CA2778676A1 - Dispositif et procede de compensation de relief d'images hyper-spectrales - Google Patents
Dispositif et procede de compensation de relief d'images hyper-spectrales Download PDFInfo
- Publication number
- CA2778676A1 CA2778676A1 CA2778676A CA2778676A CA2778676A1 CA 2778676 A1 CA2778676 A1 CA 2778676A1 CA 2778676 A CA2778676 A CA 2778676A CA 2778676 A CA2778676 A CA 2778676A CA 2778676 A1 CA2778676 A1 CA 2778676A1
- Authority
- CA
- Canada
- Prior art keywords
- image
- hyper
- spectral
- compensation
- relief
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Abandoned
Links
- 238000000034 method Methods 0.000 title claims description 56
- 238000004364 calculation method Methods 0.000 claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims description 20
- 238000000926 separation method Methods 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 17
- 230000003902 lesion Effects 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 description 17
- 238000001228 spectrum Methods 0.000 description 13
- 238000012880 independent component analysis Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000009467 reduction Effects 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 210000003679 cervix uteri Anatomy 0.000 description 3
- 238000000701 chemical imaging Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 229910052729 chemical element Inorganic materials 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 208000002874 Acne Vulgaris Diseases 0.000 description 1
- 206010008570 Chloasma Diseases 0.000 description 1
- 208000003351 Melanosis Diseases 0.000 description 1
- 241001303601 Rosacea Species 0.000 description 1
- 208000000453 Skin Neoplasms Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 206010000496 acne Diseases 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 229920002521 macromolecule Polymers 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 201000001441 melanoma Diseases 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 201000004700 rosacea Diseases 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 201000000849 skin cancer Diseases 0.000 description 1
- 231100000444 skin lesion Toxicity 0.000 description 1
- 206010040882 skin lesion Diseases 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/42—Analysis of texture based on statistical description of texture using transform domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30088—Skin; Dermal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/58—Extraction of image or video features relating to hyperspectral data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
Dispositif de compensation du relief d' au moins une image hyper-spectrale comprenant au moins un capteur (1) apte à produire au moins une image hyper-spectrale dans au moins deux longueurs d'ondes, un moyen de calcul (2) apte à classer les pixels de l'image hyper-spectrale issue du capteur (1) en fonction d'une relation de classement à deux états, un moyen d' affichage (3) apte à afficher au moins une image fonction des pixels classés provenant du moyen de calcul (2). Le moyen de calcul (2) comprend un moyen de compensation (6) du relief en fonction d'au moins une image de référence.
Description
Dispositif et procédé de compensation de relief d'images hyper-spectrales.
La présente invention concerne l'analyse d'images et plus particulièrement la classification statistique des pixels d'une image.
Elle concerne plus particulièrement la classification statistique des pixels d'une image en vue de la détection de lésions cutanées, telles que l'acné, le mélasma et la rosacée.
Les matériaux et éléments chimiques réagissent plus ou moins différemment lors de l'exposition à un rayonnement d'une longueur d'onde donnée. En balayant la gamme des rayonnements, il est possible de différencier des matériaux intervenant dans la composition d'un objet de part leur différence d'interaction. Ce principe peut être généralisé à un paysage, ou à une partie d'un objet.
L'ensemble des images issues de la photographie d'une même scène à des longueurs d'onde différentes est appelé image hyper-spectrale ou cube hyper-spectral.
Une image hyper-spectrale est constituée d'un ensemble d'images dont chaque pixel est caractéristique de l'intensité de l'interaction de la scène observée avec le rayonnement. En connaissant les profils d'interaction des matériaux avec différents rayonnements, il est possible de déterminer les matériaux présents. Le terme matériau doit être compris dans un sens large, visant aussi bien les matières solides, liquides et gazeuses, et aussi bien les éléments chimiques purs que les assemblages complexes en molécules ou macromolécules.
L'acquisition d'images hyper-spectrales peut être réalisée selon plusieurs méthodes.
La méthode d'acquisition d'images hyper-spectrales dite de scan spectral consiste à utiliser un capteur de type CCD, pour réaliser des images spatiales, et à appliquer des filtres différents devant le capteur afin de sélectionner une longueur d'onde pour chaque image.
Différentes technologies de filtres permettent de répondre aux besoins de tels imageurs. On peut par exemple citer les filtres à cristaux
La présente invention concerne l'analyse d'images et plus particulièrement la classification statistique des pixels d'une image.
Elle concerne plus particulièrement la classification statistique des pixels d'une image en vue de la détection de lésions cutanées, telles que l'acné, le mélasma et la rosacée.
Les matériaux et éléments chimiques réagissent plus ou moins différemment lors de l'exposition à un rayonnement d'une longueur d'onde donnée. En balayant la gamme des rayonnements, il est possible de différencier des matériaux intervenant dans la composition d'un objet de part leur différence d'interaction. Ce principe peut être généralisé à un paysage, ou à une partie d'un objet.
L'ensemble des images issues de la photographie d'une même scène à des longueurs d'onde différentes est appelé image hyper-spectrale ou cube hyper-spectral.
Une image hyper-spectrale est constituée d'un ensemble d'images dont chaque pixel est caractéristique de l'intensité de l'interaction de la scène observée avec le rayonnement. En connaissant les profils d'interaction des matériaux avec différents rayonnements, il est possible de déterminer les matériaux présents. Le terme matériau doit être compris dans un sens large, visant aussi bien les matières solides, liquides et gazeuses, et aussi bien les éléments chimiques purs que les assemblages complexes en molécules ou macromolécules.
L'acquisition d'images hyper-spectrales peut être réalisée selon plusieurs méthodes.
La méthode d'acquisition d'images hyper-spectrales dite de scan spectral consiste à utiliser un capteur de type CCD, pour réaliser des images spatiales, et à appliquer des filtres différents devant le capteur afin de sélectionner une longueur d'onde pour chaque image.
Différentes technologies de filtres permettent de répondre aux besoins de tels imageurs. On peut par exemple citer les filtres à cristaux
2 liquides qui isolent une longueur d'onde par stimulation électrique des cristaux, ou les filtres acousto-optique qui sélectionnent une longueur d'onde en déformant un prisme grâce à une différence de potentiel électrique (effet de piézo-électricité). Ces deux filtres présentent l'avantage de ne pas avoir de parties mobiles qui sont souvent source de fragilité en optique.
La méthode d'acquisition d'images hyper-spectrales dite de scan spatial vise à acquérir ou imager simultanément toutes les longueurs d'ondes du spectre sur un capteur de type CCD. Pour réaliser la décomposition du spectre, un prisme est placé devant le capteur. Ensuite, pour constituer le cube hyper-spectral complet, on réalise un balayage spatial ligne par ligne.
La méthode d'acquisition d'images hyper-spectrales dite de scan temporel consiste à réaliser une mesure d'interférence, puis de reconstituer le spectre en faisant une transformée de Fourrier rapide (acronyme anglais : FFT) sur la mesure d'interférence. L'interférence est réalisée grâce à un système de type Michelson, qui fait interférer un rayon avec lui-même décalé temporellement.
La dernière méthode d'acquisition d'images hyper-spectrales vise à combiner le scan spectral et le scan spatial. Ainsi, le capteur CCD est partitionné sous forme de blocs. Chaque bloc du capteur CCD
traite la même région de l'espace mais avec des longueurs d'ondes différentes. Puis, un balayage spectral et spatial permet de constituer une image hyper-spectrale complète.
Plusieurs méthodes existent pour analyser et classer des images hyper-spectrales ainsi obtenues, en particulier pour la détection des lésions ou maladies d'un tissu humain.
Le document WO 99 44010 décrit une méthode et un dispositif d'imagerie hyper-spectrale pour la caractérisation d'un tissu de la peau. Il s'agit, dans ce document, de détecter un mélanome. Cette méthode est une méthode de caractérisation de l'état d'une région d'intérêt de la peau, dans laquelle l'absorption et la diffusion de la lumière dans différentes zones de fréquence sont fonction de l'état de la peau. Cette méthode comprend la génération d'une image numérique
La méthode d'acquisition d'images hyper-spectrales dite de scan spatial vise à acquérir ou imager simultanément toutes les longueurs d'ondes du spectre sur un capteur de type CCD. Pour réaliser la décomposition du spectre, un prisme est placé devant le capteur. Ensuite, pour constituer le cube hyper-spectral complet, on réalise un balayage spatial ligne par ligne.
La méthode d'acquisition d'images hyper-spectrales dite de scan temporel consiste à réaliser une mesure d'interférence, puis de reconstituer le spectre en faisant une transformée de Fourrier rapide (acronyme anglais : FFT) sur la mesure d'interférence. L'interférence est réalisée grâce à un système de type Michelson, qui fait interférer un rayon avec lui-même décalé temporellement.
La dernière méthode d'acquisition d'images hyper-spectrales vise à combiner le scan spectral et le scan spatial. Ainsi, le capteur CCD est partitionné sous forme de blocs. Chaque bloc du capteur CCD
traite la même région de l'espace mais avec des longueurs d'ondes différentes. Puis, un balayage spectral et spatial permet de constituer une image hyper-spectrale complète.
Plusieurs méthodes existent pour analyser et classer des images hyper-spectrales ainsi obtenues, en particulier pour la détection des lésions ou maladies d'un tissu humain.
Le document WO 99 44010 décrit une méthode et un dispositif d'imagerie hyper-spectrale pour la caractérisation d'un tissu de la peau. Il s'agit, dans ce document, de détecter un mélanome. Cette méthode est une méthode de caractérisation de l'état d'une région d'intérêt de la peau, dans laquelle l'absorption et la diffusion de la lumière dans différentes zones de fréquence sont fonction de l'état de la peau. Cette méthode comprend la génération d'une image numérique
3 PCT/EP2010/066342 de la peau incluant la région d'intérêt dans au moins trois bandes spectrales. Cette méthode met en oeuvre une classification et une caractérisation de lésions. Elle comprend une étape de segmentation servant à réaliser une discrimination entre les lésions et le tissu normal en fonction de l'absorption différente des lésions en fonction de la longueur d'onde, et une identification des lésions par analyse de paramètres tels que la texture, la symétrie, ou le contour. Enfin, la classification proprement dite est réalisée à partir d'un paramètre de classification L.
Le document US 5,782,770 décrit un appareil de diagnostic de tissus cancéreux et une méthode de diagnostic comprenant la génération d'une image hyper-spectrale d'un échantillon de tissu et la comparaison de cette image hyper-spectrale à une image de référence afin de diagnostiquer un cancer sans introduire d'agents spécifiques facilitant l'interaction avec les sources lumineuses.
Le document WO 2008 103918 décrit l'utilisation de la spectrométrie d'imagerie pour la détection d'un cancer de la peau. Il propose un système d'imagerie hyper-spectrale permettant d'acquérir rapidement des images à haute résolution en évitant le recalage d'images, les problèmes de distorsion d'images ou le déplacement des composants mécaniques. Il comprend une source de lumière multi-spectrale qui illumine la zone de la peau à diagnostiquer, un capteur d'images, un système optique recevant la lumière de la zone de peau et élaborant sur un capteur d'image une cartographie de la lumière délimitant les différentes régions, et un prisme de dispersion positionné entre le capteur d'image et le système optique afin de projeter le spectre des régions distinctes sur le capteur d'image. Un processeur d'image reçoit le spectre et l'analyse afin d'identifier des anomalies cancéreuses.
Le document WO 02/057426 décrit un appareil de génération d'une carte histologique bidimensionnelle à partir d'un cube de données hyper-spectrales tridimensionnelles représentant l'image scannée de col de l'utérus d'une patiente. Il comprend un processeur d'entrée normalisant les signaux spectraux fluorescents collectés du
Le document US 5,782,770 décrit un appareil de diagnostic de tissus cancéreux et une méthode de diagnostic comprenant la génération d'une image hyper-spectrale d'un échantillon de tissu et la comparaison de cette image hyper-spectrale à une image de référence afin de diagnostiquer un cancer sans introduire d'agents spécifiques facilitant l'interaction avec les sources lumineuses.
Le document WO 2008 103918 décrit l'utilisation de la spectrométrie d'imagerie pour la détection d'un cancer de la peau. Il propose un système d'imagerie hyper-spectrale permettant d'acquérir rapidement des images à haute résolution en évitant le recalage d'images, les problèmes de distorsion d'images ou le déplacement des composants mécaniques. Il comprend une source de lumière multi-spectrale qui illumine la zone de la peau à diagnostiquer, un capteur d'images, un système optique recevant la lumière de la zone de peau et élaborant sur un capteur d'image une cartographie de la lumière délimitant les différentes régions, et un prisme de dispersion positionné entre le capteur d'image et le système optique afin de projeter le spectre des régions distinctes sur le capteur d'image. Un processeur d'image reçoit le spectre et l'analyse afin d'identifier des anomalies cancéreuses.
Le document WO 02/057426 décrit un appareil de génération d'une carte histologique bidimensionnelle à partir d'un cube de données hyper-spectrales tridimensionnelles représentant l'image scannée de col de l'utérus d'une patiente. Il comprend un processeur d'entrée normalisant les signaux spectraux fluorescents collectés du
4 cube de données hyper-spectrales et extrayant les pixels des signaux spectraux indiquant la classification des tissus cervicaux. Il comprend également un dispositif de classification qui fait correspondre une catégorie de tissu à chaque pixel et un processeur d'image en lien avec le dispositif de classification qui génère une image bidimensionnelle du col de l'utérus à partir des pixels incluant des régions codées à
l'aide de code couleurs représentant les classifications des tissus du col de l'utérus.
Le document US 2006/0247514 décrit un instrument médical et une méthode de détection et d'évaluation d'un cancer à l'aide d'images hyper-spectrales. L'instrument médical comprend notamment un première étage optique illuminant le tissu, un séparateur spectral, un ou plusieurs polarisateurs, un détecteur d'image, un processeur de diagnostic et une interface de contrôle de filtre. La méthode peut être utilisée sans contact, à l'aide d'une caméra, et permet d'obtenir des informations en temps réel. Elle comporte notamment un prétraitement de l'information hyper-spectrale, la construction d'une image visuelle, la définition d'une région d'intérêt du tissu, la conversion des intensités des images hyper-spectrales en unités de densité optique, et la décomposition d'un spectre pour chaque pixel dans plusieurs composantes indépendantes.
Le document US 2003/0030801 décrit une méthode permettant l'obtention d'une ou plusieurs images d'un échantillon inconnu en éclairant l'échantillon cible avec une distribution spectrale de référence pondérée pour chaque image. La méthode analyse la ou les images résultantes et identifie les caractéristiques cibles. La fonction spectrale pondérée ainsi générée peut être obtenue à partir d'un échantillon d'images de référence et peut par exemple être déterminée par une analyse de sa composante principale, par poursuite de projection ou par analyse de composantes indépendantes ACI. La méthode est utilisable pour l'analyse d'échantillons de tissus biologiques.
Ces documents traitent les images hyper-spectrales soit comme des collections d'images à traiter individuellement, soit en réalisant une coupe du cube hyper-spectral afin d'obtenir un spectre pour chaque pixel, le spectre étant alors comparé à une base de référence.
L'homme du métier perçoit clairement les déficiences de ces méthodes tant sur le plan méthodologique que sur le plan de la vitesse de
l'aide de code couleurs représentant les classifications des tissus du col de l'utérus.
Le document US 2006/0247514 décrit un instrument médical et une méthode de détection et d'évaluation d'un cancer à l'aide d'images hyper-spectrales. L'instrument médical comprend notamment un première étage optique illuminant le tissu, un séparateur spectral, un ou plusieurs polarisateurs, un détecteur d'image, un processeur de diagnostic et une interface de contrôle de filtre. La méthode peut être utilisée sans contact, à l'aide d'une caméra, et permet d'obtenir des informations en temps réel. Elle comporte notamment un prétraitement de l'information hyper-spectrale, la construction d'une image visuelle, la définition d'une région d'intérêt du tissu, la conversion des intensités des images hyper-spectrales en unités de densité optique, et la décomposition d'un spectre pour chaque pixel dans plusieurs composantes indépendantes.
Le document US 2003/0030801 décrit une méthode permettant l'obtention d'une ou plusieurs images d'un échantillon inconnu en éclairant l'échantillon cible avec une distribution spectrale de référence pondérée pour chaque image. La méthode analyse la ou les images résultantes et identifie les caractéristiques cibles. La fonction spectrale pondérée ainsi générée peut être obtenue à partir d'un échantillon d'images de référence et peut par exemple être déterminée par une analyse de sa composante principale, par poursuite de projection ou par analyse de composantes indépendantes ACI. La méthode est utilisable pour l'analyse d'échantillons de tissus biologiques.
Ces documents traitent les images hyper-spectrales soit comme des collections d'images à traiter individuellement, soit en réalisant une coupe du cube hyper-spectral afin d'obtenir un spectre pour chaque pixel, le spectre étant alors comparé à une base de référence.
L'homme du métier perçoit clairement les déficiences de ces méthodes tant sur le plan méthodologique que sur le plan de la vitesse de
5 traitement. Par ailleurs, on peut citer les méthodes basées sur le système de représentation CIEL*a*b, et les méthodes d'analyse spectrale, notamment les méthodes fondées sur la mesure de réflectance, et celles fondées sur l'analyse du spectre d'absorption.
Cependant ces méthodes ne sont pas adaptées aux images hyper-spectrales et à la quantité de données les caractérisant.
Il a été constaté que la classification d'images hyper-spectrales est entachée d'erreurs liées à des non-détections au niveau des zones de l'image comprenant un relief.
Il existe donc un besoin pour une compensation de relief des images hyper-spectrales classées par poursuite de projection et séparation à vaste marge ou par analyse en composantes indépendantes.
Un objet de l'invention est un dispositif de compensation du relief d'images hyper-spectrales classées par poursuite de projection et séparation à vaste marge.
Un autre objet de l'invention est un procédé de compensation du relief d'images hyper-spectrales classées par poursuite de projection et séparation à vaste marge.
Un autre objet de l'invention est un dispositif de compensation du relief d'images hyper-spectrales classées par analyse en composantes indépendantes.
Un autre objet de l'invention est un procédé de compensation du relief d'images hyper-spectrales classées par analyse en composantes indépendantes.
Un autre objet de l'invention est l'application du dispositif de compensation du relief d'images hyper-spectrales classées, à la détection de lésions cutanées.
Le dispositif de compensation du relief d'au moins une image hyper-spectrale comprend au moins un capteur apte à produire au
Cependant ces méthodes ne sont pas adaptées aux images hyper-spectrales et à la quantité de données les caractérisant.
Il a été constaté que la classification d'images hyper-spectrales est entachée d'erreurs liées à des non-détections au niveau des zones de l'image comprenant un relief.
Il existe donc un besoin pour une compensation de relief des images hyper-spectrales classées par poursuite de projection et séparation à vaste marge ou par analyse en composantes indépendantes.
Un objet de l'invention est un dispositif de compensation du relief d'images hyper-spectrales classées par poursuite de projection et séparation à vaste marge.
Un autre objet de l'invention est un procédé de compensation du relief d'images hyper-spectrales classées par poursuite de projection et séparation à vaste marge.
Un autre objet de l'invention est un dispositif de compensation du relief d'images hyper-spectrales classées par analyse en composantes indépendantes.
Un autre objet de l'invention est un procédé de compensation du relief d'images hyper-spectrales classées par analyse en composantes indépendantes.
Un autre objet de l'invention est l'application du dispositif de compensation du relief d'images hyper-spectrales classées, à la détection de lésions cutanées.
Le dispositif de compensation du relief d'au moins une image hyper-spectrale comprend au moins un capteur apte à produire au
6 moins une image hyper-spectrale dans au moins deux longueurs d'ondes, un moyen de calcul apte à classer les pixels de l'image hyper-spectrale issue du capteur en fonction d'une relation de classement à
deux états, un moyen d'affichage apte à afficher au moins une image fonction des pixels classés provenant du moyen de calcul.
Le moyen de calcul comprend un moyen de compensation du relief en fonction d'au moins une image de référence.
Le moyen de compensation du relief peut être apte à combiner linéairement une image de référence avec une image hyper-spectrale.
Le moyen de compensation du relief peut être apte à combiner linéairement une image de référence avec une image hyper-spectrale en combinant linéairement l'intensité de chacun des pixels de chaque longueur d'onde de l'image hyper-spectrale avec l'intensité du pixel correspondant de l'image de référence.
L'image de référence peut être une image d'une longueur d'onde donnée comprise dans l'image hyper-spectrale générée par le capteur.
L'image de référence peut être une image comprise dans l'image hyper-spectrale réduite générée par le moyen de calcul.
Le moyen de calcul peut comprendre au moins un moyen de calcul d'une poursuite de projection, et au moins un moyen de réalisation d'une séparation à vaste marge.
Le moyen de calcul peut comprendre au moins un moyen d'analyse en composantes indépendantes.
Selon un autre aspect de l'invention, le dispositif de compensation est appliqué à la détection de lésions cutanées d'un être humain, l'image de référence étant acquise par un capteur dans une longueur d'onde située dans le domaine infrarouge.
Selon un autre aspect de l'invention, le dispositif de compensation est appliqué à la détection de lésions cutanées d'un être humain, l'image de référence étant acquise par un capteur dans une longueur d'onde située dans le domaine proche infrarouge.
deux états, un moyen d'affichage apte à afficher au moins une image fonction des pixels classés provenant du moyen de calcul.
Le moyen de calcul comprend un moyen de compensation du relief en fonction d'au moins une image de référence.
Le moyen de compensation du relief peut être apte à combiner linéairement une image de référence avec une image hyper-spectrale.
Le moyen de compensation du relief peut être apte à combiner linéairement une image de référence avec une image hyper-spectrale en combinant linéairement l'intensité de chacun des pixels de chaque longueur d'onde de l'image hyper-spectrale avec l'intensité du pixel correspondant de l'image de référence.
L'image de référence peut être une image d'une longueur d'onde donnée comprise dans l'image hyper-spectrale générée par le capteur.
L'image de référence peut être une image comprise dans l'image hyper-spectrale réduite générée par le moyen de calcul.
Le moyen de calcul peut comprendre au moins un moyen de calcul d'une poursuite de projection, et au moins un moyen de réalisation d'une séparation à vaste marge.
Le moyen de calcul peut comprendre au moins un moyen d'analyse en composantes indépendantes.
Selon un autre aspect de l'invention, le dispositif de compensation est appliqué à la détection de lésions cutanées d'un être humain, l'image de référence étant acquise par un capteur dans une longueur d'onde située dans le domaine infrarouge.
Selon un autre aspect de l'invention, le dispositif de compensation est appliqué à la détection de lésions cutanées d'un être humain, l'image de référence étant acquise par un capteur dans une longueur d'onde située dans le domaine proche infrarouge.
7 Selon un autre aspect de l'invention, le dispositif de compensation est appliqué à la détection de lésions cutanées d'un être humain, l'image de référence correspondant à une image composite issue de la poursuite de projection correspondant à la projection sur un vecteur d'images réalisées dans l'infrarouge et le proche infrarouge.
Selon un autre aspect de l'invention, le procédé de compensation du relief d'au moins une image hyper-spectrale provenant d'au moins un capteur apte à produire au moins une image hyper-spectrale dans au moins deux longueurs d'ondes, comprend au moins une étape de calcul apte à classer les pixels de l'image hyper-spectrale issue du capteur en fonction d'une relation de classement à
deux états, et une étape d'affichage apte à afficher au moins une image fonction des pixels classés provenant de l'étape de calcul. L'étape de calcul comprend une étape de compensation du relief en fonction d'au moins une image de référence.
Au cours de l'étape de compensation du relief, on peut normaliser au moins une image hyper-spectrale en fonction d'une image de référence.
On peut normaliser une image hyper-spectrale en fonction d'une image de référence, en divisant l'intensité de chacun des pixels composant l'image hyper-spectrale par l'intensité du pixel correspondant de l'image de référence.
Au cours de l'étape de compensation du relief, on peut combiner linéairement une image de référence avec une image hyper-spectrale.
On peut combiner linéairement une image de référence avec une image hyper-spectrale en combinant linéairement l'intensité de chacun des pixels de chaque longueur d'onde de l'image hyper-spectrale avec l'intensité du pixel correspondant de l'image de référence.
L'image de référence peut être une image d'une longueur d'onde donnée comprise dans l'image hyper-spectrale générée par le capteur.
Selon un autre aspect de l'invention, le procédé de compensation du relief d'au moins une image hyper-spectrale provenant d'au moins un capteur apte à produire au moins une image hyper-spectrale dans au moins deux longueurs d'ondes, comprend au moins une étape de calcul apte à classer les pixels de l'image hyper-spectrale issue du capteur en fonction d'une relation de classement à
deux états, et une étape d'affichage apte à afficher au moins une image fonction des pixels classés provenant de l'étape de calcul. L'étape de calcul comprend une étape de compensation du relief en fonction d'au moins une image de référence.
Au cours de l'étape de compensation du relief, on peut normaliser au moins une image hyper-spectrale en fonction d'une image de référence.
On peut normaliser une image hyper-spectrale en fonction d'une image de référence, en divisant l'intensité de chacun des pixels composant l'image hyper-spectrale par l'intensité du pixel correspondant de l'image de référence.
Au cours de l'étape de compensation du relief, on peut combiner linéairement une image de référence avec une image hyper-spectrale.
On peut combiner linéairement une image de référence avec une image hyper-spectrale en combinant linéairement l'intensité de chacun des pixels de chaque longueur d'onde de l'image hyper-spectrale avec l'intensité du pixel correspondant de l'image de référence.
L'image de référence peut être une image d'une longueur d'onde donnée comprise dans l'image hyper-spectrale générée par le capteur.
8 L'image de référence peut être une image comprise dans l'image hyper-spectrale réduite issue de l'étape de calcul d'une poursuite de projection.
L'étape de calcul peut comprendre au moins une étape de calcul d'une poursuite de projection, et au moins une étape de réalisation d'une séparation à vaste marge.
L'étape de calcul peut comprendre au moins une étape d'analyse en composantes indépendantes.
D'autres buts, caractéristiques et avantages apparaîtront à la lecture de la description suivante donnée uniquement en tant qu'exemple non limitatif et faite en référence en référence aux figures annexées sur lesquelles :
- la figure 1 illustre les principaux composants d'un dispositif de compensation de relief d'images hyper-spectrales selon une variante d'un mode de réalisation, - la figure 2 illustre les principaux composants d'un dispositif de compensation de relief d'images hyper-spectrales selon une autre variante d'un mode de réalisation, - la figure 3 illustre les principaux composants d'un dispositif de compensation de relief d'images hyper-spectrales selon un autre mode de réalisation, - la figure 4 illustre les principales étapes d'un procédé de compensation de relief d'images hyper-spectrales selon une variante d'un mode de réalisation, - la figure 5 illustre les principales étapes d'un procédé de compensation de relief d'images hyper-spectrales selon une autre variante d'un mode de réalisation, et - la figure 6 illustre les principales étapes d'un procédé de compensation de relief d'images hyper-spectrales selon un autre mode de réalisation.
Comme décrit précédemment, il existe plusieurs façons d'obtenir une image hyper-spectrale. Toutefois, quelle que soit la méthode d'acquisition, il n'est pas possible de réaliser un classement directement sur l'image hyper-spectrale telle qu'acquise.
L'étape de calcul peut comprendre au moins une étape de calcul d'une poursuite de projection, et au moins une étape de réalisation d'une séparation à vaste marge.
L'étape de calcul peut comprendre au moins une étape d'analyse en composantes indépendantes.
D'autres buts, caractéristiques et avantages apparaîtront à la lecture de la description suivante donnée uniquement en tant qu'exemple non limitatif et faite en référence en référence aux figures annexées sur lesquelles :
- la figure 1 illustre les principaux composants d'un dispositif de compensation de relief d'images hyper-spectrales selon une variante d'un mode de réalisation, - la figure 2 illustre les principaux composants d'un dispositif de compensation de relief d'images hyper-spectrales selon une autre variante d'un mode de réalisation, - la figure 3 illustre les principaux composants d'un dispositif de compensation de relief d'images hyper-spectrales selon un autre mode de réalisation, - la figure 4 illustre les principales étapes d'un procédé de compensation de relief d'images hyper-spectrales selon une variante d'un mode de réalisation, - la figure 5 illustre les principales étapes d'un procédé de compensation de relief d'images hyper-spectrales selon une autre variante d'un mode de réalisation, et - la figure 6 illustre les principales étapes d'un procédé de compensation de relief d'images hyper-spectrales selon un autre mode de réalisation.
Comme décrit précédemment, il existe plusieurs façons d'obtenir une image hyper-spectrale. Toutefois, quelle que soit la méthode d'acquisition, il n'est pas possible de réaliser un classement directement sur l'image hyper-spectrale telle qu'acquise.
9 On rappelle à l'occasion qu'un cube hyper-spectral est un ensemble d'images réalisées chacune à une longueur d'onde donnée.
Chaque image est à deux dimensions, les images étant empilées selon une troisième direction en fonction de la variation de la longueur d'onde leur correspondant. De part la structure tridimensionnelle obtenue, on appelle l'ensemble un cube hyper-spectral. L'appellation image hyper-spectrale peut également être employée pour désigner la même entité.
Un cube hyper-spectral contient une quantité importante de données. Cependant, dans de tels cubes, on retrouve de grands espaces vides en terme d'information et des sous-espaces contenant beaucoup d'information. La projection des données dans un espace de dimension inférieure permet donc de regrouper l'information utile dans un espace réduit en n'engendrant que très peu de perte d'information. Cette réduction est alors importante pour la classification.
On rappelle que le but de la classification est de déterminer parmi l'ensemble des pixels composant l'image hyper-spectrale, ceux qui répondent favorablement ou défavorablement à une relation de classement à deux états. Il est ainsi possible de déterminer les parties d'une scène présentant une caractéristique ou une substance. Le classement peut être réalisé au moins de deux manières différentes, par poursuite de projection et séparation à vaste marge ou par décomposition en composantes indépendantes.
Lorsque le classement est réalisé par poursuite de projection et séparation à vaste marge, il comprend essentiellement deux étapes.
Une première étape correspond à une étape de poursuite de projection au cours de laquelle le cube hyper-spectral va être réduit par projection sur des vecteurs de projection afin d'obtenir une image hyper-spectrale réduite. Une deuxième étape correspond à une étape de séparation à vaste marge au cours de laquelle les pixels de l'image hyper-spectrale réduite vont être classés selon une relation de classement à deux états.
Lorsque le classement est réalisé par décomposition en composantes indépendantes (ACI), encore appelée séparation de sources, on applique une méthode qui vise à décomposer une image hyper-spectrale en, au maximum, autant de composantes que d'images formant l'image hyper-spectrale, de telle sorte que ces composantes soient statistiquement indépendantes les unes des autres.
5 Mathématiquement, la séparation de source linéaire se présente comme suit :
X,j = A.S,j + B,j (Eq. 1) Dans ce modèle, l'analyse est réalisée sur chaque vecteur pixel individuellement car l'on s'intéresse uniquement à l'information
Chaque image est à deux dimensions, les images étant empilées selon une troisième direction en fonction de la variation de la longueur d'onde leur correspondant. De part la structure tridimensionnelle obtenue, on appelle l'ensemble un cube hyper-spectral. L'appellation image hyper-spectrale peut également être employée pour désigner la même entité.
Un cube hyper-spectral contient une quantité importante de données. Cependant, dans de tels cubes, on retrouve de grands espaces vides en terme d'information et des sous-espaces contenant beaucoup d'information. La projection des données dans un espace de dimension inférieure permet donc de regrouper l'information utile dans un espace réduit en n'engendrant que très peu de perte d'information. Cette réduction est alors importante pour la classification.
On rappelle que le but de la classification est de déterminer parmi l'ensemble des pixels composant l'image hyper-spectrale, ceux qui répondent favorablement ou défavorablement à une relation de classement à deux états. Il est ainsi possible de déterminer les parties d'une scène présentant une caractéristique ou une substance. Le classement peut être réalisé au moins de deux manières différentes, par poursuite de projection et séparation à vaste marge ou par décomposition en composantes indépendantes.
Lorsque le classement est réalisé par poursuite de projection et séparation à vaste marge, il comprend essentiellement deux étapes.
Une première étape correspond à une étape de poursuite de projection au cours de laquelle le cube hyper-spectral va être réduit par projection sur des vecteurs de projection afin d'obtenir une image hyper-spectrale réduite. Une deuxième étape correspond à une étape de séparation à vaste marge au cours de laquelle les pixels de l'image hyper-spectrale réduite vont être classés selon une relation de classement à deux états.
Lorsque le classement est réalisé par décomposition en composantes indépendantes (ACI), encore appelée séparation de sources, on applique une méthode qui vise à décomposer une image hyper-spectrale en, au maximum, autant de composantes que d'images formant l'image hyper-spectrale, de telle sorte que ces composantes soient statistiquement indépendantes les unes des autres.
5 Mathématiquement, la séparation de source linéaire se présente comme suit :
X,j = A.S,j + B,j (Eq. 1) Dans ce modèle, l'analyse est réalisée sur chaque vecteur pixel individuellement car l'on s'intéresse uniquement à l'information
10 spectrale. Par information spectrale, on entend la variation d'intensité
en fonction de la longueur d'onde pour un pixel donné (c'est-à-dire lorsque les coordonnées (x;y) du pixel sont fixes). Faire une analyse en composantes indépendantes d'une image hyper-spectrale, revient donc à déterminer la matrice de mélange A, après avoir débruité
l'image.
La matrice A contient, sur chaque colonne k, la combinaison des bandes spectrales qui permet de retrouver la kième composante pure.
Le vecteur S j, qui contient les proportions de chacune des composantes pures constituant le vecteur X,j, doit respecter les contraintes suivantes:
VkE [0,N],S (k)>_ 0 (Eq. 2) et ÉS(k)1 (Eq. 3) k=1 En effet, une composante qui a une valeur négative sur un vecteur n'a pas de sens (l'intensité mesurée à une longueur d'onde donnée est au moins nulle, une intensité négative n'ayant pas de sens physique). De même, une composante dont la somme des proportions est différente de l'unité n'aurait pas de sens, puisque une partie serait manquante.
Le modèle linéaire de séparation de source définit ci-dessus présente deux indéterminations. En effet, la permutation des colonnes
en fonction de la longueur d'onde pour un pixel donné (c'est-à-dire lorsque les coordonnées (x;y) du pixel sont fixes). Faire une analyse en composantes indépendantes d'une image hyper-spectrale, revient donc à déterminer la matrice de mélange A, après avoir débruité
l'image.
La matrice A contient, sur chaque colonne k, la combinaison des bandes spectrales qui permet de retrouver la kième composante pure.
Le vecteur S j, qui contient les proportions de chacune des composantes pures constituant le vecteur X,j, doit respecter les contraintes suivantes:
VkE [0,N],S (k)>_ 0 (Eq. 2) et ÉS(k)1 (Eq. 3) k=1 En effet, une composante qui a une valeur négative sur un vecteur n'a pas de sens (l'intensité mesurée à une longueur d'onde donnée est au moins nulle, une intensité négative n'ayant pas de sens physique). De même, une composante dont la somme des proportions est différente de l'unité n'aurait pas de sens, puisque une partie serait manquante.
Le modèle linéaire de séparation de source définit ci-dessus présente deux indéterminations. En effet, la permutation des colonnes
11 de A, modifie l'ordre des sources. Le modèle est donc défini à une permutation près. De plus, si l'on multiplie les colonnes de A par des constantes non nulles, cela induit une seconde indétermination du modèle, concernant cette fois-ci l'amplitude des sources. Cette seconde indétermination pour le cas particulier où la constante multiplicative est égale à -1, fait apparaître le négatif d'une source.
L'élément crucial quant à la réussite d'une décomposition en composantes indépendantes réside dans l'estimation de la matrice de mélange A. Pour faire cette estimation de A, deux familles d'algorithmes peuvent êtres distinguées.
La première consiste à estimer A itérativement, par des méthodes apparentées à la descente de gradient, en optimisant un critère d'indépendance entre les composantes. Ce type de méthode est donc très proche de celles utilisées précédemment pour la poursuite de projection.
La seconde famille d'algorithmes permet d'estimer A, en définissant l'indépendance entre les composantes grâce aux matrices des cumulants. Ainsi, A est construite par diagonalisation des matrices des cumulants. Dans une publication ( High order contrasts for independant component Analysis , Neural Computation, Vol.11, no.
1, pp 157-192, Janvier 1999, J.F. Cardoso et al.), Cardoso montre que le fait de choisir les cumulants d'ordre deux et quatre permet d'avoir une méthode mathématiquement équivalente à une analyse en composantes indépendantes par minimisation de l'indice de Kullback-Leibler.
Les méthodes de réduction de données hyper-spectrales par analyse en composantes indépendantes permettent d'obtenir un cube réduit d'image hyper-spectrale. Cependant, comme pour la méthode de poursuite de projection et de séparation à vaste marge, la présence de reliefs ou d'ombres peut engendrer un problème de détection.
Ainsi quelle que soit la méthode de réduction des données d'un cube hyper-spectral, il est important de réaliser un prétraitement au cube hyper-spectral de manière à compenser au mieux ces effets de
L'élément crucial quant à la réussite d'une décomposition en composantes indépendantes réside dans l'estimation de la matrice de mélange A. Pour faire cette estimation de A, deux familles d'algorithmes peuvent êtres distinguées.
La première consiste à estimer A itérativement, par des méthodes apparentées à la descente de gradient, en optimisant un critère d'indépendance entre les composantes. Ce type de méthode est donc très proche de celles utilisées précédemment pour la poursuite de projection.
La seconde famille d'algorithmes permet d'estimer A, en définissant l'indépendance entre les composantes grâce aux matrices des cumulants. Ainsi, A est construite par diagonalisation des matrices des cumulants. Dans une publication ( High order contrasts for independant component Analysis , Neural Computation, Vol.11, no.
1, pp 157-192, Janvier 1999, J.F. Cardoso et al.), Cardoso montre que le fait de choisir les cumulants d'ordre deux et quatre permet d'avoir une méthode mathématiquement équivalente à une analyse en composantes indépendantes par minimisation de l'indice de Kullback-Leibler.
Les méthodes de réduction de données hyper-spectrales par analyse en composantes indépendantes permettent d'obtenir un cube réduit d'image hyper-spectrale. Cependant, comme pour la méthode de poursuite de projection et de séparation à vaste marge, la présence de reliefs ou d'ombres peut engendrer un problème de détection.
Ainsi quelle que soit la méthode de réduction des données d'un cube hyper-spectral, il est important de réaliser un prétraitement au cube hyper-spectral de manière à compenser au mieux ces effets de
12 relief, afin de favoriser la classification des pixels se situant dans les zones de relief ou influencés par les zones de relief.
Lorsque l'on considère la réduction par poursuite de projection et séparation à vaste marge, deux méthodes de compensation peuvent être appliquées. Une première méthode est une méthode de compensation par normalisation.
Lorsque l'on applique l'algorithme de poursuite de projection suivi d'une séparation à vaste marge (SVM) directement sur un cube de données, il apparaît des non-détections au niveau des zones où il y a du relief dans l'image. Pour pouvoir détecter les caractéristiques de ces zones, il faut donc appliquer un prétraitement au cube image de manière à compenser au mieux ces effets de relief.
Afin de compenser les effets de relief, on utilise une image ne comprenant que des informations relatives au relief, et dénuée d'informations susceptibles de classement par le SVM. On peut par exemple se placer dans une zone du spectre dans laquelle l'onde électromagnétique ne réagira pas avec les constituants de la scène analysée. Chacune des images du cube est alors divisée pixel à pixel par l'image de référence. Il en résulte une bonne compensation des effets d'ombres sur les bords des images.
Une deuxième méthode est une méthode de compensation par soustraction.
Toujours à partir d'une image de référence ne comprenant que des informations relatives au relief, on propose une méthode de normalisation par soustraction du relief à l'ensemble des images du cube. Pour réaliser le modèle du relief, on introduit une image C qui mesure la différence de niveaux, entre le maximum de l'image de référence, et l'ensemble des pixels de l'image de référence :
C(i, j) = Max(IR) - IR(i, j) (Eq. 1) IR représentant une image proche infrarouge, et i,j les indices de position de chaque pixel dans l'image.
Ensuite, chacune des images du cube peut être compensée par cette image C :
I~ =I~1 +z=C (Il q. 2)
Lorsque l'on considère la réduction par poursuite de projection et séparation à vaste marge, deux méthodes de compensation peuvent être appliquées. Une première méthode est une méthode de compensation par normalisation.
Lorsque l'on applique l'algorithme de poursuite de projection suivi d'une séparation à vaste marge (SVM) directement sur un cube de données, il apparaît des non-détections au niveau des zones où il y a du relief dans l'image. Pour pouvoir détecter les caractéristiques de ces zones, il faut donc appliquer un prétraitement au cube image de manière à compenser au mieux ces effets de relief.
Afin de compenser les effets de relief, on utilise une image ne comprenant que des informations relatives au relief, et dénuée d'informations susceptibles de classement par le SVM. On peut par exemple se placer dans une zone du spectre dans laquelle l'onde électromagnétique ne réagira pas avec les constituants de la scène analysée. Chacune des images du cube est alors divisée pixel à pixel par l'image de référence. Il en résulte une bonne compensation des effets d'ombres sur les bords des images.
Une deuxième méthode est une méthode de compensation par soustraction.
Toujours à partir d'une image de référence ne comprenant que des informations relatives au relief, on propose une méthode de normalisation par soustraction du relief à l'ensemble des images du cube. Pour réaliser le modèle du relief, on introduit une image C qui mesure la différence de niveaux, entre le maximum de l'image de référence, et l'ensemble des pixels de l'image de référence :
C(i, j) = Max(IR) - IR(i, j) (Eq. 1) IR représentant une image proche infrarouge, et i,j les indices de position de chaque pixel dans l'image.
Ensuite, chacune des images du cube peut être compensée par cette image C :
I~ =I~1 +z=C (Il q. 2)
13 max(X)-min(X) avec z = *0 max (IR) - min (IR) et avec Il représentant une image du cube, et Ixc cette même image après compensation. Un facteur z est introduit de manière à
palier les différences d'échelles entre les images. Le facteur z est le rapport entre l'écart entre l'intensité maximale et l'intensité minimale d'une image du cube hyper-spectral noté k et l'écart entre l'intensité
maximale et l'intensité minimale de l'image de référence notée IR.
La méthode de compensation par soustraction, également appelée méthode de compensation par combinaison linéaire en raison de l'équation Eq. 2, permet de réduire encore plus le nombre de fausses détections par rapport à la méthode de compensation par normalisation.
En variante, il est également possible d'appliquer cette compensation non pas sur le cube initial, mais sur le cube réduit par poursuite de projection. Ainsi, on ne fait pas une compensation par une seule image de référence mais par une combinaison linéaire de plusieurs images de référence situées dans une gamme de fréquences voisine et présentant toutes la faculté de ne réagir qu'au relief de la scène observée.
Lorsque la réduction par analyse en composantes indépendantes est employée, il n'est pas possible de compenser les reliefs grâce à un prétraitement. Si on réalise une compensation par prétraitement, on ne fait que translater ou multiplier chacune des images par une même image (au facteur z près dans le cas de la compensation par soustraction), ce qui donne un cube équivalent au premier du point de vue de l'ACI.
Pour diminuer les effets de relief, la compensation est donc appliquée en post-traitement sur la source sélectionnée.
Si l'on compense la source par normalisation par une bande donnée, alors, comme pour la poursuite de projection et SVM, le nombre de fausses détections dues aux ombres diminue, mais pas les fausses détections dues aux reliefs. Enfin, la compensation par
palier les différences d'échelles entre les images. Le facteur z est le rapport entre l'écart entre l'intensité maximale et l'intensité minimale d'une image du cube hyper-spectral noté k et l'écart entre l'intensité
maximale et l'intensité minimale de l'image de référence notée IR.
La méthode de compensation par soustraction, également appelée méthode de compensation par combinaison linéaire en raison de l'équation Eq. 2, permet de réduire encore plus le nombre de fausses détections par rapport à la méthode de compensation par normalisation.
En variante, il est également possible d'appliquer cette compensation non pas sur le cube initial, mais sur le cube réduit par poursuite de projection. Ainsi, on ne fait pas une compensation par une seule image de référence mais par une combinaison linéaire de plusieurs images de référence situées dans une gamme de fréquences voisine et présentant toutes la faculté de ne réagir qu'au relief de la scène observée.
Lorsque la réduction par analyse en composantes indépendantes est employée, il n'est pas possible de compenser les reliefs grâce à un prétraitement. Si on réalise une compensation par prétraitement, on ne fait que translater ou multiplier chacune des images par une même image (au facteur z près dans le cas de la compensation par soustraction), ce qui donne un cube équivalent au premier du point de vue de l'ACI.
Pour diminuer les effets de relief, la compensation est donc appliquée en post-traitement sur la source sélectionnée.
Si l'on compense la source par normalisation par une bande donnée, alors, comme pour la poursuite de projection et SVM, le nombre de fausses détections dues aux ombres diminue, mais pas les fausses détections dues aux reliefs. Enfin, la compensation par
14 soustraction permet à la fois de diminuer les fausses détections dues aux reliefs et aux ombres.
Le dispositif de compensation du relief comprend au moins un capteur 1 apte à produire au moins une image hyper-spectrale dans au moins deux longueurs d'ondes, un moyen de calcul 2 apte à traiter les données reçues d'un capteur. Un moyen d'affichage 3 est apte à
afficher au moins une image classée provenant du moyen de calcul 2.
Selon la méthode de réduction des données hyper-spectrales, différents moyens de calcul 2 peuvent être considérés.
Dans un mode de réalisation, le moyen de calcul 2 comprend au moins un moyen de calcul 4 d'une poursuite de projection, et au moins un moyen de réalisation 5 d'une séparation à vaste marge.
Dans un autre mode de réalisation, le moyen de calcul 2 comprend un moyen de calcul 12 par analyse en composantes indépendantes.
Le moyen de calcul 2 comprend en outre un moyen de compensation 6 du relief en fonction d'au moins une image de référence.
Dans une variante du premier mode de réalisation illustré par la figure 1, le moyen de compensation 6 du relief est situé entre le moyen de calcul 4 d'une poursuite de projection et le moyen de réalisation 5 d'une séparation à vaste marge.
Dans une autre variante du premier mode de réalisation illustré
par la figure 2, le moyen de compensation 6 du relief est situé entre le capteur 1 et le moyen de calcul 4 d'une poursuite de projection.
Dans le deuxième mode de réalisation illustré par la figure 3, le moyen de compensation 6 du relief est situé entre le moyen de calcul 12 par analyse en composantes indépendantes et le moyen d'affichage 3.
Le procédé de compensation du relief d'une image hyper-spectrale à au moins deux longueurs d'ondes, comprenant une étape de calcul apte à traiter les données reçues d'une étape 7 d'acquisition, et une étape 11 d'affichage apte à afficher au moins une image classée provenant de l'étape de calcul.
Selon la méthode de réduction des données hyper-spectrales, différentes étapes de calcul peuvent être considérés.
Dans un mode de réalisation illustré par les figures 4 et 5, l'étape de calcul comprend au moins une étape de calcul 8 d'une 5 poursuite de projection, suivie d'au moins une étape 10 de réalisation d'une séparation à vaste marge.
Dans un autre mode de réalisation illustré par la figure 6, l'étape de calcul comprend une étape de calcul 13 par analyse en composantes indépendantes.
10 L'étape de calcul comprend en outre une étape 9 de compensation du relief en fonction d'au moins une image de référence.
Dans une variante du premier mode de réalisation illustré par la figure 4, l'étape 9 de compensation du relief est située entre l'étape d'acquisition 7 de l'image hyper-spectrale par au moins un capteur 1
Le dispositif de compensation du relief comprend au moins un capteur 1 apte à produire au moins une image hyper-spectrale dans au moins deux longueurs d'ondes, un moyen de calcul 2 apte à traiter les données reçues d'un capteur. Un moyen d'affichage 3 est apte à
afficher au moins une image classée provenant du moyen de calcul 2.
Selon la méthode de réduction des données hyper-spectrales, différents moyens de calcul 2 peuvent être considérés.
Dans un mode de réalisation, le moyen de calcul 2 comprend au moins un moyen de calcul 4 d'une poursuite de projection, et au moins un moyen de réalisation 5 d'une séparation à vaste marge.
Dans un autre mode de réalisation, le moyen de calcul 2 comprend un moyen de calcul 12 par analyse en composantes indépendantes.
Le moyen de calcul 2 comprend en outre un moyen de compensation 6 du relief en fonction d'au moins une image de référence.
Dans une variante du premier mode de réalisation illustré par la figure 1, le moyen de compensation 6 du relief est situé entre le moyen de calcul 4 d'une poursuite de projection et le moyen de réalisation 5 d'une séparation à vaste marge.
Dans une autre variante du premier mode de réalisation illustré
par la figure 2, le moyen de compensation 6 du relief est situé entre le capteur 1 et le moyen de calcul 4 d'une poursuite de projection.
Dans le deuxième mode de réalisation illustré par la figure 3, le moyen de compensation 6 du relief est situé entre le moyen de calcul 12 par analyse en composantes indépendantes et le moyen d'affichage 3.
Le procédé de compensation du relief d'une image hyper-spectrale à au moins deux longueurs d'ondes, comprenant une étape de calcul apte à traiter les données reçues d'une étape 7 d'acquisition, et une étape 11 d'affichage apte à afficher au moins une image classée provenant de l'étape de calcul.
Selon la méthode de réduction des données hyper-spectrales, différentes étapes de calcul peuvent être considérés.
Dans un mode de réalisation illustré par les figures 4 et 5, l'étape de calcul comprend au moins une étape de calcul 8 d'une 5 poursuite de projection, suivie d'au moins une étape 10 de réalisation d'une séparation à vaste marge.
Dans un autre mode de réalisation illustré par la figure 6, l'étape de calcul comprend une étape de calcul 13 par analyse en composantes indépendantes.
10 L'étape de calcul comprend en outre une étape 9 de compensation du relief en fonction d'au moins une image de référence.
Dans une variante du premier mode de réalisation illustré par la figure 4, l'étape 9 de compensation du relief est située entre l'étape d'acquisition 7 de l'image hyper-spectrale par au moins un capteur 1
15 et l'étape de 8 calcul d'une poursuite de projection.
Dans une autre variante du premier mode de réalisation illustré
par la figure 5, l'étape 9 de compensation du relief est située entre l'étape de calcul 8 d'une poursuite de projection et l'étape 10 de réalisation d'une séparation à vaste marge.
Dans le deuxième mode de réalisation illustré par la figure 6, l'étape 9 de compensation du relief est située entre l'étape de calcul 13 par analyse en composantes indépendantes et l'étape 11 d' affichage.
Par ailleurs, l'image de référence permettant la compensation du relief peut être une image unique représentant le relief à
compenser, ou une image à une longueur d'onde donnée également représentative du relief à compenser, ou une combinaison linéaire de plusieurs images de référence.
Dans le cadre d'une application dermatologique, on cherche à
déterminer la présence de lésions cutanées. La peau réagit très peu au rayonnement en proche infrarouge. Les images prises à ces longueurs d'onde ne contiennent alors quasiment que les reliefs dus à la morphologie du patient (nez bouche,..), et les ombres de bords d'image. Les images de références sont donc prises soit dans la gamme
Dans une autre variante du premier mode de réalisation illustré
par la figure 5, l'étape 9 de compensation du relief est située entre l'étape de calcul 8 d'une poursuite de projection et l'étape 10 de réalisation d'une séparation à vaste marge.
Dans le deuxième mode de réalisation illustré par la figure 6, l'étape 9 de compensation du relief est située entre l'étape de calcul 13 par analyse en composantes indépendantes et l'étape 11 d' affichage.
Par ailleurs, l'image de référence permettant la compensation du relief peut être une image unique représentant le relief à
compenser, ou une image à une longueur d'onde donnée également représentative du relief à compenser, ou une combinaison linéaire de plusieurs images de référence.
Dans le cadre d'une application dermatologique, on cherche à
déterminer la présence de lésions cutanées. La peau réagit très peu au rayonnement en proche infrarouge. Les images prises à ces longueurs d'onde ne contiennent alors quasiment que les reliefs dus à la morphologie du patient (nez bouche,..), et les ombres de bords d'image. Les images de références sont donc prises soit dans la gamme
16 infrarouge, soit dans la gamme proche infrarouge, soit dans une combinaison linéaire des deux dans le cas où l'on choisit un vecteur de projection situé dans l'infrarouge et déterminé par l'étape de poursuite de projection pour compenser l'image hyper-spectrale réduite issue elle aussi de la poursuite de projection.
Claims (17)
1. Dispositif de compensation du relief d'au moins une image hyper-spectrale comprenant au moins un capteur (1) apte à produire au moins une image hyper-spectrale dans au moins deux longueurs d'ondes, un moyen de calcul (2) apte à classer les pixels de l'image hyper-spectrale issue du capteur (1) en fonction d'une relation de classement à deux états, un moyen d'affichage (3) apte à afficher au moins une image fonction des pixels classés provenant du moyen de calcul (2), caractérisé en ce que le moyen de calcul (2) comprend un moyen de compensation (6) du relief en fonction d'au moins une image de référence.
2. Dispositif de compensation selon la revendication 1, dans lequel le moyen de compensation du relief est apte à combiner linéairement une image de référence avec une image hyper-spectrale.
3. Dispositif de compensation selon la revendication 2, dans lequel le moyen de compensation du relief est apte à combiner linéairement une image de référence avec une image hyper-spectrale en combinant linéairement l'intensité de chacun des pixels de chaque longueur d'onde de l'image hyper-spectrale avec l'intensité du pixel correspondant de l'image de référence.
4. Dispositif de compensation selon l'une quelconque des revendications 1 à 3, dans lequel l'image de référence est une image d'une longueur d'onde donnée comprise dans l'image hyper-spectrale générée par le capteur.
5. Dispositif de compensation selon l'une quelconque des revendications 1 à 3, dans lequel l'image de référence est une image comprise dans l'image hyper-spectrale réduite générée par le moyen de calcul (2).
6. Dispositif de compensation selon l'une quelconque des revendications 1 à 5, dans lequel le moyen de calcul (2) comprend au moins un moyen de calcul (4) d'une poursuite de projection, et au moins un moyen de réalisation (5) d'une séparation à vaste marge.
7. Dispositif de compensation selon l'une quelconque des revendications 1 à 4, dans lequel le moyen de calcul (2) comprend au moins un moyen d'analyse (12) en composantes indépendantes.
8. Application du dispositif d'analyse selon l'une des revendications 1 à 7, à la détection de lésions cutanées d'un être humain, l'image de référence est acquise par un capteur dans une longueur d'onde située dans le domaine infrarouge.
9. Application du dispositif d'analyse selon l'une des revendications 1 à 7, à la détection de lésions cutanées d'un être humain, l'image de référence est acquise par un capteur dans une longueur d'onde située dans le domaine proche infrarouge.
10. Application du dispositif d'analyse selon la revendication 1 à 6, à la détection de lésions cutanées d'un être humain, l'image de référence correspond à une image composite issue de la poursuite de projection correspondant à la projection sur un vecteur d'images réalisées dans l'infrarouge et le proche infrarouge.
11. Procédé de compensation du relief d'au moins une image hyper-spectrale provenant d'au moins un capteur apte à produire au moins une image hyper-spectrale dans au moins deux longueurs d'ondes, comprenant au moins une étape de calcul apte à classer les pixels de l'image hyper-spectrale issue du capteur en fonction d'une relation de classement à deux états, et une étape d'affichage apte à
afficher au moins une image fonction des pixels classés provenant de l'étape de calcul, caractérisé en ce que l'étape de calcul comprend une étape de compensation du relief en fonction d'au moins une image de référence.
afficher au moins une image fonction des pixels classés provenant de l'étape de calcul, caractérisé en ce que l'étape de calcul comprend une étape de compensation du relief en fonction d'au moins une image de référence.
12. Procédé de compensation selon la revendication 11, dans lequel, au cours de l'étape de compensation du relief, on combine linéairement une image de référence avec une image hyper-spectrale.
13. Procédé de compensation selon la revendication 12, dans lequel on combine linéairement une image de référence avec une image hyper-spectrale en combinant linéairement l'intensité de chacun des pixels de chaque longueur d'onde de l'image hyper-spectrale avec l'intensité du pixel correspondant de l'image de référence.
14. Procédé de compensation selon l'une quelconque des revendications 11 à 13, dans lequel l'image de référence est une image d'une longueur d'onde donnée comprise dans l'image hyper-spectrale générée par le capteur.
15. Procédé de compensation selon l'une quelconque des revendications 11 à 13, dans lequel l'image de référence est une image comprise dans l'image hyper-spectrale réduite issue de l'étape de calcul d'une poursuite de projection.
16. Procédé de compensation selon l'une quelconque des revendications 11 à 15, dans lequel l'étape de calcul comprend au moins une étape de calcul d'une poursuite de projection, et au moins une étape de réalisation d'une séparation à vaste marge.
17. Procédé de compensation selon l'une quelconque des revendications 11 à 14, dans lequel l'étape de calcul comprend au moins une étape d'analyse (13) en composantes indépendantes.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR0957626 | 2009-10-29 | ||
| FR0957626A FR2952217B1 (fr) | 2009-10-29 | 2009-10-29 | Dispositif et procede de compensation de relief d'images hyper-spectrales. |
| PCT/EP2010/066342 WO2011051383A1 (fr) | 2009-10-29 | 2010-10-28 | Dispositif et procede de compensation de relief d'images hyper-spectrales |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CA2778676A1 true CA2778676A1 (fr) | 2011-05-05 |
Family
ID=42077050
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CA2778676A Abandoned CA2778676A1 (fr) | 2009-10-29 | 2010-10-28 | Dispositif et procede de compensation de relief d'images hyper-spectrales |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20120242858A1 (fr) |
| EP (1) | EP2494521A1 (fr) |
| JP (1) | JP2013509630A (fr) |
| CA (1) | CA2778676A1 (fr) |
| FR (1) | FR2952217B1 (fr) |
| WO (1) | WO2011051383A1 (fr) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8600213B2 (en) * | 2011-10-26 | 2013-12-03 | Xerox Corporation | Filtering source video data via independent component selection |
| EP3115925A1 (fr) * | 2015-07-07 | 2017-01-11 | Vito NV | Procédé et système pour la transformation d'images spectrales |
| KR102441334B1 (ko) | 2017-08-01 | 2022-09-06 | 삼성전자주식회사 | 생체 정보 처리 장치 및 방법 |
| KR102510174B1 (ko) | 2017-09-13 | 2023-03-14 | 삼성전자주식회사 | 질병 예측 모델 생성 장치, 질병 예측 장치 및 방법 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5782770A (en) | 1994-05-12 | 1998-07-21 | Science Applications International Corporation | Hyperspectral imaging methods and apparatus for non-invasive diagnosis of tissue for cancer |
| US6081612A (en) | 1997-02-28 | 2000-06-27 | Electro Optical Sciences Inc. | Systems and methods for the multispectral imaging and characterization of skin tissue |
| US6750964B2 (en) * | 1999-08-06 | 2004-06-15 | Cambridge Research And Instrumentation, Inc. | Spectral imaging methods and systems |
| AU2002253784A1 (en) * | 2000-11-07 | 2002-08-28 | Hypermed, Inc. | Hyperspectral imaging calibration device |
| US20020146160A1 (en) | 2001-01-19 | 2002-10-10 | Parker Mary F. | Method and apparatus for generating two-dimensional images of cervical tissue from three-dimensional hyperspectral cubes |
| CA3031088A1 (fr) * | 2004-11-29 | 2006-06-01 | Hypermed Imaging, Inc. | Imagerie medicale en hyperespace spectral destinee a l'evaluation de tissus et de tumeurs |
| EP2237189B1 (fr) * | 2005-01-27 | 2018-08-01 | Cambridge Research & Instrumentation, Inc. | Classification des propriétés d'images |
| US8315692B2 (en) | 2007-02-22 | 2012-11-20 | Sheinis Andrew I | Multi-spectral imaging spectrometer for early detection of skin cancer |
-
2009
- 2009-10-29 FR FR0957626A patent/FR2952217B1/fr not_active Expired - Fee Related
-
2010
- 2010-10-28 US US13/504,865 patent/US20120242858A1/en not_active Abandoned
- 2010-10-28 CA CA2778676A patent/CA2778676A1/fr not_active Abandoned
- 2010-10-28 WO PCT/EP2010/066342 patent/WO2011051383A1/fr active Application Filing
- 2010-10-28 JP JP2012535825A patent/JP2013509630A/ja active Pending
- 2010-10-28 EP EP10776626A patent/EP2494521A1/fr not_active Withdrawn
Also Published As
| Publication number | Publication date |
|---|---|
| FR2952217B1 (fr) | 2011-12-30 |
| JP2013509630A (ja) | 2013-03-14 |
| FR2952217A1 (fr) | 2011-05-06 |
| EP2494521A1 (fr) | 2012-09-05 |
| US20120242858A1 (en) | 2012-09-27 |
| WO2011051383A1 (fr) | 2011-05-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CA2778682A1 (fr) | Procede et dispositif d'analyse d'images hyper-spectrales | |
| EP3714399B1 (fr) | Dispositif de détection hyperspectrale | |
| WO2013098512A1 (fr) | Procédé et dispositif de détection et de quantification de signes cutanés sur une zone de peau | |
| US20080319712A1 (en) | Discrete principal component analysis (dpca) | |
| WO2020127422A1 (fr) | Dispositif de détection hyperspectrale | |
| WO2019053364A1 (fr) | Dispositif de capture d'une image hyperspectrale | |
| CA3095089A1 (fr) | Methode de detection de cellules presentant au moins une anomalie dans un echantilllon cytologique | |
| CA2778676A1 (fr) | Dispositif et procede de compensation de relief d'images hyper-spectrales | |
| FR3098962A1 (fr) | Système de détection d’une particularité hyperspectrale | |
| EP3956712B1 (fr) | Dispositif de microscopie holographique hyperspectrale par fusion de capteurs | |
| FR3029671B1 (fr) | Procede pour l'analyse assistee par ordinateur d'une ou plusieurs coupes de tissu du corps humain ou animal | |
| EP3911218B1 (fr) | Dispositif pour la caractérisation et la comparaison de zones érythémales | |
| EP2666147A1 (fr) | Détermination de l'efficacité d'un traitement | |
| EP3427225B1 (fr) | Procédé de traitement d'images | |
| EP4166931B1 (fr) | Méthode de cartographie multi-espèces d'une zone à partir de données spectrales | |
| EP3318932A1 (fr) | Système et procédé de retrait de lentilles d'artéfact d'images doubles en imagerie sans lentille | |
| Kumar et al. | Segmentation of Spectral Plant Images Using Generative Adversary Network Techniques. Electronics 2022, 11, 2611 | |
| WO2022218686A1 (fr) | Filtrage d'imagerie spectrale avec inter-contamination spectrale minimale | |
| Peters et al. | Investigating the applicability of a snapshot Computed Tomography Imaging Spectrometer for the prediction of° Brix and pH of grapes | |
| FR3057690A1 (fr) | Methode de completion d'une image d'une scene exploitant les caracteristiques spectrales de la scene | |
| FR3091382A1 (fr) | Dispositif de détection à acquisition hyperspectrale | |
| CA2824911A1 (fr) | Determination par analyse en composantes independantes de l'efficacite d'un traitement | |
| WO2010081972A1 (fr) | Dispositif et procédé de caractérisation d'une surface de peau |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| EEER | Examination request | ||
| FZDE | Discontinued |
Effective date: 20151028 |