Présentation
RÉSUMÉ
Le traitement des images est l'ensemble des techniques permettant d'extraire des informations depuis des images numériques. Si la référence à la perception visuelle humaine est importante, l'objectif reste néanmoins d'automatiser des tâches de filtrage, de segmentation et d'analyse afin d'éviter toute intervention manuelle. Dans cet article, les bases du traitement et de la manipulation des images sont rappelées, ce qui introduit les notions importantes liées à la reconnaissance de motifs et de formes utilisées dans les systèmes optroniques en lien avec le monde militaire, et plus généralement le monde de l'imagerie réalisée sur des processeurs embarqués.
Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.
Lire l’articleAuteur(s)
-
Yann GAVET : Professeur - École Nationale Supérieure des Mines de Saint-Étienne et UMR CNRS LGF 5307, - Saint-Étienne, France
INTRODUCTION
Le traitement des images est un domaine à la convergence des mathématiques (pour fixer les bases des traitements), de la physique (pour comprendre les principes de l’acquisition), de l’informatique (pour automatiser les traitements), et des sciences étudiant la perception visuelle humaine (car elle reste notre référence et objectif ultime en terme d’analyse). Ce domaine a fortement bénéficié des évolutions en matière d’électronique, de capacité de calculs et de moyens d’acquisitions, ainsi qu’en matière de transmissions des informations, avec des débits aujourd’hui très importants. C’est un lieu commun de dire qu’il y a des images partout, générées par des capteurs plus ou moins résolus, et pour tous les usages : téléphones, ordinateurs, voitures, caméras de surveillance, satellites, salles d’opérations médicales…
D’un point de vue du chercheur, le terme optronique associé au traitement des images est vu désormais comme obsolète, car les méthodes du domaine sont applicables quel que soit le contexte ou le domaine considéré. Néanmoins, il existe encore certains métiers pour lesquels ce vocabulaire est important : celui du monde militaire, et celui du monde de l’informatique embarquée. Cet article présente donc un condensé du traitement des images, avec tout d’abord des notions généralistes sur le filtrage et la manipulation des images, puis les approches liées au domaine fréquentiel, et les techniques de segmentation. Enfin, un développement plus important est effectué sur les techniques de reconnaissance des formes avec les clés pour comprendre les détecteurs de points d’intérêts et les calculs de descripteurs, servant de base désormais à de nombreuses opérations comme le recalage d’images, le suivi de cible, la reconnaissance de motifs.
Cet article constitue un point d’entrée sur les bases des traitements et ne se veut en aucun cas exhaustif. Il est rédigé afin de servir de référence pour approfondir ces différents sujets. Cependant, les méthodes classiques sont souvent les plus adaptées dans le cas de processeurs légers avec des capacités de calcul réduites, et des contraintes de consommation d’énergie fortes, et il est donc tout à fait probable de les retrouver dans des matériels qui font l’objet de développements actuels.
Cet article est réservé aux abonnés.
Il vous reste 94 % à découvrir.
Déjà abonné ? Se connecter
VERSIONS
- Version archivée 1 de juin 1996 par Thierry FERRÉ
DOI (Digital Object Identifier)
CET ARTICLE SE TROUVE ÉGALEMENT DANS :
Accueil > Ressources documentaires > Technologies de l'information > Le traitement du signal et ses applications > Traitement du signal : bases théoriques > Traitement d’images optroniques > Conclusion et perspectives
Présentation
Représentation des données d’imagesArticle inclus dans l'offre
"Optique Photonique"
(225 articles)
Actualisée et enrichie d’articles validés par nos comités scientifiques.
Quiz, médias, tableaux, formules, vidéos, etc.
Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses.
Un ensemble de services exclusifs en complément des ressources.
5. Conclusion et perspectives
Les techniques de reconnaissance des formes, si elles se basaient dans les années 1980 sur des critères géométriques simples de caractérisation, sont depuis les années 2000 supportées par les techniques de détection de points d’intérêt et de calculs de descripteurs. Les algorithmes sous-jacents sont rapides, parallélisables, ce qui fait qu’ils sont utilisables dans des systèmes embarqués, même à très faible capacité de calcul (et également très faible consommation d’énergie).
Depuis 2020 environ, les techniques dites de deep learning (apprentissage profond) permettent de réaliser des segmentations sémantiques (détection d’objet d’un même type) ou par instance (détection de chaque objet indépendamment des autres) apportant un sens réel à des points d’intérêt qui ne sont pas forcément reliés à un objet perçu visuellement. En ajoutant cette segmentation aux descripteurs, les applications présentées seront dans moins de dix ans probablement considérées comme des problèmes résolus, d’autant plus que des processeurs spécialisés dans ces types de calculs commencent à arriver sur le marché.
Cet article est réservé aux abonnés.
Il vous reste 95 % à découvrir.
Déjà abonné ? Se connecter
Conclusion et perspectives
Article inclus dans l'offre
"Optique Photonique"
(225 articles)
Actualisée et enrichie d’articles validés par nos comités scientifiques.
Quiz, médias, tableaux, formules, vidéos, etc.
Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses.
Un ensemble de services exclusifs en complément des ressources.
BIBLIOGRAPHIE
-
(1) - BUADES (A.), COLL (B.), MOREL (J.-M.) - A non-local algorithm for image denoising. - 2005 IEEE computer society conference on computer vision and pattern recognition (CVPR’05). T. 2. Ieee, p. 60-65 (2005).
-
(2) - SOILLE (P.) - Morphological Image Analysis : Principles and Applications. - Springer-Verlag New York, Inc. (2003).
-
(3) - HE (K.), SUN (J.), TANG (X.) - Guided image filtering. - IEEE transactions on pattern analysis and machine intelligence 35.6, p. 1397-1409 (2012).
-
(4) - DABOV (K.), FOI (A.), KATKOVNIK (V.), EGIAZARIAN (K.) - Image Denoising by Sparse 3-D Transform-Domain Collaborative Filtering. - IEEE Transactions on Image Processing 16.8, p. 2080-2095. ISSN : 1941-0042. DOI : 10.1109/TIP.2007.901238 (2007).
-
(5) - COOLEY (J.W.), TUKEY (J.W.) - An Algorithm for the Machine Calculation of Complex Fourier Series. - English. Mathematics of Computation 19.90, p. 297-301. ISSN : 00255718. URL : http://www.jstor.org/stable/2003354 (1965).
- ...
DANS NOS BASES DOCUMENTAIRES
ANNEXES
Il existe de nombreux logiciels pour répondre à des besoins en traitement d’images. Le langage Python étant relativement facile d’accès, voici quelques outils libres qui permettent de démarrer très facilement dans toutes les techniques présentées.
OpenCV, langages Python et C++, logiciel libre, https://opencv.org. Performances poussées, utilisable également sur plateformes embarquées.
Scikit-Image, langage Python. https://scikit-image.org/. Idéal pour prototypage simple, et plus facile d’accès que OpenCV.
Scikit-learn, langage Python. https://scikit-learn.org/. Machine learning en python, très bien documenté.
HAUT DE PAGE
Cet article est réservé aux abonnés.
Il vous reste 92 % à découvrir.
Déjà abonné ? Se connecter
Article inclus dans l'offre
"Optique Photonique"
(225 articles)
Actualisée et enrichie d’articles validés par nos comités scientifiques.
Quiz, médias, tableaux, formules, vidéos, etc.
Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses.
Un ensemble de services exclusifs en complément des ressources.
