On segmentation by total variation type energies of Kobayashi-Warren-Carter type with fidelity

1. Problématique et Contexte

L'article s'intéresse à un problème de segmentation d'images et de régularisation basé sur une énergie de type Variation Totale (TV) modifiée. Le problème classique de Rudin-Osher-Fatemi (ROF) vise à minimiser la fonctionnelle :
$$TV(u) + \frac{\lambda}{2} \int_\Omega |u - g|^2 dx$$
où $g$ est l'image bruitée, $u$ l'image restaurée, et $TV(u)$ mesure la longueur des contours (sauts). Dans le modèle ROF standard, si les données $g$ sont continues, le minimiseur $u$ est également continu (il ne présente pas de sauts artificiels).

Les auteurs considèrent une généralisation où le terme de variation totale est remplacé par une énergie $TV_K$ qui pénalise les sauts différemment :
$$TV_K(u) = \int_{\Omega \setminus J_u} |Du| + \int_{J_u} K(|u^+ - u^-|) d\mathcal{H}^{n-1}$$
Ici, $K$ est une fonction mesurant le coût d'un saut de taille $|u^+ - u^-|$. Ce type d'énergie apparaît comme une limite singulière de l'énergie de Kobayashi-Warren-Carter (KWC), utilisée en physique des matériaux pour modéliser les joints de grains dans les polycristaux.

Le problème central est de comprendre le comportement des minimiseurs de la fonctionnelle $TV_{Kg}(u) = TV_K(u) + F(u)$ (avec $F$ le terme de fidélité) lorsque $K$ satisfait certaines conditions de sous-additivité forte. Contrairement au cas ROF classique, les auteurs montrent que même si les données $g$ sont continues, le minimiseur $u$ peut présenter des sauts (discontinuités), ce qui est crucial pour les problèmes de segmentation où l'on cherche à identifier des régions distinctes.

2. Méthodologie

L'approche méthodologique combine l'analyse variationnelle, la théorie des fonctions à variation bornée (BV) et des techniques de comparaison de fonctions.

• Hypothèses sur la fonction $K$ :
  Les auteurs imposent trois conditions clés sur $K : [0, \infty) \to [0, \infty)$ :

  1. $(K1)$ $K$ est semi-continue inférieurement, croissante, avec $K(0)=0$.
  2. $(K2)$ Sous-additivité forte : Il existe une constante $C_M > 0$ telle que pour tout $\rho_1, \rho_2 \ge 0$ avec $\rho_1+\rho_2 \le M$ :
     $$K(\rho_1) + K(\rho_2) \ge K(\rho_1 + \rho_2) + C_M \rho_1 \rho_2$$
     Cette condition implique que la fusion de deux petits sauts coûte moins cher que deux sauts séparés, favorisant la formation de structures en escalier.
  3. $(K3)$ Comportement asymptotique : $\lim_{\rho \to 0} K(\rho)/\rho = 1$.

• Analyse en dimension 1 :
  Le cœur de la preuve se déroule dans le cas unidimensionnel ($\Omega = (a, b)$). Les auteurs utilisent la notion d'ensemble de coïncidence $C = \{x \in [a, b] \mid U(x) = g(x)\}$.

  • Ils démontrent que le minimiseur $U$ est constant sur les intervalles où $U \neq g$ (en dehors de $C$).
  • Ils établissent des estimations fines sur l'augmentation du terme de fidélité $F$ lors de la modification de $U$ pour réduire le nombre de sauts.
  • Une stratégie de comparaison est utilisée : on compare l'énergie d'un minimiseur candidat avec une fonction modifiée (souvent constante ou avec un saut fusionné) pour montrer que si l'intervalle entre deux points de coïncidence est trop petit, la présence de sauts multiples n'est pas optimale.

• Limites singulières et dualité :
  La section 5 relie le modèle $TV_K$ à l'énergie KWC. Les auteurs montrent que si $K$ est dérivée d'un potentiel $F(v)$ via une limite Gamma, la condition $(K2)$ est satisfaite sous certaines hypothèses de régularité de $F$ près de son minimum.

3. Résultats Principaux

Les résultats sont principalement établis pour le cas unidimensionnel, avec des extensions vers la dimension supérieure pour l'existence.

• Théorème 1.1 (Structure du minimiseur) :
  Si $g \in C[a, b]$ et que $K$ satisfait $(K1)-(K3)$, alors tout minimiseur $U$ de $TV_{Kg}$ est une fonction constante par morceaux avec un nombre fini de sauts.
  De plus, le nombre de sauts $m$ est borné explicitement par :
  $$m \le \left\lfloor \frac{(b-a)\lambda}{A_M} \right\rfloor + 1$$
  où $A_M$ dépend de la constante $C_M$ de la condition $(K2)$ et de l'oscillation de $g$.
  Signification : Contrairement au modèle ROF standard où un $g$ continu implique un $u$ continu, ici un $g$ continu peut générer un $u$ avec des sauts, mais le nombre de ces sauts est contrôlé et fini.

• Théorème 1.2 (Cas monotone) :
  Si $g$ est monotone (croissante ou décroissante), le minimiseur $U$ conserve cette monotonie et est constant par morceaux. La borne sur le nombre de sauts est améliorée (le terme $A_M$ est remplacé par $C_M$ seul).

• Théorème 2.2 (Existence en dimension supérieure) :
  Pour un domaine borné $\Omega \subset \mathbb{R}^n$ avec frontière lipschitzienne et $g \in L^\infty(\Omega)$, l'existence d'un minimiseur dans l'espace $BV(\Omega)$ est garantie, même sans hypothèse de régularité forte sur $g$.

• Corollaire 1.3 (Segmentation) :
  Le résultat fournit une borne supérieure sur le nombre de segments (ou de clusters) dans un problème de segmentation. Ce nombre dépend uniquement de la longueur du domaine, du paramètre de régularisation $\lambda$ et de la constante $C_M$, et non des détails fins de la fonction $g$.

4. Contributions Clés

1. Preuve de la structure en escalier (Piecewise Constant) : L'article démontre rigoureusement que pour une large classe de fonctions de pénalité de saut (incluant $K(\rho) = \rho/(1+\rho)$), les minimiseurs sont nécessairement des fonctions constantes par morceaux, même pour des données continues. Cela justifie théoriquement l'utilisation de ces énergies pour la segmentation d'images.
2. Borne explicite sur le nombre de sauts : Contrairement aux modèles flous où le nombre de sauts peut être arbitraire, les auteurs fournissent une formule explicite limitant le nombre de segments. Cela offre un contrôle théorique sur la complexité de la solution.
3. Lien avec l'énergie KWC : L'article clarifie le lien mathématique entre les modèles de segmentation d'images et les modèles physiques de joints de grains (KWC), montrant que la limite singulière de ce dernier conduit à une énergie de type TV avec une pénalité de saut non linéaire satisfaisant la condition de sous-additivité forte.
4. Généralisation du modèle ROF : L'article identifie précisément la propriété de $K$ (la condition $(K2)$) qui rompt la régularité du minimiseur par rapport au modèle ROF classique, expliquant pourquoi certains modèles de segmentation produisent des contours nets là où le ROF produit des transitions douces.

5. Signification et Impact

Ce travail est significatif pour plusieurs raisons :

• Théorique : Il comble un vide entre les modèles de régularisation convexe (ROF) et les modèles de segmentation à contours libres (Mumford-Shah), en fournissant un cadre variationnel où la structure des minimiseurs est bien comprise et contrôlée.
• Pratique : Pour les applications de segmentation d'images, le résultat garantit que l'algorithme de minimisation ne produira pas une infinité de petits segments (bruit de segmentation) mais un nombre fini de régions cohérentes, même si l'image d'entrée est continue. La borne sur le nombre de segments permet d'estimer la complexité computationnelle et le risque de sur-segmentation.
• Physique : La connexion avec l'énergie KWC renforce la validité de l'utilisation de ces modèles pour décrire des phénomènes physiques réels comme la formation de joints de grains, où la structure en facettes (plateaux) est observée expérimentalement.

En résumé, cet article établit que l'utilisation d'une énergie de variation totale de type Kobayashi-Warren-Carter permet de résoudre le problème de segmentation en garantissant l'existence de solutions à structure simple (constantes par morceaux) avec un nombre de discontinuités explicitement borné, offrant ainsi une alternative robuste au modèle ROF pour les applications nécessitant des contours nets.