Chapitre 1 Vision Artificielle Septembre 2022

Chapitre 1.
Géométrie des
images vision 3D
Introduction, Définitions
Master 2 ESE septembre 2022 2

Quelques termes…
• Traitement d'images (Image Processing)
– Manipulation dont l'entrée et la sortie sont des images.
– Aide l'humain pour examiner les images.
• Analyse d'images (Image Analysis)

– Analyse où l'entrée est une image mais la sortie est de
l'information.
• Vision par ordinateur (Computer Vision)

– Émule la vision humaine dans le but d'extraire de
l'information ou de prendre une décision.
– Une des branches du domaine de l'intelligence artificielle.

• L'intelligence artificielle est la recherche de
moyens susceptibles de doter les systèmes
informatiques de capacités intellectuelles
comparables à celles des êtres humains.

La vision par Ordinateur

Vision Artificielle VA
Un système de vision artificielle capte une
scène tridimensionnelle et la traduit en une
ou plusieurs images
• Objectifs
Reconnaître et localiser les objets présents
dans la scène

Domaines d’applications
• Aide à la conduite automobile

• Spatial
• Médical
• Construction automobile
• Electronique
• Agriculture
• Robotique ...

télédétection

analyse de l’extension d’un feu de forêt

exemple de reconnaissance d’écriture manuscrite
contours haut et bas

segmentation
reconnaissance des « segments » dans une base

de segments mémorisés et de leurs enchaînements
(modèles de markov)

Échographie
Carie dentaire

Coupe médiane de la tête
(IRM)
Une tumeur cérébrale

(IRM)2 ESE septembre 2022
Master 17
Tumeur
cérébrale

Lésion due à
un AVC

Caractérisation
(a) (b)
(c)
(d) (e)
(f)
Résultats de la caractérisation.
(a) et (e) : Images segmentées, (b) et (d) : Images régions, (f): Caractérisation.
Traitement d'images:
Le traitement d’images a pour
vocation l’étude, la conception et la réalisation
de systèmes d’exploitation d’images
considérées comme véhicules de l’information.
Son but ultime consiste à extraire le contenu
informationnel (ou information pertinente)
des images en vue d’une prise de décision ou
d’une action.

Analyse d'image:
L’objectif de l’analyse d’image est de
chercher à extraire les informations contenues
dans divers objets de la scène, afin de
développer une représentation symbolique,
puis sémantique de l’information contenue
à l’état brut dans une représentation
numérique à 2 ou 3 dimensions en vue de
reconnaissance et d’interprétation.

L’image :
L’image représente généralement un objet 3D
sur une surface plane, en souhaite que l’image soit le
reflet le plus fidèle possible de l’objet et ceci est lié à la
qualité du système d'imagerie.

Une image numérique se distingue d’une
image analogique par le fait que les informations
sont regroupées sous forme d’une matrice de
nombres représentant un phénomène physique.
La numérisation convertit le signal en une valeur

numérique, et pour cela le signal est
échantillonné.

Représentation d'une image
(0,0) y
f(x,y) =intensité
lumineuse

Formation d’images
Termes à connaître
Pixel
Une image est constituée d'un ensemble de points appelés pixels.
Le mot pixel provient d’une abréviation de l’expression
britannique PICture Element. Le pixel représente ainsi le plus petit
élément constitutif d'une image numérique. L'ensemble de ces
pixels est contenu dans un tableau à deux dimensions constituant
l'image finalement obtenue. Étant donné que l'écran effectue un
balayage de gauche à droite et de haut en bas, on désigne
généralement par les coordonnées [0,0] le pixel situé en haut à
gauche de l'image. Master 2 ESE septembre 2022 27
Résolution
La résolution, terme souvent confondu avec la « définition »,
détermine le nombre de points par unité de surface, exprimé en
points par pouce (en français PPP, en anglais DPI pour Dots Per
Inch, un pouce représente 2,54 cm). La résolution permet ainsi
d'établir le rapport entre le nombre de pixels d'une image et la
taille réelle de sa représentation sur un support physique.
*Une résolution de 300 dpi signifie donc 300 colonnes et 300

rangées de pixels sur un pouce carré ce qui donne donc 90 000
pixels sur un pouce carré.
Définition
On appelle définition le nombre de points (pixel) constituant une
image, c'est-à-dire sa « dimension informatique ».
Une image possédant 640 pixels en largeur et 480 en hauteur aura

une définition de 640 pixels par 480, notée par convention
640x480.

Image numérique et image analogique.
Image numérique se dit digital image en anglais. Numérique signifie discret

et analogique signifie continu. Voyons tout d'abord quelques exemples:
exemples d'images numériques :
• image "web",
• image d'un film d'animation,
• sortie des appareils photos et caméscopes numériques,
• image de TV numérique...
et exemples d'images analogiques:

• photo argentique,
• diapositive,
• radiographie,
• peinture,
• bobines de film.

Place de l’image numérique
• Monde régi par l’image
• Rôles de l’image dans la communication

visuelle

La grande différence entre images numériques et analogiques
est que les images numériques peuvent se décrire par un
ensemble fini de valeurs entières. Si on connait cette suite de
valeurs, on peut recréer une copie exacte de l'image d'origine.
On peut assimiler cette suite de valeurs entières à un "code
génétique" de l'image.
Au contraire, une image analogique est liée à un support

matériel: plaque photo, pigments de peinture et toile, par
exemple. Il n'est pas possible de reproduire l'image originale à
l'identique. Les copies sont nécessairement dégradées par
rapport à l'original. Master 2 ESE septembre 2022 32
Ceci est un point fort très important des images numériques: on
peut créer de nombreuses répliques de l'image sans dégradation et
on peut facilement transmettre, stocker, dupliquer …
Par exemple il est absolument impossible de faire passer une
diapositive par le réseau téléphonique, par contre transmettre une
suite de valeurs entières c'est très facile! De plus le code de l'image
numérique est indépendant du support : le support vieillit, le code ne
vieillit pas.

Bitmap et vectoriel
• Bitmap : composée de points, les pixels. Vise souvent au
photoréalisme. Le plus souvent produite par un périphérique
de saisie. Doit être créée en fonction de son usage.
• Vectoriel : composée de courbes, d'objets, dotés ou non de

contours et de surfaces. C'est un dessin. Fichier pas
forcément rectangulaire. Peut être agrandie et déformée.

Les types d’images bitmap
• Noir et Blanc : constituées de points ne pouvant
avoir qu’un des deux états
• Niveaux de Gris : en 256 niveaux de gris (256
nuances)
• En couleurs : Peuvent être en 256 couleurs, en 16
millions de couleurs (RVB, chaque composante étant
codée sur 256 nuances) dites aussi 24 bits, ou en 32
bits (CMJN, les 4 couleurs de base de l'impression
offset)

Les formats d’images bitmap
• TIFF
• JPEG
• BMP
• GIF
• PNG
• PSD, RAW, TGA…

Une image numérique
Une image numérique peut être vue comme une “matrice 2D” dont chaque élément
(pixel) représente l’intensité lumineuse discrète à ce point.

Images réelles
• La scène est constituée d’objets et de transport de la lumière
– objets 3D (macroscopiques, mésoscopiques et
microscopiques), position, couleurs, propriétés
physiques...
– sources de lumière, réflexion, réfraction, diffraction,
interréflexions, dispersion unique et multiple
• La scène est vue par un observateur (caméra)
– position et orientation, pyramide de vue
– lentille, profondeur de champ
• Image est une représentation 2D de la scène à un moment
précis et telle qu’observée par une caméra
• Note: tous les éléments de la scène peuvent être en mouvement

Images synthétiques
• Une scène synthétique 3D typique
(minimale)
– Géométrie des objets 2D ou 3D de la scène
– Textures et paramètres de réflexion/réfraction
– Source(s) de lumière directes
– Caméra(s) synthétique(s)
• Formation d’une image d’une taille donnée
• Animation est constituée d’une séquence
d’images affichées dans le temps

Exemple “typique” d’une scène 3D
Source lumineuse
Objets 3D (ayant
couleur, texture,
paramètres de
réflexion, etc.)
Image
Pyramide de vue
Caméra (rendu)
Virtuelle

Numérisation
Scanner
Image réelle
Caméra numérique
Numériseurs
Numérisation = échantillonnage + Quantification
• A chercher pour numériser une image :
– Combien d ’échantillons ?
– Quantification: Combien de niveaux discrets sont

suffisants pour couvrir la plage de l’image ? (en
bits).
– Tessellation : Forme des pixels ?

D’un signal continu (analogique) à un signal discret (numérique):
3 étapes
Chaîne de numérisation d’un signal temporel (1-D)

Signal continu (référence) Signal échantillonné
Étape 1
Codage (4 niveaux  2bits)

Signal quantifié (4 niveaux)
Étape 2
Étape 3

D’un signal continu (analogique) à un signal discret
(numérique): 3 étapes
 Échantillonnage : l’évolution du signal suivant la dimension
« t » (ici le temps) est représentée par un nombre fini de ses
valeurs. Les valeurs du signal sont prises régulièrement à une
période d’échantillonnage Te.
 Quantification : l’amplitude du signal échantillonné est

représentée par un nombre fini de valeurs d’amplitude (niveaux
de quantification).
 Codage : les niveaux de quantification sont codés sous la

forme d’un mot binaire sur k bits ( 2k niveaux possibles).

CAS DES IMAGES
 Les images sont des signaux 2-D, l’échantillonnage se

fait selon les dimensions spatiales « x » et « y » (et non
pas selon le temps comme précédemment).
 Le nombre de niveaux de quantification de la
luminance est généralement de 256, chaque niveau étant
alors codé sur 8 bits.
Numérisation :

pavage: C’est la forme du pixel.
Le pavage est «choisi» pour couvrir au mieux le plan
image.
Le pavage est donc une partition du plan image

qui, une fois discrétisé, résulte en un maillage qui
représente la grille d’échantillonnage.

Représentation échantillonnée
• Echantillonnage d’une fonction f(x,y)
fe(x,y) = f(x,y).Si Sj d( x - i Dx , y - j Dy )
Dx pas d’échantillonnage dans la direction x
Dy pas d’échantillonnage dans la direction y
x
Dy
Dx
Si Sj d( x - i Dx , y - j Dy ) Peigne de Dirac 2D

~
• Le poids f (iDx, jDy) de chaque Dirac est :
– Soit la valeur de f(x,y) en x = i Dx et y = j Dy
– Soit la valeur «moyenne» de f(x,y) dans une région entourant (i Dx , j Dy) (f(x,y)
est pondérée et intégrée dans la région R)
Caméra CCD Caméra à

tube
• La maille (répartition des pixels) est le plus souvent carrée
(Dx=Dy) ou rectangulaire
• On utilise parfois une maille hexagonale qui possède

des propriétés intéressantes pour les notions de
voisinage et de distance.

Voisinage, connexité, distance
• Beaucoup de traitements font intervenir la notion de voisinage

• Un pixel possède plusieurs voisins (4 ou 8)
• On parlera de connexité 4 ou 8
La région grise forme :

UN seul objet en connexité 8
DEUX objets en connexité 4

 Effets de l'échantillonnage : pixelisation
256 x 256 pixels 64 x 64 pixels 16 x 16 pixels
• Contours en marche d’escalier

• Perte de netteté
• Détails moins visibles/ moins précis
• Perte de résolution

 Effets de la quantification à l'acquisition
• CAN sur les systèmes d’acquisition d’images
• Codage de la valeur de chaque pixel sur N bits (En général 8 bits)
8 bits (256 niv.) 4 bits (16 niv.) 2 bits (4 niv.)
• Apparition de faux contours

• Bruit de quantification
• Effet visible à l’œil en dessous de 6/7 bits
• Quantification sur 8 bits pour l’affichage

• Quantification :
8bits
Une quantification trop faible
peut causer des problèmes de
faux contours
4bits 3bits
1bit

Couleur : RVB
• (0, 0, 0) = noir,
• (255, 0, 0) = rouge
• (0, 255, 0) = vert, (0, 0, 255) = bleu
• (127, 127, 127) = gris moyen,
• (255, 255, 255) = Blanc.

 Bruits liés à l'acquisition
Les images sont souvent entachées de bruit, parfois non visibl
à l’œil, et qui perturberont les traitements
Diaphragme F/ F/1
F/4 8 6
• Optimiser les conditions d’éclairage

Eclairage non uniforme !
Correction de l'éclairage

PRETRAITEMENT d’images
PRETRAITEMENT
Le rôle du prétraitement dans sa définition la plus
générale est de remédier aux dégradations ayant
affecté l’image et/ou de rendre cette image mieux
adaptée à une application particulière.

PRETRAITEMENT
Pourquoi?
 Produire une image mieux adaptée à une
application donnée
 Faciliter la segmentation en renforçant la
ressemblance entre pixels appartenant à la même
région et en accentuant la différence entre pixels
appartenant à des régions différentes

PRETRAITEMENT
Amélioration d’images :
 Les transformations ponctuelles de luminance
(modification d’histogramme).
 Le rehaussement des propriétés visuelles de l’image
ou mise en évidence des structures dans l’image
(contraste, lumière).
 La réduction ou l’élimination du bruit qui affecte
l’image (filtrage).

PRETRAITEMENT
Histogramme :
• Distribution des tons de gris
• Comptage de l’occurrence de chaque ton de

gris

Prétraitement
• L’histogramme est une fonction hist(i) permettant de
donner la fréquence d’apparition des différents
niveaux de gris i qui composent l’image.
• En abscisse on représente les niveaux de gris et en
ordonnée leurs fréquences d’apparition.
• L’histogramme des niveaux de gris nous informe sur la
concentration de l’image.
• Pour une image couleur, il y a un histogramme
par composante

PRETRAITEMENT
 Représentation pour chaque valeur de la
plage dynamique du nombre de pixels
ayant une valeur donnée
1665 pixels
3000
d’intensité 64
2500
2000
1500
1000
500
0
1 10 19 28 37 46 55 64 73 82 91 100 109 118 127 136 145 154 163 172 181 190 199 208 217 226 235 244 253

PRETRAITEMENT
Différents types d’histogramme
6000 7000
5000 6000
5000
4000
4000
3000
3000
2000
2000
1000 1000
0 0
1 10 19 28 37 46 55 64 73 82 91 100 109 118 127 136 145 154 163 172 181 190 199 208 217 226 235 244 253 1 10 19 28 37 46 55 64 73 82 91 100 109 118 127 136 145 154 163 172 181 190 199 208 217 226 235 244 253

PRETRAITEMENT
Différents types d’histogramme
3500
6000
3000
5000
2500
4000
2000
3000 1500
2000 1000
1000 500
0 0
1 10 19 28 37 46 55 64 73 82 91 100 109 118 127 136 145 154 163 172 181 190 199 208 217 226 235 244 253 1 10 19 28 37 46 55 64 73 82 91 100 109 118 127 136 145 154 163 172 181 190 199 208 217 226 235 244 253

PRETRAITEMENT

PRETRAITEMENT
Remarque
La qualité visuelle d’une image
• ne dépend pas uniquement de son histogramme
• mais surtout de la nature et du but de l’image.
Par exemple
• Dans une image médicale, on cherche à mettre en évidence les
structures anatomiques ou pathologiques d’intérêt, au dépens
des autres.
• Dans une photos d’identité il importe d’établir un bon contraste
entre la tête et le fond.
PRETRAITEMENT
Transformation d’histogrammes:
Rehaussement de contraste
Égalisation d’histogramme

PRETRAITEMENT
Rehaussement du contraste
 Augmentation de la plage dynamique
7000
6000
5000
4000
3000
2000
1000
0
1 10 19 28 37 46 55 64 73 82 91 100 109 118 127 136 145 154 163 172 181 190 199 208 217 226 235 244 253
Vmin Imin Imax Vmax

• Contraste :
C'est la différence marquée entre deux
régions d'une image, plus précisément entre les
régions sombres et les régions claires de cette
image. Le contraste est défini en fonction des
luminances des deux zones d'images .

PRETRAITEMENT
Exemple de rehaussement
 Imin= 68; Imax=152;  Vmin= 0;Vmax=255

PRETRAITEMENT
Égalisation de l’histogramme
On considère les niveaux de gris dans l’image
comme une densité de probabilité.
L’égalisation de l’histogramme vise à

transformer cette densité de probabilité pour
obtenir une probabilité uniforme sur toute la
plage dynamique
PRETRAITEMENT

PRETRAITEMENT
Image originale Image après égalisation

PRETRAITEMENT
Réduction du bruit par filtrage
Une image est généralement affectée par des

perturbations, désignées sous le terme de bruit
d’image. Ce bruit peut nuire à la qualité de la
segmentation. Il est dû au dispositif et aux
conditions d’acquisition.
PRETRAITEMENT

PRETRAITEMENT
L’objectif du filtrage du bruit (lissage) est de
réduire l’amplitude des variations d’intensité dans
chaque région, tout en conservant les transitions
entre régions adjacentes. Cette transformation est
souvent nécessaire avant la segmentation, en
particulier la détection de contours.
PRETRAITEMENT
Image sans bruit

PRETRAITEMENT
Image bruitée

Filtre Médian

Filtre Médian

PRETRAITEMENT
Filtrage gaussien

PRETRAITEMENT
Différents types de filtrage
Filtre moyen

La segmentation d’images

La Segmentation d’Images

Bas Niveau et Haut Niveau
Modification
Acquisition d’histogramme
Bas
niveau
Numérisation Amélioration Filtrage
d’une image
Prétraitement Transformées(Fourier
par exemple)
Segmentation
Restauration
Haut
niveau interprétation

La segmentation des images médicales
La segmentation est une opération de traitement
d’image qui a pour but de rassembler des pixels/
voxels entre eux suivant des critères définis;
aboutissant à une partition de l’image traitée.
En imagerie médicale la segmentation permet

d’associer une structures anatomique à chaque
position dans l’espace.

la segmentation d’images facilite ou automatise la
délimitation des structures anatomiques ou d’autres
régions d’intérêt.
Exemple: en IRM cérébrale elle permet de

différencier les tissus, les structures anatomiques
et/ou les lésions.

Introduction
Segmentation
MG
LCR
MB
Applications et intérêts de la segmentation
• la planification préopératoire ;
• la planification thérapeutique, par exemple pour la
radiothérapie ;
• l'analyse morphométrique sur une population, afin
de détecter et d'identifier des anomalies et de
suivre l'évolution de pathologies ;
• la construction d'atlas;
• Le résultat de la segmentation peut également
fournir une initialisation pour d'autres traitements.

Difficultés de la tâche de segmentation
• Variabilité des formes à segmenter : Une

même structure peut avoir une forme
différente chez deux sujets, c'est notamment
le cas pour les structures cérébrales telles que
les sillons, dont la localisation et la forme
varient largement au sein d'une population.

• Bruit sur l'image : Il est particulièrement
gênant sur les images échographiques, pour
lesquelles le « débruitage » constitue un sujet
de recherche à lui seul;
• Faible contraste et frontières mal définies. Ce

problème se pose par exemple pour les
structures profondes du cerveau;

• Complexité des régions environnant la cible:
avec éventuellement la présence de texture. Ce
phénomène est particulièrement important sur
les clichés mammographies;
• Hétérogénéité des intensités: au sein d'une

même classe de tissu. Cela peut être dû à une
variation de densité des tissus, ou à un défaut
du système d’imagerie;

• Artefacts issus des systèmes d'acquisition ou
liés aux algorithmes de reconstruction. Les
artefacts sont de nature diverse selon la
modalité d'imagerie utilisée;
• Nature discrète des images: dont les voxels ne

sont associés qu'à un niveau de gris, alors
qu'ils représentent les données contenues
dans un petit volume.

Classes des méthodes de segmentation:
Il existe de nombreuses méthodes de segmentation , que
l’on peut regrouper en quatre principales classes:
Segmentation fondées sur les régions
Segmentation fondée sur les contours
Segmentation fondée sur la classification
Segmentation fondée sur la coopération entre les trois

premières: parallèle, séquentielle et mutuelle (hybride)

Approche Gradient
Détection contour Approche
dérivatives Approche Laplacien
Modèles
déformables
Approche globale
Segmentation Approche locale

par seuillage Approche hybride
Extraction région
Segmentation Fusion
par croissance
Division
de région
Fusion-Division
Non Supervisée Fondées sur la minimisation de distance
Par classification Approches structurales
supervisée Approches stochastiques

Approches déterministes
Approche contours:
Cette approche consiste à rechercher des
régions en déterminant d’abord les points
frontières entre deux zones homogènes de
caractéristiques différentes, puis en regroupant
les points situés à l’intérieur des contours
fermés . Ces points frontières ou points de
contours présentent une discontinuité
importante de luminance par rapport à leurs
voisins.
Approche contours: Approche gradient
• Cette approche repose sur la recherche d'un

extrémum de la dérivée première, ou du
passage par zéro de la dérivée seconde du
gradient.
Soit la fonction image I(x, y), le gradient de I en
un point (x, y) est un vecteur bidimensionnel
qui s’écrit :

contours

Approche régions:
Contrairement aux techniques d’extraction des
contours, la segmentation en régions homogènes
est basée sur les propriétés intrinsèques des
régions. Le choix de ces propriétés détermine ce
qu’on appelle " le critère de segmentation ". Pour
segmenter l’image en régions, ces critères peuvent
être la valeur de niveau de gris.
Une région est un ensemble connexe de points
répondants au même critère d’homogénéité.

Segmentation en région par
classification:
Les méthodes de classification automatique
(techniques globales) ont pour objectif d’établir
une relation entre l’ensemble des points de
l’image et l’ensemble des classes. Cette relation
fait correspondre à chaque élément de
l’ensemble des points image une (et une seule)
dans l’espace des attributs représentant la
région à laquelle il appartient.

Segmentation en région par
classification:

Segmentation d'image par division :
Elle consiste à diviser l'image, en régions de plus
en plus homogènes. Le processus est réitéré
pour chacune des régions produites jusqu' à ce
que le critère d'homogénéité soit atteint.

Segmentation par fusion :
Elle consiste à exploiter une partition initiale de
l'image constituée de petites régions, puis ces
régions sont fusionnées successivement jusqu'à ce
que le critère de fusion ne soit plus vérifié .
L'inconvénient des méthodes de fusion est qu'elles
sont couteuses en temps de calcul car la fusion
implique à chaque itération, une recherche sur
toute l'image, des deux régions les plus aptes à
fusionner, c'est -à-dire celles qui sont les plus
similaires.

Segmentation par division-fusion :
Ces méthodes font partie des méthodes
fondamentales de la segmentation en régions. Elles
se basent sur deux phases successives qui sont la
division de ces blocs suivant certains critères
d'homogénéité. Le principe est simple: une région
qui n'est pas homogène doit être divisée en plusieurs
régions. Deux régions connexes ayant des
caractéristiques communes doivent être fusionnées.
Si le résultat donne une région homogène, ces deux
opérations sont répétées jusqu'à ce que la fusion ne
soit plus possible.

Segmentation par croissance régions :
Les algorithmes de croissance de régions reposent
sur des principes de fonctionnement identiques:
-Définition d'un prédicat PRED (R c, Pc) pour

mesurer le degré de similarité du pixel examiné Pc
avec la région en cours de formation R c (R c : région
courante, P c: pixel courant )

2 -Initialisation de la région par un ensemble de
pixels, noté G et appelé noyau ou région-noyau
ou germe.
3 -Croissance de la région en respectant la

connexité des pixels avec la région en examinant
la possibilité d'appartenance à la région en cours
de formation.

Le processus s'arrête selon deux conditions :
• Si toutes les régions ont été formées est il
n'existe plus de pixel candidat, ou de régions
noyau.
• Si le prédicat n'est plus vérifié pour tous les
pixels voisins à la région en cours de formation.

Algorithme simple de segmentation par
croissance de région inter-connectée

Approche mixte :
Cette approche combine l’approche par régions et
l’approche par contours. Elle exploite conjointement
l’information contour et l’information région afin de
pallier les insuffisances de chacune des deux
approches. La coopération peut être associative ou
séquentielle .

Dans le cas de la coopération associative, la
compatibilité des résultats fournis par chaque
approche est recherchée, et dans l’autre cas, les
résultats de la première méthode mise en
œuvre fournissent des contraintes à la seconde.

Approche coopérative
Image segmentée par

MPFCM
La classe de la tumeur Le masque
Contour initiale Résultat Résultat

Exemple simple de segmentation: Le
Seuillage
Le seuillage constitue une approche simple à la
segmentation. Le seuillage sert de composante
de base à des algorithmes plus complexes de
segmentation

Seuillage global T
– Binarisation de l’image
– Production de 2 zones de base:
• Zone 0 si I(x,y)  T
• Zone 1 si I(x,y) > T

Effets du choix de la valeur de seuil T
T=46 T=64 T=96
T=128 T=192
Master 2 ESE septembre 2022 T=224 125

Chapitre 1 Vision Artificielle Septembre 2022

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

Chapitre 1 Vision Artificielle Septembre 2022

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 1.

Master 2 ESE septembre 2022 2

• Analyse d'images (Image Analysis)

• Vision par ordinateur (Computer Vision)

Master 2 ESE septembre 2022 3

Master 2 ESE septembre 2022 4

Master 2 ESE septembre 2022 5

Master 2 ESE septembre 2022 6

• Aide à la conduite automobile

Master 2 ESE septembre 2022 7

Master 2 ESE septembre 2022 8

Master 2 ESE septembre 2022 9

contours haut et bas

reconnaissance des « segments » dans une base

Master 2 ESE septembre 2022 12

Master 2 ESE septembre 2022 16

Une tumeur cérébrale

Master 2 ESE septembre 2022 18

Master 2 ESE septembre 2022 19

Master 2 ESE septembre 2022 21

Master 2 ESE septembre 2022 22

Master 2 ESE septembre 2022 23

La numérisation convertit le signal en une valeur

Master 2 ESE septembre 2022 24

Master 2 ESE septembre 2022 25

*Une résolution de 300 dpi signifie donc 300 colonnes et 300

Une image possédant 640 pixels en largeur et 480 en hauteur aura

Master 2 ESE septembre 2022 29

Image numérique se dit digital image en anglais. Numérique signifie discret

et exemples d'images analogiques:

Master 2 ESE septembre 2022 30

• Rôles de l’image dans la communication

Master 2 ESE septembre 2022 31

Au contraire, une image analogique est liée à un support

Master 2 ESE septembre 2022 33

• Vectoriel : composée de courbes, d'objets, dotés ou non de

Master 2 ESE septembre 2022 35

Master 2 ESE septembre 2022 36

Master 2 ESE septembre 2022 37

Master 2 ESE septembre 2022 38

Master 2 ESE septembre 2022 39

Master 2 ESE septembre 2022 40

Master 2 ESE septembre 2022 41

– Quantification: Combien de niveaux discrets sont

– Tessellation : Forme des pixels ?

Master 2 ESE septembre 2022 43

Chaîne de numérisation d’un signal temporel (1-D)

Codage (4 niveaux  2bits)

Master 2 ESE septembre 2022 44

 Quantification : l’amplitude du signal échantillonné est

 Codage : les niveaux de quantification sont codés sous la

Master 2 ESE septembre 2022 45

 Les images sont des signaux 2-D, l’échantillonnage se

Master 2 ESE septembre 2022 47

Le pavage est donc une partition du plan image

Master 2 ESE septembre 2022 49

Master 2 ESE septembre 2022 51

Caméra CCD Caméra à

• On utilise parfois une maille hexagonale qui possède

Master 2 ESE septembre 2022 53

• Beaucoup de traitements font intervenir la notion de voisinage

La région grise forme :

Master 2 ESE septembre 2022 54