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

Segmentation et analyse
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 94% 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

Lecture en cours
Présentation
Version en anglais En anglais

3. Segmentation et analyse

La segmentation est l’étape qui consiste à détecter les objets d’intérêt, c’est-à-dire à isoler les objets du fond, en les marquant en général par des étiquettes afin de les séparer numériquement. Le processus de segmentation dépend des attentes des experts du domaine. Dans le cas général, c’est une tâche complexe. Elle peut être facilitée par des conditions d’acquisition contrôlées, comme par exemple en vision industrielle, où les éclairages, les optiques et les paramètres de vitesse d’acquisition ou de positionnement sont définis pour mettre en avant les objets.

D’un point de vue mathématique, la segmentation est un partitionnement du plan en régions, et plus généralement de l’espace de définition de l’image D. C’est l’étape la plus importante dans la chaîne de traitement puisqu’une bonne segmentation implique des actions ou des analyses conformes aux attentes. Par la suite, les techniques de caractérisation et de reconnaissance de formes, ou même de suivi dans le cas de vidéos, seront mises en œuvre.

Il est à noter que les techniques présentées dans ce paragraphe sont considérées comme des techniques classiques, efficaces certes, mais obtenant des performances moindres que des techniques plus en pointe basées sur l’apprentissage profond (deep learning) pour réaliser la détection et le suivi de cibles par exemple. Néanmoins, si l’on tient compte des contraintes de consommation des processeurs et de leurs capacités de calculs, les techniques classiques n’ont pas encore été totalement supplantées.

3.1 Segmentation par histogramme

Les techniques basées sur les histogrammes sont parmi les plus simples. Elles reposent sur le fait que les objets ont des intensités distinctes de celles du fond, autrement dit, que l’histogramme reflète cette distinction par la présence de deux ou de plusieurs modes. Ainsi, le choix d’un ou de plusieurs seuils pour séparer ces modes donnera une segmentation en (au moins) deux classes. Cette méthode porte le nom de seuillage.

  • Seuil global ou local

    Le choix naturel (et visuel) de la valeur seuil se situe approximativement au niveau d’un point bas de l’histogramme, entre les deux classes. Des méthodes automatiques permettent de trouver par le calcul cette valeur seuil, la plus utilisée étant la méthode de Otsu ...

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

Lecture en cours
Segmentation et analyse
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 92% 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