Waterpixels et leur application à l'apprentissage statistique de la segmentation

In this work, we would like to provide a general method for automatic semantic segmentation,which could adapt itself to any image database in order to be directly used by non-experts in im-age analysis (such as biologists).To address this problem, we first propose to use pixel classification, a classic approach basedon supervised learning, where the aim is to assign to each pixel the label of the object it belongsto. Features describing each pixel properties, and which are used to determine the class label, areoften computed on a fixed-shape support (such as a centered window), which leads, in particular,to misclassifications on object contours. Therefore, we consider another support which is widerthan the pixel itself and adapts to the image content: the superpixel.Superpixels are homogeneous and rather regular regions resulting from a low-level segmen-tation. We propose a new superpixel generation method based on the watershed, the waterpixels,which are efficient, fast to compute and easy to handle by the user. They are then inserted in theclassification pipeline, either in replacement of pixels to be classified, or as relevant supports tocompute the features, called Superpixel-Adaptive Features (SAF). This second approach consti-tutes a general segmentation method whose pertinence is qualitatively and quantitatively evaluatedon three databases from the biological field.L’objectif de ces travaux est de fournir une méthode de segmentation sémantique qui soit généraleet automatique, c’est-à-dire une méthode qui puisse s’adapter par elle-même à tout type de based’images, afin d’être utilisée directement par les non-experts en traitement d’image, comme lesbiologistes.Pour cela, nous proposons d’utiliser la classification de pixel, une approche classique d’appren-tissage supervisé, où l’objectif est d’attribuer à chaque pixel l’étiquette de l’objet auquel il appar-tient. Les descripteurs des pixels à classer sont souvent calculés sur des supports fixes, par exempleune fenêtre centrée sur chaque pixel, ce qui conduit à des erreurs de classification, notamment auniveau des contours d’objets. Nous nous intéressons donc à un autre support, plus large que lepixel et s’adaptant au contenu de l’image : le superpixel.Les superpixels sont des régions homogènes et régulières, issues d’une segmentation de basniveau. Nous proposons une nouvelle façon de les générer grâce à la ligne de partage des eaux,les waterpixels, méthode rapide, performante et facile à prendre en main par l’utilisateur. Cessuperpixels sont ensuite utilisés dans la chaîne de classification, soit à la place des pixels à classer,soit comme support pertinent pour calculer les descripteurs, appelés SAF (Superpixel-AdaptiveFeatures). Cette seconde approche constitue une méthode générale de segmentation dont la perti-nence est évaluée qualitativement et quantitativement sur trois bases d’images provenant du milieubiomédical