Active Unsupervised Texture Segmentation on a Diffusion Based Feature Space

In this report, we propose a novel and e cient approach for active unsurpervised texture segmentation. First, we show how we can extract a small set of good features for texture segmentation based on the structure tensor and nonlinear di usion. Then, we propose a variational framework that allows to incorporate these features in a level set based unsupervised segmentation process that adaptively takes into account their estimated statistical information inside and outside the region to segment. Unlike features obtained by Gabor lters, our approach naturally leads to a signi cantly reduced number of feature channels. Thus, the supervised part of a texture segmentation algorithm, where the choice of good feature channels has to be learned in advance, can be omitted, and we get an e cient solution for unsupervised texture segmentation. The actual segmentation process based on the new features is an active and adaptative contour model that estimates dynamically probability density functions inside and outside a region and produces very convincing results. It is implemented using a fast level set based active contour technique and has been tested on various real textured images. The performance of the approach is favorably compared to recent studies. Key-words: Level Set Theory, Texture Segmentation, Adaptative Image Segmentation, Nonlinear Di usion, Structure Tensor. Segmentation active et non supervisée d'images texturées à l'aide d'une di usion non linéaire du tenseur de structure Résumé : Dans ce rapport, nous proposons une nouvelle approche pour la segmentation active d'images texturées. Tout d'abord, nous présentons une méthode d'extraction d'un nombre restreint de composantes pour caractériser l'information de texture présente dans l'image à segmenter. Ce processus est basé sur le tenseur de structure et la di usion non-linéaire. Ensuite, nous proposons un cadre variationnel a n d'incorporer ces di érentes caractérisitiques dans un processus de segmentation adaptatif et non supervisé, basé sur les ensembles de niveaux. Contrairement aux approches utilisant des ltres de Gabor pour extraire l'information texture, notre approche fournit naturellement un nombre réduit de composantes. Ainsi, la partie supervisée pour la segmentation d'images texturées, où le choix des bonnes caractéristiques est issu d'un processus d'apprentissage, peut être évitée et nous obtenons une solution e cace pour une segmentation non-supervisée d'images texturées. Basé sur ces nouvelles composantes, nous proposons un processus de segmentation actif et adaptatif où les densités de probabilités à l'intérieur et a` l'extérieur du contour sont estimées de manière dynamique. Nous utilisons une technique rapide basée sur les ensembles de niveaux pour la mise en oeuvre. Pour nir, mous présentons des résultats de validation sur diverses images réelles et nous les comparons avec succès à ceux obtenus à partir d'études récentes. Mots-clés : Théorie des courbes de niveaux, segmentation d'images texturées, segmentation adaptative d'images, di usion non-linéaire, tenseur de structure. Active Unsupervised Texture Segmentation on a Di usion Based Feature Space 3