CARI 2004 - HAMMAMET - 83 - Classification des Images Couleurs par association des Transformations Morphologiques aux Cartes de Kohonen M. Talibi-Alaoui, R. Touahni et A. Sbihi Laboratoire Image et Reconnaissance des Formes, Université Ibn Tofail, FSK, BP. 133, 14000, Kénitra, Maroc. talibialaouim@yahoo.fr , sbihi@univ-ibntofail.ac.ma RÉSUMÉ. Ce travail propose une méthode de classification non supervisée des images couleurs, basée sur l’utilisation des cartes auto- adaptatives de Kohonen et de la morphologie mathématique. L’échantillon d’observations à trois dimensions, constitué des composantes couleurs des pixels de l’image, est d’abord projeté sur une carte de Kohonen dont l’information est représentée par un estimateur non paramétrique de la fonction de densité de probabilité sous-jacente à la distribution dans l’espace tridimensionnel des vecteurs poids résultant de l’apprentissage du réseau. Sous l’hypothèse que chaque région modale de cette fonction de densité correspond à une région homogène dans l’image couleur, la seconde étape de la méthode proposée consiste en une exploitation originale de la technique de la ligne de partage des eaux pour une partition de la carte de Kohonen en des régions connexes sans passer par aucune procédure de seuillage. Les observations situées dans les régions homogènes ainsi localisées dans la carte constituent des prototypes de classes présentes dans l’image et sont utilisées dans une règle d’assignation pour la classification de tous les pixels. MOTS-CLÉS : Image Couleur, Classification, Réseaux de Kohonen, Ligne de partage des eaux ABSTRACT. This work proposes a new method for unsupervised colour image classification, which is based on both Kohonen maps and mathematical morphology. The sample of observations, constituted by image pixels with 3 colour components in the colour space, is at first projected into a Kohonen map. This map is represented by the underlying probability density function (pdf) estimated, by a non-parametric technique in the 3-dimensional space, from the weight vectors resulting of the learning process. Under the assumption that each modal region of the underlying pdf corresponds to a one homogenous region in the colour image, the second step of the process understanding consists to an extraction, in the Kohonen map, of the modal regions of the pdf as connected components without using any thresholding procedure. That is done by making concepts of morphological watershed transformations suitable for modal domains detection. The observations falling in the so localised homogenous region in the image are considered as prototypes and are then used in the clustering procedure by means of an assignment rule. KEYWORDS: Colour Image, Classification, Kohonen Network, Watershed transformation 1. Introduction La qualité de l’interprétation d’une image couleur dépend fortement de celle de la segmentation. Parmi les méthodes de segmentation, certaines s’intéressent à chercher les régions connexes homogènes dans l’image. Ce traitement de bas niveau sert, entre autres, de base à l’identification des classes présentes dans l’image, et par conséquent à la classification qui consiste à assigner chaque pixel de l’image à l’une des classes ainsi identifiées. Plusieurs algorithmes ont été proposés dans ce sens [1, 2, 3, 4, 5]. Certains nécessitent un seuillage de l’histogramme ou le réglage de certains paramètres, d’autres sont limités aux cas où les différentes classes correspondent à des nuages séparables dans l’espace de mesure tandis que d’autres ne prennent pas en compte les relations géométriques des pixels dans l’image. Dans ce travail, nous proposons une nouvelle approche de classification automatique non supervisée des images couleurs, basée sur des concepts connexionnistes et morphologiques. Les attributs couleurs de chaque pixel de l’image forment un nuage d’observations dans l’espace couleur utilisé. Pour aider à découvrir les différentes classes présentes dans ce nuage d’observations tridimensionnelles, nous proposons d’effectuer, comme première phase de traitement, la projection de ces observations sur une carte bidimensionnelle de Kohonen [6, 7, 8]. L’information contenue dans chaque maille de cette carte est représentée par une valeur de la fonction de densité de probabilité (fdp) estimée, par une Cari 2004 7/10/04 14:50 Page 83