Analyse d’images (Image Analysis) :

Informatique visuelle - Vision par ordinateur

Utilisation d’un ordinateur pour interpréter le monde extérieur au
Introduction travers d’images.

Elise Arnaud
Images −→ Objets
elise.arnaud@imag.fr

� Traitement d’images (Image Processing).

� Reconnaissance des formes (Pattern Recognition).
cours inspiré par X. Descombes, J. Ros, A. Boucher, A. Manzanera, E. Boyer
� Vision par ordinateur (Computer Vision).

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Plan du cours Plan du cours

5 cours magistraux 3 heures 5 TP 3 heures

1. introduction - pré-traitement 1. format d’images, histogramme
2. extraction de caractéristiques : les contours, les points 2. filtrage local, gradients
d’intérêt et la mise en correspondance
3. segmentation d’images
3. segmentation d’images
4. détection de peau
4. un peu de géométrie ...
5. points d’intérêt et suivi
5. analyse du mouvement et suivi

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA
Contrat Contrat

� Note finale : dépend de la note à l’examen, et des notes de TP

� Pas de retard en cours
� Travaux pratiques
�
� les téléphones portables sont interdits en classe (il faut
programmation en C/C++
� un rapport à rendre après chaque scéance, avant la scéance penser à les éteindre) ... et en salle de TP
suivante
� sauf pendant les tps, les ordinateurs portables sont fermés
� les transparents sont mis à disposition ... mais ne sont pas
suffisants : prendre des notes !

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Contrat Avant de continuer ...

� N’hésitez pas poser des questions

les rapports de tp
� ceci est un cours de vision ... donc expliquez et démontrez le
contenu du cours
� montrez des résultats sur les images : choisir les images,
expliquer les résultats, faire le lien avec le cours
� Pas besoin d’expliquer le génie logiciel ou la programmation
� Utilisez votre programme et vos résultats pour analyser et
expliquer
� pendant ou après le cours par courriel
� à mon bureau en dehors des heures de classes (Inria,
Montbonnot)
� Si vous ne comprenez pas ce que le professeur raconte
� Si le professeur parle trop vite
� N’hésitez pas à le dire !!

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA
Histogramme d’une image Histogramme d’une image

� brillance d’un histogramme : moyenne d’intensité des pixels de

� histogramme normalisé : proportion de pixel en fonction du
l’image
niveau de gris (densité de probabilité)
décalage de l’histogramme ⇒ augmentation de la brillance
h(x)
x → hn (x) =
nb pixels

� dynamique de l’image : [min, max]

min : valeur minimale des niveaux de gris de l’image
max : valeur maximale des niveaux de gris de l’image

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Histogramme d’une image Histogramme d’une image

� � égalisation d’un histogramme : transformation des niveaux de
expension de dynamique : transformation des niveaux de gris
de telle sorte que l’image utilise toute la dynamique (entre 0 gris dont le but est d’équilibrer le mieux possible la
et 255) distribution de pixels dans la dynamique
�
� l’histogramme cumulé hc (x) = z≤x hn (z) doit être le plus
255 linéaire possible
IExp (i, j) = (I(i, j) − min)
max − min
IEga (i, j) = 255 × hc (I(i, j))

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA