Académique Documents
Professionnel Documents
Culture Documents
Cours Tsai1 PDF Compress
Cours Tsai1 PDF Compress
d'images -ANIMAG
Juste au cas où ….
Qui suisje ? Et comment me joindre ?
Carole Frindel, CREATIS
carole.frindel@creatis.insalyon.fr
Si vous avez des difficultés :
– Références à des ouvrages tout au long du cours
– Internet est vaste : soyez autonomes.
Si ça ne répond pas à vos questions :
– Envoyez un mail à votre enseignant
Page : 2/15
Programme du cours
Introduction
Qu’estce qu’une image ?
Traitements de base d’une image
Convolution Numérique
Traitements fréquentiels
Détection des contours
Segmentation
Opérations sur les images binaires
Reconnaissance des formes
Page : 3/15
Calendrier
Page : 4/15
Fonctionnement du cours
Séance de 2 ou 4h (exceptionnellement). Alternance entre
séance de cours et de TP
Travaux pratiques
– Utilisation de Fiji sous Linux
– Programmation de macros sous Fiji
Evaluation du cours
– Travaux pratiques (50%) + projet (50%)
Page : 5/15
https://planete.insa-lyon.fr/scolpeda/f/ects?id=22193&_lang=fr
Page : 6/15
Fiji
Logiciel de traitement et analyse d'images, surcouche de
ImageJ
ImageJ : logiciel multiplateforme et open source de
traitement et d'analyse d'images développé par les
National Institutes of Health
Il est écrit en Java et permet l'ajout de nouvelles
fonctionnalités via des plugins et macros
Téléchargeable sur http://fiji.sc/Fiji
Utilisé pour les travaux pratiques
Page : 7/15
Attention : accent mis sur les TP
Ne surtout pas commencer à la dernière minute
– Travaillez en plusieurs fois
– Se laisser du temps pour réfléchir aux problèmes
Du temps est donné en classe pour les TP
– Profitezen pour avancer votre travail !
– Evitez de surfez le web dans les cours et relisez votre cours avant de
venir en TP
Page : 8/15
Attention : accent mis sur les TP
C’est un cours de traitement d’images !
– Découvrez le logiciel Fiji et ses fonctionnalités
– Ecrivez votre rapport en français
– Mais expliquez et démontrez le traitement d’images !
Montrez des résultats sur les images
– Choisissez les images et expliquez vos résultats
– Faites le lien avec ce qui est vu en cours
Page : 9/15
Ouvrages en Traitement d’images
Diane Lingrand. Introduction au Traitement
d’Images, Vuibert, Paris, 2004.
Alain Trémeau, Christine FernandezMaloigne
& Pierre Bonton. Image Numérique Couleur,
Editions Dunod, 2004.
Rafael C. Gonzalez & Richard E. Woords.
Digital Image Processing, 2nd edition,
PrenticeHall, 2002.
Wilhelm Burger & Mark J. Burge. Digital
Image Processing: An Algorithmic
Introduction using Java, Springer, 2007.
Page : 10/15
Vision artificielle (Computer Vision)
Qu'est ce que c'est ?
– connaissances et technologies qui permettent de concevoir des
machines qui peuvent « voir »
Premier niveau : vision
– acquiert une image grâce à une chaîne intégrant des éléments
optiques et un capteur
Deuxième niveau : traitement de l'image
– modifie le contenu de l'image afin de mettre en évidence des éléments
d'intérêt (objets, contours)
Troisième niveau : reconnaissance
– utilise des techniques d'intelligence artificielle pour identifier des
formes connues dans l'image
Page : 11/15
Extension de la perception humaine ? Oui
Capteurs meilleurs que l'oeil humain
– voient ce que nous ne voyons pas directement, du fait
de la limitation de notre système visuel
Autres propriétés optiques
– problème d'échelle, de résolution, de point de vue (ex :
images satellitaires)
Autres gammes de longueurs d'onde
– caméras multispectrales, infrarouge proche,
thermiques (infrarouge lointain)
Autres cadences
– caméras à haute cadence, plusieurs milliers d'images
par seconde.
Page : 12/15
Mieux que la perception humaine ? Non
Moins « intelligent » que l'humain
– même si les images initiales sont parfois très riches, le
résultat de leur traitement par un système de VA reste
souvent basique
Puissance de calcul
– les systèmes de VA ont une capacité de calcul infiniment
plus limitée que celle du cerveau humain, ou de celui des
animaux évolués
Connaissance et reconnaissance
– nous exploitons nos connaissances pour interpréter le
contenu de l'image : on reconnaît parfois des objets alors
qu'ils ne sont pas visibles
Page : 13/15
Exemple d'application de la VA :
imagerie médicale
Objectifs
– aider le médecin lors du diagnostic, le chirurgien lors
de la réalisation d'un geste opératoire
Amélioration des images
– rehaussement du contraste, élimination du bruit, mise
en évidence des détails
Détection et localisation
– positionnement des organes, détection des tumeurs,
mesure de dimensions et de volumes
Imagerie interventionnelle
– assistance enligne au praticien : opérations réalisées
sur les images en tempsréel
Page : 14/15
Vision industrielle : contrôle de la
qualité, de l'aspect, ...
Objectifs
– éviter le contrôle visuel par un opérateur (tâche
répétitive peu valorisante)
Contrôle dimensionnel
– le système de vision détermine la dimension, la forme,
la position de l'objet qu'il observe
Contrôle d'aspect
– le système détermine la couleur, la texture des objets
observés
Contrôle de la qualité
– à partir des données précédentes, le système détermine
la qualité d'un produit
Page : 15/15
Carole Frindel, CREATIS
Qu'est-ce qu'une image ?
Niveaux de gris - 8 bits:
0 - noir
255 - blanc
4
Images naturelles et artificielles
Image naturelle – Plusieurs moyens d'acquisition
caméra, microscope, tomographie, infra-rouge, satellite, …
8
Acquisition d'une image
10
Capteurs – Matrice 2D
KAF-1600 - Kodak.
11
Capteur CCD
12
Image numérique
Les valeurs de f (x,y) sont la réponse du capteur au
phénomène observé
Les valeurs de f (x,y) sont des valeurs de « voltage »
continu
Les valeurs de f (x,y) doivent être converties vers le
domaine numérique
Conversion Analogique/Numérique (A/N)
13
Echantillonnage et quantification
14
Source : Gonzalez and Woods. Digital Image Processing. Prentice-Hall, 2002.
Echantillonnage et quantification
15
Source : Gonzalez and Woods. Digital Image Processing. Prentice-Hall, 2002.
Echantillonnage et quantification
16
Source : Gonzalez and Woods. Digital Image Processing. Prentice-Hall, 2002.
Echantillonnage et quantification
Matrice de dimension M X N
Chaque élément à une valeur entière dans l'intervalle
[Lmin , Lmax]
18
Résolutions des images
Résolution spatiale
Le plus petit détail discernable
19
Résolutions spatiale et tonale
Résolution spatiale : échantillonage
20
Source : Antoine Mazanera. Introduction et filtrage. ENSTA (France).
Profils d’intensité dans une image
25
Profil d'intensité d'une image
Un profil d’intensité d’une ligne dans une image est
représenté par des signaux 1D.
26
Lectures suggérées
Nombre
de pixels
Niveau de gris
PI(k)
1
0.5
k
PI(k)
0.1
CVIPTools : Enhancement>Histograms
8
Source : Caroline Rougier. Traitement d'images (IFT2730). Univ. de Montréal.
Transformation linéaire
I’
255 ( I (i , j ) −min)
I ' (i, i) = ( I (i, j ) − min) avec ∈[0,1]
max − min max − min
CVIPTools : Enhancement>Histograms>Linear Modification
9
Source : Caroline Rougier. Traitement d'images (IFT2730). Univ. de Montréal.
Transformation linéaire
%
255
255 0 255
min max
255
255
min max 0 255
10
Source : Caroline Rougier. Traitement d'images (IFT2730). Univ. de Montréal.
Implémentation…
11
Source : Caroline Rougier. Traitement d'images (IFT2730). Univ. de Montréal.
Transformation linéaire avec saturation
%
255
255 0 255
Smin Smax
255
255
min max
Smin Smax 0 255
12
Source : Caroline Rougier. Traitement d'images (IFT2730). Univ. de Montréal.
Transformation linéaire avec saturation
255
I ' (i, j ) = ( I (i, j ) − Smin )
Smax − Smin
I ' (i, j ) ≤ 0 ⇒ I ' (i, j ) = 0
I ' (i, j ) ≥ 255 ⇒ I ' (i, j ) = 255
13
Source : Caroline Rougier. Traitement d'images (IFT2730). Univ. de Montréal.
Transformation linéaire par
morceaux
%
255
255 0 255
Smin Smax
255
255
min max
Smin Smax 0 255
S
14
Source : Caroline Rougier. Traitement d'images (IFT2730). Univ. de Montréal.
Transformation linéaire par morceaux
Exemple d’une
fonction ad-hoc
de modification
du contraste de
l’image.
15
Source : Gonzalez and Woods. Digital Image Processing. Prentice-Hall, 2002.
Correction de la dynamique de l'image
Source : www.crans.ens-cachan.fr/~genest/histogramme.pdf 19
Egalisation de l'histogramme
3500 3500
3000 3000
2500 2500
2000 2000
1500 1500
1000 1000
500 500
0 0
0 50 100 150 200 250 0 50 100 150 200 250
k k
Etape 1 : Calcul de l'histogramme hi i∈[ 0, 255]
Etape 2 : Normalisation de l'histogramme hi
h n i = i∈[ 0, 255]
ET =
OU =
CVIPTools : Utilities>Arith/Logic>{AND,OR}
Source : Gonzalez and Woods. Digital Image Processing. Prentice-Hall, 2002. 25
Opérations sur les images (ET,OU)
CVIPTools : Utilities>Arith/Logic>Add
27
Source : Eric Favier. L'analyse et le traitement des images. ENISE.
Soustraction d’images
CVIPTools : Utilities>Arith/Logic>Substract
28
Source : Eric Favier. L'analyse et le traitement des images. ENISE.
Multiplication d’images
La multiplication S d’une image f par un ratio (facteur) peut se définir par :
S(x,y) = Max( f(x,y)*ratio ; 255)
x1,5 = x1,2 =
CVIPTools : Utilities>Arith/Logic>Multiply
29
Source : Eric Favier. L'analyse et le traitement des images. ENISE.
Opérations sur les images (+,-)
0.5*F(x,y) + 0.5*G(x,y)
F(x,y)
G(x,y)
G(x,y) - F(x,y) -
F(x,y) G(x,y)
Source : www.nte.montaigne.u-bordeaux.fr/SuppCours/5314/Dai/TraitImage01-02.ppt 30
Lectures suggérées