République Algérienne Démocratique et Populaire

Ministère de l’enseignement Supérieur et de la Recherche

Scientifique
Université des Sciences et de la Technologie Houari Boumediene

Faculté Génie Electrique

Département d’électronique

2 ème Année Master

Electronique des systèmes embarqués

Travaux Pratiques

Vision Artificielle

Date 13-11-2023
Questionnaire

TOUMI Hichem
et
REGGUEM Sabrina
Sous-groupe : 02
E-mail: hichem.toumi.2001@gmail.com
 1. Définition de la convolution

La convolution est l’operateur de base du traitement linéaire des images, elle

permet de calculer l’approximation des dérivées horizontales et verticales. Pour
calculer une convolution on remplace la valeur de chaque pixel par la valeur du
produit scalaire entre les valeurs du noyau de convolution et les valeurs du
voisinage du pixel considéré (par rapport a l’origine (0,0) du noyau de
convolution).

2. Noyau de convolution :
En traitement d'images, un noyau, une matrice de convolution ou un
masque est une petite matrice utilisée pour le floutage, l'amélioration de la
netteté de l'image, le gaufrage, la détection de contours, et d'autres. Tout cela est
accompli en faisant une convolution entre le noyau et l'image.

3. Equation du produit de convolution :

Soit I une image numérique

Soit h une fonction de [x1, x2] [y1, y2] à valeurs réelles

La convolution de I par h est définie par :

 4. Détection de contour par l’approche de GRADIENT :
Le gradient représente la dérivée première de la fonction de niveau de gris
le contour correspond a la norme du gradient supérieur a un seuil donne
 Cet opérateur est à considérer comme un filtre qui va être corrélé à l'image. Les
réponses impulsionnelles de ce filtre peuvent se présenter sous la forme de
masques bi-dimensionnels. Le filtrage a lieu en deux étapes : un filtrage suivant
les lignes de l'image (Gradient horizontal) puis suivant les colonnes (Gradient
vertical).
 5. Détection de contour par l’approche de LAPLACIEN :
Le LAPLACIEN c’est le passage par zéro de la dérivée seconde d'une
rupture d'intensité permet également de mettre en évidence le contour. Cette
opération de calcul de LAPLACIEN peut alors être appliquée à une image par
l'intermédiaire d'un filtrage avec le masque 3*3 suivant :

Après le filtrage de l'image au moyen de ce filtre, il s'agit de détecter les

passages par zéro en conservant uniquement les passages les plus marqués. En
effet, la technique est particulièrement sensible au bruit en raison de la double
dérivation. Il s'agit donc de ne pas considérer le bruit, qui peut très bien se
traduire par des oscillations autour de zéro, comme un contour. C'est le rôle du
seuil S qui va être utilisé dans cette approche pour ne prendre en compte que les
passages par zéro d'amplitude relativement élevée correspondant à des vrais
contours de l'image.
 6. Les masques de convolution
 Masque de Prewitt et Sobel :
Le calcul de GRADIENT est réalisé grâce a deux masques, le
premier effectuant un GRADIENT horizontal ,le second un gradient
vertical.

 Si K =1 masque de Prewitt
 Si K =2 masque de Sobel

 Masque de Canny :

L'objectif est bien de calculer le module du gradient de l'image analysée.

Souvent avant d'appliquer le filtre de Canny, un filtrage préalable est opéré sur
l'image au moyen d'un filtre gaussien. Les différentes étapes sont énumérées ci-
après :
 convolution de l'image initiale avec un filtre passe-bas gaussien bi-
dimensionnel (ou convolution 1D dans chacune des deux directions),
 convolution de l'image lissée avec le filtre de Canny ou la dérivée de
gaussienne dans les directions horizontale et verticale,
 calcul du module du gradient à partir des deux images représentant les
gradients de l'image filtrée passe-bas dans les directions horizontale et
verticale.
7. Les différentes approches de segmentation :
I. Méthode de segmentation basée région :
 Cette méthode utilise les similitudes locales des pixels tel que le niveau
de gris, la couleur ou la texture.
a. Seuillage a partir d’histogramme
b. Croissance de regions .
c. Division -Fusion ( Split- merge ).
d. Méthode de clustering ( K-means , C-means , Fuzzy means).

a. Segmentation basée sur le seuillage :

Le seuillage a pour objectif de segmenter une image en plusieurs
classes homogènes en utilisant par exemple l’histogramme. Elle
consiste à extraire des seuils à partir de l’histogramme puis la
classification d’un pixel p est faite par comparaison de I(p) aux
seuils.
A chaque pic de l’histogramme est associée une classe. Il existe
de très nombreuses méthodes se seuillage d’un histogramme. La
plupart de ces méthodes s’appliquent correctement si l’histogramme
contient réellement des pics séparés.
b. Segmentation croissance de région : région growing
- Approche ascendante
 1. Départ d’un pixel (ou d’un groupe de pixel) : pixel
germe.
2. Analyse de ces pixels voisins et analyse du critère
d’homogénéité.
3. Croissance de la région jusqu’au critère d’arrêt (plus
aucun pixel ne satisfait le critère).
c. Méthode de division : Split
En partant de l’image de départ, cette méthode consiste à diviser
l’image de façon automatique (division récursive) en plusieurs
images jusqu’à obtenir des régions homogènes.
1. Approche descendante.
- Partitionner la région, par exemple à partir d’une partition de
son histogramme.
- Pour chaque région résultante si possible (est nécessaire)
revenir en 1.
Méthode de Fusion : Merge
- Approche ascendante
- Point de départ = une partition de l’image en régions
homogènes.

- Fusionner tout couple de régions adjacentes qui vérifie

Le critère d’homogénéité.
 Les algorithmes de fusion diffèrent par :
-La forme des régions de fusion : nombre de pixels par région.
- Les critères de fusion
- L’ordre dans lequel se font les fusions.
 d. Méthode basée sur la classification :
- Ces méthodes utilisent les caractéristiques des pixels plutôt que la
disposition spatiale de pixels. Chaque pixel se voit affecte une étiquette qui
représente la classe a laquelle il est affecté.
- Il existe deux approches de classification :
- Supervisée : on connait le nombre de classes.
-Non supervisee: Kmeans , Fuzzy , C- means.

II. Méthode de segmentation basée contour :

Contrairement a la méthode région, elle ne tient pas compte des relations
entre les pixels mais plutôt des frontières entre les régions. Le principe est de
chercher dans l’image les contours afin de séparer les différentes régions.

 Estimation du gradient en chaque point de l’image

(derivateur,Laplacien ).
 Extraction des maximum locaux de la norme du gradient dans la
direction du gradient.
 Sélectionner des maximums locaux significatifs par seuillage
 Fermeture des contours en traçant les chemins (exemple
interpolation, seuillage par hystérésis … )

III. Méthode de segmentation par apprentissage :

 La segmentation par apprentissage est une technique de segmentation
quelque peu différente des approches classiques du fait que la
segmentation ne se base que sur des caractéristiques globales de l’image

comme l’intensité ou la couleur des pixels .

  La segmentation par apprentissage est une méthode de segmentation
orientée pixel ou un modèle d’apprentissage est mis en place dans un
premier temps afin de pouvoir attribuer chaque pixel a une classe
particulière. C’est qu’après la révolution apportée par les techniques du
Deep Learning que les approches par apprentissage de segmentation sont
renait.
 Les approches se segmentation basée sur l’apprentissage se divisent en
deux grands types :
- Approches basées sur la classification non - supervisée appelée
« segmentation sémantique ».
- Approches basées sur la classification supervisée appelée
« segmentation d’instance ».
1.Segmentation Sémantique :
A la différence des approches de segmentations classiques qui segmentent
les pixels d’une image en un ensemble de région en se basant sur des
caractéristiques générales comme la couleur ou l’intensité, la segmentation
sémantique, quant à elle une approche de segmentation basée sur chaque pixel
qui effectue une opération de classification a une classe particulière. Le processus
de classification peut être supervise ou non supervise mais dans tout les cas une
seule et unique segmentation est proposée comme résultat final a l’instar des
approches de segmentation classiques qui peuvent supporter plusieurs
segmentations possibles.
2.Segmentation d’Instance :
Cette approche tend à assigne chaque pixel a une instance au préalablement
étiquète. A la différence de la segmentation sémantique ou les pixels sont aussi
bien assignes à des instances, aucune information n’est donnée à propos du
nombre d’instances de chaque classe dans une image.