure 4.29).
A priori, ces mesures sont introduites intuitivement comme des mesures sur les régions
de l’image, avec le sous-entendu que la base des ı̂les définit une segmentation correcte des
régions. La notion de fonction d’extinction permet de nuancer le sens donné à ces mesures :
F. Meyer a montré que la dynamique peut être calculée directement sur le dendrone [58].
Nous allons voir qu’il en est de même pour les valeurs d’extinction surfaciques et volu-
miques.
Considérons un noeud terminal quelconque du dendrone que nous noterons M (sur la
figure 4.29 : M est un maximum régional). On calcule la dynamique de M de la façon
suivante [58] : partant de M, on remonte progressivement vers le sommet du dendrone.
Chaque noeud rencontré est un ascendant de M qui admet, en dehors de M, d’autres
1 M dyn(M) = hauteur(M) + hauteur(M+N)

Base du noeud N
2 dyn(N) = hauteur(N) Base du noeud M
1
3 N
2
4 hauteur de M
3 N
hauteur de N
5 4
6 5
(N+M) 6
7 M
hauteur de (M+N) 7
8
8
val. d’ext. surf. de M Base du noeud (M+N)
Figure 4.29: Etiquetage des noeuds du dendrone : chaque branche est étiquetée par sa
hauteur, la surface de la base de l’ı̂le qui lui est associée...
descendants. On arrête la remontée dès que le noeud courant A admet un descendant de

plus haute altitude que M. La dynamique de M est alors égale à l’altitude du noeud A
moins sa propre altitude, soit encore la somme des hauteurs des branches allant de M à
A (sur la figure 4.29, A = (M + N)).
Le calcul des valeurs d’extinction surfaciques sur le dendrone étiqueté relève d’un
processus similaire : on parcours les ascendants de M ; on arrête la remontée, dès que
l’ascendant courant A s’unit avec un autre noeud de plus grande surface (ayant une base
de plus grande surface). La valeur d’extinction surfacique de M est alors égale à la surface
de la base de ce noeud courant A (sur la figure 4.29, A = M).
Pour calculer la valeur d’extinction volumique de M, on cherche le premier ascendant
A de M ayant un “frère” de plus grand volume. La valeur d’extinction volumique de M
est alors égale au volume de A.
Nous avons vu qu’il est possible de calculer l’ensemble des valeurs d’extinction paral-
lèlement mais que cela nécessitait la construction de plusieurs arbres de fusion. L’intérêt
d’une structure non-orientée telle que le dendrone par rapport aux arbres de fusion ori-
entés, est de permettre de rassembler toute l’information sur un unique arbre.
4.3.3 Apport du point de vue symétrique

L’analyse dendronique est uniquement définie à partir d’une vue non symétrique de l’image
: on étudie soit les pics, soit les vallées de l’image. Ce principe peut bien évidemment être
appliqué à une image gradient de telle sorte que les structures claires et sombres de
l’image soient traitées simultanément. Mais nous savons que dans ce cas, une partie de
l’information présente sur l’image originale est perdue.
Nous avons vu que la notion de valeur d’extinction symétrique associée à des familles
de transformations alternées séquentielles permettent de définir un arbre de fusion des
extrema de l’image. Le point de vue symétrique permet donc de définir un équivalent
symétrique du dendrone traitant simultanément pics et vallées de l’image.
Nous avons vu que le passage de l’arbre de fusion des minima au dendrone s’effectue
très simplement : A −→ B se traduisant par la création du noeud (A+B) dans le dendrone.
La construction d’un dendrone symétrique peut s’effectuer selon le même algorithme que
celui utilisé pour calculer la dynamique symétrique et qui aboutit à un arbre de fusion
symétrique des extrema de l’image : on effectue une propagation des extrema de l’image
4.4. Discussion 119
; lorsque deux nappes fusionnent, un nouveau noeud est créé, résultat de l’agrégation des
deux nappes : si A −→ B dans l’arbre de fusion des extrema, alors A et B sont des noeuds
terminaux du dendrone symétrique et A et B ont pour pére le nouveau noeud (A + B).
Encore une fois, seule la structure utilisée (de type ”arbre non orienté” et non plus de
type ”arbre orienté”) diffère dans l’algorithme (voir figure 4.30).
B C
A
D
E
dendrone
B C
A
D
b E
a d
c
dendrone symetrique
Figure 4.30: Définition symétrique du dendrone à partir de la notion de dynamique

symétrique : on reprend le processus de propagation des extrema utilisé pour le calcul
de la dynamique symétrique. Lorsque deux plateaux fusionnent, une branche de l’arbre
est crée ainsi qu’un nouveau noeud (correspondant à l’union des deux plateaux).
4.4 Discussion
La définition algorithmique des fonctions d’extinction met en évidence une notion sous-
jacente très importante : celle d’ arbres de fusion des extrema de l’image. Dans le cas
non symétrique, l’arbre construit lie soit les minima soit les maxima de l’image ; dans le
cas symétrique l’ensemble des extrema de l’image sont liés entre eux. De plus ces arbres
contiennent toute l’information qu’il est possible d’extraire de l’image en calculant les
familles croissantes de filtres morphologiques associées.
L’utilisation de telles représentations arborescentes dans le cas non symétrique n’est
pas nouvelle. Par contre, la notion de dynamique symétrique introduit de nouvelles per-
spectives pour l’analyse d’image par arbre qui peut par ce biais être définie symétrique-
ment pour les structures claires et sombres de l’image.
A partir de cette structure arborescente, il est possible de centraliser toute l’information
recueillie : le contraste, la surface, le volume... ; nous avons vu qu’on peut également
l’utiliser pour introduire d’autres mesures sur les régions de l’image... Nous allons voir
enfin, dans le chapitre suivant, comment cette information est exploitable pour la seg-
mentation d’images.
Chapitre 5
Application à la segmentation
d’image
La segmentation (c’est-à-dire la partition d’une image en régions connexes homogènes)

est un point central de l’analyse d’image. Etape obligée de tout système d’analyse intel-
ligente de scènes (modules d’assitance à la conduite, d’aide au diagnostique médical, de
télésurveillance... pour ne citer que quelques exemples), la segmentation est également
utilisée dans des domaines a priori moins évidents tels que le codage d’image (codage
orienté objet), l’analyse de matériaux...
Analyser et comprendre une scène sous-entend d’abord extraire, segmenter et mettre
en correspondance les différentes régions de la scène. La question de l’interprétation de
cette information est généralement un problème intervenant dans une seconde étape et
qui fait appel à des techniques ne relevant plus à proprement parler de l’analyse d’image
mais de l’intelligence artificielle.
En morphologie mathématique, la segmentation d’image est presque essentiellement
basée sur une méthode : la Ligne de Partage des Eaux (LPE) calculée sur une image
gradient à partir de marqueurs des régions à extraire. Trouver ces marqueurs est toujours
un problème délicat. Or, sur ce point précisément, les fonctions d’extinction que nous
avons introduites laissent présager un apport important.
5.1 Introduction : la segmentation par LPE

Le problème de la segmentation d’image peut être abordé par le biais de diverses tech-
niques, des plus immédiates comme le simple seuillage, aux plus complexes comme celles
fondées sur la géométrie des objets [81], la géométrie informatique [72], la croissance hiérar-
chique de régions [74, 65, 66, 14]... Aujourd’hui, la segmentation d’image en morphologie
mathématique est presque essentiellement basée sur une seule transformation : la ligne
de partage des eaux. Les autres méthodes (basées sur le seuillage ou bien sur des trans-
formations de base de la morphologie mathématique telles que le chapeau haut de forme
ou encore les décompositions morphologiques d’images, les squelettes ...) ne sont utilisées
que dans des cas ”pathologiques” du fait de leur complexité (voir par exemple [86, 94]) ou
bien de leur extrême simplicité et pour lesquels la ligne de partage des eaux ne constitue
121
122 Chapitre 5. Application à la segmentation d’image
pas une solution optimale.

La ligne de partage des eaux (LPE) trouve son origine en topographie et en hydrolo-
gie [11, 74] et apparaı̂t comme le prolongement naturel de transformations morphologiques
ensemblistes [2, 4] (le squelette par zone d’influence SKIZ, les transformations homo-
topiques et géodésiques). La LPE fut élaborée à l’aide des transformations morphologiques
pour la première fois en 1977 par C. Lantuejoul [39, 4]. La formalisation de ce concept
comme outil de segmentation fut effectuée par S. Beucher en 1989 [2]. Enfin, les travaux
de F. Meyer sur la notion de marqueurs achevèrent de rendre la ligne de partage des eaux
opérationnelle pour la résolution des problèmes de segmentation [61, 6, 5, 98].
L’approche par ligne de partage des eaux possède certaines similarités avec les tech-
niques de croissance de régions. Bien plus qu’une autre méthode de segmentation par
croissance de région, le concept de ligne de partage des eaux formalise le problème de
la partition d’une image et permet de le définir indépendamment d’un autre problème
sous-jacent qui est celui de l’extraction des régions significatives : un problème de seg-
mentation peut, par le biais de ce concept, être divisé en deux parties indépendantes : une
partie mécanique et totalement automatique (le calcul de la ligne de partage des eaux) et
une partie intelligente à la charge de l’utilisateur (l’utilisation de connaissances a priori
pour extraire les régions pertinentes de l’image). Cette dernière partie est particulièrement
primordiale puisqu’elle détermine la segmentation finale de manière radicale.
5.1.1 La Ligne de Partage des Eaux (LPE)

Nous nous contenterons ici de rappeler brièvement le principe de la LPE sans entrer
dans les détails. Pour une présentation plus complète, on pourra se référer aux ouvrages
de référence en ce domaine : la thèse de S. Beucher [2], celle de L. Vincent [96] et la
publication de F. Meyer [57] pour la partie plus algorithmique, ainsi qu’aux ouvrages de
la liste non exhaustive suivante [4, 2, 6, 61, 98, 57, 5].
Minima régionaux, bassins versants et LPE
La notion de LPE est étroitement liée à celle de minimum régional. Nous rappelons qu’un
minimum régional est un ensemble connexe de pixels d’altitude constante tel qu’il n’est pas
possible, partant de cet ensemble de rejoindre un point de la surface d’altitude inférieure
sans avoir à grimper.
Une manière de déterminer les minima régionaux d’une image peut consister en
l’expérience suivante : considérons le relief sous un nuage de pluie. Une goutte d’eau
tombant en un point x va couler le long du relief et va finalement rejoindre le fond d’une
vallée : un minimum régional. Soit M un minimum régional de l’image. Si une goutte
d’eau tombant en x rejoint finalement M, alors x appartient au bassin versant de M [96]
(cf. figure 5.1).
Définition 5.1 (Bassin versant d’un minimum régional [96]) Soit M un minimum
régional d’une image numérique f . Le bassin versant associé à M (noté BV (M)) est
l’ensemble des pixels x tels qu’une goutte d’eau tombant en x rejoint finalement M.
5.1. Introduction : la segmentation par LPE 123
Figure 5.1: Minima régionaux, bassins versants et LPE
La notion de bassin versant permet d’associer à chaque minimum régional une portion
de l’image : la vallée qui lui correspond. L’ensemble des bassins versants associés à chaque
minimum régional de l’image définit une partition de l’image. L’ensemble des points de
séparation de deux bassins versants adjacents forme la ligne de partage des eaux.
Plusieurs techniques permettent de calculer la ligne de partage des eaux d’une image.
Pour certaines configurations du relief, les résultats obtenus peuvent varier légèrement [2].
Dans tout ce qui suit, nous considérerons que la LPE a été obtenue par un algorithme
d’inondation (tel que nous l’avons évoqué dans le chapitre précédent). Cette technique est
la plus utilisée aujourd’hui [96, 57]. La LPE produite par inondation peut-être formulée
à l’aide d’une distance topographique [2].
La ligne de partage des eaux est généralement calculée non pas sur l’image originale
mais sur son gradient : ainsi les points de partage des eaux correspondent aux points crête
du gradient autour des minima, c’est-à-dire aux lieux de forte transition d’intensité sur
l’image originale. Les régions extraites par cette transformation satisfont alors au critère
d’homogénéité.
La figure 5.2 donne un exemple de la segmentation ainsi obtenue. Par définition, le
nombre de régions est égal au nombre de minima régionaux de l’image gradient. Comme
nous le voyons sur cet exemple, cette transformation conduit généralement à une sur-
segmentation de l’image et n’est donc pas directement utilisable.
Image originale "Tools" Image gradient Minima de l’image gradient Segmentation par LPE (1643 regions)
Figure 5.2: Le calcul direct de la LPE produit une sur-segmentation de l’image
La cause de la sur-segmentation est, par définition, le grand nombre de minima présents

dans l’image. Pour prévenir ce problème, F. Meyer propose de calculer la LPE à partir
d’un nombre moins important de minima. L’idée consiste à modifier l’homotopie de l’image
sur laquel on calcule la LPE, c’est-à-dire d’imposer d’autres minima à cette image : les
marqueurs des régions devant être segmentées dans l’image [61].
Marqueurs et zones d’influence

On entend par marqueur une ou plusieurs composante(s) connexe(s) permettant de lo-
caliser (même grossièrement) les régions devant être segmentées dans l’image. La question
de l’obtention de ces marqueurs est un problème central dans tous les algorithmes de seg-
mentation par LPE. Ce point sera largement abordé dans toute la suite de ce chapitre.
Rappelons tout d’abord brièvement, le principe de la segmentation par LPE à partir de
marqueurs.
Notons fM l’image (binaire) des marqueurs définie comme suit :
(
0 si x ∈ Marqueur
fM (x) =
∞ sinon
L’ensemble des minima régionaux de cette fonction est exactement égal à l’ensemble
des marqueurs des régions à segmenter. Une manière de contrôler le résultat de la seg-
mentation est de modifier les minima de l’image sur laquelle on calcule la LPE (l’image
gradient le plus souvent), c’est-à-dire d’imposer nos marqueurs (les zéros de fM ) comme
seuls minima régionaux de l’image g. Ceci est réalisé très simplement par une reconstruc-
tion géodésique de (g ∧ fM ) par fM [61] (voir figure 5.3) :
g ′ = ǫ∞ ((g ∧ fM ), fM ) (5.1)
fM fM
LPE(g) LPE(g’)
g’
g g
Figure 5.3: Modification de l’homotopie d’une image gradient : on impose d’autres minima
à l’image en utilisant une reconstruction géodésique
On peut alors associer à chaque marqueur-minimum un bassin versant sur l’image

dont l’homotopie a été modifiée (g ′) et définir ainsi une nouvelle partition de l’image. La
figure 5.4 illustre notre propos. Sur cet exemple, les marqueurs considérés ont été obtenus
par un filtrage préalable de l’image (ici par un filtre alterné séquentiel de taille 3) puis
en considérant les extrema régionaux de l’image filtrée. Cette méthode permet d’assurer
que les régions segmentées ont une taille minimale : elles contiennent la boule de taille
3. On a ainsi souvent recours à une étape de pré-filtrage de l’image (image originale ou
image gradient) dans les algorithmes de segmentation par LPE. En effet, la plupart du
temps, un problème de segmentation est défini par un cahier des charges précis des régions
Image filtree Extrema de l’image filtree Modif. de l’homothopie du gradient Segmentation par LPE (48 regions)
Figure 5.4: Segmentation obtenue après modification de l’homotopie du gradient
à extraire. C’est au niveau du ou des filtres utilisés que les connaissances a priori sont
généralement introduites dans l’algorithme de segmentation. L’ajustement des paramètres
de filtrage est alors, dans de nombreux cas, le seul point mécanique de l’algorithme.
La modification de l’homotopie du gradient est en fait une étape fictive qui n’apparaı̂t
pas explicitement dans l’algorithme aujourd’hui utilisé pour calculer la LPE. En effet,
la définition algorithmique de la LPE plus générale que la définition formelle permet de
dissocier cette notion de celle de minima régionaux [96, 57]. Considérant un ensemble
de marqueurs quelconques (connexes ou non), chaque marqueur représente une source
d’inondation du relief. La LPE associée à ces marqueurs correspond alors aux barrages
qu’il faut ériger pour que deux lacs provenant de deux sources distinctes ne se rencontrent
pas lorsque le niveau d’inondation du relief progresse.
Lorsque la LPE est calculée à partir de marqueurs quelconques, les régions ainsi définies
autour des marqueurs sont appelées zones d’influence.
Notons que, dans le cas où les marqueurs sont connexes, alors, le nombre de régions est
exactement égal au nombre de marqueurs. Cette propriété n’est pas forcément satisfaite
dans le cas de marqueurs non connexes.
LPE des minima de g
LPE des marqueurs
marqueurs
Figure 5.5: Algorithme de calcul de la LPE à partir de marqueurs quelconques : l’eau

pénètre dans le relief à partir des marqueurs et non plus des minima.
5.1.2 Les points clefs de la segmentation par LPE

Nous avons vu que les algorithmes de segmentation par ligne de partage des eaux consis-
tent en trois étapes :
1. Extraire des marqueurs des régions à segmenter
2. Déterminer l’image sur laquelle on calcul la LPE (image gradient le plus souvent)
3. Calculer la LPE associée aux marqueurs
La LPE s’avère être une technique puissante de segmentation, à partir du moment où
les étapes préparatoires (1 et 2) qui lui sont associées sont correctement effectuées : la
segmentation finalement obtenue est en effet entièrement conditionnée par les marqueurs
sélectionnés et l’image sur laquelle la LPE est calculée.
L’expérience montre que les images que l’on rencontre dans la pratique sont rarement
d’aussi bonne qualité que l’image “Tools” précédemment étudiée. L’exemple de la fig-
ure 5.6 en est une illustration. Il sagit ici de segmenter des cellules musculaires séparées
sur l’image par des filaments clairs. Cet exemple est particulier car on peut calculer di-
rectement la LPE sur l’image originale. Soulignons que les lignes de séparation entre les
différentes cellules présentent de fortes irrégularités locales d’intensité.
A chaque cellule est associé un et un seul marqueur connexe localisant très approxi-
mativement les régions à extraire (nous avons obtenus ces marqueurs “à la main” en les
choisissant parmi les minima régionaux de l’image). La LPE est calculée directement sur
l’image originale. Nous constatons que certaines cellules sont mal segmentées.
Image originale Marqueurs Segmentation
Figure 5.6: Exemple ”Muscle” : la segmentation des cellules est délicate
Pour améliorer la segmentation dans ce cas, on peut agir sur deux points : les mar-
queurs et l’image sur laquelle la LPE est calculée (image originale dans notre exemple,
image gradient le plus souvent).
Influence du choix des marqueurs sur la segmentation

Les figures 5.7 et 5.8 illustrent l’importance du choix des marqueurs dans le cas où les
contours des objets pour une raison ou pour une autre sont mal définis : présence de bruit,
information localement manquante, imprécision sur la position du contour (dans le cas de
régions emboı̂tées par exemple)... D’une manière générale, plus les contours des régions à
extraire sont mal définis, plus il est nécessaire que ces régions soient marquées de manière
précise pour que la segmentation soit correcte.
image claire image bruitee
f f f
marqueur
marqueurs LPE etendu
LPE LPE
g g g
Figure 5.7: Influence des marqueurs sur la segmentation : la présence de bruit de forte
amplitude par exemple peut modifier la segmentation (figure centrale) ; une solution peut
alors consister à utiliser des marqueurs plus précis des régions d’intérêt (figure de droite).
Image originale Marqueurs plus precis Segmentation
Figure 5.8: La qualité de la segmentation est fonction de la précision des marqueurs

(résultat à comparer à celui de la figure 5.6)
Qualité de l’image sur laquelle est calculée la LPE

La LPE est très souvent calculée sur une image gradient. En effet, les contours des ré-
gions ou objets d’une image correspondent aux zones de forte transition d’intensité sur
l’image et donc aux lignes de crêtes de l’image gradient. Si cette information est locale-
ment manquante, alors cela se traduit au niveau du gradient par une discontinuité locale
d’intensité. La LPE peut alors ne plus suivre du tout les lignes de crêtes aux environs
de cette discontinuité (voir figure 5.9). De tels phénomènes se rencontrent fréquemment
lorsqu’on analyse des images réelles. L’idée est alors de corriger l’image sur laquelle on
calcule la LPE, c’est-à-dire de renforcer l’information de contour, avant de procéder au
calcul de la LPE. Plusieurs actions sont envisageables.
Irregularite locale
LPE
Contour
marqueurs marqueurs
Figure 5.9: Influence de la qualité du gradient sur la segmentation : une irrégularité locale
peut modifier notablement la position de la LPE.
• Correction par fermeture

Une procédure désormais classique permettant de renforcer les contours des régions
consiste à appliquer une fermeture. La taille de la fermeture est définie en fonction de
celle des irrégularités locales devant être compensées.
Cette opération a pour conséquence de modifier totalement la répartition des niveaux
de gris de l’image : l’information fine relative aux contours est notablement dégradée, il
peut y avoir une amplification du bruit ponctuel. De ce fait, les contours extraits par cette
méthode sont très souvent fort imprécis (voir figure 5.10).
Effet d’une fermeture
Fermeture de taille 4 Marqueurs Segmentation
Figure 5.10: Correction de l’image par une fermeture morphologique puis segmentation
(résultat à comparer à la figure 5.8).
• Correction par “Addition / Dilatation”

Cette méthode a été introduite par F. Meyer [56]. Elle permet de corriger les défauts
de la fermeture tout en conservant ses bonnes propriétés.
Rappelons tout d’abord qu’une fermeture est le résultat de la composition d’une di-
latation et d’une érosion. Le fait que la fermeture corrige les irrégularités locales est
dû à la partie dilatation : en dilatant l’image des contours, les irrégularités locales sont
”bouchées”. L’érosion quant à elle est utilisée pour compenser l’étalement des valeurs
hautes engendré par la dilatation. Or, lorsque deux lignes crêtes du gradient sont suff-
isamment proches, la dilatation peut fusionner ces lignes de crêtes. Dans ce cas, l’érosion
ne joue pas son rôle correctif (les lignes de crête proches restent jointes) et on perd défini-
tivement l’information fine des contours.
Ainsi, on peut dire que les bonnes priopriétés de la fermeture sont dues à la dilatation
et que ses inconvénients sont dus à l’érosion qui ne joue pas correctement son rôle dans
certaines configurations.
Pour remédier à cela, une solution peut consister à remplacer l’érosion par une moyenne
entre l’image originale et l’image dilatée : on calcule 12 (f + δ1 (f )). Ainsi, l’étalement des
niveaux de gris qui résulte de la dilatation est corrigé sans que les profils en niveaux de
gris entre les lignes de crête soient radicalement modifiés.
Cette opération doit être itérée un nombre de fois égal à la taille des irrégularités
locales. Ainsi, si une fermeture de taille n est nécessaire, le processus de dilatation/addition
sera itéré n fois ; on calcule :
1
(δ(i−1) (f ) + δi (f )) pour 1 ≤ i ≤ n avec δ0 (f ) = f
2
Dilatation
(dilate + original) / 2
Original
(Dilatation / Addition) x 4 Marqueurs Segmentation
Figure 5.11: Correction par dilatation/moyennage - Effet sur la segmentation
Observons sur notre exemple comment cette correction agit sur le résultat obtenu par
LPE (voir figure 5.11). L’image gradient corrigée semble visuellement meilleure bien que
le signal soit encore très altéré par cette transformation. Notamment, comme dans le cas
de la fermeture, le bruit local est amplifié : cela se traduit sur notre exemple par une
dégradation notable du contour des cellules les plus denses.
• Correction utilisant une sur-segmentation de l’image

Le principal défaut des méthodes que nous venons de présenter vient du fait que les
transformations utilisées ne sont ni locales ni directionnelles et qu’elles ne prennent pas
en compte la structure particulière des zones d’intérêt de l’image : les lignes de crête. De
ce fait, la correction de défauts locaux s’accompagne d’une altération générale du signal
: amplification du bruit local, dégradation de l’information fine des lignes de crête...
L’idée consiste alors à prendre en compte l’information locale et fine des lignes de crête
des images en utilisant une sur-segmentation de l’image. En effet, lorsque les lignes de crête
à extraire présentent des irrégularités locales, la qualité de la segmentation se détériore
lorsqu’on diminue le nombre de régions, mais lorsque ce nombre est suffisamment élevé,
les régions sont correctement segmentées : certains contours non-significatifs sont extraits
mais l’information relative aux contours significatifs est présente (voir figure 5.12).
LPE
Portion de
contour
Point triple
Image originale Grand nombre de marqueurs Sur-segmentation
Figure 5.12: On utilise la sur-segmentation pour effectuer une correction locale du gradient
Cette idée a été émise et utilisée pour la première fois par S. Beucher notamment pour
introduire un processus de segmentation hiérarchique de l’image et résoudre le problème de
la sur-segmentation des images [2] : après avoir calculé une première segmentation (lLPE
associée à tous les minima de l’image gradient), on calcule l’image mosaı̈que associée (on
associe à chaque bassin versant, un niveau de gris égal au niveau de gris moyen de l’image
originale sur cette région), puis une nouvelle segmentation est calculée sur le gradient
de l’image mosaı̈que et ainsi de suite... On construit ainsi un processus de fusion de
régions : deux régions fusionnent lorsque leur niveau de gris moyen est proche. Notons à
ce propos que d’autres critères de fusion peuvent être utilisés [14, 48]. Le recours à une
image mosaı̈que s’avère être souvent une bonne solution lorsque la LPE est calculée sur
une image gradient et que l’on cherche à extraire des régions aux contours localement mal
définis. En effet, on prend ainsi en compte non plus les valeurs locales du gradient sous
la fonction numérique mais les différences entre les “contrastes moyens” de deux régions
voisines. Par contre, cette méthode utilise à la fois l’information de l’image originale et
celle du gradient. Dans notre exemple notamment, la LPE est calculée directement sur
l’image originale et cette méthode n’est donc pas utilisable.
Moyenne sous les portions Sup entre l’image originale et

Sur-segmentation l’image des moyennes locales
de contour
Figure 5.13: Correction du gradient par des moyennes locales sous les portions de LPE
Notre but ici est de renforcer les niveaux de gris le long des lignes de crête de l’image
sans utiliser d’autre connaissance que celle relative à l’image étudiée. Nous considérons
pour cela chaque arc de contour extrait par une première segmentation de l’image : un
arc est défini comme l’ensemble des pixels situés entre deux points triples (points de la
LPE ayant 3 voisins sur la LPE pour la trame hexagonale) (voir figure 5.12).
On applique alors un processus correctif non plus sur toute l’image (comme précédem-
ment) mais uniquement sous chaque portion de LPE. On limite ainsi le risque d’altérer le
signal entre les lignes de crête de l’image comme cela se produisait pour les deux précé-
dentes méthodes.
On peut, à partir de ce principe, appliquer une fermeture ou toute autre transformation
susceptible de corriger correctement les irrégularités locales du gradient sous les contours
de la sur-segmentation. La figure 5.13 illustre le résultat obtenu en calculant des moyennes
locales.
Nous avons appliqué l’algorithme suivant :
1. Calcul d’une première segmentation à partir d’un nombre important de marqueurs.

Le résultat est une sur-segmentation de l’image.
2. Elimination des points triples de la LPE : chaque portion de LPE définit alors une
composante connexe.
3. Labelisation des portions de contours.
4. Calcul de la moyenne de l’image sous chaque portion.
5. On affecte à chaque point triple la plus grande valeur calculée sur les portions qui
lui sont adjacentes.
6. On prend le sup entre l’image originale et l’image des moyennes locales : ceci de telle
sorte que les irrégularités locales soient corrigées sans que, en dehors de ces points
sensibles, les niveaux de gris des lignes de crête ne soient modifiés.
Moy. sous les portions de LPE Marqueurs Segmentation
Figure 5.14: Segmentation obtenue après correction de l’image par des moyennes locales
sous les portions de LPE (LPE obtenue par une première sur-segmentation de l’image)
Cette méthode peut être assimilée aux transformations géodésiques qui considèrent
une image sur laquelle elles s’appliquent et un masque géodésique délimitant la portion
de l’image allant être transformée. Ici, l’information directionnelle est bien prise en compte
puisque les portions de LPE suivent exactement les lignes de crête de l’image.
Nous donnons figure 5.14 la segmentation obtenue par cet algorithme de correction.
Cette fois-ci le résultat est correct. Des exemples d’utilisation de tels processus correctifs
pour la segmentation d’images complexes pourront également être trouvés dans [48].
Plusieurs remarques peuvent être faites à propos de cet algorithme :
• Tout d’abord, nous ne discutons pas ici de la question de la bonne sur-segmentation à

considérer. Bien entendu, la solution la plus simple car non paramétrique consiste à
calculer la LPE associée à l’ensemble des minima régionaux du gradient. On s’expose
alors au risque d’obtenir un nombre très important de petites régions et des portions
de contours de très petite taille. Or, pour que la correction proposée soit valable, la
taille de chaque portion de LPE doit être grande devant celle des irrégularités locales
du gradient de telle sorte que la moyenne soit calculée sur un nombre suffisant de
points de forte valeur. De plus, si la sur-segmentation est trop importante, et les
moyennes locales calculées sur un petit nombre de points, on risque d’introduire des
distorsions sur l’image : amplification du bruit local, jonction de lignes de crête...
D’autre part, si le nombre de régions est trop faible, on s’expose alors au risque de
perdre les contours significatifs. Il faut donc faire un compromis entre un nombre de
régions trop important qui peut être à l’origine d’artéfacts de gradient et un nombre
trop faible de régions qui peut rendre la correction inopérante [48].
• Il faut souligner également que cette méthode fonctionne si les irrégularités sont
seulement locales. En effet, il n’est pas possible, par ce biais, d’extrapoler l’information
de contour qui n’existe pas sur l’image gradient. Il faut dans ce cas avoir recours à
d’autres méthodes plus élaborées.
5.2. Extraction de marqueurs à l’aide des fonctions d’extinction 133
5.1.3 Conclusion
Dans cette première partie introductive, nous avons décrit les étapes clefs des algorithmes
de segmentation basés sur la LPE. Si cette technique a prouvée son efficacité à résoudre
des problèmes complexes de segmentation d’image, il n’en reste pas moins que la mise en
oeuvre des algorithmes de segmentation par LPE est bien souvent délicate.
D’une manière quelque peu simplificatrice, la LPE fonctionne bien si les contours des
régions à extraire sont clairement définis et si on marque correctement ces régions. Or,
la plupart du temps, ces conditions ne sont naturellement pas satisfaites. L’utilisateur
doit alors avoir recours à un certains nombre de transformations d’image pour orienter
convenablement le comportement de l’algorithme de segmentation qu’il construit.
Le point central de tout algorithme de segmentation par LPE est certainement l’extraction
de marqueurs des régions à segmenter. Tout-à-fait volontairement, la question de la réso-
lution de ce problème n’a pas été réellement abordée dans cette section : elle est au centre
de nos préoccupations dans les sections suivantes de ce chapitre.
5.2 Extraction de marqueurs à l’aide des fonctions

d’extinction
Nous avons vu l’importance du rôle des marqueurs dans les algorithmes de segmentation.
C’est par leur intermédiaire qu’on répond à la question : qu’est-ce qu’on cherche à seg-
menter ? La question de la segmentation proprement dite des régions choisies relève ensuite
d’un processus entièrement automatique : le calcul de la LPE associée aux marqueurs.
Pour résoudre ce problème , on dispose généralement d’informations a priori permet-
tant de caractériser les régions recherchées : selon leur taille, leur forme, leur contraste,
des caractéristiques relatives à leur contour... Extraire des marqueurs des régions d’intérêt
dans l’image consiste alors à traduire sous forme algorithmique l’ensemble de ces infor-
mations.
Il serait fastidieux voire même impossible d’énumérer l’ensemble des méthodes qu’il est
possible d’utiliser pour mener à bien cette étape d’extraction de marqueurs : chaque prob-
lème de segmentation d’image nécessite la plupart du temps l’élaboration d’une technique
spécifique.
On peut cependant distinguer une approche “type” très souvent utilisée : elle consiste
à filtrer l’image originale (ou l’image gradient) puis à extraire les extrema (les minima,
les maxima ou les deux) de l’image filtrée. Ce sont les connaissances a priori qu’on a
des régions recherchées qui décident du choix du (ou des) filtre(s) à utiliser. La mise
au point d’une telle procédure est bien souvent délicate et s’effectue généralement par
tâtonnements...
Les fonctions d’extinction que nous avons introduites présentent trois grands atouts
par rapport aux approches “classiques” :
• Tout d’abord elles sont explicites, ce qui facilite la transcription du “cahier des
charges” en langage machine : les valeurs d’extinction surfaciques par exemple per-
mettent d’extraire la taille des régions de l’image, la dynamique calculée sur l’image
originale correspond à une mesure du contraste des régions de l’image, la dynamique
calculée sur l’image gradient correspond à une mesure de la force et de la régularité
des contours des régions de l’image ...
• Une fois le (ou les) critères à prendre en compte choisi(s), le problème de l’extraction
de marqueurs des régions de l’image satisfaisant ce(s) critère(s) ne consiste plus qu’en
un simple seuillage de la (ou des) fonction(s) d’extinction correspondante(s).
• Enfin, la rapidité des algorithmes de calcul des fonctions d’extinction rend leur
utilisation conviviale.
5.2.1 Présentation sur quelques exemples

Nous nous proposons d’illustrer notre propos par quelques exemples concrets de segmen-
tation. A partir de ces exemples, nous espérons éclairer le lecteur sur la spécificité de cha-
cun des outils que nous allons étudier : la dynamique (symétrique ou non), les fonctions
d’extinction surfacique et volumique. Quelques autres illustrations pourront également
être trouvées dans [93, 95].
Comportement de la fonction d’extinction surfacique calculée sur le gradient
• Segmentation de cellules musculaires

Nous reprenons l’exemple des cellules musculaires que nous avons déjà étudié. Nous
avions alors sciemment négligé de mentionner comment les marqueurs des cellules pou-
vaient être obtenus. Examinons maintenant ce point.
Les régions d’intérêt (les cellules) sont presque essentiellement caractérisées par leur
taille. En effet, nous avons vu que le contour des cellules n’est pas une information fiable
puisque certains contours présentent de fortes irrégularités locales.
Nous proposons donc d’utiliser la fonction d’extinction surfacique associée aux min-
ima de l’image pour extraire des marqueurs des cellules. Nous avons retenu les 20 minima
de l’image de plus forte valeur d’extinction surfacique, puis nous avons calculé la LPE
associée à ces marqueurs directement sur l’image originale sans procéder à aucun renforce-
ment préalable des contours des cellules. La segmentation ainsi obtenue est comparée à
celle dérivée de la dynamique des minima (on retient les 20 minima de l’image de plus
forte dynamique). Malgré la mauvaise qualité des contours, les cellules sont correctement
segmentées (voir figure 5.15).
Figure 5.15: Exemple “Muscle” : segmentation des 20 régions les plus significatives de
l’image en termes de surface (image de gauche) ou de dynamique (image de droite)
La dynamique, par contre, n’est pas bien adaptée à ce problème : elle ne permet
d’extraire que les cellules aux contours forts et uniformes ; on extrait, en outre, de très
petites régions non significatives.
D’une manière générale, on constate que les valeurs d’extinction surfaciques sont moins
sensibles aux irrégularités locales des contours que la dynamique (voir figure 5.16).
Gradient uniforme Irregularite locale
LPE LPE
M M
Surf(M)=S Surf(M)=S
Dyn(M)=d Dyn(M)<d
N N
marqueurs marqueurs
Figure 5.16: Comparaison des sensibilités des valeurs d’extinction surfaciques et de la

dynamique aux variations locales d’intensité : la dynamique prend en compte le plus bas
niveau de gris sous chaque arc de LPE ; dans le cas des valeurs d’extinction surfaciques
seule la position des arcs de LPE intervient.
• Segmentation d’une vue aérienne

Sur cet exemple, nous cherchons à segmenter les différents champs de l’image (voir
figure 5.17). Du fait de la mauvaise qualité du gradient, ce problème est assez délicat : les
contours des champs sont imprécis. Malgré cela, les valeurs d’extinction surfaciques des
minima du gradient permettent de segmenter assez correctement les principales régions
de l’image.
Figure 5.17: Exemple “Aer” : segmentation des régions de l’image de surface supérieure
ou égale à 4000 puis à 6000 pixels
Dynamique, fonctions d’extinction surfacique et volumique : comportements

comparés
• Simplification d’image par segmentation sans perte du sens

Nous nous plaçons ici dans un tout autre cadre : la segmentation est utilisée ici pour
simplifier l’image (en réduisant le nombre de zones plates de l’image) avec comme con-
trainte de minimiser la perte d’information. Ce genre de procédé est utilisé notamment
(sous une forme plus complexe) pour le codage d’image [59].
On procède de la façons suivante : extraction de marqueurs des régions significatives
de l’image, segmentation, calcul de la mosaı̈que (on associe à chaque région segmentée un
niveau de gris égal à la valeur moyenne de l’image originale sur cette région).
La pertinence d’une région est définie par la perception visuelle qu’on en a : une large
région même peu contrastée doit être préservée. Une petite région fortement contrastée
doit l’être également car l’oeil la perçoit tout aussi bien... L’outil le mieux adapté à
l’ensemble de ces contraintes est a priori la fonction d’extinction volumique qui considère
simultanément l’information de taille et de contraste.
Les fonctions d’extinction sont calculées sur le gradient : ainsi les structures sombres
et claires sont traitées de manière non indépendantes. Pour que la dynamique et les
valeurs d’extinction volumiques tiennent compte du “contraste” relatif entre les régions
de l’image, nous construisons l’image gradient de la façon suivante : dans un premier
temps une première sur-segmentation est calculée à partir de l’ensemble des minima du
gradient morphologique (voir section B.2.1) de l’image originale. Le gradient que nous
utilisons est défini comme le gradient morphologique de la mosaı̈que associée à cette sur-
segmentation (voir figure 5.18). Ainsi, les niveaux de gris sous une portion de contour
correspondent à la différence de contraste moyen entre les régions adjacentes [2]. Cette
opération a également pour conséquence de réduire le nombre de minima à traiter.
Image originale
Gradient de l’image originale Image mosaique (1345 regions) Gradient de l’image mosaique
Figure 5.18: Exemple “Lena” : Sur-segmentation, image mosaı̈que et gradient

La dynamique et les valeurs d’extinction volumiques et surfaciques des minima de

cette nouvelle image gradient sont calculées. Nous retenons à chaque fois comme mar-
queurs les 100 minima de plus fortes valeurs et nous calculons les segmentations puis
les images mosaı̈ques associées (voir figure 5.19). Comme prévu, les valeurs d’extinction
volumiques permettent d’obtenir la meilleure qualité visuelle d’image. Dans le cas des
valeurs d’extinction surfaciques, certaines larges régions non significatives sont extraites
(dans le fond de l’image en arrière plan notamment) et certains détails importants man-
quent (l’oeil droit de Léna par exemple). Dans le cas de la dynamique, c’est l’inverse qui
se produit. Cette exemple confirme la remarque déjà faite précédemment : un critère qui
concilie taille et contraste permet d’orienter la détection vers un résultat compatible avec
le système visuel humain.
Figure 5.19: Exemple “Lena” : segmentation des 100 régions les plus significatives en
termes de volume (à gauche), de surface (au centre), de dynamique (à droite). Les valeurs
d’extinction ont été calculées sur le gradient de l’image mosaı̈que.
Comparaison entre la dynamique et la dynamique symétrique

• Segmentation d’une vue aérienne
Jusqu’à présent, pour traiter les images biphasées et considérer simultanément et de
manière non indépendante les structures claires et sombres de l’image, nous avons calculé
les fonctions d’extinction sur des images gradient. Pour la surface et le volume cela semble
tout-à-fait pertinent. Par contre, les exemples précédents montrent que, dans le cas de
la dynamique, cette démarche ne convient pas. Examinons donc les comportements de la
dynamique et de la dynamique symétrique dans un processus de segmentation.
Nous reprenons l’exemple “Aer” déjà étudié à l’aide des valeurs d’extinction sur-
faciques. Nous avons choisi cet exemple car chaque champ présente une texture partic-
ulière : ceci va nous permettre d’étudier la différence entre la dynamique et la dynamique
symétrique pour des textures différentes. Sur la figure 5.20 nous constatons qu’il n’y a
aucune différence au niveau des régions homogènes (au niveau du lac par exemple) et
une différence notable dans le cas des régions fortement texturées (régions boisées par
exemple).
Si les marqueurs extraits à partir de la dynamique symétrique semblent tout-à-fait
corrects (à chaque champ dans l’image correspond un et un seul marqueur), la segmenta-
tion déduite n’est pas pertinente : dans le cas de la dynamique symétrique comme dans le
Image originale Extrema de dynamique > 80 Extrema de dynamique sym. > 80
Image gradient Segmentation (15 regions) Segmentation (5 regions)
Figure 5.20: Exemple “Aer” : segmentation des régions fortement contrastées de l’image
en utilisant la dynamique des extrema de l’image originale ou leur dynamique symétrique
cas de la dynamique, les contours extraits ne correspondent pas aux contours des champs
mais à ceux de sur-densités locales ou bien à du bruit.
Ce comportement est tout-à-fait caractéristique de la dynamique et de la dynamique
symétrique. Nous le schématisons figure 5.21. Nous avons représenté une région fortement
contrastée, bruitée et aux contours “incertains”. Le bruit local de forte amplitude corre-
spond à des pics étroits de haute intensité donc de forte dynamique. Lorsqu’on extrait un
marqueur de la région en utilisant la dynamique ou la dynamique symétrique des extrema
de l’image, alors ce marqueur pointe justement sur cette sur-densité locale qui n’est pas
réellement significative. Dans de telles configurations, la LPE ne permet pas d’extraire
les contours recherchés. C’est pour cette raison d’ailleurs que la dynamique est souvent
associée à un pré-filtrage spatial de l’image de telle sorte à éliminer l’influence du bruit
sur le résultat.
M M Extrema de forte
dynamique
N N
dyn(M)
Contours extraits
Structure de fort contraste Contours "vrais"
Figure 5.21: Extraction des marqueurs des régions de fort contraste par sélection des
extrema de forte dynamique ou de forte dynamique symétrique : les marqueurs peuvent
être localisés sur des pics de forte amplitude non significatifs.
5.2.2 Comparaison avec une opération équivalente de filtrage

Nous avons introduit les fonctions d’extinction comme des opérateurs dérivés de familles
croissantes de filtres connexes : un extremum est valué avec la taille maximale du filtre
qu’il est possible d’appliquer sans qu’il soit éliminé. A chaque extremum de l’image filtrée
de taille λ correspond un et un seul extremum de l’image originale de valeur d’extinction
supérieure ou égale à λ. Les deux opérations suivantes permettent de marquer les mêmes
régions de l’image :
• Seuillage de la fonction d’extinction au niveau λ
• Calcul de l’image filtrée de taille λ et extraction de ses extrema (minima ou maxima

ou les deux selon le cas)
Par contre, les marqueurs extraits par ces deux méthodes diffèrent : par seuillage de
la fonction d’extinction on extrait des marqueurs locaux (ce sont des extrema de l’image
originale) ; par le filtrage, on extrait des marqueurs étendus (les filtres utilisés pour définir
les fonction d’extinction sont connexes : ils ont pour propriété caractéristique de propager
et de fusionner les plateaux de l’image d’entrée).
Comparons les segmentations déduites de ces deux approches sur l’exemple de la
dynamique symétrique (voir figure 5.22). La segmentation calculée à partir des extrema
de l’image originale de dynamique symétrique supérieure à 80 est comparée à celle dérivée
Figure 5.22: Comparaison entre la segmentation obtenue à partir de la dynamique

symétrique et celle obtenue en calculant le filtre de contraste équivalent. De haut en bas
et de gauche à droite : Image originale, extrema de dynamique symétrique supérieure à
80, segmentation associée à ces marqueurs (LPE calculée sur l’image gradient), filtrage de
l’image originale (h-reconstruction alternées séquentielles de taille 80), extrema de l’image
filtrée, segmentation associée (LPE calculée sur la même image gradient)
du calcul de la transformation alternée séquentielle associée : h-reconstructions alternées

séquentielles de “taille” 80. Le recours au filtrage permet d’obtenir un meilleur résultat.
Ce résultat était prévisible car nous avons vu que les marqueurs extraits sont différents
même s’ils pointent sur les mêmes structures. Par contre, ce comportement est assez
caractéristique de la dynamique. Examinons la figure 5.23 qui explique cette situation.
Les extrema de forte dynamique correspondent, comme nous l’avons vu, à des sur-densités
et bien souvent à du bruit local de faible amplitude. Les contours de ces petites régions
étant souvent fortement marqués, la LPE vient se positionner à ce niveau. Par le filtrage,
on extrait des marqueurs étendus qui permettent un meilleur contrôle du positionnement
des arcs de LPE. Ce comportement ne se produit pas dans le cas des valeurs d’extinctions
surfaciques et volumiques puisque la dimension spatiale des régions est prise en compte :
les marqueurs des régions de grande taille ou de grand volume se positionnent en dehors
des sur-densités de faible amplitude.
M Extrema de forte T.A.S. M

Extrema de la T.A.S.
dynamique
N N
Contours extraits Contours extraits
Figure 5.23: Les extrema de forte dynamique pointent sur des sur-densités locales
Ainsi, il serait préférable pour certaines applications en segmentation d’image de

calculer des filtres de contraste plutôt que d’utiliser la dynamique ou la dynamique
symétrique ? En fait, nous allons voir qu’un résultat équivalent à celui déduit du fil-
trage peut être obtenu en utilisant l’information contenue dans les arbres de fusion des
extrema construits lors du calcul de la dynamique ou de la dynamique symétrique.
5.2.3 Utilisation des arbres de fusion des extrema pour l’extraction

de marqueurs plus précis
Nous avons vu au chapitre 4 que le calcul d’une fonction d’extinction produit un arbre de
fusion des minima ou des extrema de l’image et que cet arbre contient toute l’information
qu’il est possible d’extraire en calculant la famille croissante de filtres correspondants (voir
section 4.2). Rappelons brièvement les règles de construction de ces arbres.
Les noeuds de l’arbre de fusion correspondent aux extrema de l’image et sont valués
avec leur valeur d’extinction, c’est-à-dire avec la taille maximale du filtre qu’il est possible
de calculer sans que la structure pointée par M soit intégralement filtrée. Une branche
orientée et valuée (par une valeur λ) de l’arbre lie deux extrema M et M ′ ([M → M ′ ]) si
M et M ′ appartiennent à un même plateau de l’image filtrée (paramètre de filtrage égal à
λ) : ψλ (f ) (voir section 4.2, figures 4.14 et 4.23). L’orientation va de M à M ′ si la valeur
d’extinction de M ′ est plus grande que celle associée à M.
Nous allons utiliser cette information pour approcher au plus près la segmentation
déduite par filtrage sans qu’il soit nécessaire d’effectuer l’opération de filtrage en elle-
même.
Soit s le niveau choisi pour seuiller la fonction d’extinction. Nous considérons donc tous
les extrema de valeur d’extinction supérieure à s. A chacun de ces extrema correspond un
et un seul extremum étendu de l’image filtrée ψs (f ) .
Dans une première étape, les branches de l’arbre valués avec une valeur strictement
supérieure à s sont coupées. On définit ainsi plusieurs petits arbres dont le point commun
est le suivant : si l’on considère les noeuds d’un sous-arbre donné, ceux-ci sont tous inclus
dans un même plateau de l’image filtrée de taille s. Il ne reste plus alors qu’à sélectionner
ceux inclus dans un extremum de l’image filtrée de taille s. Il suffit pour cela de ne retenir,
parmi l’ensemble des petits arbres, que ceux dont le sommet a une valeur d’extinction
supérieure ou égale à s (voir figure 5.24).
On obtient ainsi un ensemble de marqueurs non connexes qui vérifie : à chaque mar-
queur correspond un et un seul extremum de l’image filtrée de taille s ; chaque marqueur
est entièrement inclus dans un extremum de l’image filtrée ψs (f ).
M Arbre de fusion M Petits arbres des extr.
4 des extrema 4 de dyn. sym. > 5
5 5
1 1
1 1
9 9
2 7 2 7
L L
11 N 11 N
M Marqueurs
non connexes
Extrema de
l’image filtree
h-reconstructions alt. seq. N
Figure 5.24: Extraction de marqueurs à partir de l’arbre dynamique de fusion des extrema
de l’image (arbre déduit du calcul de la dynamique symétrique). Si s est le seuil en
dynamique choisi, on élague les branches de l’arbre de valeur strictement supérieure à s :
on obtient plusieurs petits arbres. On ne retient que les arbres dont le sommet a une valeur
d’extinction supérieure à s. On aboutit ainsi à un ensemble de marqueurs non connexes
proche de l’ensemble des extrema de l’image filtrée (par le filtre équivalent de taille s).
Cette méthode permet d’obtenir des marqueurs plus précis des régions à segmenter que
celle qui consiste juste à sélectionner les extrema de l’image. Mais elle ne permet pas de
retrouver exactement les extrema étendus extraits de l’image filtrée. Cependant, comme
la plupart des images réelles sont bruitées, et que, de ce fait, le nombre d’extrema traités
est élevé, on est sûr que la différence entre les extrema étendus de l’image filtrée et les
marqueur non-connexes ainsi extraits est faible (les petits arbres extraits sont “touffus”).
Nous rappelons que le calcul de la ligne de partage des eaux à partir de marqueurs non
connexes relève du même processus que celui utilisé dans le cas de marqueurs connexes :
pour un marqueur donné (auquel on a associé un label), chacune de ses composantes
connexes donne naissance à un lac, mais les lacs ainsi produit ont même label ; de ce fait,
leur rencontre ne produit pas d’arc de LPE.
Nous donnons figure 5.25 la segmentation obtenue par cette méthode sur l’image “Aer”
: le résultat est très proche de celui dérivé du calcul des h-reconstructions alternées séquen-
tielles (comparaison avec la figure 5.22). Nous avons vu que les opérateurs connexes éten-
dent les zones plates de l’image d’entrée ce qui se traduit au niveau du gradient par un
emboı̂tement des zones de gradient nul. En fait, la démarche réalisée ici à partir de l’arbre
de fusion des extrema revient à imposer ces règles d’emboı̂tement aux zones de gradient
nul.
Figure 5.25: Exemple “Aer” : extraction de marqueurs précis en utilisant l’arbre dy-
namique de fusion des extrema de l’image
Nous avons illustré ce processus dans le cas de la dynamique symétrique (voir fig-
ure 5.25). Tout ce que nous venons de dire vaut également pour les valeurs d’extinction
non symétriques. Cependant, l’arbre dérivé de la dynamique ou des valeurs d’extinction
surfaciques et volumiques (non symétriques) lie soit les maxima soit les minima de l’image
mais pas les deux, ce qui constitue un fort handicap dans de nombreux cas : lorsqu’il est
nécessaire de considérer simultanément les structures claires et sombres de l’image et que
le recours à l’étude de l’image gradient n’est pas envisageable.
5.2.4 Discussion
Une procédure classique dans les algorithmes de segmentation pour l’extraction de mar-
queurs consiste à filtrer l’image puis à considérer les extrema de l’image filtrée. Choisir le
“bon” filtre et la “bonne ” taille du filtre est généralement une étape laborieuse dans les
algorithmes de segmentation : en effet, il faut généralement itérer le processus en adaptant
petit-à-petit les paramètres ... jusqu’à temps que les résultats escomptés soient atteints.
IMAGE ORIGINALE IMAGE GRADIENT IMAGE ORIGINALE IMAGE GRADIENT
FILTRAGE EXTRACTION DES EXTREMA
ITERATIONS FONCTION(S) D’EXTINCTION

Ajustement EXTRACTION DES EXTREMA
des
parametres ITERATIONS SEUILLAGE(S)
Ajustement
des
CALCUL DE LA LPE parametres CALCUL DE LA LPE
IMAGE SEGMENTEE IMAGE SEGMENTEE
Figure 5.26: Apport des fonctions d’extinction pour la mise au point des algorithmes de
segmentation par LPE
Les fonctions d’extinction ouvrent en ce sens de grandes perspectives pour la mise

au point des algorithmes de segmentation par LPE. En effet, on obtient directement
toutes les informations utiles qu’on aurait pu obtenir en calculant des filtres équivalents
de taille croissante. Leur programmation efficace constitue donc un de leur principaux
atouts. De plus, les fonctions d’extinction permettent de disposer des distributions en
taille, en contraste, en volume ... de l’ensemble des régions de l’image. Cette connaissance
peut faciliter le choix des paramètres de seuillage et permet notamment d’extraire très
aisément les n régions les plus significatives de l’image.
Nous avons illustré figure 5.26 l’apport des fonctions d’extinction dans la mise au point
des algorithmes de segmentation par rapport à des opérations équivalentes de filtrage.
Même à l’aide des fonctions d’extinction, la mise au point de ces algorithmes nécessite
le plus souvent plusieurs itérations. En effet, pour un critère donné, c’est l’étude de l’image
segmentée qui permet la plupart du temps de décider si le seuil choisi est correct ou pas.
En conséquence, nous nous proposons maintenant de répondre à la question suivante :
est-il possible d’obtenir en une seule fois les N segmentation qu’on obtient en effectuant
N seuillages successifs des fonctions d’extinction puis en calculant les N segmentations
associées ?
5.3. Segmentation hiérarchique interactive 145
5.3 Segmentation hiérarchique interactive

Nous avons vu que la Ligne de Partage des Eaux associe à un ensemble de marqueurs
(localisant les régions d’intérêt dans l’image) des zones d’influence définissant ainsi une
partition de l’image.
Le point de vue de la segmentation hiérarchique est de calculer les segmentations
associées à un ensemble de plus en plus réduit (ou de plus en plus important) de marqueurs.
La vision hiérarchique de l’image qui s’en déduit est très riche et est de grand intérêt pour
bon nombre d’applications notamment pour les problèmes de reconnaissance automatique
de formes...
Tout le problème de la segmentation hiérarchique consiste à se donner des règles pour
définir les marqueurs à chaque niveau hiérarchique. De nombreuses méthodes ont été
développées, basées par exemple sur l’utilisation de mosaı̈ques [2], de filtres de plus en
plus (ou de moins en moins) sélectifs [77, 14, 59]...
Les points délicats de ces algorithmes sont au moins au nombre de deux : la définition
proprement dite des marqueurs et le calcul des segmentations pour tous les niveaux hiérar-
chiques (opération généralement coûteuse en temps de calcul). Nous avons proposé des
outils pouvant être utilisés pour la résolution du premier point : les fonctions d’extinction.
Nous nous attachons à présent au second point.
5.3.1 Zones d’influence hiérarchiques et arbre de fusion

Nous supposerons dans tout ce qui suit que l’on dispose d’un ensemble de marqueurs quel-
conques (connexes ou non) étiquetés. Nous supposerons de plus que ces marqueurs sont
valués : M = (Mi , ν(Mi ))i∈I . Les valeurs ν(Mi ) permettent de situer le degré d’importance
de chaque marqueur Mi dans l’ensemble M : elles introduisent naturellement une hiérar-
chisation des différentes structures de l’image pointées par ces marqueurs.
Nous définissons la segmentation au niveau hiérarchique h par la LPE associée à
l’ensemble restreint de marqueurs : {Mi ∈ M | ν(Mi ) ≥ h}.
LPE LPE
FUSION
Mi Mi
M0
Figure 5.27: Un processus de segmentation hiérarchique par croissance de régions :

l’élimination d’un marqueur se traduit par l’élimination d’un arc de LPE.
Nous noterons ZIh (Mi ) la zone d’influence associée à Mi au niveau hiérarchique h.

L’ensemble {ZIh (Mi ), i ∈ I | ν(Mi ) ≥ h} définit donc la segmentation de niveau h et
l’ensemble {ZIh−1 (Mi ), i ∈ I | ν(Mi ) ≥ h − 1} la segmentation de niveau (h − 1).
Nous supposerons, dans un premier temps, que les altitudes des cols (altitude des
points les plus bas sous les arcs de LPE) sont toutes distinctes ; le cas particuliers de
deux cols de même altitude sera examiné ensuite. Cette hypothèse faite, le processus
de segmentation hiérarchique correspond à une croissance de régions : il y a disparition
progressive des arcs de LPE, c’est-à-dire fusion progressive des zones d’influence (voir
figure 5.27 et 5.28).
Soit M0 un marqueur valué par ν(M0 ) = h − 1. Quand on calcule la LPE sans M0 (au
niveau hiérarchique h), la région qui lui est associée (ZIh−1 (M0 )) est absorbée par une
région voisine (ZIh−1 (Mi )); l’arc de LPE séparant ces deux régions est éliminé.
ZIh (Mi ) = ZIh−1 (Mi ) ∪ ZIh−1 (M0 ) et Mi satisfait :
ν(Mi ) ≥ ν(M0 ) = h − 1 (5.2)
ZIh−1 (M0 ) et ZIh−1(Mi ) sont voisines (5.3)
Parmi tous les Mj satisfaisant les conditions 5.2 et 5.3, on choisit celui tel que :
la hauteur à franchir pour aller de Mi à M0 soit minimale (5.4)
Ces relations expriment que la connaissance des zones d’influence au niveau 0 et des
relations de fusion entre les marqueurs (définies par les relations 5.2, 5.4 et 5.3) suffit
pour déduire l’ensemble des zones d’influence pour tous les niveaux hiérarchiques.
ZI0 (A) ZI0 (B) ZI0 (C) ZI0 (D) ZI0 (E) ZI1 (A) ZI1 (B) ZI1 (D) ZI1 (E) ZI2 (A) ZI2 (B) ZI2 (E)
D(2) D(2)
B(5) B(5) B(5)
C(1)
A(8) E(4) A(8) E(4) A(8) E(4)
Figure 5.28: Processus de segmentation hiérarchique : on restreint progressivement

l’ensemble des marqueurs des régions à segmenter (nous avons indiqué en indice les valeurs
hiérarchiques associées aux minima ; les valeurs considérées ont été choisies au hasard).
Définition hiérarchique des zones d’influence associées aux marqueurs.
Nous allons montrer maintenant comment extraire l’information décrite par ces trois
relations, lors du calcul de la segmentation de niveau 0 (lors du calcul des zones d’influence
de niveau 0). Nous allons voir que l’on est amené à construire un arbre de fusion des
marqueurs Mi .
ZI0 (A) ZI0 (B) ZI0 (C) ZI0 (D) ZI0 (E) ZI0 (A) ZI0 (B) ZI0 (C) ZI0 (D) ZI0 (E)
D(2) D(2)
B(5) B(5)
C(1) C(1)
A(8) E(4) A(8) E(4)
Figure 5.29: Calcul de la segmentation de niveau 0 (algorithme classique de calcul de la

LPE) : on mémorise en même temps, comment les régions fusionnent au cours du processus
de segmentation hiérarchique : lorsque deux lacs de sources différentes se rencontrent, le
plus fort (celui associé à la plus forte valeur hiérarchique) absorbe l’autre.
Nous reprenons le processus d’inondation classiquement utilisé pour le calcul de la

LPE. Les minima de l’image (ou les marqueurs) sont des sources d’inondation du relief,
et l’eau inonde le relief, en pénétrant par ces minima-sources. L’inondation a lieu à niveau
constant. Lorsque deux eaux provenant de deux sources différentes se rencontrent, on est
sur un point de la LPE. Soit B et C les deux sources des lacs qui se rencontrent (voir
figure 5.29). Nous supposerons ν(B) ≥ ν(C) (dans le cas contraire, on échange les rôles
de B et C). Avec M0 = C, Mi = B la condition 5.2 est satisfaite. Les lacs de source B et
C sont des sous-ensemble des zones d’influence (de niveau 0) de B et C (par définition).
Par conséquent, si les lacs de source B et C se rencontrent, alors ZI0 (B) et ZI0 (C) sont
voisines. De plus, cela est vrai jusqu’au niveau hiérarchique : h = inf (ν(B), νC) = ν(C)
(tant qu’aucune des deux régions n’est absorbée). La condition 5.3 est donc satisfaite.
Enfin, la condition 5.4 est également satisfaite par M ′ puisque par inondation, on considère
les points cols les plus bas en premier. Par conséquent, on sait que lorsque C est éliminé
de l’ensemble des marqueurs (au niveau hiérarchique h = ν(C) + 1), la zone d’influence
de C s’unit avec celle de B. Une branche de l’arbre peut donc être créée liant B et C :
[C → B]. Cette branche indique que B absorbe C au niveau hiérarchique h = ν(C) + 1.
L’inondation se poursuit alors en considérant que la source C n’existe plus (fusion des
lacs de source B et C).
Plaçons-nous maintenant à un niveau plus élevé de l’inondation. Une partie de l’arbre

est déjà construit. Soient C et D les sources des lacs qui se rencontrent (voir figure 5.29).
C et D peuvent avoir déjà été traités (comme c’est le cas sur notre exemple), c’est-
à-dire que leur comportement dans le processus de segmentation hiérarchique est connu
; ils ont des ascendants dans l’arbre construit. Ce sont leurs ascendants de plus haut
niveau qui vont être maintenant traités ; sur notre exemple : E ou A. Sur notre exemple,
ν(A) > ν(E), on applique donc le même raisonnement que précédemment à E : au niveau
S
hiérarchique h = ν(E)+1, la zone d’influence associée à E (ZIh−1 (E) = ZI0 (E) ZI0 (D)
sur notre exemple) est absorbée par la région contenant C. Mais à ce niveau hiérarchique,
cette région a elle-même déjà été absorbée par B. ν(B) > ν(E) donc E est absorbée par
la zone d’influence (de niveau h = ν(E)) associée à B. Une nouvelle branche de l’arbre
est donc construite : [E → B]
La construction de l’arbre est effectué lors du calcul des zones d’infuence (de niveau
0) associées aux marqueurs ce qui permet de tout faire en une seule “passe”. En effet,
nous avons vu que les zones d’influence au niveau hiérarchique h se déduisent de celles
de niveau 0. Pour produire l’image des zones d’influence au niveau hiérarchique h (image
sur laquelle les pixels appartenant à ZIh (Mi ) ont comme niveau de gris le label de Mi ),
il suffit de suivre la procédure suivante :
• Lecture de l’image des zones d’influence (avec leurs labels) au niveau hiérarchique
0 : les ZI0 (Mi ).
• Pour chaque zone d’influence de niveau 0, on se place au noeud de l’arbre correspon-

dant (noeud Mi ). Partant de ce noeud, on remonte progressivement vers le sommet
de l’arbre. On s’arrête lorsqu’on atteint un noeud Mj vérifiant : ν(Mj ) ≥ h. On
attribue à la zone d’influence de niveau 0 associée à Mi le label de Mj .
Quelques remarques :
• Nous avons supposé jusqu’ici que la segmentation au niveau h se déduit de celle de

niveau (h − 1) par élimination d’un ou plusieurs arcs de LPE. Cette hypothèse n’est
pas toujours satisfaite : l’élimination d’un marqueur peut provoquer le déplacement
d’un arc de LPE lorsque deux points col ont même niveau de gris. La figure 5.30
illustre notre propos.
LPE LPE
Mj
Mi Deplacement d’arcs de LPE.
M0
Figure 5.30: L’élimination d’un marqueur peut provoquer le déplacement d’un (ou
plusieurs) arc(s) de LPE
Dans ce cas, la condition 5.4 n’a plus d’effet sur le choix de Mi et l’ensemble des
trois relations 5.2, 5.4 et 5.3 ne suffit pas à assurer l’unicité de Mi : deux régions
voisines envahissent en même temps une région sans marqueur (celle anciennement
associée à M0 ) qui est scindée en deux.
LPE
Mj
Mi
M0 Zones d’influence deduites de l’arbre des minima
Figure 5.31: L’arbre de fusion des minima fournit naturellement une solution aux config-
urations pathologiques
L’algorithme de calcul de l’arbre de fusion résoud naturellement cette indétermina-

tion : on choisit Mi absorbant M0 au hasard parmi tous les candidats possibles (l’un
des arcs de LPE est traité avant l’autre) : voir figure 5.31.
• Le processus que nous venons de décrire et qui aboutit à la construction de l’arbre
de fusion possède de très grandes similitudes avec les processus décrits pour le calcul
des valeurs d’extinction (cas non symétrique). Examinons ce point plus en détail.
A l’origine de ces notions, un mécanisme de construction commun : une inondation
de l’image (c’est-à-dire une étude des seuils successifs de l’image et des régions
connexes ainsi définies). Les branches des arbres de fusion sont construites lorsque,
en passant au seuil suivant, deux régions distinctes fusionnent. Les branches de
l’arbre sont orientées : la région la plus persistante (celle associée au minimum de
plus forte valeur d’extinction ou, ici, celle associée au plus grand niveau hiérarchique
νi ) absorbe l’autre. La différence entre le processus présenté pour le calcul des valeurs
d’extinction et le processus décrit ici réside dans deux points :
– Ici, aucune mesure sur les lacs n’est effectuée : ce sont des valeurs posées à
priori qui sont utilisées pour hiérarchiser les minima.
– Ici, les règles de fusion entre les régions sont plus complexes que celles utilisées
lors du calcul des valeurs d’extinction. Cette différence vient de la condition 5.3.
Lorsque nous avons introduit l’algorithme de calcul des valeurs d’extinction et
la notion d’arbre de fusion nous avons alors évoqué la possibilité de modifier
certaines branches de l’arbre en imposant une condition supplémentaire (voir
figure 4.15 à la fin de la section 4.2). L’utilité d’une telle mesure est désormais
illustrée.
Ceci nous conduit à faire une troisième remarque :
• Si les νMi correspondent à la dynamique des minima où à leur valeur d’extinction
surfacique ou volumique, alors, le calcul des νMi peut être effectué en même temps
que le calcul des segmentations de niveau 0 et en même temps que celui de l’arbre
de fusion contenant l’information de la segmentation hiérarchique. Ainsi, tout le
processus de segmentation hiérarchique peut être calculé en une seule inondation
d’image.
Enfin, nous pouvons comparer l’information contenue par l’arbre de fusion orienté à
celle contenue dans une structure de représentation non orientée. Nous illustrons notre
propos par la figure 5.32.
Nous reprenons l’arbre non orienté classiquement utilisé (celui que nous avons déjà
présenté au chapitre précédent). Cet arbre traduit comment les composantes connexes
des seuils successifs d’une image fusionnent lorsqu’on augmente progressivement le niveau
de seuillage de l’image.
Nous avons défini le processus de segmentation de segmentation hiérarchique à partir
de valeurs hiérarchiques νi quelconques. De ce fait, l’arbre de fusion non orienté permet
de savoir à quel niveau un arc de LPE est éliminé ; mais il ne permet pas de connaı̂tre
comment les régions fusionnent entre elles.
Lorsqu’on ne s’intéresse qu’aux arcs de LPE (comme nous allons le voir dans le para-
graphe suivant), l’arbre de fusion non orienté contient suffisamment d’information et peut
donc être utilisé. Par contre, nous donnerons un autre exemple d’utilisation pour lequel
l’arbre non-orienté ne convient plus et pour lequel l’arbre orienté devra être utilisé.
Segmentation initiale
B Marqueurs
et
Niveaux hierarchiques
200
10 A
C 100 A(1) B(2) C(3)
200
Altitude des points col sous chaque arc de LPE
Segmentation de niveau 2 Segmentation de niveau 3
200 200
B B
10 200 10 200
Marqueurs : B et C Marqueurs : C
100 A A est absorbe par C 100 A B est absorbe par C
C C
dendrone
200 Segmentation de niveau 2 : A est elimine
B
10 200 dendrone arbre de fusion
B C A B A
100 A C
arbre de fusion B C A
C
B A A est asborbe par B ou C ? A est absorbe par C
C
A(1) B(2) C(3)
Figure 5.32: Les arbres non-orientés contiennent moins d’information que les arbres de
fusion orientés : ils permettent de mémoriser à quel niveau un arc de LPE est éliminé,
mais ils ne permettent pas de mémoriser pas comment les régions fusionnent entre elles
5.3.2 Valuation des arcs de LPE

Partant d’un ensemble valué de marqueurs, trouver la “bonne” segmentation signifie
ajuster le paramètre de seuillage des valeurs associées à ces marqueurs. Dans de nom-
breux cas, la connaissance de la segmentation est nécessaire pour déterminer si le seuil
choisi est correct ou non.
Nous proposons ici de valuer les arcs de LPE de telle sorte que la segmentation de
niveau h puisse être obtenue par un simple seuillage de l’image des arcs valués. Toute
l’information utile est contenue dans l’arbre de fusion des minima. Il ne reste plus qu’à
d’écrire l’algorithme permettant d’extraire cette information.
Un algorithme a récemment été proposé par L. Najman et M. Schmitt [68, 67] dans le
cas où les νi correspondent à la dynamique. Leur algorithme utilise une structure d’arbre
non orienté similaire à celle utilisée par P. Hanusse et P. Guillataux (voir section 4.3).
Nous avons vu que l’information contenue dans l’arbre non orienté est moins riche que
celle contenue dans l’arbre de fusion orienté mais que cette information est suffisante pour
permettre de valuer correctement les arcs de LPE, et ceci quelque soient les valeurs hiérar-
chiques considérées (et pas seulement dans le cas de la dynamique). Nous allons rappeler
brièvement cet algorithme (en l’adaptant aux cas où la hiérarchie sur les marqueurs est
quelconque). Notons que cette opération peut également être effectuée à partir des arbres
de fusion orientés...
Altitude des points col sous chaque arc de LPE Segmentation de niveau 2
Arbre des minima Arbre des minima

200
B D A(1) B(2) C(4) D(3) B D A(1) B(2) C(4) D(3)
10 200 (B+C) (4) (4)
P(1) (A+(B+C)) (4) (4)
100 A
(4) (4)
C Arc(A,C) C
A(1) B(2) C(4) D(3) A(1) B(2) C(4) D(3)
Figure 5.33: Valuation des arcs de LPE à partir de l’arbre des minima
Nous supposerons que les noeuds de l’arbre ont été préalablement étiquetés : on associe
à chaque noeud terminal (correspondant à un marqueur) sa valeur hérarchique νi ; on
associe à un noeud non terminal le sup des valeurs associées à ces “fils” : voir figure 5.33.
Nous considérons la segmentation de niveau 0 (effectuée à partir de tous les marqueurs)
et nous nous plaçons en un point de LPE (P ), point séparant deux zones d’influence de
labels différents : P ∈ Arc(Mi , Mj ). Notre but est de valuer chaque arc Arc(Mi , Mj ) avec
le niveau hiérarchique h maximal tel que cet arc persiste dans la segmentation de niveau
h. L’arc Arc(Mi , Mj ) persiste tant que les régions associées à Mi et Mj n’ont pas fusionné.
La valuation de cet arc est donc obtenue en cherchant le premier ascendant commun de
Mi et Mj dans l’arbre. Ce noeud admet deux fils. On associe à l’arc Arc(Mi , Mj ), le min
des valeur hiérarchiques associées à ces deux fils.
Sur l’exemple de la figure 5.33, on cherche à déterminer le niveau hiérarchique max-
imal h tel que l’arc de LPE séparant A et C persiste dans la segmentation de niveau h.
L’ascendant commun de A et C est le noeud (A + (B + C)). Il a deux fils : A et (B + C).

La valeur hiérarchique associée à A est inférieure à celle associée à (B ∪ C), donc l’arc
séparant A et C persiste tant que A est préservé. Il est donc valué avec ν(A) = 1.
L’image des arcs ainsi valués contient toute l’information qu’on peut obtenir en seuillant
l’image des marqueurs valués au niveau h puis en calculant la LPE associée à cet ensemble
de marqueurs et ceci pour des valeurs croissantes de h (voir figure 5.34). On obtient alors
la segmentation associée à l’ensemble {Mi , ν(Mi ) ≥ h} par un simple seuillage de l’image
des arcs valués au niveau h (voir figure 5.34).

Arbre des minima
A(15) D(3) C(10) F(10) B(20) G(8) E(5)
A 100 50 B
C (10)
30 100
10 10 (20)
D
(15)
100
100 E (20)
150 80
F (20)
50
G (20)
A(15) B(20) C(10) D(3) E(5) F(10) G(8)
Segmentation de niveau h = 15
A 15 B A B
3 C 10
15 10
D 10
15 15
E
15 5
8 F
G
Figure 5.34: Valuation des arcs de LPE en utilisant l’arbre non orienté des minima : on
obtient la segmentation de niveau h par un simple seuillage de l’image des arcs valués
Il n’y a absolument aucune relation entre les valeurs associées par cette méthode
aux arcs de LPE et les valeurs de l’image sous ces arcs ; excepté dans le cas particulier
où l’image étudiée est une image gradient et où les valeurs ν(Mi ) correspondent à la
dynamique des minima du gradient : dans ce cas, en effet, les valeurs de dynamique
correspondent aux niveaux de gris de certains points col sous les arcs de LPE (si les
minima du gradient ont tous une altitude nulle), et les valuations déduites pour les arcs
sont liées aux niveaux de gris de l’image. La segmentation hiérarchique déduite de la
dynamique des minima calculée sur le gradient est en fait équivalente à celle que l’on
obtiendrait par un seuillage progressif du gradient (voir figure 5.35).
Nous donnons figure 5.36 des exemples obtenus dans le cas où les valeurs ν(Mi ) cor-
respondent : à la dynamique des extrema de l’image originale, à la fonction d’extinction
surfacique des minima du gradient et à la fonction d’extinction volumique des minima du
gradient. Nous avons préalablement imposé les extrema de l’image originale comme seuls
minima du gradient.
100 80
A 50 B A B
C C
30
10 10 30
D D 10 10
100 80
100 E 80 80 100 E
150 80
F 50 F
50
G G
Dyn(F)=10 Dyn(C)=10 Dyn(D)=30 Dyn(G)=50 Dyn(A)=80 Dyn(B) = 100 Dyn(E) > 100
Figure 5.35: La segmentation hiérarchique déduite de la dynamique des minima du gra-

dient correspond à celle que l’on obtiendrait par un seuillage progressif du gradient
Figure 5.36: Exemple “Pepper” : valuation des arcs de LPE selon, de gauche à droite, le
contraste, la surface et le volume des régions de l’image
Récapitulation :
Les notions de fonctions d’extinction et d’arbres de fusion des minima définissent des
algorithmes de segmentation dont la mise au point s’effectue très simplement, selon les
étapes suivantes (voir figure 5.37) :
1. Utilisation des connaissances a priori (quelles régions cherche-t-on à extraire ?) :
• Choix de la (ou des) fonction(s) d’extinction (dynamique, surfacique, volu-
mique) calculée(s) sur l’image originale ou sur l’image gradient.
• Les valeurs hiérarchiques associées aux marqueurs (les ν(Mi ) peuvent être
définies comme des combinaisons de plusieurs fonctions d’extinction (exem-
ple : combinaison de la surface calculée sur l’image gradient et de la dynamique
calculée sur l’image originale).
Cette étape nécessite une ou deux inondations de l’image (selon que l’on calcule les
fonctions d’extinction sur l’image originale ou sur l’image gradient ou bien sur les
deux).
2. Calcul de la segmentation initiale (à partir de tous les marqueurs) et construction
de l’arbre de fusion des marqueurs : une unique inondation de l’image est nécessaire.
3. Valuation des arcs de LPE en utilisant l’arbre de fusion des minima : une seule
lecture de l’image de la segmentation de niveau 0 est nécessaire.
4. Choix du niveau de seuillage des valeurs hiérarchiques associées aux régions sur
l’image des arcs de LPE valués pour obtenir la segmentation recherchée (segmenta-
tion interactive).
IMAGE ORIGINALE IMAGE GRADIENT
EXTRACTION DES EXTREMA
FONCTION(S) D’EXTINCTION CALCUL DE LA LPE
VALUATION DES ARCS DE LPE

ITERATIONS
Ajustement
des SEUILLAGE
parametres
IMAGE SEGMENTEE
Figure 5.37: Interaction entre la sélection de marqueurs et la segmentation déduite selon

la sélection effectuée
5.3.3 Autre exemple d’utilisation

Dans de nombreuses applications de segmentation, il peut être nécessaire d’évaluer par
un autre critère que l’analyse visuelle la qualité de la segmentation obtenue (pour le
codage d’images notamment). On peut notamment utiliser l’erreur quadratique moyenne
entre le signal d’entrée (l’image originale) et celui de sortie (l’image mosaı̈que). Notons
que d’autres opérateurs peuvent être mieux adaptés au cas particulier du codage d’image
(ceux basés sur la variance par exemple).
A partir d’une segmentation donnée, on calcule l’image mosaı̈que associée. Nous rap-
pelons que l’image mosaı̈que mh est obtenue en affectant à chaque région segmentée la
moyenne de l’image originale (f ) sous cette région :
1 X
∀Mi , ν(Mi ) ≥ h, ∀x ∈ ZIh (Mi ), mh (f )(x) = f (y)
surf (ZIh(Mi )) y∈ZIh (Mi )
Pour des valeurs hiérarchiques ν fixées, on estime la qualité de la segmentation au

niveau hiérarchique h à partir de l’erreur quadratique moyenne entre f et la mosaı̈que de
niveau h (estimateur non biaisé) :
X
err(h) = (f (x) − mh (x))2
x
L’image mosaı̈que mh est constituées de régions uniformes. Ces régions correspondent

aux zones d’influence de niveau h : {ZIh (Mi ), ν(Mi ) ≥ h}. On peut effectuer le calcul de
l’erreur zone d’influence par zone d’influence :
X X
err(h) = (f (x) − moyh (f )(x))2 (5.5)
i|ν(Mi )≥h x∈ZIh (Mi )
Or, les zones d’influence de niveau h se déduisent de celles de niveau 0. Il est donc
possible de calculer très efficacement la fonction err(h) en utilisant l’arbre de fusion des
minima. Remarquons que, pour cette application, il faut utiliser l’arbre de fusion orienté
des minima. En effet, nous avons vu que la structure non orientée est moins riche que
la structure orientée : elle permet de mémoriser quand mais pas comment les régions
fusionnent entre elles (voir figure 5.32). Nous utilisons donc ici l’arbre orienté de fusion
des minima. Nous rappelons que [M −→ M ′ ] signifie que ZIh−1 (M) est absorbée par
ZIh−1 (M ′ ) au niveau h = ν(M) + 1 (M ′ est le premier ascendant de M).
Nous supposons dans tout ce qui suit que les valeurs ν(Mi ) associées aux marqueurs
sont toutes distinctes. Cette restriction ne pose a priori pas de problème : on peut toujours,
de manière simple, se ramener à ce cas (il suffit, dans le cas où deux marqueurs ont même
niveau hiérarchique, d’attribuer, à l’un des deux, la valeur immédiatement supérieure et
d’incrémenter d’autant les valeurs hiérarchiques plus grandes).
A chaque marqueur est associé un label. Dans tout ce qui suit, nous supposerons, pour
simplifier, que Mi a pour label i. N désignera le nombre de marqueurs (1 ≤ i ≤ N).
Nous utilisons une table de correspondance T ab[h] permettant de connaı̂tre, pour
chaque niveau hiérarchique, le marqueur qui va être éliminé :
T ab[h] = i si ν(Mi ) = h
Si ∀i, ν(Mi ) 6= h alors : T ab[h] = 0. Nous noterons H le niveau hiérarchique maximal

(la valeur maximale atteinte par les ν(Mi )).
Nous allons calculer l’erreur pour les différents niveaux hiérarchiques. Surf [i] cor-
respondra à la surface de la zone d’influence contenant le marqueur de label i. Som[i]
correspondra à la somme des niveaux de gris de f sur la zone d’influence contenant le
marqueur de label i. Enfin, Moy[h][i] correspondra à la moyenne des niveaux de gris de
f sur la zone d’influence de niveau h contenant le marqueur de label i. Ces tableaux sont
initialisés à zéro.
Pour calculer la fonction err(h), on applique la procédure suivante :
• Lecture de l’image originale et de l’image des zones d’influence (avec leurs labels) de
niveau hiérarchique 0 (les ZI0 (Mj )). Pour chaque pixel x, faire :
Surf [i]++ et Sum[i] + = f (x) si x ∈ ZI0 (Mi )
• Calcul des moyennes de l’image sur chaque zone d’influence de niveau 0 :
∀i, 1 ≤ i ≤ N, Moy[0][i] = Som[i] / Surf [i]
• Pour chaque niveau hiérarchique (∀h, 0 ≤ h ≤ H − 1), faire :
• Si T ab[h] 6= 0 (le marqueur de label k = T ab[h] est éliminé au niveau (h + 1))

alors, on cherche, dans l’arbre de fusion orienté des minima, l’ascendant du
noeud de label k = T ab[h]. Soit asc le label de cet ascendant, faire :
Sum[asc] + = Sum[k] et Surf [asc] + = Surf [k]
• Calcul des moyennes de l’image sur chaque zone d’influence de niveau (h+1) :
(
Moy[h + 1][i] = Som[i] / Surf [i] si ν(Mi ) ≥ h + 1
∀i, 1 ≤ i ≤ N,
0 sinon
• Pour chaque niveau hiérarchique (∀h, 1 ≤ h ≤ H), faire :
• Pour toutes les régions de l’image (∀i, 1 ≤ i ≤ N), faire :

– si Moy[h][i] = 0 alors, on cherche dans l’arbre de fusion le premier ascen-
dant asc de i tel que Moy[h][asc] 6= 0. Soit asc cet ascendant, faire :
Moy[h][i] = Moy[h][asc]
• Calcul de l’erreur quadratique moyenne pour tous les niveaux hiérarchiques :

Lecture de l’image originale et de l’image des zones d’influence de niveau 0. Pour
chaque pixel x faire :
∀h, 0 ≤ h ≤ H, err[h] + = (f (x) − Moy[h][i])2 si x ∈ ZI0 (Mi )

Le calcul de la fonction err(h) pour tous les niveaux hiérarchique h de segmentation

ne nécessite donc que deux lectures d’image : la première lecture est utilisée pour calculer
les surfaces des zones d’influence au niveau 0 et pour déterminer la valeur moyenne de
l’image sur ces zones ; la seconde lecture est utilisée pour calculer l’erreur pixel par pixel.
Un tel calcul n’est absolument pas envisageable sans utiliser l’arbre de fusion des minima :
calculer les n segmentations hiérarchiques, puis les n images mosaı̈ques puis l’erreur pour
chaque niveau n serait en effet très coûteux en tempsq de calcul.
La figure 5.38 donne les profils des fonctions err(h) obtenues lorsque les valeurs
hiérarchiques ν correspondent à la dynamique des régions (la dynamique est calculée
sur l’image originale), aux valeurs d’extinction surfaciques ou volumiques des minima
du gradient. D’après ces courbes, c’est la fonction d’extinction volumique qui permet
d’obtenir le meilleur résultat ce qui est également confirmé par l’analyse visuelle des
images mosaı̈ques (voir figure 5.39).
Erreur
dynamique des extrema de l’image originale
fonction d’extinction surfacique des minima du gradient
fonction d’extinction volumique des minima du gradient
Nb regions = 476 Nb regions = 1
Figure 5.38: Erreur entre l’image originale et l’image mosaı̈que selon le critère de sélection
choisi et selon le nombre de régions considérées
Figure 5.39: Images mosaı̈ques obtenues en sélectionnant les 80 régions les plus significa-
tives en termes de contraste (à gauche), de taille (au centre) et de volume (à droite)
5.4. Conclusion 159
5.4 Conclusion
La notion de fonction d’extinction permet de généraliser l’approche utilisée dans le cas de
la dynamique pour sélectionner les extrema significatifs d’une image dans les algorithmes
de segmentation ; en ce sens, elles correspondent à un outil important lorsque la surface
ou le volume des régions doit être pris en compte.
Nous avons vu que le grand intérêt de la notion de fonction d’extinction par rap-
port aux méthodes basées sur l’utilisation de filtrage est de rendre plus aisée et plus
rapide la mise au point des algorithmes de segmentation. Du point de vue de l’utilisateur,
c’est-à-dire de celui qui se trouve confronté au problème de segmentation, cela représente
certainement un progrès important. En effet, plus le test d’une méthode s’effectue de
manière simple et efficace, plus l’utilisateur a la possiblité de tester un nombre important
d’approches différentes et plus il a de chance d’atteindre le résultat qu’il recherche.
Enfin, nous avons vu que les fonctions d’extinction ouvrent la voie à des algorithmes
de segmentation interactifs. De tels outils sont très intéressants, notamment pour la créa-
tion de logiciels évolués de traitement d’image dédiés à des utilisateurs non spécialistes.
L’utilisateur entre son cahier des charges : segmentation des régions de fort contraste, de
grande taille, de faible volume... Ensuite, son travail consiste simplement à sélectionner,
par seuillage de l’image des arcs de LPE valués, la segmentation qu’il juge correcte...
Chapitre 6
Application à la détection
automatique des opacités du sein
L’analyse d’image est une science appliquée, développée pour résoudre des problèmes de
vision. A l’intérieur des domaines privilégiés de l’analyse d’image, la morphologie mathé-
matique a pris une part tout à fait originale, grâce à son approche aussi bien pragmatique
que théoriquement bien fondée. C’est sans doute grâce à la symbiose entre une rigueur
mathématique féconde et une volonté d’appliquer ses principes à des vrais problèmes que
la morphologie mathématique a connu le succès qu’elle mérite, auprès, en particulier, des
industriels.
Nous présentons ici l’application qui fut le cadre de notre travail. L’analyse automa-
tique des images mammographiques est un problème qui n’a été abordé qu’assez récem-
ment (puisque les premières recherches dans ce domaine ont moins de dix ans) et qui
vient en parallèle avec un travail de développement de techniques de mammographies
numériques. Ce domaine de recherche est aujourd’hui en plein essor.
Cette application fait largement appel aux notions que nous avons présentées dans
cette thèse (ainsi qu’à d’autres notions plus classiques de la morphologie mathématique).
Nous avons indiqué, dans la mesure du possible, la démarche générale adoptée sans
toutefois entrer dans les détails. Pour des raisons de confidentialité industrielle, nous
ne décrirons pas nos algorithmes.
6.1 Introduction
Le cancer du sein constitue la première cause de mortalité chez les femmes agées de 35 à 50
ans. En France, le nombre de décès annuels dus à cette maladie est évalué à 9000. En outre,
on recence 26000 nouveaux cas de maladie par an, ce qui permet de dire qu’une française
sur 12 ou 13 sera un jour touché par la maladie. Ces chiffres ne sont pas spécifiques à
la France. Dans toutes les sociétés industralisées, à l’exception du Japon, l’incidence du
cancer du sein est devenue très importante.
Plus la maladie est détectée à un stade précoce, plus les chances de guérison sont
grandes. Un dépistage systématique des maladies du sein constitue donc une étape im-
portante de la chaı̂ne de traitement des maladies du sein.
161
162 Chapitre 6. Application à la détection automatique des opacités du sein
La recherche de méthodes de détection automatique des maladies du sein est assez

récente. Aujourd’hui, l’analyse des mammographies numérisées semble être une des méth-
odes les plus encourageantes.
6.1.1 Le cancer du sein et son dépistage

Sans chercher à décrire dans le détail les processus de la maladie, un bref rappel de notions
générales est cependant nécessaire pour situer le cadre de notre travail. Le lecteur désireux
d’approfondir ce sujet pourra, par exemple, se référer aux ouvrages suivants [35, 36, 37, 24].
On pourra également se référer à la thèse de M. Grimaud [21], en ce qui concerne le
problème de la détection automatique des micro-calcifications.
La glande mammaire
Le sein est composé de trois entités anatomiques : la peau, la glande mammaire et les
tissus adipeux sous-cutanés et rétromammaire.
La glande mammaire est encore appelée matrice conjonctivo-graisseuse. Le tissu con-
jonctif qui en assure le soutien est perforé en tout sens tel une éponge. A l’intérieur de la
matrice conjonctive se développent les systèmes vasculaire, lymphatique et glandulaire.
Le système glandulaire, à fonction de lactation, se compose de lobules (qui sécrètent le
lait en période de lactation) s’ouvrant sur des canaux galactophoriques (qui drainent le
lait vers le mamelon). Comme tous les organes creux, l’ensemble du système excréteur
(lobules et canaux galactophoriques) est tapissé de tissu épithélial.
Le cancer du sein
La définition d’une normalité de la glande mammaire se heurte à plusieurs difficultés
d’ordre théorique et histophysiologique. Tout au long de la vie génitale, la glande mam-
maire va subir de perpétuels remaniements sous les influences hormonales et auxquels
des modifications cellulaires sont liées. Certaines évolutions sont irréversibles (celles ap-
paraissant à la puberté ou à la ménaupause), d’autres sont temporaires (pendant le cycle
menstruel, la grossesse ou l’allaitement).
Une très grande majorité des cancers du sein se développent à partir du tissu ép-
ithélial. Ils correspondent à un développement anarchique des cellules composant ce tissu.
Les tumeurs malignes développées à partir du tissu conjonctif sont beaucoup plus rares.
Lorsque les cellules malignes restent localisées dans le système excréteur, on parle de
cancer in situ, qui se situe à la frontière du processus cancéreux et dont l’évolution est
impossible à prédire. Lorsque les cellules malignes envahissent le tissu conjonctif voisin,
on parle alors de cancer invasif.
Le taux de gravité d’un cancer est très fortement lié à la dissémination métastasique. Si
les cellules malignes restent localisées, la chirurgie ou la radiothérapie permettent d’obtenir
des taux de guérison élevés. Dans le cas contraire, le taux de mortalité est plus important
et les traitements plus agressifs. Une tumeur devient généralement cliniquement décelable
après plus plus de dix ans et la dissémination métastasique, rapide dans le cas du cancer du
sein, peut intervenir avant que la tumeur ait atteint ce seuil de détectabilité. Cependant,
plus la tumeur est détectée précocement, plus la probalité d’apparition de métastases est
6.1. Introduction 163
faible et plus les chances de guérision sont grandes (le taux de survie se situe entre 90 et
98% pour une détection des tumeurs infracentimétriques).
Toutes les dégénérescences des tissus mammaires ne débouchent pas systématiquement
sur un processus cancéreux. Ainsi, 80% des nodules détectés cliniquement sont bénins.
Cependant un suivi particulier de leur évolution est nécessaire.
Les différents modes de dépistage

Si la biologie a permis de mieux comprendre les étapes initiales de la cancérisation, les
causes du dérèglement cellulaire sont encore dans leur ensemble inconnues. Des études
statistiques ont cependant permis de mettre en évidence certains facteurs de risque qui
sont : l’âge, le sexe (1% des cancers du sein sont trouvés chez les hommes), les antécédents
familiaux (et particulièrement si la mère ou une soeur est atteinte du cancer du sein).
D’autres facteurs tels que l’alimentation, le faible nombre de grossesses ou la première
grossesse après 30 ans et une longue activité menstruelle (règles précoces ou ménaupause
tardive) sont aujourd’hui très controversés. Ces facteurs de risque ne peuvent permettre de
distinguer une population à risque ou d’envisager des programmes de prévention. L’âge et
l’hérédité sont cependant suffisamment importants pour qu’il puissent être pris en compte
dans un processus de dépistage ou pour moduler un processus de surveillance.
Actuellement, 80% des tuméfactions mammaires sont détectées par la patiente elle-
même (douleur, palpation) [88]. Ceci met en évidence la déficience des autres modes de
dépistage. De plus, dans le cas où le patient est à l’origine du dépistage, le stade de la
maladie est alors avancé (dans 60% des cas, la tumeur fait plus de 3 cm). La palpation
par le patient ne peut donc pas être considéré comme une méthode de dépistage.
La technique de diagnostic la plus précise est sans conteste l’histologie. Cette analyse
servira de sucroı̂t à orienter la thérapeutique. Pour cela, on effectue une biopsie, geste
chirurgical pouvant s’avérer traumatisant sur les plans physique et psychologique pour le
patient et de plus coûteux. On cherche donc à limiter son exécution en augmentant la
fiabilité des autres techniques.
Les signes cliniques (présence de nodules, écoulement mammelonnaire, aspect anormal
de la peau) peuvent aider au dépistage mais ne peuvent permettre d’établir un diagnos-
tic. On a généralement recours à la mammographie dès la rencontre d’un signe clinique
suspect.
La mammographie est aujourd’hui reconnue comme la technique de dépistage la plus
performante. Elle autorise la détection de lésions infra-centimétriques et permet donc
d’intervenir à un stade très précoce de la maladie. De plus, elle permet également de
mettre en évidence les signes secondaires tels que les microcalcifications. Les risques de
cancer radio-induit ont de plus été considérablement minimisés graĉe à la réduction des
doses de rayons X. La mammographie constitue également une aide au diagnostic en
permettant au radiologue d’évaluer le degré de malignité des lésions détectées et ainsi
d’orienter la thérapeutique (acte chirugical, examens complémentaires ...).
D’autres techniques ont été explorées (la xérographie, autre technique de radiographie
mammaire, l’échographie ou encore les techniques de transillumination, de thermographie,
ou de densitométrie) ; elles ne peuvent pas être utilisées pour le dépistage. Certaines
d’entre elles sont utilisées dans l’étape de diagnostic. De plus grands espoirs sont fondés
sur l’utilisation de la résonnance magnétique (IRM) qui se trouve toujours dans une phase
exploratoire.
En conclusion, le dépistage ainsi que le diagnostic du cancer du sein reposent actuelle-
ment sur l’examen clinique et la mammographie. L’ensemble des autres techniques étant
utilisées comme des techniques complémentaires d’aide au diagnostic [32].
6.1.2 Mammographies et opacités du sein

Quelques années après la découverte des rayons X par Roentgen (1895), le chirurgien
allemand Salomon signalait déjà la présence de microcalcifications lors de l’examen ra-
diographique d’une masse tumorale mammaire. La mammographie, en tant que tech-
nique radiographique spécifique est apparue beaucoup plus tard. Leborgne fut le premier
à adapter un système radiologique à l’exploration des tissus mammaires. Les systèmes
radiographiques conventionnels ne convenaient en effet pas pour différencier convenable-
ment les tissus mammaires. Par la suite, les travaux d’Egan imposèrent la mammographie
comme méthode d’exploration chez les femmes présentant une anomalie mammaire. En-
fin, les travaux conjugués du Pr Gros de Strasbourg et d’une équipe de recherche de la
CGR aboutirent à l’élaboration du premier appareil spécialisé pour l’examen radiologique
du sein. L’innovation la plus importante était l’utilisation d’un tube à rayons X équipé
d’une anode en molybdène qui permettait d’obtenir un excellent contraste des différents
composants de la glande mammaire.
L’image radiographique du sein

L’image mammographique révèle un contraste relatif entre les trois principaux consti-
tuants de la glande mammaire : le tissu conjonctif jeune, le tissu fibreux (évolution du
tissu conjonctif jeune), les tissus graisseux. Les tissus graisseux et la matrice conjonctivo-
fibreuse sont à l’opposé quant à l’absorption des rayons X. Il devient dès lors très aisé de
les distinguer sur la radiographie (voir figure 6.1). Le tissu épithélial ayant un coefficient
d’absorption proche de celui du tissu conjonctif n’est pas perceptible sur les radiographies.
De la même manière qu’il est délicat de parler de normalité pour la glande mammaire,
il est difficile de définir une image mammographique normale. On parlera plutôt de seins
à l’aspect différencié, graisseux, nodulaire ... Pour simplifier, nous dégagerons à titre in-
dicatif trois types de seins : graisseux (ou clair) souvent parsemé de densités linéaires
correspondant à des reliquats de tissu conjonctif, dense (tissu conjonctif intact) et mixte
(aspect intermédiaire). Généralement, un sein pré-ménauposique est un sein dense dont
l’interprétation est plus difficile alors qu’un sein post-ménauposique est souvent clair (évo-
lution vers un sein graisseux). Ces schémas ne sont cependant pas totalement fiables. Les
cas où les rôles sont inversés sont fréquents. De plus, au cours du cycle menstruel, ou
pendant la grossesse et l’allaitement, le contenu en eau de la glande mammaire varie. Or,
l’image radiologique est très sensible à cette variation : la radiographie correspondante à
un sein à forte charge hydrique est plus délicate à analyser (image moins contrastée, sein
plus dense).
Une image mammographique normale se définit en fait comme un cliché ne contenant
aucune structure anormale [36]. Le radiologue va donc chercher et analyser des signes
6.1. Introduction 165
radiologiques traduisant des lésions de la glande mammaire.

Lors d’un examen radiologique en vue d’un diagnostic, le radiologue effectue plusieurs
clichés du même sein sous différentes incidences. Ceci pour plusieurs raisons. Chaque
incidence privilégiant une zone particulière de la glande mammaire, plusieurs clichés réal-
isés sous différentes incidences permettront au radiologue d’obtenir une bonne vision de
l’ensemble du sein. D’autres part, la projection et la superposition des structures vo-
lumiques du sein sur une surface plane fournissent une information biaisée. Ainsi, la
superposition de structures fibreuses normales du sein peut donner l’illusion d’un noyau
tumoral. Une autre incidence permettra d’affirmer ou d’infirmer la présence d’une tumeur.
Enfin, l’utilisation de différentes incidences est indispensable pour localiser une lésion avec
précision. Les incidences utilisées sont :
• face : le faisceau est vertical, abordant le sein par le haut.
• profil externe : le faisceau est horizontal abordant le sein par l’extérieur.
• prolongement axillaire : le faisceau est à 45 degrés (bonne visibilité du creux axil-

laire).
• oblique à 30 degrés : le faisceau aborde le sein par l’extérieur à 30 degrés avec la

verticale.
Figure 6.1: Exemple d’image radiographique du sein (sein dense) : les tissus graisseux et
la matrice conjonctivo-fibreuse sont à l’opposé quant à l’absorption des rayons X
Les opacités du sein

Une opacité correspond à une plage de surdensité anormale (sur l’exemple de la figure 6.1,
nous avons indiqué l’opacité par une flèche). Anormale, car les surdensités normales sont
nombreuses sur un cliché mammographique... Une sur-densité anormale ne se distingue pas
d’une sur-densité normale par un critère précis, mais par une combinaisons de différentes
caractéristiques : taille, densité, contour, forme, texture... C’est l’expérience qui permet au
radiologue de distinguer une opacité sur une mammographie. Une surdensité sur plusieurs
clichés effectués sous plusieurs incidences implique une forte présomption en faveur de
l’opacité.
Une opacité traduit une anomalie des tissus conjonctifs ou épithélial. Elle sera donc
aisemment visible au niveau d’une zone graisseuse et beaucoup plus difficilement percep-
tible dans une zone dense de tissu conjonctif.
Toute opacité anormale ne correspond pas forcément à un processus cancéreux. Là en-
core, ce sont des informations de densité, taille, forme, contour... qui permettent d’orienter
le diagnostic vers la malignité ou la bénignité. Par exemple, une opacité stellaire évoque
très fortement une tumeur cancéreuse alors qu’une opacité arrondie et homogène est
bénigne dans 90% des cas.
Les opacités ne constituent pas le seul signe radiologique en mammographie. La
présence de microcalcifications, une rupture architecturale ou une désorganisation fi-
breuse, une disymétrie de densité entre les deux seins ou encore un épaississement cutané
évoquent également un processus pathologique. Enfin, l’analyse précise d’une opacité ne
suffit pas toujours à préjuger de sa nature. Il est nécessaire, la plupart du temps, de con-
fronter le résultat avec celui obtenu par un examen clinique ou par l’analyse des autres
signes radiologiques.
6.2 Processus de détection automatique des opacités

du sein
Lors d’un examen mammographique, le radiologue ne fait, comme on l’a vu que résoudre
un problème de vision. Pour ce faire, il dispose d’informations (sa connaissance du prob-
lème) et s’aide de son expérience (l’apprentissage qu’il a reçu). C’est à partir de ce constat
et des récents développements des techniques de l’analyse d’image, que l’idée d’utiliser
la machine pour faciliter le travail du radiologue est née. La recherche menée dans ce
sens en est encore actuellement à un stade peu avancé. Pour l’instant, seul le prob-
lème de la détection des micro-calcifications a prouvé sa faisabilité [21]. Les résultats
plus qu’encourageants obtenus dans ce domaine ont permis d’espérer un aboutissement
heureux du problème plus complexe qui est celui des opacités.
6.2.1 Description générale de notre approche

La difficulté de notre problème réside, pour une large part, dans la complexité et la diver-
sité des images et des objets (les opacités) à étudier. Les différents constituants du sein
perceptibles sur les clichés mammographiques (graisse, fibres conjonctives et éventuelle-
6.2. Processus de détection automatique des opacités du sein 167
ment lésions) rendent les images particulièrement complexes. De plus, les caractéristiques
de ces éléments (en taille, en intensité, en contraste, en forme...) peuvent varier de façon
radicale d’une image à l’autre.
Les exemples de la figure 6.2 illustrent ce point important (nous indiquons les signes
pathologiques correspondant au dépistage du radiologue par une flèche). Un oeil non ex-
pert différencie très difficilement les sur-densités anormales présentes sur les clichés ; leur
détection est d’autant plus difficile que la matrice conjonctivo-fibreuse est très dévelop-
pée (cas des seins denses ou mixtes, voir l’exemple “g029fg”). Ces exemples illustrent
également la grande variabilité de l’aspect de la glande mammaire : le cliché “g017fd”
correspond à un sein clair, le chiché “g029fg” à un sein mixte.
Les clichés sur lesquels nous avons travaillé ont été fournis par le Docteur Godschalk
(Paris). Ils ont été effectués sur des sénographes 600T de GE-CGR avec des couples
écran/film MinR/OrthoM1. Les images que nous présentons ont été obtenues par numéri-
sation des clichés radiographiques (précision 300 microns, taille des images 600 × 900 × 12
bits). Nous ne nous étendrons pas sur l’étape de numérisation. Ce qui importe, par contre,
c’est de disposer d’images de bonne qualité. Cela signifie que la radiographie effectuée par
le médecin doit être faite avec beaucoup de soin (bon calibrage du matétiel) et que le
numériseur utilisé ne doit pas introduire de distorsion trop importante sur les images.
Nous supposerons ces conditions satisfaites. (Signalons que la distribution des niveaux
de gris sur les images que nous présentons ici a été modifiée pour mettre en évidence les
régions d’intérêt dans la glande.)
Figure 6.2: Exemples “g017fd” (face sein droit) et “g029fg” (face sein gauche)
Cahier des charges

La détection des opacités du sein sur les mammographies n’est pas une opération math-
ématique qui permet d’aboutir à un résultat absolument certain. La preuve en est que,
dans les cas litigieux, le radiologue a généralement recours à d’autres techniques plus
précises (l’histologie notamment) pour valider son diagnostic. Les mammographies sont
utilisées pour déceler d’éventuels signes pathologiques et décider de la nécessité d’examens
complémentaires plus approfondis.
Le but de notre étude se définit, dans ce cadre, comme une aide au diagnostic médical
; c’est-à-dire que l’on cherche à effectuer automatiquement une lecture de la mammogra-
phie, qui sera ensuite comparée à celle du médecin. Notre cahier des charges est donc
entièrement déterminé par la grande responsabilité du diagnostic médical : la machine
peut éventuellement donner de fausses alertes au médecin mais ne doit pas omettre de
signaler une pathologie. Bien entendu, pour que le système de détection soit pertinent, le
nombre de fausses alertes ne doit pas être trop important...
Les principales étapes du processus

La structure du système de détection des opacités que nous proposons s’inspire globale-
ment de l’approche du médecin lors de l’examen radiologique. Dans un premier temps, on
cherche à détecter et à segmenter les sur-densités du sein. Dans un deuxième temps, on
décide, par leur examen (c’est-à-dire en tenant compte de leurs catactéristiques), si oui
ou non elles correspondent à des sur-densités anormales.
MAMMOGRAMME NUMERIQUE
ANALYSE D’IMAGE
TRAITEMENTS PRELIMINAIRES
SEGMENTATION DES SUR-DENSITES
CARACTERISATION DES SUR-DENSITES

INTELLIGENCE
ARTIFICIELLE
SELECTION DES SUR-DENSITES ANORMALES
OPACITES
Figure 6.3: Les principales étapes de l’algorithme de détection des opacités du sein
Le premier point est un problème purement d’analyse d’image et plus exactement

de segmentation d’image : on cherche à segmenter les sur-densités du sein. Le deuxième
point se situe entre les domaines de l’analyse d’image et de l’intelligence artificielle : la

caractérisation des sur-densités segmentées entre dans le cadre de l’analyse d’image ; par
contre, l’étape de décision proprement dite (qui utilise ces connaissances pour conclure
quant à la nature des sur-densités) est du ressort de l’intelligence artificielle.
La figure 6.3 résume les principales étapes de notre algorithme. L’entrée du sys-
tème correspond soit à un mammogramme numérique comme nous l’avons indiqué soit
à un mammogramme classique qui est ensuite numérisé (l’obtention de mammogrammes
numériques est une technique qui est aujourd’hui en phase d’élaboration).
Une étape préliminaire vient s’ajouter aux deux principaux points que nous venons
d’exposer. Son rôle est d’assurer l’efficacité et la robustesse de notre algorithme. C’est à
ce niveau par exemple, que l’on réduit la fenêtre de travail (le glande mammaire peut
n’occuper qu’une petite partie du cliché radiographique), que l’on “normalise” les clichés
(on compense, par exemple, certaines distorsions pouvant être introduites par l’étape
de numérisation [21]). C’est également à ce niveau que des algorithmes de restauration
d’image peuvent éventuellement être ajoutés, si, par exemple, les clichés à étudier sont
rayés...
6.2.2 Mise en oeuvre

Nous décrivons ici les méthodes adoptées pour résoudre les principaux points de notre
algorithme, en insistant sur ceux qui utilisent les notions présentées dans cette thèse,
c’est-à-dire principalement sur les étapes de segmentation.
Segmentation de la glande mammaire
Dans une première étape, nous nous proposons d’extraire de l’image la région correspon-
dant à la glande mammaire. A priori cette étape n’est pas indispensable. Un de ses intérêts
est de réduire la fenêtre de travail et donc de réduire les temps des traitements qui suivront.
Ce point n’est certainement pas négligeable pour l’utilisateur (c’est-à-dire le médecin) qui
doit pouvoir disposer du résultat founi par la machine relativement rapidement.
La glande mammaire est une des régions de plus grande taille sur le cliché radio-
graphique. L’algorithme de segmentation de la glande mammaire est donc basé sur l’utilisation
de la fonction d’extinction surfacique et de la LPE. Nous donnons les résultats obtenus
sur quelques exemples : figure 6.4. L’algorithme n’est sensible ni à la taille de la glande
mammaire, ni à la présence ou non d’informations parasites sur le cliché (la présence d’une
étiquette blanche par exemple ne modifie pas le comportement de l’algorithme).
Un des grands atouts de cet algorithme est d’être peu paramétrique. En effet, les
connaissances nécessaires pour initialiser le système sont : la taille minimale d’une glande
mammaire et le niveau de gris moyen de la glande sur la mammographie numérisée.
De plus, une estimation grossière de ces paramètres suffit pour que l’algorithme ait un
comportement correct ; lorsqu’on modifie les conditions de numérisation notamment, ces
paramètres n’ont pas à être réajustés. Cet algorithme a été testé sur une base d’une
centaine d’images. Dans chacun des cas, le résultat obtenu était satisfaisant.
Figure 6.4: Segmentation de la glande mammaire en utilisant la fonction d’extinction

surfacique
Segmentation des sur-densités
L’étape suivante consiste à extraire les régions d’intérêt dans la glande mammaire : les
sur-densités. Nous ne parlons pas encore de sur-densité anormale car cette distinction ne
sera effectuée que dans une étape suivante. Ici, notre but est de segmenter correctement
toutes les sur-densités présentes dans la glande mammaire, quelles soient pathologiques
ou non, et ceci quelque soit leur taille ou leur forme...
Sur les mammogrammes numérisés, une sur-densité correspond à une région à fort
contraste. Ce terme est assez peu précis mais tout à fait caractéristique de la réalité. En
effet, les sur-densités d’intérêt peuvent avoir sur le cliché un contraste d’une valeur très
faible ou très grande selon leur nature, la nature du sein (dense ou clair), leur position
dans l’espace... Malgré cela, le contraste (c’est-à-dire la dynamique) reste la caractéris-
tique la plus pertinente pour extraire ces sur-densités. Nous utilisons donc un algorithme
de segmentation basé sur la LPE ; les marqueurs des sur-densités sont obtenus en con-
sidérant les maxima de plus forte dynamique (dynamique calculée sur l’image originale).
Cet algorithme est donc très peu paramétrique : un seul seuil en contraste est nécessaire.
Ce seuil est fixé par le contraste minimal des sur-densités que le système doit détecter.
Nous indiquons les résultats obtenus sur les exemples précédents : figures 6.5, 6.6
et 6.7. Un des grands atouts de cet algorithme est de donner une segmentation correcte
pour toutes les régions recherchées de l’image : qu’elles soient de petite ou de grande taille,
de forme ronde (comme certaines opacités) ou allongée (comme les structures fibreuses),
de faible ou fort contraste, homogène ou non, aux contours bien définis ou incertains
(même si le résultat reste approximatif lorsqu’une partie de l’information relative au
contour manque). La bonne qualité de la segmentation obtenue ne peut que faciliter
l’étape suivante de notre algorithme : la sélection parmi les candidats segmentés des sur-
densités anormales (ou tout du moins suspectes).
Les exemples “g031pg” et “g029fg” illustrent le comportement de l’algorithme de seg-
mentation dans des cas particulièrement difficiles : les opacités sont enfouies dans la masse
fibreuse environnante ; une portion de leur contour manque. L’imprécision sur les contours
que l’on extrait est à la mesure de l’imprécision visuelle sur les contours de ces opacités.
On le voit sur ces exemples, on segmente un grand nombre de structures non pathologiques
(des structures fibreuses notamment) et ce nombre est d’autant plus important que le
sein est dense. Ceci est dû au fait que nous n’utilisons que l’information de contraste pour
sélectionner les régions devant être segmentées. Une autre solution aurait pu consister
à sélectionner plus sévèrement ces régions en introduisant des connaissances supplémen-
taires (prendre en compte la forme des régions, par exemple, peut permettre d’éliminer
les marqueurs des structures fibreuses). Nous avons préféré réaliser ce tri dans une étape
suivante, de manière à séparer très nettement les étapes de segmentation et de sélection.
Nous avons testé cet algorithme sur une base de 24 images. Dans tous les cas, les
sur-densités suspectes sont extraites et correctement segmentées (les contours ne sont mé-
diocres que dans des cas particulièrement difficiles). Enfin, le nombre de sur-densités non
suspectes extraites est fonction de la texture du sein (ce nombre peut être très important
pour les seins denses et est la plupart du temps très faible pour les seins clairs).
Figure 6.5: Exemples “g017fd” et “g029fg” : segmentation des sur-densités en utilisant la

dynamique (à gauche : image originale - à droite : résultat de la segmentation)
Figure 6.6: Exemples “g031pg” et “g035pg” : segmentation des sur-densités en utilisant

la dynamique (à gauche : image originale - à droite : résultat de la segmentation)
Figure 6.7: Exemples “g054pg” et “g065fd” : segmentation des sur-densités en utilisant la

dynamique (à gauche : image originale - à droite : résultat de la segmentation)
Sélection des sur-densités anormales

Une fois la segmentation effectuée, nous disposons des contours des régions à haute densité
sur l’image. Parmi cet ensemble de candidats, il s’agit maintenant de sélectionner ceux
correspondant à des signes radiologiques. Pour ce faire, nous procédons de la façon suiv-
ante : on établit une carte d’indentité des candidats (c’est-à-dire des régions segmentées)
et une carte d’identité des sur-densités anormales (ensemble de caractéristiques permet-
tant de conclure à une pathologie). La confrontation de ces deux modèles permet ensuite
de conclure, pour chaque candidat, si oui ou non il correspond à une lésion.
Ce point est certainement le plus délicat de notre algorithme. En effet, les indices
utilisés par le radiologue pour conclure quant à la nature d’une sur-densité sont très
nombreux et de nature très variables : la taille, le contraste, la texture, la nature du
contour (uniforme ou non)... toutes ces données étant confrontées entre elles (c’est-à-
dire qu’il faut généralement plus d’un indice positif pour conclure à une pathologie),
ainsi qu’à l’aspect général de la glande (selon le contexte, un indice prend plus ou moins
d’importance). Ainsi, on ne dispose pas d’un unique modèle de sur-densité anormale mais
de plusieurs modèles plus ou moins fiables, c’est-à-dire auxquels on peut attribuer une
probabilité. Par exemple, une petite sur-densité ronde, à l’aspect étoilée peut correspondre
à une pathologie mais également à une intersection de structures fibreuses vue sous un
certain angle... Pour conclure, il faut disposer d’autres informations : par exemple, la
présence d’un halo sombre autour de la région suspecte permet de renforcer l’hypothèse
de la pathologie ; on peut également utiliser une autre mammographie, prise sous une
autre incidence, pour conclure...
Le système utilisé actuellement est très primaire et nécessite d’être perfectionné : nous
avons élaboré quelques modèles des pathologies relativement simples qui sont ensuite
utilisés comme référence pour la décision. Les caractéristiques principales des régions qui
sont prises en compte sont : la forme, le contraste, la taille, la texture, le niveau de gris
moyen (comparé à celui du fond de l’image en son voisinage), l’uniformité (de la région
et de son contour).
Aujourd’hui, les paramètres d’initialisation du système de décision ainsi que les règles
de décision elles-mêmes sont fixés manuellement. Etant donné la diversité et la complexité
des objets à reconnaı̂tre, il est d’ores et déjà évident que ce système devra évoluer, dans
le futur, vers un système basé sur l’apprentissage.
Nous donnons les résultats obtenus sur nos exemples figures 6.8, 6.9 et 6.10. Les vrais
positifs (VP), c’est-à-dire lésions correctement détectées, sont indiquées en noir. Nous
indiquons en blanc, les faux positifs (FP) les fausses alarmes du système. Plus le sein est
dense (donc difficilement “lisible”) plus le nombre de fausses alarmes est important (voir
exemple “g035pg”).
Figure 6.8: Exemples “g017fd” et “g029fg” : sélection des opacités parmi les candidats
segmentés (à gauche : diagnostic du radiologue - à droite : résultat de l’algorithme de
détection automatique ; VP en noir et FP en blanc)
Figure 6.9: Exemples “g031pg” et “g035pg” : sélection des opacités parmi les candidats
Figure 6.10: Exemples “g054pg” et “g065fd” : sélection des opacités parmi les candidats
6.3. Résultats et conclusion 179
6.3 Résultats et conclusion

Nous avons mis au point puis expérimenté cet algorithme sur une base de 24 images. Nous
résumons les résultats obtenus figure 6.11. Nous appelons :
• Vrais Positifs (VP) les lésions correctement détectées par le système
• Faux Négatifs (FN) les lésions non détectées par le système
• Faux Positifs (FP) les fausses alarmes du système (régions retenues mais ne corre-
spondant pas à des lésions)
On estime la qualité de l’algorithme selon sa sensibilité (nombre de lésions détectées divisé
par le nombre de lésions devant être détectées : (V PV+F
P
N)
) et selon le nombre de Faux
positifs par image.
Nb d’images Nb d’opacités VP FN FP Sensibilité Nb FP / image

24 30 22 8 10 73,5% 0,33
Figure 6.11: Performances de l’algorithme de détection des sur-densités anormales du sein

sur une base de 24 images
Bien évidemment, il s’agit, dans cette application, d’atteindre une haute sensibilité
sans que le nombre de faux positifs par image soit trop important. Ici, le nombre de
faux positifs par image est assez élevé et nécessite encore d’être diminué. De même, la
sensibilité devrait pourvoir être augmentée.
Notons qu’on ne doit accorder à ces résultats qu’une importance relative. En effet, pour
valider de tels algorithmes, il est nécessaire d’utiliser une base entièrement différente de la
base d’apprentissage, ce qui n’est pas le cas ici. Une étape importante dans notre travail
consiste à tester notre algorithme sur un nombre beaucoup plus important d’images. Ceci
est actuellement en cours de réalisation. Néammoins ces résultats sont très encourageants
et prouvent clairement la faisabilité de la résolution de notre problème.
L’étude menée pour la détection automatique des opacités du sein n’a pas encore
atteint son point final. Cependant, des étapes importantes ont été franchies dans ce do-
maine jusqu’ici inexploré. Tout d’abord, cette étude a permis de montrer la faisabilité
de l’application. Ensuite, les résultats obtenus pour la partie segmentation, qui est plus
spécifiquement du domaine de l’analyse d’image, sont très encourageants même si certains
perfectionnements doivent encore être apportés, notamment pour diminuer la sensibilité
de l’algorithme vis à vis des conditions de radiographie et de numérisation (en ce qui
concerne la segmentation de la glande mammaire, les résultats obtenus sont satisfaisants
pour toutes les images, c’est-à-dire que cette partie de l’algorithme est complètement
opérationnelle). Aujourd’hui, l’effort doit principalement porter sur la partie décisionnelle
de l’algorithme, c’est-à-dire sur la mise en oeuvre d’un système de décision évolué per-
mettant d’atteindre une meilleure sensibilité et de diminuer le nombre de faux positifs
par image. Si l’on dispose aujourd’hui globalement des bons critères à prendre en compte
pour décider si un candidat correspond ou non à une opacité, il reste encore à mettre en
oeuvre la structure de décision plus évoluée que celle utiliée aujourd’hui (faisant appel
notamment aux techniques de l’intelligence artificielle) et capable de gérer ces critères.
Chapitre 7
Conclusion et perspectives
Lorsqu’on cherche à résoudre un problème d’analyse d’images, la morphologie mathéma-

tique se présente comme une boı̂te à outils bien fournie et qui ne cesse de s’enrichir au
fur et à mesure que ses utilisateurs explorent des domaines nouveaux. Au terme de cette
présentation, il semble utile de situer l’apport de nos “outils” à l’intérieur de la grande
boı̂te des transformations morphologiques.
7.1 Apport de cette thèse

• Le filtrage d’image par décomposition morphologique
Ce premier point abordé en début de travail prend une place tout à fait particulière
parmi les transformations morphologiques. Ici, on n’opère pas directement sur l’image
qui est d’abord décomposée. L’information présente sur l’image est ainsi hiérarchisée.
L’ensemble des traitements effectués peut, par ce biais, être adapté à chaque niveau hiérar-
chique. Dans le domaine où nous l’avons exploré de manière approfondie (l’extraction de
structures présentant une certaine caractéristique morphologique), cette approche donne
des résultats très satisfaisants. Un point négatif cependant semble difficile à contourner :
les temps très importants de calcul. De ce fait, on peut difficilement envisager d’utiliser
cette transformation pour des applications développées sur des systèmes non dédiés.
• L’arasement volumique
Nous classons à part cette transformation que nous avons introduite “dans la foulée”,
mais qui a son importance dans la boı̂te à outils des transformations morphologiques.
Elle vient directement compléter la panoplie des filtres morphologiques agissant sur des
critères de taille ou de contraste. La méthode de calcul efficace que nous avons proposée
permet, de plus, de ranger cette transformation parmi les plus rapides de la morphologie
mathématique.
• Les fonctions d’extinction numériques

La définition et l’étude des fonctions d’extinction a constitué la plus grande partie de
notre travail. Elles peuvent être classées dans la boı̂te à outils morphologiques comme des
181
182 Chapitre 7. Conclusion et perspectives
outils de seconde génération, au même niveau que la dynamique, puisqu’elles se définissent

à partir de transformations déjà existantes.
Les fonctions d’extinction introduisent une méthode générale permettant de valuer les
extrema d’une image numérique selon des caractéristiques des régions qu’ils marquent dans
l’image : on mesure, pour chaque région de l’image, sa persistence lorsqu’on applique des
transformations morphologiques de taille croissante. Cette méthode s’applique à n’importe
quelle famille de transformations connexes ; ce sont les considérations algorithmiques
qui réduisent aujourd’hui le nombre d’opérateurs utilisés dans la pratique. Par contre,
l’adaptation de cette approche au cas des transformations non connexes est un problème
plus délicat dont la résolution ne trouve, a priori, pas de solution simple. C’est pour cette
raison que nous ne l’avons pas abordée.
La dynamique, la dynamique symétrique, les fonctions d’extinction surfaciques et volu-
miques se révèlent être des transformations tout-à-fait complémentaires. Elles introduisent
naturellement une hiérarchisation des régions de l’image (selon leur contraste, leur taille
ou leur volume) et sont de ce fait, très utiles pour tous les problèmes de marquage de
régions tels qu’ils peuvent se poser dans les applications de segmentation. Par rapport aux
méthodes classiques de filtrage, les fonctions d’extinction facilitent grandement la tâche
de l’opérateur.
Il apparaı̂t de manière évidente que les potentialités des fonctions d’extinction sont
très prometteuses dès lors que l’on dispose d’algorithmes de calcul efficaces. Or, les al-
gorithmes que nous avons proposés sont de ce point de vue très intéressants : calculer
la fonction d’extinction surfacique des minima d’une image par exemple est, en termes
de temps de traitements, équivalent au calcul d’une fermeture surfacique. Par contre,
l’information contenue dans la fonction d’extinction surfacique (et dans l’arbre de fusion
des minima qui s’en déduit) est aussi riche que celle que l’on obtiendrait en calculant n
fermetures surfaciques de taille croissante... (Notons d’ailleurs à ce propos que de très
récents développements hardware permettent aujourd’hui de réaliser les algorithmes de
“type” LPE en des temps records sur les architectures spécialisées.) Par contre, adapter
ces algorithmes à d’autres fonctions d’extinction (celles, par exemple, associées aux ou-
vertures par reconstruction classiques, définies à partir d’éléments structurants) est un
problème plus délicat. Ce point est d’importance car il limite les fonctions d’extinction
utilisées en pratique. Par contre, il présente l’intérêt de situer d’emblée la direction dans
laquelle doivent être portés les efforts...
• Arbres de fusion des extrema de l’image

Les arbres de fusion des extrema de l’image qui se déduisent des fonctions d’extinction
se sont également révélés être de grande importance. D’abord, nous avons vu que l’information
qu’ils contiennent est aussi riche que celle qu’on extrait en calculant des familles croissantes
de filtres morphologiques. De ce fait, ils complètent tout-à-fait l’information contenue dans
les fonctions d’extinction. Nous avons également montré comment de tels arbres pouvaient
être utilisés dans des processus de segmentation hiérarchique. Encore une fois, l’apport
final de cet outil est dédié à l’opérateur dont le travail est facilité.
7.2. Extensions et suites possibles de ce travail 183
• Détection automatique des opacités du sein

L’architecture générale que nous avons proposée et mise en oeuvre pour la résolution
de ce problème semble être tout-à-fait pertinente. Les recherches dans ce domaine sont
aujourd’hui encore assez peu avancées, si l’on en juge par le faible nombre de publications
parues sur ce thème. Néammoins, les résultats que nous avons obtenus (mêmes s’ils restent
encore à les confirmer sur une base plus représentative d’images) sont encourageant et
permettent d’espérer un aboutissement heureux de cette étude.
7.2 Extensions et suites possibles de ce travail

La segmentation est sans doute la tâche qui, en analyse d’image, mobilise le plus d’efforts.
Dans le même temps, elle constitue certainement une des sources les plus fécondes pour la
mise en oeuvre de nouvelles techniques. La notion de fonction d’extinction est née d’une
nécessité de faciliter et de systématiser la mise au point des algorithmes de segmenta-
tion. Cette idée nécessite clairement d’être étendue : pourquoi, en effet, se limiter à des
informations de type contraste, taille ou volume ? D’autres caractéristiques se révèlent
être, d’expérience, de première importance dans bon nombre d’applications : la forme, la
texture, la position dans l’espace...
De ce point de vue, l’algorithme de calcul des valeurs d’extinction que nous avons
proposé peut certainement être le point de départ pour l’introduction de nouveaux outils.
En effet, les valeurs d’extinctions que nous avons introduites ne sont rien d’autres que
des mesures sur les bassins versants de l’image, associées à une vision hiérarchique de ces
bassins versants qui fusionnent. Pourquoi ne pas adapter ce principe à d’autres mesures
associées à d’autres hiérarchies ?
Le second point qu’il nous semble important d’étudier plus en avant est celui du choix
de la bonne structure à utiliser pour stocker l’ensemble de ces informations. Nous ne
pensons pas que les structures arborescentes telles que nous les avons présentées soient
bien adaptées à des évolutions futures. Notamment, il semble tout-à-fait pertinent (à
partir d’un processus de segmentation hiérarchique tel que celui que nous avons évoqué
au chapitre 4) de situer une évolution possible de ce travail vers un mode de représentation
hiérarchique et simplifié de l’image ou plus exactement de l’information qu’elle contient.
Dans une telle perspective une structure plus ouverte constitue certainement un choix
plus judicieux : nous pensons notamment aux graphes proposés par L. Vincent. Adapter
l’ensemble de nos algorithmes à une structure de ce type ne pose a priori pas de problème
majeur. Leur utilisation dans un contexte de segmentation interactive a d’ailleurs déjà été
l’objet d’une étude approfondie effectuée par F. Meyer [60].
Bien entendu cette liste est non exhaustive et bon nombre d’extensions supplémen-
taires peuvent certainement être imaginées...
184 Chapitre 7. Conclusion et perspectives
Annexe A
Notations
Ensembles et fonctions
E Compact de Z 2
F Ensemble des fonctions de E dans Z
X Elément de E
f Elément de F
C (X) Ensemble des composantes connexes de X
Xs+ (f ) Seuil de f au niveau s : Xs+ (f ) = {x ∈ E | f (x) ≥ s}
Xs− (f ) Seuil de f au niveau s : Xs− (f ) = {x ∈ E | f (x) ≤ s}
Max (f ) Ensembles des maxima régionaux de f
Min (f ) Ensembles des minima régionaux de f
Extr (f ) Ensembles des extrema régionaux de f
Plt (f ) Ensemble des plateaux de f
Logique
∃ (!) x, ... il existe (un unique) x tel que ...
∀x, ... pour tout x, ...
x∈X x élément de X
X⊂Y X est un sous-ensemble de Y
Xc Ensemble complémentaire de X
X \Y Différence ensembliste : X \ Y = X ∩ Y c
X △Y différence symétrique : X △ Y = (X ∩ Y c ) ∪ (X c ∩ Y )
∧, ∨ inf et sup
λB homothétique de B de rapport λ
f ≤g ∀x ∈ E, f (x) ≤ g (x)
Transformations morphologiques
B Elément structurant (E.S.)
δλ (δλB ) Dilatation de taille λ (employant B comme E.S.)
ǫλ (ǫλB ) Erosion de taille λ (employant B comme E.S.)
185
186 Annexe A. Notations
γλ Ouverture de taille λ
ϕλ Fermeture de taille λ
δ n (f, g) Dilatation géodésique de taille n de g sous f
ǫn (f, g) Erosion géodésique de taille n de g sur f
δ ∞ (f, g) Reconstruction de f par dilatation géodésique de g
ǫ∞ (f, g) Reconstruction de f par érosion géodésique de g
γλrec Ouverture par reconstruction
ϕrec
λ Fermeture par reconstruction
δ ∞ (f, f − h) h-reconstructions : décalage (positif) / reconstruction
ǫ∞ (f, f + h) h-reconstructions : décalage (négatif) / reconstruction
Cx Ouverture connexe pontuelle (binaire)
γλa Ouverture surfacique de taille λ
ϕaλ Fermeture surfacique de taille λ
avλ Arasement volumique de taille λ
ψλAS Filtre (ou Transformation) Alterné(e) Séquentiel(le) de taille λ
dyn (M) Dynamique de M
dynsym (M) Dynamique symétrique de M
Eψ (M) Valeur d’extinction de M par rapport à ψ
Eψsym (M) Valeur d’extinction symétrique de M par rapport à ψ
FψE (f ) Fonction d’extinction de f par rapport à ψ
E a (M) Valeur d’extinction surfacique de M
E v (M) Valeur d’extinction volumique de M
Annexe B
Rappels de morphologie
mathématique
La morphologie mathématique (MM) correspond à une technique non linéaire de traite-

ment du signal née dans les années 60 des travaux de G. Matheron et J. Serra. Elle
correspond initialement à une continuation des travaux de recherche sur la théorie des
ensemble de H. Hadwiger [25, 26] et de H. Minkowsky [63, 64]. La plus grande partie de
cette théorie a été développée au Centre de Morphologie Mathématique (CMM) de l’Ecole
des Mines de Paris.
Depuis lors, la MM a pris une importance considérable, si l’on en juge par les con-
férences, articles, livres qui la présentent, ainsi que par le nombre croissant de matériels
spécialisés, de programmes d’application et de réalisations industrielles qui y font appel
et ceci dans tous les domaines où l’analyse d’image est aujourd’hui utilisée.
Ce chapitre n’est qu’une présentation sommaire de certaines notions de la morpholo-
gie mathématique qu’il nous parait utile de rappeler dans cette thèse. Les lecteurs qui
désireront approfondir certains points pourront notamment se reporter aux ouvrages de
référence en ce domaine : les deux livres de J. Serra[81, 82], ceux de G. Matheron [49, 50]
et le livre de Coster et Chermant [13].
B.1 Notions élémentaires

Les transformations de la morphologie mathématique agissent sur des ensembles en mor-
phologie binaire et sur des fonctions en morphologie numérique, le résultat d’une trans-
formation étant de même nature que l’objet sur lequel elle s’applique (un ensemble est
transformé en un ensemble, une fonction en une fonction). La morphologie binaire est
basée sur les opérations booléennes de base sur les ensembles : l’union ∪ et l’intersection
∩. Dans le cas numérique, les opérations de base sont le sup et l’inf.
B.1.1 La notion de connexité

La notion de connexité a été formalisée pour l’analyse d’image par G. Matheron et
J. Serra [81, 82]. Elle permet notamment d’introduire la notion d’ouverture connexe
ponctuelle (Cx ) :
187
188 Annexe B. Rappels de morphologie mathématique
Définition B.1 (Ouverture connexe ponctuelle) Une ouverture Cx est appelée ou-
verture connexe ponctuelle si elle vérifie les trois axiomes suivants :
∀x ∈ E, Cx ({x}) = {x} (B.1)

∀A ∈ E, ∀x ∈ E, Cx (A) ∩ Cy (A) 6= ∅ ⇒ Cx (A) = Cy (A) (B.2)
∀A ∈ E, ∀x ∈ E, Cx (A) 6= ∅ ⇒ x ∈ A (B.3)
Autrement dit, l’ensemble Cx (A) est soit la composante connexe A si x appartient à

A, soit l’ensemble vide si x n’appartient pas à A.
En discret, on travaille sur une grille ou trame permettant de définir des relations de
voisinage entre les pixels (points de la trame) d’une image. Ce graphe (noté G) n’est qu’un
ensemble de couples de pixels (soit un sous-ensemble de ZZ2 × ZZ2 ) , c’est-à-dire :
∀p, q ∈ ZZ2 , p voisin de q ⇔ (p, q) ∈ G
On suppose toujours qu’un pixel n’est pas son propre voisin et que la relation est voisin
de est transitive et symétrique. Le voisinage d’un pixel p au sens de la trame est :
∀p ∈ ZZ2 , NG (p) = {q ∈ ZZ2 , (p, q) ∈ G}
Définition B.2 (Chemin) Un chemin C de longueur l(C) = n et d’extrémités p et q

dans la trame G est un (n+1)-uplet (p0 , p1 , p2 , ..., pn ) de pixels tels que :
p0 = p et pn = q (B.4)
∀i ∈ [1, n], pi ∈ NG (pi−1 ) (B.5)
(B.6)
La notion de connexité est introduite à partir de la notion de chemin géodésique :
Définition B.3 (Connexité) Soit A un ensemble de pixels inclus dans ZZ2 et x un

pixel de A. La composante connexe de A qui contient x (Cx (A)) est l’union des chemins
d’origine x inclus dans A.
Nous verrons que le terme chemin géodésique vient du fait que le chemin est astreint
à être entièrement inclus dans A.
Définition B.4 (Distance géodésique) La distance géodésique dX (y, x)d’un point x à

un point y à l’intérieur d’un ensemble X est la longueur du plus court chemin de x à y
restant à l’intérieur de X:
dX (y, x) = inf {l (Cx,y ) , Cx,y ∈ X} (B.7)

B.1. Notions élémentaires 189
Cette distance vaut, par définition, +∞ s’il n’existe aucun chemin entre x et y à
l’intérieur de X, c’est-à-dire si x ∈
/ X ou si y ∈
/ X.
La distance géodésique d’un point x à un ensemble X notée D (x, X) vaut alors :
(
0 si x ∈ X
D(x, X) = inf{y ∈ X, dX (x, y)} =
+∞ sinon
La notion de distance permet d’introduire celle de fonction distance, qui à chaque

point x d’un ensemble X fait correspondre la distance de ce point au plus proche point
du complémentaire de X :
fd (X) (x) = inf {d (x, y) , y ∈ X c } (B.8)
Figure B.1: Trames carrée et hexagonale : la trame hexagonale vaut pour la forme et pour
le fond
Figure B.2: Sur la trame discrète, il n’y a pas unicité du chemin de longueur minimale
entre deux points
Définir une distance et une connexité sur la trame revient donc à définir des relations de
voisinage entre les pixels de cette trame. Ainsi, on distingue plusieurs types de connexités
: hexagonale (6 voisins sur la trame), carrée (4 ou 8 voisins sur la trame). La trame
hexagonale est certainement la plus utilisée par les morphologues car elle possède de
bonnes propriétés de symétrie (voir figure B.1): même connexité définie pour la forme et
pour le fond (ce qui n’est pas le cas des trames carrées).
B.1.2 Morphologies binaire et numérique

Dans tout ce qui suit ψ désignera une transformation alternativement binaire ou numérique
sans qu’il soit fait de distinction. Le contexte permettra alors de déterminer si l’on est
dans le cas binaire ou dans le cas numérique (au cas où une ambiguı̈té subsisterait, nous
préciserions de quelle type de transformation il s’agit).
Morphologie binaire Dans le cas binaire, ψ agit sur des éléments de P(IR2 ), c’est-
à-dire des ensembles de IR2 (ψ : P(IR2 ) → P(IR2 )). Dans ce cas la relation d’ordre est
l’inclusion.
2
Morphologie numérique Dans le cas numérique, n ψ agit sur
o des fonctions de IR dans
IR. F désignera l’ensemble de ces fonctions (F = f : IR2 → IR ). ψ : F → F . Dans ce cas
la relation d’ordre est la suivante :
∀f, g ∈ F , f ≤ g ⇔ ∀x ∈ IR2 , f (x) ≤ g(x)
En pratique, les transformations s’appliquent dans un domaine fini du plan discrèt Z 2 ,
domaine le plus généralement rectangulaire : les images correspondent alors à des tableaux
de données. Une image numérique sera à valeurs dans Z . Une image binaire peut alors
être considérée comme une image numérique à valeurs binaires (prenant exclusivement
les valeurs 0 ou 1 par exemple : 0 pour le fond et 1 pour la forme).
t
f
sous-graphe de f
x
Figure B.3: Sous-graphe d’une image numérique

On définit le sous-graphe SG d’une image à niveaux de gris comme la partie de l’espace
à trois dimensions située en dessous du graphe de l’image (voir figure B.3). Plus précisé-
ment :
SG(f ) = {(x, t) ∈ Z 2 × Z , t ≤ f (x)}
B.1.3 Propriétés de base des transformations morphologiques

Les transformations morphologiques sont dotées de propriétés importantes dont nous rap-
pelons dès à présent les définitions. Ces propriétés de base des opérateurs morphologiques
sont celles relatives aux opérations sur les ensembles.
B.2. Transformations morphologiques élémentaires 191
Extensivité ψ sera dite extensive si et seulement si son résultat est plus grand que
l’ensemble ou la fonction de départ :
∀X ∈ P(IR2 ), X ⊆ ψ(X) ou ∀f ∈ F , f ≤ ψ(f )
Dans le cas contraire (X ⊇ ψ(X) ou bien f ≥ ψ(f ) ), ψ sera dite anti-extensive.

Un opérateur anti-extensif agit de manière privilégiée sur les grains des images binaires
(les structures claires des images numériques). Au contraire, un opérateur extensif traite
les pores des images binaires (les structures sombres des images numériques).
Croissance ψ sera dite croissante si et seulement si elle préserve l’ordre :
∀X, Y ∈ P(IR2 ), X ⊆ Y ⇒ ψ(X) ⊆ ψ(Y ) ou ∀f, g ∈ F , f ≤ g ⇒ ψ(f ) ≤ ψ(g)
Dans le cas contraire (X ⊆ Y ⇒ ψ(Y ) ⊆ ψ(X) ou bien f ≤ g ⇒ ψ(f ) ≥ ψ(g)), ψ sera

dite décroissante.
Idempotence Une transformation ψ est dite idempotente si, appliquer plusieurs fois ψ
revient à appliquer ψ une seule fois :
ψ◦ψ =ψ
Dualité Enfin, deux transformations ψ1 et ψ2 sont duales si et seulement si appliquer

l’une revient à appliquer l’autre sur le complémentaire de l’ensemble puis à complémenter
le résultat final :
∀X ∈ P(IR2 ), ψ1 (X) = (ψ2 (X c ))c ou ∀f ∈ F , ψ1 (f ) = −(ψ2 (−f ))
Homothopie Une dernière propriété dont il est utile de parler est la conservation (ou
la non conservation) de l’homothopie. D’une manière simple, on peut dire que deux en-
sembles (ou fonctions) sont homothopes si on peut passer de l’un à l’autre par une trans-
formation continue. Une transformation qui préserve l’homothopie ne crée ni de détruit
de particule.
B.2 Transformations morphologiques élémentaires

B.2.1 Erosion et dilatation
L’érosion et la dilatation sont les opérateurs de base de la morphologie mathématique.
Elles sont à l’origine d’un très grand nombre de transformations plus élaborées (fonction
distance, squelette ...). Dans tout ce qui suit, nous nous contenterons d’évoquer ces opéra-
teurs, leurs définitions et propriétés. Les lecteurs désireux de plus d’informations pourront
se reporter aux ouvrages de référence en ce domaine [81, 82]. L’ensemble des notations
utilisées ici (notations ”standard”) seront conservées par la suite.
Définition
Considérons un ensemble X et un élément structurant B (ensemble donné dont on définit
le centre, c’est-à-dire dont on repère un point particulier quelconque). La dilatation de
X par B (notée δB (X)) est l’union des points x de IR2 tels que Bx (B translaté en x)
intersecte X :
δB (X) = {x ∈ IR2 , Bx ∩ X 6= ∅}
L’érosion ǫB (X) de X par B est l’ensemble des points x de IR2 tels que B soit entièrement
inclus dans X lorsque B est centré en x.
ǫB (X) = {x ∈ IR2 , Bx ⊂ X}
Dans le cas numérique, si B est un élément structurant plan, alors dilater une image f
par B revient à donner à tout pixel x du domaine E (compact de IR2 ) la valeur maximale
de l’image f dans la fenêtre d’observation définie par B, lorsque B est centré en x :
δB (f )(x) = max{xk , k ∈ B}
Et de la même manière pour l’érosion, on a :
ǫB (f )(x) = min{xk , k ∈ B}
. B : E.S. non plan B = E.S. plan
t . δB( f ) t δB( f )
. .
. f f
x x
Figure B.4: Dilatation par un des éléments structurants plan et non plan.
Si B est non plan, alors érosion et dilatation numériques doivent être définies par
l’addition de Minkowsky.
Il y a beaucoup à dire sur les propriétés de l’érosion et de la dilatation. Nous ne
retenons ici que les principales :
• Erosion et dilatation sont des transformations croissantes
• Erosion et dilatation sont deux transformations duales

B.2. Transformations morphologiques élémentaires 193
• Erosion et dilatation ne sont pas idempotentes : la dilatation par la boule de taille n

par exemple peut être obtenue par n itérations de dilatations par la boule de taille
unitaire. D’une manière générale :
δB1 ◦ δB2 = δδB1 (B2 )
• Ces transformations sont irréversibles
Des résidus : les gradients morphologiques

A partir de la dilatation et de l’érosion morphologique, on définit les gradients mor-
phologiques comme des résidus de ces transformations. Le gradient morphologique (symétrique)
est défini comme le résidu de la dilatation et de l’érosion :
grad(f ) = δB (f ) − ǫB (f )
Il est possible de définir le gradient morphologique à partir d’un couple d’éléments struc-
turants quelconque. On définit ainsi le gradient par dilatation et le gradient par érosion
en considérant une des deux transformations de taille nulle (c’est-à-dire égale à l’identité)
:
grad+ (f ) = δB (f ) − f
grad− (f ) = f − ǫB (f )
Ces gradients non symétriques sont également appelés gradients internes et externes.
t f δB( f ) εB( f ) t Grad(f)
x x
Figure B.5: Gradient morphologique (symétrique) : dilaté - érodé
Les gradients permettent d’extraire les zones de variation d’intensité. Les valeurs crêtes
correspondent à des zones de forte transition et coı̈ncident généralement avec les contours
des objets. Cette information est très utile pour les problèmes de segmentation d’image.
B.2.2 Ouverture, fermeture, filtres morphologiques

Définition
En morphologie mathématique, une ouverture est une opération croissante, anti-extensive
et idempotente. Parmi cette classe de transformations, les ouvertures morphologiques γB
sont définies à partir de la dilatation et de l’érosion :
γB = δB̆ ◦ ǫB
On définit la fermeture de manière duale par :
ϕB = ǫB̆ ◦ δB
où B̆ est le transposé de B, c’est-à-dire le symétrique de B par rapport à l’origine. Lorsque

B est symétrique, on peut écrire : γB = δB ◦ ǫB et ϕB = ǫB ◦ δB .
D’une manière intuitive, l’ouverture fait disparaı̂tre les pics d’une image numérique
(structures claires) et la fermeture les vallées (structures sombres) et ceci selon un critère
de taille et de forme déterminé par l’élément structurant (voir figure B.6). Ces opéra-
teurs, tout comme la dilatation et l’érosion n’ont pas d’inverse. Dans le cas binaire, on
remarque aisément que ces transformations ont tendance à lisser les contours des partic-
ules, l’ouverture en supprimant les proéminances, la fermeture en comblant les golfes. En
outre, l’ouverture peut déconnecter les ensembles, créer plusieurs particules connexes à
partir d’une seule. Au contraire la fermeture peut relier deux particules connexes pour
n’en faire qu’une. Enfin, l’ouverture et la fermeture ne sont pas des transformations ho-
mothopiques.
B = E.S. plan B = E.S. plan
t f γB( f ) t f ϕB( f )
x x
Figure B.6: Ouverture et fermeture morphologiques
Des résidus : les chapeaux haut de forme

On appelle transformation chapeau haut de forme (ou top hat), le résidu entre l’identité
et une ouverture (chapeau haut de forme blanc)
T Hn+ (f ) = f − γn (f )
ou bien entre une fermeture et l’identité (chapeau haut de forme noir).
T Hn− (f ) = φn (f ) − f
Le chapeau haut de forme blanc permet de détecter ce que l’ouverture a fait disparaitre,
c’est-à-dire les pics ou structures claires de l’image originale (voir figure B.7). Le chapeau
haut de forme noir détecte, quant à lui, les vallées ou structures sombres de l’image.
B.3. Transformations géodésiques et reconstruction 195
B = E.S. plan
t f γB( f )
TH( f )
x
Figure B.7: Chapeau haut de forme blanc
Les filtres morphologiques

Si en traitement du signal classique, on désigne par “filtre” à peu près tous les types de
traitements, en morphologie mathématique ce terme a une signification bien précise [82].
Définition B.5 (Filtre morphologique) Un filtre morphologique est une transforma-

tion ψ croissante et idempotente :
∀(f, g) ∈ F × F , f ≤ f ′ ⇒ ψ(f ) ≤ ψ(g)) (B.9)

∀f ∈ F , ψ(f ) = ψ(ψ(f )) (B.10)
En général, ni une érosion ni une dilatation n’est un filtre morphologique puisque ces
opérations ne sont pas idempotentes (sauf lorsque l’élément structurant est réduit à un
point, ce qui donne l’identité) . Par contre, les ouvertures et les fermetures sont des filtres
morphologiques et, d’une manière générale, les compositions de fermetures et d’ouvertures
sont des filtres morphologiques.
L’étude théorique des filtres morphologiques permet d’introduire un certain nombre
de transformations, combinaisons d’ouvertures et de fermetures de tailles différentes, asso-
ciées à des familles d’éléments structurants homogènes ou non. Elles sont particulièrement
intéressantes dans tous les problèmes de restauration des images à teintes de gris. Parmi
ces transformations, on distingue la classe des filtres alternés dont la principale propriété
est d’avoir un comportement symétrique vis-à-vis des structures sombres et claires de
l’image.
La théorie des filtres morphologique est assez longue et ne saurait tenir dans ces
quelques pages. Nous nous contenterons d’insister sur une notion très importante en mor-
phologie mathématique et qui sert de base à notre travail : la notion de géodésie.
B.3 Transformations géodésiques et reconstruction

L’idée de reconstruction géodésique a fait son apparition en morphologie mathématique
en 1976 avec la thèse de J.C. Klein [31] comme l’opération qui consiste à reconstituer
les composantes connexes d’un ensemble A lorsque leur intersection avec les composantes
connexes d’un second ensemble B est non vide. L’ensemble de référence B est généralement
appelé marqueur et l’ensemble A masque géodésique. L’idée généralisait en quelque sorte la
technique classique qui consiste à garder ou à rejeter, indépendamment les unes des autres,
les composantes connexes d’un ensemble selon leur mesure (surface, volume, diamétre de
feret ...) par exemple.
Aujourd’hui, les transformations les plus évoluées de la morphologie mathématique
font presque toutes appel à la notion de géodésie.
Dans tout ce qui suit, nous noterons simplement la dilatation par δ(X) (au lieu de
δB (X)).
B.3.1 Dilatation et érosion géodésiques

Géodésie binaire
On définit les transformations géodésiques en considérant uniquement la partie de l’élément
structurant à l’intérieur du masque (ensemble connexe ou non).
Définition B.6 (Dilatation géodésique binaire) La dilatation géodésique de taille n
notée δ n (R, X) d’un ensemble X inclus dans un masque R est définie par :
δ 1 (R, X) = δ1 (X) ∩ R δ n (R, X) = δ1 (δ1 (...δ1 (X) ∩ R) ∩ R) ∩ R
| {z }
n fois
L’érosion géodésique est la transformation duale :

ǫn (R, R/X) = R/δ n (R, X)
dans cette définition, X/Y désigne la différence ensembliste : ∀X, Y ∈ E, X/Y = X ∩ Y c
Figure B.8: dilatation géodésique et reconstruction géodésique
Un des premiers intérêts de la dilatation géodésique est de permettre l’opération dite

de reconstruction. A partir de marqueurs désignant en quelque sorte les objets que l’on
désire préserver, une dilatation géodésique de taille infinie (en pratique jusqu’à idempo-
tence) permettra de retrouver les particules marquées dans leur intégralité. En effet, on
vérifie aisément la relation :
∀X, Y ∈ P(IR2 ), X ⊂ Y ⇒ δ ∞ (Y, X) = Y
La notion de reconstruction est un outil fondamental de la morphologie mathématique
et a donné naissance à des transformations évoluées telles que les méthodes de bouchage
de trous, les algorithmes de détection des particules touchant le bord d’un champ, la
notion d’érodé ultime et les algorithmes de séparation de particules qui en découlent.
B.3. Transformations géodésiques et reconstruction 197
Géodésie numérique
La dilatation géodésique est définie d’une manière similaire dans les cas binaires et
numériques. Dans de nombreux cas, le masque géodésique est encore une image binaire.
Dans ce cas, les transformations géodésiques sont utilisées pour restreindre la zone de
travail. Le masque géodésique peut également correspondre à une image numérique. On
définit alors les transformations géodésiques numériques en considérant uniquement la
partie du graphe de l’image située sous le masque géodésique et ceci à chaque itération.
Définition B.7 (Dilatation géodésique numérique) La dilatation géodésique d’une

fonction numérique f sous le masque géodésique numérique fR (f ≤ fR ) est définie par :
δ 1 (fR , f ) = inf (δ1 (f ), fR )
δ n (fR , f ) = δ 1 (fR , δ 1 (fR, ...δ 1 (fR , f )))

| {z }
n fois
On définit l’érosion géodésique de manière duale.

1
f g δ( f , g ) f g Reconstruction de g par f
t t
x x
Figure B.9: dilatation de f géodésiquement à g de taille 1 et reconstruction géodésique

de g par f
De la même manière que dans le cas binaire, la dilatation géodésique est généralement
utilisée pour reconstruire partiellement une image numérique. Dans ce cas l’image étudiée
joue le rôle du masque géodésique fR et l’image que nous dilatons est définie de sorte à
marquer les structures ou régions devant être reconstruites. Dans ce cas, la taille de la
dilatation géodésique appliquée est infinie (en réalité jusquà idempotence) (cf. figure B.9).
Si l’ensemble des marqueurs coı̈ncide avec l’ensemble des maxima régionaux de l’image,
alors la dilatation géodésique conduit à une reconstruction totale de l’image :
(
∞ +∞ si x ∈ M⊣§({)
δ (f, fM ) = f avec fM (x) =
−∞ sinon
où M⊣§({) est l’ensemble des maxima régionaux de f .
B.3.2 Les transformations par reconstruction

Les transformations par reconstruction sont définies par composition d’une transforma-
tion morphologique élémentaire et de la reconstruction géodésique, par dilatation dans le
cas d’une transformation anti-extensive, et par érosion dans le cas d’une transformation
extensive.
La famille des filtres par reconstruction est constituée des ouvertures et fermetures
par reconstruction et des transformations obtenues par composition, sup ou inf de ces
transformations. Ces filtres, outre les propriétés de croissance et d’idempotence ont de
bonnes propriétés vis-à-vis des composantes connexes des images binaires ou des plateaux
des images numériques.
Définition B.8 (Ouverture par reconstruction) Soit γ une ouverture quelconque. On
définit l’ouverture par reconstruction qui lui est associée par :
γλrec (g) = δ rec (γλ (g) , g) = δ rec (ǫλ (g) , g)
La fermeture par reconstruction est définie de manière duale :
ϕrec
λ (g) = ǫ
rec
(ϕλ (g) , g) = ǫrec (δλ (g) , g)
D’une manière générale, on a :
∀f ∈ F , ∀λ ≥ 0, 0 ≤ γλ (f ) ≤ γλrec (f ) ≤ f
Z
Y
Z=h
Z = h’
X
Y h ELEMENT STRUCTURANT Y RESULTAT DE L’OUVERTURE PAR RECONSTRUCTION

h’
X X
Z=h Y
Z = h’
X
OUVERT par RECONSTRUCTION TOP HAT par RECONSTRUCTION
Figure B.10: Ouverture par reconstruction et décomposition de l’image par ses seuils
Des résidus : les chapeaux haut de forme par reconstruction A partir des ou-
vertures et des fermetures par reconstruction, on définit les chapeaux haut de forme par
reconstruction : résidus entre l’image et son ouvert par reconstruction ou résidu entre le
fermé par reconstruction et l’image originale :
T Hbrec rec
λ (f ) = f − γλ (f )
T Hnrec rec
λ (f ) = ϕλ (f ) − f
B.4. Un intermédiaire entre ouverture et ouverture par reconstruction : le filtre gommette199
B.4 Un intermédiaire entre ouverture et ouverture

par reconstruction : le filtre gommette
Le filtre gommette a été introduit par F. Meyer. L’idée consiste à construire un filtre
”intermédiaire” entre l’ouverture et l’ouverture par reconstruction en étudiant les résidus
de ces deux transformations, c’est-à-dire les chapeaux haut de forme qui leur sont associés.
Définition
Soit f l’image originale. Considérons, T Hn (f ) et T Hnrec (f ) les chapeaux haut de forme
(blancs) résidus de l’ouverture et de l’ouverture par reconstruction de taille n :
T Hn (f ) = f − γn (f ) et T Hnrec(f ) = f − γnrec (f )
120 E.S. 80 80
100
80
200
150 Ouverture Ouverture par reconstruction
0 0 0
Figure B.11: Ouverture et ouverture par reconstruction
120 40
120
100 20 80 20
80
200 200 120
150 150 150
0 0 0
Figure B.12: Résidus de l’ouverture et de l’ouverture par reconstruction : les chapeaux

haut de forme
T Hn (f ) est consitué des caps, ı̂lots et isthmes clairs de taille inférieure à n. Leur niveau
de gris sur l’image T Hn (f ) correspond à leur contraste par rapport au fond de l’image en
leur voisinage. Nous appelons ces composantes gommettes.
T Hnrec (f ) est constitué des ı̂lots clairs de l’image de taille inférieure à n. Leur niveau de
gris sur l’image T Hnrec (f ) correspond à leur contraste par rapport aux structures voisines
de plus grande taille (qui ont résisté à l’ouverture) (cf. figures B.11 et B.12).
L’ouverture gomme toutes les gommettes ce qui engendre une dégradation des contours
des structures persistantes sur l’image ouverte. A l’opposé l’ouverture par reconstruction
préserve toutes les gommettes sauf les ı̂les, ce qui peut conduire à une sur-reconstruction
(reconstruction des isthmes) ainsi qu’à une atténuation du contraste des structures.
L’idée du filtre gommette est de sélectionner les gommettes du chapeau haut de forme
devant être éliminées de telle sorte que la dégradation de l’image filtrée soit minimisée.
Une solution consiste à sélectionner les gommettes par un seuillage de leur contraste sur
l’image du chapeau haut de forme par reconstruction :
(
+∞ si T Hnrec (f )(x) ≥ s
Ss (T Hnrec (f ))(x) =
0 sinon
Ss (T Hnrec(f )) marque les gommettes considérées comme des structures à part entière ; ces
structures sont de petite taille (elles ne contenient pas l’élément structurant courant) et
doivent donc être éliminées par le filtre gommette. Les gommettes non marquées seront
préservées : les caps et isthmes et certaines ı̂les de faible contraste par rapport aux struc-
tures voisines.
Définition B.9 (Filtre gommette) Le filtre gommette de taille n et de seuil s est défini
par :
Gomn,s (f ) = f − δ ∞ (T Hn (f ), Ss (T Hnrec (f )))
Nous noterons Gomn,s le filtre dual défini à partir des chapeaux haut de formes noirs
(résidus de fermetures).
La figures B.13 et B.14 illustrent l’effet de cette transformation en comparaison avec

une ouverture morphologique et une ouverture par reconstruction. La mise en oeuvre de
cette transformation nécessite de déterminer deux paramètres : un paramètre de taille et
un paramètre de contraste, ce qui augmente la difficulté.
Propriétés
• 0 ≤ δ ∞ (T Hn (f ), Ss (T Hnrec(f ))) ≤ T Hn (f ) donc, en notant Id la fonction identité :
∀s ≥ 0, ∀n ≥ 0, γn ≤ Gomn,s ≤ Id
• Si s = ∞ alors aucune gommette n’est sélectionnée donc aucune gommette n’est

éliminée :
∀n ≥ 0, Gomn,∞ = Id
Si s = 0 alors toutes les gommettes sont sélectionnées et éliminées :
∀n ≥ 0, Gomn,0 = γn
• ∀n ≥ 0, γnrec ≥ γn donc : T Hn (f ) ≥ T Hnrec (f ). Par conséquent, on peut écrire :

δ ∞ (T Hn (f ), Ss (T Hnrec(f ))) ≥ δ ∞ (T Hnrec (f ), Ss (T Hnrec(f )))
Si s = 1, alors δ ∞ (T Hnrec (f ), Ss (T Hnrec(f ))) = T Hnrec (f ) et donc :
Gomn,1 = f − δ ∞ (T Hn (f ), Ss (T Hnrec(f ))) ≤ f − T Hnrec (f ) = γnrec (f ), c’est-à-dire :
∀n ≥ 0, γn ≤ Gomn,1 ≤ γnrec
Si s est différent de 1, alors le filtre gommette et l’ouverture par reconstruction ne
sont pas comparables. Cette transformation ne peut donc être considérée comme un
intermédiaire entre l’ouverture et l’ouverture par reconstruction que pour les valeurs
de seuil égales à 1.
B.4. Un intermédiaire entre ouverture et ouverture par reconstruction : le filtre gommette201
Image originale
120
100
80
200
150
0
80 80
Ouverture Chapeau haut de forme Ouverture par reconstruction

0 0
Les gommettes Chapeau haut de forme
120 par reconstruction 40
20 20
80
200 120
150 150
0 0
Marquage des gommettes
Reconstruction Seuillage (s = 100)
120
Reconstruction des gommettes
200
150 Elimination des gommettes
0 0
120
100
80
Filtre gommette
0
Figure B.13: Principe du filtre gommette

rec
• ∀n ≥ 0, γn+1 ≤ γn et γn+1 ≤ γnrec , donc : T Hn+1 ≥ T Hn et T Hn+1
rec
≥ T Hnrec
rec
Pour un seuil s fixé : Ss (T Hn+1 (f )) ≥ Ss (T Hnrec(f )) et
δ ∞ (T Hn+1(f ), Ss (T Hn+1
rec
(f ))) ≥ δ ∞ (T Hn (f ), Ss (T Hnrec (f ))). On a donc :
∀s ≥ 0, ∀n ≥ 0, Gomn+1,s ≤ Gomn,s
• Plus on sélectionne sévèrement les gommettes, moins la transformation est sévère.

En effet : Ss+1 (T Hnrec(f )) ≤ Ss (T Hnrec (f )). Donc :
∀s ≥ 0, ∀n ≥ 0, Gomn,s+1 ≥ Gomn,s
• La transformation gommette est de façon immédiate anti-extensive (Gomn,s (f ) ≤ f )

et idempotente. Par contre, dans le cas général (si s est non nul), elle n’est ni
croissante, ni décroissante. Donc, ce n’est pas un filtre morphologique. Cette
transformation est appelée filtre gommette : ce qui correspond donc à un abus de
langage par rapport à la définition morphologique des filtres. En fait, de par ces
propriétés, cette transformation correspond à un amincissement.
Image originale
Ouverture de taille 3 Ouverture par reconstruction de taille 3 Filtre gomette de taille 3 et de seuil 5
Figure B.14: Ouverture, ouverture par reconstruction et filtre gommette

B.5. Conclusion 203
B.5 Conclusion
Dans ce chapitre, nous avons évoqué un certain nombre d’opérateurs classiques de la MM.
Nous pouvons faire à leur propos quelques remarques d’ordre général :
• Toutes les transformations de la MM valent pour des signaux continus, multi-

dimensionnels.
• Les opérateurs morphologiques vont généralement par paire (dualité par rapport à
la complémentation ou l’inversion de l’image).
• Les outils morphologiques nécessitent la plupart du temps une connaissance à priori

de ce que l’on cherche. Et ceci pour plusieurs raisons : d’une part, la notion d’élément
structurant permet d’indiquer ce que l’on désire éliminer dans l’image et ce que l’on
désire préserver ; d’autres part, la plupart des opérateurs morphologiques ne sont
pas inversibles, il y a donc perte d’information, même si ces traitements améliorent
sensiblement la qualité de l’image.
• La transformation d’image peut être utilisée à plusieurs fins : la restauration d’image,

l’extraction de caractéristiques et la segmentation d’image ou encore le codage (mais
notons que les techniques de codage évoluées font presque toutes appel aux tech-
niques des précédents type de problèmes). Les transformations morphologiques peu-
vent être utilisées comme outil d’analyse et de compréhension des images : on trans-
forme une image, on sait ce que l’on fait, on étudie comment l’image réagit, on en
déduit une caractérisation de l’image. Toute la difficulté de ce type de démarches
réside probablement dans le choix judicieux des transformations.
Annexe C
Algorithmes en pseudo-code
Cet annexe rassemble l’ensemble des algorithmes décrits dans cet ouvrage et présentés ici
en pseudo-code. La plupart de ces algorithmes utilisent des files d’attente hiérarchiques
(FAH). Une description complète de la gestion de ces files pourra notamment être trouvée
dans [21].
Algorithme de calcul des valeurs d’extinction surfaciques

Dans ce qui suit f désignera l’image originale, LAB l’image des minima avec leur label
(niveaux de gris compris entre 1 et le nombre de minima). En ce qui concerne l’algorithme
d’extraction des minima et celui permettant de leur attribuer un label, on pourra, par
exemple, se référer à la thèse de L. Vincent [96].
Surfh [] et Surfh−1[] sont des tableaux de valeurs. Surfh [l] (resp. Surfh−1[l]) corre-
spond à la surface du lac associée au minimum de label l pour le niveau d’inondation
courant h (resp. pour le niveau précédent h′ ≤ h − 1). Ces tableaux sont initialisés à 0.
On utilise la structure d’arbre suivante :
Arbre[l] Description du noeud l

type Minimum, maximum, plateau non-extremum
alt Niveau de gris du minimum dans l’image originale
Champ initialisé à zéro
VE Valeur d’extinction du minimum
Champ initialisé à zéro
asc Permier ascendant (père) du minimum-noeud
Champ initialisé à l
desc[] Tableau contenant les descendants du minimum-noeud
Champ initialisé à 0
V branche Champ utilisé pour valuer les branches de l’arbre
Champ initialisé à 0
Les étapes du calcul des valeurs d’extinction surfaciques sont :
205
206 Annexe C. Algorithmes en pseudo-code
• (Initialisation de la file d’attente)

Pour tous les pixels x de l’image faire :
• si LAB(x) 6= 0 faire :
– Surfh [LAB(x)]++
– Pour tous les voisins p de x faire :
∗ Si LAB(p) = 0 faire :
· insertion de p dans la FAH au niveau de priorité f (p).
· LAB(p) = −LAB(x)
• (inondation de l’image)
niveau = 0
Tant que la file d’attente est non vide faire :
• extraction du pixel de plus faible priorité de la FAH. Soit x ce pixel.
• LAB(x) = −LAB(x)
• si f (x) > niveau faire :
– Pour tous les labels l faire : Surfh−1[l] = Surfh [l]
– niveau = f (x)
• Pour tous les voisins p de x faire :
– si LAB(p) > 0 faire :
∗ label = LAB(x) Tant que (label 6= asc[label]) faire : label = asc[label]
∗ label’ = LAB(p) Tant que (label′ 6= asc[label′ ]) faire : label’ = asc[label’]
∗ si label 6= label′ (fusion) faire :
· si Surfh−1[label] < Surfh−1[label′ ] faire : l = label, label = label’,
label’ = l
· Arbre[label′ ].V E = Surfh−1[label′ ]
· Arbre[label′ ].asc = label
· l = 1 Tant que Arbre[label].desc[l] 6= 0 faire l++
· Arbre[label].desc[l] = label′
· Surfh [label] + = Surfh [label′ ]
· Arbre[label′ ].V branche = Surfh−1[label] + 1
– si LAB(p) = 0 (propagation) faire :
∗ insertion de p dans la FAH au niveau de priorité f (p).
∗ LAB(p) = −LAB(x)
• (traitement du minimum le plus persistant)
Pour tous les labels l faire :
• Si Arbre[l].V E = 0 faire : Arbre[l].V E = surface de l’image
Fin
207
Algorithme de calcul des valeurs d’extinction volumiques

Nous reprenons les mêmes notations que celles utilisées dans le cas des valeurs d’extinction
surfaciques.
V ol[l] désignera le volume du lac de label l. Ce tableau est initalisé à zéro.

– Surfh [LAB(x)]++
– Arbre[LAB(x)].alt = f (x)
∗ Si LAB(p) = 0 faire :
· insertion de p dans la FAH au niveau de priorité f (p).
· LAB(p) = −LAB(x)
Pour tous les labels l faire V ol[l] = −alt × Surfh [l]
• (inondation de l’image)
niveau = 0
Tant que la file d’attente est non vide faire :
• extraction du pixel de plus faible priorité de la FAH. Soit x ce pixel.

• LAB(x) = −LAB(x)
• si f (x) > niveau faire :
– Pour tous les labels l faire : Surfh−1[l] = Surfh [l]
– V ol[l] + = Surfh [l] × (f (x) − niveau)
– niveau = f (x)
• Pour tous les voisins p de x faire :
– si LAB(p) > 0 faire :
∗ label = LAB(x) Tant que (label 6= asc[label]) faire : label = asc[label]
∗ label’ = LAB(p) Tant que (label′ 6= asc[label′ ]) faire : label’ = asc[label’]
∗ si label 6= label′ (fusion) faire :
· si V ol[label] < V ol[label′ ] faire : l = label, label = label’, label’ = l
· Arbre[label′ ].V E = V ol[label′ ]
· Arbre[label′ ].asc = label
· l = 1 Tant que Arbre[label].desc[l] 6= 0 faire l++
· Arbre[label].desc[l] = label′
· Arbre[label′ ].V branche = V ol[label] + 1
· Surfh [label] + = Surfh [label′ ]
· V ol[label] + = V ol[label′ ]
– si LAB(p) = 0 (propagation) faire :
∗ insertion de p dans la FAH au niveau de priorité f (p).
∗ LAB(p) = −LAB(x)
• (traitement du minimum le plus persistant)
• Si Arbre[l].V E = 0 faire : Arbre[l].V E = volume de l’image
Fin
Algorithme de calcul de la dynamique symétrique

f désignera l’image originale, LAB l’image des extrema avec leurs labels : les labels des
minima sont des valeurs comprises entre 1 et nbmin. altc[l] correspond au niveau de gris
de l’extremum de label l dans l’image transformée.
Renc[][] est une matrice binaire initalisée à zéro. Renc[l][l′ ] = 1 ou Renc[l′ ][l] = 1 si
les plateaux de label l et l′ sont voisins sur l’image trasnformée.
A chaque label l (à chaque extremum de l’image originale) est associée une file d’attente
hiérarchique F AH[l] (F AH[l][h] contient les pixels voisins du plateau de label l et ayant
le niveau de priorité h).

– si LAB(x) ≤ nbmin faire Arbre[LAB(x)].type = min
– sinon faire Arbre[LAB(x)].type = max
– Arbre[LAB(x)].alt = f (x)
– Altc[LAB(x)] = f (x)
∗ si LAB(p) = 0 faire : insertion de p dans FAH[LAB(x)] au niveau
hiérarchique | f (p) − f (x) |.
∗ si (LAB(p) 6= 0) et (LAB(p) 6= LAB(x)) faire :
Renc[LAB(x)][LAB(p)] = 1
• (Propagation des extrema)
niveau = 0 end = 0
Tant que (end = 0) faire :
209
• niveau++
• Pour tous les labels l tels que (Arbre[l].asc = l et Arbre[l].type 6= nonextr)
faire (Propagation des extrema) :
– si (Arbre[l].type = max) faire : altc[l]−−
– si (Arbre[l].type = min) faire : altc[l]++
– Tant que F AH[l][niveau] est non vide faire :
∗ extraction du premier pixel de FAH[l][niveau]. Soit x ce pixel.
Si LAB(x) 6= 0, on passe au suivant.
∗ LAB(x) = l
∗ Pour tous les voisins p de x faire :
· si LAB(p) > 0 faire :
− l′ = LAB(p) Tant que (Arbre[l′ ].asc 6= l′ ) faire : l’ = Arbre[l’].asc
− si (l 6= l′ ) faire : Renc[l][l′ ] = 1
· si LAB(p) = 0 faire :
− Insertion de p dans F AH[l] au niveau | Arbre[l].alt − f (p) |
− Si (Arbre[l].type = min et f (p) < Arbre[l].alt) faire :
Arbre[l].type = nonextr
− Si (Arbre[l].type = max et f (p) > Arbre[l].alt) faire :
Arbre[l].type = nonextr
• Pour tous les labels l tels que (Arbre[l].asc = l) faire (fusions ?) :
– si (Arbre[l].type = nonextr) et (Arbre[l].V E = 0) faire :
Arbre[l].V E = niveau
– Pour tous les label l′ tels que (Arbre[l′ ].asc = l′ et altc[l] = altc[l′ ] et
(Renc[l][l′ ] = 1 ou Renc[l′ ][l] = 1)) faire :
∗ sup = 0 inf = 0
∗ Pour tous les pixels de F AH[l] faire :
· si (f (x) < altc[l]) faire : inf = 1
· si (f (x) < altc[l]) faire : sup = 1
∗ Pour tous les labels i faire :
· si (Renc[i][l] = 1 ou Renc[l][i] = 1 ou Renc[i][l′ ] = 1 ou Renc[l′ ][i] =
1) faire :
si (altc[i] < altc[l]) faire : inf = 1
si (altc[i] > altc[l]) faire : sup = 1
∗ si (sup = 0) et (inf = 0) (plateau) faire : end = 1 , sup = 1 , inf = 1
∗ si (sup = 1) et (inf = 1) (plateau) faire :
· si (Arbre[l].V E = 0) faire Arbre[l].V E = niveau
· si (Arbre[l′ ].V E = 0) faire Arbre[l′ ].V E = niveau
· si (Arbre[l].type 6= min) faire : label = l, l = l’, l’ = label
· si Arbre[l′ ].V E = 0 faire : Arbre[l′ ].V E = niveau

· si (Arbre[l].type 6= max) faire : label = l, l = l’, l’ = label
· si Arbre[l′ ].V E = 0 faire : Arbre[l′ ].V E = niveau
∗ Arbre[l′ ].asc = l
∗ label = 1 Tant que Arbre[l].desc[label] 6= 0 faire label++
∗ Arbre[l].desc[label] = l′
∗ Arbre[l′ ].V branche = niveau
∗ Pour tous les labels label faire :
· si Renc[l′ ][label] = 1 faire : Renc[l′ ][label] = 0 et Renc[l][label] = 1
· si Renc[label][l′ ] = 1 faire : Renc[label][l′ ] = 0 et Renc[label][l] = 1
∗ Pour tous les pixels q dans F AH[l′ ] faire :
· insertion de q dans F AH[l] au niveau de priorité | f (q)−Arbre[l].alt
• (traitement de l’extremum le plus persistant)

niveau++
• Si Arbre[l].V E = 0 faire : Arbre[l].V E = niveau
Fin
Table des figures
2.1 Effet d’ouvertures de taille croissante sur un ensemble . . . . . . . . . . . . 10

2.2 Image originale (Tools) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3 Granulométrie par ouvertures de l’image Tools . . . . . . . . . . . . . . . . 11
2.4 Résidus de la granulométrie par ouvertures de l’image Tools . . . . . . . . 12
2.5 Fonction granulométrique d’une image binaire . . . . . . . . . . . . . . . . 13
2.6 Exemple de spectres granulométriques . . . . . . . . . . . . . . . . . . . . 13
2.7 Résidus du squelette morphologique de l’image Tools . . . . . . . . . . . . 15
2.8 Fonction d’extinction d’une image binaire . . . . . . . . . . . . . . . . . . . 16
2.9 Définitions possibles des composantes du squelette numérique . . . . . . . 18
2.10 Modification du processus de reconstruction de l’image selon la définition
du squelette utilisée : à gauche, la reconstruction ne peut commencer que
lorsque tous les résidus du squelette sont calculés ; à droite, les étapes de
décomposition et de reconstruction peuvent s’effectuer en parallèle. . . . . 19
2.11 Décomposition (b,c) filtrage par seuillage (d,e) et reconstruction partielle (f) 21
2.12 Algorithme de décomposition / Filtrage / Reconstruction - Première méthode 22
2.13 Algorithme de décomposition / Filtrage / Reconstruction - Deuxième méth-
ode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.14 Influence du choix des composantes sur le résultat du filtrage . . . . . . . . 23
2.15 Exemple de filtrage par décomposition morphologique sur l’image ”Lena”
(seuillage des résidus de la décomposition). A : image originale. B : filtrage
par décomposition morphologique des structures claires (seuillage des 4
premiers résidus du squelette morphologique). C : filtrage par décomposi-
tion morphologique des structures sombres (on applique la transformation
duale sur B). Comparaison avec le filtre alterné séquentiel de taille 3 (D)
et le filtre médian de taille 3 (E). . . . . . . . . . . . . . . . . . . . . . . . 24
2.16 Image originale ”Fibres” . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.17 Image originale ”Fibres” et premiers résidus de la décomposition . . . . . . 25
2.18 Modélisation des éléments rectilignes . . . . . . . . . . . . . . . . . . . . . 26
2.19 Extraction de l’information directionnelle . . . . . . . . . . . . . . . . . . . 27
2.20 Renforcement de l’information directionnelle . . . . . . . . . . . . . . . . . 27
2.21 Extraction des éléments rectilignes de direction i . . . . . . . . . . . . . . . 28
2.22 Regroupement des résultats obtenus dans chaque direction du plan (32
directions). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
211
212 TABLE DES FIGURES
2.23 Extraction de structures rectilignes par décomposition, filtrage, reconstruc-

tion. Colonne de gauche : image originale et premiers résidus du squelette.
Colonne centrale : image binaire des structures rectilignes. Colonne de
droite : reconstruction des structures rectilignes taille par taille (résultat
final en haut à droite) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.24 Effet d’amplification des irrégularités locales . . . . . . . . . . . . . . . . . 30
2.25 Lien entre la taille des structures rectilignes et la précision de la mesure de
direction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.26 Comparaison de l’ouverture et de l’ouverture par reconstruction . . . . . . 31
2.27 Granulométrie par ouvertures par reconstruction de l’image Tools . . . . . 32
2.28 Résidus de la granulométrie par ouvertures par reconstruction de l’image
Tools . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.29 Fonction granulométrique dans le cas d’ouvertures par reconstruction . . . 32
2.30 Extrema d’une image numérique . . . . . . . . . . . . . . . . . . . . . . . . 33
2.31 Extraction des maxima régionaux par une reconstruction géodésique . . . . 34
2.32 Les plateaux non extrema peuvent correspondre à des régions d’intérêt dans
l’image (à gauche : image originale ; au centre : extrema régionaux (minima
en blanc, maxima en noir) ; à droite : quelques plateaux non extrema) . . . 35
2.33 On complète le relief à l’aide de la fonction distance . . . . . . . . . . . . . 35
2.34 Image ”tools” et ses maxima régionaux . . . . . . . . . . . . . . . . . . . . 36
2.35 Influence du bruit sur les extrema d’une image . . . . . . . . . . . . . . . . 36
2.36 Comment extraire les relations hiérarchiques entre les structures d’une im-
age ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.37 Extraction des h-extrema de l’image par reconstruction . . . . . . . . . . . 37
2.38 Extraction des h-extrema de l’image Tools (256 niveaux de gris, h = 50) . . 38
2.39 Extraction des rh-extrema par une dilatation géodésique de taille finie . . . 38
2.40 Dynamique d’un maximum régional . . . . . . . . . . . . . . . . . . . . . . 39
2.41 Maxima régionaux de l’image Tools de forte dynamique (> 50) . . . . . . . 40
3.1 Exemples de filtrage hiérarchique sur l’image ”Pepper” . . . . . . . . . . . 44

3.2 Exemple d’opérateur connexe binaire ϕ. φ n’est pas connexe . . . . . . . . 46
3.3 Effet des opérateurs connexes numériques sur les zones plates de l’image . . 47
3.4 Emboitement des zones de gradient nul dans le cas d’une pyramide d’opérateurs
connexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.5 Fonction d’extinction d’une image binaire : sur cet exemple, on associe à
chaque composante connexe un niveau de gris égal à sa surface. . . . . . . 50
3.6 Fonction d’extinction d’une image numérique : sur cet exemple, à chaque
maximum (chaque dôme de l’image), on associe la taille maximale de
l’ouverture par reconstruction qui préserve (au moins partiellement) le dôme. 52
3.7 Image ”Tools” et ses maxima régionaux . . . . . . . . . . . . . . . . . . . . 53
3.8 Image ”Road” et ses maxima régionaux . . . . . . . . . . . . . . . . . . . . 53
3.9 Principe de la dynamique : on cherche le col le plus haut qui unit le dôme
de sommet M à un autre dôme de plus haut sommet. . . . . . . . . . . . . 54
3.10 Principe des h-reconstructions : les dômes de l’image sont arasés. . . . . . . 55
TABLE DES FIGURES 213
3.11 La dynamique et les filtres morphologiques de contraste : principe et illus-

tration sur l’exemple ”Tools” . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.12 Utilisation de la dynamique pour extraire les extrema les plus significatifs
en termes de contraste : on ne retient que les 4 maxima de plus forte dy-
namique ; nous donnons, pour référence, le résultat d’une h-reconstruction
de paramètre h égal à la plus faible valeur de dynamique prise par ces 4
maxima. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.13 Exemple où la dynamique est calculée sur une image gradient . . . . . . . 58
3.14 Comparaison entre la dynamique calculée sur l’image originale et la dy-
namique calculée sur l’image gradient : lorsqu’elle est calculée sur le gra-
dient, la dynamique est caractéristique de la force et de l’homogénéité des
contours des régions. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.15 Illustration du manque de robustesse de la dynamique calculée sur une
image gradient : des variations locales d’intensité modifient radicalement
les valeurs de dynamique extraites. . . . . . . . . . . . . . . . . . . . . . . 59
3.16 Valeurs d’extinction associées aux ouvertures par reconstruction : principe
et illustration sur l’exemple ”Tools” . . . . . . . . . . . . . . . . . . . . . . 60
3.17 Influence de l’élément structurant sur les valeurs d’extinction associées aux
ouvertures par reconstruction : cas d’un segment de surface constante et
de direction 30o (en haut) puis 160o (en bas) . . . . . . . . . . . . . . . . . 61
3.18 Valeurs d’extinction surfaciques : principe et illustration sur l’exemple ”Tools” 62
3.19 Utilisation de la fonction d’extinction surfacique pour extraire les extrema
les plus significatifs en termes de taille : on ne retient ici que les 4 max-
ima de plus forte valeur d’extinction. L’image de gauche est le résultat de
l’ouverture surfacique de taille λ, où λ correspond à la plus faible valeur
d’extinction des 4 maxima retenus. Seules les régions claires qui persistent
sur l’image filtrée sont marquées. . . . . . . . . . . . . . . . . . . . . . . . 63
3.20 Comparaison entre la dynamique et la fonction d’extinction surfacique : ces
deux opérateurs agissent selon deux critères distincts, les hiérarchies entre
les extrema de l’image qui s’en déduisent diffèrent. Sur cet exemple : à un
pic ponctuel de forte amplitude, on associe une forte valeur de dynamique
et une faible valeur d’extinction surfacique. . . . . . . . . . . . . . . . . . . 63
3.21 Exemple où la fonction d’extinction surfacique est calculée sur une image
gradient . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.22 Comparaison entre la fonction d’extinction surfacique calculée sur l’image
originale et la fonction d’extinction surfacique calculée sur l’image gradi-
ent. Contrairement au cas de la dynamique, il n’y a pas ici de différence
d’interprétation entre la mesure calculée sur l’image originale et celle clculée
sur l’image gradient, même si ces mesures peuvent être différentes. . . . . . 64
3.23 Une fonction numérique f peut être vue comme une superposition de ses
seuils successifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.24 Principe des h-reconstructions et de l’ouverture surfacique : élimination des
dômes de hauteur ou de surface trop faible . . . . . . . . . . . . . . . . . . 65
3.25 γλa (δ ∞ (f, f − h)) agit selon la surface et la hauteur des dômes mais non
selon leur volume. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.26 érosion à partir d’un élément structurant à niveaux de gris déformable . . . 66

3.27 Principe de l’arasement volumique : élimination des dômes de volume trop
faible . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.28 L’arasement volumique ne commute pas avec l’inf : ce n’est pas une érosion.
Sur cet exemple avλ (f ) ∧ avλ (g) 6= avλ (f ∧ g) . . . . . . . . . . . . . . . . . . 68
3.29 avλ ◦avµ ≤ avλ+µ mais on n’a pas toujours l’égalité : sur cet exemple notamment. 69
3.30 Les valeurs d’extinction volumiques permettent de distinguer des régions
ayant des caractéristiques en taille et en contraste identiques . . . . . . . . 70
3.31 Valeurs d’extinction volumiques : principe et illustration sur l’exemple
”Tools” . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.32 Utilisation de la fonction d’extinction volumique pour extraire les extrema
les plus significatifs en termes de volume. On ne retient ici que les 4 maxima
de plus forte valeur d’extinction volumique. L’image de gauche est le ré-
sultat de l’arasement volumique de paramètre λ, où λ correspond à la plus
faible valeur d’extinction des 4 maxima retenus. Seules les régions claires
qui persistent sur l’image filtrée sont marquées. . . . . . . . . . . . . . . . 72
3.33 Exemple où la fonction d’extinction volumique est calculée sur une image
gradient . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
3.34 Comparaison entre la fonction d’extinction volumique calculée sur l’image
originale et la fonction d’extinction volumique calculée sur l’image gradient
: lorsqu’elle est calculée sur l’image gradient, la fonction d’extinction volu-
mique est caractéristique de la taille et de la force des contours des régions
de l’image. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.35 Comparaison entre le filtre alterné séquentiel de taille 2 (ϕ2 ◦ γ2 ◦ ϕ1 ◦ γ1 )
et une ouverture fermeture de taille 2 (ϕ2 ◦ γ2 ) . . . . . . . . . . . . . . . . 73
3.36 h-reconstructions (décalage positif puis négatif) appliquées alternativement
sur les structures claires et sombres de l’image . . . . . . . . . . . . . . . . 74
3.37 Effet d’un Filtre Alterné Séquentiel par reconstruction sur les extrema
d’une image numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
3.38 Dynamique symétrique : principe et illustration sur l’exemple “Road” . . . 77
3.39 Comparaison entre la dynamique et la dynamique symétrique sur l’exemple
de l’image ”Tools” : ces opérateurs diffèrent dans le cas de structures em-
boı̂tées (les clés, les écrous...). . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.40 Principe de la reconstruction numérique : dilatation géodésique de mar-
queurs (en noir) sous une fonction. Le résultat est en gris. . . . . . . . . . 79
3.41 Principe des “filtres” d’extinction : les régions marquées par des extrema
de forte valeur d’extinction sont intégralement préservées, les autres sont
éliminées. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
3.42 La valeur d’extinction surfacique d’un maximum M n’est pas modifiée
lorsqu’on élimine les maxima de moins grande surface que M. Ici, après re-
construction, la région marquée par M ′′ est éliminée. Les valeurs d’extinction
surfaciques associées à M et M ′ (calculées sur l’image filtrée) restent in-
changées. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.43 Non croissance des filtres d’extinction. Sur cet exemple, on calcule un filtre
d’extinction surfacique. On a f ≥ g mais RE,+ E,+
s (f ) et Rs (g) ne sont pas
comparables. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
3.44 Image ”Tools” et son gradient (gradient morphologique de taille 1) . . . . . 82
3.45 Exemple d’utilisation des valeurs d’extinction pour le filtrage d’image. En
haut, les marqueurs correspondent aux maxima de forte dynamique. Au
centre, les marqueurs correspondent aux maxima de forte valeur d’extinction
surfacique. En bas, les marqueurs correspondent aux maxima de forte
valeur d’extinction volumique. On compare les résultats à ce que l’on ob-
tiendrait à partir des filtres équivalents : par une h-reconstruction, par une
ouverture surfacique et par un arasement volumique. . . . . . . . . . . . . 84
3.46 Filtrage des structures claires et sombres de l’image de faible contraste
en utilisant la dynamique des extrema de l’image - Comparaison avec le
résultat obtenu à partir d’un filtre de contraste symétrique . . . . . . . . . 85
3.47 Filtrage des structures claires et sombres de l’image de faible contraste en
utilisant la dynamique symétrique des extrema de l’image . . . . . . . . . . 85
3.48 Filtrage des structures claires et sombres de l’image de faible taille en util-
isant les valeurs d’extinction surfaciques des minima de l’image gradient . . 87
3.49 Filtrage des structures claires et sombres de l’image aux contours mal défi-
nis en utilisant la dynamique des minima de l’image gradient . . . . . . . . 87
3.50 Filtrage des structures claires et sombres de l’image en utilisant les valeurs
d’extinction volumiques des minima de l’image gradient . . . . . . . . . . . 88
3.51 Les fonctions d’extinction : tableau récaputalif des opérateurs présentés . . 88
4.1 Principe de l’inondation d’un relief : l’eau pénètre par les minima ; le niveau
d’inondation est maintenu constant. . . . . . . . . . . . . . . . . . . . . . . 92
4.2 Inondation et ligne de partage des eaux : lorsque deux eaux provenant de
deux sources différentes se rencontrent, on est sur un point de la ligne de
partage des eaux. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.3 Calcul de la dynamique : lorsque deux lacs de sources différentes se rencon-
trent, la dynamique de la source associée au lac de plus faible profondeur
est calculée. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.4 Configuration pathologique pour le calcul de la dynamique : deux lacs de
même profondeur se rencontrent. . . . . . . . . . . . . . . . . . . . . . . . 94
4.5 Algorithme de calcul de la dynamique - Construction d’un arbre de fusion
des minima de l’image : lorsque deux lacs de sources différentes se ren-
contrent le plus fort (le lac le plus profond) absorbe le plus faible (le lac
le moins profond) et la dynamique de la source du lac le plus faible est
calculée. Tout ce passe ensuite comme si la source du lac absorbé n’existait
plus. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
4.6 Calcul des valeurs d’extinction surfaciques : lorsque deux lacs de sources
différentes se rencontrent, la valeur d’extinction surfacique de la source
associée au lac de plus faible surface est calculée. . . . . . . . . . . . . . . 96
4.7 Configuration pathologique pour le calcul des valeurs d’extinction sur-
faciques : deux lacs de même surface se rencontrent. . . . . . . . . . . . . . 98
4.8 Algorithme de calcul des valeurs d’extinction surfaciques - Construction

d’un arbre de fusion des minima de l’image : lorsque deux lacs de sources
différentes se rencontrent, le plus fort (le lac de plus grande surface) ab-
sorbe le plus faible (le lacs de plus petite surface). La valeur d’extinction
surfacique de la source du lac absorbé est calculée. . . . . . . . . . . . . . . 99
4.9 Calcul des valeurs d’extinction volumiques : lorsque deux lacs de sources
différentes se rencontrent, la valeur d’extinction volumique associée au lac
de plus faible volume est calculée. . . . . . . . . . . . . . . . . . . . . . . . 100
4.10 Calcul du volume d’un lac au niveau h + 1 connaissant son volume et sa
surface au niveau h . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
4.11 Algorithme de calcul des valeurs d’extinction volumiques - Construction
d’un arbre de fusion des minima de l’image : lorsque deux lacs se rencon-
trent, le plus fort (celui de plus grand volume) absorbe le plus faible (celui
de plus petit volume). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
4.12 Calcul du filtre volumique par inondation du relief : lorsqu’un lac atteint
un volume suffisant, le niveau d’inondation courant est noté. Les points de
ce lac prendront ce niveau de gris dans l’image de sortie. . . . . . . . . . . 102
4.13 Les algorithmes de calcul des valeurs d’extinction des maxima conduisent
à la construction d’arbres de fusion des maxima de l’image . . . . . . . . . 103
4.14 Valuation des branches de l’arbre des minima : lorsque deux lacs de sources
différentes se rencontrent, une branche de l’arbre est créée ; cette branche
est valuée en utilisant l’information du lac le plus fort : avec la profondeur
du lac le plus profond dans le cas de la dynamique (notre exemple), selon la
surface du lac de plus grande surface dans le cas de la fonction d’extinction
surfacique, selon le volume du lac de plus grand volume dans le cas de la
fonction d’extinction volumique. . . . . . . . . . . . . . . . . . . . . . . . . 104
4.15 Plusieurs options sont possibles pour le chaı̂nage des minima : sur cet ex-
emple, M ′ et M ′′ ont des valeurs de dynamique plus grandes que M ; la
hauteur à franchir pour aller de M vers M ′ ou M ′′ est la même. On peut
créer une branche liant soit M à M ′ soit M à M ′′ . . . . . . . . . . . . . . . 105
4.16 Principe de la propagation des extrema . . . . . . . . . . . . . . . . . . . . 106
4.17 Calcul des valeurs d’extinction symétriques : initialisation de la file d’attente
hiérarchique. Si un pixel est voisin de deux extrema, il est entré deux fois
dans la file d’attente. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
4.18 Extraction et traitement des pixels de la file d’attente. Un pixel x est extrait
de la file d’attente. Un plateau extremum se propage en x et les voisins de
x non traités sont insérés dans la file d’attente. . . . . . . . . . . . . . . . . 108
4.19 Lorsqu’un extremum étendu cesse d’être extremum, sa propagation est ar-
rêtée et sa dynamique symétrique est calculée. (Ici, le niveau de priorité
courant est égal à 1.) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
4.20 Lorsque deux plateaux de même altitude se rencontrent, ils fusionnent . . . 110
4.21 L’algorithme de calcul de la dynamique symétrique produit un arbre de
fusion des extrema de l’image : les plateau de l’image fusionnent progre-
sivement ; à chaque fusion, une branche de l’arbre est créée. . . . . . . . . 111
4.22 Exemple “Tools” : arbre de fusion des extrema de l’image dérivé de la

dynamique symétrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
4.23 L’arbre de fusion dynamique des extrema mémorise quand et comment
les plateaux de l’image fusionnent lorsqu’on calcule des h-reconstructions
alternées séquentielles de taille croissante . . . . . . . . . . . . . . . . . . . 113
4.24 Temps de calcul des valeurs d’extinction non symétriques (temps évalués
sur une station SUN SPARC 1 et pour des images de taille (256 × 256)) . . 114
4.25 Temps de calcul de la dynamique symétrique (temps évalués sur une station
SUN SPARC 1 et pour des images de taille (256 × 256)) . . . . . . . . . . 114
4.26 Définition algorithmique du dendrone . . . . . . . . . . . . . . . . . . . . . 116
4.27 Lien entre la définition algorithmique du dendrone et celle de la ligne de
partage des eaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
4.28 Comparaison des définitions algorithmiques du dendrone et de l’arbre dy-
namique de fusion des minima . . . . . . . . . . . . . . . . . . . . . . . . . 117
4.29 Etiquetage des noeuds du dendrone : chaque branche est étiquetée par sa
hauteur, la surface de la base de l’ı̂le qui lui est associée... . . . . . . . . . . 118
4.30 Définition symétrique du dendrone à partir de la notion de dynamique
symétrique : on reprend le processus de propagation des extrema utilisé
pour le calcul de la dynamique symétrique. Lorsque deux plateaux fusion-
nent, une branche de l’arbre est crée ainsi qu’un nouveau noeud (corre-
spondant à l’union des deux plateaux). . . . . . . . . . . . . . . . . . . . . 119
5.1 Minima régionaux, bassins versants et LPE . . . . . . . . . . . . . . . . . . 123

5.2 Le calcul direct de la LPE produit une sur-segmentation de l’image . . . . 123
5.3 Modification de l’homotopie d’une image gradient : on impose d’autres
minima à l’image en utilisant une reconstruction géodésique . . . . . . . . 124
5.4 Segmentation obtenue après modification de l’homotopie du gradient . . . 125
5.5 Algorithme de calcul de la LPE à partir de marqueurs quelconques : l’eau
pénètre dans le relief à partir des marqueurs et non plus des minima. . . . 125
5.6 Exemple ”Muscle” : la segmentation des cellules est délicate . . . . . . . . 126
5.7 Influence des marqueurs sur la segmentation : la présence de bruit de forte
amplitude par exemple peut modifier la segmentation (figure centrale) ;
une solution peut alors consister à utiliser des marqueurs plus précis des
régions d’intérêt (figure de droite). . . . . . . . . . . . . . . . . . . . . . . 127
5.8 La qualité de la segmentation est fonction de la précision des marqueurs
(résultat à comparer à celui de la figure 5.6) . . . . . . . . . . . . . . . . . 127
5.9 Influence de la qualité du gradient sur la segmentation : une irrégularité
locale peut modifier notablement la position de la LPE. . . . . . . . . . . . 128
5.10 Correction de l’image par une fermeture morphologique puis segmentation
(résultat à comparer à la figure 5.8). . . . . . . . . . . . . . . . . . . . . . 128
5.11 Correction par dilatation/moyennage - Effet sur la segmentation . . . . . . 129
5.12 On utilise la sur-segmentation pour effectuer une correction locale du gradient130
5.13 Correction du gradient par des moyennes locales sous les portions de LPE . 131
5.14 Segmentation obtenue après correction de l’image par des moyennes locales
sous les portions de LPE (LPE obtenue par une première sur-segmentation
de l’image) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
5.15 Exemple “Muscle” : segmentation des 20 régions les plus significatives de
l’image en termes de surface (image de gauche) ou de dynamique (image
de droite) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
5.16 Comparaison des sensibilités des valeurs d’extinction surfaciques et de
la dynamique aux variations locales d’intensité : la dynamique prend en
compte le plus bas niveau de gris sous chaque arc de LPE ; dans le cas des
valeurs d’extinction surfaciques seule la position des arcs de LPE intervient. 135
5.17 Exemple “Aer” : segmentation des régions de l’image de surface supérieure
ou égale à 4000 puis à 6000 pixels . . . . . . . . . . . . . . . . . . . . . . . 136
5.18 Exemple “Lena” : Sur-segmentation, image mosaı̈que et gradient . . . . . . 137
5.19 Exemple “Lena” : segmentation des 100 régions les plus significatives en
termes de volume (à gauche), de surface (au centre), de dynamique (à
droite). Les valeurs d’extinction ont été calculées sur le gradient de l’image
mosaı̈que. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
5.20 Exemple “Aer” : segmentation des régions fortement contrastées de l’image
en utilisant la dynamique des extrema de l’image originale ou leur dy-
namique symétrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
5.21 Extraction des marqueurs des régions de fort contraste par sélection des
extrema de forte dynamique ou de forte dynamique symétrique : les mar-
queurs peuvent être localisés sur des pics de forte amplitude non significatifs.139
5.22 Comparaison entre la segmentation obtenue à partir de la dynamique symétrique
et celle obtenue en calculant le filtre de contraste équivalent. De haut en bas
et de gauche à droite : Image originale, extrema de dynamique symétrique
supérieure à 80, segmentation associée à ces marqueurs (LPE calculée sur
l’image gradient), filtrage de l’image originale (h-reconstruction alternées
séquentielles de taille 80), extrema de l’image filtrée, segmentation associée
(LPE calculée sur la même image gradient) . . . . . . . . . . . . . . . . . . 140
5.23 Les extrema de forte dynamique pointent sur des sur-densités locales . . . 141
5.24 Extraction de marqueurs à partir de l’arbre dynamique de fusion des ex-
trema de l’image (arbre déduit du calcul de la dynamique symétrique). Si s
est le seuil en dynamique choisi, on élague les branches de l’arbre de valeur
strictement supérieure à s : on obtient plusieurs petits arbres. On ne re-
tient que les arbres dont le sommet a une valeur d’extinction supérieure à
s. On aboutit ainsi à un ensemble de marqueurs non connexes proche de
l’ensemble des extrema de l’image filtrée (par le filtre équivalent de taille s).142
5.25 Exemple “Aer” : extraction de marqueurs précis en utilisant l’arbre dy-
namique de fusion des extrema de l’image . . . . . . . . . . . . . . . . . . 143
5.26 Apport des fonctions d’extinction pour la mise au point des algorithmes de
segmentation par LPE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
5.27 Un processus de segmentation hiérarchique par croissance de régions :
l’élimination d’un marqueur se traduit par l’élimination d’un arc de LPE. . 145
5.28 Processus de segmentation hiérarchique : on restreint progressivement l’ensemble

des marqueurs des régions à segmenter (nous avons indiqué en indice les
valeurs hiérarchiques associées aux minima ; les valeurs considérées ont été
choisies au hasard). Définition hiérarchique des zones d’influence associées
aux marqueurs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
5.29 Calcul de la segmentation de niveau 0 (algorithme classique de calcul de
la LPE) : on mémorise en même temps, comment les régions fusionnent
au cours du processus de segmentation hiérarchique : lorsque deux lacs de
sources différentes se rencontrent, le plus fort (celui associé à la plus forte
valeur hiérarchique) absorbe l’autre. . . . . . . . . . . . . . . . . . . . . . . 147
5.30 L’élimination d’un marqueur peut provoquer le déplacement d’un (ou plusieurs)
arc(s) de LPE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
5.31 L’arbre de fusion des minima fournit naturellement une solution aux con-
figurations pathologiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
5.32 Les arbres non-orientés contiennent moins d’information que les arbres de
fusion orientés : ils permettent de mémoriser à quel niveau un arc de LPE
est éliminé, mais ils ne permettent pas de mémoriser pas comment les
régions fusionnent entre elles . . . . . . . . . . . . . . . . . . . . . . . . . . 150
5.33 Valuation des arcs de LPE à partir de l’arbre des minima . . . . . . . . . . 151
5.34 Valuation des arcs de LPE en utilisant l’arbre non orienté des minima : on
obtient la segmentation de niveau h par un simple seuillage de l’image des
arcs valués . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
5.35 La segmentation hiérarchique déduite de la dynamique des minima du gra-
dient correspond à celle que l’on obtiendrait par un seuillage progressif du
gradient . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
5.36 Exemple “Pepper” : valuation des arcs de LPE selon, de gauche à droite,
le contraste, la surface et le volume des régions de l’image . . . . . . . . . . 154
5.37 Interaction entre la sélection de marqueurs et la segmentation déduite selon
la sélection effectuée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
5.38 Erreur entre l’image originale et l’image mosaı̈que selon le critère de sélec-
tion choisi et selon le nombre de régions considérées . . . . . . . . . . . . . 158
5.39 Images mosaı̈ques obtenues en sélectionnant les 80 régions les plus significa-
tives en termes de contraste (à gauche), de taille (au centre) et de volume
(à droite) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
6.1 Exemple d’image radiographique du sein (sein dense) : les tissus graisseux
et la matrice conjonctivo-fibreuse sont à l’opposé quant à l’absorption des
rayons X . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
6.2 Exemples “g017fd” (face sein droit) et “g029fg” (face sein gauche) . . . . . 167
6.3 Les principales étapes de l’algorithme de détection des opacités du sein . . 168
6.4 Segmentation de la glande mammaire en utilisant la fonction d’extinction
surfacique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
6.5 Exemples “g017fd” et “g029fg” : segmentation des sur-densités en utilisant
la dynamique (à gauche : image originale - à droite : résultat de la segmen-
tation) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
6.6 Exemples “g031pg” et “g035pg” : segmentation des sur-densités en util-

isant la dynamique (à gauche : image originale - à droite : résultat de la
segmentation) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
6.7 Exemples “g054pg” et “g065fd” : segmentation des sur-densités en util-
isant la dynamique (à gauche : image originale - à droite : résultat de la
segmentation) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
6.8 Exemples “g017fd” et “g029fg” : sélection des opacités parmi les candidats
segmentés (à gauche : diagnostic du radiologue - à droite : résultat de
l’algorithme de détection automatique ; VP en noir et FP en blanc) . . . . 176
6.9 Exemples “g031pg” et “g035pg” : sélection des opacités parmi les candidats
6.10 Exemples “g054pg” et “g065fd” : sélection des opacités parmi les candidats
6.11 Performances de l’algorithme de détection des sur-densités anormales du
sein sur une base de 24 images . . . . . . . . . . . . . . . . . . . . . . . . . 179
B.1 Trames carrée et hexagonale : la trame hexagonale vaut pour la forme et

pour le fond . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
B.2 Sur la trame discrète, il n’y a pas unicité du chemin de longueur minimale
entre deux points . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
B.3 Sous-graphe d’une image numérique . . . . . . . . . . . . . . . . . . . . . . 190
B.4 Dilatation par un des éléments structurants plan et non plan. . . . . . . . 192
B.5 Gradient morphologique (symétrique) : dilaté - érodé . . . . . . . . . . . . 193
B.6 Ouverture et fermeture morphologiques . . . . . . . . . . . . . . . . . . . . 194
B.7 Chapeau haut de forme blanc . . . . . . . . . . . . . . . . . . . . . . . . . 195
B.8 dilatation géodésique et reconstruction géodésique . . . . . . . . . . . . . . 196
B.9 dilatation de f géodésiquement à g de taille 1 et reconstruction géodésique
de g par f . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
B.10 Ouverture par reconstruction et décomposition de l’image par ses seuils . . 198
B.11 Ouverture et ouverture par reconstruction . . . . . . . . . . . . . . . . . . 199
B.12 Résidus de l’ouverture et de l’ouverture par reconstruction : les chapeaux
haut de forme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
B.13 Principe du filtre gommette . . . . . . . . . . . . . . . . . . . . . . . . . . 201
B.14 Ouverture, ouverture par reconstruction et filtre gommette . . . . . . . . . 202
Bibliographie
[1] S. Beucher. Squelettes connexes et non connexes. Rapport Interne CMM N-

7/89/MM, Ecole des Mines de Paris, Juin 1989.
[2] S. Beucher. Segmentation d’images et morphologie mathématique. Thèse Ecole des

Mines de Paris, Juin 1990.
[3] S. Beucher, J.M. Blosseville, M. Bilodeau, F. Lenoir, S. Espie. Titan : système

de mesure du trafic par analyse d’images. Rapport commun INRETS/CMM N-
7/89/MM, Ecole des Mines de Paris, Oct. 1987.
[4] S. Beucher, C. Lantuéjoul. Use of watersheds in contour detection. Proc. Int.

Workshop on image processing, real-time edge and motiom detection-estimation,
Rennes(France), pages 17–21, Sept. 1979.
[5] S. Beucher, F. Meyer. The morphological approach to segmentation : The watershed

transformation. Mathematical Morphology in Image Processing, pages 433–482, 1993.
[6] S. Beucher, L. Vincent. Introduction aux outils morphologiques de segmentation.

ANRT ed., 1990.
[7] H. Blum. An associative machine for dealing with the visual field and some of
its bilogical implications. Biological Prototypes and synthetic systems. 2nd Annual
Bionics Symposium, Cornell Univ., E. E. Bernard and M. R, Kare eds., Plenum
Press, New-York, 1:244–260, 1961.
[8] H. Blum. A transformation for extracting new descriptors for shape. Symp. on Models
for the perception of speech and visual form. Boston, pages 362–380, Nov. 1964.
[9] L. Calabi, W.E. Hartnett. Shape recognition prairies fires, convex deficiencies and
skeletons. American Mathematical Monthly, 75(4), 1968.
[10] J. Camillerapp. L’utilisation du contexte en reconnaissance des formes. Thèse Uni-

versité Paris VI, Mai 1976.
[11] S.H. Collins. Terrain parameters directly from a digital terrain model. The Canadian
Surveyor, 29, nO 5:507–518, 1975.
[12] J-P. Coquerez, S. Philippe, P. Bolon. Analyse d’image, filtrage et segmentation.

Masson, Oct. 1995.
221
222 BIBLIOGRAPHIE
[13] M. Coster, J.-L. Chermant. Précis d’Analyse d’Images. Editions CNRS, 1985.
[14] J. Crespo. Morphological Connected Filters and Intra-Region Smoothing for Image
Segmentation. PhD thesis, The Academic Faculty, Georgia Institute of Technology,
Nov. 1993.
[15] R.W. Ehrich, J.P. Foith. Representation of random waveforms by relational trees.
IEEE Trans. on Computers, C-25, N o 7, 1976.
[16] C. Faure. Comparaison de signaux représentés par des arbres relationnels. 5ième
congrès RFIA, Nov. 1985.
[17] C. Giardina, E. Dougherty. Morphological Methods in Image and Signal Processing.

Englewood Clliffs : Prentice-Hall, 1988.
[18] G.H. Granlund. Description of texture using the general operator approach. IEEE
Proceedings, 5th International Conference on Pattern Recognition, pages 776–779,
1980.
[19] C. Gratin. De la représentation des images au traitement morphologique d’images

tri-dimensionnelles. Thèse Ecole des Mines de Paris, Janv. 1993.
[20] C. Gratin, R. Peyrard. Détection d’éléments rectilignes. Rapport interne CMM

N-29/91/MM, Ecole des Mines de Paris, 1991.
[21] M. Grimaud. La géodésie numérique en morphologie mathématique. Application à

la détection automatique de microcalcifications en mammographie numérique. Thèse
Ecole des Mines de Paris, Dec. 1991.
[22] M. Grimaud. New measure of contrast : dynamics. Image Algebra and Morphological
Processing III, San Diego CA, Proc. SPIE, 1992.
[23] A. Grossmann, P. Tchamitchian. Wavelets. Springer-Verlag, Berlin, 1989.
[24] Y. Grumbach. Exploration radiologique du sein. Masson, Paris, 1983.
[25] H. Hadwiger. Vorlesungen über Inhalt, Oberfläche und Isoperimetrie. Springer, 1957.
[26] H. Hadwiger. Normale körper im euklidischen raum und ihre topologishen und
metrischen eigenschaften. Math. Zeitschr., 71:124–149, 1959.
[27] P. Hanusse, P. Guillataux. Sémantique des images par analyse dendronique. AFCET,
2:577–588, Nov. 1991.
[28] R. M. Haralick. Statistical and structural approaches to texture. proceedings of the

IEEE, 67:786–804, Mai 1979.
[29] H. Heijmans. A new class of alternating sequential filters. Proc. of 1995 IEEE
Workshop on Nonlinear Signal and Image Processing, pages 30–33(Vol.I), Juin 1995.
BIBLIOGRAPHIE 223
[30] R. A. Kirsch. Resynthesis of biological images from tree structured decomposition

data. IFIP Working Conf. on Graph. Lang. Vancouver, pages 1–19, Mai 1972.
[31] J. C. Klein. Conception et réalisation d’une unité logique pour l’analyse quantitative
d’images. Thèse Université de Nancy, 1976.
[32] D.B. Kopans, J. Meyer, N. Sadowsky. Breast imaging. New Engl. J. Med, pages
310(15) 960–967, 1984.
[33] M. B. Kurdy. Transformées morphologiques directionnelles et adaptatives : applica-

tion aux sciences des matériaux. Thèse Ecole des Mines de Paris, 1990.
[34] M. B. Kurdy, D. Jeulin. Directional mathematical morphology operations. Acta

Stereol. Proc ECS 5 Freiburg I. BR., pages 473–480, 1989.
[35] J. L. Lamarque. Le Sein radiodiagnostic clinique. Médecine et Sciences Interna-

tionales, 1981.
[36] J. L. Lamarque, L. Boyer. Mammographie : Techniques - Sémiologie - Dépistage. Ed.

Pradel, 1991.
[37] J. L. Lamarque, B. Guérin. Détection et analyse automatique : applications. 2ième

cours international de mastologie et d’imagerie du sein, Monaco, Oct. 1991.
[38] C. Lantuéjoul. La squelettisation et son application aux mesures topologiques des

mosaı̈ques polycristallines. Thèse Ecole des Mines de Paris, 1978.
[39] C. Lantuéjoul, H. Digabel. Interactive algorithms. Proc. of 2nd European Symposium

or Quant. analysis of microstructures in material sciences, biology and medicine,
pages 39–49, Oct. 1977.
[40] C. Lantuéjoul, F. Maisonneuve. Geodesic methods in quantitative image analysis.

Pattern Recognition, 17:117–187, 1984.
[41] F. Maisonneuve. Extrema régionaux : algorithmes parallèles. Rapport Interne CMM

N o 781, Ecole des Mines de Paris, 1982.
[42] H. Maitre, D. Attal, Y. Benigot. Une méthode arborescente de lecture automatique

de gels de séquences de nucléotides. AFCET, 1:531–538, Nov. 1984.
[43] S. Mallat. Multiresolution representations and wavelets. PhD thesis, Dépt.

d’informatique et des sciences de l’information, Université de Pennsylvanie, Philadel-
phie PA 19104, 1988.
[44] P. Maragos. Pattern spectrum of images and morphological shape-size complexity.

IEEE Proc. ICASSP 87., pages 241–244, 1987.
[45] P. Maragos, R. Schafer. Morphological filters - part i: their set-theoretic analysis

and relations to linear-shift-invariant filters. IEEE Trans. Acoust. Speech Signal
Processing, 35:1153–1169, Aôut 1987.
224 BIBLIOGRAPHIE
[46] P. Maragos, R. Schafer. Morphological filters - part ii: their relations to median, order-
statistic, ans stack filters. IEEE Trans. Acoust. Speech Signal Processing, 35:1170–
1184, Aôut 1987.
[47] P. Maragos, R. Schafer. Morphological systems for multidimensional signal process-

ing. Proc. of the IEEE, pages 690–710, Avr. 1990.
[48] B. Marcotegui, F. Meyer. Morphological segmentation of images sequences.

ISMM’94 : Mathematical Morphology and its Applications to Image Processing, pages
101–108, Sept. 1994.
[49] G. Matheron. Eléments pour une Théorie des Milieux Poreux. Masson, Paris, 1967.
[50] G. Matheron. Random Sets and Integral Geometry. John Wiley and Sons, New York,
1975.
[51] G. Matheron. Quelques propriétés topologiques du squelette. Rapport Interne CMM,

Ecole des Mines de Paris, 1978.
[52] G. Matheron. Examples of topological properties of skeletons. Academic Press, 1988.
[53] G. Matheron. Mathematical morphology. London: Academic Press, 1988.
[54] F. Meyer. Cytologie quantitative et morphologie mathématique. Thèse Ecole des

Mines de Paris, 1979.
[55] F. Meyer. Skeleton and perceptual graphs. Signal Processing, 16:335–363, 1989.
[56] F. Meyer. Digital euclidean skeletons. Visual Communicationss and Image Process-
ing’90, SPIE, Lausanne, 1360:251–262, 1990.
[57] F. Meyer. Un algorithme optimal de lignes de partage des eaux. 8ième congrès RFIA,
Lyon-Villeurbanne, pages 847–857, 1991.
[58] F. Meyer. Arbre des minima et dynamique. Note interne CMM N-04/93/MM, Ecole
des Mines de Paris, Mars 1993.
[59] F. Meyer. Morphological image segmentation for coding. Projet RACE N-01/93/MM,
Janv. 1993.
[60] F. Meyer. Minimum spanning forests for morphological segmentation. ISMM’94 :

Mathematical Morphology and its Applications to Image Processing, pages 77–84,
Sept. 1994.
[61] F. Meyer, S. Beucher. Morphological segmentation. JVCIR, 11, N o 1:21–46, 1990.
[62] J.N. Mialet, P. Salembier, J. Serra. Cours de Morphologie mathématique. Centre de

Morphologie mathématique - Université de Barcelone, 1993.
[63] H. Minkowsky. Allgemeine lehrs atze uber konvexe polyeder. Nachr. Ges. Wiss. G
ottingen, pages 198–219, 1897.
BIBLIOGRAPHIE 225
[64] H. Minkowsky. uber die begriffe l ange, oberfl ache und volumen. Jahresbericht der
Deutschen Mathematiker Vereinigung, 9:115–121, 1901.
[65] O. Monga. An optimal region growing algorithm for image segmentation. Interna-
tional Journal of Pattern Recognition and Artifical Intelligence, 3(4), Dec. 1987.
[66] O. Monga. Segmentation d’images par croissance hiérarchique de régions. Thèse

Université de Paris XI, 1988.
[67] L. Najman. Morphologie mathématique : de la segmentation d’images à l’analyse

multivoque. Thèse Paris Dauphine, Avr. 1994.
[68] L. Najman, M. Schmitt. A dynamic hierarchical segmentation algorithm. ISMM’94 :

Mathematical Morphology and its Applications to Image Processing - Poster Contri-
butions, pages 13–14, Sept. 1994.
[69] S. Peleg, A. Rosenfeld. A min-max medial axis transformation. IEEE Trans. Pattern
Anal. Machine Intell., pages 208–210, 1981.
[70] F. Poirier. Le système Sherpa : Etiquetage et classification automatique par appren-

tissage pour le décodage automatique de la parole continue. Thèse Université Paris
XI Orsay, 1985.
[71] F. Poirier. Mise en correspondance d’un signal temporel et d’une description formelle.
application à l’étiquetage automatique de la parole. AFCET, 1989.
[72] F.P. Preparata, M.I. Shamos. Comutational geometry : an introduction. Springer

Verlag, 1985.
[73] F. Prêteux. Description et Interprétation des Images par la Morphologie Mathéma-

tique. Application à l’Imagerie Médicale. Thèse Université Paris VI, 1987.
[74] T.H. Puecker, D.H. Douglas. Detection of surface specific points by local parallel pro-
cessing of discrete terrain elevation data. Computer Graphics and Image Processing,
4:375–387, 1975.
[75] J.-F. Rivest, P. Soille, S. Beucher. Morphological gradients. ISET’s symposium on

electronic imaging science and techniology, SPIE, Fev. 1992.
[76] P. Salembier, M. Kunt. Size-sensitive multiresolution decomposition of images with

rank order based filters. Signal Processing,27(2), pages 205–241, Mai 1992.
[77] P. Salembier, J. Serra. Morphological multiscale segmentation of images. Proc. SPIE

VCOP’92, Boston, MA, pages 1992–2001, 1993.
[78] P. V. Sankar, A. Rosenfeld. Hierarchical representation of waveforms. IEEE Trans.

on Pattern Analysis and Machine Intelligent, PAMI-1,N o 1, 1979.
[79] M. Schmitt. Des algorithmes morphologiques à l’intelligence artificielle. Thèse Ecole

des Mines de Paris, Fev. 1989.
226 BIBLIOGRAPHIE
[80] M. Schmitt, F. Prêteux. Un nouvel algorithme en morphologie mathématique : les r-h

maxima et r-h minima. Proc. 2ieme Semaine Internationale de l’Image Electronique,
pages 469–475, Avr. 1986.
[81] J. Serra. Image Analysis and Mathematical Morphology. Academic Press, 1982.
[82] J. Serra. Image Analysis and Mathematical Morphology. Theoretical Advances. Aca-
demic Press, 1988.
[83] J. Serra, P. Salembier. Connected operators and pyramids. Proc. of SPIE. Image
Algebra and Mathematical Morphology’93, San Diego, Juil. 1993.
[84] J. Serra, L. Vincent. An overview of morphological filtering. Systems and Signal

Processing, 11(No. 1):47–108, 1992.
[85] J.-C. Simon. La reconnaissance des formes par algorithmes. Masson, 1985.
[86] H. Talbot. Analyse morphologique de fibres minérales d’isolation. Thèse Ecole des
Mines de Paris, Oct. 1993.
[87] A. Toet. A hierarchical morphological image decomposition. Pattern Recognition

Letters 11, pages 267 – 274, Avr. 1990.
[88] A. Le Treut, M. H. Dilhuidy. Mammographie Guide d’interprétation. Arnette, 1988.
[89] A.V. Tuzikov, P. Soille, D. Jeulin. Extraction of grid lines on stamped metallic pieces
using mathematical morphology - final report on ocas project. Rapport interne CMM
N-22/91/MM, Ecole des Mines de Paris, Juil. 1991.
[90] C. Vachier. A propos d’arbres... Rapport interne CMM, Ecole des Mines de Paris,
1992.
[91] C. Vachier, F. Meyer. Extraction des structures fibreuses en mammographie. applica-

tion à la détection automatique des opacités du sein. Rapport commun CMM/GEMS
N-42/91/MM, Ecole des Mines de Paris, 1991.
[92] C. Vachier, F. Meyer. Segmentation automatique de gouttelettes de vapeur d’eau.

Rapport interne CMM N-16/91/MM, Ecole des Mines de Paris, Juin 1991.
[93] C. Vachier, F. Meyer. Extinction value: a new measurement of persistence. Proc.

of 1995 IEEE Workshop on Nonlinear Signal and Image Processing, pages 254–
257(Vol.I), Juin 1995.
[94] C. Vachier, F. Meyer, C. Gratin, H. Talbot. Filtrage par décomposition mor-

phologique : application à l’extraction de structures rectilignes. Neuvième Congrès
de Reconnaissance de Formes et Intelligence Artificielle, Janv. 1994.
[95] C. Vachier, L. Vincent. Valuation of image extrema using alternating filters by

reconstruction. Image Algebra and Morphological Processing, San Diego CA, Proc.
SPIE, Juil. 1995.
BIBLIOGRAPHIE 227
[96] L. Vincent. Algorithmes morphologiques à base de files d’attente et de lacets. Exten-

sion aux graphes. Thèse Ecole des Mines de Paris, Mai 1990.
[97] L. Vincent. Morphological area openings and closings for grayscale images. Shape in
Picture, NATO Workshop, Driebergen, Sept. 1992.
[98] L. Vincent, P. Soille. Watersheds in digital space and efficient algorithm based on
immersion simulations. IEEE Transactions on PAMI, 13(No. 6):583–598, 1991.
Résumé
Cette thèse se propose d’explorer de nouvelles méthodes morphologiques permettant

d’extraire les caractéristiques des régions qui composent une image. Ces méthodes sont en-
suite destinées à être appliquées au problème de la segmentation d’image. Nous présentons
tout d’abord deux approches classiques du problème de l’extraction de caractéristiques :
celles basées sur les granulométries (opérations de tamisage) et celles basées sur l’étude
des extrema des images numériques, en consacrant une attention particulière à la notion
de dynamique. La dynamique value les extrema d’une image selon le contraste des régions
qu’ils marquent ; nous montrons qu’elle équivaut à une opération de tamisage en contraste
et que son principe rejoint celui des granulométries.
Nous nous concentrons ensuite sur une généralisation du principe de la dynamique.
Nous basons notre approche sur les opérateurs morphologiques connexes. Ces opérateurs
ont pour spécificité d’agir sur les images en fusionnant leurs zones plates. Lorsqu’on ap-
plique des opérateurs connexes de plus en plus sélectifs, des régions de l’image disparais-
sent progressivement. Le niveau pour lequel une région disparaı̂t caractérise la région
au sens du critère du filtrage (en forme, en taille, en contraste, en volume...). Ceci nous
conduit à introduire une nouvelle classe de transformations morphologiques, les fonctions
d’extinction, qui valuent les extrema des images numériques selon les caractéristiques des
régions qu’ils marquent. Une particularité importante des fonctions d’extinction, mise en
évidence par l’algorithme de calcul efficace que nous proposons, est de fournir une descrip-
tion hiérarchique des régions de l’image. Ceci se traduit, dans le calcul algorithmique, par
la construction d’un arbre de fusion des extrema de l’image.
Les fonctions d’extinction peuvent être utilisées pour sélectionner les régions perti-
nentes d’une image et sont donc de grand intérêt dans les applications de filtrage et
surtout de segmentation d’image (pour extraire les marqueurs des régions avant le cal-
cul de la ligne de partage des eaux). Ce dernier point fait l’objet d’une étude appro-
fondie. Nous donnons de nombreux exemples permettant d’illustrer leur intérêt pour la
segmentation d’images complexes. Les résultats obtenus par cette méthode sont com-
parés à ceux déduits de méthodes de marquage plus traditionnelles. L’apport le plus
significatif des fonctions d’extinction pour la segmentation d’image est de systématiser et
de simplifier considérablement la mise au point des algorithmes. Notamment, elles perme-
ttent de mettre en oeuvre des processus rapides de segmentation hiérarchique interactive.
Mots clés : Analyse d’image, Morphologie mathématique, Segmentation, Extraction de

caractéristiques, Opérateurs connexes, Hiérarchies, Fonction d’extinction, Arbres de fu-
sion des extrema.
Abstract
The purpose of this thesis is to investigate new morphological methods for extracting
the characteristics of an image regions. These methods are destined to be applied to
image segmentation. Two different approaches are first presented : the first one is based
on granulometries (classical sieving process), the second one considers the image extrema.
We then focus on the latter and on the study of dynamics. This transformation associates
with each image extremum the contrast of the region it marks. We show that it can be
considered as a contrast sieving process and that it is closely linked to granulometric
approaches.
We then propose a generalization of the dynamics concept using connected morpholog-
ical operators. These operators act on grey level images by simply propagating their flat
zones. By computing more and more selective connected filters, image structures progres-
sively disappear. The level for which one given structure is totally eliminated characterizes
the structure in terms of the filtering criterion : in terms of contrast, size, shape... This
leads us to introduce a new class of morphological transformations, the extinction func-
tions, which associate with each image extremum a characteristic of the region it marks.
An extinction function key concept is that of merging tree of image extrema which corre-
sponds to a hierarchical description of the image regions.
Extinction functions can be used for selecting significant regions in an image. They
are therefore of great interest in filtering and segmentation applications (for solving the
well known marking step before computing watershed transform). We illustrate the lat-
ter point with many segmentation examples. The results obtained by this method are
compared with the results deduced from more classical approaches. The most significant
contribution of extinction functions in segmentation applications is to simplify the adjust-
ment of segmentation algorithms based on the watershed transform. In particular, they
allow to produce efficient hierarchical interactive segmentation algorithms.
Mots clés : Image analysis, Mathematical morphology, Segmentation, Feature ex-

traction, Connected operators, Hierarchy, Extinction functions, Merging tree of extrema.

Thesec. Vachier

Transféré par

Droits d'auteur :

Formats disponibles

Thesec. Vachier

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Thesec. Vachier

Transféré par

Droits d'auteur :

Formats disponibles

Extraction de caractéristiques, segmentation d’image et

To cite this version:

HAL Id: pastel-00004230

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

pour obtenir le titre de Docteur en Morphologie Mathématique

Thèse soutenue le 18 Décembre 1995 devant le jury composé de:

MM. Bernard PICINBONO Président

2 Transformations morphologiques et extraction de caractéristiques 9

3 Des fonctions d’extinction numériques 43

4 Calcul efficace des fonctions d’extinction 91

5 Application à la segmentation d’image 121

6 Application à la détection automatique des opacités du sein 161

7 Conclusion et perspectives 181

B Rappels de morphologie mathématique 187

C Algorithmes en pseudo-code 205

1.1 Avant propos

1.2 Plan et contenu de l’ouvrage

Chapitre 2 : Transformations morphologiques et extraction de caractéristiques

Chapitre 3 : Des fonctions d’extinction numériques

Chapitre 4 : Calcul efficace des fonctions d’extinction

justification et de leur intérêt. Ces considérations algorithmiques mettent en évidence une

Chapitre 5 : Application à la segmentation d’image

Chapitre 6 : Application à la détection automatique des opacités du sein

Chapitre 7 : Conclusion et perspectives

Ce chapitre introduit un point très important de notre travail : le problème de l’extraction

2.2 Le point de vue de l’analyse granulométrique

E.S. de taille 1 E.S. de taille 2

Figure 2.1: Effet d’ouvertures de taille croissante sur un ensemble

2.2.1 Granulométries et résidus granulométriques

∀λ ≥ 0, ψλ est croissante (f ≤ g ⇒ ψλ (f ) < ψλ (g)) (2.1)

Remarquons que la propriété 2.3 implique l’idempotence des ψλ .

Figure 2.2: Image originale (Tools)

a- ouverture de taille 3 b- ouverture de taille 6 c- ouverture de taille 10

Figure 2.3: Granulométrie par ouvertures de l’image Tools

Effectuer une analyse granulométrique d’une image binaire ou numérique f consiste

a- residu de niveau 3 b- residu de niveau 6 c- residu de niveau 10

Figure 2.4: Résidus de la granulométrie par ouvertures de l’image Tools

a- image originale binaire b- fonction granulometrique associee

Figure 2.5: Fonction granulométrique d’une image binaire

La figure 2.6 donne un exemple de spectres granulométriques par ouvertures obtenus

a- texture "r77" b- texture "r65"

Figure 2.6: Exemple de spectres granulométriques

2.2.2 Squelette morphologique et fonction d’extinction

Définition 2.4 (Squelette morphologique [51]) Le squelette morphologique (ou squelette

a- residu de niveau 3 b- residu de niveau 6 c- residu de niveau 10

Figure 2.7: Résidus du squelette morphologique de l’image Tools

Les résidus du squelette sont de taille fine :

fd (X)(x) = λ + 1 si x ∈ ǫλ (X) \ ǫλ+1 (X) (2.10)

a- image originale binaire b- fonction d’extinction associee

Figure 2.8: Fonction d’extinction d’une image binaire

Définition 2.5 (Fonction d’extinction [62]) Soit X un ensemble. La fonction d’extinction

Dans le cas numérique, la fonction d’extinction désigne simplement l’ensemble des

La fonction d’extinction constitue une représentation exacte de l’image : X peut être

On applique la même décomposition à ǫ1 (X) :

ǫ1 (X) = (ǫ1 (X) \ γ1 (ǫ1 (X))) ∪ γ1 (ǫ1 (X))

On applique la même décomposition à ǫ2 (X)

X = S0 (X) ∪ δ1 (S1 (X)) ∪ δ2 (S2 (X)) ∪ δ3 (ǫ3 (X))

Et ainsi de suite ... tant que ǫn (X) 6= ∅.

Finalement, le processus de reconstruction s’écrit (algorithme de reconstruction de