1traitement numérique des imagesobjectifs :amélioration, élimination du bruit, rehaussement du contraste, visualisationtra...
2évaluation :présence active pendant les courstravaux dirigés : présence et travail réalisé en 12 semainesrapport écrit et...
3http://graphics.ucsd.edu/~neel/dissertation/chapter1.pdfOne of the oldest surviving photographs. This image is believed t...
4exemple de problème (difficile) : compenser un bougé ou un flou
5TRAITEMENT NUMERIQUE DES IMAGESJ. Le Roux, SI 4/ MAM 4 Fév.- Mai 20121. Introduction à l’image numériqueexemples de probl...
61. Introduction à l’Image NumériqueObjectifs du coursIntensité, quantification ; couleursEchantillonnage (pixels) ;Exempl...
72. Filtrage convolution 2DAnalyse en fréquence ;échantillonnageConvolution (liens avec l’optique)Sinusoïdes 2D orientatio...
83. Contours RégionsLes difficultés * les détections de contourset les segmentations en région ne sonten général pas très ...
94. Stéréovision, Tomographieimagerie médicaledétection de points caractéristiquesappariement de points(stéréo, séquence v...
105. Reconnaissance d’imagesThéorie de la décisionLa difficulté pratique : très grande variabilitéDetection d’objets simpl...
116. Problèmes divers d’analyse d’imagesImages animées mpeg etc...* image compression JPEG ondelettes* images animées mpeg...
12http://ia350625.us.archive.org/2/items/Lectures_on_Image_Processing/EECE253_01_Intro.pdfhttp://www.archive.org/details/L...
13Livres conseillésOlivier Faugeras, with Nikos Paragios and Yunmei Chen *"Mathematical Models in Computer Vision", Spring...
14enhance contrast, remove noise,detect edges, segment an image into regions,thin regions, or perform skeletonization on r...
15notions élémentaires sur l’image numériqueune fonction scalaire ou vectoriellede deux variables f(x,y)notions sur la vis...
16Qu’est ce qu’une image numérisée (noir et blanc)?L’INTENSITE LUMINEUSE EST UNE FONCTIONDE DEUX VARIABLES),( yxfxy
17il est très difficile d’interpréter le contenu d’une image en étudiant la fonction f(x,y) !il est parfois important de s...
18quelques notions de biologiede la vision• couleurs• l’œil• la rétine• les circuits neuronaux
19Une image couleur f(x,y) est un vecteur à trois composantesles chrominances peuventsouventêtre codées avec uneprécision ...
20ROUGEP 0 VERTP⋅, 0 BLEUP⋅, 0ROUGEP 1 VERTP⋅, 0 BLEUP⋅, 0ROUGEP 0 VERTP⋅, 1 BLEUP⋅,une image couleur = trois intensités (...
21ROUGE VERT 0⋅, BLEU 0⋅, ROUGE 0⋅ VERT, BLEU 0⋅, ROUGE 0⋅ VERT 0⋅, BLEU,une image couleur = trois intensités (rouge, vert...
220 32 64 96 128 160 192 224 25650050100150200250xfgénération des intensités RVB d’un arc en ciel
23http://www.youtube.com/watch?v=p94yQ8cvTHg&NR=1Annabelle - Serpentine Dance (1894) [Edison]Premières colorisations de film
24l’oeilhttp://perso.id-net.fr/~brolis/docs/oeil/physio.html125 millions de bâtonnets (intensitéet vision nocturne)5 milli...
25http://www.futura-sciences.com/fr/doc/t/medecine-1/d/loeil-la-vision-au-dela-de-la-vision_667/c3/221/p5/La métarhodopsin...
26quels sont les mécanismes mis en œuvre au niveau neuronal ?recherches actuelles en neurologie :ensuite : qu’est ce que l...
27quantification numérique• quantification en niveaux– en couleurs– traitements à base d’histogrammerehaussement• quantifi...
28noter l’effet de contraste près des transition
29KLINpour chaque couleur l’intensité est en général codée sur un octet parfois 2KLIN KLIN1bit 2 3456-8
30
31modifier l’histogramme pour améliorer la qualité d’une image (contraste)nombre de pixelsd’une intensité donnée(souvent u...
32construire l’histogrammechoisir un pas de quantificationpour chaque niveau de quantificationcompter le nombre de pixel a...
33
34
35échantillonnage des images(nous reviendrons ultérieurement sur le théorème d’échantillonnage)
36Abraham Lincoln[Salvador Dali, 1976]formalisation rigoureuse(théorème de Shannondans le cas des images)Pixels ;échantill...
37g g gde 4x4 à 128x128 pixels
38Point Par PouceUnité de mesure de la résolution, utilisée principalement pour les écrans et lesimprimantes. En français ...
39quantité d’information contenue dans une image(sans compression)images animéesquelques millionsde pixels par imagetrois ...
40enhance contrast, remove noise,detect edges, segment an image into regions,thin regions, or perform skeletonization on r...
41télédétection
42Attention aux fausses interprétations (face on mars)
43
44surveillanceremote sensingdétection intelligente de mouvement
45l’importance du contexte dans l’interprétation d’une image
46
47analyse de l’extension d’un feu de forêt
48BIOMETRIE
49BIG BROTHER IS WATCHING YOU
50la géométrie de loreille, méthode parfois utilisée par la police,la démarche (vitesse, mouvements du corps, …),lodeur co...
51
52contours haut et bassegmentationreconnaissance des « segments » dans une basede segments mémorisés et de leurs enchaînem...
53comment reconnaître automatiquement le visage malgré les mimiques,les variations d’éclairage, le bruit, les données manq...
54
55qu’est ce que c’est ?
56• une très grande variété d’algorithmes et d’applications ;toutefois la première étape est souvent baséesur un filtrage ...
Prochain SlideShare
Chargement dans…5
×

Chap1introductionimagenumerique

320 vues

Publié le

1 commentaire
0 j’aime
Statistiques
Remarques
  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
320
Sur SlideShare
0
Issues des intégrations
0
Intégrations
2
Actions
Partages
0
Téléchargements
0
Commentaires
1
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive
  • notez
  • il est possible malgré un échantillonnage grossier de retrouver l’information sur l’image ; toutefois la reconnaissance du portrait en ne se fondant que sur l’image en bas à droite peut poser de grandes difficultés
  • détecter une forêt des champs des rivières des routes des bâtiments
  • attention aux fausses interprétations (image de mars ...)
  • reconnaître des objets
  • un domaine très sensible à l’heure actuelle
  • recherche de minuties
  • Chap1introductionimagenumerique

    1. 1. 1traitement numérique des imagesobjectifs :amélioration, élimination du bruit, rehaussement du contraste, visualisationtransmission stockage compression et reconstructiondétection, analyse, reconnaissance (théorie de la décision, intelligence artificielleméthodes de base à partir desquelles de nombreuses adaptations :filtrage, convolution, analyse fréquentielle (Fourier) à deux dimensionsextension des méthodes monodimensionnellesdécomposition de l’image en régions stationnaires séparées par des contourscaractérisés par leur pente, leur courbure faible et leur discontinuités ainsi que parleurs intersections (points caractéristiques)domaines d’application :dès qu’on dispose d’une image et qu’on souhaite en extraire une information :transmissions numériques, robotique, automatisation des tâches,télédétection, imagerie médicale, assistance à l’opérateur, ...
    2. 2. 2évaluation :présence active pendant les courstravaux dirigés : présence et travail réalisé en 12 semainesrapport écrit et présentation en fin de semestresoit vous proposez un sujet qui vous intéressesoit vous traitezdétection de la pupille et de l’iris dans une image d’œilou décomposition d’une image en régions et contours(simulation d’un vitrail)examen écrit portant surles aspects mathématiques théoriquesles méthodes et les algorithmescontrôle continu :
    3. 3. 3http://graphics.ucsd.edu/~neel/dissertation/chapter1.pdfOne of the oldest surviving photographs. This image is believed to be the second photographever taken and the first using a camera.[View from theWindow at le Gras, Joseph Nicéphore Niépce 1826]1822 contact
    4. 4. 4exemple de problème (difficile) : compenser un bougé ou un flou
    5. 5. 5TRAITEMENT NUMERIQUE DES IMAGESJ. Le Roux, SI 4/ MAM 4 Fév.- Mai 20121. Introduction à l’image numériqueexemples de problème : l’amélioration d’images2. Filtrage convolution 2D (liens avec l’optique)Analyse en fréquence ; échantillonnage3. Contours, Régions4. Tomographie, imagerie médicale5. Reconnaissance d’images6. Divers problèmes d’analyse d’imagetélédétection remote sensingbiométrieanalyse d’images et robotique
    6. 6. 61. Introduction à l’Image NumériqueObjectifs du coursIntensité, quantification ; couleursEchantillonnage (pixels) ;Exemple de pb : la rotation d’imagesListe de problèmesCompression images fixes animéesAmélioration d’images LissageReconnaissance de formesImagerie satellitaireImages médicales* représentation en perspective de lintensité(bien voir les difficultés sur lamplitude du signal)* il faut bien formaliser ce quon veut obteniret modifier les méthodes académiques en conséquence si cela est nécessaire
    7. 7. 72. Filtrage convolution 2DAnalyse en fréquence ;échantillonnageConvolution (liens avec l’optique)Sinusoïdes 2D orientationbasses fréquences hautes fréquencesTransformée de Fourier 2D propriétésThéorème de Shannon ; limitations entraitement d’imagesGibbs, Franhaufer AiryTransformée de Fourier discrèteTransformée en cosinus (Compressionjpeg)la célèbre Lennaicône du traitement d’images ...
    8. 8. 83. Contours RégionsLes difficultés * les détections de contourset les segmentations en région ne sonten général pas très performantesQue faire quand le résultat est décevant ?Faut il fermer les contours ?et isoler les régions ?attention aux objectifs à atteindredans le problème posé•Morphological image processing•SquelettisationRégions et texture Bruit de fondsnakesLissage Amélioration d’imagespréservant les contours
    9. 9. 94. Stéréovision, Tomographieimagerie médicaledétection de points caractéristiquesappariement de points(stéréo, séquence vidéo)Vision stéréographique,profondeurInterférences visionen relief holographie* Medical image processing* Microscope image processingwww-physique.u-strasbg.fr/cours/lphys/Einstein_imageriemed.ppt
    10. 10. 105. Reconnaissance d’imagesThéorie de la décisionLa difficulté pratique : très grande variabilitéDetection d’objets simples (transformée de Hough)* Computer vision* Face detection* Feature detection (reconnaissance)BiométrieAnalyse de scène en robotique
    11. 11. 116. Problèmes divers d’analyse d’imagesImages animées mpeg etc...* image compression JPEG ondelettes* images animées mpeg4 divx jerome rota* H.264 ou AVC (Advanced Video Codec)http://fr.wikipedia.org/wiki/H.264Recherche du mouvementRemote sensing http://rst.gsfc.nasa.gov/Problèmes inverses en traitement d’images
    12. 12. 12http://ia350625.us.archive.org/2/items/Lectures_on_Image_Processing/EECE253_01_Intro.pdfhttp://www.archive.org/details/Lectures_on_Image_Processinghttp://www.polytech.unice.fr/~lingrand/Ens/planTraitIma.htmlhttp://arthur.u-strasbg.fr/~ronse/TIDOC/index.htmlR.A. Peters,Vanderbilt Universityhttp://www.ph.tn.tudelft.nl/~lucas/education/et4085/sheets/ppt/FIP2.2.pdfFundamentals of Image ProcessingIan T. Young, Jan J. Gerbrands, Lucas J. van Vlietquelques référencescours de Diane Lingrand
    13. 13. 13Livres conseillésOlivier Faugeras, with Nikos Paragios and Yunmei Chen *"Mathematical Models in Computer Vision", Springer, 2005editedRafael C. Gonzalez, Richard E. Woods *“Digital Image Processing” (2nd Edition) - - Addison-Wesley;http://www.imageprocessingplace.com/downloads_V3/dip3e_downloads/dip3e_sample_book_material/dip3e_chapter_01.pdfBernd Jähne * Practical Handbook on Image Processing for Scientific Applications - - CRC Press;Diane Lingrand, "Introduction au Traitement dImages" 2nd edition, Vuibert, Paris, France,feb 2008, ISBN : 2-7117-4866-9http://www.polytech.unice.fr/~lingrand/Ens/ImageProcessingCourse.html* A course in english* Books available on the web* Computer Vision OnlineW. K. Pratt, * "Digital Image Processing" by John Wiley & Sons, inc., Third Edition, 2001K.R. Rao, P.C. Yip - * The Transform and Data Compression Handbook - CRC Press.http://rst.gsfc.nasa.gov/John C. Russ * The Image Processing Handbook (3rd Edition) - - Springer;N. Short, “remote sensing turorial” http://rst.gsfc.nasa.gov/Alan Watt, Fabio Policarpo * The Computer Image - - Addison-Wesley;
    14. 14. 14enhance contrast, remove noise,detect edges, segment an image into regions,thin regions, or perform skeletonization on regions.Morphological functions Erosion and dilationOpening and closingWatershed segmentationReconstructionDistance transformDetect lines and extract lines segmentsfrom an image using the Hough transformusing texture analysis functions
    15. 15. 15notions élémentaires sur l’image numériqueune fonction scalaire ou vectoriellede deux variables f(x,y)notions sur la vision humaine et les capteursintensité, couleurs, quantification dans la rétineEchantillonnage (pixels) ;histogramme des niveaux d’intensitéExemple de pb : la rotation d’images numériques1.Introduction à l’Image numérique
    16. 16. 16Qu’est ce qu’une image numérisée (noir et blanc)?L’INTENSITE LUMINEUSE EST UNE FONCTIONDE DEUX VARIABLES),( yxfxy
    17. 17. 17il est très difficile d’interpréter le contenu d’une image en étudiant la fonction f(x,y) !il est parfois important de se rappeler que la machine ne ‘voit’ pas l’image comme vous
    18. 18. 18quelques notions de biologiede la vision• couleurs• l’œil• la rétine• les circuits neuronaux
    19. 19. 19Une image couleur f(x,y) est un vecteur à trois composantesles chrominances peuventsouventêtre codées avec uneprécision moindre(p. ex. un échantillon sur 2)
    20. 20. 20ROUGEP 0 VERTP⋅, 0 BLEUP⋅, 0ROUGEP 1 VERTP⋅, 0 BLEUP⋅, 0ROUGEP 0 VERTP⋅, 1 BLEUP⋅,une image couleur = trois intensités (rouge, vert, bleu ou combinaisons)
    21. 21. 21ROUGE VERT 0⋅, BLEU 0⋅, ROUGE 0⋅ VERT, BLEU 0⋅, ROUGE 0⋅ VERT 0⋅, BLEU,une image couleur = trois intensités (rouge, vert, bleu ou combinaisons)
    22. 22. 220 32 64 96 128 160 192 224 25650050100150200250xfgénération des intensités RVB d’un arc en ciel
    23. 23. 23http://www.youtube.com/watch?v=p94yQ8cvTHg&NR=1Annabelle - Serpentine Dance (1894) [Edison]Premières colorisations de film
    24. 24. 24l’oeilhttp://perso.id-net.fr/~brolis/docs/oeil/physio.html125 millions de bâtonnets (intensitéet vision nocturne)5 millions de cônes (couleur)http://lecerveau.mcgill.ca/flash/d/d_02/d_02_m/d_02_m_vis/d_02_m_vis.htmlhttp://www.pug.fr/extrait_ouvrage/Electure.pdf
    25. 25. 25http://www.futura-sciences.com/fr/doc/t/medecine-1/d/loeil-la-vision-au-dela-de-la-vision_667/c3/221/p5/La métarhodopsine II produite partransformation de la rhodopsinesous leffet de la lumière active uneprotéine : la transducine. Par lasuite, les canaux Na+ des cellulesréceptrices se ferment, provoquantune hyper-polarisation membranairequi engendre un potentiel dactionélectrique dans les cellulesganglionnaires.Une protéine transmembranaire,lopsine, sur laquelle vient sefixer un groupement le rétinène,qui nest autre quun aldéhydede la vitamine A ou rétinol subitlarrivée dun photon entre 650et 400nm sur la partie rétinènede la rhodopsine qui passe alorsde la conformation 11-cis à laconformation tout-trans(appelée métarhodopsine II).
    26. 26. 26quels sont les mécanismes mis en œuvre au niveau neuronal ?recherches actuelles en neurologie :ensuite : qu’est ce que la mémoire enregistre ?comment le cerveau compare-t-il une nouvelle image auxdonnées mémorisées pour éventuellement reconnaîtreun objet en quelques centièmes de secondespour progresser : apport incontournable de l’imagerie médicalep. ex : au premier niveau : détection de contours et de leur orientation
    27. 27. 27quantification numérique• quantification en niveaux– en couleurs– traitements à base d’histogrammerehaussement• quantification spatiale
    28. 28. 28noter l’effet de contraste près des transition
    29. 29. 29KLINpour chaque couleur l’intensité est en général codée sur un octet parfois 2KLIN KLIN1bit 2 3456-8
    30. 30. 30
    31. 31. 31modifier l’histogramme pour améliorer la qualité d’une image (contraste)nombre de pixelsd’une intensité donnée(souvent un octet)grande sensibilité des capteurs des appareils photos numériquesnoirblanc
    32. 32. 32construire l’histogrammechoisir un pas de quantificationpour chaque niveau de quantificationcompter le nombre de pixel ayantce niveau de quantificationmodifier les niveaux d’intensitépar exemplepour augmenterle contrastenoir blancavant modificationblancaprèsmodificationaa
    33. 33. 33
    34. 34. 34
    35. 35. 35échantillonnage des images(nous reviendrons ultérieurement sur le théorème d’échantillonnage)
    36. 36. 36Abraham Lincoln[Salvador Dali, 1976]formalisation rigoureuse(théorème de Shannondans le cas des images)Pixels ;échantillonsmosaïques
    37. 37. 37g g gde 4x4 à 128x128 pixels
    38. 38. 38Point Par PouceUnité de mesure de la résolution, utilisée principalement pour les écrans et lesimprimantes. En français on parle de Points Par Pouce (PPP) ou de Pixels ParPouce, ce qui est un peut différent, en anglais on parle de Dots Per Inch (DPI)ou de Pixels Per Inch (PPI). Note : un pouce (inch) vaut 2,54 cm.Plus il y a de points par pouce, meilleure est la résolution dune image. Lesdétails que lon pourra voir seront plus fins.Par exemple un écran classique peut afficher 75 pixels par pouce,si on atteignait les qualités d’appareils actuels (12 millions de pixels p.ex.)on aurait de l’ordre de 250 pixels par pouce (10 pixels par mm qualitécomparable à la photographie argentique)
    39. 39. 39quantité d’information contenue dans une image(sans compression)images animéesquelques millionsde pixels par imagetrois couleurshuit bits par couleur24 ou 25 images par secondepixelscouleursniveaux dequantificationde l’intensitéune photo = quelques dizaines de millions de bitsun film de 1h30 = 10 térabits (dix mille milliards)une page d’écriture = 40x60 caractères = vingt mille bitsun livre = quelques millions de bitsun cd audio = 10 milliard de bits
    40. 40. 40enhance contrast, remove noise,detect edges, segment an image into regions,thin regions, or perform skeletonization on regions.Morphological functions Erosion and dilationOpening and closingWatershed segmentationReconstructionDistance transformDetect lines and extract lines segmentsfrom an image using the Hough transformtexture analysis functions
    41. 41. 41télédétection
    42. 42. 42Attention aux fausses interprétations (face on mars)
    43. 43. 43
    44. 44. 44surveillanceremote sensingdétection intelligente de mouvement
    45. 45. 45l’importance du contexte dans l’interprétation d’une image
    46. 46. 46
    47. 47. 47analyse de l’extension d’un feu de forêt
    48. 48. 48BIOMETRIE
    49. 49. 49BIG BROTHER IS WATCHING YOU
    50. 50. 50la géométrie de loreille, méthode parfois utilisée par la police,la démarche (vitesse, mouvements du corps, …),lodeur corporelle, lanalyse des pores de la peau,la thermographie faciale, les ongles, lirrigation sanguine ...
    51. 51. 51
    52. 52. 52contours haut et bassegmentationreconnaissance des « segments » dans une basede segments mémorisés et de leurs enchaînements(modèles de markov)Abdenaim EL YACOUBI (la poste nantes)ftp://ftp.irisa.fr/local/IMADOC/lorette/elyacoubi/MOUNIM.PPTexemple de reconnaissance d’écriture manuscrite
    53. 53. 53comment reconnaître automatiquement le visage malgré les mimiques,les variations d’éclairage, le bruit, les données manquantes, etc...reconnaissance de visagesqui c’est ?
    54. 54. 54
    55. 55. 55qu’est ce que c’est ?
    56. 56. 56• une très grande variété d’algorithmes et d’applications ;toutefois la première étape est souvent baséesur un filtrage linéaire ou une analyse en fréquence• des problèmes concrets difficiles, car une multitude decauses de variations d’une image à l’autre• encore beaucoup de recherches pour arriver àcomprendre les processus mis en jeu dans le cerveau

    ×