Traitement d'images

Le traitement d'images sert à désigner une discipline de l'informatique et des mathématiques appliquées qui étudie les images numériques et leurs transformations, dans l'objectif de perfectionner leur qualité ou d'en extraire de l'information.



Catégories :

Traitement d'image

Recherche sur Google Images :


Source image : photo-shop.ch
Cette image est un résultat de recherche de Google Image. Elle est peut-être réduite par rapport à l'originale et/ou protégée par des droits d'auteur.

Page(s) en rapport avec ce sujet :

  • Réalisé un traitement par le filtre 1 de l'image image. tif..... Le traitement d'images est par conséquent une science en pleine.... détermine les valeurs des paramètres présente les opérateurs effectue des mesures sur les résultats.... (source : epcity)
  • Le Traitement d'Images est un domaine qui nécessite la coopération d'experts d'origines diverses : expert du .... l'enchaînement des opérateurs de Traitement d'Images..... un filtre moyenneur uniforme, ... ), mais ils peuvent... (source : greyc.ensicaen)
  • Le traitement d'images est un domaine particulièrement vaste qui a connu, ... d'un opérateur et de ses propriétés se révèle un excellent moyen de ...... 3.4 – Images filtrées au moyen de filtres idéaux circulaires et spectres correspondants.... (source : www2.ulg.ac)

Le traitement d'images sert à désigner une discipline de l'informatique et des mathématiques appliquées qui étudie les images numériques et leurs transformations, dans l'objectif de perfectionner leur qualité ou d'en extraire de l'information.

Il s'agit d'un sous-ensemble du traitement du signal dédié aux images ainsi qu'aux données dérivées comme la vidéo (par opposition aux parties du traitement du signal consacrées à d'autres types de données : son et autres signaux monodimensionnels surtout), tout en opérant dans le domaine numérique (par opposition aux techniques analogiques de traitement du signal, comme la photographie ou la télévision respectant les traditions).

Dans le contexte de la vision artificielle, le traitement d'images se place après les étapes d'acquisition et de numérisation, assurant les transformations d'images et la partie de calcul permettant d'aller vers une interprétation des images traitées. Cette phase d'interprétation est d'ailleurs de plus en plus intégrée dans le traitement d'images, en faisant appel surtout à l'intelligence artificielle pour manipuler des connaissances, essentiellement sur les informations dont on dispose à propos de ce que représentent les images traitées (connaissance du domaine).

La compréhension du traitement d'images débute par la compréhension de ce qu'est une image. Le mode et les conditions d'acquisition et de numérisation des images traitées conditionnent beaucoup les opérations qu'il faudra réaliser pour extraire de l'information. En effet, de nombreux paramètres entrent en compte, les principaux étant :

Quelques exemples types d'informations qu'il est envisageable d'obtenir d'une image numérique :

Photographie modifiée et traitée par ordinateur

Historique

Le traitement d'images commence à être étudié dans les années 1920 pour la transmission d'images par le câble sous-marin allant de New York à Londres. Harry G. Bartholomew et Maynard D. McFarlane effectuent la première numérisation d'image avec compression de données pour envoyer des fax de Londres à New York. Le temps de transfert passe ainsi de plus d'une semaine à moins de trois heures. Il n'y a pas vraiment d'évolution ensuite jusqu'à la période selon-guerre[1].

Le traitement du signal prend de l'importance vers la fin de la Deuxième Guerre mondiale avec l'arrivée du radar. La prospection pétrolière participe aussi énormément au développement des techniques de traitement du signal.

Le véritable essor du traitement d'images n'a lieu que dans les années 1960 lorsque les ordinateurs commencent à être suffisamment puissants pour travailler sur des images. Peu après, la redécouverte de la transformée de Fourier rapide (FFT) révolutionne le domaine, en rendant envisageable les manipulations du contenu fréquentiel des signaux sur ordinateur. Cependant, la majeure partie des recherches porte toujours, à cette époque, sur le perfectionnement des images et leur compression.

En 1980, David Marr formalise le premier la détection de contours de manière précise (D. Marr et E. Hildreth : Theory of Edge Detection, Proc. R. Soc. London, B 207, 187-217, 1980). Au cours des années 1980, un véritable engouement se fait jour pour le traitement de l'image et en particulier pour la compréhension de l'image par des systèmes experts. Les ambitions étaient énormément trop grandes, l'échec fut d'autant plus cuisant.

Les années 1990 sont témoin de le perfectionnement constante des opérateurs. La recherche médicale devient un très gros demandeur en traitement d'images pour perfectionner les diagnostics faits à partir des nombreuses techniques d'imagerie médicale, la technique reine étant l'IRM. Les publicitaires, puis le grand public se familiarisent avec la retouche d'image grâce au logiciel Photoshop, et le traitement d'images dans un objectif esthétique se répand avec la naissance d'autres logiciels dédiés (The Gimp, Paint Shop Pro). Enfin, la décennie s'achève sur l'enthousiasme pour les ondelettes et les images multimodales.

Types de données manipulées

Le traiteur d'image dispose essentiellement d'images numériques, par conséquent échantillonnées. Il dispose aussi de données intermédiaires de diverses natures : cartes de régions, listes de points connexes, tableaux de valeurs mesurées, etc.

En ce qui concerne les images elles-mêmes, elles sont vues comme des fonctions de \mathbb Z \times \mathbb Z dans \mathbb Zˆn (\mathbb Z représente les entiers relatifs et n le nombre de composantes de l'image, 1 pour du niveau de gris, 3 pour RGB, plus pour les images spectrales). La représentation la plus utilisée est un tableau à plusieurs dimensions (représentant les dimensions spatiales de l'image), dans lequel les valeurs ont une sémantique dépendant du type de signal qu'elles codent (l'intensité lumineuse du point, la distance à un point de référence, ou le numéro de la région d'appartenance par exemple).

Acquisition d'une image

L'acquisition d'images est loin de se restreindre au spectre visible, mais parcourt la totalité du spectre électromagnétique, des rayons gamma jusqu'aux ondes radio. L'utilisation d'une bande de fréquence dépend principalement de l'application. Ainsi, les images acquises par rayons X ou par rayons gamma sont en particulier utilisées en imagerie médicale et en astronomie[2]. En médecine, on utilise des imageurs IRM, TEP, scanner X, échographie Doppler, échographie, scintigraphie, Tomographie, etc.

Il est aussi envisageable de produire des images à partir de radar. La différence avec un capteur classique, qui se contente de recevoir un signal électromagnétique, est qu'il produit sa propre illumination par génération d'ondes radio grâce à une antenne, l'image est alors produite à partir de la réflexion du signal sur la cible. Il est aussi envisageable de générer une image en dehors du spectre électromagnétique, par exemple à partir d'une source sonore (échographie, prospection pétrolière... ) [2].

Tous ces dispositifs peuvent être comparés à des capteurs. Il ne faut pas oublier qu'il y a une étape de conversion analogique/numérique. C'est fréquemment cette étape qui limite la résolution de l'image.

L'une des caractéristiques intéressantes de ces capteurs est la taille du plus petit élément (pixel), mais également l'intercorrélation de deux éléments voisins : plus cette intercorrélation est faible, meilleure est l'image.

Opérateurs de traitement d'images

Par ressemblance avec les opérateurs mathématiques, on nomme opérateurs de traitement d'images des traitements plus ou moins complexes prenant en entrée une image ou un ensemble d'informations relatif à une image, et produisant une image ou un ensemble d'informations relatif aux données initiales.

On classe le plus souvent les opérateurs en différentes familles, suivant les informations qu'ils acceptent en entrée et qu'ils fournissent en sortie, et suivant les transformations qu'ils font subir aux données. Ainsi, par exemple, on distingue (cette liste est loin d'être exhaustive)  :

Opérateurs image→image :

Opérateurs image→ensemble d'informations :

Opérateurs ensemble d'informations→image

Les parties suivantes s'attachent à détailler les différents opérateurs et leurs applications habituelles, puis à présenter la manière dont ils sont combinés pour construire une application de traitement d'images.

Opérateurs point à point

Cette amélioration peut servir tout d'abord à favoriser la visualisation de l'image sur un écran d'ordinateur. Les capacités de vision de l'être humain étant limitées, il est indispensable d'adapter la dynamique de l'image à notre vision.

On parle fréquemment de Lookup Table ou LUT, qu'on retrouve aussi dans les FPGA. Il s'agit de l'opérateur le plus simple qu'on puisse trouver puisqu'en chaque pixel de l'image on modifie le niveau de gris avec une fonction. Ainsi, pour éclaircir une image, on applique la fonction log () à chaque niveau de gris. Au contraire pour rendre plus sombre une image légèrement trop saturée, on applique une fonction exponentielle. On peut remarquer que le seuillage (binaire) n'est rien d'autre qu'une table d'affichage spécifique, celle qui associe le noir à l'ensemble des niveaux inférieurs à un certain seuil et le blanc à l'ensemble des autres. C'est un opérateur particulièrement simple et spécifiquement utilisé mais qui cache une grande difficulté, trouver le seuil correct et de manière automatique !

Ces opérations point à point, qualifiées ainsi car elles ne travaillent que sur un pixel (et non sur un voisinage), ont un effet bien limité. En présence de bruit elles ne sont d'aucune utilité.

Opérateurs locaux

Il faut alors utiliser des opérateurs de traitement plus complexes scindés fréquemment en deux sous-catégories :

La première sous-catégorie comprend l'ensemble des opérateurs pouvant exprimer leur résultat comme une combinaison linéaire des niveaux de gris d'un voisinage de l'image. Ces filtres possèdent des caractéristiques spectrales, on parle ainsi de filtre passe-bas (l'image devient floue) ou de filtre passe-haut (les contours ressortent).

La seconde sous-catégorie comprend le domaine de la morphologie mathématique, mais aussi d'autres traitements comme les détecteurs de points caractéristiques, l'opérateur de Di-Zenzo (détecteur de contour généralisé au cas couleur), le filtre Retinex, mais aussi les opérateurs homomorphiques (ceux qui travaillent sur le log de l'image), mais également l'ensemble des opérateurs permettant d'extraire par exemple des informations sur la texture de l'image (matrice de co-occurrence, indice fractal, longueur de plage... ).

On a fréquemment l'habitude de voir un détecteur de contours s'appliquer après un filtre linéaire passe-bas... qui rend l'image floue ! La majorité du temps il faut combiner astucieusement filtre non linéaire et filtre linéaire pour détecter ce qu'on souhaite tout en faisant abstraction du bruit.

Une fois le bruit éliminé et l'image restaurée pour compenser les déformations introduites par le milieu de transmission et l'optique d'acquisition, on peut passer à l'étape de segmentation qui doit permettre de réaliser une partition de l'image en ensembles connexes homogènes.

Il existe deux grandes catégories de segmentations :

La segmentation orientée contour connaît de nombreux progrès autour de l'utilisation de contours actifs ou des ensembles de niveaux. L'introduction d'aspects probabilistes (chaîne de Markov et champs de Markov) a permis de travailler en réduisant la connaissance a priori indispensable pour obtenir un traitement satisfaisant.

Dans cette étape on retrouve fréquemment une partie de classification des pixels en classes. On essaye de regrouper au sein d'un même ensemble, aussi nommé classe, les pixels présentant une même caractéristique : niveau de gris compris dans un certain intervalle ou dérivée seconde supérieure à un certain seuil.

Filtres linéaires

Généralités

Un filtre linéaire transforme un ensemble de données d'entrée en un ensemble de données de sortie selon une opération mathématique nommée convolution. Quand il s'agit de données numérisées comme dans le cas du traitement d'image, la relation entre les valeurs des pixels de sortie et celle des pixels d'entrée est décrite par un tableau de nombres, le plus souvent carré, nommé matrice de convolution. Le temps de calcul est fréquemment diminué quand on veut séparer un filtre en deux filtres dont la convolution mutuelle sert au reconstituer. Cette remarque est utilisée surtout pour créer un filtre à deux dimensions à partir de deux filtres à une seule dimension (vecteurs) dans le sens horizontal et le sens vertical.

Lissage

Article détaillé : Lissage de l'image.

Ceux-ci sont des filtres passe-bas qui coupent plus ou moins les plus hautes fréquences. Ils sont utilisés pour atténuer les bruits d'origines les plus diverses qui polluent l'information, surtout dans la détection de contours reconnue ci-après.

Techniquement, il s'agit de traductions discrètes de filtres continus qui, comme ceux-ci, ne modifient pas le niveau global du signal. Les termes de la matrice de convolution sont par conséquent le plus souvent des entiers à diviser par leur somme.

Le filtre gaussien est utilisé comme constituant du masque flou qui perfectionne la netteté apparente des photographies numériques. Quoiqu'il soit popularisé par la photographie plus ou moins artistique, il est aussi utilisé dans certaines techniques, comme l'astronomie (voir par exemple [1])

Détection de contours

Article détaillé : Détection de contours.

Ces filtres transforment l'image d'entrée en une image noire sauf aux points où un contour est détecté qui est marqué en blanc. Les valeurs absolues importent peu, il est sans intérêt de changer d'échelle comme pour un lissage.

La détection est basée sur la dérivation selon les deux coordonnées. Si on considère classiquement les signaux comme des sommes de sinusoïdes, la dérivation apparaît comme un filtre passe-haut qui introduit par conséquent du bruit à l'origine de faux contours. Pour l'amateur il est recommandé, avant d'utiliser un filtre simple, d'atténuer ce bruit par passage dans un filtre flou. Des méthodes plus élaborées ont été systématisées pour les professionnels.

Opérateurs morphologiques

Article détaillé : Morphologie mathématique.

La morphologie mathématique offre des opérateurs non linéaires spécifiquement utiles pour filtrer, segmenter et quantifier des images. Originellement destinée au traitement des images binaires, elle a particulièrement vite été généralisée aux images à niveaux de gris, puis aux images en couleurs et multi-spectrales.

La nature des opérateurs morphologiques fait qu'ils se prêtent bien au développement de circuits électroniques spécialisés (ou bien à l'utilisation de FPGA) dans les opérateurs morphologiques.

Construction d'une application de traitement d'images

Les objectifs des applications peuvent être de différentes natures :

Dans l'ensemble des cas, l'idée est , en partant d'une image d'origine, d'en extraire des informations. Pour cela, on va utiliser les opérateurs à la manière de briques logicielles, en les combinant et en les enchaînant. Ces techniques sont la base des dispositifs de vision industrielle.

De nombreuses briques sont disponibles servant à créer des applications complexes et évoluées. C'est le cas par exemple de l'Orfeo Toolbox[2] gratuitement distribuée par le CNES.

Reconnaissance d'objets

La reconnaissance d'objets est une branche de la vision artificielle et un des piliers de la vision industrielle. Elle consiste à identifier des formes pré-décrites dans une image numérique, et par extension dans un flux vidéo numérique. Il ne faut pas confondre reconnaissance d'objets (object recognition ou shape recognition en anglais) et reconnaissance de formes (pattern recognition en anglais). La première à pour but de reconnaître des formes géométriques dans une image, tandis que la seconde cherche à identifier des motifs dans des données statistiques. La confusion vient du fait qu'on utilise fréquemment la reconnaissance de formes comme technique appliquée à la reconnaissance d'objets.

Dans un premier temps objet d'algorithmes dirigés par l'homme, jusque dans les années 1995 (tentatives de reproduire par un algorithme un raisonnement humain d'identification, comme par exemple dans "un vélo possède deux roues, un cadre... "), la reconnaissance d'objets a fait l'objet de progrès importants ensuite au travers de la mise en œuvre de techniques d'apprentissage, comme par exemple les séparateurs à vaste marge. Ces techniques visent à faire exploiter des bases d'exemples positifs et négatifs (contre-exemples) par un algorithme de recherche de critères discriminants, c'est-à-dire de critères servant à séparer au mieux les exemples des contre-exemples.

Quelques exemples concrets de traitement d'images

Glossaire en vrac

Domaines d'application

Bibliographie

Voir aussi

Notes et références

  1. Gonzalez, Woods (2008) , Introduction p.  3-4
  2. Gonzalez, Woods (2008) , Introduction p.  7-24

Recherche sur Amazone (livres) :



Ce texte est issu de l'encyclopédie Wikipedia. Vous pouvez consulter sa version originale dans cette encyclopédie à l'adresse http://fr.wikipedia.org/wiki/Traitement_d%27images.
Voir la liste des contributeurs.
La version présentée ici à été extraite depuis cette source le 07/04/2010.
Ce texte est disponible sous les termes de la licence de documentation libre GNU (GFDL).
La liste des définitions proposées en tête de page est une sélection parmi les résultats obtenus à l'aide de la commande "define:" de Google.
Cette page fait partie du projet Wikibis.
Accueil Recherche Aller au contenuDébut page
ContactContact ImprimerImprimer liens d'évitement et raccourcis clavierAccessibilité
Aller au menu