Pre-process for segmentation task with nonlinear diffusion filters

Titre

Prétraitement pour la tâche de segmentation avec des filtres de diffusion non linéaire

1. Problématique

Le papier aborde le problème de la segmentation d'images, une tâche fondamentale en vision par ordinateur. Les images réelles souffrent souvent de bruit, d'hétérogénéité dans les intensités des régions, d'edges (contours) faibles et d'artefacts.

• Contrainte des algorithmes de segmentation : La plupart des techniques de segmentation supposent que les régions de l'image sont constantes par morceaux (piecewise constant) et que les contours sont nets (fortes pentes).
• Objectif : Transformer une image observée bruitée $u_0$ en une image "dessin animé" (cartoon) $u$, composée de régions homogènes délimitées par des contours fermés et nets, tout en éliminant le bruit et les textures fines.
• Défi : Les méthodes classiques de minimisation de la variation totale (TV) ou les équations de diffusion de Perona-Malik peuvent être mal posées (ill-posed) ou nécessiter des pré-traitements lourds (comme le lissage gaussien préalable) qui atténuent les contours.

2. Méthodologie

L'approche proposée repose sur un cadre théorique de diffusion non linéaire pour générer des images constantes par morceaux.

A. Formulation Intrinsèque et Conditions de Diffusivité

Les auteurs dérivent une formulation intrinsèque de l'équation de diffusion non linéaire pour établir les conditions nécessaires à l'amélioration des contours.

• Ils définissent une fonction de potentiel $\rho$ et une fonction de diffusivité $g$.
• Pour obtenir une amélioration des contours (et non un simple lissage), la fonction $\rho$ doit être non convexe, ce qui implique une condition sur la dérivée de la diffusivité :
  $$\rho''(\|\nabla u\|) = g(\|\nabla u\|^2) + 2 g'(\|\nabla u\|^2)\|\nabla u\|^2 < 0$$
• Cela suggère l'utilisation d'une diffusion "arrière" (backward diffusion) dans certaines zones pour accentuer les contrastes, bien que cela pose des problèmes de stabilité mathématique.

B. Nouvelle Famille de Fonctions de Diffusivité

Pour contourner les problèmes de stabilité tout en conservant l'effet d'accentuation, les auteurs proposent une nouvelle fonction de diffusivité $g_a(r)$ (équation 16) :
$$g_a(r) = \begin{cases} 1 & \text{si } 0 \le r < \gamma \\ (\frac{\gamma}{r})^{p/2} & \text{si } r \ge \gamma \end{cases}$$

• Paramètres :
  • $\gamma$ : Seuil de gradient. En dessous de ce seuil, la diffusion est linéaire (lissage). Au-dessus, elle devient non linéaire et décroissante.
  • $p$ : Paramètre de contrôle de la pente. Une valeur élevée de $p$ approche une fonction "step" (marche), empêchant le flou des contours.
• Comportement : Cette fonction permet un lissage linéaire dans les régions homogènes et un ralentissement fort de la diffusion (voire une diffusion "arrière" effective) aux contours, préservant ainsi les bords.

C. Approximation Numérique et Stabilité

Pour résoudre l'équation de diffusion de manière stable et efficace :

• Discrétisation : Utilisation de la méthode des lignes (MOL) pour passer d'une EDP à un système d'EDO.
• Schéma Temporel : Au lieu d'utiliser la méthode de Newton-Raphson (qui peut être instable à cause de la singularité de la matrice de Jacobienne liée à la diffusion arrière), les auteurs utilisent la méthode de rigidité tangentielle (tangential stiffness method).
• Résultat : Cela conduit à une itération de type Picard (ou méthode directe) :
  $$U^{\nu+1} = [I - k A(U^\nu)]^{-1} U^n$$
  où $A(U)$ est la matrice de diffusion.
• Avantage clé : Cette approche évite de résoudre numériquement une équation de diffusion arrière instable. Elle équivaut à résoudre une diffusion avant avec une diffusivité positive mais décroissante, garantissant la stabilité et la propriété d'espace d'échelle (scale-space).
• Extension 2D/3D : Utilisation de la méthode de décomposition d'opérateurs additifs (AOS) pour les images 2D et 3D (ex: scanners CT).

D. Critère d'Arrêt

Un critère d'arrêt automatique est proposé basé sur le temps de mise en place de la diffusion linéaire. L'algorithme s'arrête lorsque l'image filtrée converge vers une valeur moyenne avec une tolérance donnée, éliminant ainsi le bruit et la texture sans nécessiter de connaissance a priori de la structure géométrique.

3. Contributions Clés

1. Cadre Théorique : Établissement d'une formulation intrinsèque reliant la non-convexité du potentiel à l'amélioration des contours, justifiant théoriquement l'utilisation de diffusivités spécifiques.
2. Nouvelle Fonction de Diffusivité : Proposition d'une fonction $g_a$ continue et lipschitzienne qui combine diffusion linéaire (pour le bruit) et diffusion non linéaire contrôlée (pour les contours), permettant de générer des images constantes par morceaux.
3. Stabilité Numérique : Démontration que l'utilisation d'un schéma semi-implicite avec la méthode de rigidité tangentielle transforme le problème en une diffusion avant stable, évitant les instabilités des méthodes de diffusion arrière classiques.
4. Efficacité Computationnelle : La méthode permet d'utiliser des pas de temps ($k$) très grands, réduisant considérablement le nombre d'itérations nécessaires par rapport aux méthodes de diffusion classiques.
5. Adaptabilité : Proposition d'une stratégie de réglage des paramètres ($\gamma$ via la MAD - écart absolu médian, et $p$ via une optimisation basée sur la mesure F) pour s'adapter à différents types d'images.

4. Résultats Expérimentaux

Les auteurs ont testé leur filtre sur :

• Images naturelles 2D : (Ours, fleur, buisson, etc.) issues de bases de données publiques.
• Images médicales 3D : Scanners abdominaux (CT).

Résultats observés :

• Qualité de segmentation : Les images filtrées sont nettement plus constantes par morceaux que les originaux, avec des contours préservés et peu flous.
• Comparaison : La méthode surpasse la décomposition variationnelle "Cartoon" (TV) et d'autres filtres de diffusion non linéaire (basés sur AOS avec d'autres diffusivités) en termes de mesure F (F-mesure), qui combine précision et rappel des contours.
  • Exemple : Pour l'image de l'ours, la F-mesure passe de 0.597 (image brute) à 0.918 avec la méthode proposée.
• Robustesse : La méthode fonctionne bien avec des pas de temps élevés ($k=200$ à $8000$), réduisant le temps de calcul.
• Cas difficiles : Pour les images à faible contraste (ex: "bush", "scissors"), la méthode nécessite un paramètre $p$ plus élevé pour éviter le flou, bien que l'amélioration soit moins spectaculaire que pour les images à fort contraste.

5. Signification et Conclusion

Ce travail offre une alternative robuste et efficace aux méthodes variationnelles complexes pour le prétraitement en segmentation d'images.

• Avantage principal : Il permet d'obtenir des images "dessin animé" (constantes par morceaux) avec un faible effort computationnel grâce à la stabilité du schéma numérique permettant de grands pas de temps.
• Simplicité : Contrairement aux méthodes TV qui nécessitent de choisir des espaces fonctionnels pour séparer texture et géométrie, cette approche repose sur un seul filtre de diffusion avec des paramètres physiquement interprétables.
• Perspectives : Les auteurs notent que pour les images à très faible contraste, l'utilisation d'un paramètre $\gamma$ local (adaptatif) plutôt que global est une direction prometteuse pour les travaux futurs, comme illustré par les premiers résultats sur les scans CT 3D.

En résumé, cette méthode transforme efficacement le problème de segmentation en un problème de lissage intelligent, préservant les structures critiques tout en éliminant le bruit, le tout avec une garantie théorique de stabilité numérique.