In this paper, we propose a grayscale image segmentation method based on a multiobjective optimization approach that optimizes two complementary criteria (region and edge based). The region-based fitness used is the improved spatial fuzzy c-means clustering measure that is shown performing better than the standard fuzzy c-means (FCM) measure. The edge-based fitness used is based on the contour statistics and the number of connected components in the image segmentation result. The optimization algorithm used is the multiobjective particle swarm optimization (MOPSO), which is well suited to handle continuous variables problems, the case of FCM clustering. In our case, each particle of the swarm codes the centers of clusters. The result of the multiobjective optimization technique is a set of Pareto-optimal solutions, where each solution represents a segmentation result. Instead of selecting one solution from the Pareto front, we propose a method that combines all solutions to get a better segmentation. The combination method takes place in two steps. The first step is the detection of high-confidence points by exploiting the similarity between the results and the membership degrees. The second step is the classification of the remaining points by using the high-confidence extracted points. The proposed method was evaluated on three types of images: synthetic images, simulated MRI brain images and real-world MRI brain images. This method was compared to the most widely used FCM-based algorithms of the literature. The results demonstrate the effectiveness of the proposed technique.

La segmentation d'image est le processus de partitionnement d'une image numérique en régions, non chevauchées, homogènes vis-à-vis de certaines caractéristiques, telles que le niveau de gris, la texture, le mouvement, etc. Elle a des applications dans plusieurs domaines comme l'imagerie médicale, la détection d'objets, la biométrie, l'imagerie par satellite, la navigation de robot, la vidéosurveillance, etc. Le processus de segmentation représente une étape cruciale dans les systèmes de vision par ordinateur, car les caractéristiques et décisions sont extraites et prises à partir de son résultat. Les premiers algorithmes de segmentation d'image ont vu le jour dans les années 1970. Depuis, de nombreuses techniques et méthodes de segmentation ont été expérimentées pour essayer d'améliorer les résultats. Néanmoins, jusqu'à nos jours, aucun algorithme de segmentation d'image n'arrive à fournir des résultats parfaits sur une large variété d'images. Les "métaheuristiques" sont des procédures conçues pour résoudre des problèmes d'optimisation dits difficiles. Ce sont en général des problèmes aux données incomplètes, incertaines, bruitées ou confrontés à une capacité de calcul limitée. Les métaheuristiques ont connu un succès dans une large variété de domaines. Cela découle du fait qu'elles peuvent être appliquées à tout problème pouvant être exprimé sous la forme d'un problème d'optimisation de critère(s). Ces méthodes sont, pour la plupart, inspirées de la physique (recuit simulé), de la biologie (algorithmes évolutionnaires) ou de l'éthologie (essaims particulaires, colonies de fourmis).Ces dernières années, l'introduction des métaheuristiques dans le domaine du traitement d'images a permis d'étudier la segmentation sous un angle différent, avec des résultats plus ou moins réussis. Dans le but d'apporter notre contribution et d'améliorer davantage les performances des méthodes de segmentation, nous avons proposé des algorithmes basés régions, contours et hybrides, mettant en œuvre des métaheuristiques d'optimisation dans des approches mono et multiobjectif. Les méthodes proposées ont été évaluées sur des bases de données expérimentales composées d'images synthétiques, d'images IRM simulées et d'images IRM réelles ainsi que des images de tomographie par émission de positons (TEP). Les résultats obtenus sont significatifs et prouvent l'efficacité des idées proposées

In this paper, we propose an improvement method for image segmentation using the fuzzy c-means clustering algorithm (FCM). This algorithm is widely experimented in the field of image segmentation with very successful results. In this work, we suggest further improving these results by acting at three different levels. The first is related to the fuzzy c-means algorithm itself by improving the initialization step using a metaheuristic optimization. The second level is concerned with the integration of the spatial gray-level information of the image in the clustering segmentation process and the use of Mahalanobis distance to reduce the influence of the geometrical shape of the different classes. The final level corresponds to refining the segmentation results by correcting the errors of clustering by reallocating the potentially misclassified pixels. The proposed method, named improved spatial fuzzy c-means IFCMS, was evaluated on several test images including both synthetic images and simulated brain MRI images from the McConnell Brain Imaging Center (BrainWeb) database. This method is compared to the most used FCM-based algorithms of the literature. The results demonstrate the efficiency of the ideas presented.