Paper Title (use style: paper title)

Segmentation d’images microscopiques basée sur les
attributs textures
Benomar Mohammed Lamine
Mourtada Benazzouz, Med Amine Chikh
Laboratoire Génie Biomédical
Dépt. Informatique
Université de Tlemcen, Algérie
[email protected]
Laboratoire Génie Biomédical
Dépt. Informatique
Université de Tlemcen, Algérie
{m_benazzouz,mea_chikh}@mail.univ-tlemcen.dz
Abstract— La segmentation des cellules sanguines est un enjeu de
recherche important en hématologie et dans d’autres domaines
connexe. Dans cet article, une technique de segmentation des
images microscopiques est proposée dans le but d’extraire les
composantes des cellules sanguines (noyau, cytoplasme, globule
rouge et plasma). L’image est représentée en niveaux de gris, les
attributs d’Haralick extraits des matrices de cooccurrences sont
utilisées pour caractériser les textures présentent dans ces
images. Un prétraitement est réalisé pour extraire le fond
(plasma) afin de réduire le temps d’exécution et le bruit. Les
machines à vecteurs de support (SVM) ont été appliquées pour
une segmentation par classification pixellaire supervisée. La
méthode proposée a été testée sur vingt sept images
microscopiques réelles avec des résultats prometteurs et des taux
de reconnaissances du noyau atteignant les 98%.
pathologique dépend principalement de la segmentation
correcte de l’image.
Mots clés: Segmentation d’image microscopique, image niveaux de
gris, attributs textures, Support Vector Machine (SVM).
Figure 1. Image microscopique de cytologie
I.
INTRODUCTION
En hématologie l’analyse des cellules sanguines,
particulièrement les globules blancs, dans les images
microscopiques peut fournir des informations utiles concernant
la santé des patients, cette étape de lecture, le screening, est une
activité manuelle qui consiste en une inspection et analyse
visuelle par le cytotechnicien de toutes les cellules présentes
sur une lame dans le but de détecter des cellules anormales ou
suspectes afin d’établir un diagnostic.
Cette analyse est d’un intérêt capital car le diagnostic
dépend de la bonne reconnaissance des cellules anormales ou
suspectes. Or cela est difficile et reste toujours un processus
très long demandant concentration, expérience et compétence
de l’expert, ce dernier risque souvent de se tromper dans le
diagnostic. Pour pallier à ceci, une approche est indispensable
pour aider le cytotechnicien en utilisant un système
informatique s’appuyant sur l’analyse d’images afin de réduire
le temps et augmenter la précision du diagnostic.
L’article présente la première étape de la construction d’un
système automatique de reconnaissance des cellules. Cette
démarche consiste à segmenter des images microscopiques de
cytologie, qui est une étape cruciale pour l’analyse automatique
des cellules; étant donné que le succès de la classification
Différents algorithmes et techniques ont été développés
pour résoudre le problème de la segmentation d’image.
Cependant, il n’y a pas de solution générique pour résoudre ce
problème. Ces techniques doivent être combinées avec les
connaissances du domaine afin de trouver une solution de
segmentation efficace.
Haralick introduit en 1973 [1,2] un outil statistique, les
matrices de cooccurrences, pour mesurer la distribution des
niveaux de gris dans l’image tout en prenant en compte les
interactions spatiales entre les pixels. Sharma a montré que les
résultats obtenus par l’analyse des matrices de cooccurrences
sont bons en termes de discrimination de textures en niveaux
de gris [3]. Une approche basée sur la texture a été présentée
par Daniela et al [4]. Pandit [5] et Keller [6] ont réalisé des
travaux remarquables sur la segmentation, l’extraction des
caractéristiques et la classification des leukocytes sur les
images en niveaux de gris de la moelle osseuse.
Dans notre approche, l’image complète est segmentée en
quatre régions : noyau, cytoplasme, globule rouge et fond
(Fig.1). Nous avons opté pour l’utilisation des 13 premiers
attributs d’Haralick extraits à partir des matrices de
cooccurrences [1,2] pour la caractérisation de la texture des
images en niveaux de gris, suivi de la construction d’une
classification pixellaire supervisée par SVM.
Cet article est organisé comme suit : une introduction et un
aperçu sur le domaine de segmentation d’image cytologique
dans la section 1, suivi d’une présentation de la notion de
texture et les indices d’Haralick utilisés dans la section 2. Dans
la section 3 les concepts de base du classifieur SVM sont
exposés. Les principales étapes de la segmentation et des
résultats sont présentés dans la section 4. Les conclusions sont
données dans la section 5.
II.
EXTRACTION DES CARACTÉRISTIQUES
A. Notion de Texture
Il n’existe pas de définition précise de la texture, et, malgré
son omniprésence dans les images (importante dans les images
médicales, aériennes, de textiles,...), « Il n’existe pas
d’approche formelle ni de définition précise de la texture »
[1,2].
En termes de définition de la notion de texture, on trouve
d’abord celle donnée par le dictionnaire, qui précise
simplement qu’une texture est la reproduction spatiale d’un
motif de base dans plusieurs directions.
Puis, d’autres plus précises, telle que : une texture est une
structure spatiale constituée par l’organisation de primitives (ou
motifs de base) ayant chacune un aspect aléatoire. Une texture
est alors une structure hiérarchique à 2 niveaux. Ou bien
encore, cette définition qui considère une texture comme un
phénomène à 2 dimensions :

La première concerne la description d’éléments de
base ou primitives, à partir desquels est formée la
texture.

La deuxième est relative à la description des relations
spatiales entre ces primitives.
On distingue en fait, selon l’élément de base et les règles de
placement, 2 types de textures : les macro-textures (ou textures
structurées), les micro-textures (ou textures aléatoires).
B. Les matrices de cooccurrences et les indices d’Haralick
Dans la littérature, de nombreuses méthodes permettent
d'extraire des paramètres caractérisant la texture. Elles se
décomposent en deux grandes classes : l'approche structurale et
l'approche statistique [1,2]. L'approche structurale consiste à
repérer les éléments de base de la texture, ainsi que leurs
arrangements. L'approche statistique s'applique en particulier
aux textures ne possédant pas de primitives élémentaires autres
que le pixel comme le cas de nos images microscopiques.
Nous détaillerons dans la suite les attributs qui nous ont
tout particulièrement intéressés, à savoir les matrices de
cooccurrences et les indices d’Haralick extraits de ces matrices.
Nous avons voulu privilégier les matrices de cooccurrences et
les attributs textures, par opposition à nos précédents travaux
où nous avons utilisé seulement les caractéristiques
colorimétriques [16,17], dans le but de poursuivre nos futurs
travaux avec la même idée en combinant la texture et les
couleurs au niveau de chaque pixel.
Cet outil statistique, qui est les matrices de cooccurrences à
niveaux de gris (GLCM), introduit par Haralick en 1973 [1,2],
est intéressant car il mesure la distribution des niveaux de gris
dans l’image tout en prenant en compte les interactions
spatiales entre les pixels. Cette matrice est une matrice carrée
de taille n2 où n correspond au nombre des niveaux de gris de
l’image. La plupart des images sont codées sur 256 niveaux de
gris par conséquent, la taille des GLCM est considérable.
Généralement les niveaux de gris de l’image sont requantifiés
(16, 32 ou 64 niveaux de gris) ce qui permet d’avoir un temps
de traitement plus restreint [8,9], dans notre cas les images sont
codées sur 256 niveaux de gris et nous avons utilisés 64
niveaux de gris pour les GLCM.
Une matrice de cooccurrence mesure la probabilité
d’apparition des paires de valeurs de pixels situés à une
certaine distance dans l’image. Elle est basée sur le calcul de la
probabilité P (i, j, δ, θ) qui représente le nombre de fois où un
pixel de niveau de gris i apparaît à une distance relative δ d’un
pixel de niveau de gris j et selon une orientation θ donnée. La
distance δ n’excède pas, en général, quelques pixels, afin de ne
prendre en compte qu’une information très locale de voisinage.
Les directions angulaires θ classiquement utilisées sont 0, 45,
90 et 135 degrés. La figure (Fig.2) illustre ce propos.
Figure 2. Plus proches voisins du pixel ‘X’ selon les 4 directions
Comme les matrices de cooccurrences contiennent
beaucoup d’informations et sont donc consommatrices en
espace mémoire, elles ne sont pas directement exploitées pour
caractériser les textures. Les utilisateurs préfèrent donc extraire
de ces matrices des attributs afin de réduire la quantité
d’informations à manipuler, tout en conservant la pertinence de
ces descripteurs. C’est pour cette raison que nous avons choisi
d’utiliser les 13 premiers attributs d’Haralick extraits à partir de
ces matrices [1,2].
Dans son article "Textural features for image
classification", Haralick introduit quatorze attributs de texture
extraits des matrices de cooccurrences. Ces attributs sont les
suivants [7]:
1.
L’énergie :
1= ij (Pij(,)2)
(1)
Ce paramètre mesure l’uniformité de la texture. Il atteint de
fortes valeurs lorsque la distribution des niveaux de gris est
constante ou de forme périodique. Dans ce dernier cas, les
valeurs élevées d’énergie sont obtenues pour les matrices
P(δ,θ) lorsque (δ, θ) correspond à la période.
2.
Contraste
11. Entropie des différences
2= ij ((i-j)2 Pij(,))
(2)
Le contraste mesure les variations locales, si ces variations
sont importantes, alors le contraste sera élevé. La valeur en est
d’autant plus élevée que la texture présente un fort contraste.
Ce paramètre est fortement non corrélé à l’énergie.
3.
Corrélation
Ng
(3)
Où μx, μy, x et y sont respectivement les moyennes et les
écarts type de px et py.
Ce paramètre permet de déterminer si certaines colonnes de
la matrice sont égales, c’est-à-dire s’il existe des dépendances
linéaires dans l’image. En effet, plus les valeurs sont
uniformément distribuées dans la matrice de cooccurrences et
plus la corrélation est importante. La corrélation n’est corrélée
ni à l’énergie, ni à l’entropie.
4.
Variance
4= ( i j (i-µ) Pij(,) )
Ng
Ng
2
(4)
Moment différenciel inverse (Homogénéité)
5= iNg jNg Pij(,) / 1+(i-j)2
(5)
Ce paramètre a un comportement inverse de celui du
contraste. En effet, plus la texture possède de régions
homogènes et plus le moment différentiel inverse est élevé.
6.
Moyenne des sommes
6= i2Ng iPx+y(i)
7.
(7)
Entropie des sommes
8= - i2Ng Px+y(i) log (Px+y(i))
9.
(6)
Variance des sommes
7= i2Ng (i-8)2 Px+y(i)
8.
12. Information sur la corrélation
12= (HXY – HXY1) / max (HX,HY)
(12)
Où HX et HY sont respectivement les entropies de Px
(8)
Entropie
9= - iNg jNg Pij(,) log(Pij(,))
(9)
L’entropie mesure la complexité de l’image. Lorsque les
valeurs de la matrice de cooccurrences sont presque toutes
égales, l’entropie est élevée. Elle permet ainsi de caractériser le
degré de granulation de l’image. En effet, plus la valeur de
l’entropie est grande et plus la granulation est grossière.
L’entropie est faible si on a souvent les mêmes couples de
pixels. C'est un indicateur de désordre. L’entropie atteint de
fortes valeurs lorsque la texture est complètement aléatoire
(sans structure apparente). Elle est fortement corrélée (par
l’inverse) à l’énergie.
10. Variance des différences
10= variance (Px-y)
HXY = - ∑i∑j p(i,j)log(p(i,j))
HXY1= - ∑i∑j p(i,j)log(px(i) py(j))
13. Information sur la corrélation
13= (1-exp[-2.0(HXY2-HXY)])1/2
(13)
Où:
HXY2= - ∑i∑j px(i) py(j)log(px(i) py(j))
14. Coefficient de corrélation maximal
14= (1ière plus grande valeur propre de Q)1/2 (14)
La variance mesure l’hétérogénéité de la texture. Elle
augmente lorsque les niveaux de gris différent de leur
moyenne. La variance est indépendante du contraste.
5.
(11)
et Py.
3= ( i j (ij) Pij(,)-µxµy ) / xy
Ng
11= - iNg-1 Px-y(i) log(Px-y(i))
(10)
Où :
Q= ∑k (p(i,k)p(j,k)) / (px(i)py(k))
Les attributs f6, f7, f8, f10, f11, f12, f13 et f14 apportent
des informations supplémentaires sur les degrés d’homogénéité
et de complexité de l’image, ainsi que sur la corrélation.
La méthode d’extraction de ces paramètres basée sur le
calcul des matrices de cooccurrence est une des méthodes les
plus proches de la notion de texture. Elles mettent
effectivement en avant les relations qui existent entre les pixels
de l’image en faisant intervenir l’aspect local (les niveaux de
gris) et l’aspect spatial (δ, θ). Cependant, ces matrices sont
calculées de façon globale pour toute l'image, ce qui n'est pas
sans poser de problème quand nous savons qu'il est possible
d'avoir plusieurs textures différentes dans une même image.
Haralick [2] suggère de calculer des matrices de cooccurrence
avec différentes directions et d’en faire la moyenne.
Pour remédier à ce problème, nous calculons la matrice C
sur une fenêtre glissante de taille W centrée sur chaque pixel xi
de l'image (la taille de la fenêtre adéquate est donnée dans la
partie résultats expérimentaux). Ainsi, les mesures mentionnées
ci-dessus (indices d’Haralick) peuvent être calculées pour
chaque pixel de l'image. Malheureusement, les temps de calcul
sont alors considérables, mais la résolution de la segmentation
est de un pixel [10, 11, 12].
III.
SVM
La théorie de l’Apprentissage Statistique de Vapnik et de
Chervonenkis [13] a conduit au développement d’une classe
d’algorithme connu sous le nom de SVM. Ils permettent de
réaliser des estimations en classification. Une des originalités
de la méthode est de produire une fonction de décision qui
n’utilise qu’un sous-ensemble de la base d’apprentissage. Les
éléments de ce sous-ensemble sont nommés Vecteurs de
Support(VS).
Soit un ensemble d’apprentissage E = {(x1,y1),…, (xk,yk)}
composé de k couples avec xi ∈ Rn et yi ∈ {-1,+1}.
L’algorithme des SVMs projette les vecteurs xi dans un espace
de caractéristiques H à partir d’une fonction non linéaire ∅: Rn
→H. L’hyperplan optimal de séparation des deux classes dans
l’espace H est ensuite recherché. Cet hyperplan (ω,b)
matérialise la frontière de séparation entre les deux classes. La
classe y d’un nouvel exemple x est définie par :
y = sign (.(x) + b)
(15)
L’hyperplan est optimal s’il maximise la distance qui le
sépare des exemples dont il est le plus proche. Cette distance
est usuellement appelée marge du classifieur. Il a été démontré
[13] que maximiser cette marge correspond à maximiser le
pouvoir généralisateur du classifieur. En choisissant une
fonction noyau.
K (xi,xj)= (xi), (xj)
B. Méthode d’étiquetage
Afin d’évaluer les résultats de segmentation nous devons
disposer d’une base étiquetée (image vérité terrain). Ce qui
nous intéresse ici est de détecter les globules blancs (noyau et
cytoplasme) et les globules rouges.
A l’aide d’un programme développé sous Matlab et d’un
logiciel de traitement et de retouche d’image nous avons
effectué l’étiquetage des 27 images de notre base (Fig. 4),
sachant que le vert représente le noyau, le jaune pour le
cytoplasme, le rouge pour les globules rouges et le fond
(plasma) en noir.
(16)
Il a également été montré que la résolution du problème
dual correspondant produit une fonction de décision de la
forme :
(x) = xiSV (iyi K (xi, x) +b)
(17)
Où {αi} et b correspondent à la solution optimale du
problème dual. Dans cet article, la fonction noyau RBF (Radial
Basis Function) a été choisie comme noyau, qui est:
K(xi , xj) = exp(-g‖xi - xj‖2)
Figure 3. Image microscopique prétraitée
(18)
Le code du programme et une discussion plus détaillée sur
les C-SVM peuvent être trouvés dans [14]. Les SVM sont des
classifieurs binaires, m (m-1)/2 classifieurs SVM sont utilisés
pour un problème multi-classes.
IV.
EXPÉRIMENTATION
A. Base d’images
Notre base a été construite à partir d’images réelles
acquises au sein du service d’hémobiologie (CHU Tlemcen),
sur des lames avec la coloration MGG (May Grunwald
Giemsa). L’environnement LEICA (caméra et microscope)
permet d’obtenir des images couleur RGB de 24-bit sous
format Bitmap. Par la suite nous avons converti ces images
couleur en images niveaux de gris afin d’extraire les indices
d’Haralick [1,2].
Vingt sept images microscopiques ont été utilisées pour
l’évaluation de l’algorithme de segmentation proposé. Nos
images ont été divisées en 2 groupes disjoints: le premier pour
l’apprentissage (18images), le choix de ces images est basé sur
un critère de représentativité de toutes les classes, le deuxième
pour le test (9images). Dans nos précédents travaux [16,17],
nous avons enregistré des taux de reconnaissances du plasma
(fond) atteignant les 99%. Aussi, le fond de l’image prend
généralement une grande partie de l’image ce qui augmente le
temps de traitement et contient même du bruit, pour cela nous
avons effectué un prétraitement sur la base d’images pour
extraire la partie fond (Fig. 3).
Figure 4. Image étiquetée (vérité terrain)
C. Étape de segmentation
Notre segmentation est basée sur une classification
pixellaire, et nous avons choisi SVM comme classifieur.
En premier lieu, nous construisons un SVM appliqué sur
toutes les caractéristiques (14 caractéristiques= niveaux de gris
+ 13 indices d’Haralick), obtenues des images du premier
ensemble d’apprentissage en prenant en considération que les
pixels des noyaux, cytoplasme et globules rouges. Chaque
pixel est représenté par 14 caractéristiques.
Nous avons testé trois fenêtres (3x3, 5x5 et 7x7) notre
choix s’est porté sur la fenêtre 5x5 centré sur le pixel
considéré, d’où δ, θ ∈ {0,1,2,-1,-2} en utilisant toutes les
directions possibles (0°,45°,90°,135°,180°,-45°,-135°,-90°).
D. Résultats et discusions
Nous avons mesuré et quantifié les performances de
segmentation de l’ensemble des images de test par rapport aux
images vérité terrain, pour cela nous avons utilisé deux critères:
le taux de reconnaissance (rappel) et la précision. Ensuite une
comparaison de ces résultats avec ceux obtenus dans un autre
travail [16], sur la même base d’images microscopiques, en
utilisant une technique de fusion de segmentation par SVM
dans différents espaces couleur à savoir RGB, HSL, HSV,
LUV et YUV.
Quelques résultats visuels de notre segmentation sont
présentés sur les figures 5 et 6 (Fig.5 Fig.6). La table (I) montre
les taux de reconnaissances et de précisions obtenues. Le temps
moyen de classification des images (512x384 pixels) par SVM
appliqué sur les 14 caractéristiques est de 305 secondes.
TABLE I.
RESULTATS OBTENUS POUR LE CLASSIFIEUR SVM
Noyau
Cytoplasme
G. rouge
Taux de reconnaissance
94.11%
44.09%
89.49%
Précision
84.44%
54.13%
70.32%
A la lumière des résultats présentés et des résultats visuels,
nous constatons que la segmentation de la région noyau est
hautement satisfaisante cela est dû à la ressemblance de la
configuration des attributs texture, en niveaux de gris, des
noyaux dans les différentes images et la différence de cette
configuration par rapport aux autres classes (cytoplasme et
globule rouge). Ces attributs qui tiennent uniquement compte
de l’information de Luminance (la luminance est ici définie
comme étant l’attribut d’une sensation visuelle selon laquelle
une surface paraît émettre plus ou moins de luminosité [7]).
Cette différence est visible dans la figure 6.a et 5.a (Fig.5
Fig.6).
Figure 5. Résultat visuel: (a)Image originale, (b)Image niveaux de gris,
(c)Image segmentée, (d)Image étiquetée(vérité terrain)
Cependant il demeure toujours une confusion entre le
cytoplasme et les globules rouges, vu la ressemblance
considérable de leurs caractéristiques; cela est dû aussi à une
mauvaise classification des pixels appartenant à d’autres
régions classés cytoplasme (faux positifs). Cette confusion a
été constatée même dans des travaux utilisant d’autres
techniques et méthodes de segmentation [16,17].
Aussi, les images originales contiennent des régions claires
aux centres des globules rouges (Erythroblasts : globule rouge
avec noyau), ce qui mène à leurs classification généralement
comme cytoplasme ceci peut être corrigé par un simple
remplissage dans l’étape de post traitement. Puisque le
diagnostic de l’expert médical est basé essentiellement sur les
leucocytes (noyau + cytoplasme) nous avons trouvé utile
d’ajouter quelques résultats de précision concernant le noyau et
cytoplasme (Table II) ainsi que les résultats visuels pour ce
type de cellules (Fig. 7).
TABLE II.
RESULTATS SVM APRES POST TRAITEMENT
Noyau
Cytoplasme
Taux de reconnaissance
97.76%
65.08%
Précision
85.21%
53.23%
Figure 6. Résultat visuel: (a)Image originale, (b)Image segmentée, (c)Image
étiquetée(vérité terrain)
Afin de pouvoir comparer les résultats de notre approche
avec une autre méthode de classification [16], la table (III)
recense les résultats de classification obtenus sur la même base
d’images microscopiques.
De meilleurs résultats de classification sont obtenus dans
[16] en utilisant différents espaces couleurs afin de profiter de
la complémentarité de ces espaces. Cette comparaison
permettra de mettre en évidence l’insuffisance de la seule
information de luminance (niveaux de gris) pour discriminer la
texture.
Figure 7. (a) résultat SVM, (b) résultat post traitement, (c) vérité terrain
[1]
TABLE III.
COMPARAISON DES RESULTATS AVEC UNE AUTRE METHODE
Noyau
Cytoplasme
Précision (Nos résultats)
85.21%
53.23%
Précision (Travail [16])
92.91%
88.36%
[2]
[3]
[4]
V.
CONCLUSION
Dans cet article, nous présentons une méthode de
segmentation d’images microscopiques texturées. L’objectif est
de caractériser les textures présentes dans ces images en
utilisant les attributs d’Haralick (14 indices) extraits des
matrices de cooccurrences (GLCM). Cependant, ces matrices
sont calculées de façon globale pour toute l'image, ce qui n'est
pas sans poser de problème quand nous savons qu'il est
possible d'avoir plusieurs textures différentes dans une même
image. Pour remédier à ce problème, nous calculons la matrice
GLCM sur une fenêtre de taille w centrée sur chaque pixel x de
l'image. Ainsi, les attributs de texture peuvent être calculés
pour chaque pixel de l'image. La segmentation est basée sur
une technique de classification pixellaire développée par
VAPNIK connu sous SVM. Ce choix est justifié par: 1) un taux
de classification élevé et 2) un processus de classification
rapide.
Les résultats obtenus ont été très convaincants et
encourageants, ce qui nous permettra de poursuivre l’´etude et
essayer d’améliorer la méthode préconisée, en sélectionnant les
attributs textures les plus pertinents, utiliser une approche
hybride qui tient compte de la texture et de l’information
couleur.
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
VI.
REMERCIEMENTS
[14]
Notre équipe a réalisé l’acquisition des images
microscopiques de cytologie ainsi que l’annotation (étiquetage)
des différentes régions (classes). Cette base n’aura pas vu le
jour sans la contribution de Mme N.Benmansour (Médecin
Hématologiste - C.H.U Tlemcen) qui nous a ouvert son service
et nous a permis l’accès au microscope LEICA et les lames des
patients. Nous tenons à la remercier vivement et témoignons
notre gratitude.
[15]
[16]
[17]
REFERENCES
R. Haralick, K. Shanmugan, et I. Dinstein. Textural features for image
classification. IEEE Transactions on SMC, 3(6) :610–621, 1973.
R. Haralick. Statistical and structural approaches to texture. IEEE
Transactions on SMC, 67(5) :786–804, 1979.
M. Sharma et S. Singh. Evaluation of texture methods for image
analysis. In R. Linggard, editor,Proceedings of the 7th Australian and
New Zealand Intelligent Information Systems Conference, pages 117–
121, 2001.
Daniela Mayumi Ushizima Sabino, Luciano da Fontoura Costa, Edgar
Gil Rizzatti , Marco Antonio Zago: A texture approach to leukocyte
recognition. Elsevier, Real-Time imaging 10, 205–216, 2004.
M. Pandit, H. Hengen: Image analysis of blood and bone marrow
smears. IEEE/BMESI BIOVISION, Bangalore, 2001.
J. Park, J.M. Keller: Fuzzy patch label relaxation in bone marrow cell
segmentation. Proceedings, IEEE International Conference on Systems,
Man, and Cybernetics, Orlando, FL, 1133-1138, 1997.
Alice Porebski: Sélection d’attributs de texture couleur pour la
classification d’images. Application à l’identification de défauts sur les
décors verriers imprimés par sérigraphie. Thèse Doctorat, Université
Lille 1 - Sciences et Technologies. 2009.
Ludovic Paulhac : Outils et méthodes d’analyse d’images 3D texturées :
Application à la segmentation des images échographiques. Thèse
Doctorat, École Doctorale Santé, Sciences, Technologies. Université
François Rabelais de Tours. 2009.
Hanifi Majdoulayne : Extraction de caractéristiques de texture pour la
classification d’images satellites. Thèse Doctorat. Université de
Toulouse III. 2009.
Andrea Cohen, Dhouha Attia, Cyril Meurie et Yassine Ruichek : Une
méthode de segmentation hybride par combinaison adaptative des
informations texture et couleur. MajecSTIC, Bordeaux, France. 2010.
C. Kervrann and F. Heitz : Segmentation non Supervisée des Images
Naturelles Texturées : Une Approche Statistique, Traitement du Signal,
1994, 11, 1, 31-41.
S . Liu and M. Berthod and G . Giraudon, Satellite Image Segmentation
Using Texture Information, Contextual Information, and Map
Knowledge, Systems Engineering in the Service of Humans
International Conference on System Man and Cybernetics, 1993.
Vapnik V. : Statistical Learning Theory. John Wiley and Sons,
Chichester, 1998.
Chang, Chih-Chung and Lin, Chih-Jen: fLIBSVMg: A library for
support vector machines. ACM Transactions on Intelligent Systems and
Technology,
2,
3,
27:1–27:27,
Software
available
at
http://www.csie.ntu.edu.tw/˜cjlin/libsvm. 2011
C-W. Hsu and C-J. Lin: A comparison of methods for multiclass support
vector machines. IEEE Transactions on Neural Networks, 13, 3, 415–
425, 2002.
I. Baghli, M.Benazzouz and M.A. Chikh: ”Cytological image
segmentation based on fusion in two levels”. WOTIC’11 (The Fourth
Workshop on Information Technologies and Communication),
Casablanca, Morroco, October 2011
A.Benomar, M.Benazzouz and M.A Chikh: FCM spatial pour la
segmentation d’images microscopiques de cytologie. BIOMEIC’12
(Biomedical International Conference), Tlemcen, Algérie. 2012.

Download Report