Mean Shift Filtering

Ce bloc de fonction applique le filtrage mean shift aux images RGB pour lisser les régions de couleur tout en préservant les contours. Il est utile pour la réduction du bruit, la segmentation de couleur et la préparation des images pour l'analyse de contours ou de blobs.

📥 Entrées

ImageRGB Image RGB d'entrée à traiter.

(ici la prise est une prise d'entrée)

📤 Sorties

ImageRGB Image RGB filtrée (même type que l'entrée).

(ici la prise est une prise de sortie)

🕹️ Contrôles

Spatial Radius Curseur qui contrôle le voisinage spatial utilisé pour le filtrage (plus petit = les détails fins sont mieux préservés). Plage : 1 — 3

Color Window Radius Curseur qui contrôle la fenêtre de similarité des couleurs (plus grand = lissage des couleurs plus fort). Plage : 20 — 100

Maximum Level Radius Curseur qui ajuste le nombre de niveaux pyramide utilisés en interne (plus élevé = lissage plus agressif, mais plus lent). Plage : 1 — 5

⚙️ Mode d'exécution

Lorsque ce bloc reçoit une image via l'entrée ImageRGB, il applique le filtrage mean shift en utilisant les valeurs des trois curseurs et renvoie l'image traitée via la sortie ImageRGB. Les modifications de n'importe quel curseur sont prises en compte lors de l'évaluation suivante, vous permettant d'ajuster les paramètres de manière interactive tout en prévisualisant les résultats.

✨ Fonctionnalités

• Lisse les régions de couleur tout en gardant nets les contours des objets.

• Réduit le bruit et les petits détails de texture, facilitant la segmentation et la détection de formes.

• Réglage des paramètres en temps réel via des curseurs pour des expérimentations rapides.

📝 Recommandations d'utilisation

1. Alimentez une image RGB dans l'entrée ImageRGB.

2. Ajustez Spatial Radius pour contrôler l'intensité du lissage spatial local.

3. Augmentez Color Window Radius pour fusionner des couleurs similaires en régions plus homogènes.

4. Utilisez Maximum Level Radius avec parcimonie — des valeurs plus élevées augmentent le temps de traitement.

5. Inspectez le résultat depuis la sortie ImageRGB dans un bloc de prévisualisation ou le visualiseur d'images.

💡 Astuces

• Si votre image source est très grande et que le traitement est lent, ajoutez Image Resizer avant ce bloc pour réduire les dimensions et accélérer le traitement.

• Pour des entrées bruyantes, envisagez un léger Blur avant le mean shift pour supprimer le bruit du capteur sans perdre les contours importants.

• Après mean shift, utilisez Find Contour ou Blob Detector pour extraire des formes d'objets propres à partir des régions lissées.

• Pour cibler une zone spécifique, recadrez d'abord avec Image ROI Select et alimentez l'image recadrée dans ce bloc.

• Utilisez HSV Filter ou Color Quantizer and Clustering après le mean shift pour affiner la segmentation basée sur la couleur.

• Prévisualisez les résultats avec Show Image et enregistrez les images intéressantes avec Image Logger ou Image Write.

(les suggestions ci‑dessus font référence à d'autres blocs de fonction disponibles dans le système)

🛠️ Dépannage

• Performance lente : réduisez Color Window Radius ou Maximum Level Radius, ou diminuez la taille de l'image avec Image Resizer.

• Détails trop lissés : réduisez Color Window Radius et/ou Spatial Radius pour préserver les caractéristiques fines.

• Segmentation inégale dûe aux variations d'éclairage : essayez de combiner avec HSV Filter ou ajustez l'éclairage (paramètres de capture) avant le traitement.

• Couleurs ou artefacts inattendus : visualisez les étapes intermédiaires avec Show Image pour vérifier les entrées et envisagez d'utiliser Blur ou des méthodes de débruitage en amont.