EP2494521A1 - Dispositif et procédé de compensation de relief d'images hyper-spectrales - Google Patents

Dispositif et procédé de compensation de relief d'images hyper-spectrales

Info

Publication number
EP2494521A1
EP2494521A1 EP10776626A EP10776626A EP2494521A1 EP 2494521 A1 EP2494521 A1 EP 2494521A1 EP 10776626 A EP10776626 A EP 10776626A EP 10776626 A EP10776626 A EP 10776626A EP 2494521 A1 EP2494521 A1 EP 2494521A1
Authority
EP
European Patent Office
Prior art keywords
image
hyper
spectral
compensation
reference image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
EP10776626A
Other languages
German (de)
English (en)
Inventor
Sylvain Prigent
Xavier Descombes
Josiane Zerubia
Didier Zugaj
Laurent Petit
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Galderma Research and Development SNC
Institut National de Recherche en Informatique et en Automatique INRIA
Original Assignee
Galderma Research and Development SNC
Institut National de Recherche en Informatique et en Automatique INRIA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Galderma Research and Development SNC, Institut National de Recherche en Informatique et en Automatique INRIA filed Critical Galderma Research and Development SNC
Publication of EP2494521A1 publication Critical patent/EP2494521A1/fr
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/42—Analysis of texture based on statistical description of texture using transform domain methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30088—Skin; Dermal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/58—Extraction of image or video features relating to hyperspectral data

Definitions

  • the present invention relates to image analysis and more particularly to the statistical classification of the pixels of an image. It more particularly relates to the statistical classification of the pixels of an image for the detection of cutaneous lesions, such as acne, melasma and rosacea.
  • Materials and chemical elements react more or less differently when exposed to radiation of a given wavelength. By scanning the range of radiation, it is possible to differentiate between the materials involved in the composition of an obj and their difference in interaction. This principle can be generalized to a landscape, or to a part of an object.
  • the set of images from the photograph of the same scene at different wavelengths is called a hyper - spectral image or hyper - spectral cube.
  • a hyper-spectral image consists of a set of images in which each pixel is characteristic of the intensity of the interaction of the observed scene with the radiation.
  • the acquisition of hyper - spectral images can be carried out according to several methods.
  • the spectral scan hyper spectral image acquisition method consists in using a CCD - type sensor to produce spatial images, and to apply different filters in front of the sensor in order to select a wavelength for each image.
  • Different filter technologies make it possible to meet the needs of such imagers.
  • These two filters have the advantage of not having moving parts which are often a source of fragility in optics.
  • the method of acquiring hyperspectral images aims to simultaneously acquire or "image" all the wavelengths of the spectrum on a CCD type sensor.
  • a prism is placed in front of the sensor. Then, to form the complete hyper-spectral cube, a spatial scan is performed line by line.
  • the method of acquiring hyper - spectral so - called time - scan images involves performing an interference measurement and then reconstructing the spectrum by making a Fast Fourier Transform (FFT) on the interference measurement.
  • FFT Fast Fourier Transform
  • the interference is realized thanks to a system of the Michelson type, which makes interfere a ray with itself shifted temporally.
  • the latest method of acquiring hyper - spectral images is to combine spectral and spatial scanning.
  • the CCD is partitioned in the form of blo cs.
  • Each block of the CCD sensor processes the same region of space but with different wavelengths.
  • a spectral and spatial scan makes it possible to constitute a complete hyper-spectral image.
  • WO 99 44010 discloses a method and a hyper-spectral imaging device for the characterization of a skin tissue. It is in this document to detect a melanoma.
  • This method is a method of characterizing the state of a region of interest of the skin, wherein the absorption and scattering of light in different frequency zones is a function of the state of the skin.
  • This method involves generating a digital image of the skin including the region of interest in at least three spectral bands.
  • This method implements classification and characterization of lesions. It comprises a segmentation step for discriminating between lesions and normal tissue according to the different absorption of lesions as a function of wavelength, and an identification of lesions by analysis of parameters such as texture, symmetry, or the outline. Finally, the classification itself is carried out using a classification parameter L.
  • US 5,782,770 discloses a cancer tissue diagnostic apparatus and a diagnostic method comprising generating a hyper-spectral image of a tissue sample and comparing that hyper-spectral image to a reference image so to diagnose cancer without introducing specific agents to facilitate interaction with the light sources.
  • WO 2008 103918 describes the use of imaging spectrometry for the detection of skin cancer. It offers a hyper-spectral imaging system that allows fast acquisition of high-resolution images, avoiding image registration, image distortion problems, or moving mechanical components. It comprises a multi-spectral light source which illuminates the area of the skin to be diagnosed, an image sensor, an optical system receiving light from the skin area and elaborating on an image sensor a mapping of the light defining the different regions, and a dispersion prism positioned between the image sensor and the optical system to project the spectrum of distinct regions on the image sensor. An image processor receives spectrum and analysis to identify cancerous abnormalities.
  • WO 02/057426 discloses an apparatus for generating a two-dimensional histological map from a cube of three-dimensional hyper-spectral data representing the scanned image of a patient's uterus. It includes an input processor that normalizes the fluorescent spectral signals collected from the cube of hyper-spectral data and extracting the pixels of the spectral signals indicating the classification of cervical tissues. It also includes a classification device that maps a fabric category to each pixel and an image processor in connection with the classification device that generates a two-dimensional image of the uterine heart from pixels including coded regions. using color codes representing the tissue classifications of the uterus.
  • US 2006/02475 14 discloses a medical instrument and a method for detecting and evaluating cancer using hyper-spectral images.
  • the medical instrument includes a first optical stage illuminating the tissue, a spectral separator, one or more polarizers, an image detector, a diagnostic processor and a filter control interface.
  • the method can be used without contact, using a camera, and provides information in real time. It includes a pretreatment of the hyper - spectral information, the construction of a visual image, the definition of a region of interest of the tissue, the conversion of the intensities of the hyper - spectral images into optical density units, and the decomposition of a spectrum for each pixel in several independent components.
  • US 2003/0030801 discloses a method for obtaining one or more images of an unknown sample by illuminating the target sample with a weighted reference spectral distribution for each image. The method analyzes the resulting image (s) and identifies the target characteristics.
  • the weighted spectral function thus generated can be obtained from a sample of reference images and can for example be determined by an analysis of its main component, by projection tracking or by analysis of ACI independent components. The method is useful for analyzing biological tissue samples.
  • An object of the invention is a device for compensating the relief of hyper-spectral images classified by continued projection and separation at large margins.
  • Another object of the invention is a method of compensating the relief of hyper-spectral images classified by continued projection and separation at a large margin.
  • Another object of the invention is a device for compensating the relief of hyper-spectral images classified by independent component analysis.
  • Another object of the invention is a method for compensating the relief of hyper-spectral images classified by independent component analysis.
  • Another object of the invention is the application of the device for compensating the relief of classified hyper-spectral images, for the detection of cutaneous lesions.
  • the device for compensating the relief of at least one hyper-spectral image comprises at least one sensor capable of producing at least one minus a hyper-spectral image in at least two wavelengths,
  • calculating means capable of classifying the pixels of the hyper-spectral image coming from the sensor according to a two-state classification relation
  • display means adapted to display at least one image according to the classified pixels from the calculation means.
  • the calculating means comprises means for compensating the relief as a function of at least one reference image.
  • the terrain compensation means may be able to linearly combine a reference image with a hyper-spectral image.
  • the terrain compensation means can be adapted to linearly combine a reference image with a hyper-spectral image by linearly combining the intensity of each of the pixels of each wavelength of the hyper-spectral image with the intensity of the image. corresponding pixel of the reference image.
  • the reference image may be an image of a given wavelength included in the hyper - spectral image generated by the sensor.
  • the reference image may be an image included in the reduced hyper - spectral image generated by the computing means.
  • the calculating means may comprise at least one means for calculating a projection tracking, and at least one means for performing a separation with a large margin.
  • the calculating means may comprise at least one independent component analysis means.
  • the compensation device is applied to the detection of cutaneous lesions of a human being, the reference image being acquired by a sensor in a wavelength located in the infrared range.
  • the compensation device is applied to the detection of cutaneous lesions of a human being, the reference image being acquired by a sensor in a wavelength located in the near infrared range.
  • the compensation device is applied to the detection of cutaneous lesions of a human being, the reference image corresponding to a composite image resulting from the projection continuation corresponding to the projection on a vector images made in the infrared and near infrared.
  • the method of compensating the relief of at least one hyper-spectral image coming from at least one sensor capable of producing at least one hyper-spectral image in at least two wavelengths comprises at least one calculation step able to classify the pixels of the hyper-spectral image coming from the sensor as a function of a two-state classification relation, and a display step able to display at least one image that is a function of the pixels classified from the calculation step.
  • the calculation step comprises a step of compensation of the relief as a function of at least one reference image.
  • a hyper-spectral image can be normalized according to a reference image, by dividing the intensity of each of the pixels composing the hyper-spectral image by the intensity of the corresponding pixel of the reference image.
  • a reference image can be linearly combined with a hyper-spectral image by linearly combining the intensity of each of the pixels of each wavelength of the hyper-spectral image with the intensity of the corresponding pixel of the reference image.
  • the reference image may be an image of a given wavelength included in the hyper-spectral image generated by the sensor.
  • the reference image may be an image included in the reduced hyper - spectral image resulting from the step of calculating a projection continuation.
  • the calculation step may comprise at least one step of calculating a projection continuation, and at least one step of performing a separation with a large margin.
  • the calculation step may comprise at least one independent component analysis step.
  • FIG. 1 illustrates the main components of a relief device for relief of hyper-spectral images according to a variant of an embodiment
  • FIG. 2 illustrates the main components of a relief device for relief of hyper-spectral images according to another variant of an embodiment
  • FIG. 3 illustrates the main components of a relief device for relief of hyper-spectral images according to another embodiment
  • FIG. 4 illustrates the main steps of a method of compensation of relief of hyper-spectral images according to a variant of an embodiment
  • FIG. 5 illustrates the main steps of a method of compensation of relief of hyper-spectral images according to another variant of an embodiment
  • FIG. 6 illustrates the main steps of a method for compensation of relief of hyper-spectral images according to another embodiment.
  • a hyper-spectral cube is a set of images each made at a given wavelength. Each image is two dimensional, the images being stacked in a third direction as a function of the variation of the corresponding wavelength. From the three-dimensional structure obtained, we call the set a hyper-spectral cube.
  • the name hyper-spectral image can also be used to designate the same entity.
  • a hyper-spectral cube contains a large amount of data. However, in such cubes, there are large empty spaces in terms of information and subspaces containing a lot of information. The projection of the data in a space of smaller dimension thus makes it possible to group the useful information in a reduced space by generating only very little loss of information. This reduction is important for the classification.
  • the purpose of the classification is to determine among the set of pixels composing the hyper-spectral image, those which respond favorably or unfavorably to a two-state classification relation. It is thus possible to determine the parts of a scene presenting a characteristic or a substance.
  • the classification can be carried out in at least two different ways, by continuous projection and separation with large margins or by decomposition into independent components.
  • a first step corresponds to a projection tracking step in which the hyper-spectral cube will be reduced by projection on projection vectors in order to obtain a reduced hyper-spectral image.
  • a second step corresponds to a wide margin separation step in which the pixels of the reduced hyper-spectral image will be classified according to a two-state classification relationship.
  • ACI independent component decomposition
  • spectral information is meant the intensity variation as a function of the wavelength for a given pixel (i.e., when the pixel coordinates (x; y) are fixed).
  • the matrix A contains, on each column k, the combination of the spectral bands which makes it possible to find the kth pure component.
  • the vector Si j which contains the proportions of each of the pure components constituting the vector X ⁇ , must respect the following constraints:
  • a component that has a negative value on a vector has no meaning (the intensity measured at a given wavelength is at least zero, a negative intensity having no physical meaning).
  • a component whose sum of proportions is different from the unit would not make sense, since a part would be missing.
  • the linear model of source separation defined above has two indeterminates. Indeed, the permutation of the columns of A, modifies the order of the sources. The model is therefore defined to a close permutation. Moreover, if one multiplies the columns of A by nonzero constants, this induces a second indeterminacy of the model, this time concerning the amplitude of the sources. This second indetermination for the particular case where the multip licative constant is equal to -1, reveals the negative of a source.
  • the first is to estimate A iteratively, by methods related to the gradient descent, by optimizing a criterion of independence between the components. This type of method is thus very close to those used previously for the continuation of proj ection.
  • the second family of algorithms makes it possible to estimate A by defining the independence between the components thanks to matrices of cumulants.
  • A is constructed by diagonalization of matrices of cumulants.
  • Cardoso shows that the selection of cumulants of order two and four allows to have a method mathematically equivalent to an independent component analysis by minimization of the Kullback-Leibler index.
  • Hyper - spectral data reduction methods by independent component analysis allow to obtain a reduced cube of hyper - spectral image.
  • the presence of reliefs or shadows can cause a problem of detection.
  • a first method is a normalization compensation method.
  • an image comprising only information relating to the relief, and devoid of information liable to classification by the SVM. For example, one can place oneself in a zone of the spectrum in which the electromagnetic wave will not react with the constituents of the analyzed scene. Each of the images of the cube is then divided pixel by pixel by the reference image. This results in a good compensation of the effects of shadows on the edges of the images.
  • a second method is a method of compensation by subtraction.
  • a subtraction normalization method is proposed for the whole of the images of the cube.
  • an image C is introduced which measures the difference in levels, between the maximum of the reference image, and all the pixels of the reference image:
  • IR representing a near infrared image
  • i, j the position indices of each pixel in the image.
  • a factor z is introduced in order to compensate for the differences of scale between the images.
  • the factor z is the ratio between the difference between the maximum intensity and the minimum intensity of an image of the hyper - spectral cube noted ⁇ and the difference between the maximum intensity and the minimum intensity of the image of reference noted IR.
  • the method of compensation by subtraction also called method of compensation by linear combination due to the equation Eq. 2, further reduces the number of false detections compared to the normalized compensation method.
  • this compensation is also possible to apply this compensation not on the initial cube, but on the reduced cube by further projection.
  • it is not compensated by a single reference image but by a linear combination of several reference images located in a neighboring frequency range and all having the ability to react only to the relief of the scene observed.
  • the compensation is applied in post-processing on the selected source.
  • the relief compensation device comprises at least one sensor 1 capable of producing at least one hyper-spectral image in at least two wavelengths, a calculation means 2 able to process the data received from a sensor.
  • a display means 3 is able to display at least one classified image from the calculation means 2.
  • different calculation means 2 can be considered.
  • the calculating means 2 comprises at least one calculation means 4 for a projection continuation, and at least one embodiment for a separation with a large margin.
  • the calculation means 2 comprises a calculation means 12 by independent component analysis.
  • the calculation means 2 further comprises means 6 for compensating the relief as a function of at least one reference image.
  • the relief compensation means 6 is situated between the calculation means 4 of a projection projection and the means 5 for producing a separation with a large margin.
  • the relief compensation means 6 is located between the sensor 1 and the calculation means 4 of a projection tracking.
  • the relief compensation means 6 is located between the calculation means 12 by independent component analysis and the display means 3.
  • the method for compensating the relief of a hyper-spectral image with at least two wavelengths comprising a calculation step able to process the data received from a step 7 of acquisition, and a step 1 1 of display capable of displaying at least one classified image from the calculation step.
  • a calculation step able to process the data received from a step 7 of acquisition
  • a step 1 1 of display capable of displaying at least one classified image from the calculation step.
  • the calculation step comprises at least one calculation step 8 of a projection tracking, followed by at least one step 10 of performing a wide-margin separation. .
  • the calculation step comprises a computation step 13 by independent component analysis.
  • the calculation step further comprises a step 9 of compensation of the relief as a function of at least one reference image.
  • the step 9 of compensation of the relief is located between the acquisition step 7 of the hyper-spectral image by at least one sensor 1 and the step of 8 calculation of a projection continuation.
  • the step 9 of compensation of the relief is situated between the calculation step 8 of a projection continuation and the step 10 of carrying out a separation at wide margin.
  • step 9 of the compensation of the relief is situated between the calculation step 13 by independent component analysis and the display step 11.
  • the reference image allowing the compensation of the relief can be a single image representing the relief to be compensated, or an image at a given wavelength also representative of the relief to be compensated, or a linear combination of several reference images .

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

Dispositif de compensation du relief d' au moins une image hyper-spectrale comprenant au moins un capteur (1) apte à produire au moins une image hyper-spectrale dans au moins deux longueurs d'ondes, un moyen de calcul (2) apte à classer les pixels de l'image hyper-spectrale issue du capteur (1) en fonction d'une relation de classement à deux états, un moyen d' affichage (3) apte à afficher au moins une image fonction des pixels classés provenant du moyen de calcul (2). Le moyen de calcul (2) comprend un moyen de compensation (6) du relief en fonction d'au moins une image de référence.

Description

Dispositif et procédé de compensation de relief d'images hyper- spectrales.
La présente invention concerne l ' analyse d' images et plus particulièrement la classification statistique des pixels d'une image. Elle concerne plus particulièrement la classification statistique des pixels d'une image en vue de la détection de lésions cutanées, telles que l ' acné, le mélasma et la rosacée.
Les matériaux et éléments chimiques réagissent plus ou moins différemment lors de l ' exposition à un rayonnement d'une longueur d' onde donnée . En balayant la gamme des rayonnements, il est possible de différencier des matériaux intervenant dans la composition d'un obj et de part leur différence d' interaction. Ce principe peut être généralisé à un paysage, ou à une partie d'un obj et.
L ' ensemble des images issues de la photographie d'une même scène à des longueurs d' onde différentes est appelé image hyper- spectrale ou cube hyper-spectral.
Une image hyper-spectrale est constituée d'un ensemb le d' images dont chaque pixel est caractéristique de l ' intensité de l' interaction de la scène observée avec le rayonnement. En connaissant les profils d'interaction des matériaux avec différents rayonnements, il est possible de déterminer les matériaux présents . Le terme matériau doit être compris dans un sens large, visant aussi bien les matières so lides, liquides et gazeuses, et aussi bien les éléments chimiques purs que les assemblages complexes en mo lécules ou macromo lécules.
L ' acquisition d' images hyper-spectrales peut être réalisée selon plusieurs méthodes .
La méthode d' acquisition d' images hyper-spectrales dite de scan spectral consiste à utiliser un capteur de type CCD, pour réaliser des images spatiales, et à appliquer des filtres différents devant le capteur afin de sélectionner une longueur d' onde pour chaque image. Différentes technologies de filtres permettent de répondre aux besoins de tels imageurs. On peut par exemple citer les filtres à cristaux liquides qui iso lent une longueur d' onde par stimulation électrique des cristaux, ou les filtres acousto-optique qui sélectionnent une longueur d' onde en déformant un prisme grâce à une différence de potentie l électrique (effet de piézo-électricité) . Ces deux filtres présentent l ' avantage de ne pas avoir de parties mobiles qui sont souvent source de fragilité en optique.
La méthode d' acquisition d' images hyper-spectrales dite de scan spatial vise à acquérir ou « imager » simultanément toutes les longueurs d'ondes du spectre sur un capteur de type CCD . Pour réaliser la décomposition du spectre, un prisme est placé devant le capteur. Ensuite, pour constituer le cube hyper-spectral complet, on réalise un balayage spatial ligne par ligne.
La méthode d' acquisition d' images hyper-spectrales dite de scan temporel consiste à réaliser une mesure d' interférence, puis de reconstituer le spectre en faisant une transformée de Fourrier rapide (acronyme anglais : FFT) sur la mesure d'interférence. L ' interférence est réalisée grâce à un système de type Michelson, qui fait interférer un rayon avec lui-même décalé temporellement.
La dernière méthode d ' acquisition d' images hyper-spectrales vise à combiner le scan spectral et le scan spatial. Ainsi, le capteur CCD est partitionné sous forme de blo cs . Chaque bloc du capteur CCD traite la même région de l ' espace mais avec des longueurs d' ondes différentes . Puis, un balayage spectral et spatial permet de constituer une image hyper-spectrale complète.
Plusieurs méthodes existent pour analyser et classer des images hyper-spectrales ainsi obtenues, en particulier pour la détection des lésions ou maladies d'un tissu humain.
Le document WO 99 44010 décrit une méthode et un dispositif d' imagerie hyper-spectrale pour la caractérisation d'un tissu de la peau. Il s ' agit, dans ce document, de détecter un mélanome . Cette méthode est une méthode de caractérisation de l ' état d'une région d'intérêt de la peau, dans laquelle l ' absorption et la diffusion de la lumière dans différentes zones de fréquence sont fonction de l ' état de la peau. Cette méthode comprend la génération d'une image numérique de la peau incluant la région d' intérêt dans au moins trois bandes spectrales . Cette méthode met en œuvre une classification et une caractérisation de lésions . Elle comprend une étape de segmentation servant à réaliser une discrimination entre les lésions et le tissu normal en fonction de l ' absorption différente des lésions en fonction de la longueur d' onde, et une identification des lésions par analyse de paramètres tels que la texture, la symétrie, ou le contour. Enfin, la classification proprement dite est réalisée à partir d 'un paramètre de classification L.
Le document US 5 ,782,770 décrit un appareil de diagnostic de tissus cancéreux et une méthode de diagnostic comprenant la génération d'une image hyper-spectrale d 'un échantillon de tissu et la comparaison de cette image hyper-spectrale à une image de référence afin de diagnostiquer un cancer sans introduire d ' agents spécifiques facilitant l ' interaction avec les sources lumineuses .
Le document WO 2008 10391 8 décrit l 'utilisation de la spectrométrie d' imagerie pour la détection d 'un cancer de la peau. I l propose un système d'imagerie hyper-spectrale permettant d ' acquérir rapidement des images à haute résolution en évitant le recalage d' images, les problèmes de distorsion d' images ou le déplacement des composants mécaniques. Il comprend une source de lumière multi- spectrale qui illumine la zone de la peau à diagnostiquer, un capteur d' images, un système optique recevant la lumière de la zone de peau et élaborant sur un capteur d 'image une cartographie de la lumière délimitant les différentes régions, et un prisme de dispersion positionné entre le capteur d' image et le système optique afin de proj eter le spectre des régions distinctes sur le capteur d' image. Un processeur d 'image reçoit le spectre et l ' analyse afin d' identifier des anomalies cancéreuses .
Le document WO 02/057426 décrit un appareil de génération d'une carte histologique bidimensionnelle à partir d 'un cube de données hyper-spectrales tridimensionnelles représentant l ' image scannée de co l de l 'utérus d'une patiente . Il comprend un processeur d' entrée normalisant les signaux spectraux fluorescents collectés du cube de données hyper-spectrales et extrayant les pixels des signaux spectraux indiquant la classification des tissus cervicaux. Il comprend également un dispositif de classification qui fait correspondre une catégorie de tissu à chaque pixel et un processeur d' image en lien avec le dispositif de classification qui génère une image bidimensionnelle du co l de l'utérus à partir des pixels incluant des régions codées à l ' aide de code couleurs représentant les classifications des tissus du co l de l 'utérus .
Le document US 2006/02475 14 décrit un instrument médical et une méthode de détection et d' évaluation d'un cancer à l ' aide d' images hyper-spectrales . L ' instrument médical comprend notamment un première étage optique illuminant le tissu, un séparateur spectral, un ou plusieurs po larisateurs, un détecteur d 'image, un processeur de diagnostic et une interface de contrô le de filtre. La méthode peut être utilisée sans contact, à l ' aide d'une caméra, et permet d 'obtenir des informations en temps réel. Elle comporte notamment un prétraitement de l 'information hyper-spectrale, la construction d'une image visuelle, la définition d'une région d' intérêt du tissu, la conversion des intensités des images hyper-spectrales en unités de densité optique, et la décomposition d'un spectre pour chaque pixel dans plusieurs composantes indépendantes.
Le document US 2003/0030801 décrit une méthode permettant l'obtention d'une ou plusieurs images d'un échantillon inconnu en éclairant l'échantillon cible avec une distribution spectrale de référence pondérée pour chaque image. La méthode analyse la ou les images résultantes et identifie les caractéristiques cibles . La fonction spectrale pondérée ainsi générée peut être obtenue à partir d 'un échantillon d' images de référence et peut par exemple être déterminée par une analyse de sa composante principale, par poursuite de proj ection ou par analyse de composantes indépendantes ACI. La méthode est utilisable pour l'analyse d'échantillons de tissus bio logiques .
Ces documents traitent les images hyper-spectrales soit comme des collections d' images à traiter individuellement, soit en réalisant une coupe du cube hyper-spectral afin d' obtenir un spectre pour chaque pixel, le spectre étant alors comparé à une base de référence. L ' homme du métier perçoit clairement les déficiences de ces méthodes tant sur le plan méthodo logique que sur le plan de la vitesse de traitement. Par ailleurs, on peut citer les méthodes basées sur le système de représentation CIEL * a*b, et les méthodes d' analyse spectrale, notamment les méthodes fondées sur la mesure de réflectance, et celles fondées sur l ' analyse du spectre d' absorption. Cependant ces méthodes ne sont pas adaptées aux images hyper- spectrales et à la quantité de données les caractérisant.
Il a été constaté que la classification d ' images hyper-spectrales est entachée d' erreurs liées à des non-détections au niveau des zones de l ' image comprenant un relief.
Il existe donc un besoin pour une compensation de relief des images hyper-spectrales classées par poursuite de proj ection et séparation à vaste marge ou par analyse en composantes indépendantes.
Un obj et de l 'invention est un dispositif de compensation du relief d' images hyper-spectrales classées par poursuite de proj ection et séparation à vaste marge.
Un autre obj et de l ' invention est un procédé de compensation du relief d' images hyper-spectrales classées par poursuite de proj ection et séparation à vaste marge.
Un autre obj et de l ' invention est un dispositif de compensation du relief d'images hyper-spectrales classées par analyse en composantes indépendantes.
Un autre obj et de l ' invention est un procédé de compensation du relief d'images hyper-spectrales classées par analyse en composantes indépendantes.
Un autre obj et de l 'invention est l ' application du dispositif de compensation du relief d' images hyper-spectrales classées, à la détection de lésions cutanées .
Le dispositif de compensation du relief d' au moins une image hyper-spectrale comprend au moins un capteur apte à produire au moins une image hyper-spectrale dans au moins deux longueurs d' ondes,
un moyen de calcul apte à classer les pixels de l ' image hyper- spectrale issue du capteur en fonction d'une relation de classement à deux états,
un moyen d' affichage apte à afficher au moins une image fonction des pixels classés provenant du moyen de calcul.
Le moyen de calcul comprend un moyen de compensation du relief en fonction d' au moins une image de référence.
Le moyen de compensation du relief peut être apte à combiner linéairement une image de référence avec une image hyper-spectrale.
Le moyen de compensation du relief peut être apte à combiner linéairement une image de référence avec une image hyper-spectrale en combinant linéairement l ' intensité de chacun des pixels de chaque longueur d' onde de l ' image hyper-spectrale avec l 'intensité du pixel correspondant de l ' image de référence .
L ' image de référence peut être une image d'une longueur d' onde donnée comprise dans l ' image hyper-spectrale générée par le capteur.
L ' image de référence peut être une image comprise dans l' image hyper-spectrale réduite générée par le moyen de calcul.
Le moyen de calcul peut comprendre au moins un moyen de calcul d'une poursuite de proj ection, et au moins un moyen de réalisation d'une séparation à vaste marge.
Le moyen de calcul peut comprendre au moins un moyen d' analyse en composantes indépendantes.
Selon un autre aspect de l' invention, le dispositif de compensation est appliqué à la détection de lésions cutanées d'un être humain, l ' image de référence étant acquise par un capteur dans une longueur d' onde située dans le domaine infrarouge.
Selon un autre aspect de l' invention, le dispositif de compensation est appliqué à la détection de lésions cutanées d'un être humain, l ' image de référence étant acquise par un capteur dans une longueur d'onde située dans le domaine proche infrarouge. Selon un autre aspect de l'invention, le dispositif de compensation est appliqué à la détection de lésions cutanées d'un être humain, l'image de référence correspondant à une image composite issue de la poursuite de projection correspondant à la projection sur un vecteur d'images réalisées dans l'infrarouge et le proche infrarouge.
Selon un autre aspect de l'invention, le procédé de compensation du relief d'au moins une image hyper-spectrale provenant d'au moins un capteur apte à produire au moins une image hyper-spectrale dans au moins deux longueurs d'ondes, comprend au moins une étape de calcul apte à classer les pixels de l'image hyper- spectrale issue du capteur en fonction d'une relation de classement à deux états, et une étape d'affichage apte à afficher au moins une image fonction des pixels classés provenant de l'étape de calcul. L'étape de calcul comprend une étape de compensation du relief en fonction d'au moins une image de référence.
Au cours de l'étape de compensation du relief, on peut normaliser au moins une image hyper-spectrale en fonction d'une image de référence.
On peut normaliser une image hyper-spectrale en fonction d'une image de référence, en divisant l'intensité de chacun des pixels composant l'image hyper-spectrale par l'intensité du pixel correspondant de l'image de référence.
Au cours de l'étape de compensation du relief, on peut combiner linéairement une image de référence avec une image hyper- spectrale.
On peut combiner linéairement une image de référence avec une image hyper-spectrale en combinant linéairement l'intensité de chacun des pixels de chaque longueur d'onde de l'image hyper- spectrale avec l'intensité du pixel correspondant de l'image de référence.
L'image de référence peut être une image d'une longueur d'onde donnée comprise dans l'image hyper-spectrale générée par le capteur. L ' image de référence peut être une image comprise dans l' image hyper-spectrale réduite issue de l ' étape de calcul d 'une poursuite de projection.
L ' étape de calcul peut comprendre au moins une étape de calcul d'une poursuite de projection, et au moins une étape de réalisation d'une séparation à vaste marge.
L ' étape de calcul peut comprendre au moins une étape d' analyse en composantes indépendantes .
D ' autres buts, caractéristiques et avantages apparaîtront à la lecture de la description suivante donnée uniquement en tant qu' exemple non limitatif et faite en référence en référence aux figures annexées sur lesquelles :
- la figure 1 illustre les principaux composants d'un dispositif de compensation de relief d' images hyper-spectrales selon une variante d'un mode de réalisation,
- la figure 2 illustre les principaux composants d'un dispositif de compensation de relief d'images hyper-spectrales selon une autre variante d'un mode de réalisation,
- la figure 3 illustre les principaux composants d'un dispositif de compensation de relief d' images hyp er-spectrales selon un autre mode de réalisation,
- la figure 4 illustre les principales étapes d'un procédé de compensation de relief d'images hyper-spectrales selon une variante d'un mode de réalisation,
- la figure 5 illustre les principales étapes d'un procédé de compensation de relief d' images hyper-spectrales selon une autre variante d'un mode de réalisation, et
- la figure 6 illustre les principales étapes d'un procédé de compensation de relief d' images hyper-spectrales selon un autre mode de réalisation.
Comme décrit précédemment, il existe plusieurs façons d' obtenir une image hyper-spectrale. Toutefois, quelle que soit la méthode d' acquisition, il n ' est pas possible de réaliser un classement directement sur l ' image hyper-spectrale telle qu' acquise. On rappelle à l 'occasion qu'un cube hyper-spectral est un ensemble d' images réalisées chacune à une longueur d ' onde donnée. Chaque image est à deux dimensions, les images étant empilées selon une troisième direction en fonction de la variation de la longueur d' onde leur correspondant. De part la structure tridimensionnelle obtenue, on appelle l ' ensemble un cube hyper-spectral. L ' appellation image hyper-spectrale peut également être employée pour désigner la même entité.
Un cube hyper-spectral contient une quantité importante de données . Cependant, dans de tels cubes, on retrouve de grands espaces vides en terme d' information et des sous-espaces contenant beaucoup d' information. La projection des données dans un espace de dimension inférieure permet donc de regrouper l ' information utile dans un espace réduit en n' engendrant que très peu de perte d' information. Cette réduction est alors importante pour la classification.
On rappelle que le but de la classification est de déterminer parmi l ' ensemble des pixels composant l 'image hyper-spectrale, ceux qui répondent favorablement ou défavorablement à une relation de classement à deux états . Il est ainsi possible de déterminer les parties d'une scène présentant une caractéristique ou une substance. Le classement peut être réalisé au moins de deux manières différentes, par poursuite de proj ection et séparation à vaste marge ou par décomposition en composantes indépendantes.
Lorsque le classement est réalisé par poursuite de projection et séparation à vaste marge, il comprend essentiellement deux étapes. Une première étape correspond à une étape de poursuite de proj ection au cours de laquelle le cube hyper-spectral va être réduit par proj ection sur des vecteurs de projection afin d'obtenir une image hyper-spectrale réduite . Une deuxième étape correspond à une étape de séparation à vaste marge au cours de laquelle les pixels de l 'image hyper-spectrale réduite vont être classés selon une relation de classement à deux états .
Lorsque le classement est réalisé par décomposition en composantes indépendantes (ACI), encore appelée séparation de sources, on applique une méthode qui vise à décomposer une image hyper-spectrale en, au maximum, autant de composantes que d'images formant l'image hyper-spectrale, de telle sorte que ces composantes soient statistiquement indépendantes les unes des autres.
Mathématiquement, la séparation de source linéaire se présente comme suit :
Xij = A.Sij + Bij (Eq. 1)
Dans ce modèle, l'analyse est réalisée sur chaque vecteur pixel individuellement car l'on s'intéresse uniquement à l'information spectrale. Par information spectrale, on entend la variation d'intensité en fonction de la longueur d'onde pour un pixel donné (c'est-à-dire lorsque les coordonnées (x;y) du pixel sont fixes). Faire une analyse en composantes indépendantes d'une image hyper-spectrale, revient donc à déterminer la matrice de mélange A, après avoir débruité l'image.
La matrice A contient, sur chaque colonne k, la combinaison des bandes spectrales qui permet de retrouver la kième composante pure.
Le vecteur Sij, qui contient les proportions de chacune des composantes pures constituant le vecteur X^, doit respecter les contraintes suivantes:
We[0,N],S,( )>0 (Eq.2) et
N
∑SiJ{k) = \ (Eq.3) k=l
En effet, une composante qui a une valeur négative sur un vecteur n'a pas de sens (l'intensité mesurée à une longueur d'onde donnée est au moins nulle, une intensité négative n'ayant pas de sens physique). De même, une composante dont la somme des proportions est différente de l'unité n'aurait pas de sens, puisque une partie serait manquante.
Le modèle linéaire de séparation de source définit ci-dessus présente deux indéterminations. En effet, la permutation des colonnes de A, modifie l 'ordre des sources . Le modèle est donc défini à une permutation près . De plus, si l ' on multiplie les co lonnes de A par des constantes non nulles, cela induit une seconde indétermination du modèle, concernant cette fois-ci l ' amplitude des sources . Cette seconde indétermination pour le cas particulier où la constante multip licative est égale à - 1 , fait apparaître le négatif d'une source.
L ' élément crucial quant à la réussite d'une décomposition en composantes indépendantes réside dans l ' estimation de la matrice de mélange A. Pour faire cette estimation de A, deux familles d' algorithmes peuvent êtres distinguées .
La première consiste à estimer A itérativement, par des méthodes apparentées à la descente de gradient, en optimisant un critère d 'indépendance entre les composantes. Ce type de méthode est donc très proche de celles utilisées précédemment pour la poursuite de proj ection.
La seconde famille d' algorithmes permet d' estimer A, en définissant l ' indépendance entre les composantes grâce aux matrices des cumulants . Ainsi, A est construite par diagonalisation des matrices des cumulants. Dans une publication (« High order contrasts for indépendant component Analysis », Neural Computation, Vol. l l , no .
1 , pp 157- 192 , Janvier 1999, J.F . Cardoso et al.), Cardoso montre que le fait de choisir les cumulants d' ordre deux et quatre permet d' avoir une méthode mathématiquement équivalente à une analyse en composantes indépendantes par minimisation de l 'indice de Kullback- Leibler.
Les méthodes de réduction de données hyper-spectrales par analyse en composantes indépendantes permettent d' obtenir un cube réduit d 'image hyper-spectrale. Cependant, comme pour la méthode de poursuite de projection et de séparation à vaste marge, la présence de reliefs ou d'ombres peut engendrer un problème de détection.
Ainsi quelle que soit la méthode de réduction des données d'un cube hyper-spectral, il est important de réaliser un prétraitement au cube hyper-spectral de manière à compenser au mieux ces effets de relief, afin de favoriser la classification des pixels se situant dans les zones de relief ou influencés par les zones de relief.
Lorsque l' on considère la réduction par poursuite de projection et séparation à vaste marge, deux méthodes de compensation peuvent être appliquées . Une première méthode est une méthode de compensation par normalisation.
Lorsque l' on applique l ' algorithme de poursuite de proj ection suivi d 'une séparation à vaste marge (SVM) directement sur un cube de données, il apparaît des non-détections au niveau des zones où il y a du relief dans l ' image. Pour pouvoir détecter les caractéristiques de ces zones, il faut donc appliquer un prétraitement au cube image de manière à compenser au mieux ces effets de relief.
Afin de compenser les effets de relief, on utilise une image ne comprenant que des informations relatives au relief, et dénuée d' informations susceptibles de classement par le SVM. On peut par exemple se placer dans une zone du spectre dans laquelle l' onde électromagnétique ne réagira pas avec les constituants de la scène analysée. Chacune des images du cube est alors divisée pixel à pixel par l' image de référence. Il en résulte une bonne compensation des effets d' ombres sur les bords des images.
Une deuxième méthode est une méthode de compensation par soustraction.
Toujours à partir d'une image de référence ne comprenant que des informations relatives au relief, on propose une méthode de normalisation par soustraction du relief à l ' ensemble des images du cube. Pour réaliser le modèle du relief, on introduit une image C qui mesure la différence de niveaux, entre le maximum de l ' image de référence, et l' ensemble des pixels de l 'image de référence :
C{i,j) = Max{lR) - IR{i,j) (Eq. 1 )
IR représentant une image proche infrarouge, et i,j les indices de position de chaque pixel dans l ' image.
Ensuite, chacune des images du cube peut être compensée par cette image C :
IK = + z - C (Eq. 2) max( ) - min( )
avec z = -,— r —
max IR ) - min (IR )
≠o
et avec Ιχ représentant une image du cube, et Ιχ cette même image après compensation. Un facteur z est introduit de manière à palier les différences d' échelles entre les images . Le facteur z est le rapport entre l ' écart entre l ' intensité maximale et l 'intensité minimale d'une image du cube hyper-spectral noté λ et l ' écart entre l ' intensité maximale et l 'intensité minimale de l' image de référence notée IR.
La méthode de compensation par soustraction, également appelée méthode de compensation par combinaison linéaire en raison de l ' équation Eq. 2, permet de réduire encore plus le nombre de fausses détections par rapport à la méthode de compensation par normalisation.
En variante, il est également possible d' appliquer cette compensation non pas sur le cube initial, mais sur le cube réduit par poursuite de projection. Ainsi, on ne fait pas une compensation par une seule image de référence mais par une combinaison linéaire de plusieurs images de référence situées dans une gamme de fréquences voisine et présentant toutes la faculté de ne réagir qu ' au relief de la scène observée.
Lorsque la réduction par analyse en composantes indépendantes est employée, il n' est pas possible de compenser les reliefs grâce à un prétraitement. Si on réalise une compensation par prétraitement, on ne fait que translater ou multiplier chacune des images par une même image (au facteur z près dans le cas de la compensation par soustraction), ce qui donne un cube équivalent au premier du point de vue de l 'ACI .
Pour diminuer les effets de relief, la compensation est donc appliquée en post-traitement sur la source sélectionnée.
Si l'on compense la source par normalisation par une bande donnée, alors, comme pour la poursuite de proj ection et SVM, le nombre de fausses détections dues aux ombres diminue, mais pas les fausses détections dues aux reliefs . Enfin, la compensation par soustraction permet à la fois de diminuer les fausses détections dues aux reliefs et aux ombres.
Le dispositif de compensation du relief comprend au moins un capteur 1 apte à produire au moins une image hyper-spectrale dans au moins deux longueurs d' ondes, un moyen de calcul 2 apte à traiter les données reçues d'un capteur. Un moyen d' affichage 3 est apte à afficher au moins une image classée provenant du moyen de calcul 2.
Selon la méthode de réduction des données hyper-spectrales, différents moyens de calcul 2 peuvent être considérés.
Dans un mode de réalisation, le moyen de calcul 2 comprend au moins un moyen de calcul 4 d'une poursuite de projection, et au moins un moyen de réalisation 5 d'une séparation à vaste marge.
Dans un autre mode de réalisation, le moyen de calcul 2 comprend un moyen de calcul 12 par analyse en composantes indépendantes .
Le moyen de calcul 2 comprend en outre un moyen de compensation 6 du relief en fonction d' au moins une image de référence.
Dans une variante du premier mode de réalisation illustré par la figure 1 , le moyen de compensation 6 du relief est situé entre le moyen de calcul 4 d'une poursuite de proj ection et le moyen de réalisation 5 d'une séparation à vaste marge.
Dans une autre variante du premier mode de réalisation illustré par la figure 2, le moyen de compensation 6 du relief est situé entre le capteur 1 et le moyen de calcul 4 d'une poursuite de proj ection.
Dans le deuxième mode de réalisation illustré par la figure 3 , le moyen de compensation 6 du relief est situé entre le moyen de calcul 12 par analyse en composantes indépendantes et le moyen d' affichage 3.
Le procédé de compensation du relief d'une image hyper- spectrale à au moins deux longueurs d 'ondes, comprenant une étape de calcul apte à traiter les données reçues d'une étape 7 d' acquisition, et une étape 1 1 d' affichage apte à afficher au moins une image classée provenant de l ' étape de calcul. Selon la méthode de réduction des données hyper-spectrales, différentes étapes de calcul peuvent être considérés.
Dans un mode de réalisation illustré par les figures 4 et 5, l'étape de calcul comprend au moins une étape de calcul 8 d'une poursuite de projection, suivie d'au moins une étape 10 de réalisation d'une séparation à vaste marge.
Dans un autre mode de réalisation illustré par la figure 6, l'étape de calcul comprend une étape de calcul 13 par analyse en composantes indépendantes.
L'étape de calcul comprend en outre une étape 9 de compensation du relief en fonction d'au moins une image de référence.
Dans une variante du premier mode de réalisation illustré par la figure 4, l'étape 9 de compensation du relief est située entre l'étape d'acquisition 7 de l'image hyper-spectrale par au moins un capteur 1 et l'étape de 8 calcul d'une poursuite de projection.
Dans une autre variante du premier mode de réalisation illustré par la figure 5, l'étape 9 de compensation du relief est située entre l'étape de calcul 8 d'une poursuite de projection et l'étape 10 de réalisation d'une séparation à vaste marge.
Dans le deuxième mode de réalisation illustré par la figure 6, l'étape 9 de compensation du relief est située entre l'étape de calcul 13 par analyse en composantes indépendantes et l'étape 11 d'affichage.
Par ailleurs, l'image de référence permettant la compensation du relief peut être une image unique représentant le relief à compenser, ou une image à une longueur d'onde donnée également représentative du relief à compenser, ou une combinaison linéaire de plusieurs images de référence.
Dans le cadre d'une application dermatologique, on cherche à déterminer la présence de lésions cutanées. La peau réagit très peu au rayonnement en proche infrarouge. Les images prises à ces longueurs d'onde ne contiennent alors quasiment que les reliefs dus à la morphologie du patient (nez bouche,..), et les ombres de bords d'image. Les images de références sont donc prises soit dans la gamme infrarouge, soit dans la gamme proche infrarouge, soit dans une combinaison linéaire des deux dans le cas où l'on choisit un vecteur de projection situé dans l'infrarouge et déterminé par l'étape de poursuite de projection pour compenser l'image hyper-spectrale réduite issue elle aussi de la poursuite de projection.

Claims

REVENDICATIONS
1. Dispositif de compensation du relief d'au moins une image hyper-spectrale comprenant au moins un capteur (1) apte à produire au moins une image hyper-spectrale dans au moins deux longueurs d'ondes,
un moyen de calcul (2) apte à classer les pixels de l'image hyper-spectrale issue du capteur (1) en fonction d'une relation de classement à deux états,
un moyen d'affichage (3) apte à afficher au moins une image fonction des pixels classés provenant du moyen de calcul (2),
caractérisé en ce que le moyen de calcul (2) comprend un moyen de compensation (6) du relief en fonction d'au moins une image de référence.
2. Dispositif de compensation selon la revendication 1, dans lequel le moyen de compensation du relief est apte à combiner linéairement une image de référence avec une image hyper-spectrale.
3. Dispositif de compensation selon la revendication 2, dans lequel le moyen de compensation du relief est apte à combiner linéairement une image de référence avec une image hyper-spectrale en combinant linéairement l'intensité de chacun des pixels de chaque longueur d'onde de l'image hyper-spectrale avec l'intensité du pixel correspondant de l'image de référence.
4. Dispositif de compensation selon l'une quelconque des revendications 1 à 3, dans lequel l'image de référence est une image d'une longueur d'onde donnée comprise dans l'image hyper-spectrale générée par le capteur.
5. Dispositif de compensation selon l'une quelconque des revendications 1 à 3, dans lequel l'image de référence est une image comprise dans l'image hyper-spectrale réduite générée par le moyen de calcul (2).
6. Dispositif de compensation selon l'une quelconque des revendications 1 à 5, dans lequel le moyen de calcul (2) comprend au moins un moyen de calcul (4) d'une poursuite de projection, et au moins un moyen de réalisation (5) d'une séparation à vaste marge.
7. Dispositif de compensation selon l 'une quelconque des revendications 1 à 4, dans lequel le moyen de calcul (2) comprend au moins un moyen d' analyse ( 12) en composantes indépendantes.
8. Application du dispositif d' analyse selon l 'une des revendications 1 à 7, à la détection de lésions cutanées d'un être humain, l ' image de référence est acquise par un capteur dans une longueur d' onde située dans le domaine infrarouge.
9. Application du dispositif d ' analyse selon l 'une des revendications 1 à 7, à la détection de lésions cutanées d'un être humain, l ' image de référence est acquise par un capteur dans une longueur d' onde située dans le domaine proche infrarouge.
10. Application du dispositif d' analyse selon la revendication 1 à 6, à la détection de lésions cutanées d'un être humain, l ' image de référence correspond à une image composite issue de la poursuite de proj ection correspondant à la projection sur un vecteur d' images réalisées dans l ' infrarouge et le proche infrarouge.
1 1 . Procédé de compensation du relief d' au moins une image hyper-spectrale provenant d' au moins un capteur apte à produire au moins une image hyper-spectrale dans au moins deux longueurs d' ondes,
comprenant au moins une étape de calcul apte à classer les pixels de l 'image hyper-spectrale issue du capteur en fonction d'une relation de classement à deux états, et une étape d' affichage apte à afficher au moins une image fonction des pixels classés provenant de l ' étape de calcul,
caractérisé en ce que l ' étape de calcul comprend une étape de compensation du relief en fonction d' au moins une image de référence.
12. Procédé de compensation selon la revendication 1 1 , dans lequel, au cours de l ' étape de compensation du relief, on combine linéairement une image de référence avec une image hyper-spectrale.
13. Procédé de compensation selon la revendication 12, dans lequel on combine linéairement une image de référence avec une image hyper-spectrale en combinant linéairement l'intensité de chacun des pixels de chaque longueur d'onde de l'image hyper-spectrale avec l'intensité du pixel correspondant de l'image de référence.
14. Procédé de compensation selon l'une quelconque des revendications 11 à 13, dans lequel l'image de référence est une image d'une longueur d'onde donnée comprise dans l'image hyper-spectrale générée par le capteur.
15. Procédé de compensation selon l'une quelconque des revendications 11 à 13, dans lequel l'image de référence est une image comprise dans l'image hyper-spectrale réduite issue de l'étape de calcul d'une poursuite de projection.
16. Procédé de compensation selon l'une quelconque des revendications 11 à 15, dans lequel l'étape de calcul comprend au moins une étape de calcul d'une poursuite de projection, et au moins une étape de réalisation d'une séparation à vaste marge.
17. Procédé de compensation selon l'une quelconque des revendications 11 à 14, dans lequel l'étape de calcul comprend au moins une étape d'analyse (13) en composantes indépendantes.
EP10776626A 2009-10-29 2010-10-28 Dispositif et procédé de compensation de relief d'images hyper-spectrales Withdrawn EP2494521A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR0957626A FR2952217B1 (fr) 2009-10-29 2009-10-29 Dispositif et procede de compensation de relief d'images hyper-spectrales.
PCT/EP2010/066342 WO2011051383A1 (fr) 2009-10-29 2010-10-28 Dispositif et procede de compensation de relief d'images hyper-spectrales

Publications (1)

Publication Number Publication Date
EP2494521A1 true EP2494521A1 (fr) 2012-09-05

Family

ID=42077050

Family Applications (1)

Application Number Title Priority Date Filing Date
EP10776626A Withdrawn EP2494521A1 (fr) 2009-10-29 2010-10-28 Dispositif et procédé de compensation de relief d'images hyper-spectrales

Country Status (6)

Country Link
US (1) US20120242858A1 (fr)
EP (1) EP2494521A1 (fr)
JP (1) JP2013509630A (fr)
CA (1) CA2778676A1 (fr)
FR (1) FR2952217B1 (fr)
WO (1) WO2011051383A1 (fr)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8600213B2 (en) * 2011-10-26 2013-12-03 Xerox Corporation Filtering source video data via independent component selection
EP3115925A1 (fr) * 2015-07-07 2017-01-11 Vito NV Procédé et système pour la transformation d'images spectrales
KR102441334B1 (ko) 2017-08-01 2022-09-06 삼성전자주식회사 생체 정보 처리 장치 및 방법
KR102510174B1 (ko) 2017-09-13 2023-03-14 삼성전자주식회사 질병 예측 모델 생성 장치, 질병 예측 장치 및 방법

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5782770A (en) 1994-05-12 1998-07-21 Science Applications International Corporation Hyperspectral imaging methods and apparatus for non-invasive diagnosis of tissue for cancer
US6081612A (en) 1997-02-28 2000-06-27 Electro Optical Sciences Inc. Systems and methods for the multispectral imaging and characterization of skin tissue
US6750964B2 (en) * 1999-08-06 2004-06-15 Cambridge Research And Instrumentation, Inc. Spectral imaging methods and systems
US6810279B2 (en) * 2000-11-07 2004-10-26 Hypermed, Inc. Hyperspectral imaging calibration device
AU2002243602A1 (en) 2001-01-19 2002-07-30 U.S. Army Medical Research And Materiel Command A method and apparatus for generating two-dimensional images of cervical tissue from three-dimensional hyperspectral cubes
CA3031088A1 (fr) * 2004-11-29 2006-06-01 Hypermed Imaging, Inc. Imagerie medicale en hyperespace spectral destinee a l'evaluation de tissus et de tumeurs
EP2237189B1 (fr) * 2005-01-27 2018-08-01 Cambridge Research & Instrumentation, Inc. Classification des propriétés d'images
WO2008103918A1 (fr) 2007-02-22 2008-08-28 Wisconsin Alumni Research Foundation Spectromètre à imagerie pour la détection précoce du cancer de la peau

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See references of WO2011051383A1 *

Also Published As

Publication number Publication date
FR2952217B1 (fr) 2011-12-30
US20120242858A1 (en) 2012-09-27
JP2013509630A (ja) 2013-03-14
WO2011051383A1 (fr) 2011-05-05
CA2778676A1 (fr) 2011-05-05
FR2952217A1 (fr) 2011-05-06

Similar Documents

Publication Publication Date Title
EP2494520A1 (fr) Procede et dispositif d'analyse d'images hyper-spectrales.
US8013991B2 (en) Raman difference spectra based disease classification
US6690817B1 (en) Spectral bio-imaging data for cell classification using internal reference
Liu et al. Automated tongue segmentation in hyperspectral images for medicine
WO2013098512A1 (fr) Procédé et dispositif de détection et de quantification de signes cutanés sur une zone de peau
WO2011103576A1 (fr) Imagerie de la réflectance et analyse visant à évaluer la pigmentation tissulaire
EP3714399A1 (fr) Dispositif de détection hyperspectrale
WO2020127422A1 (fr) Dispositif de détection hyperspectrale
US20080319712A1 (en) Discrete principal component analysis (dpca)
EP2494521A1 (fr) Dispositif et procédé de compensation de relief d'images hyper-spectrales
Galeano et al. Analysis of multispectral images of excised colon tissue samples based on genetic algorithms
CA3095089A1 (fr) Methode de detection de cellules presentant au moins une anomalie dans un echantilllon cytologique
US20230162354A1 (en) Artificial intelligence-based hyperspectrally resolved detection of anomalous cells
EP3956712B1 (fr) Dispositif de microscopie holographique hyperspectrale par fusion de capteurs
WO2012098225A1 (fr) Determination de l'efficacite d ' un traitement
Deal et al. Excitation-scanning hyperspectral imaging as a means to discriminate various tissues types
WO2017153700A1 (fr) Procédé de traitement d'images
Kumar et al. Segmentation of Spectral Plant Images Using Generative Adversary Network Techniques. Electronics 2022, 11, 2611
EP4305587A1 (fr) Filtrage d'imagerie spectrale avec inter-contamination spectrale minimale
Burguete-Lopez et al. Real-time simultaneous refractive index and thickness mapping of sub-cellular biology at the diffraction limit
Johansen Leveraging Computer Vision for Applications in Biomedicine and Geoscience
FR3091816A1 (fr) Dispositif pour la caractérisation et la comparaison de zones érythémales
FR2997536A1 (fr) Procede et systeme d'estimation d'un indice de severite differentiel d'une pathologie exprimant une alteration cutanee
WO2010081972A1 (fr) Dispositif et procédé de caractérisation d'une surface de peau
WO2012098227A1 (fr) Determination par analyse en composantes independantes de l'efficacite d'un traitement

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

17P Request for examination filed

Effective date: 20120323

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAX Request for extension of the european patent (deleted)
RIN1 Information on inventor provided before grant (corrected)

Inventor name: DESCOMBES, XAVIER

Inventor name: ZERUBIA, JOSIANE

Inventor name: ZUGAJ, DIDIER

Inventor name: PETIT, LAURENT

Inventor name: PRIGENT, SYLVAIN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20150501