Bibliographie & annexes
Présentation
English
RÉSUMÉ
Le traitement des images est l'ensemble des techniques permettant d'extraire des informations depuis des images numériques. Si la référence à la perception visuelle humaine est importante, l'objectif reste néanmoins d'automatiser des tâches de filtrage, de segmentation et d'analyse afin d'éviter toute intervention manuelle. Dans cet article, les bases du traitement et de la manipulation des images sont rappelées, ce qui introduit les notions importantes liées à la reconnaissance de motifs et de formes utilisées dans les systèmes optroniques en lien avec le monde militaire, et plus généralement le monde de l'imagerie réalisée sur des processeurs embarqués.
Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.
Lire l’articleAuteur(s)
-
Yann GAVET : Professeur - École Nationale Supérieure des Mines de Saint-Étienne et UMR CNRS LGF 5307, - Saint-Étienne, France
INTRODUCTION
Le traitement des images est un domaine à la convergence des mathématiques (pour fixer les bases des traitements), de la physique (pour comprendre les principes de l’acquisition), de l’informatique (pour automatiser les traitements), et des sciences étudiant la perception visuelle humaine (car elle reste notre référence et objectif ultime en terme d’analyse). Ce domaine a fortement bénéficié des évolutions en matière d’électronique, de capacité de calculs et de moyens d’acquisitions, ainsi qu’en matière de transmissions des informations, avec des débits aujourd’hui très importants. C’est un lieu commun de dire qu’il y a des images partout, générées par des capteurs plus ou moins résolus, et pour tous les usages : téléphones, ordinateurs, voitures, caméras de surveillance, satellites, salles d’opérations médicales…
D’un point de vue du chercheur, le terme optronique associé au traitement des images est vu désormais comme obsolète, car les méthodes du domaine sont applicables quel que soit le contexte ou le domaine considéré. Néanmoins, il existe encore certains métiers pour lesquels ce vocabulaire est important : celui du monde militaire, et celui du monde de l’informatique embarquée. Cet article présente donc un condensé du traitement des images, avec tout d’abord des notions généralistes sur le filtrage et la manipulation des images, puis les approches liées au domaine fréquentiel, et les techniques de segmentation. Enfin, un développement plus important est effectué sur les techniques de reconnaissance des formes avec les clés pour comprendre les détecteurs de points d’intérêts et les calculs de descripteurs, servant de base désormais à de nombreuses opérations comme le recalage d’images, le suivi de cible, la reconnaissance de motifs.
Cet article constitue un point d’entrée sur les bases des traitements et ne se veut en aucun cas exhaustif. Il est rédigé afin de servir de référence pour approfondir ces différents sujets. Cependant, les méthodes classiques sont souvent les plus adaptées dans le cas de processeurs légers avec des capacités de calcul réduites, et des contraintes de consommation d’énergie fortes, et il est donc tout à fait probable de les retrouver dans des matériels qui font l’objet de développements actuels.
L'expertise technique et scientifique de référence
VERSIONS
- Version archivée 1 de juin 1996 par Thierry FERRÉ
DOI (Digital Object Identifier)
CET ARTICLE SE TROUVE ÉGALEMENT DANS :
Accueil > Ressources documentaires > Technologies de l'information > Le traitement du signal et ses applications > Traitement du signal : bases théoriques > Traitement d’images optroniques > Segmentation et analyse
Cet article fait partie de l’offre
Optique Photonique
(221 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Présentation
Reconnaissance des formes
English
3. Segmentation et analyse
La segmentation est l’étape qui consiste à détecter les objets d’intérêt, c’est-à-dire à isoler les objets du fond, en les marquant en général par des étiquettes afin de les séparer numériquement. Le processus de segmentation dépend des attentes des experts du domaine. Dans le cas général, c’est une tâche complexe. Elle peut être facilitée par des conditions d’acquisition contrôlées, comme par exemple en vision industrielle, où les éclairages, les optiques et les paramètres de vitesse d’acquisition ou de positionnement sont définis pour mettre en avant les objets.
D’un point de vue mathématique, la segmentation est un partitionnement du plan en régions, et plus généralement de l’espace de définition de l’image D. C’est l’étape la plus importante dans la chaîne de traitement puisqu’une bonne segmentation implique des actions ou des analyses conformes aux attentes. Par la suite, les techniques de caractérisation et de reconnaissance de formes, ou même de suivi dans le cas de vidéos, seront mises en œuvre.
Il est à noter que les techniques présentées dans ce paragraphe sont considérées comme des techniques classiques, efficaces certes, mais obtenant des performances moindres que des techniques plus en pointe basées sur l’apprentissage profond (deep learning) pour réaliser la détection et le suivi de cibles par exemple. Néanmoins, si l’on tient compte des contraintes de consommation des processeurs et de leurs capacités de calculs, les techniques classiques n’ont pas encore été totalement supplantées.
3.1 Segmentation par histogramme
Les techniques basées sur les histogrammes sont parmi les plus simples. Elles reposent sur le fait que les objets ont des intensités distinctes de celles du fond, autrement dit, que l’histogramme reflète cette distinction par la présence de deux ou de plusieurs modes. Ainsi, le choix d’un ou de plusieurs seuils pour séparer ces modes donnera une segmentation en (au moins) deux classes. Cette méthode porte le nom de seuillage.
-
Seuil global ou local
Le choix naturel (et visuel) de la valeur seuil se situe approximativement au niveau d’un point bas de l’histogramme, entre les deux classes. Des méthodes automatiques permettent de trouver par le calcul cette valeur seuil, la plus utilisée étant la méthode de Otsu ...
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Optique Photonique
(221 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Segmentation et analyse
BIBLIOGRAPHIE
-
(1) - BUADES (A.), COLL (B.), MOREL (J.-M.) - A non-local algorithm for image denoising. - 2005 IEEE computer society conference on computer vision and pattern recognition (CVPR’05). T. 2. Ieee, p. 60-65 (2005).
-
(2) - SOILLE (P.) - Morphological Image Analysis : Principles and Applications. - Springer-Verlag New York, Inc. (2003).
-
(3) - HE (K.), SUN (J.), TANG (X.) - Guided image filtering. - IEEE transactions on pattern analysis and machine intelligence 35.6, p. 1397-1409 (2012).
-
(4) - DABOV (K.), FOI (A.), KATKOVNIK (V.), EGIAZARIAN (K.) - Image Denoising by Sparse 3-D Transform-Domain Collaborative Filtering. - IEEE Transactions on Image Processing 16.8, p. 2080-2095. ISSN : 1941-0042. DOI : 10.1109/TIP.2007.901238 (2007).
-
(5) - COOLEY (J.W.), TUKEY (J.W.) - An Algorithm for the Machine Calculation of Complex Fourier Series. - English. Mathematics of Computation 19.90, p. 297-301. ISSN : 00255718. URL : http://www.jstor.org/stable/2003354 (1965).
- ...
DANS NOS BASES DOCUMENTAIRES
ANNEXES
Il existe de nombreux logiciels pour répondre à des besoins en traitement d’images. Le langage Python étant relativement facile d’accès, voici quelques outils libres qui permettent de démarrer très facilement dans toutes les techniques présentées.
OpenCV, langages Python et C++, logiciel libre, https://opencv.org. Performances poussées, utilisable également sur plateformes embarquées.
Scikit-Image, langage Python. https://scikit-image.org/. Idéal pour prototypage simple, et plus facile d’accès que OpenCV.
Scikit-learn, langage Python. https://scikit-learn.org/. Machine learning en python, très bien documenté.
HAUT DE PAGE
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Optique Photonique
(221 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
