Intro PDF

BIMA Bref historique Acquisition Définitions Applications
Bases du traitement des images
I Introduction et fondements J
Nicolas Thome
13 Septembre 2016

1 / 102
Plan
1 BIMA
2 Bref historique
3 Acquisition
4 Définitions
5 Applications

2 / 102
Déroulement du semestre
I Organisation
• Cours mardi 13h45-15h45 : Nicolas Thome (cours 1-2-3-4-5),
Matthieu Cord (cours 7-8-9), Dominique Béréziat (cours 6-8)
• TD/TME jeudi 13h45-18h : Nicolas Thome (séances 1-2-3-4-6-7),
Matthieu Cord (séances 9-10), Dominique Béréziat (séances 5-8)
I Polycopiés :
• supports de cours en ligne ;
• énoncés de TD/TME disponibles au local AEIP6.
I Évaluation : une note finale regroupant :
• une note de contrôles et sur machine : 40% ;
• un examen de fin de semestre : 60%.

3 / 102
Plan du cours sur le semestre

1 Outils de base en traitement d’image : N. Thome, M. Cord, D.
Béréziat
• 13/09 : Introduction et fondements du traitement des images
• 20/09 : Opérations de bases et améliorations d’images
• 27/09 : Transformée de Fourier continue
• 04/10 : Numérisation, Transformée de Fourier discrète
• 11/10 : Filtrage d’images (spatial et fréquentiel)
• 18/10 : Détection de contours
2 Application de méthodes de traitement d’images : N. Thome, M.
Cord, D. Béréziat
• 25/10 : Extraction de primitives
• 01/11 : ATTENTION pas de cours
• 08/11 : ATTENTION pas de cours
• 15/11 : Segmentation
• 22/11 : Reconnaissance de formes (1)
• 29/11 : Reconnaissance de formes (2)

4 / 102
Plan des TD/TME sur le semestre

1 Outils de base en traitement d’image : N. Thome, D. Béréziat
• 22/09 : Opérations de bases et améliorations d’images
• 29/09 : Transformée de Fourier continue
• 06/10 : Numérisation, recouvrement spectral (alisaing)
• 13/10 : Filtrage d’images (spatial et fréquentiel)
• 20/10 : Détection de contours
2 Application de méthodes de traitement d’images : N. Thome, M.
Cord, D. Béréziat
• 27/10 : Extraction de primitives (détecteur de Harris)
• 03/11 : ATTENTION pas de TD/TME
• 10/11 : ATTENTION pas de TD/TME
• 17/11 : Segmentation
• 24/11 : Descripteurs couleur et indexation
• 01/12 : Eigenfaces 1 (ACP)
• 08/12 : Eigenfaces 2 (ACP)
3 Page où sont les ressources de l’UE sont centralisées :
http://webia.lip6.fr/∼thomen/Teaching/BIMA.html
5 / 102
Contrôle Continu : Évaluation
I Évaluation : compréhension des TD-TME

• Partie code : correction automatique (plate-forme cody) pour tous
les TME
• Comptes-rendus de TD-TME (∼ 5-6/10)
• TP avec CR : 80-90% de la note, les 4-5 autres : 10-20% de la note
I Importance de venir en cours (partie théorique), en TD (pont entre
la partie théorique et la partie pratique) pour réussir les applications
en TME !
• Corrélation des notes entre CC et examen final très élevée

6 / 102
Plan
1 BIMA
2 Bref historique
3 Acquisition
4 Définitions
5 Applications

7 / 102
Les origines du traitement d’images
Quelques grandes dates

I 1839 : photographie (Louis Jacques Mandé Daguerre)
I 1895 : cinématographe (frères Lumière)
I 1885 : rayons X (Röntgen)

8 / 102
Les origines du traitement d’images
Quelques grandes dates

I Années 20 : la presse doit envoyer des informations image entre
Londres et New-York
,→ système Bartlane pour le codage d’images (5 niveaux)
I Années 60 : conquête de l’espace et diffusion d’images
I fin des années 60, début des années 70 : imagerie médicale
(tomographie)
I Depuis les années 70 : augmentation constante de l’utilisation des
images
,→ géographie, biologie, médecine, nucléaire, internet, télévision,
satellite, microscopie, ...

9 / 102
Plan
1 BIMA
2 Bref historique
3 Acquisition
4 Définitions
5 Applications

10 / 102
Acquisition d’images
I Acquisition = Formation d’image

I Spectre visible / non visible
I Couleur
I Acquisition vs perception

11 / 102
Les différents types d’images et leur

utilisation
I Le spectre électromagnétique est la principale source d’énergie pour
les images
I Il existe beaucoup d’autres sources : acoustique, électronique,
ultrason, ...
I Ondes électromagnétiques : sinusoïdes à différentes longueurs
d’onde contenant une quantité d’énergie, ou photon

12 / 102
Le spectre électromagnétique non visible
L’imagerie par rayons gamma

I Utilisée principalement en :
• Médecine nucléaire : détecter les phénomènes métaboliques,
fonctionnels, etc. (infections, tumeurs)
,→ PET (position emission tomography)
• Astronomie : mesure de la force des radiations (explosion d’étoile)

13 / 102

L’imagerie par rayons X
I La source du spectre électromagnétique utilisée depuis le plus
longtemps
I Rayons pénétrant la “matière molle”
• Médecine : par exemple, pour localiser les pathologies (infections,
tumeurs) ,→ radiographie, angiographie, scanner (CT)
• Industrie, astronomie

14 / 102

L’imagerie ultra-violet
I L’ultra-violet n’est pas visible
• Microscopie : différentes fluorescences pour mettre en valeur
différentes zones d’une même image
• Astronomie, lithographie, biologie, ...

15 / 102

L’imagerie infra-rouge
I Souvent utilisés conjointement au spectre visible
I Utilisés principalement en :
• Télédétection : images multi-spectrales
,→ prévisions météo, cartographie, agriculture, géologie ...
• Microscopie, industrie ...
• Photographie, vidéo, ...

16 / 102
Cas du multispectral : LANDSAT

I 1 (bleu) : différenciation sol /
végétaux, zones côtières
I 2 (vert) : végétation
I 3 (rouge) : différenciation des
espèces végétales
I 4 (infrarouge) : biomasse
I 5 (infrarouge) : différenciation
neige/nuage
I 6 (infrarouge) : chaleur
I 7 (infrarouge) : lithologique
(roches)

17 / 102
L’imagerie dans la bande micro-ondes

I Utilisée principalement en imagerie radar pour voir des zones
inaccessibles (nuages)
,→ cartographie, agriculture, ...

18 / 102
L’imagerie dans la bande radio

• Médecine : IRM (imagerie par résonance magnétique)
• Astronomie ...

19 / 102
D’autres modalités d’image

I Imagerie par ultrasons : médecine, géologie
I Microscopes à électrons (TEM) : biologie, médecine

20 / 102
Le spectre électromagnétique
Le spectre visible
I Les images de la vie courante : Photos, images naturelles

21 / 102
Le spectre visible
Le spectre visible
I Les images de la vie courante : Photos, images naturelles
I Défis d’un point de vue Traitement Numérique des Images :
analyser le contenu des données

22 / 102
La vision humaine
L’œil humain
I La fovea est la région où la vision est la plus précise et sensible

I L’œil se déplace pour aligner la fovea, l’axe optique et l’objet désiré
23 / 102
L’œil humain
I Deux types de photorécepteurs dans la rétine (répartition différente)
• Les cônes : réponse photométrique et chromatique, grâce à des
pigments absorbant le bleu, le vert ou le rouge
,→ base de la vision des couleurs trichromatiques.
• Les bâtonnets : responsables de la vision nocturne (vision
scotopique).

24 / 102
Les cônes
Rôle
I Responsables de la vision des couleurs
I 3 types de photo-pigments : 64% rouges, 32% verts et 2% bleus
• Les cônes bleus (ou short wavelength) : λ ≈ 420 nm
• Les cônes verts (ou medium wavelength) : λ ≈ 530 nm
• Les cônes rouges (ou long wavelength) : λ ≈ 660 nm
I Peu nombreux (6 à 7 millions), densité importante dans la fovea
I Vision haute résolution, vision diurne ou photopique

25 / 102
Les bâtonnets
Rôle
I Très nombreux et plus sensibles à la lumière que les cônes
I Sensibles aux très faibles éclairements, discrimination des
contrastes : vision photopique (diurne)
I Un seul type de pigment : ne peuvent distinguer les couleurs
I Très sensibles au mouvement
I Répartis hors de la fovea : responsables de la vision périphérique

26 / 102
Acquisition vs perception
Perception humaine

27 / 102
Rôle du cerveau : une petite expérience

I Quel est le carré le plus clair ? A ou B ?

28 / 102


29 / 102


30 / 102


31 / 102
I Les carrés ont la même couleur ! !

I Réalisé sans trucage !
I Le cerveau se force à imager les carrés tels qu’ils devraient être :
l’un sombre et l’autre clair
,→ peu lui importe qu’ils soient de la même couleur,
,→ les carrés contigus étant supposés être de couleur différente,
,→ le cerveau fait en sorte qu’on les voit ainsi.
I L’important n’est pas dans ce qui compose le monde qui nous
entoure, mais plutôt la manière dont on le perçoit.
,→ À MEDITER ...

32 / 102
Autres perceptions de l’œil
Illusions optiques

33 / 102
Illusion de mouvement

34 / 102
Illusion de Titchener

35 / 102
Plan
1 BIMA
2 Bref historique
3 Acquisition
4 Définitions
5 Applications

36 / 102
Qu’est-ce qu’une image ?
Vision discète

37 / 102
Vision surfacique

38 / 102
Définitions et notations
I Une image est représentée :
• par fonction continue f (x, y ), x, y ∈ R ;
• par une fonction numérique f (i, j) (ou f (n, m)), i, j ∈ N (n, m ∈ N)
et f ∈ N+ , après numérisation.
I Image analogique → image numérique : numérisation en deux
étapes :
1 échantillonnage spatial : discrétisation des coordonnées de l’image
réelle ;
2 quantification des luminances : discrétisation des intensités de
l’image réelle.
I Une image numérique est composée d’un ensemble fini d’éléments,
appelés picture element, ou pixels (voxels en 3D)

39 / 102
Qu’est-ce qu’une image numérique ?
Après échantillonnage spatial : notations

I N le nombre de lignes de l’image ;
I M le nombre de colonnes de l’image ;
I (i, j) les coordonnées spatiales d’un élément de l’image (ligne i,
colonne j) ;
I fj (i), ou encore f (i), la ligne i ;
I fi (j), ou encore f (j), la colonne j.

40 / 102
Après quantification : notations

I f (i, j) l’amplitude en du pixel (i, j) ;
I k (ou f ) un niveau de gris ;
I m le nombre de bits sur lesquels est codée la valeur d’un niveau de
gris ;
I L la dynamique de l’image, soit l’étendue des valeurs qu’un pixel
peut prendre.
,→ L = 2m , donc k ∈ [0, . . . , 2m − 1]

41 / 102
Représentation d’une image numérique
I Représentation matricielle :
• Représentation lexicographique de l’image, soit une matrice
f = [0, . . . , N − 1] × [0, . . . , M − 1]
• La largeur de l’image est donnée par la nombre de colonnes M de f ,
sa hauteur par le nombre de lignes N
• Le pixel au croisement de la ligne i et de la colonne j est désigné
par f (i, j)
I Représentation vectorielle :
• Les lignes de l’image sont juxtaposées de manière à former un
vecteur v = [0, . . . , M × N − 1]t
• Le pixel (i, j) correspond à la composante v [iM + j]

42 / 102
Voisinage de pixels
Connexité
I Notion fondamentale en traitement
d’images
• Topologie
• Algorithmes de suivi de contours,
croissance de région, ...
• Deux pixels voisins peuvent être agrégés
I Connexité d’ordre 4 : on considère les 4
voisins directs N, S, O et E du pixel
I Connexité d’ordre 8 : on considère les 8
voisins directs N, NE, NO, S, SE, SO, O
et E du pixel
I La connexité peut s’étendre aux voisins
indirects (i.e. pas de la première couronne)
43 / 102
L’importance de la numérisation
Une vision subjective

I L’échantillonnage spatial définit la taille du plus petit élément de
l’image (pixel)
I La quantification des luminances définit plus petit changement
d’intensité dans l’image (est-il toujours perceptible à l’œil ?)
I Cela définit la taille (en bits) de l’image : tb = N × M × m

44 / 102

Types d’image
I m = 1, k ∈ {0, 1} : image binaire
I m = 8, k ∈ [0, . . . , 255] : image en niveaux de gris
• en général codée sur 1 octet ;
• par convention : noir = 0 et blanc = 255 (ou 1 si normalisation) ;
I m = 24, k ∈ [0, . . . , 16777215] : image en couleurs (3 octets)

45 / 102
Les espaces de couleur

Définition
I Toute couleur peut être représentée comme une combinaison
linéaire de trois primaires c1 , c2 , c3
I Deux types de synthèse : synthèse additive, synthèse soustractive
I Beaucoup d’espaces de couleur : RGB, CMYK (∼ RGB en synthèse

soustractive), HSV, YUV, Lab, CIE ...
46 / 102
Espace RGB
I Synthèse additive, 3 couleurs primaires :

rouge, vert et bleu
I Luminance L = 0.3R + 0.59G + 0.11B
I Séparation des plans de couleur & Mélange de plans ⇒ TME 4

Image couleur R G B
R↔B R↔G

47 / 102
Espace RGB : limites

Limites
I Toutes les couleurs perceptibles par l’œil ne peuvent

être définies à l’aide des trois composantes r , v et b
I Les composantes y sont souvent fortement corrélées.
I Différence perceptuelle entre deux couleurs ne
coïncide pas avec la distance dans l’espace RVB.
Extensions
I Base où les composantes sont décorrélées, par analyse statistique
(ACP, ACI)
I Espace couleur plus "perceptuels" : HSV, XYZ, YUV, Lab, etc
48 / 102
Espace HSV
Définition
I Trois composantes : Hue (teinte),

Saturation, Value (luminance)
I Passage RBG ↔ HSV :
R +G +B
V =
3
(
θ si B ≤ G
H=
2π − θ, sinon
!
(R−G )+(R−B)
θ = arccos q
2 (R−G )2 +(R−B)(G −B)
3min(R, G , B)
S =1−
R +G +B
49 / 102
Espace HSV : exemple
I Espace HSV : TME 7 sur les descripteurs visuels

50 / 102
Formats d’images numériques
I Données brutes : raw data

I Standards universels : gif, bitmap, tiff, ppm, eps, ...
I Standards médicaux : DICOM
I Standards propriétaires : Philipsr , Siemensr , ...
I Quelques exemples :
• BMP (Bitmap) : matrice de bits codés en couleur (jusqu’à 24
bits/pixel)
• GIF : format compressé avec codage 8 bits/pixel
• JPG (jpeg) : format de compression d’images photographiques

51 / 102
Quelques exemples d’images numériques
I Image 2D : objet représenté par un tableau bidimensionnel de

surfaces élémentaires (pixels)
I Séquence vidéo (2D) : scène dynamique présentant des objets 2D en
mouvement
,→ juxtaposition d’images 2D, où le temps peut être vu comme une
troisième dimension (de nature différente)
I Image volumique : objet représenté par un tableau tridimensionnel
de volumes élémentaires (voxels)
,→ pile d’images 2D (ex. des coupes scanners)
I Séquences volumiques : scène dynamique présentant des objets 3D
en mouvement

52 / 102
Qualité d’une image
I Lignage : phénomène d’alternance de lignes claires (ou sombres) de

même direction et qui tranchent avec le reste de l’image
I Contraste : qualité de la dynamique des intensités de l’image
I Bruit : signal “parasite” dont la distribution dans l’image est
aléatoire et la plupart du temps inconnue
I Déformations géométriques : défauts dus à l’acquisition de l’image
(ex. différence d’axe entre le capteur d’acquisition et le centre de la
scène observée)
I Dégradations connues (ex. dus à la réponse impulsionnelle du
détecteur)

53 / 102
Contenu d’une image
I Texture : répartition statistique ou

géométrique des intensités dans l’image
I Contour : limite entre deux (ou un groupe
de) pixels dont la différence de niveaux de
gris (ou de couleurs) est significative
I Région : groupe de pixels présentant des
caractéristiques similaires (intensité,
mouvement, etc.)
I Objet : région (groupe de régions)
entièrement délimitée par un contour,
possédant une indépendance dans l’image
,→ description sémantique : on peut
donner un nom à un objet

54 / 102
Propriétés de l’image
Brillance
I Moyenne des niveaux de gris de l’image, ou intensité moyenne
N−1 M−1
1 XX
B= f (i, j)
NM
i=0 j=0

55 / 102
Propriétés de l’image
Contraste
I Définition 1 : variation maximale entre valeurs de niveaux de gris
min et max dans l’image :
maxi,j [f (i, j)] − mini,j [f (i, j)]

C=
maxi,j [f (i, j)] + mini,j [f (i, j)]
I Définition 2 : écart-type des variations de niveaux de gris dans

l’image : v
u 1 N−1 X M−1
u
X
C =t (f (i, j) − B)2
NM
i=0 j=0
Attention, l’écart type traduit une moyenne de variation, ce qui est

un peu différent
I Deux images totalement différentes peuvent avoir le même contraste
56 / 102
Exemples de calcul de contraste

57 / 102
Histogramme
Définition
I Fonction décrivant la répartition des niveaux de gris de l’image
I Fournit des informations propres à l’image, telles que :
• La distribution statistique des niveaux de gris
• Les bornes de répartition des niveaux de gris
I Mais aucune information spatiale !
I À chaque image f de taille N × M , on peut associer une
distribution H des valeurs contenues dans cette image par :
H(k) = Card{0 ≤ i ≤ N − 1, 0 ≤ j ≤ M − 1 : f (i, j) = k} = nk

58 / 102
Quelques exemples d’histogrammes

59 / 102
Remarque sur l’histogramme

Il ne code pas d’information spatiale
I Deux images différentes (en termes de contenu sémantique) peuvent

aussi avoir le même histogramme
60 / 102
Histogramme normalisé
Définition
I Fonction Hn donnant la probabilité (en termes de fréquence
d’occurrence) qu’un pixel ait pour niveau de gris k
H(k)
Hn (k) =
N ×M
où N et M sont respectivement le nombre de colonnes et de lignes
de l’image
I Les valeurs de H sont normalisées
I Approximation discrète de la densité de probabilité (pdf) de la
variable aléatoire "niveau de gris d’un pixel"

61 / 102
Histogramme cumulé
Définition
I L’histogramme cumulé est donné par :
X
Hc (k) = H(i)
i≤k
où H(.) est l’histogramme

I L’histogramme cumulé normalisé est donné par :
X
Hc (k) = Hn (i)
i≤k
où Hn (.) est l’histogramme normalisé

I Hc (k) représente la probabilité d’avoir un niveau de gris inférieur ou
égal à k : approximation discrète de la fonction de répartition de la
variable aléatoire "niveau de gris d’un pixel"
62 / 102
Histogramme cumulé

63 / 102
Plan
1 BIMA
2 Bref historique
3 Acquisition
4 Définitions
5 Applications

64 / 102
Champs d’application
⇒ des milliers d’applications potentielles

65 / 102
Traitements : classification et étapes

fondamentales
I Traitement bas niveau

• Entrée : image
• Sortie : image
I Traitement moyen niveau
• Entrée : image ou représentation préalable
• Sortie : nouvelle représentation
I Traitement haut niveau
• Entrée : image ou représentation préalable
• Sortie : sémantique de l’image (abstraction)

66 / 102
Exemples de traitements bas niveau des

images

67 / 102
Exemples de traitements bas niveau des

images
I Amélioration d’images : amélioration de l’aspect des images
,→ restauration (TME 1), débruitage, filtrage (TME 4)
I Analyse fréquentielle : changement d’espace de représentation
,→ Transformée de Fourier (TME 2)
I Acquisition d’images : disposer d’une image sous forme numérique
,→ échantillonnage, quantification (TME 3)
I Compression d’images : réduction de la quantité d’informations
nécessaires pour représenter une image
,→ codage, transmission (TME 4)
I Segmentation d’images : division de l’image en parties, ou zones
caractéristiques
,→ détection de contours (TME 5), partitionnement split & merge
(TME 10)
68 / 102
Exemples de traitements moyen et haut

niveau des images
I Représentation et description d’images : transformation de l’image

en un ensemble de “concepts” utilisables par l’ordinateur pour des
algorithmes plus évolués
,→ détection de caractéristiques, e.g. Harris (TME 6), modèles
(graphes, ...)
I Indexation d’images : tri d’images selon un ensemble de descripteurs
,→ fouille dans les bases d’images (TME 7)
I Reconnaissance : association d’une étiquette à un objet à partir de
ses descripteurs
,→ Reconnaissance de visages (TME 8-9)

69 / 102
Un premier exemple : les prévisions

météorologiques
Traitement bas niveau : extraction de vecteurs de mouvement

70 / 102

météorologiques
Traitement moyen niveau : vecteurs de mouvement ⇒ carte des

pressions
71 / 102

météorologiques
Traitement moyen niveau : vecteurs de mouvement ⇒ carte des

pressions
72 / 102

météorologiques
Traitement haut niveau : carte des pressions ⇒ prévision

météorologiques
73 / 102
Un deuxième exemple : "compréhension

d’images"
I Compréhension : très vaste

• Classification
• Détection
• Segmentation
• Combinaison (contexte) :
Classification + Détection +
Segmentation
I Méthodes de traitement image/
vision couplées avec des outils
d’apprentissage statistique (par
l’exemple)

74 / 102
Classification images
Classification : quelle(s) catégorie(s) sémantique(s) dans l’image ?
Cas simples : ∼ résolu
I Objets géométriques "simples", centrés dans l’image & segmentés
I Base d’apprentissage annotée, extraction descripteurs ⇒ prédiction
de la classe
MNIST Formes Binaires

75 / 102
Classification : quelle(s) catégorie(s) sémantique(s) présente(s)

dans l’image ?
Cas plus compliqués
I Plusieurs objets / image, plusieurs catégories / images
I Images réelles (photos), flickr ⇒ des difficultés importantes
PASCAL VOC

76 / 102
Classification : quelle(s) catégorie(s) sémantique(s) présente(s)
dans l’image ?
Cas plus compliqués : principaux challenges
1 Variations : illumination, échelle, rotation, point de vue
2 Occultations, fond ("background clutter")
3 Variations intra-classe d’apparence visuelle

PASCAL VOC : cas difficiles 77 / 102
Challenges
Variations Illumination Variations point de vue

78 / 102
Challenges
Variations échelle Occultations

79 / 102
Challenges
Objets Déformables Background clutter

80 / 102
Challenges : fortes variations d’apparence visuelle intra-classe

81 / 102
Recherche sémantique
I Descripteurs image : bas niveau (couleur, texture, forme, gradient)
I Concepts à prédire : haut niveau (objets, scènes, concepts abstraits)
I Principal défi : Combler le fossé sémantique
Recherche basée couleur :
Requête :

82 / 102
I Retrouver des concepts abstraits, e.g. émotions, liberté, etc
I Joie, amour, haine,

etc
I Fossé sémantique
extrême

83 / 102
I Des résultats récents : compétition ImageNet, conférence ECCV,
octobre2012
• Tâche de classification très large échelle : 1000 classes, 1 million
images entrainement
• Prédire la bonne classe : complexe

84 / 102
I Des résultats récents : compétition ImageNet, conférence ECCV,
octobre2012
• Réseaux de neurones convolutifs
• Gain très important par rapport aux méthodes traditionnelles
• Intérêt : combler le fossé sémantique en apprennant les
représentations internes à partir des données

85 / 102
Détection objets
Classification vs détection : où se situent les objets des catégorie(s)

sémantique(s) présente(s) dans l’image ?
Principe : fenêtre glissante

86 / 102
Détection objets
Détection visages : succès
I Dans la plupart des appareils photo

87 / 102
Détection objets
Autres exemple : détection de texte

I Détecter les zones de texte dans une image
I Contexte urbain
I De nombreuses applications pratiques

88 / 102
Détection objets
Autres exemple : détection de texte
I Couplé avec un OCR : outil

de recherche sémantique
I Coupler les infos visuelles
avec d’autres sources :
geo-localisation, etc
I Applications téléphones
mobiles

89 / 102
Segmentation objets/régions
Autres exemple : segmentation

Classification vs détection vs segmentation : quels sont les pixels où
se situent les objets des catégorie(s) sémantique(s) présente(s) dans
l’image ?

90 / 102
Compréhension d’images
Le saint Graal
I Coupler classification globale, détection et segmentation
I Contexte : Détection/segmentation objet/région renforce -
détection autre objet/région

91 / 102
Dernier exemple : conformité des photos

d’identité
I Connecté au problème de reconnaissance de visage

I Détection visage : identifier les zones de l’image de la classe "visage"
I Reconnaissance de visage : identifier une instance particulière de la
classe "visage"
I Problème très difficile dans le cas général

92 / 102

d’identité
I La norme ISO/IEC (2005)

93 / 102

d’identité
I Beaucoup de problèmes en un à résoudre !

94 / 102

d’identité
I Détection du visage et seuillage de la peau

95 / 102

d’identité
I Seuillage de la peau

96 / 102

d’identité
I Détection des traits caractéristiques (yeux, bouche, ...)

97 / 102

d’identité
I Détection des traits caractéristiques (yeux, bouche, ...) : si simple ?

98 / 102

d’identité
I Détection des traits caractéristiques (yeux, bouche, ...) : beaucoup

d’algorithmes ! !

99 / 102

d’identité
I Travail sur le visage : représentations multiples

100 / 102

d’identité
I Travail sur le visage : orientation du visage

101 / 102

d’identité
I Et le fond ?

102 / 102

Intro PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Intro PDF

Transféré par

Droits d'auteur :

Formats disponibles

BIMA Bref historique Acquisition Définitions Applications

Bases du traitement des images

Bases du traitement des images

Bases du traitement des images

Bases du traitement des images

Plan du cours sur le semestre

Bases du traitement des images

Plan des TD/TME sur le semestre

Contrôle Continu : Évaluation

I Évaluation : compréhension des TD-TME

Bases du traitement des images

Bases du traitement des images

Les origines du traitement d’images

Quelques grandes dates

Bases du traitement des images

Les origines du traitement d’images

Quelques grandes dates

Bases du traitement des images

Bases du traitement des images

I Acquisition = Formation d’image

Bases du traitement des images

Les différents types d’images et leur

Bases du traitement des images

Le spectre électromagnétique non visible

L’imagerie par rayons gamma

Bases du traitement des images

Le spectre électromagnétique non visible

Bases du traitement des images

Le spectre électromagnétique non visible

Bases du traitement des images

Le spectre électromagnétique non visible

Bases du traitement des images

Le spectre électromagnétique non visible

Cas du multispectral : LANDSAT

Bases du traitement des images

Le spectre électromagnétique non visible

L’imagerie dans la bande micro-ondes

Bases du traitement des images

Le spectre électromagnétique non visible

L’imagerie dans la bande radio

Bases du traitement des images

Le spectre électromagnétique non visible

D’autres modalités d’image

Bases du traitement des images

Bases du traitement des images

Bases du traitement des images

I La fovea est la région où la vision est la plus précise et sensible

Bases du traitement des images

Bases du traitement des images

Bases du traitement des images

Bases du traitement des images

Rôle du cerveau : une petite expérience

Bases du traitement des images

Rôle du cerveau : une petite expérience

Bases du traitement des images

Rôle du cerveau : une petite expérience

Bases du traitement des images

Rôle du cerveau : une petite expérience

Bases du traitement des images

Rôle du cerveau : une petite expérience

I Les carrés ont la même couleur ! !

Bases du traitement des images

Autres perceptions de l’œil