2020

Computer Vision
MINI - PROJET

Morgane Gougeon Kevin Sanchez-Lacroix Antoine Sini

Sommaire

I - PRÉSENTATION DU SUJET

II - PRÉSENTATION DE LA BIBLIOTHÈQUE
a. Présentation des méthodes
i. Méthodes indispensables
ii. Méthodes pouvant s’avérer utiles
iii. Méthodes optionnelles
b. Résultats

III - PRÉSENTATION DE LA PARTIE 1

a. Présentation des méthodes
b. Résultats

IV - PRÉSENTATION DE LA PARTIE 2
a. Présentation des méthodes
b. Résultats

V - BILANS
a. Bilan technique
b. Bilans personnels

01
1 - Présentation du sujet
Afin d'illustrer au mieux les compétences acquises lors de nos cours de Computer
Vision, nous avons eu un projet en trois parties à réaliser, par groupe.
Etant amis et ayant une aisance à travailler ensemble, nous avons donc choisi de
composer une groupe de 3 comprenant Morgane Gougeon, Kevin Sanchez-Lacroix
et Antoine Sini.

Au cours de ce projet, nous devions tout d'abord réaliser, chacun de notre coté, une
bibliothèque regroupant toutes les fonctions de Computer Vision étudiées.
Ensuite, la partie suivante était, grâce à nos bibliothèques précédemment créées, de
réaliser une vidéo d'une balle rebondissant sur les bords d'une boite, puis, grâce à
des méthodes de Computer Vision, être capable de repérer la balle tout le long de
la vidéo, et en extraire ses coordonnées ainsi que sa vitesse.
Enfin, la dernière partie consistait à créer des réseaux neurones capables de
reconnaître des animaux, des véhicules ou des humains, puis mettre en place un
suivi de cible sur une vidéo.

Pour plus de praticité au niveau du code, nous avons choisi de réaliser ce projet en
Python.

02
2 - Présentation de la
bibliothèque
Dans cette phase du projet, nous avions une liste de fonctions à coder, afin de se
constituer une bibliothèque indispensable pour le bon déroulement des autres
phases du projet.
Les fonctions, que nous retrouverons ci-dessous, étaient catégorisées selon trois
niveaux d'importance :

1. Indispensables :
Histogramme
Expansion de dynamique
Seuillage manuel
Seuillage par max. variance
Filtres : tous
Passage en HSV
Croissance de régions / reconstruction par marqueur 
Dilatation/érosion binaire 
Boîte englobante simple + élongation 
Surface et périmètre (comptage de points)
Circularité géométrique
Blaschke
Connexité

2. Pouvant s’avérer utiles :

Quadtree
Boite englobante / diamètre de Féret + élongation
Périmètre de Crofton
Circularité radiale
Convexité

3. Optionnelles :
Entropie
Look up table
Egalisation d’histogramme
Seuillage par max. entropie
Ligne de partage des eaux

03
 2
A) Présentation des méthodes

i) Méthodes indispensables

Histogramme

En  imagerie numérique, l’histogramme  représente la distribution des intensités

(ou des couleurs) de l'image.

Ici, l'image en niveaux de gris est passée en paramètre d'entrée de la fonction.

On crée un tableau histogram contenant 256 cases : chaque case correspond à un
niveau de gris. On va ensuite parcourir l'image, et, pour chaque pixel de l'image,
incrémenter le nombre de pixels correspondants dans le tableau.
Ensuite, on enlève les valeurs de niveau de gris pour lesquelles il n'y a aucun pixel
correspondant, afin d'eviter tout probleme par la suite.

04
 2
Expansion de dynamique

En imagerie numérique, l'expansion de dynamique permet de passer d'une image

dont les niveaux de gris sont compris entre [x, y] à une image dont les niveaux
de gris sont compris entre [u, v].

Ici, l'image en niveaux de gris est passée en paramètre d'entrée de la fonction, ainsi
que les bornes de départ x et y, puis les nouvelles bornes désirées u et v.
On crée un tableau 2D de taille largeur image par hauteur image.
Pour chaque pixel de l'image, on lui applique la transformation, puis on retourne le
nouveau tableau de niveaux de gris étendus.

Seuillage manuel

En  imagerie numérique, le seuillage manuel permet de transformer tous les

pixels sous un certain seuil en noir, et tous les pixels au dessus en blanc.

Ici, l'image en niveaux de gris est passée en paramètre d'entrée de la fonction, ainsi
que le seuil désiré.
On crée un tableau 2D de taille largeur image par hauteur image.
Pour chaque pixel de l'image, si sa valeur est inferieure au seuil, il devient noir;
sinon, il devient blanc.

05
2
Seuillage par maximisation de la variance

En imagerie numérique, l'expansion de dynamique permet de passer d'une image

dont les niveaux de gris sont compris entre [x, y] à une image dont les niveaux
de gris sont compris entre [u, v].

Ici, l'image en niveaux de gris est passée en paramètre d'entrée de la fonction, ainsi
que

06