Présentation

Article

1 - REPRÉSENTATION DES DONNÉES D’IMAGES

2 - REHAUSSEMENT ET RESTAURATION

3 - SEGMENTATION ET ANALYSE

4 - RECONNAISSANCE DES FORMES

5 - CONCLUSION ET PERSPECTIVES

Article de référence | Réf : E4085 v2

Conclusion et perspectives
Traitement d’images optroniques

Auteur(s) : Yann GAVET

Date de publication : 10 févr. 2023

Pour explorer cet article
Télécharger l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !

Sommaire

Présentation

Version en anglais En anglais

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’article

ABSTRACT

Optronic image processing

Image processing is the set of techniques used to extract information from digital images. If the human reference, by its visual perception, is important, the objective remains nevertheless to automate the tasks of filtering, segmentation and analysis to avoid any manual intervention.In this article, the basics of image processing and manipulation are recalled, in order to introduce the important notions related to pattern matching and shape recognition used in optronic systems related to the military world and more generally to the world of embedded image processing.

Auteur(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 93% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

KEYWORDS

image processing   |   keypoints detectors   |   descriptors

VERSIONS

Il existe d'autres versions de cet article :

DOI (Digital Object Identifier)

https://doi.org/10.51257/a-v2-e4085


Cet article fait partie de l’offre

Optique Photonique

(219 articles en ce moment)

Cette offre vous donne accès à :

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques

Des services

Un ensemble d'outils exclusifs en complément des ressources

Un Parcours Pratique

Opérationnel et didactique, pour garantir l'acquisition des compétences transverses

Doc & Quiz

Des articles interactifs avec des quiz, pour une lecture constructive

ABONNEZ-VOUS

Version en anglais En anglais

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.

HAUT DE PAGE

Cet article est réservé aux abonnés.
Il vous reste 93% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

Cet article fait partie de l’offre

Optique Photonique

(219 articles en ce moment)

Cette offre vous donne accès à :

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques

Des services

Un ensemble d'outils exclusifs en complément des ressources

Un Parcours Pratique

Opérationnel et didactique, pour garantir l'acquisition des compétences transverses

Doc & Quiz

Des articles interactifs avec des quiz, pour une lecture constructive

ABONNEZ-VOUS

Lecture en cours
Conclusion et perspectives
Sommaire
Sommaire

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).

  • ...

1 Logiciels de référence

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 95% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

Cet article fait partie de l’offre

Optique Photonique

(219 articles en ce moment)

Cette offre vous donne accès à :

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques

Des services

Un ensemble d'outils exclusifs en complément des ressources

Un Parcours Pratique

Opérationnel et didactique, pour garantir l'acquisition des compétences transverses

Doc & Quiz

Des articles interactifs avec des quiz, pour une lecture constructive

ABONNEZ-VOUS