WO2001031582A1 - Procede de traitement d'images en presence de bruit structure et de bruit non-structure - Google Patents

Procede de traitement d'images en presence de bruit structure et de bruit non-structure Download PDF

Info

Publication number
WO2001031582A1
WO2001031582A1 PCT/FR2000/003007 FR0003007W WO0131582A1 WO 2001031582 A1 WO2001031582 A1 WO 2001031582A1 FR 0003007 W FR0003007 W FR 0003007W WO 0131582 A1 WO0131582 A1 WO 0131582A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
noise
points
structures
structured
Prior art date
Application number
PCT/FR2000/003007
Other languages
English (en)
Inventor
Mathieu Dancre
Ludovic Oriol
Jean Sequeira
Original Assignee
Commissariat A L'energie Atomique
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 Commissariat A L'energie Atomique filed Critical Commissariat A L'energie Atomique
Priority to EP00974589A priority Critical patent/EP1151414A1/fr
Priority to JP2001534090A priority patent/JP2003512874A/ja
Publication of WO2001031582A1 publication Critical patent/WO2001031582A1/fr

Links

Classifications

    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/755—Deformable models or variational models, e.g. snakes or active contours
    • 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
    • G06T2207/10132—Ultrasound image

Definitions

  • the invention relates to a method for
  • the invention finds applications in the fields of ultrasound imaging and electromagnetic imaging for analyzing 2D or 3D images and providing representations of the object captured in images,
  • the invention can be applied in the medical field, for the diagnosis, by ultrasound, of a disease or else
  • the invention can also be applied in the nuclear field, for the inspection of a fast neutron reactor vessel in service, in order to visualize the submerged metal structures,
  • the image acquired by such a device must then be interpreted by the user to diagnose the state of the object.
  • the sonographer must know how to interpret ultrasound images to detect a malformation of the fetus or any other abnormality.
  • HOUGH transform Another method for analyzing structured noise is the HOUGH transform, which is described in particular by H. MAITRE in “an overview of the HOUGH transformation", Signal processing, 2, n ° 4, 1984, or even in “ A survery of the HOUGH Transform and its extensions for curve detection ”, by A. lANNINO and SD SHAPIRO, Pattern Recognition and Image Processing, pages 32 - 38, 1978.
  • This method consists in transforming a problem of pattern recognition into a problem of finding maxima.
  • the object of the invention is precisely to propose a method for processing intensity images representative of an object whose contours are disturbed by structured noise and unstructured noise.
  • specular echo for a transmitter-receiver couple, the specular point on a given surface is that which defines the shortest path between the transmitter and the receiver passing through this point of the surface (FERMAT principle). This point is actually associated with a spot characteristic of the imaging system (opening of the antennas) and of the geometry of the object surface at the theoretical specular point, creating a cloud of points in the volume; - diffracted echo: when the object has sharp edges, a diffraction phenomenon occurs.
  • the reflected wave propagates in privileged directions, thus contributing locally to highlights;
  • - backscattered echo this echo only exists for rough structures, the roughness scale of which is close to that of the wavelength;
  • echoes are likely to be found in the digital volume formed after the acquisition of the image. Some of these echoes are semantically and visually rich in information: they are what allow the human brain to reconstruct the scene captured in images. These are, in particular, diffracted and backscattered echoes.
  • the image processing proposed by the invention is precisely based on the identification of these different types of echoes.
  • the method of the invention seeks to eliminate the background noise while retaining the backscattered echoes, to eliminate the phantom echoes (namely the structured noise) while retaining the information relevant given by the backscattered and diffracted echoes and to correctly dissociate the specular echoes from the diffracted echoes.
  • the invention relates to a method for processing a 2D or 3D image representative of an object whose contours are disturbed by structured noise and unstructured noise, characterized in that it consists in extracting from the image, the active contour (or relevant contour) of the object by the following steps: a) elimination, on the initial image, of unstructured noise having an amplitude close to that of the contours of the object to be extracted, by thresholding, by a maximum of entropy, a unimodal histogram representative of the distribution of the amplitudes in the image, thus providing a binarized image; b) analysis of the structured noise of the image, from the binarized image, by eliminating the fine structures and by filling the holes of the thick structures extracted in step a) to provide an image with significant structures; c) recognition of the edges of the object by characterizing, on the image with significant structures, the structured noise associated with diffraction echoes and the structured noise associated with specular echoes, by extracting and locating the diffraction echoes
  • the characterization of the structured noise associated with diffraction echoes is carried out on the basis of a parameter ⁇ measuring the rate of change of the minima in depth r m ⁇ n extracted for each azimuth ⁇ ⁇ . of a connected component CC, with
  • N is the number of points CC
  • ⁇ indicating the orientation of the characteristic points
  • step d) of optimizing the contour is carried out by the following function:
  • step a) consists in applying the KAPUR method (described later) to amplitude images, in which the entropies are determined from a number of states fixed a priori.
  • FIG. 2 shows the structures to be extracted in step b) of the method of the invention
  • FIG. 3 represents an example of an object immersed in an acquisition volume, an object whose surface representation is sought to be determined; and FIGS. 4A - 4F represent the different images obtained, for the object of FIG. 3, during the process of the invention.
  • the method of the invention generally consists in enabling automatic detection
  • the method of the invention consists, from a digital image
  • the background cells essentially contain background noise (low-frequency unstructured noise) and cannot be used to characterize the surfaces of objects. information
  • the invalidated cells do not characterize the ultrasonic information visually and semantically rich, but can however contain it.
  • the method of the invention therefore proposes to identify the different types of echoes by characterization and classification of the different cells of the digital volumes obtained after acquisition of the ultrasonic image of the object studied. This is achieved through the following four steps: a) an analysis of unstructured noise, i.e. background noise; b) an analysis of the structured noise, that is to say a detection of the multiple reflections and of the signature of the object; c) recognition of the edges of the object from the image obtained in b); and d) recognition of the surfaces of the object from the raw image (or initial image) and from the images obtained in steps b) and c).
  • unstructured noise i.e. background noise
  • b) an analysis of the structured noise that is to say a detection of the multiple reflections and of the signature of the object
  • recognition of the edges of the object from the image obtained in b recognition of the edges of the object from the image obtained in b
  • recognition of the surfaces of the object from the raw image (or initial image) and from the images obtained in steps b
  • the images processed by the method of the invention can be two-dimensional or three-dimensional. They can be of the ultrasonic or electromagnetic type. However, to simplify the description, the invention will be described only in the case of a two-dimensional ultrasonic image described in polar coordinates.
  • the images processed by the method of the invention are intensity images or, more precisely, amplitude images in the sense that what is displayed corresponds to an intensity which codes for the amplitude.
  • FIG. 1 schematically represents the different stages of the method of the invention.
  • Block a corresponds to the analysis of unstructured noise; after this step a) an image II is obtained on which the diffracted and specular echoes are physically characterized.
  • Block b corresponds to the analysis of structured noises which makes it possible to obtain, on an image 12, the geometric characterization of these diffracted and specular echoes.
  • Block c represents the operation of recognizing the edges of the object by determining the invalid areas of image 12 and the characteristic points of the outline of the object.
  • block d represents the recognition of the surfaces of the object, with the determination of the active contour of the object.
  • block e represents the geometric model representing the surface of the object studied.
  • Step a) consists in physically characterizing the unstructured noise. This can be of two types:
  • this step a) is to characterize the background cells, that is to say the cells which essentially contain background noise, namely unstructured low frequency noise; these cells cannot be used to characterize the surfaces of the object studied.
  • this step a) consists of a binarization adapted to a digital volume.
  • This binarization is achieved by a thresholding of a unimodal histogram by maximum of entropy, cut by cut.
  • the invention proposes to use the known KAPUR method to eliminate background noise in quantized images in gray levels and to adapt it to intensity images.
  • the KAPUR method is described in the document entitled “a new method for Gray-Level Picture Thresholding using the Entropy of the histogram”, by JN KAPUR et al., Published in computer vision, graphies, and image processing, n ° 29, 273 - 285, 1985. According to the invention, the method of
  • KAPUR has been modified so that it can be adapted to intensity images, not quantified in gray levels.
  • the modification relates to the intra-class posterior entropy which is calculated on a number of states fixed a priori, so as to modify the quantification of the intra-class histograms as a function of the intensity binarization threshold.
  • Step b) of the method of the invention consists of a structural analysis of the image of the object, or analysis of structured noise. Unlike unstructured noise which is characterized physically, structured noise is characterized geometrically. The analysis of structured noise is therefore made from the binarized image obtained in step a).
  • Structural analysis can be carried out according to two distinct methods: by a mathematical morphology or by a HOUGH transform.
  • the HOUGH transform designates a method which makes it possible to detect the presence of forms belonging to a family of simple parametric curves (in 2D) or of simple parametric surfaces (in 3D) and this, from a binary image or a set of characteristic points previously extracted. It is a statistical method making it possible to transform a problem of pattern recognition into a problem of finding maxima.
  • a priori we use a simple form, called a structuring element, to extract shapes, two-dimensional or three-dimensional, interpretable. It is an inductive approach which consists in exploiting what one is looking for. The displacement of this structuring element in the structured set supposes an inclusion relation between the definition spaces of the two sets.
  • the structural analysis method used is mathematical morphology, which makes it possible to detect globally triangular structures associated with edge echoes and rather rectangular structures associated with specular echoes.
  • the mathematical morphology allows, by an opening operation, to soften the contours and, in particular, to remove small structures.
  • This opening operation conventionally consists in eroding a set of cells with a structuring element, then in dilating the whole resulting from this erosion using the same structuring element.
  • a classic morphological closure operation consists of expansion, then erosion by a structuring element.
  • the closure helps fill gaps; the image resulting from this transformation contains the initial shape.
  • the process of the invention proposes using erosion with a small structuring element to eliminate both the remaining background noise and the backscattering information processed subsequently. There remain, then, only the structures associated with the diffraction streaks and the specular streaks. In order to plug the holes observed mainly in the diffraction streaks, the invention proposes to use an expansion by a larger 3D structuring element. Taking such a structuring element makes it possible to extract solid and significant structures with the aim of discriminating specular echoes - diffracted echoes.
  • diffracted echoes contain topological information, unlike specular echoes. It is therefore important to be able to discriminate the structures resulting from specular echoes from the structures resulting from diffracted echoes in order to be able to determine, among all the structures, those which contain important information, namely information relating to the edges of the object.
  • this recognition of the edges of the object is carried out by detecting the depth minima which correspond to characteristic points, then closing, or modeling, all of these characteristic points.
  • a diffraction structure is generally triangular while a specular structure is generally rectangular. It is therefore important to properly characterize the triangular structures.
  • Each triangle is characterized by its vertices: the vertex of minimum depth corresponds to a corner of the front face of the object, the other vertex of neighboring polar angle corresponds to the corner of the rear face located on the same side face as the front corner. The position of the third vertex relative to the other two indicates on which side to look for the surface information.
  • FIG. 2 represents precisely such rectangular R and triangular structures Tl and T2.
  • the triangular structure Tl shows that we have to look
  • the discrimination between triangular and rectangular components is then carried out thanks to a first parameter ⁇ measuring the rate of variation of the minima in depth r rain extracted for each azimuth ⁇ ⁇ from a connected component CC:
  • N is the number of CC points.
  • the front face of the redundancy structure (vis-à-vis the incident waves) is almost plane and the connected component is interpreted as the significant drag of a specular echo. If ⁇ is close to 0.5, the front face is inclined and corresponds to the hypotenuse of the desired diffraction triangle.
  • ⁇ indicates whether the lower limit in depth of a connected diffraction component is located on the side of the azimuths lower or higher than the median azimuth of the component:
  • i a is the azimuth of the point of minimum depth of CC
  • iamix and iamax are, respectively, the minimum and maximum azimuths of the studied component.
  • ⁇ and ⁇ are the two characteristic parameters of 2D connected diffraction components from which it is possible to extract the point of minimum depth labeled at + 1 depending on whether the surface to be extracted is to the right or to the left of the point.
  • the method of the invention then proposes a step d) of recognizing the surfaces of the object.
  • This recognition of surfaces is established from the image obtained in c) of the edges of the object and from the image of significant structures obtained after step b).
  • this surface recognition is translated by the detection of plane curves from snap points (or characteristic points) and, in 3D, by the detection of surfaces from left snap curves.
  • this step d) firstly consists in initializing the “active” contours of the object, in other words, the actual contours of the object. For this, we consider the characteristic points of the linked list determined in step c) as the ends of the curves to be extracted and we look for other attachment points for the initial contours, also called interior points, which do not belong at the edges determined in step c).
  • the points in the linked list to match must be of opposite labels.
  • the succession of two points of the same label means that one outline hides another. This simplification results in the exclusive treatment of the pairs of points, of opposite labels, successive in the linked list.
  • the missing edge is initialized by the point of shallowest depth.
  • the optimization of the active contours consists in choosing a deformable model which integrates the structure of the volume cuts: an active contour is sought in the form of a polar 2D graph, with coordinates (p, ⁇ ).
  • the optimization method, according to the invention, is based on the active contour stated from the EULER-LAGRANGE theorem with the following functional:
  • the adopted discretization constrains the points of the model to remain on their line in depth. Only a local approximation of the intensities on the depth lines will guide the displacement of the points against the internal regulating force, which acts more on a regularity according to the azimuths.
  • the advantage of this constraint is to obtain a good distribution of points even if the difference between the points is not strictly constant.
  • Boundary conditions are fixed by p ( ⁇ o), p '( ⁇ o), p ( ⁇ ), p' ( ⁇ ), which guarantee the uniqueness of the solution of the differential system of order 4.
  • R (t) [p (0, t), p ( ⁇ , t), ..., p ( ⁇ ⁇ t)],
  • F (t) - is the derivative at each point of the active contour a P of a cubic B-spline approximating each line in depth crossed by the curve, and A is a pentadiagonal matrix in the case of open active contours (with ends free or fixed), symmetrical band:
  • h is the average distance between two points of the active contour at time t.
  • Figures 3 and 4A to 4F show an example of application of the method of the invention. More specifically, Figure 3 shows a flat plate which is sought to obtain a good representation. This flat plate has a length of 0.8 m, a width of 0.7 m and a thickness of 0.02 m. For the example considered, it is placed 2 m from the imaging system.
  • the digital volumes shown are limited to the areas of good performance of the imaging system, namely over an area ranging from + 15 ° in azimuths with a step of 0.25 °, from -5 ° to + 1 ° in sites with also a step of 0.25 °, and a field in depth ranging from 1.98 m to 2.1 m discretized on 101 points.
  • FIGS. 4A to 4F show the different representations of the object obtained during the process. More specifically, FIG. 4A represents the ultrasonic image of the planar plate, seen from above. FIG. 4B represents the image obtained after step a) of analysis of the unstructured noise.
  • FIGS. 4C and 4D represent the binarized images obtained, respectively, during step b) and at the end of this step b) of analysis of structured noise.
  • FIG. 4C corresponds to the image obtained after the erosion operation of image 4B by small structuring elements
  • FIG. 4D represents the image obtained after expansion by a large structuring element.
  • FIG. 4E represents the flat plate after step c) of recognition of the edges of the object
  • FIG. 4F shows the active contour of the flat plate, obtained at the end of the process of the invention.

Abstract

L'invention concerne un procédé de traitement d'une image 2D ou 3D représentative d'un objet dont les contours sont perturbés par du bruit structuré et du bruit non-structuré, caractérisé en ce qu'il consiste à extraire de l'image, le contour actif de l'objet par les étapes suivantes: a) analyse du bruit non structuré, c'est-à-dire du bruit de fond; b) analyse du bruit structuré, c'est-à-dire détection des réflexions multiples et de la signature de l'objet; c) reconnaissance des bords de l'objet à partir de l'image obtenue en b); et d) reconnaissance des surfaces de l'objet à partir de l'image brute (ou image initiale) et des images obtenues aux étapes b) et c).

Description

PROCEDE DE TRAITEMENT D'IMAGES
EN PRESENCE DE BRUIT STRUCTURE
ET DE BRUIT NON-STRUCTURE
5 DESCRIPTION
Domaine de 1 ' invention
L'invention concerne un procédé pour
10 traiter des images représentatives d'objets dont les contours sont perturbés par du bruit structuré et du bruit non-structuré. Ce procédé consiste à extraire et à contrôler l'information surfacique d'objets immergés dans un milieu liquide opaque à partir d'images
15. bidimensionnelles ou tridimensionnelles.
L'invention trouve des applications dans les domaines de l'imagerie ultrasonore et de l'imagerie électromagnétique pour analyser des images 2D ou 3D et fournir des représentations de l'objet pris en image,
20 qui ne nécessitent aucune connaissance particulière et aucune interprétation de la part de l'utilisateur.
Par exemple, l'invention peut être appliquée dans le domaine médical, pour le diagnostique, par échographie, d'une maladie ou bien
25 d'une malformation ou pour la surveillance médicale.
L'invention peut aussi être appliquée dans le domaine du nucléaire, pour l'inspection d'une cuve de réacteur à neutrons rapides en service, afin de visualiser les structures métalliques immergées, de
30 contrôler les manipulations mécaniques et la recherche d'objets perdus dans la cuve du réacteur. Etat de la technique
Il existe actuellement, dans le domaine de l'imagerie ultrasonore, de nombreux dispositifs de visualisation ou de prise d'images d'un objet immergé dans un liquide opaque.
L'un de ces dispositifs est décrit notamment dans la demande de brevet française n° FR-A-2 755 242, déposée au nom du demandeur. Ce dispositif permet de former des volumes numériques contenant l'information surfacique relative à l'objet immergé, après acquisition d'échos ultrasonores par un dispositif de focalisation orthogonale multi-éléments à l'émission et à la réception.
L'image acquise par un tel dispositif doit ensuite être interprétée par l'utilisateur pour diagnostiquer l'état de l'objet.
Par exemple, dans le cas d'un fœtus visualisé par échographie, le médecin échographiste doit savoir interpréter les images ultrasonores pour détecter une malformation du foetus ou toute autre anomalie .
Une erreur d'interprétation de l'utilisateur peut, dans certains cas, avoir des conséquences dramatiques .
Il serait donc intéressant de pouvoir offrir à l'utilisateur des représentations de l'objet immergé ne nécessitant aucune connaissance particulière sur le système d'imagerie. Or, il n'existe actuellement aucune méthode permettant d'extraire de l'image ultrasonore, l'information surfacique relative à l'objet, pour fournir une représentation fiable de cet objet sans nécessiter d'interprétation de la part de l'utilisateur. II existe bien sûr des méthodes pour analyser le bruit non-structuré, c'est-à-dire le bruit de fond, sur une image ultrasonore ou électromagnétique. Ces méthodes consistent généralement en un filtrage, linéaire ou non, pour éliminer le bruit de haute fréquence et extraire les contours des structures dans l'image. Elles peuvent consister aussi en un seuillage pour éliminer les composantes continues .
Il existe, par ailleurs, des méthodes connues pour analyser les bruits structurés, c'est-à-dire les artefacts, des images. L'une de ces méthodes consiste en une morphologie mathématique, telle que décrite dans l'ouvrage de G. MATHERON, intitulé « Random sets and intégral geometry », ILEY, New York, 1975, ou dans l'ouvrage intitulé « Image analysis and mathematical morphology » de B. SERRA, London Académie Press, 1982. En quelques mots, cette méthode consiste à utiliser une forme simple, appelée élément structurant, qui est déplacée dans l'ensemble de la structure de l'image, pour en extraire des formes, 2D ou 3D, interprétables.
Une autre méthode d'analyse du bruit structuré est la transformée de HOUGH, qui est décrite notamment par H. MAITRE dans « un panorama de la transformation de HOUGH », Traitement du signal, 2, n° 4, 1984, ou encore dans « A survery of the HOUGH Transform and its extensions for curve détection », de A. lANNINO et S. D. SHAPIRO, Pattern Récognition and Image Processing, pages 32 - 38, 1978. Cette méthode consiste à transformer un problème de reconnaissance de formes en un problème de recherche des maxima.
Aucune de ces méthodes ne permet, à la fois, d'analyser les bruits structurés et non structurés et de reconnaître l'information pertinente relative à la structure de l'objet mis en image. De plus, les méthodes décrites précédemment sont adaptées pour traiter des images quantifiées en niveaux de gris. Elles ne sont pas adaptées pour traiter des images d'intensité non numérisée.
Exposé de 1 ' invention
L'invention a justement pour but de proposer un procédé pour traiter des images d'intensité représentatives d'un objet dont les contours sont perturbés par du bruit structuré et du bruit non-structuré.
Nous rappelons, à toutes fins utiles, que les bruits structurés et non-structurés sont constitués, notamment, de différents types d'échos. Dans une image ultrasonore ou électromagnétique, on peut trouver les échos suivants : écho spéculaire : pour un couple émetteur-récepteur, le point spéculaire sur une surface donnée est celui qui définit le plus court chemin entre l'émetteur et le récepteur passant par ce point de la surface (principe de FERMAT). Ce point est en réalité associé à une tache caractéristique du système d'imagerie (ouverture des antennes) et de la géométrie de la surface d'objet au point spéculaire théorique, créant un nuage de points dans le volume ; - écho diffracté : lorsque l'objet présente des arêtes vives, un phénomène de diffraction se produit. L'onde réfléchie se propage dans des directions privilégiées, contribuant ainsi localement à des surbrillances ; - écho rétrodiffusé : cet écho n'existe que pour des structures rugueuses, dont l'échelle de rugosité est proche de celle de la longueur d'onde ;
- écho fantôme (artefacts) : sa présence est liée à des faces suffisamment proches (relativement à la fenêtre d'acquisition) pour introduire de fausses surfaces dans l'image par des réflexions multiples entre ces faces.
Ces quatre types d'échos sont susceptibles de se retrouver dans le volume numérique formé après l'acquisition de l'image. Certains de ces échos sont sémantiquement et visuellement riches en informations : ce sont eux qui permettent au cerveau humain de reconstruire la scène prise en image. Il s'agit, en particulier, des échos diffractés et rétrodiffuses . Le traitement d'images proposé par l'invention est justement basé sur l'identification de ces différents types d'échos.
Le procédé de l'invention cherche à éliminer le bruit de fond tout en conservant les échos rétrodiffuses, à éliminer les échos fantômes (à savoir le bruit structuré) tout en conservant l'information pertinente donnée par les échos rétrodiffuses et diffractés et à dissocier correctement les échos spéculaires des échos diffractés.
Plus précisément, l'invention concerne un procédé de traitement d'une image 2D ou 3D représentative d'un objet dont les contours sont perturbés par du bruit structuré et du bruit non-structuré, caractérisé en ce qu'il consiste à extraire de l'image, le contour actif (ou contour pertinent) de l'objet par les étapes suivantes : a) élimination, sur l'image initiale, du bruit non-structuré ayant une amplitude voisine de celle des contours de l'objet à extraire, en seuillant, par un maximum d'entropie, un histogramme unimodal représentatif de la distribution des amplitudes dans l'image, fournissant ainsi une image binarisée ; b) analyse du bruit structuré de l'image, à partir de l'image binarisée, en éliminant les structures fines et en remplissant les trous des structures épaisses extraites à l'étape a) pour fournir une image à structures significatives ; c) reconnaissance des bords de l'objet en caractérisant, sur l'image à structures significatives, le bruit structuré associé à des échos de diffraction et le bruit structuré associé à des échos spéculaires, en extrayant et en localisant les échos de diffraction des structures significatives de l'image, formant ainsi un ensemble de points caractéristiques, puis en modélisant l'ensemble de ces points caractéristiques selon une liste chaînée de points ; et d) reconnaissance des surfaces de l'objet, à partir de 1 ' image obtenue en c ) , en déterminant des points caractéristiques supplémentaires, intérieurs à la liste chaînée de points, ces points caractéristiques supplémentaires étant des extrêma d'amplitude déterminés à partir de l'image initiale et de l'image à structures significatives, puis en optimisant le contour formé par l'ensemble des points caractéristiques . Avantageusement, la caractérisation du bruit structuré associé à des échos de diffraction est réalisée à partir d'un paramètre α mesurant le taux de variation des minima en profondeur rmιn extraits pour chaque azimut θα. d'une composante connexe CC, avec
- Y B r (θ ) - inf(r (θ ), θ E CC) α = N sup(rmιn (θ / θι E CC) - inf(raιa (θ1 )r θ1 E CC) '
où N est le nombre de points CC, et d'un paramètre β indiquant l'orientation des points caractéristiques avec
Figure imgf000009_0001
où ia est l'azimut du point de profondeur minimale de CC, iamin et iamax sont, respectivement, les azimuts minimum et maximum de CC. Selon un mode de réalisation du procédé de l'invention, l'étape d) d'optimisation du contour est réalisée par la fonction suivante :
Figure imgf000010_0001
où p et θ sont les coordonnées polaires du point considéré, I est l'intensité en ce point, λ est un terme de pondération de prise en compte de l'intensité des points dans le processus d'optimisation, et où α et β ont des valeurs différentes selon que le point considéré est dans une zone de bruit structuré ou dans une zone de bruit non-structuré.
Selon un mode de réalisation du procédé de l'invention, l'étape a) consiste à appliquer la méthode de KAPUR (décrite ultérieurement) à des images d'amplitude, dans laquelle les entropies sont déterminées à partir d'un nombre d'états fixé à priori.
Brève description des figures
- La figure 1 représente schématiquement le diagramme fonctionnel du procédé de l'invention ;
- la figure 2 représente les structures à extraire dans l'étape b) du procédé de l'invention ;
- la figure 3 représente un exemple d'objet immergé dans un volume d'acquisition, objet dont on cherche à déterminer la représentation surfacique ; et les figures 4A - 4F représentent les différentes images obtenues, pour l'objet de la figure 3, au cours du procédé de l'invention.
5 Description détaillée de modes de réalisation de l'invention
Le procédé de l'invention consiste, d'une façon générale, à permettre la détection automatique
10 des défauts de surface de l'objet mis en image, puis la reconstruction de cet objet à partir d'une base de modèles .
En d'autres termes, le procédé de l'invention consiste, à partir d'une image numérique
15. brute, à invalider des zones pour effectuer une analyse structurelle du volume et préparer l'environnement d'une analyse fine par contours actifs. Après optimisation, les contours actifs modélisent les formes visuelles de haut niveau à introduire dans le
20 processus. Cela nécessite de décomposer les éléments d'image, appelés « cellules », en trois catégories : les cellules de fond, les cellules caractéristiques, les cellules invalidées.
Cette décomposition des cellules est
25 appelée aussi « étiquetage ».
Les cellules de fond contiennent essentiellement du bruit de fond (bruit non-structuré de basse fréquence) et ne peuvent servir à la caractérisation des surfaces d'objets. L'information
30 dans ces cellules n'est donc pas pertinente. L'ensemble des cellules caractéristiques constitue une information pertinente, mais partielle.
Les cellules invalidées ne caractérisent pas l'information ultrasonore visuellement et sémantiquement riche, mais peuvent toutefois en contenir.
Le procédé de l'invention propose donc d'identifier les différents types d'échos par une caractérisation et un classement des différentes cellules des volumes numériques obtenus après acquisition de l'image ultrasonore de l'objet étudié. Ceci est réalisé grâce aux quatre étapes suivantes : a) une analyse du bruit non structuré, c'est-à-dire du bruit de fond ; b) une analyse du bruit structuré, c'est-à-dire une détection des réflexions multiples et de la signature de l'objet ; c) une reconnaissance des bords de l'objet à partir de l'image obtenue en b) ; et d) une reconnaissance des surfaces de l'objet à partir de l'image brute (ou image initiale) et des images obtenues aux étapes b) et c).
Comme on l'a dit précédemment, les images traitées par le procédé de l'invention peuvent être bidimensionnelles ou tridimensionnelles. Elles peuvent être de type ultrasonore ou électromagnétique. Toutefois, pour simplifier la description, l'invention sera décrite uniquement dans le cas d'une image ultrasonore bidimensionnelle décrite en coordonnées polaires. De plus, les images traitées par le procédé de l'invention sont des images d'intensité ou, plus précisément, des images d'amplitude dans le sens où ce que l'on visualise correspond à une intensité qui code l'amplitude.
La figure 1 représente schématiquement les différentes étapes du procédé de l'invention.
Le bloc a correspond à l'analyse des bruits non-structurés ; on obtient, après cette étape a) une image II sur laquelle les échos diffractés et spéculaires sont caractérisés physiquement.
Le bloc b correspond à l'analyse des bruits structurés qui permet d'obtenir, sur une image 12, la caractérisation géométrique de ces échos diffractés et spéculaires .
Le bloc c représente l'opération de reconnaissance des bords de l'objet par détermination des zones invalides de l'image 12 et des points caractéristiques du contour de l'objet.
Les images obtenues en sortie des blocs a et c sont ensuite utilisées pour effectuer, dans le bloc d, la reconnaissance des surfaces de l'objet, avec la détermination du contour actif de l'objet. Enfin, le bloc e représente le modèle géométrique représentant la surface de l'objet étudié.
Les étapes a) à d) vont maintenant être décrites de façon plus précise. L'étape a) consiste à caractériser physiquement le bruit non-structuré. Celui-ci peut être de deux types :
- soit de haute fréquence : dans ce cas, il intervient sur les contours des structures dans
1 ' image ;
- soit de basse fréquence : dans ce cas, il apparaît grossièrement sous forme de composante continue dans l'image. Cette étape a) a pour but de caractériser les cellules de fond, c'est-à-dire les cellules qui contiennent essentiellement du bruit de fond, à savoir du bruit non-structuré de basse fréquence ; ces cellules ne peuvent servir à la caractérisation des surfaces de l'objet étudié.
Selon un mode de réalisation préféré de l'invention, cette étape a) consiste en une binarisation adaptée à un volume numérique. Cette binarisation est réalisée par un seuillage d'histogramme unimodal par maximum d'entropie, coupe par coupe. Plus précisément, l'invention propose d'utiliser la méthode de KAPUR connue pour éliminer les bruits de fond dans des images quantifiées en niveaux de gris et de l'adapter à des images d'intensités. La méthode de KAPUR est décrite dans le document intitulé « a new method for Gray-Level Picture Thresholding using the Entropy of the histogram », de J. N. KAPUR et al., publié dans computer vision, graphies, and image processing, n° 29, 273 - 285, 1985. Conformément à l'invention, la méthode de
KAPUR a été modifiée de façon à pouvoir s'adapter à des images d'intensité, non quantifiées en niveaux de gris. La modification porte sur l'entropie a posteriori intra-classe qui est calculée sur un nombre d'états fixé a priori, de façon à modifier la quantification des histogrammes intra-classes en fonction du seuil de binarisation des intensités.
On obtient ainsi, à la fin de l'étape a), une image binarisée, c'est-à-dire une image dont toutes les cellules sont à 0 ou 1. L'étape b) du procédé de l'invention consiste en une analyse structurelle de l'image de l'objet, ou analyse du bruit structuré. Contrairement au bruit non structuré qui est caractérisé physiquement, le bruit structuré est caractérisé géométriquement. L'analyse du bruit structuré se fait donc à partir de l'image binarisée obtenue à l'étape a).
L'analyse structurelle peut être réalisée selon deux méthodes distinctes : par une morphologie mathématique ou par une transformée de HOUGH.
La transformée de HOUGH désigne une méthode qui permet de détecter la présence de formes appartenant à une famille de courbes paramétriques simples (en 2D) ou de surfaces paramétriques simples (en 3D) et ce, à partir d'une image binaire ou d'un ensemble de points caractéristiques préalablement extraits. C'est une méthode statistique permettant de transformer un problème de reconnaissance de formes en un problème de recherche des maxima. En morphologie mathématique, on utilise a priori une forme simple, appelée élément structurant, pour extraire des formes, bidimensionnelles ou tridimensionnelles, interprétables. Il s'agit d'une démarche inductive qui consiste à exploiter ce que l'on recherche. Le déplacement de cet élément structurant dans l'ensemble structuré suppose une relation d'inclusion entre les espaces de définition des deux ensembles.
Dans le mode de réalisation préféré de l'invention, la méthode d'analyse structurelle utilisée est la morphologie mathématique, qui permet de détecter les structures globalement triangulaires associés à des échos de bord et les structures plutôt rectangulaires associées à des échos spéculaires.
De plus, la morphologie mathématique permet, par une opération d'ouverture, d'adoucir les contours et, notamment, de supprimer les petites structures. Cette opération d'ouverture consiste classiquement à éroder un ensemble de cellules par un élément structurant, puis à dilater l'ensemble résultant de cette érosion à l'aide du même élément structurant.
Parallèlement, une opération de fermeture morphologique, classique, consiste en une dilatation, puis une érosion par un élément structurant. La fermeture permet de combler des lacunes ; l'image résultante de cette transformation contient la forme initiale.
Après binarisation du volume numérique, l'information de rétrodiffusion restante est très morcelée et surtout de faible épaisseur au regard des coupes volumiques. C'est pourquoi, le procédé de l'invention propose d'utiliser une érosion par un petit élément structurant pour éliminer à la fois le bruit de fond restant et l'information de rétrodiffusion traitée ultérieurement. Restent, alors, uniquement les structures associées aux traînées de diffraction et aux traînées du spéculaire. Afin de boucher les trous observés principalement dans les traînées de diffraction, l'invention propose d'utiliser une dilatation par un plus gros élément structurant 3D. Prendre un tel élément structurant permet d'extraire des structures pleines et significatives dans le but d'une discrimination échos spéculaires - échos diffractés .
Le résultat attendu de cet enchaînement de transformations morphologiques est décrit sur la figure 2, où les structures de l'image sont surlignées d'un trait clair. Les résultats pratiques sont indiqués sur les figures 4B et 4C (décrites plus en détail ultérieurement), figures pour lesquelles le petit élément structurant choisi est composé de trois azimuts et trois profondeurs, tandis que le gros élément structurant est composé de trois azimuts et cinq profondeurs.
Ainsi, par mise en œuvre d'une ouverture modifiée (on change d'élément structurant entre l'érosion et la dilatation), on peut détecter le bruit structuré contenu dans les volumes numériques de l'image binarisée. On peut, en outre, localiser l'information de rétrodiffusion et éliminer le bruit non-structuré qui est resté après la binarisation. Le procédé de l'invention se poursuit par l'étape c) de reconnaissance des bords de l'objet.
On rappelle que l'analyse des bruits non-structurés et structurés des étapes a) et b) a permis la détection d'un ensemble de structures liées à la présence soit d'échos diffractés par les bords de l'objet, soit d'échos spéculaires.
Or, les échos diffractés contiennent une information topologique, à l'inverse des échos spéculaires. Il est donc important de pouvoir discriminer les structures résultant d'échos spéculaires des structures résultant d'échos diffractés afin de pouvoir déterminer, parmi toutes les structures, celles qui contiennent une information importante, à savoir une information relative aux bords de l'objet.
Selon l'invention, cette reconnaissance des bords de l'objet est réalisée par la détection des minima en profondeur qui correspondent à des points caractéristiques, puis la fermeture, ou la modélisation, de l'ensemble de ces points caractéristiques .
Or, comme expliqué à l'étape b), une structure de diffraction est globalement triangulaire tandis qu'une structure spéculaire est globalement rectangulaire. Il est donc important de bien caractériser les structures triangulaires. Chaque triangle est caractérisé par ses sommets : le sommet de profondeur minimale correspond à un coin de face avant d'objet, l'autre sommet d'angle polaire voisin correspond au coin de face arrière situé sur la même face latérale que le coin avant. La position du troisième sommet relativement aux deux autres indique de quel côté il faut chercher l'information de surface.
La figure 2 représente justement de telles structures rectangulaire R et triangulaires Tl et T2.
La structure triangulaire Tl montre qu'il faut chercher
1 ' information vers la droite de 1 ' image par rapport au point A ; la structure triangulaire T2 montre qu'il faut chercher l'information vers la gauche de l'image par rapport au point B. La discrimination entre composantes triangulaires et rectangulaires s'effectue alors grâce à un premier paramètre α mesurant le taux de variation des minima en profondeur rrain extraits pour chaque azimut θ± d'une composante connexe CC :
- ,τ jVf fl θι eccr mm(Vθ ι.)/ - inf( Vr min( Vθ 1.) /,' θ 1 E CC) α = N sup(rmιn(θ ,θι E CC) - inf(rmιn(θ ,θι E Ce) '
où N est le nombre de points de CC.
Si α est proche de 0, la face avant de la structure de redondance (vis-à-vis des ondes incidentes) est quasiment plane et la composante connexe est interprétée comme la traînée significative d'un écho spéculaire. Si α est proche de 0,5, la face avant est inclinée et correspond à l'hypoténuse du triangle de diffraction recherché.
Il faut ensuite connaître l'orientation globale du triangle afin d'indiquer de quel côté relativement à l'azimut du point extrait de la composante connexe de diffraction le contour est à rechercher. Pour cela, un deuxième paramètre β a été introduit ; il indique si la borne inférieure en profondeur d'une composante connexe de diffraction se situe du côté des azimuts inférieurs ou supérieurs à l'azimut médian de la composante :
Figure imgf000020_0001
où ia est l'azimut du point de profondeur minimale de CC, iamix et iamax sont, respectivement, les azimuts minimum et maximum de la composante étudiée.
Ainsi, α et β sont les deux paramètres caractéristiques de composantes connexes 2D de diffraction à partir desquelles il est possible d'extraire le point de profondeur minimale étiqueté à + 1 selon que la surface à extraire est à droite ou à gauche du point.
On construit finalement une liste chaînée de points caractéristiques étiquetés et ordonnés par azimuts croissants. Tous les autres points (ou cellules associées) appartenant aux structures de redondance sont alors invalidés.
Le procédé de l'invention propose, ensuite, une étape d) de reconnaissance des surfaces de l'objet. Cette reconnaissance de surfaces est établie à partir de l'image obtenue en c) des bords de l'objet et de l'image des structures significatives obtenue après l'étape b) . En 2D, cette reconnaissance de surfaces se traduit par la détection de courbes planes à partir de points d'accrochage (ou points caractéristiques) et, en 3D, par la détection de surfaces à partir de courbes gauches d'accrochage. Plus précisément, cette étape d) consiste tout d'abord en une initialisation des contours « actifs » de l'objet, autrement dit, des contours réels de l'objet. Pour cela, on considère les points caractéristiques de la liste chaînée déterminée à l'étape c) comme les extrémités de courbes à extraire et on cherche d'autres points d'accrochage des contours initiaux, appelés aussi points intérieurs, qui n'appartiennent pas aux bords déterminés à l'étape c).
Tout d'abord, les points de la liste chaînée à apparier doivent être d'étiquettes opposées. La succession de deux points de même étiquette signifie qu'un contour en cache un autre. Cette simplification se traduit par le traitement exclusif des couples de points, d'étiquettes opposées, successifs dans la liste chaînée. Par ailleurs, si le premier bord rencontré indique que l'objet se situe vers le bord du volume numérique, le bord manquant est initialisé par le point de plus faible profondeur.
Une fois la paire de points détectée, la recherche de points d'accrochage intérieurs se fait par détection d'extrema d'ordre (par exemple, d'ordre 20) non-invalides. On ajoute enfin un point par azimut intermédiaire de la grille polaire : celui qui se trouve juste en deçà de l'intersection du segment reliant deux points d'accrochage (intérieurs ou d'extrémité) par le rayon d'azimut donné. Cet ensemble de points est sujet à se mouvoir, chacun selon sa ligne en profondeur (à azimut fixé) et selon un processus d'optimisation qui va maintenant être décrit.
L'optimisation des contours actifs consiste à choisir un modèle deformable qui intègre la structure des coupes volumiques : un contour actif est recherché sous forme de graphe 2D polaire, avec des coordonnées (p, θ). La méthode d'optimisation, selon l'invention, s'appuie sur le contour actif énoncé à partir du théorème d'EULER-LAGRANGE avec la fonctionnelle suivante :
Figure imgf000022_0001
où p et θ sont les coordonnées polaires du point considéré, I est l'intensité en ce point, λ est un terme de pondération de prise en compte de l'intensité des points dans le processus d'optimisation, et où α et β ont des valeurs différentes selon que le point considéré est dans une zone de bruit structuré ou dans une zone de bruit non-structuré.
La discrétisation adoptée contraint les points du modèle à rester sur leur ligne en profondeur. Seule, une approximation locale des intensités sur les lignes en profondeur va guider le déplacement des points à l' encontre de la force interne régularisante, qui elle agit davantage sur une régularité selon les azimuts. L'intérêt de cette contrainte est d'obtenir une bonne répartition des points même si l'écart entre les points n'est pas rigoureusement constant.
En appliquant le théorème d'EULER-LAGRANGE pour la fonctionnelle E(p(θ)) donnée précédemment, on obtient l'équation fonctionnelle suivante :
Figure imgf000023_0001
Des conditions aux limites sont fixées par p(θo), p'(θo), p(θι), p'(θι), qui garantissent l'unicité de la solution du système différentiel d'ordre 4.
Plus le rapport α/β est grand, plus la courbe est rigide et courte, ce dont nous avons besoin dans les zones invalides. En outre, afin que l'énergie interne soit davantage prise en compte dans les zones invalides relativement à l'énergie externe, plutôt que de prendre β constant et d'augmenter ce, soit en pratique :
- si le point est valide => α = 1, β = 10 - si le point est invalide = α = 1, β = 100.
Lors de la diffraction, la dépendance temporelle du contour actif apparaît sous forme d'énergie cinétique dans l'équation différentielle :
ap a2p D a4p , aι(p(θ)) γ — - α —- + β —- = λ " at dθ' aθ4 ap où γ joue le rôle de poids de la courbe. Selon une discrétisation aux différences finies en θ et en t, l'équation différentielle précédente se transforme en système matriciel :
(A + Idκ J(t) = R(t - Δt) - λF(t - Δt) ,
Δt
où R(t) = [p(0, t), p(ΔΘ, t),..., p(Δθ\ t)],
Figure imgf000024_0001
F(t) = — est la dérivée en chaque point du contour aP actif d'une B-spline cubique approximant chaque ligne en profondeur traversée par la courbe, et A est une matrice pentadiagonale dans le cas de contours actifs ouverts (à extrémités libres ou fixes), de bande symétrique :
[ ai, i_2 ; aι( i_ι ; aι, i ; aι,i+ι ; aι, i+2 ]
avec
Figure imgf000025_0001
Si , il — ( -h2α± - 2βi_! - 2βi )
1 HL . L≈ — ( 2 ( ca. + α1+χ ) + βi_x + 4βi + βi+1 ) h
ai i+ι=- 1 ( -h2 ( αi+1 ) - 2βi - 2βi+1 ) h
aι, i+2 -
valable des lignes 2 à N - 2. Les lignes restantes sont déterminées par les conditions aux extrémités de la courbe. De plus, h est la distance moyenne entre deux points du contour actif à l'instant t.
Lorsque les étapes a), b) , c) et d) sont terminées, on obtient un modèle de contours actifs 2D qui intègre l'analyse structurelle dans ses paramètres de raideur et d'élasticité. Les figures 3 et 4A à 4F montrent un exemple d'application du procédé de l'invention. Plus précisément, la figure 3 représente une plaque plane dont on cherche à obtenir une bonne représentation. Cette plaque plane a une longueur de 0,8 m, une largeur de 0,7 m et une épaisseur de 0,02 m. Elle est disposée, pour l'exemple considéré, à 2 m du système d'imagerie. Les volumes numériques montrés sont restreints aux zones de bonne performance du système d'imagerie, à savoir sur une zone allant de +15° en azimuts avec un pas de 0,25°, de -5° à +1° en sites avec également un pas de 0,25°, et un champ en profondeur allant de 1,98 m à 2,1 m discrétisé sur 101 points.
Etant donné la forme de la plaque, lors de la prise d'image par un système d'imagerie ultrasonore, des réflexions multiples entre les différentes faces de la plaque vont créer différents échos. Ce sont ces échos que le procédé de l'invention cherche à caractériser pour obtenir une bonne représentation de la plaque. Les figures 4A à 4F montrent les différentes représentations de l'objet obtenues au cours du procédé. Plus précisément, la figure 4A représente l'image ultrasonore de la plaque plane, vue de dessus. La figure 4B représente l'image obtenue après l'étape a) d'analyse du bruit non-structuré.
Les figures 4C et 4D représentent les images binarisées obtenues, respectivement, au cours de l'étape b) et à la fin de cette étape b) d'analyse du bruit structuré. La figure 4C correspond à l'image obtenue après l'opération d'érosion de l'image 4B par de petits éléments structurants, et la figure 4D représente l'image obtenue après dilatation par un gros élément structurant. Sur ces deux figures 4C et 4D, on comprend dès à présent que l'objet a deux bords, représentés par les formes sensiblement triangulaires, et un trajet direct représenté par la forme sensiblement rectangulaire . La figure 4E représente la plaque plane après l'étape c) de reconnaissance des bords de l'objet et la figure 4F montre le contour actif de la plaque plane, obtenu à la fin du procédé de l'invention.

Claims

REVENDICATIONS
1. Procédé de traitement d'une image 2D ou 3D représentative d'un objet dont les contours sont perturbés par du bruit structuré et du bruit non-structuré, caractérisé en ce qu'il consiste à extraire de l'image, le contour pertinent de l'objet par les étapes suivantes : a) élimination, sur l'image initiale, du bruit non-structuré ayant une amplitude voisine de celle des contours de l'objet à extraire, en seuillant, par un maximum d'entropie, un histogramme unimodal représentatif de la distribution des amplitudes dans l'image, fournissant ainsi une image binarisée ; b) analyse du bruit structuré de l'image, à partir de l'image binarisée, en éliminant les structures fines et en remplissant les trous des structures épaisses extraites à l'étape a) pour fournir une image à structures significatives ; c) reconnaissance des bords de l'objet en caractérisant, sur l'image à structures significatives, le bruit structuré associé à des échos de diffraction et le bruit structuré associé à des échos spéculaires, en extrayant et en localisant les échos de diffraction des structures significatives de l'image, formant ainsi un ensemble de points caractéristiques, puis en modélisant l'ensemble de ces points caractéristiques selon une liste chaînée de points ; et d) reconnaissance des surfaces de l'objet, à partir de l'image obtenue en c), en déterminant des points caractéristiques supplémentaires, intérieurs à la liste chaînée de points, ces points caractéristiques supplémentaires étant des extrêma d'amplitude déterminés à partir de 1 ' image initiale et de 1 ' image à structures significatives, puis en optimisant le contour formé par l'ensemble des points caractéristiques .
2. Procédé selon la revendication 1, caractérisé en ce que la caractérisation du bruit structuré associé à des échos de diffraction est réalisée à partir d'un paramètre α mesurant le taux de variation des minima en profondeur rmιn extraits pour chaque azimut θi d'une composante connexe CC, avec
Figure imgf000029_0001
où N est le nombre de points CC, et d'un paramètre β indiquant l'orientation des points caractéristiques avec
β
Figure imgf000029_0002
où ia est l'azimut du point de profondeur minimale de CC et iaπun et iaax sont, respectivement, les azimuts minimum et maximum de CC.
3. Procédé selon la revendication 2, caractérisé en ce que l'étape d) d'optimisation du contour est réalisée par la fonction suivante : E(p(θ)) = - λl(P(θ))dθ ,
Figure imgf000030_0001
où p et θ sont les coordonnées polaires du point considéré, I est l'intensité en ce point, λ est un terme de pondération de prise en compte de l'intensité des points dans le processus d'optimisation, et où α et β ont des valeurs différentes selon que le point considéré est dans une zone de bruit structuré ou dans une zone de bruit non-structuré.
4. Procédé selon l'une quelconque des revendications 1 à 3, caractérisé en ce que l'étape a) consiste à appliquer la méthode de KAPUR à des images d'amplitude, dans laquelle l'entropie est déterminée à partir d'un nombre d'états fixé à priori.
PCT/FR2000/003007 1999-10-28 2000-10-27 Procede de traitement d'images en presence de bruit structure et de bruit non-structure WO2001031582A1 (fr)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP00974589A EP1151414A1 (fr) 1999-10-28 2000-10-27 Procede de traitement d'images en presence de bruit structure et de bruit non-structure
JP2001534090A JP2003512874A (ja) 1999-10-28 2000-10-27 構造化ノイズ及び非構造化ノイズの存在で像を処理する方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR99/13501 1999-10-28
FR9913501A FR2800491B1 (fr) 1999-10-28 1999-10-28 Procede de traitement d'images en presence de bruit structure et de bruit non-structure

Publications (1)

Publication Number Publication Date
WO2001031582A1 true WO2001031582A1 (fr) 2001-05-03

Family

ID=9551477

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/FR2000/003007 WO2001031582A1 (fr) 1999-10-28 2000-10-27 Procede de traitement d'images en presence de bruit structure et de bruit non-structure

Country Status (5)

Country Link
EP (1) EP1151414A1 (fr)
JP (1) JP2003512874A (fr)
FR (1) FR2800491B1 (fr)
RU (1) RU2001121202A (fr)
WO (1) WO2001031582A1 (fr)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113916979A (zh) * 2021-09-17 2022-01-11 秒针信息技术有限公司 工件缺陷检测方法、装置、系统及计算机可读存储介质

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6071260B2 (ja) * 2012-06-13 2017-02-01 キヤノン株式会社 被検体情報取得装置および情報処理方法
KR101777948B1 (ko) * 2016-02-19 2017-09-12 정영규 엔트로피와 배경변화율 차이점을 이용한 주요 객체 자동 검출 장치
AU2016404824B2 (en) * 2016-04-25 2019-08-15 Telefield Medical Imaging Limited Method and device for measuring spinal column curvature

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4729019A (en) * 1985-10-18 1988-03-01 Cgr Ultrasonic Method and device for generating images from ultrasonic signals obtained by echography
US5360006A (en) * 1990-06-12 1994-11-01 University Of Florida Research Foundation, Inc. Automated method for digital image quantitation
US5669387A (en) * 1992-10-02 1997-09-23 Kabushiki Kaisha Toshiba Ultrasonic diagnosis apparatus and image displaying system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4729019A (en) * 1985-10-18 1988-03-01 Cgr Ultrasonic Method and device for generating images from ultrasonic signals obtained by echography
US5360006A (en) * 1990-06-12 1994-11-01 University Of Florida Research Foundation, Inc. Automated method for digital image quantitation
US5669387A (en) * 1992-10-02 1997-09-23 Kabushiki Kaisha Toshiba Ultrasonic diagnosis apparatus and image displaying system

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CIOS K J ET AL: "AN EDGE EXTRACTION TECHNIQUE FOR NOISY IMAGES", IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING,US,IEEE INC. NEW YORK, vol. 37, no. 5, 1 May 1990 (1990-05-01), pages 520 - 524, XP000138448, ISSN: 0018-9294 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113916979A (zh) * 2021-09-17 2022-01-11 秒针信息技术有限公司 工件缺陷检测方法、装置、系统及计算机可读存储介质

Also Published As

Publication number Publication date
EP1151414A1 (fr) 2001-11-07
FR2800491B1 (fr) 2001-11-23
JP2003512874A (ja) 2003-04-08
RU2001121202A (ru) 2003-06-27
FR2800491A1 (fr) 2001-05-04

Similar Documents

Publication Publication Date Title
Nguyen et al. Free-form anisotropy: A new method for crack detection on pavement surface images
Merazi-Meksen et al. Mathematical morphology for TOFD image analysis and automatic crack detection
EP2146315B1 (fr) Procédé et dispositif de filtrage du bruit de speckle dans des images SAR
CN106778668B (zh) 一种联合ransac和cnn的鲁棒的车道线检测方法
FR2763721A1 (fr) Dispositif electronique de traitement d'images pour la detection de variations dimensionnelles
Malkiel et al. Automated scanning and measurements of particle distributions within a holographic reconstructed volume
EP0732668A1 (fr) Méthode d'extraction de contours utilisant une analyse multi-fractale
Shahrezaei et al. Fractal analysis and texture classification of high-frequency multiplicative noise in SAR sea-ice images based on a transform-domain image decomposition method
Davies et al. Evaluating unsupervised methods to size and classify suspended particles using digital in-line holography
EP3343201A1 (fr) Procédé de comptage et de caractérisation de particules dans un fluide en mouvement
CN111127533A (zh) 基于神经网络的多特征融合砂轮磨削性能预测方法
EP2872871B1 (fr) Procédé et système de reconstruction de propriétés optiques d'objets diffractants baignant dans un milieu liquide
FR2922029A1 (fr) Dispositif et methode de detection d'objet
FR2632071A1 (fr) Echographe ultrasonore a bruit d'interference reduit
EP1151414A1 (fr) Procede de traitement d'images en presence de bruit structure et de bruit non-structure
FR2955666A1 (fr) Procede d'estimation de defauts dans un objet et dispositif de mise en oeuvre
Nevis et al. Advantages of three-dimensional electro-optic imaging sensors
Forbes et al. Estimating fruit volume from digital images
Osman et al. An automated data processing method dedicated to 3D ultrasonic non destructive testing of composite pieces
Wang et al. Seafloor classification based on deep-sea multibeam data—Application to the southwest Indian Ridge at 50.47° E
CN112330667A (zh) 一种基于形态学的激光条纹中心线提取方法
JP5773935B2 (ja) シーンにおけるオブジェクトを分類する方法
Guevara et al. Segmentation and morphometry of histological sections using deformable models: a new tool for evaluating testicular histopathology
EP3903282B1 (fr) Méthode de segmentation d'une image
FR3013850A1 (fr) Procede de reconstruction d'une surface d'une piece

Legal Events

Date Code Title Description
AK Designated states

Kind code of ref document: A1

Designated state(s): JP RU US

AL Designated countries for regional patents

Kind code of ref document: A1

Designated state(s): AT BE CH CY DE DK ES FI FR GB GR IE IT LU MC NL PT SE

WWE Wipo information: entry into national phase

Ref document number: 2000974589

Country of ref document: EP

121 Ep: the epo has been informed by wipo that ep was designated in this application
ENP Entry into the national phase

Ref country code: JP

Ref document number: 2001 534090

Kind code of ref document: A

Format of ref document f/p: F

WWE Wipo information: entry into national phase

Ref document number: 09869369

Country of ref document: US

WWP Wipo information: published in national office

Ref document number: 2000974589

Country of ref document: EP

WWW Wipo information: withdrawn in national office

Ref document number: 2000974589

Country of ref document: EP