Comparaison de classifieurs non-supervis´ es pour la segmentation d’images couleur. Application en imagerie biom´ edicale Cyril Meurie, Olivier Lezoray, Hubert Cardot, Abderrahim Elmoataz LUSAC EA 2607 - Groupe Vision et Analyse d’Images, BP 78, Site Universitaire, 50130 Cherbourg-Octeville, France T´ el. +33 (0)233014138 - T´ el´ ecopie. +33 (0)233014135 E-mail: cyril.meurie@chbg.unicaen.fr Abstract In this paper, we propose to compare various unsupervised algorithms of pixel classification, and this, in various color spaces, for the segmentation of color images. This article is composed of three parts described thereafter. In the first one, we clarify the data processing sequence of our color segmentation. In the second part, we detail the classification of pixels and color watershed methods. In the last part, we evaluate the results of the segmentation by the Liu’s method on images of bronchial cytology. Finally, we conclude that our techniqueof segmentation is adapted to the extraction of the cytoplasm of the cells. Keywords: segmentation, classification, segmentation evaluation, color image 1 Introduction Les laboratoires d’anatomie et de cytologie pathologiques traitent deux types d’examens : l’examen histologique qui examine des coupes de tissus color´ es qui constituent les ˆ etres vivants et l’examen cytologique qui examine l’´ etalement de cellules isol´ ees provenant des pr´ el` evements. En ce qui nous concerne, nous ne traitons que des examens de cytologie. Les cellules sont fix´ ees puis color´ ees sur une lame de pr´ el` evement afin d’´ eviter une d´ eg´ en´ erescence et de mettre en ´ evidence les diff´ erents constituants cellulaires. Celles-ci sont ensuite analys´ ees par un expert en cytopathologie puis par un m´ edecin. Cette ´ etape rel` eve du screening et consiste ` a analyser au microscope, toutes les cellules pr´ esentes sur une lame. Le but de cette ´ etude est de rep´ erer toutes les cellules et d’identifier toutes sortes d’anomalies et tout particuli` erement les cellules canc´ ereuses. Cet examen doit permettre d’´ etablir un diagnostic fiable, mais ce travail reste complexe, fatiguant, peu rapide et le r´ esultat repose beaucoup sur le point de vue du cytopathologiste. Du fait de la difficult´ e de ce travail, des erreurs de screening sont possibles et dues ` a : des pr´ el` evements non significatifs (mal faits ou mal fix´ es), une mauvaise interpr´ etation, des erreurs ou omissions (par diminution de la vigilance du fait du faible taux de cellules suspectes ou anormales), un grand nombre de lames ` a analyser (monotonie du travail car le cytopathologiste peut avoir ` a´ etudier des centaines ` a des milliers de cellules par jour). Pour ces raisons, il peut ˆ etre utile d’automatiser la d´ etection de cellules suspectes ou anormales en utilisant un syst` eme semi-automatique et permettre ainsi d’apporter une aide au diagnostic en terme d’assurance qualit´ e. Ce syst` eme doit donc ˆ etre capable d’extraire correctement les diff´ erents constituants cellulaires c’est-` a-dire le cytoplasme et le noyau. Pour cela, nous proposons une m´ ethode de segmentation bas´ ee sur une ´ etape d’extraction de marqueurs et de localisation d’objets. L’extraction est r´ ealis´ ee par une classification de pixels non-supervis´ ee, et la localisation des objets par une ligne de partage des eaux couleur. Les r´ esultats de segmentation sont obtenus dans diff´ erents espaces couleur et ` a partir des algorithmes suivants: K-means, C-means, Fisher. Nous montrons ainsi que notre m´ ethode de segmentation est adapt´ ee ` a la segmentation d’objets faiblement textur´ es.