Td traitement et analyse d'images animag insa lyon -Traiteme

Télécharger PDF

Traitement et Analyse d'Images - ANIMAG

Programme Détaillé du Cours

Introduction
Qu'est-ce 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

Fonctionnement du Cours

Les séances durent généralement 2 ou 4 heures, alternant entre cours théoriques et travaux pratiques.
Les travaux pratiques utilisent le logiciel Fiji sous Linux et incluent la programmation de macros sous Fiji.
L'évaluation du cours est basée sur les travaux pratiques (50%) et un projet (50%).

Fiji : Un Outil Indispensable pour l'Analyse d'Images

Fiji est un logiciel de traitement et d'analyse d'images, qui est une surcouche d'ImageJ.

ImageJ est un logiciel multiplateforme et open source de traitement et d'analyse d'images, initialement développé par les National Institutes of Health.
Il est écrit en Java et permet l'ajout de nouvelles fonctionnalités via des plugins et des macros.
Fiji est utilisé intensivement pour les travaux pratiques du cours.

L'Importance des Travaux Pratiques en Traitement d'Images

Un accent particulier est mis sur les travaux pratiques pour une meilleure acquisition des compétences.

Il est essentiel de ne pas commencer les TP à la dernière minute. Travaillez en plusieurs fois et laissez-vous du temps pour réfléchir aux problèmes.
Profitez du temps dédié en classe pour avancer sur votre travail. Évitez de naviguer sur internet pendant les cours et relisez votre cours avant de venir en TP.
Découvrez le logiciel Fiji et ses nombreuses fonctionnalités.
Rédigez vos rapports en français, en expliquant et en démontrant clairement les traitements d'images effectués.
Présentez des résultats pertinents sur les images choisies et expliquez-les, en faisant le lien avec les concepts vus en cours.

Ouvrages de Référence en Traitement d'Images

Diane Lingrand. Introduction au Traitement d'Images, Vuibert, Paris, 2004.
Alain Trémeau, Christine Fernandez-Maloigne & Pierre Bonton. Image Numérique Couleur, Editions Dunod, 2004.
Rafael C. Gonzalez & Richard E. Woods. Digital Image Processing, 2nd edition, Prentice-Hall, 2002.
Wilhelm Burger & Mark J. Burge. Digital Image Processing: An Algorithmic Introduction using Java, Springer, 2007.

Vision Artificielle (Computer Vision)

La vision artificielle regroupe les connaissances et technologies qui permettent de concevoir des machines capables de "voir" et d'interpréter des images.

Premier niveau : la vision. Elle consiste à acquérir une image grâce à une chaîne intégrant des éléments optiques et un capteur.
Deuxième niveau : le traitement de l'image. Il modifie le contenu de l'image afin de mettre en évidence des éléments d'intérêt (objets, contours).
Troisième niveau : la reconnaissance. Ce niveau utilise des techniques d'intelligence artificielle pour identifier des formes connues dans l'image.

L'Extension de la Perception Humaine grâce à la Vision Artificielle

La vision artificielle peut étendre considérablement la perception humaine grâce à des capacités spécifiques :

Capteurs améliorés : Ils peuvent "voir" au-delà des limites de l'œil humain, captant des informations que notre système visuel ne perçoit pas directement.
Autres propriétés optiques : La vision artificielle permet de gérer des problèmes d'échelle, de résolution ou de point de vue, comme avec les images satellitaires.
Autres gammes de longueurs d'onde : L'utilisation de caméras multispectrales, infrarouge proche, ou thermiques (infrarouge lointain) ouvre de nouvelles perspectives d'analyse.
Autres cadences : Les caméras à haute cadence peuvent capturer plusieurs milliers d'images par seconde, révélant des phénomènes trop rapides pour l'œil.

Limites de la Vision Artificielle Comparée à la Perception Humaine

Malgré ses avancées, la vision artificielle présente encore des limites par rapport à la perception humaine :

Moins "intelligente" que l'humain : Même avec des images initiales riches, le résultat du traitement par un système de vision artificielle reste souvent basique et manque de l'interprétation contextuelle humaine.
Puissance de calcul : Les systèmes de vision artificielle ont une capacité de calcul infiniment plus limitée que celle du cerveau humain ou de celui des animaux évolués.
Connaissance et reconnaissance : Les humains exploitent leurs connaissances pour interpréter le contenu de l'image, reconnaissant parfois des objets même s'ils ne sont pas entièrement visibles.

Exemple d'Application : L'Imagerie Médicale

En imagerie médicale, la vision artificielle a plusieurs objectifs cruciaux :

Aider le personnel médical : Assister le médecin lors du diagnostic et le chirurgien pendant les gestes opératoires.
Amélioration des images : Rehausser le contraste, éliminer le bruit et mettre en évidence les détails pour une meilleure visibilité.
Détection et localisation : Permettre le positionnement précis des organes, la détection des tumeurs, et la mesure de dimensions et de volumes.
Imagerie interventionnelle : Fournir une assistance en ligne au praticien, avec des opérations réalisées sur les images en temps réel.

Exemple d'Application : La Vision Industrielle

La vision industrielle est largement utilisée pour le contrôle de la qualité et de l'aspect des produits :

Éviter le contrôle visuel humain : Remplacer l'opérateur dans les tâches répétitives et peu valorisantes de contrôle visuel.
Contrôle dimensionnel : Le système de vision détermine la dimension, la forme et la position de l'objet observé.
Contrôle d'aspect : Le système évalue la couleur et la texture des objets.
Contrôle de la qualité : À partir des données précédentes, le système détermine la qualité d'un produit.

Qu'est-ce qu'une Image Numérique ?

Une image en niveaux de gris est souvent codée sur 8 bits, où chaque pixel peut prendre une valeur de 0 (noir) à 255 (blanc).

Une image est avant tout un signal 2D (x,y).
Souvent, cette image représente une réalité 3D (x,y,z).
D'un point de vue mathématique : une image est une matrice de nombres représentant un signal que plusieurs outils permettent de manipuler.
D'un point de vue humain : une image contient plusieurs informations sémantiques qu'il faut interpréter au-delà de la valeur des nombres.

Images Naturelles et Artificielles

Image naturelle : Acquise par divers moyens comme une caméra, un microscope, la tomographie, l'infrarouge, ou un satellite.
Image artificielle : Créée à l'aide d'outils de représentation, par exemple pour la synthèse d'images, la réalité virtuelle, ou la visualisation scientifique.

Types d'Images Numériques

Les images numériques peuvent être classées en plusieurs catégories principales :

Images en niveaux de gris : Chaque pixel I(x,y) a une valeur comprise entre 0 et 255.
Images binaires : Chaque pixel I(x,y) prend une valeur de 0 ou 1 (noir ou blanc).
Images couleurs : Représentées par plusieurs canaux, souvent trois (Rouge, Vert, Bleu), notés IR(x,y), IG(x,y), IB(x,y).
Il existe également d'autres types, comme les images 3D ou les images réelles (flottantes).

L'Espace Couleur RVB et Autres Modèles

L'espace RVB (Rouge, Vert, Bleu) est le modèle de couleur le plus courant pour l'affichage d'images. Cependant, il existe d'autres codages de la couleur, comme HSL (Teinte, Saturation, Luminosité) ou CMJN (Cyan, Magenta, Jaune, Noir), chacun ayant ses propres avantages pour différentes applications.

Acquisition des Images

L'acquisition d'une image transforme une scène du monde réel en une image numérique via une caméra et un numériseur.

Principe Général des Capteurs d'Images

Le principe général d'un capteur, tel qu'une photodiode, repose sur :

La conversion de l'énergie lumineuse incidente en un signal électrique.
La sortie du capteur est proportionnelle à l'intensité lumineuse reçue.
Des filtres sont utilisés pour augmenter la sélectivité spectrale.

Capteurs à Matrice 2D

Les capteurs d'images sont souvent organisés en matrices bidimensionnelles, permettant de capturer l'information lumineuse sur une surface.

Le Capteur CCD (Charged Coupled Devices)

Les caméras numériques CCD utilisent une matrice de dispositifs à couplage de charge, constituant le système d'acquisition numérique 2D le plus répandu.

La réponse du capteur est proportionnelle à l'intégrale de l'énergie lumineuse qui atteint chaque élément photosensible.
Pour capturer la couleur, trois capteurs par pixel sont généralement utilisés, chacun réagissant à des longueurs d'ondes spécifiques (rouge, vert et bleu).

La Numérisation de l'Image

Les valeurs f(x,y) obtenues sont la réponse du capteur au phénomène observé, et représentent initialement des valeurs de "voltage" continu. Pour être traitées par un ordinateur, ces valeurs doivent être converties vers le domaine numérique.

Cette conversion est appelée Analogique/Numérique (A/N).
Deux procédés fondamentaux sont impliqués dans la numérisation d'une image : l'échantillonnage et la quantification.

Échantillonnage et Quantification : Les Étapes Clés de la Numérisation

La numérisation d'une image implique deux étapes fondamentales :

L'échantillonnage : Il s'agit de discrétiser l'image dans l'espace, la transformant en un ensemble de pixels. Il est limité par la capacité du capteur, c'est-à-dire le nombre de pixels disponibles.
La quantification : Elle consiste à attribuer une valeur numérique à chaque pixel, représentant son intensité (niveau de gris ou couleur). Elle est limitée par la quantité de tons (niveaux de gris) définie dans l'intervalle de valeurs.

Avec un capteur à matrice, l'échantillonnage est déterminé par la grille physique des éléments du capteur, et la quantification par la résolution en bits de chaque élément.

Représentation des Images Numériques

Une image numérique est généralement représentée comme une matrice de dimension M x N, où M est le nombre de lignes et N le nombre de colonnes de pixels.

Chaque élément de cette matrice, ou pixel, possède une valeur entière dans l'intervalle [Lmin, Lmax].
Le nombre de "bits" (K) requis pour représenter les niveaux de gris dans un intervalle "L" est donné par la relation : L = 2^K.
Le nombre total de bits nécessaires pour stocker une image est donc calculé par : b = M x N x K.

Les Résolutions d'une Image Numérique

La qualité d'une image numérique est caractérisée par deux types de résolution :

Résolution spatiale : C'est le plus petit détail discernable dans l'image. Elle est mesurée en pixels (M x N).
Résolution tonale (ou en niveaux de gris) : C'est le plus petit changement d'intensité discernable. Elle est mesurée en bits (K) ou en niveaux de gris (L).

Ainsi, une image possède une résolution spatiale de M x N pixels et une résolution de tons de gris de K bits ou de L niveaux.

Distinction entre Résolution Spatiale et Tonale

La résolution spatiale est directement liée à l'échantillonnage (nombre de pixels par unité de surface), tandis que la résolution tonale est déterminée par la quantification (nombre de niveaux d'intensité possibles pour chaque pixel).

Profils d'Intensité d'une Image

Visualisation d'un Profil d'Intensité

Un profil d'intensité d'une ligne spécifique dans une image est représenté par un signal unidimensionnel (1D). Cela permet d'analyser les variations de luminosité le long de cette ligne.

Lectures Complémentaires

Introduction au Traitement d'Images (Lingrand)
Digital Image Processing: An Algorithmic Introduction using Java (Burger & Burge)
Wikipédia : Traitement d'images, Image numérique, Image matricielle, Image resolution, Niveaux de gris, Quantification.

L'Histogramme d'une Image

Comprendre l'Histogramme

L'histogramme représente la distribution des niveaux de gris (ou de couleurs) dans une image.
H(k) correspond au nombre de pixels de l'image ayant la valeur d'intensité k.

La dynamique d'une image correspond à l'intervalle des valeurs de niveaux de gris [valeur_min, valeur_max] présentes dans l'image.

Luminance ou Brillance d'une Image

La luminance (ou brillance) est définie comme la moyenne des valeurs de tous les pixels de l'image. Une image peut avoir une luminance différente d'une autre, même si elles représentent le même contenu visuel.

Le Contraste d'une Image

Le contraste peut être défini de plusieurs manières, notamment :

L'écart-type des variations des niveaux de gris.
La variation entre les niveaux de gris minimum et maximum présents dans l'image.

Amélioration du Contraste

Plusieurs méthodes sont disponibles pour améliorer le contraste d'une image :

Transformation linéaire
Transformation linéaire avec saturation
Transformation linéaire par morceaux
Transformation non-linéaire
Égalisation de l'histogramme

Transformation Linéaire pour le Contraste

La transformation linéaire ajuste l'intervalle des niveaux de gris d'une image. Elle consiste à étirer ou compresser la plage des intensités pour l'adapter à une nouvelle plage désirée, souvent l'intégralité de la dynamique disponible (par exemple, 0 à 255).

Optimisation : L'utilisation d'une Table de Correspondance (LUT)

Pour une implémentation plus efficace des transformations de niveaux de gris, on utilise souvent une Table de Correspondance (Look Up Table ou LUT). Au lieu de recalculer la valeur de chaque pixel individuellement, la LUT précalcule toutes les nouvelles valeurs possibles (pour 0 à 255) et les stocke dans un tableau. Chaque pixel est ensuite simplement remplacé par la valeur correspondante dans la LUT.

Transformation Linéaire avec Saturation

Cette méthode permet d'étirer le contraste tout en limitant les valeurs extrêmes (saturation) pour éviter de perdre des informations dans les zones très claires ou très sombres de l'image. Les pixels dont les valeurs tombent en dessous d'un seuil minimum (Smin) sont fixés à 0, et ceux au-dessus d'un seuil maximum (Smax) sont fixés à 255, tandis que les valeurs intermédiaires sont étirées linéairement.

Transformation Linéaire par Morceaux

Contrairement à la transformation linéaire simple, cette méthode utilise plusieurs segments linéaires pour ajuster le contraste, offrant ainsi plus de flexibilité pour traiter différentes régions de l'histogramme de manière spécifique. Cela permet de cibler et d'améliorer le contraste dans des gammes d'intensité particulières tout en préservant d'autres parties de l'image.

Correction de la Dynamique de l'Image

La correction de la dynamique vise à étendre la plage de niveaux de gris présents dans l'image pour occuper l'intégralité de la plage disponible (par exemple, 0 à 255), améliorant ainsi le contraste. Cependant, si l'histogramme couvre déjà toute la dynamique, cette correction n'aura pas d'effet visible.

Égalisation de l'Histogramme

L'égalisation de l'histogramme est une technique puissante pour améliorer le contraste global d'une image. Elle vise à distribuer les niveaux de gris de manière plus uniforme sur l'ensemble de la plage dynamique disponible.

Étapes de l'Égalisation d'Histogramme :

Étape 1 : Calcul de l'histogramme de l'image.
Étape 2 : Normalisation de l'histogramme pour obtenir une distribution de probabilité des niveaux de gris.
Étape 3 : Calcul de la fonction de répartition cumulée (F.R.C.) à partir de l'histogramme normalisé.
Étape 4 : Transformation des niveaux de gris de l'image en appliquant la F.R.C. étirée sur toute la plage dynamique (par exemple, de 0 à 255).

Cette méthode est particulièrement efficace pour révéler des détails dans des images dont le contraste est faible ou localisé dans une petite partie de la gamme des niveaux de gris. De plus, elle a la propriété de produire un résultat similaire pour des images ayant des contrastes initiaux différents.

Égalisation Locale de l'Histogramme

Contrairement à l'égalisation globale, l'égalisation locale de l'histogramme est appliquée sur de petites régions (fenêtres) de l'image, typiquement autour de chaque pixel. Cela permet d'améliorer le contraste dans des zones spécifiques sans affecter les zones où le contraste est déjà satisfaisant, ce qui est utile pour les images avec des variations de contraste importantes.

Opérations Logiques sur les Images : ET et OU

Les opérations logiques comme ET (AND) et OU (OR) peuvent être appliquées pixel par pixel sur des images binaires ou en niveaux de gris pour combiner des informations ou isoler des régions d'intérêt.

L'opération ET retourne un pixel blanc (ou valeur élevée) seulement si les deux pixels correspondants des images d'entrée sont blancs.
L'opération OU retourne un pixel blanc si au moins un des pixels correspondants des images d'entrée est blanc.

Addition d'Images

L'addition de deux images, pixel par pixel, peut être utilisée pour :

Diminuer le bruit d'une vue dans une série d'images en moyennant les valeurs des pixels.
Augmenter la luminance globale d'une image en l'additionnant avec elle-même ou avec une image de fond.

Soustraction d'Images

La soustraction d'images, effectuée pixel par pixel, est utile pour :

La détection de défauts en comparant une image d'un produit avec une image de référence sans défaut.
La détection de mouvements en analysant les différences entre des images consécutives d'une séquence vidéo.

Multiplication d'Images

La multiplication d'une image par un facteur (ratio) permet d'ajuster globalement sa luminosité ou son contraste. Multiplier par un facteur supérieur à 1 augmente la luminosité/contraste, tandis qu'un facteur inférieur à 1 les diminue.

Opérations Arithmétiques Combinées sur les Images

Les opérations d'addition et de soustraction peuvent être combinées pour des traitements plus complexes, comme la fusion ou la détection de différences subtiles entre des images. Par exemple, une combinaison pondérée de deux images (0.5*F(x,y) + 0.5*G(x,y)) permet de les fusionner, tandis que les différences absolues révèlent les changements.

Lectures Complémentaires sur les Traitements d'Images

Introduction au Traitement d'Images (Lingrand)
Digital Image Processing: An Algorithmic Introduction using Java (Burger & Burge)
Wikipédia : Histogramme, Brightness (luminance), Contrast, Lookup table, Color balance (amélioration du contraste), Égalisation d'histogramme.

Foire Aux Questions (FAQ)

Qu'est-ce que la vision artificielle et quelles sont ses applications principales ?

La vision artificielle est un domaine qui permet aux machines de "voir" et d'interpréter le monde à partir d'images. Ses applications sont vastes, incluant l'imagerie médicale (diagnostic, assistance chirurgicale), la vision industrielle (contrôle qualité, détection de défauts), la reconnaissance faciale, les véhicules autonomes et la robotique.

Quelle est la différence entre l'échantillonnage et la quantification dans la numérisation d'une image ?

L'échantillonnage est la discrétisation spatiale d'une image, qui la transforme en un ensemble de pixels. La quantification est la discrétisation des niveaux d'intensité (luminosité ou couleur) de chaque pixel, attribuant une valeur numérique à chaque point échantillonné. Ces deux étapes sont cruciales pour convertir une image analogique en un format numérique.

Comment l'égalisation d'histogramme améliore-t-elle le contraste d'une image ?

L'égalisation d'histogramme est une technique qui redistribue les niveaux de gris d'une image de manière plus uniforme sur l'ensemble de la plage dynamique disponible (par exemple, 0 à 255). En étalant les fréquences des niveaux de gris, elle augmente le contraste global de l'image, rendant les détails plus visibles, particulièrement dans les zones initialement sombres ou très claires.