Академический Документы
Профессиональный Документы
Культура Документы
Florence Tupin
Florence.Tupin@enst.fr http://www.tsi.enst.fr/ tupin
ecommunications Ecole Nationale Superieure des Tel - CNRS UMR 5141 LTCI Paris - France
Plan du cours
1. Dnitions et modles de reprsentation
2. Mthodes mono-graphes
Isomorphismes de graphes et de sous-graphes Isomorphismes de sous-graphes avec tolrance derreur Mise en correspondance approximative (inexact matching)
Plan du cours
1. Dnitions et modles de reprsentation
2. Mthodes mono-graphes
Isomorphismes de graphes et de sous-graphes Isomorphismes de sous-graphes avec tolrance derreur Mise en correspondance approximative (inexact matching)
Traitement dimages : segmentation, dtection de contours Reconnaissance des formes : caractres, objets (btiments 2D ou 3D, structures crbrales, ...), reconnaissance de visages (avec ou sans modle) Recalage dimages Indexation Interprtation de scnes structures ...
Dnition et rappels
Graphe : G = (X, E )
X ensemble des sommets (|X | ordre du graphe) E ensemble des artes (|E | taille du graphe) graphe complet (taille
n(n1) ) 2
graphe partiel G = (X, E ) avec E partie de E sous-graphe F = (Y, E ), Y X et E E degr dun sommet x : d(x) = nombre dartes graphe connexe : pour toute paire de sommets, il existe une chane les reliant arbre : graphe connexe sans cycles clique : sous-graphe complet graphe dual (face nud) graphe aux artes (arte nud) hypergraphe (relations n-aires) graphes pondrs : cots ou poids sur les arcs
Reprsentation
a b c d e f
a 0 1 1 1 0 0
b 1 0 0 0 0 0
c 1 0 0 0 1 1
d 1 0 0 0 1 0
e 0 0 1 1 0 0
f 0 0 1 0 0 0
Notion de complexit
algorithme polynomial / exponentiel problme NP-complet : il nexiste pas dalgorithme qui soit dans tous les cas non exponentiel (polynomial)
Exemples de graphes
: X LX interprteur de sommets (LX = attributs des nuds) : E LE interprteur darcs (LE = attributs des arcs)
Exemples : graphe des pixels graphe dadjacence de rgions rgions de Vorono / triangulation de Delaunay graphe de primitives avec des relations plus complexes
Graphe dattributs ous : graphe relationnel attribu avec valeur oue pour chaque attribut Graphe hirarchique : graphes plusieurs niveaux et graphe biparti entre deux niveaux (approches multi-chelles, regroupements dobjets, ...) Exemples :
Niveaux 1 et 2 :
Tel
FB
I;B
Die
B
MB
MB B
B
Met B
HB
MO
Niveau 3 :
cc H H
LVL E
LVR E
CdL
CdR
PuL
PuR
E E I E
GPL E E
V3 E E
GPR
excL
ThL
ThR
excR
MB
Ar CbL
Pons
Ar CbR V4 B
MO
Niveau 4 (partiel) :
H FLV I E cc
spt I
Pu I E
HCd
BLV
V3
algorithme de Kruskal O(n2 + mlog2 (m)) algorithme de Prim O(n2 ) poids positifs : algorithme de Dijkstra O(n2 ) valuations quelconques mais sans cycle : algorithme de Bellman O(n2 ) G = (X, E ) partition en 2 parties A et B (A B = X , A B = ) P cut(A, B ) = xA,yB w(x, y ) algorithme de Ford et Fulkerson
Plan du cours
1. Dnitions et modles de reprsentation
2. Mthodes mono-graphes
Isomorphismes de graphes et de sous-graphes Isomorphismes de sous-graphes avec tolrance derreur Mise en correspondance approximative (inexact matching)
Constantinids (1986)
graphe des pixels pondr par les diffrences de niveaux de gris recherche de larbre couvrant de poids minimal arbre couvrant partition par suppression dartes (= les (N 1) plus coteuses)
0 255 255 0
255 0 0
0 128 128
255 0
128
image
Algorithme de Kruskal
A partir dun graphe partiel initialement sans arte, itrer (n 1) fois : choix dune arte de poids minimum ne formant pas de cycle avec les artes prcdemment choisies Mise en uvre : 1. tri des artes par ordre des poids croissants 2. tant quon na pas retenu (n 1) artes : slection de la premire arte non examine si cycle, rejet sinon ajout de larte
Algorithme de Prim
Graphe des pixels, poids des arcs w(x, y ) en fonction de similarits Segmentation : partitionnement du graphe en sous-graphes Principe : recherche itrative de la coupe de capacit minimale
ot : f lot(u) capa(u) et conservation du ot en chaque sommet Thorme : valeur max du ot = coupe de capacit min Principe de lalgorithme de Ford et Fulkerson : partant du ot nul, chercher sil existe une chane augmentante pour augmenter le ot le long de la chane 1. algorithme de marquage pour dtecter une chane augmentante 2. amlioration du ot courant sil existe une chane Sortie : valeur du ot et coupe de capacit minimale Complexit : O(mn cmax ) Variantes plus rapides pour trs grand nombre de sommets
Un exemple simple
255 0 0 255
0 255 255
image
partition
Cut(A,B)
Cut(A,B)
coupe normalise
Principe : segmentation par partitionnement du graphe par coupe de cot minimal + suppression de linuence du nombre darcs dans la coupe : coupe normalise N cut(A, B ) = cut(A, B ) cut(A, B ) + assoc(A, X ) assoc(B, X )
assoc(A, X ) =
X
aA,xX
w(a, x)
Mesure de lassociation lintrieur dun groupe N assoc(A, B ) = assoc(B, B ) assoc(A, A) + assoc(A, X ) assoc(B, X )
Problme NP complet
Optimisation : x = (xi ) avec xi = 1 si i A, xi = 1 sinon P D = diag (di ) avec di = j wij W = (wij ) y T (D W )y min N cut(x) = min x y y T Dy avec y (i) {1, b} (b =
Pxi >0 P di
xi <0 di
) et y T D1 = 0
Itrations : en fonction de la qualit de la partition Autre application : classication en fonction des valeurs des vecteurs propres
F. Tupin - Graphes p.19/53
http://www.cs.berkeley.edu/projects/vision/Grouping/
http://www.cs.berkeley.edu/projects/vision/Grouping/
http://www.cs.berkeley.edu/projects/vision/Grouping/
Graph-cuts
Autres mthodes
Variantes sur la dnition du cot de la coupe (Minimum mean cut, etc.) Variantes sur les fonctions de cot des arcs Contours actifs optimiss par graph-cuts
Bibliographie
An optimal graph theoretic approach to data clustering: theory and its application to image segmentation, Z. Wu et R. Leahy, IEEE PAMI, vol.15, num.11, nov. 93 Normalized cuts and image segmentation, J. Shi et J. Malik, IEEE PAMI, vol. 22, num. 8, 2000 Image segmentation with minimum mean cut, 8th ICCV, 2001 Object segmentation using graph cuts based active contours, CCVPR 2003, vol.2
Plan du cours
1. Dnitions et modles de reprsentation
2. Mthodes mono-graphes
Isomorphismes de graphes et de sous-graphes Isomorphismes de sous-graphes avec tolrance derreur Mise en correspondance approximative (inexact matching)
Interprtation dimages
Segmentation en rgions Construction du graphe dadjacence des rgions Interprtation contrainte par un ensemble de rgles sur : 1. les objets (taille, couleur, texture,...) 2. les relations entre objets (au-dessus de, lintrieur de, ct de ...)
X
cC
Vc (x)
Applications de bas-niveau :
graphe des rgions (bassins versants de la LPE, Suk, ...) graphe de primitives (contours, points caractristiques, lignes,...)
Vc (yi |xi ) +
X
(i,j )
(xi xj )2
source S (label 1), puits P (label 0) arcs terminaux de poids lattache aux donnes arcs entre voisins de poids Vc (0, 1)
Vc (yi |1) +
X
iEP
Vc (yi |0) +
X
(iEs ,j EP )
S(label 0)
coupe Vc(yi|0)
Vc(yi|1)
P (label 1)
F. Tupin - Graphes p.30/53
expansion de label : source S et puits P correspondant 2 labels diffrents et ) change : source S et puits P aux labels et
le graphe : pixels tiquets ces labels les poids dnis par la segm. courante faible nombre ditrations par rapport au recuit simul
Objet : dni par un ensemble de primitives (nuds du graphe) Relations binaires de compatibilit entre primitives (arcs du graphe) Clique : sous-ensemble de primitives compatibles 2 2 = conguration possible de lobjet Reconnaissance par dtection de la clique maximale
Problme NP-complet Pas dalgorithme qui soit dans tous les cas non exponentiel Construction dun arbre de dcision : un nud de larbre = 1 clique du graphe Elagage de larbre pour ne pas rengendrer les mmes cliques Thorme : soit S un nud de larbre de recherche T , et soit x le premier ls de S tre explor. Si tous les sous-arbres de S {x} ont t gnrs, il suft dexplorer les ls de S qui ne sont pas adjacents x.
Plan du cours
1. Dnitions et modles de reprsentation
2. Mthodes mono-graphes
Isomorphismes de graphes et de sous-graphes Isomorphismes de sous-graphes avec tolrance derreur Mise en correspondance approximative (inexact matching)
Problme :
Graphe(s) modle(s) (atlas, carte, modle(s) dobjet(s)) Graphe image construit partir des donnes Mise en correspondance des deux graphes G = (X, E, , ) ? G = (X , E , , )
Isomorphismes de sous-graphes
a a b b c d e c d d
(1,4)
Principe : extension dun ensemble dassociations (vi , wxi ) jusqu ce que tout le graphe G ait t parcouru. En cas dchec, on remonte larbre des associations (backtrack). Acclration : procdure forward checking avant dajouter une association. Algorithme :
matrice des associations de sommets matrice des associations futures possibles pour une liste dassociations donne liste des associations mise jour par les 2 procdures Backtrack et ForwardChecking
Plan du cours
1. Dnitions et modles de reprsentation
2. Mthodes mono-graphes
Isomorphismes de graphes et de sous-graphes Isomorphismes de sous-graphes avec tolrance derreur Mise en correspondance approximative (inexact matching)
minimisation itrative dune fonction objectif (distance de la solution courante la solution optimale) mieux adapts pour les grands graphes problmes de minima locaux et de convergence
Algorithme A
Principe : construction dun arbre de recherche par appariements successifs des sommets avec valuation de la fonction de cot pour chaque tat (seuls les tats de cots infrieurs sont ensuite propags) Complexit : O(n2 mn ) (pire cas) Amlioration : estimation des cots futurs pour ne pas propager inutilement des branches
{4}
6 a
5 c
4 e G1
c G2
c {1,2,5,4}
Exemple
Reconstruction 3D par appariement entre un ensemble de graphes modles et un graphe de donnes (IGN)
Plan du cours
1. Dnitions et modles de reprsentation
2. Mthodes mono-graphes
Isomorphismes de graphes et de sous-graphes Isomorphismes de sous-graphes avec tolrance derreur Mise en correspondance approximative (inexact matching)
Relaxation probabiliste
(n )
(i = ) = j Ni
P (n) (j = ) p(Aij |i = , j = )
Initialisation : P (0) (i = i ) = P (i = i |xi ) Arrt : nombre ditrations, probabilit proche de 1 des tiquettes des nuds, volution ngligeable
Modle derreur gaussien par rapport au modle : valuation des p(Aij |i = , j = ) Contraintes : dnir la probabilit dappariement au nud nul (nud du modle manquant, nuds faux des donnes) (niveau de bruit attendu dans le graphe)
i = 1
j = 1
f (h) = |ND |
X
(a1 ,a2 )ED D D
Mthodes doptimisation :
(1, 1)
(1, 2)
...
(1, l min )
...
(1, |N 2 |)
(2, 1)
(2, 2)
...
...
(2, |N 2 |)
model mask
model graph
affine transform
Segmentation
Graphe = reprsentation dinformations topographiques Mise en correspondance = recherche de la transformation entre 2 graphes
transformation rigide transformation lastique (morphing) recherche du maximum de corrlation (translation) transforme de Hough (taille de lespace des paramtres) mthodes par gnration et propagation dhypothses aprs initialisation rigide, dplacements alatoires des sommets