Professional Documents
Culture Documents
d'images -ANIMAG
Juste au cas o .
Quisuisje?Etcommentmejoindre?
CaroleFrindel,CREATIS
carole.frindel@creatis.insalyon.fr
Sivousavezdesdifficults:
Rfrencesdesouvragestoutaulongducours
Internetestvaste:soyezautonomes.
Sianerpondpasvosquestions:
Envoyezunmailvotreenseignant
Page:2/15
Programme du cours
Introduction
Questcequuneimage?
Traitementsdebaseduneimage
ConvolutionNumrique
Traitementsfrquentiels
Dtectiondescontours
Segmentation
Oprationssurlesimagesbinaires
Reconnaissancedesformes
Page:3/15
Calendrier
Page:4/15
Fonctionnement du cours
Sancede2ou4h(exceptionnellement).Alternanceentre
sancedecoursetdeTP
Travauxpratiques
UtilisationdeFijisousLinux
ProgrammationdemacrossousFiji
Evaluationducours
Travauxpratiques(50%)+projet(50%)
Page:5/15
https://planete.insa-lyon.fr/scolpeda/f/ects?id=22193&_lang=fr
Page:6/15
Fiji
Logicieldetraitementetanalysed'images,surcouchede
ImageJ
ImageJ:logicielmultiplateformeetopensourcede
traitementetd'analysed'imagesdveloppparles
NationalInstitutesofHealth
IlestcritenJavaetpermetl'ajoutdenouvelles
fonctionnalitsviadespluginsetmacros
Tlchargeablesurhttp://fiji.sc/Fiji
Utilispourlestravauxpratiques
Page:7/15
Attention : accent mis sur les TP
Nesurtoutpascommencerladernireminute
Travaillezenplusieursfois
Selaisserdutempspourrflchirauxproblmes
DutempsestdonnenclassepourlesTP
Profitezenpouravancervotretravail!
Evitezdesurfezlewebdanslescoursetrelisezvotrecoursavantde
venirenTP
Page:8/15
Attention : accent mis sur les TP
Cestuncoursdetraitementdimages!
DcouvrezlelogicielFijietsesfonctionnalits
Ecrivezvotrerapportenfranais
Maisexpliquezetdmontrezletraitementdimages!
Montrezdesrsultatssurlesimages
Choisissezlesimagesetexpliquezvosrsultats
Faiteslelienaveccequiestvuencours
Page:9/15
Ouvrages en Traitement dimages
DianeLingrand.IntroductionauTraitement
dImages,Vuibert,Paris,2004.
AlainTrmeau,ChristineFernandezMaloigne
&PierreBonton.ImageNumriqueCouleur,
EditionsDunod,2004.
RafaelC.Gonzalez&RichardE.Woords.
DigitalImageProcessing,2ndedition,
PrenticeHall,2002.
WilhelmBurger&MarkJ.Burge.Digital
ImageProcessing:AnAlgorithmic
IntroductionusingJava,Springer,2007.
Page:10/15
Vision artificielle (Computer Vision)
Qu'estcequec'est?
connaissancesettechnologiesquipermettentdeconcevoirdes
machinesquipeuventvoir
Premierniveau:vision
acquiertuneimagegrceunechaneintgrantdeslments
optiquesetuncapteur
Deuximeniveau:traitementdel'image
modifielecontenudel'imageafindemettreenvidencedeslments
d'intrt(objets,contours)
Troisimeniveau:reconnaissance
utilisedestechniquesd'intelligenceartificiellepouridentifierdes
formesconnuesdansl'image
Page:11/15
Extension de la perception humaine ? Oui
Capteursmeilleursquel'oeilhumain
voientcequenousnevoyonspasdirectement,dufait
delalimitationdenotresystmevisuel
Autrespropritsoptiques
problmed'chelle,dersolution,depointdevue(ex:
imagessatellitaires)
Autresgammesdelongueursd'onde
camrasmultispectrales,infrarougeproche,
thermiques(infrarougelointain)
Autrescadences
camrashautecadence,plusieursmilliersd'images
parseconde.
Page:12/15
Mieux que la perception humaine ? Non
Moinsintelligentquel'humain
mmesilesimagesinitialessontparfoistrsriches,le
rsultatdeleurtraitementparunsystmedeVAreste
souventbasique
Puissancedecalcul
lessystmesdeVAontunecapacitdecalculinfiniment
pluslimitequecelleducerveauhumain,oudeceluides
animauxvolus
Connaissanceetreconnaissance
nousexploitonsnosconnaissancespourinterprterle
contenudel'image:onreconnatparfoisdesobjetsalors
qu'ilsnesontpasvisibles
Page:13/15
Exemple d'application de la VA :
imagerie mdicale
Objectifs
aiderlemdecinlorsdudiagnostic,lechirurgienlors
delaralisationd'ungesteopratoire
Amliorationdesimages
rehaussementducontraste,liminationdubruit,mise
envidencedesdtails
Dtectionetlocalisation
positionnementdesorganes,dtectiondestumeurs,
mesurededimensionsetdevolumes
Imagerieinterventionnelle
assistanceenligneaupraticien:oprationsralises
surlesimagesentempsrel
Page:14/15
Vision industrielle : contrle de la
qualit, de l'aspect, ...
Objectifs
viterlecontrlevisuelparunoprateur(tche
rptitivepeuvalorisante)
Contrledimensionnel
lesystmedevisiondtermineladimension,laforme,
lapositiondel'objetqu'ilobserve
Contrled'aspect
lesystmedterminelacouleur,latexturedesobjets
observs
Contrledelaqualit
partirdesdonnesprcdentes,lesystmedtermine
laqualitd'unproduit
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
camra, microscope, tomographie, infra-rouge, satellite,
8
Acquisition d'une image
10
Capteurs Matrice 2D
KAF-1600 - Kodak.
11
Capteur CCD
12
Image numrique
Les valeurs de f (x,y) sont la rponse du capteur au
phnomne observ
Les valeurs de f (x,y) sont des valeurs de voltage
continu
Les valeurs de f (x,y) doivent tre converties vers le
domaine numrique
Conversion Analogique/Numrique (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 lment une valeur entire dans l'intervalle
[Lmin , Lmax]
18
Rsolutions des images
Rsolution spatiale
Le plus petit dtail discernable
19
Rsolutions spatiale et tonale
Rsolution spatiale : chantillonage
20
Source : Antoine Mazanera. Introduction et filtrage. ENSTA (France).
Profils dintensit dans une image
25
Profil d'intensit d'une image
Un profil dintensit dune ligne dans une image est
reprsent par des signaux 1D.
26
Lectures suggres
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 Montral.
Transformation linaire
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 Montral.
Transformation linaire
%
255
255 0 255
min max
255
255
min max 0 255
10
Source : Caroline Rougier. Traitement d'images (IFT2730). Univ. de Montral.
Implmentation
11
Source : Caroline Rougier. Traitement d'images (IFT2730). Univ. de Montral.
Transformation linaire 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 Montral.
Transformation linaire 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 Montral.
Transformation linaire 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 Montral.
Transformation linaire par morceaux
Exemple dune
fonction ad-hoc
de modification
du contraste de
limage.
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
Oprations sur les images (ET,OU)
CVIPTools : Utilities>Arith/Logic>Add
27
Source : Eric Favier. L'analyse et le traitement des images. ENISE.
Soustraction dimages
CVIPTools : Utilities>Arith/Logic>Substract
28
Source : Eric Favier. L'analyse et le traitement des images. ENISE.
Multiplication dimages
La multiplication S dune image f par un ratio (facteur) peut se dfinir 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.
Oprations 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 suggres