Volume 52, Number 1, 2011 © 2011 – Mediamira Science Publisher. All rights reserved. 9 Segmentation des images médicales par des algorithmes génétiques H.S. RAHLI et N. BENAMRANE Résumé: Dans cet article, nous avons étudié la segmentation des images médicales à laquelle nous avons appliqué les algorithmes génétiques. Nous allons réunir les deux modes pour pallier à ce problème. Dans un premier temps, nous avons utilisé l’algorithme de qua dtree qui permet de découper l'image en quatre régions selon l’étendue, le gradient et la variance de chacune des régions . Nous réitérons ce découpage sur chaque rectangle obtenu. Le processus s'arrête lorsque les régions sont homogènes. Dans un deuxième temps, nous utilisons les algorithmes génétiques pour pouvoir fusionner les régions voisines qui se ressemblent. Ce processus est réitéré jusqu'a ce qu'il soit impossible de trouver deux régions voisines suffisamment semblables. Mots clés: Segmentation des images, Quadtree, Croissance des régions, Algorithmes génétiques 1. INTRODUCTION La segmentation est une étape fondamentale et importante dans plusieurs applications très variées de vision par ordinateur tels que les télécommunications (T.V., vidéo, publicité,...), la médecine (radiographie, ultrasons,...), biologie, astronomie, géologie, l’industrie (robotique, sécurité), la météorologie, l’architecture, l’imprimerie, l’armement (application militaire). Segmenter une image consiste à créer une partition de l’image en sous-ensembles, appelés régions tel l’ensemble des pixels appartient à une région qui vérifie des critères d’homogénéité. Une région est un ensemble de pixels connexes ayant des propriétés communes qui les différencient des pixels des régions voisines ». Une fois l’image segmentée, il est possible d’effectuer des mesures sur les régions obtenues et ainsi de caractériser chacune d’elles. Le but de la segmentation est d'extraire les entités d'une image pour y appliquer un traitement spécifique et interpréter le contenu de l'image. Concernant la segmentation d'images, il y a toujours des difficultés à cause de la complexité des images naturelles et de la définition du niveau de précision du résultat. À ce jour, il existe de nombreuses méthodes de segmentation d'images que l'on peut regrouper en quatre principales classes d'algorithmes : Segmentation basée sur les régions (region-based segmentation). On y trouve par exemple la croissance de région (region-growing), décomposition/fusion (split and merge). Segmentation basée sur les contours (edge-based segmentation). Segmentation basée sur une approche globale de l'image, par exemple: seuillage (thresholding), histogramme, approches basées sur le nuage couleur. Manuscript received November 19, 2010. Segmentation basée sur la coopération entre les trois premières segmentations. Les algorithmes génétiques sont des techniques d’optimisation stochastiques, inspirés de la théorie de l’évolution darwinienne, ils ont prouvé leur puissance dans de nombreuses applications de domaines très divers. Dans cet article, nous les avons utilisés en segmentation des images. 2. SEGMENTATION DES IMAGES PAR QUADTREE Cette approche divise l’image en régions distinctes en recherchant la similarité des niveaux de gris des pixels en fonction d’un ou plusieurs attributs. Une région est un ensemble connexe de pixels ayant une propriété commune. Formellement, le modèle région est définie ainsi : Soit R une image composée de n régions, Ri une région [BEB,03]: i 1 R n i   R. (1) R i est connexe. (2) i j R R   , pour i  j (3) P(R i ) = Vrai , P : prédicat logique. (4) ( ) . i j PR R faux  (5) On a utilisé la méthode de quadtree qui consiste à diviser l’image originale en quatre, puis chaque zone ne vérifiant pas le critère d’homogénéité est divisée à son tour en quatre puis on réitère le processus. Les nœuds terminaux ou les feuilles de l’arbre sont les régions de l’image qui répondent aux critères d’homogénéité ci- dessous. Soient les deux régions Ri et Rj , soit Rk = Ri U Rj