Analyse de textures

I sabelle Claude
1

Analyse de textures en traitement
dimages

Analyse de textures

I sabelle Claude 2



Sommaire



1 I ntroduction 3
2 Dfinitions de la texture 3
3 Les approches structurelles (macrotextures) 7
4 Caractrisation statistique des microtextures 7
4.1 Matrices de cooccurrences 8
4.2 Matrices de longueurs de plages 10
4.3 Mthodes bases sur la Transforme de Fourier 11
4.4 Bancs de filtres 12
4.4.1 Filtrage spatial 12
4.4.2 Filtrage frquentiel 13
4.5 Autres attributs de textures 13
4.5.1 Attributs fractals 13
4.5.2 Attributs gomtriques 13
4.5.3 Moments 14
4.5.4 Attributs divers 14
5 Modlisation de textures 15
5.1 Modlisation par champ de Markov 15
5.2 Modlisation autorgressive 17
5.3 Modle de Wold 18
6 Conclusion 19

GB06

I sabelle Claude
3

Analyse de textures en traitement
dimages
1 Introduction
Ce cours concernant directement lanalyse de textures, il semble intressant de se pencher
au pralable sur le problme de la dfinition dune texture.
En effet, il nexiste pas de dfinition prcise de la texture, et, malgr son omniprsence dans
les images (importante dans les images mdicales, ariennes, de textiles,... ou moindre dans
les scnes relles), I l nexiste pas dapproche formelle ni de dfinition prcise de la
texture [HAR73].
Aprs avoir clarifi cette notion de texture (partie 2), nous nous pencherons sur
lexploitation des textures et, plus particulirement, sur les diffrents traitements
applicables des images textures : la partie 3 prsente brivement les approches
structurelles, syntaxiques et ensemblistes, la partie 4, les approches statistiques pour la
caractrisation des microtextures, et la partie 5, une revue des techniques de modlisation
de textures. Une dernire partie rendra compte de quelques tudes comparatives
concernant les attributs statistiques des textures.
2 Dfinitions de la texture
Donner une dfinition prcise et universelle de la notion de texture est un problme ardu
qui na toujours pas t rsolu (le besoin est pourtant rel, puisquune meilleure
comprhension de la notion de texture permettrait daborder son analyse de faon plus
mthodique et plus concentre; elle rduirait, sans doute, la profusion des approches
trouves actuellement dans la littrature).
Dune part, le terme texture admet des acceptions diffrentes selon le domaine dans lequel
il est utilis (gologie, ptrologie, textile, agro-alimentaire,...), et, dautre part, au sein dun
mme domaine, et, particulirement en traitement dimages, il nexiste pas de vritable
consensus en ce qui concerne la dfinition dune texture. Dire quune texture est une rgion
dune image prsentant une organisation spatiale homogne des niveaux de luminance est
correct mais trs peu prcis.
Le manque crucial dune dfinition exploitable de la notion de texture est, en partie, d la
difficult de comprendre et modliser le systme de perception visuelle humain; malgr les
Analyse de textures

I sabelle Claude 4
progrs effectus en physiologie du systme nerveux et en sciences cognitives, nous ne
connaissons toujours pas, exactement, la nature de linformation que ltre humain capte
pour analyser et interprter une image. Nous ne connaissons donc pas linformation quil
faudrait fournir un systme de vision artificielle pour quil puisse analyser et comprendre
une image, comme nous le faisons nous-mmes.
Cest pourquoi, et malgr la prsence importante des textures dans les images, les efforts de
nombreux chercheurs, depuis plusieurs dcennies, ont conduit principalement des
solutions ad-hoc adaptes une application prcise, ou, tout au moins, une famille
dimages.
En terme de dfinition de la notion de texture, on trouve dabord celle donne par le
dictionnaire, qui prcise simplement quune texture est la reproduction spatiale dun motif
de base dans plusieurs directions.
Puis, dautres plus prcises, telle que : une texture est une structure spatiale constitue par
lorganisation de primitives (ou motifs de base) ayant chacune un aspect alatoire. Une
texture est alors une structure hirarchique 2 niveaux (...).
Ou bien encore, cette dfinition qui considre une texture comme un phnomne 2
dimensions :
la premire concerne la description dlments de base ou primitives, partir
desquels est forme la texture
la deuxime est relative la description des relations spatiales entre ces primitives

On distingue en fait, selon llment de base et les rgles de placement, 2 types de textures :
les macrotextures (ou textures structures) pour lesquelles il est facile dextraire
visuellement le motif de base et les lois dassemblage des primitives entre elles. Ces
textures peuvent mme prsenter une certaine priodicit ou cyclostationnarit
(processus alatoire plaqu sur un processus priodique). Certains exemples sont
reprsentatifs de ce type de textures, comme la texture dun mur de brique, de
certains tissus ou dun grillage.
les microtextures (ou textures alatoires) qui prsentent un aspect plus chaotique.
et plus dsorganis, mais dont limpression visuelle reste globalement homogne. Les
diffrentes rgions dune image arienne, les bois, les champs, etc., reprsentent des
textures microscopiques.

La figure 1 donne quelques exemples de macro et microtextures.
Mais, il est parfois difficile de classer une texture dans lune ou lautre des catgories
(textures mixtes) dautant que la rsolution de limage pose un problme supplmentaire,
comme en tmoigne la figure 2 o du sable est photographi 2 rsolutions diffrentes; la
premire image laisse penser que le sable est une microtexture, la seconde, quil est plutt
une macrotexture.
Ce qui parat vident et qui est admis par tous, cest que la notion de texture est
intimement lie la perception visuelle, notamment des rgions et des surfaces de limage,
et quelle se manifeste par une information visuelle fortement redondante. Ceci est traduit
par la proprit essentielle des textures qui est leur invariance par translation . Leur
observation laisse la mme impression visuelle quelle que soit la partie de la texture
observe.
Cette ide a t formalise par la dfinition ci-dessous, que nous retiendrons par la suite :

GB06

I sabelle Claude
5


rotin


carrelage


peau de porc


tresse

figure 1: Exemples de macro et microtextures






figure 2: Exemples de sables 2 rsolutions diffrentes



Analyse de textures

I sabelle Claude 6






uniformit





densit





finesse





rgularit





linarit





direction





frquence





phase

figure 3: Qualificatifs dune texture

Dfinition 1 Une texture est une rgion de limage, pour laquelle on peut dfinir une fentre
de dimension minimale, telle quune observation au travers de celle-ci se traduit par une
perception identique pour toutes les translations possibles de cette fentre lintrieur de la
rgion considre.
Pour une texture, il existe toujours une telle fentre qui correspond la rsolution de la
texture.
A la fois structure et alatoire, une texture peut tre dcrite spatialement ou
statistiquement, et, dune manire gnrale, on qualifiera une texture de fine ou grossire,
plus ou moins homogne, rugueuse, plus ou moins rgulire, dense, linaire, isotrope ou
directionnelle, tachete, marbre, etc. La figure 3 illustre quelques uns de ces qualificatifs,
dont les significations peuvent dailleurs se recouper.
GB06

I sabelle Claude
7
3 Les approches structurelles
(macrotextures)
On considre que les textures sont constitues de motifs de base se rptant dans des
directions de lespace de faon quasi-rgulire. Dans les images tudies, on considre donc
lexistence de primitives. Une description structurale dune texture implique la recherche
des motifs lmentaires, leur description, puis, la dtermination des rgles conditionnant
leur position.
Plusieurs approches peuvent tre regroupes en un ensemble de mthodes heuristiques,
dites mthodes structurelles classiques, pour lesquelles on cherche dtecter et
caractriser des primitives, puis, trouver des rgles de placement, (mthodes bottom-
up ) ou inversement (mthodes top-down ). Elles sappuient principalement sur le
traitement du signal, la topologie et la gomtrie.
Lavantage des mthodes bottom-up est que lon peut utiliser les techniques classiques
de segmentation, comme la croissance de rgion, les seuillages, la dtection de contours,
etc., pour isoler les primitives, considres comme des ensembles de pixels ayant des
proprits dhomognit communes (en niveau de gris, par exemple) [XI E90].
Ces proprits (luminance, aire, taille, courbure, directionnalit, etc.) permettent la
description dun certain nombre de classes de primitives. Les rgles de placement sont
exprimes laide de vecteurs de rgularit , de vecteurs de densits de primitives ou
partir des centres de gravit des classes.
Dautres approches, dites approches syntaxiques, font appel la thorie des grammaires
qui permet dengendrer des formes en appliquant un ensemble de rgles de placements
donnes un petit nombre de symboles. Ces symboles peuvent tre considrs comme des
sous-primitives de base et doivent pouvoir reconstituer toute texture structurale. Mais, le
formalisme de ces approches est souvent complexe. De plus, une texture peut tre gnre
ou analyse par plusieurs grammaires. On limite donc leur utilisation la gnration de
textures binaires ou des applications trs particulires.
Enfin, il existe une autre catgorie de mthodes structurelles dites approches ensemblistes.
Ces approches sont principalement descriptives. Elles sappuient sur des oprations de
morphologie effectues essentiellement sur des images binaires; il est donc ncessaire
dappliquer des prtraitements (seuillage, dtection de contours) sur les images originales.
La description des primitives sera essentiellement gomtrique avec des proprits comme
la taille, la forme, etc. [XI E90].
Ces mthodes structurelles se distinguent des mthodes purement statistiques par le fait
quelles reposent sur une dfinition explicite des primitives et de leurs rgles de placement.
De ce fait, leur application est limite des textures simples et rgulires; une approche
moins rigide danalyse de texture structurale est souvent employe, appele structurale-
statistique . Elle consiste identifier les lments de textures (textons), mesurer leur
proprits caractristiques, puis, dcrire, statistiquement, leur distribution spatiale.
4 Caractrisation statistique des
microtextures
Analyse de textures

I sabelle Claude 8
De nombreuses tudes ont port sur la perception visuelle des textures et ont montr que
loeil tait sensible leurs proprits statistiques. La vision humaine opre en 2 temps : la
vision prattentive qui, quasi-instantanment, peroit un large champ visuel pour localiser
grossirement les rgions de limage; et, la vision focale qui effectue des mesures
dorganisation spatiale par un lent dplacement de louverture focale et qui fait appel
linterprtation cognitive (mmoire, connaissances,...).
Ceci explique lmergence et limportance des mthodes statistiques qui se fondent sur
lhypothse quune texture est une ralisation dun processus stochastique bidimensionnel
possdant les proprits de stationnarit et dergodicit. Lestimation des paramtres
statistiques peut alors se faire sur une ralisation unique du processus (limage de texture).
Les attributs statistiques sont alors des estimations de moments statistiques ou de densits
de probabilit.
J ulesz, aprs avoir postul que lon ne pouvait discriminer 2 textures dont les probabilits
conjointes jusqu lordre 2 sont identiques, a donn des contre-exemples sa propre
conjecture, sous forme de textures synthtises dont les moments jusqu lordre 3 sont
identiques et qui, pourtant, restent identifiables visuellement (figure 4). Cependant, on a
pu montrer que cette conjecture tait une bonne approximation des performances visuelles
humaines pour la plupart des problmes de discrimination de textures naturelles.
Dautres tudes ont confirm que loeil ne prend pas en compte les dpendances entre
points loigns. La caractrisation se fait donc un niveau trs local, do limportance de
la notion de voisinage dans lanalyse de texture.
De manire gnrale, ces mthodes statistiques sappuient sur une description des
proprits locales des textures, ce qui sous-entend que les relations de placement au sein
des microtextures se situent faible chelle. Limportance de la notion de voisinage est,
encore ici, mise en vidence dans la comprhension du phnomne de texture.
Nombreuses sont les mthodes qui, dans cette catgorie, utilisent une approche
reconnaissance des formes sur des vecteurs dattributs (statistiques ou non) attachs
chaque pixel de limage; avec apprentissage ou sans connaissance a priori des classes
existantes, ces mthodes donnent des rsultats satisfaisants, si ce nest quelles perdent une
part importante de linformation texturale : sa composante spatiale. En effet, une texture
est la fois spatiale et statistique puisquelle met en place des relations de regroupements
dlments de base de la texture.
Dans ce qui suit, nous prsentons, de faon non exhaustive, les mthodes statistiques les
plus utilises.
4.1 Matrices de cooccurrences
Cette mthode constitue la rfrence en analyse de texture et sert souvent de mthode
comparative pour les nouvelles approches. Elle est, en effet, simple mettre en oeuvre et
offre de bonnes performances.
La mthode des matrices de cooccurrences consiste tudier le comportement conjoint de
couples de pixels spars spatialement par une translation donne. Lamplitude de la
translation nexcde pas, en gnral, quelques pixels, afin de ne prendre en compte quune
information trs locale de voisinage.

GB06

I sabelle Claude
9



figure 4 : Textures diffrentiables visuellement dont les statistiques sont identiques jusqu
lordre 3

Pratiquement, on calcule, pour une translation donne, les histogrammes bivaris
directionnels ou moyennes despace du second ordre ainsi dfinis. La matrice obtenue est
aussi souvent appele matrice de dpendances spatiales de niveaux de gris (SGLDM pour
Spatial Grey Level Dependence Matrix).

Dfinition 2 Soit une image Y de taille I xJ dfinie par G niveaux de gris et une relation
spatiale dfinie par une translation T de vecteur V
r
. On appelle

M
T
la matrice de
cooccurrences relative T, { } G q G p q p M M
T T
... 1 , ... 1 ), , ( . Le terme ) , ( q p M
T
reprsente
la frquence avec laquelle un pixel de niveau de gris q a succd un pixel de niveau de gris
p, dans la direction V
r
; do :

+
s c
T
q T s g p s g
N
q p M ) ), ( ( ) ), ( (
1
) , ( (1)
avec
c
N le nombre de couple (s,s+T) de Y, ) , ( q p le symbole de Kronecker et g(s) le niveau
de gris du pixel s.

Chaque terme ) , ( q p M
T
estime donc la probabilit conjointe quun pixel de niveau de gris p
soit associ, par V
r
, un pixel de niveau de gris q.
Par sa dfinition mme, la mthode des matrices de cooccurrences se heurte au problme
crucial du choix de la translation T (que lon dcompose en une direction et un
dplacement d) et, surtout, la difficult du traitement dune masse importante
dinformation.
Pratiquement, on choisit =0, 45, 90 et 135 et d =1, 2; on calcule la matrice
T
M aprs
rduction du nombre de niveaux de gris 16 ou 8. On utilise, dans un bon nombre
dapplications, une seule matrice qui est la somme des matrices obtenues pour =0, 45,
90 et 135; cette matrice dpend, alors, plutt du paramtre d. De plus, souvent, pour une
direction donne, on ne se proccupe pas du sens de parcours, ce qui revient rendre la
matrice symtrique.
Analyse de textures

I sabelle Claude
10
De manire exploiter plus aisment les informations contenues dans ces matrices, on en
extrait certains attributs. Ces attributs visent chacun reprsenter une caractristique
physique de la texture et se veulent un ensemble discriminant pour chaque texture.
Nous donnons, ci-dessous, les principaux attributs :
Second Moment Angulaire : ( )

G
p
G
q
T
q p M ASM
1 1
2
) , ( (2)
Contraste :

'

1
0
2
) , (
G
n n q p
T
q p M n CON (3)
Entropie : ( )

G
p
G
q
T T
q p M q p M ENT
1 1
) , ( ln ) , ( (4)
Corrlation :
y x
G
p
G
q
y x T
q p pqM COR

,
_

1 1
) , ( (5)
avec
( )
( )

G
p
T
G
q
y y
G
q
T
G
p
x x
G
p
T
G
q
y
G
q
T
G
p
x
q p M q
q p M p
q p M q
q p M p
1 1
2 2
1 1
2 2
1 1
1 1
) , (
) , (
) , (
) , (

(6)
Les performances de cette mthode sont lies au choix de et d, qui dpendent souvent de
lapplication, et, au compromis entre rduction du nombre de niveaux de gris et pouvoir
discriminant des paramtres de cooccurrences.
4.2 Matrices de longueurs de plages
Les longueurs de plages sont une manire de reprsenter une texture par un ensemble de
segments de droites de mme luminance et de taille maximale. Cette mthode estime la
probabilit dobserver des plages niveau de gris constant dans une certaine direction.
Dfinition 3 A chaque direction , on peut associer une matrice de longueurs de plages

P
telle quun lment ) , ( l g P

de la matrice soit gal au nombre de plages de niveau de gris g et

de longueur l dans la direction .
Sur cette matrice, on calcule galement quelques attributs, comme :
le nombre de longueurs de plages :

1
0 1
) , (
G
g
L
l
l g P SLP

(7)
la proportion de petites et grandes plages :

1
0 1
2
) , ( 1
1
G
g
L
l
l
l g P
SLP
RF

(8)

1
0 1
2
) , (
1
2
G
g
L
l
l g P l
SLP
RF

(9)
GB06

I sabelle Claude
11
lhtrognit des niveaux de gris:
2
1
0 1
) , (
1
3

,
_

G
g
L
l
l g P
SLP
RF

(10)
qui mesure la dispersion des plages entre les niveaux de gris,
lhtrognit des longueurs de plages :
2
1
1
0
) , (
1
4

,
_

L
l
G
g
l g P
SLP
RF

(11)
qui mesure la dispersion des plages entre les longueurs,
et le pourcentage de plages: K SLP RF / 5 (12)
(avec K le nombre total de pixels de limage)

Cette mthode est galement utilise pour le codage dimages et la rduction du nombre de
niveaux de gris dune image.
4.3 Mthodes bases sur la Transforme de
Fourier
La Transforme de Fourier permet, dans le domaine de limage, dobtenir une
reprsentation frquentielle spatiale des donnes.

Dfinition 4 Pour une image y(i,j), avec 1 0 , 1 0 J j I i , support born, la
Transforme de Fourier Discrte (TFD) est donne par :

,
_

,
_

+
1
0
1
0
2 exp ) , (
1
) , (
I
i
J
j
I
J
vj
I
ui
j i y
IJ
v u TFD j (13)
avec 1 0 1 0 J v et I u .

Cette TFD bidimensionnelle nest pas toujours facile interprter; on sintresse
principalement son module, appel spectre de Fourier. De faon trs gnrale, on peut
dire que :
si la texture est directionnelle, le spectre de puissance contient des pics sur une
ligne perpendiculaire la direction principale de la texture.
si la texture est forme de grains circulaires, le spectre contient des pics sur un
anneau circulaire centr sur lorigine.
si la texture est priodique, on retrouvera cette priodicit dans le spectre.
si la texture est fine, le spectre sera maximum dans les hautes frquences, et,
inversement, si elle est plutt grossire, le maximum sera proche des basses
frquences; en effet, le spectre de Fourier rend compte de la rugosit dune texture.
On peut galement calculer des attributs de texture sur le spectre de Fourier, comme
lnergie et ltendue du pic principal, les nergies et entropies relatives de diffrentes
rgions carres centres sur lorigine du spectre, les moments dinertie de chaque quadrant,
etc.
Lintrt de ces mthodes travaillant dans le domaine frquentiel, est surtout li la
reprsentation quasi-uniforme du bruit dans ce domaine, alors quil peut altrer, de faon
Analyse de textures

I sabelle Claude
12
dramatique, les variations locales dintensit dans la reprsentation spatiale. De mme, les
attributs statistiques spatiaux sont plus sensibles au bruit que les attributs tirs du spectre
de Fourier.
Depuis peu, lutilisation des reprsentations temps-frquence en analyse dimages sest
dveloppe. Le problme crucial reste linterprtation des donnes obtenues; les 4
dimensions ne peuvent tre visualises, mme si ces reprsentations peuvent tre vues
comme une manire dassocier chaque point de limage, un spectre local . De manire
rduire la quantit de donnes, des attributs ou caractristiques sont calculs sur ces
spectres locaux (composantes les plus nergtiques, moments des spectres en coordonnes
polaires, amplitude et orientation du pic principal, etc.). Ces mthodes ont un champ
dapplications assez restreint pour le moment (textures synthtiques directionnelles,
images relles directionnelles); cependant, leur investigation est loin dtre termine et, de
ce fait, les rsultats sont prometteurs.
4.4 Bancs de filtres
4.4.1 Filtrage spatial
Les mthodes de filtrage spatial sont galement trs rpandues en analyse de textures.
Lopration de filtrage consiste en une convolution de limage originale par un masque de
taille rduite (3x3 ou 5x5 pixels) qui constitue le filtre. De telles approches sont appeles
galement mthodes danalyse par transformations linaires locales.
De faon plus formelle, dans le cadre de ces mthodes, on considre la texture x comme la
ralisation dun processus stochastique X index par lensemble des sites { }
N
s s s S ,..., ,
2 1
et
valeurs dans
S
. Ltat
s
x dun pixel s est valeurs dans lensemble des niveaux de
gris { } G ,..., 1 . Le processus X est suppos homogne, isotrope et ergodique. On dfinit, en
outre, un systme de voisinage { } S s S
s s
, , , o
s
constitue lensemble des voisins
du pixel s, et, un vecteur dtat local n composantes, form des tats du pixel s et de ses
voisins, ( ) ( )
'
, ,
s r s s
r X X X . On applique, alors, une transformation linaire T au vecteur
x
s
:
x T y
s s
(14)
On transforme, de ce fait, la texture x en t textures
) (i
y , chacune delles tant une
convolution de x avec le filtre constitu par le ime vecteur ligne de la matrice T.
Lorsque la matrice T est rduite un vecteur, on dfinit un simple filtre; dans le cas o elle
possde t lignes, on dfinit un banc de filtres t composantes.
Sur chaque image filtre
) (i
y , on peut calculer un ensemble dattributs (variance, entropie,
moments spatiaux, etc.) constituant lensemble discriminant de la texture.
Le filtrage est dit adapt sil est extrait directement de la texture analyser. Par exemple,
le modle autorgressif peut tre vu comme un filtrage adapt, et, de faon diffrente, la
transformation de Karhunen-Loeve permet de dfinir un banc de filtres adapts.
Ce dernier cas permet de dfinir un banc de filtres, rsultant de lextraction des vecteurs
propres de la matrice de covariance
X
C calcule sur un voisinage X
s
donn de limage. La
transformation de Karhunen-Loeve discrte est alors dfinie comme la transformation
orthogonale ( )
'
2 1
,..., ,
t
, dont les vecteurs lignes sont les vecteurs propres
i
de
X
C ;
chaque vecteur propre
i
est utilis comme un filtre dont la sortie est limage
( ) S s x y
s i
i
,
' ) (
. Les variances de chaque image filtre constituent alors un vecteur
GB06

I sabelle Claude
13
caractristique de mesures dnergie pour chaque texture; ce point est mettre en relation
avec les mesures dnergie calcules sur les images filtres par les filtres de Laws, qui
constituent une rfrence dans ce domaine; ces filtres, exprimentaux, ne sont pas adapts,
mais ils permettent de capter des microstructures (dtecteurs de lignes horizontales et
verticales, de points, danneaux, de transitions, doscillations, etc.) et ont permis dobtenir
des taux de bonne classification de lordre de 94%, sur une base de textures naturelles.
4.4.2 Filtrage frquentiel
Dans le domaine frquentiel, on utilise galement des bancs de filtres, chaque filtre
correspondant un canal dcomposant limage dans certaines bandes de frquence et
dorientation. On parle de filtrage multicanal. Les filtres passe-bas sont utiliss en
dbruitage dimages, les filtres passe-haut en dtection de contours, et, actuellement, les
filtres de Gabor connaissent un certain succs, d leur similitude avec le fonctionnement
de la perception visuelle humaine. En effet, il est maintenant admis que 2 cellules
adjacentes du cortex visuel sont assez bien modlises par une paire de filtres en
quadrature. Un autre avantage des filtres de Gabor est quils sont les seuls atteindre la
limite dans le principe dincertitude dHeisenberg; ils permettent une bonne localisation,
tant dans le domaine frquentiel que spatial. Les filtres de Gabor 2-D sont dfinis par une
fonction sinus complexe module par une enveloppe gaussienne de dimension 2.
Le problme relatif au filtrage frquentiel est le choix des canaux considrer.
4.5 Autres attributs de textures
La multiplicit et la diversit des travaux sur la caractrisation des textures rend difficile
une catgorisation finie et exhaustive des diffrentes mthodes; aussi, la suite donnera-t-
elle un aperu des approches diverses de la littrature.
4.5.1 Attributs fractals
La thorie des fractals a t introduite par Mandelbrot pour dcrire des objets rels
possdant la proprit dauto-similitude, cest--dire, la rptition de motifs lmentaires
diffrentes chelles, et, pour lesquels, la gomtrie euclidienne tait inadapte. Lutilisation
de la thorie des fractals est rpandue en analyse de texture (mme si les textures ne sont
pas ncessairement des objets fractals). Lavantage de cette approche rside dans le fait que
la dimension fractale est assez peu sensible la rsolution de la texture et est fortement
corrle avec la perception humaine de la rugosit dune surface; elle permet de mesurer la
complexit gomtrique dun ensemble.
Les attributs fractals consistent principalement en la dimension fractale, le spectre
multifractal, les dimensions fractales gnralises et la lacunarit, qui est faible
(respectivement forte) pour une texture fine (respectivement grossire). Mais, la dimension
fractale nest pas suffisante pour discriminer des textures naturelles. Elle peut, cependant,
tre ajoute un groupe de caractristiques statistiques, pour rendre compte de la rugosit
dune texture.
4.5.2 Attributs gomtriques
Les attributs gomtriques classiques se calculent sur des rgions

R
i
homognes, au sens
dun certain critre, et connexes. I l sagit, principalement, de laire, du primtre, du
diamtre, de la compacit, de la direction principale dinertie, du nombre de connexit, etc.,
de chaque rgion

R
i
.
Analyse de textures

I sabelle Claude
14
En ce qui concerne leur utilisation en analyse de textures, lapproche la plus souvent
utilise consiste binariser limage originale de texture, laide de seuils diffrents et de
calculer les attributs gomtriques sur les rgions ainsi cres.
4.5.3 Moments
Pour ces mthodes, qui utilisent des estimations de moments statistiques sur limage, on
considre que lensemble des moments de tous ordres ou lensemble des distributions de
probabilits sont des candidats possibles la discrimination de textures microscopiques.
Dans le cas dun processus homogne et ergodique, les moments et moyennes despace
dordre k sont les meilleurs estimateurs non biaiss au sens de la norme quadratique des
moments et distributions de probabilit et de cooccurrences d ordre k.
On dfinit le moment dordre k par : { } ( )

i
k
i i s
k
s k
x x X X x ) ( (15)
et le moment despace dordre k par :

s
k
s k
x
K
m
1
(16)
Des expriences psychovisuelles ont montr que lensemble des attributs discriminants
dune texture homogne est suprieur lensemble des moments des 2 premiers ordres et
infrieur lensemble des moyennes despace du second ordre (rassembles dans les
matrices de cooccurrences).
Plus rcemment, des moments dordre infrieur ou gal 2 ont t calcul localement sur le
processus bidimensionnel pour segmenter des textures. Ces moments sont dfinis par :

2 /
2 /
2 /
2 /
) , (
W
W
W
W
q
j
p
i pq
y x j i g m (17)
o g(i,j) est le niveau de gris du pixel (i,j), W est la taille de la fentre de calcul des
moments,
i
x et
j
y sont les cordonnes normalises du pixel (i,j).
Calculs en chaque pixel, ces attributs forment un vecteur de 6 caractristiques.
4.5.4 Attributs divers
Spectre de texture : cest une nouvelle mesure statistique caractristique dune
texture : lunit de texture et son spectre associ. Le terme spectre nest pas utilis au
sens de Fourier, mais reprsente la frquence doccurrence des units de texture. Cette
mthode est rapprocher de lide de textons, sauf que, dans le cas des units de textures,
le voisinage considr est de taille fixe (3x3). Pour chaque pixel de limage et son voisinage
3x3, on associe, chaque voisin st, une valeur
t
E dans lensemble { } 2 , 1 , 0 , fonction de la
diffrence entre son niveau de gris ) (
t
s g et celui du pixel central ) (
0
s g , tant donn :

( )
( ) ( )
( )

'

+ >
+ < <
<

) ( ) ( 2
) ( ) ( ) ( 1
) ( ) ( 0
0
0 0
0
s g s g si
s g s g s g si
s g s g si
E
t
t
t
t
pour t=1,...,8. (18)
La combinaison des 8 valeurs des voisins (

8
1
1
3
t
t
t TU
E N ) produit un numro dunit de
texture parmi 3
8
possibilits. En calculant la frquence dapparition de chaque unit de
texture sur une image (histogramme), on construit le spectre de texture, caractristique de
limage originale. Une proprit intressante de cette mthode est linvariance par
translation, fondamentale dans la dfinition dune texture. Le fait que cette mthode soit
GB06

I sabelle Claude
15
indpendante des changements de luminosit (translation en niveaux de gris) est,
galement, un avantage certain.
Mesures directionnelles : Ces mesures directionnelles correspondent une analyse des
diffrences de niveaux de gris dans des directions prdfinies et dtermines par la taille de
fentres de travail. I l existe aussi des mesures dorientation de texture : partant de limage
de contours de la texture, on calcule la contribution de chaque pixel dans des directions
prdfinies et on trace des histogrammes dangles , caractristiques de lorientation des
textures.
Autres mesures : lutilisation dun coefficient de corrlation multiple, calcul entre blocs
de pixels voisins, permet de caractriser une texture.
5 Modlisation de textures
La modlisation de texture est dune grande importance. En effet, dun point de vue
mthodologique, cette approche met disposition un modle rversible, utilisable tant en
synthse quen analyse de textures. La description des proprits de texture se ramne
alors lidentification ou lestimation des paramtres du modle. Ladquation de ce modle
peut tre vrifie par la gnration de textures synthtiques.
Un bon nombre de modles sont issus de la thorie des processus stochastiques. Une
texture est, dans ce cas, la ralisation dun processus alatoire stationnaire et ergodique.
On peut citer :
les modles markoviens,
les modles utilisant un filtre linaire excit par un bruit blanc, avec, comme cas
particulier, les modles autorgressifs (AR ou ARMA), dits paramtriques ,
dautres modles, comme les modles de surfaces, le modle de Wold et les modles
fractals.
5.1 Modlisation par champ de Markov
Utiliss depuis de nombreuses annes en mcanique statistique pour modliser, par
exemple, des phnomnes ferromagntiques, les champs alatoires de Markov sont
appliqus au traitement dimages. Lide de base de cette modlisation est que la
connaissance du voisinage dun pixel s est suffisante pour calculer sa loi conditionnelle.
Leur utilisation, en analyse dimages, repose, essentiellement, sur le thorme
dHammersley-Clifford qui donne une quivalence entre champ de Markov et distribution
de Gibbs.
En reprenant les notations du paragraphe 3.4.1, nous allons rappeler les principales
dfinitions relatives aux champs de Markov et qui aboutissent lnonc de ce thorme.

Dfinition 5Un systme de voisinage sur S est une famille { } S s S
s s
, , de sous-
ensembles de S qui vrifie :
-
s
s ,
- pour s et r appartenant S,
s r
r s .

Les lments de
s
sont les voisins du point s.
Analyse de textures

I sabelle Claude
16

Dfinition 6 Un sous-ensemble C de S est une clique relativement si :
- ou bien C est rduit un point
- ou bien C contient au moins 2 lments et tout couple (r,s) dlments distincts de C est
form de points voisins au sens de

Dfinition 7 Soit { } S s X X
s
; , la variable alatoire valeurs dans dont les
coordonnes sont indexes par S, et soit un systme de voisinage { } S s S
s s
, , ; X est
un champ alatoire de Markov relativement si :
- 0 ) ( > x X pour tout x de ,
- ) , / ( ) , / (
s r r s s r r s s
r x X x X s r x X x X pour tout x et tout sS.

Dfinition 8Etant donne une fonction U dfinie sur et valeurs dans R, la mesure de
Gibbs de fonction d nergie U est la probabilit sur dfinie par :
( ) ) ( exp
1
) ( x U
Z
x (19)
o Z est la constante de normalisation, appele fonction de partition de la mesure de Gibbs.

Dfinition 9La mesure de Gibbs dnergie U est dite associe au systme de voisinage si
son nergie scrit :

C c
c
x V x U ) ( ) ( (20)
o C est lensemble des cliques relativement .


Thorme 1 dHammersley-Clifford : Un champ alatoire X est un champ de Markov
associ au systme de voisinage { } S s S
s s
, , si sa distribution de probabilit P(X=x)
est une mesure de Gibbs associe .
Le choix de la forme de U dtermine le modle paramtrique; on peut citer :
le modle dI sing, un des plus simples qui est utilis pour des images binaires,
le modle de Graffigne, dont les potentiels sont de la forme :

( ) 8 1
) (
2
t s
c
s c
x x
x V
+

(21)
le modle des filtres propres,
le modle gaussien pour lequel la densit de probabilit conditionnelle est
gaussienne.
Un des problmes est li la simulation des champs de Markov. On utilise des algorithmes
stochastiques permettant de visiter les sites une infinit de fois et de converger vers la
probabilit ) ( x choisie; les plus courants sont lalgorithme de Mtropolis et
lchantillonneur de Gibbs; le recuit-simul (Simulated Annealing) tant plus prcisment
un algorithme de restauration. Quelques algorithmes dterministes, comme lalgorithme
I CM (iterated Conditional Mode), sont, de plus en plus utiliss, en optimisation, de manire
pallier linconvnient majeur de lutilisation des champs markoviens : le cot prohibitif de
calcul.
A noter, quen segmentation, une modlisation doublement stochastique est utilise : un
processus markovien est attach lobservation et un second processus markovien est li
au champ des tiquettes des rgions. Lnergie de Gibbs contient alors des termes
dinteraction entre les 2 processus dont le poids relatif peut varier au cours des itration.
GB06

I sabelle Claude
17
Le problme dlicat de la complexit calculatoire de cette mthode de modlisation est
important; comme nous venons de le voir, lutilisation dalgorithmes dterministes et leur
coopration avec des mthodes statistiques dans le cadre de modlisations stochastiques
permettent de pallier, partiellement, cet inconvnient.
5.2 Modlisation autorgressive
La modlisation autorgressive joue un grand rle en traitement du signal. Du fait de leur
bon compromis complexit-adquation, les mthodes didentification et doptimisation de
ces modles ont t particulirement dveloppes et testes. A noter que cette identification
est limite au second ordre.
Considrer une image de texture comme la ralisation dun modle autorgressif revient
considrer la variable alatoire attache un site de limage comme linairement
dpendante des variables alatoires attaches aux sites voisins.
Soit Y une image et S l'ensemble des sites s de Y :
{ } J j I i j i s S 1 , 1 ); , ( (22)
Y est la ralisation d'un modle AR 2D si :

+
D n m
s
j i e b n j m i y j i n m a j i y y
) , (
) , ( ) , ( ) , , , ( ) , ( (23)
avec
e : variable alatoire qui dfinit le type du modle; si e est un bruit blanc, le modle
est un modle AR (Autoregressive) et si e est un bruit corrl, le modle est un modle
ARMA (Autoregressive Moving Average)
b : cart-type de e
D : ensemble de prdiction du modle dont la forme dpend du type de causalit
choisie
a : paramtres du modle; si a(m,n,i,j) =a(m,n), le modle est stationnaire

Un des points cruciaux pour lutilisation de ces modles est, ici, mis en vidence : le choix
du voisinage et, par consquent, le type de causalit du modle.
Exemple de support :



0,0
pass
futur



Le nombre de voisins, donc l'tendue spatiale du voisinage, dtermine le nombre de
coefficients du modle. Ceux-ci doivent tre estims sur la texture et la mthode
d'estimation choisie joue un rle dans la qualit de reprsentativit du modle AR. La
mthode du maximum de vraisemblance (MLE) donne gnralement de bons rsultats,
mais est trs coteuse en temps de calcul et ncessite certaines hypothses de travail. Dans
le cas dun signal 1D, lhypothse gaussienne suffit pour obtenir une quivalence entre
estimation par moindres carrs (LSE) et par MLE. Pour des signaux 2D, il faut, en outre,
Analyse de textures

I sabelle Claude
18
champ spatial
homogne
champ purement
stochastique
champ
dterministe
champ vanescent
gnralis champ
harmoni que
que le signal soit causal. Dans la pratique, lestimation par LSE est assez largement
prfre pour son bon compromis complexit/performance.
De manire plus prcise, on peut rappeler que la rsolution des quations normales
bidimensionnelles (cest dire lalgorithme de moindres carrs) a t le premier algorithme
destimation des paramtres dun modle AR 2D; il est, encore, trs utilis car il reste
lalgorithme le plus facile implmenter et donnant de bons rsultats.
5.3 Modle de Wold
Un nouveau modle gnrique de texture a t propos, qui sappuie sur une dcomposition
de Wold bidimensionnelle et permet de prendre en compte 3 caractristiques essentielles
dune texture : la priodicit, la directionnalit et laspect alatoire.
Une texture est alors considre comme la ralisation dun champ alatoire bidimensionnel
homogne, dcompos en la somme de 3 composantes orthogonales (lorthogonalit tant
dfinie ici comme lesprance du produit des 2 composantes gale 0) :
les 2 premires sont regroupes sous lappellation champs dterministes (ce
sont bien des champs alatoires mais ils sont dits dterministes au sens des moindres
carrs, cest dire que lesprance de la diffrence au carr entre la valeur du champ
en un point et sa valeur estime est gale 0) et reprsentent la composante
structurale globale; elle comporte une composante harmonique et une composante dite
vanescente gnralise . Cette dernire est une combinaison linaire de champs
vanescents mutuellement orthogonaux.
la seconde est purement stochastique et peut tre reprsente par un modle MA
(Moving Average) ou, dans certains cas, par un modle AR bidimensionnel support
demi-plan non symtrique (NSHP).

La figure 5 illustre cette dcomposition de Wold. La modlisation unifie les diffrentes
approches structurelles et probabilistes et sapparente une mthode traitant des textures
mixtes : on y distingue des primitives (dont la forme et laspect peuvent varier, dans une
certaine mesure) et dont larrangement spatial nest ni totalement priodique, ni
totalement alatoire. En choisissant les paramtres des 3 composantes, on peut couvrir la
modlisation dun grand nombre de textures, allant des macrotextures priodiques des
microtextures alatoires.
La composante harmonique rend compte des attributs priodiques du champ de texture,
tandis que la composante vanescente (constitue dun signal monodimensionnel
stochastique modulant un systme de vagues ) reprsente les attributs directionnaux
globaux de la texture.
Mais, le problme de lestimation dun tel modle (somme de distributions spectrales) nest
pas compltement rsolu.
La synthse des textures est obtenue en gnrant une ralisation du modle AR estim,
laide dun bruit blanc gaussien, et, en y ajoutant les composantes dterministes. Les
rsultats en synthse de textures naturelles sont trs prometteurs.





GB06

I sabelle Claude
19




figure 5 : Modlisation de Wold
6 Conclusion
Ce cours traitant de lanalyse de texture fait tat dun grand nombre dapproches et de
mthodes existantes dans la littrature. I l est tmoin dun besoin croissant de
connaissances plus approfondies sur la notion mme de texture et sur le mcanisme
humain de perception des textures. Au vu de cette synthse, il apparat que la profusion des
approches et des mthodes traitant de l analyse de textures rend difficile le choix dune
mthode particulire pour une application donne et, plus gnralement, le besoin dune
hirarchisation, au sens des rsultats obtenus, se fait sentir.
En ce qui concerne les applications aux images mdicales, la mthode des matrices de
cooccurrences est, l aussi, la mthode de rfrence. Mais, dautres approches, comme les
bancs de filtres linaires, donnent de bons rsultats sur des images chocardiaques, par
exemple.
De plus, les techniques classiques de traitement dimages en niveaux de gris savrent
insuffisantes pour certaines applications comme les images chographiques ou
radiologiques, dans la mesure o celles-ci prsentent des zones textures. La prise en
compte des approches prsentes dans ce cours devient donc indispensable pour le
traitement de telles images.
Pour de plus amples informations sur ces applications mdicales, nous renvoyons le lecteur
aux transparents du cours.
Analyse de textures

I sabelle Claude
20
BM06
Transparents du cours :
Analyse de textures en traitement
dimages