SlideShare une entreprise Scribd logo
1  sur  47
Télécharger pour lire hors ligne
ABDELOUAHED SABRI
ABDELOUAHED.SABRI@GMAIL.COM
Traitement d’images
• Traitement et analyse d’mages
– Analyse des images:
• Histogramme : étirements, égalisation, manipulation,
seuillage,
• Filtrage : lissage, rehaussement d'images, détection de
contours
– Applications:
• Manipulation d’images,
• segmentation d’images.
• Compression d’images,
Plan
2
• Les êtres humains sont des créatures
essentiellement visuelles:
– On compte beaucoup sur notre vision pour donner un sens
au monde qui nous entoure. Ainsi on peut:
Identifier un visage en un instant,
Distinguer les couleurs,
Traiter une grande quantité d'informations visuelles
très rapidement
…
– Ici, on va s’intéresser aux images simples : instantanés
(snapshots) d'une scène visuelle.
Bien que le traitement d'image peut utiliser des scènes
(vidéo).
Introduction
3
• Pour notre cas, une image est une simple photo qui
représente quelques choses (des objets). Elle peut
être :
– Une photo d'une personne,
– Une photo de plusieurs personnes,
– Une photo des animaux,
– Une scène en plein-air,
– Une microphotographie d'un composant
électronique,
– Une image médicale.
– …
Introduction
4
• Le traitement d'images consiste à changer la nature
d'une image, afin de :
1. Améliorer de l’information contenue pour aider à
l'interprétation par l'homme,
2. La rendre plus adaptée pour une perception autonome de
la machine.
• Ces deux aspects sont très différents, et sont, les
deux, importants pour le traitement d'images:
– Une procédure qui vérifie la condition N°1 peut être la
procédure la plus mauvaise pour satisfaire la condition N°2,
– Les êtres humains préfèrent leurs images pleines
(d’informations), claires et détaillées; les machines
préfèrent que leurs images soient très simples et claire.
C’est quoi le « traitement d'images »
5
• Améliorer les contours d'une image pour la rendre
plus nette:
C’est quoi le « traitement d'images »
1- Améliorer de l’information contenue
6
 Notez comment la
seconde image
apparaît plus
«claire», c'est une
image plus agréable
• Sharpening (traitement de la netteté) les contours est une
opération vitale pour l'impression des images.
• Suppression de « bruit » d'une image: le bruit étant des
erreurs aléatoires dans l'image.
C’est quoi le « traitement d'images »
1- Améliorer de l’information contenue
7
 Notez comment la
seconde image
apparaît plus
«nette», c'est une
image plus claire
• le bruit peut prendre de nombreuses formes différentes,
chaque type de bruit nécessite une méthode différente
pour sa suppression (réduction)
• Correction du « de la motion blur: l’effet visuel de flou »
flou dans une image:
C’est quoi le « traitement d'images »
1- Améliorer de l’information contenue
8
 Notez que dans la
deblurred image il
est possible de lire
la plaque ainsi que
d'autres détails qui
ne sont pas du tout
clair dans l'image
originale
• Ce flou appelé aussi flou cinétique ou flou de mouvement :
dû au mouvement rapide du sujet photographié pendant
l'enregistrement (la capture) .
• Détection de contours dans une image: Cela peut être
nécessaire pour la mesure des objets dans une image
C’est quoi le « traitement d'images »
2- Rendre l’image plus adaptée
9
 Seuls les contour
sont visible dans la
deuxième image
On remarque qu'il peut être nécessaire d’augmenter
légèrement le contraste de l'image originale, pour rendre
les contours plus clairs.
• Extraction (suppression) des détails d'une image:
Pour des raisons de mesure ou de comptage
C’est quoi le « traitement d'images »
2- Rendre l’image plus adaptée
10
 La deuxième image
présente une
version floue dans
laquelle des détails
non-pertinentes ont
été supprimés.
Les petits détails sont disparus, alors, on peut par
exemple, mesurer la taille et la forme de l'animal (bison)
sans être « influencé » par les détails inutiles.
• Le traitement d'images est utilisé dans plusieurs
applications;
– presque tous les domaines de la science et la technologie
peuvent faire usage de méthodes de traitement d'images.
• Médecine:
– Inspection et Interprétation des images obtenues à partir des
rayons X, IRM ou CAT scan,
– l'analyse des cellules dans une image, des caryotypes (est
l'arrangement standard de l'ensemble des chromosomes
d'une cellule).
C’est quoi le « traitement d'images »
Applications
11
• Agriculture:
– Satellite/vues aériennes de la terre, par exemple pour
déterminer la quantité de terre utilisée à des fins différentes,
ou pour enquêter sur l'adéquation des différentes régions
pour différentes cultures,
– l'inspection des fruits et légumes; distinguer les produits bons
et frais des produits mauvais.
• Industrie
– Inspection automatique d'objets sur une ligne de production,
– l'inspection des échantillons de papier.
• Application de la loi
– Analyse des empreintes digitales,
– Sharpening (traitement de la netteté) ou suppression de flou
(deblurring) des images radars.
C’est quoi le « traitement d'images »
Applications
12
• L'échantillonnage se réfère au processus de
numérisation d'une fonction continue.
– Exemple 1D
L'acquisition des images et l’échantillonnage
Échantillonnage
13
 L'échantillonner à 10 valeurs espacées de X.
C’est un sous-échantillonnage, car le nombre
de points n'est pas suffisant pour
reconstruire la fonction (d’origine)
 L’échantillonné à 100 points,
On peut reconstruire la fonction; toutes ses
propriétés peuvent être déterminées à partir
de cet échantillonnage
• Afin de veiller à ce que nous avons des points
d'échantillonnage suffisant, il faut que la période
d'échantillonnage ne soit pas supérieure à la moitié du
moindre détail dans la fonction.
C'est ce qu'on appelle le critère de Nyquist (énoncé comme
étant le théorème d'échantillonnage)
• Images:
• Pour obtenir un échantillon (numérique) d’une image, on peut
commencer par une représentation continue d'une scène.
L'acquisition des images et l’échantillonnage
Échantillonnage
14
• Pour représenter une scène, on enregistre l'énergie
réfléchie par celle-ci.
• Il existe plusieurs énergie qui peuvent être utiliser:
• La lumière visible,
• La lumière invisible: Rayon X, lumière UV, l’infra
rouge ….
L'acquisition des images et l’échantillonnage
Acquisition
15
• Lumière visible:
– La lumière est la source d'énergie prédominante pour les
images; simplement parce qu'elle est la source d'énergie
utilisée par les êtres humains pour observer directement.
Beaucoup d'images numériques sont capturées en utilisant la
lumière visible comme source d'énergie, ce qui a l'avantage
d'être sûre, bon marché, facilement détectées et traitées
rapidement avec le matériel approprié.
• Deux méthodes, très populaires, pour produire une
image numérique sont soit utilisant un appareil photo
numérique ou un scanner à plat (flatbed scanner).
L'acquisition des images et l’échantillonnage
Acquisition
16
• Caméra CCD (Charge Coupled Device):
– Le détecteur CCD assure la conversion d'un signal lumineux
en un signal électrique,
– Une caméra CCD a, à la place du film d'habitude, une matrice
de photosites: Ce sont des dispositifs électroniques en
silicium dont la tension de sortie est proportionnelle à
l'intensité de la lumière qui tombe sur eux (reçu)
– Pour une caméra reliée à un ordinateur (Webcam), des
informations provenant des photosites sont ensuite
acheminées vers un support de stockage approprié (disque
dur)
L'acquisition des images et l’échantillonnage
Acquisition
17
• Caméra CCD (Charge Coupled Device):
– La capture d’image avec une caméra CCD
L'acquisition des images et l’échantillonnage
Acquisition
18
Sortie
numérique
MatriceCCD
Scène originale
La sortie est un tableau de
valeurs, chacune représente
un point d'échantillonnage de
la scène originale.
Les éléments de ce tableau
sont appelés éléments de
l'image (picture elements), ou
plus simplement pixels.
• Scanner à plat (Flatbed scanner):
– Cela fonctionne sur un principe similaire à la caméra CCD,
– Au lieu de capturer à la fois l'image entière sur un grand
tableau, une seule rangée (ligne) de photosites est déplacée à
travers l'image, et capture ainsi ligne par ligne en se
déplaçant.
L'acquisition des images et l’échantillonnage
Acquisition
19
Mouvementdelaligne
Scène originale
Tableau de sortie
Ligne de
photosites
• Utilisant autres sources d'énergie:
– Bien que la lumière soit très populaire et facile à utiliser,
autres sources d'énergie peuvent être utilisées pour créer
une image numérique,
– La lumière visible est une partie du spectre
électromagnétique: rayonnement dans lequel l'énergie
prend la forme d'ondes de différentes longueurs d'onde.
L'acquisition des images et l’échantillonnage
Acquisition
20
10-11 10-9 10-8 4x10-7 8x10-7 1.5x10-6 3x10-2
Blue
4,3x10-7m
Vert
5,4x10-7m
Rouge
7x10-7m
• Utilisant autres sources d'énergie:
– Rayons X: ont une longueur d'onde plus courte que la
lumière visible, et peuvent être utilisés pour résoudre des
objets de petite taille que ceux traités avec la lumière
visible.
Les rayons X sont bien entendu utilisés pour déterminer
les structures d’objets qui sont cachés de la vue: comme
les OS.
L'acquisition des images et l’échantillonnage
Acquisition
21
• Supposons que nous prenons une image, une photo,
par exemple acquise par un appareil numérique CCD.
– On suppose que la photo est monochromatique: c'est-à-dire
constituée des nuances gris seulement, donc pas de couleur.
Images et images numériques
22
 On peut supposer que les valeurs de
la luminosité de l'image peuvent
être des nombres réels dans
l’intervalle 0,0 (noir) à 1,0 (blanc)
 On peut considérer cette image
comme étant une fonction à deux
dimensions, où les valeurs de la
fonction sont la luminosité de
l'image à un moment donné,
• Une telle fonction peut être tracée:
Images et images numériques
23
• Une image numérique diffère d'une photo en ce que
le x, y, et f (x, y) sont tous des valeurs discrètes
(échantillonnées).
• Terminologie:
– Une image numérique peut être considérée comme un
tableau (matrice 2D) de points échantillonnés à partir de
l'image continu (photo), dont chacun a une luminosité
particulière quantifiée;
Ces points sont les pixels qui constituent l'image
numérique.
– Les pixels qui entourent un pixel donné constituent son
voisinage
Un voisinage peut être caractérisé par sa forme qui est
une matrice: par exemple, on peut parler d’un voisinage de
3x3, ou d'un d’un voisinage de 5x7.
Images et images numériques
24
• Image numérique et voisinage
Images et images numériques
25
les voisinages ont un nombre impair de lignes et de colonnes, ce
qui garantit que le pixel courant est dans le centre de la zone ;
voisinage 3x3, 9x9.
Sinon, il peut être nécessaire de spécifier quel pixel dans ce
voisinage est le « pixel courant »
Pixel courant
Voisinage de 3x5
X
Y
• Il est commode de subdiviser les différents
algorithmes de traitement d'images en des sous-
classes.
• Il existe différents algorithmes pour différentes
tâches et problèmes
 Et souvent nous tenons à distinguer la nature de la tâche
à accomplir.
• Amélioration d’images (image enhancement),
• Restauration d’images,
• Segmentation d’images .
Les aspects du traitement d'images
26
• Amélioration d’images (image enhancement):
– Il s'agit du traitement d'une image de sorte que le résultat
est plus approprié pour une application particulière.
– Exemple:
• Sharpening (aiguiser) ou de la suppression de flou dans
une image floue,
• Mètre en évidence les contours,
• Amélioration du contraste, ou de l’éclaircissement
d’une image,
• Suppression de bruit,
• …
Les aspects du traitement d'images
27
• Restauration d’images :
– Cela peut être considéré comme inverser les dommages
causés à une image par une cause connue,
– Exemple :
• Suppression de flou causé par le mouvement linéaire,
• Suppression des distorsions optiques,
• Suppression des interférences périodique,
• …
Les aspects du traitement d'images
28
• Segmentation d’images :
– Il s'agit de diviser une image en des éléments distinctifs,
ou d'isoler certains aspects d'une image.
– Exemple:
• Trouver des lignes, des cercles ou des formes
particulières dans une image,
• Sur une photographie aérienne, identifier des voitures,
arbres, bâtiments, ou des routes.
Les aspects du traitement d'images
29
• Ces classes ne sont pas disjointes; un algorithme
donné peut être utilisé à la fois pour l’amélioration
d'images ou pour la restauration d'images.
• Toutefois, il faut être en mesure de décider ce que
nous essayons de faire avec notre image:
– Simplement lui donner une meilleure apparence
(amélioration), ou la suppression des dommages
(restauration).
Les aspects du traitement d'images
30
• Nous allons examiner en détail une tâche particulière
dans le monde réel, et de voir comment les classes ci-
dessus peuvent être utilisés pour décrire les différentes
étapes dans l'accomplissement de cette tâche.
• Exemple:
– La tache consiste en obtenir, par un processus
automatique, les codes postaux dans les enveloppes.
Les étapes du traitement d'images
31
• L'acquisition de l'image: Caméra CCD ou scanner,
• Prétraitement: Améliorer le contraste, la suppression
du bruit et identifier les régions susceptibles de contenir
le code postal.
• Segmentation: Extraction de la partie qui ne contient
que le code postal,
• Représentation et description: Chercher des courbes,
les trous et les coins qui nous permettrons de distinguer
les différents chiffres qui constituent le code postal.
• Reconnaissance et interprétation: Attribuer des
étiquettes à des objets en fonction de leurs descripteurs
(de l'étape précédente), et assigner des significations à
ces labels.
Les étapes du traitement d'images
32
• En général, il existe quatre types de base des images:
– Images binaires,
– Images à niveau de gris ,
– Images couleurs,
– Images indexées.
Types d'images numériques
33
• Chaque pixel est soit noir soit blanc.
Nous avons seulement besoin d'un bit par pixel.
Ces images peuvent donc être très efficaces en termes de
stockage.
• Exemple:
• Les images contenant du texte (imprimé ou écrit à la main),
• Les empreintes digitales,
• Les plans d'architecture,
• Les images contenant des contours.
Types d'images numériques
Binaires
34
 Nous n’avons que deux couleurs: blanc pour le
contour et noir pour fond
Types d'images numériques
Binaires
35
• Chaque pixel est une nuance de gris, normalement de 0
(noir) à 255 (blanc)
– Cette gamme signifie que chaque pixel peut être représenté
par huit bits, soit exactement un octet,
– Il s'agit d'une gamme très naturelle pour le traitement
d’mages.
Types d'images numériques
A niveau de gris
36
• 255 niveaux de gris différents sont suffisants pour la
reconnaissance (présentation) de la plupart des objets
naturels.
Types d'images numériques
A niveau de gris
37
• Appelées images couleurs vraies ou RVB
– chaque pixel a une couleur particulière; cette couleur est
décrite par la quantité de Rouge, Vert et de Bleu.
Si chacune de ces composantes a un intervalle de 0 à
255, ce qui donne un total de 2553 =16.777.216 couleurs
différentes possibles dans l'image.
C'est assez de couleurs pour une image.
– Puisque le nombre total de bits requis pour chaque pixel
est de 24 (8x3), ces images sont aussi appelés images en
couleur 24-bit.
Types d'images numériques
Couleurs
38
• Une image couleur peut être considérée comme
étant composé d'une « pile » de trois matrices,
représentant les valeurs de rouge, vert et bleu pour
chaque pixel.
Cela signifie que pour chaque pixel correspond trois
valeurs.
Types d'images numériques
Couleurs
39
Types d'images numériques
Couleurs
40
Rouge Vert Bleu
• Dans les images couleurs ont trouve que beaucoup de pixels
ont la même couleur.
• Pour plus de commodité de stockage et de manipulation de
fichier image, une image indexée utilise une carte (map) de
couleurs associée appelée palette de couleur:
– Une palette est simplement une liste de toutes les couleurs utilisées
dans cette image,
– La valeur des pixels ne présente pas la couleur (comme pour une
image RVB) mais un indice de la couleur dans la palette.
• Cette présentation est pratique pour le cas d’une image a
256 couleurs ou moins, car pour le stockage les valeurs des
indices ne requiert qu’un octet chacun.
– Le format GIF ne permet que 256 couleurs ou moins dans chaque
image
Types d'images numériques
Indexées
41
• Deux matrice: Indices et Palette
– Dans Indices: les valeurs sont des indices dans la palette
– Dans Palette: valeurs des couleurs rouge, vert et bleu
• Sans cette palette, l'image serait très sombre et non-coloré.
• La modification d'une entrée de la palette entraîne la modification de
la couleur de tous les pixels référant à cette entrée.
Types d'images numériques
Indexées
42
Indices Palette
les pixels étiquetés
6 correspondent à
0,2627 0,2588
0,2549, qui est une
couleur grise foncé.
• La taille des fichiers d'image a tendance à être
grande et ceci est directement liée à:
1. la quantité d’information contenue
2. Le type d’images.
• Exemple:
Calculer les tailles (en bits, octets, Ko, Mo)
respectives de trois images (de taille 512x512);
1- binaire
2- à niveau de gris
3- couleur
On suppose l'absence de compression, et on néglige les
informations dans l'en-tête.
Taille des fichiers images
43
• Ils existent d’autres images qui ont une taille plus
grande que celle présentée ici.
– Par exemple, les images satellitaires peuvent être de
l'ordre de plusieurs milliers de pixels dans chaque
direction.
Taille des fichiers images
44
Binaire À niveau de gris Couleur
bits 262144 262144 x 8 786432 x 8
octets 32768 262144 786432
Ko 32,768 262,144 786.432
Mo ≈ 0,033 ≈ 0,262 ≈ 0,786
• Une grande partie des processus de traitement d'images
sont utilisés pour améliorer la qualité des images pour
les êtres humains.
– Nous devons donc être conscients des limites du système visuel
humain.
• La perception d'images se compose de deux étapes de
base:
– Capturer l'image avec l'œil,
– Reconnaître et interpréter l'image (les objets dans l’image) avec
le cortex visuel dans le cerveau.
• La combinaison de ces étapes influence sur la façon dont
nous percevons le monde autour de nous.
 Il y a un certain nombre de choses à garder à l'esprit !!!
Perception des images
45
• Les intensités observées varient en fonction de
l'arrière-plan:
Perception des images
46
Un carré gris apparaît plus
sombre s'il est placé sur un
fond blanc que s'il était
placé sur un fond noir.
 Ceci est par ce que nous ne percevons pas les niveaux de gris
comme ils le sont, mais plutôt leur différences avec leur
entourage.
• On peut observer des intensités inexistantes en
barre dans une variation continue de niveaux de gris
Perception des images
47
 l’intensité varie de façon continue du
clair à l'obscurité si on la parcouru de
gauche à droite.
Toutefois, nos yeux vont voir des
barres horizontales ( ou verticales)
dans cette image

Contenu connexe

Tendances

Les réseaux de neurones convolutifs CNN
Les réseaux de neurones convolutifs CNNLes réseaux de neurones convolutifs CNN
Les réseaux de neurones convolutifs CNN
SALMARACHIDI1
 
Biométrie d'Empreinte Digitale Power Point
Biométrie d'Empreinte Digitale Power PointBiométrie d'Empreinte Digitale Power Point
Biométrie d'Empreinte Digitale Power Point
Intissar Dguechi
 

Tendances (20)

Deep learning
Deep learningDeep learning
Deep learning
 
Vision et traitement d'images
Vision et traitement d'imagesVision et traitement d'images
Vision et traitement d'images
 
Introduction: Intelligence Artificielle, Machine Learning et Deep Learning
Introduction: Intelligence Artificielle, Machine Learning et Deep LearningIntroduction: Intelligence Artificielle, Machine Learning et Deep Learning
Introduction: Intelligence Artificielle, Machine Learning et Deep Learning
 
Introduction au Deep Learning
Introduction au Deep Learning Introduction au Deep Learning
Introduction au Deep Learning
 
Intelligence Artificielle : Introduction à l'intelligence artificielle
Intelligence Artificielle : Introduction à l'intelligence artificielleIntelligence Artificielle : Introduction à l'intelligence artificielle
Intelligence Artificielle : Introduction à l'intelligence artificielle
 
Formation traitement d_images
Formation traitement d_imagesFormation traitement d_images
Formation traitement d_images
 
Examen principal - Fondement Multimedia - correction
Examen principal - Fondement Multimedia - correctionExamen principal - Fondement Multimedia - correction
Examen principal - Fondement Multimedia - correction
 
devoir traitement d'images
devoir traitement d'imagesdevoir traitement d'images
devoir traitement d'images
 
Cours datamining
Cours dataminingCours datamining
Cours datamining
 
Les réseaux de neurones convolutifs CNN
Les réseaux de neurones convolutifs CNNLes réseaux de neurones convolutifs CNN
Les réseaux de neurones convolutifs CNN
 
Biométrie d'Empreinte Digitale Power Point
Biométrie d'Empreinte Digitale Power PointBiométrie d'Empreinte Digitale Power Point
Biométrie d'Empreinte Digitale Power Point
 
Les 10 plus populaires algorithmes du machine learning
Les 10 plus populaires algorithmes du machine learningLes 10 plus populaires algorithmes du machine learning
Les 10 plus populaires algorithmes du machine learning
 
Deep Learning : Application à la reconnaissance d’objets de classes multiples...
Deep Learning : Application à la reconnaissance d’objets de classes multiples...Deep Learning : Application à la reconnaissance d’objets de classes multiples...
Deep Learning : Application à la reconnaissance d’objets de classes multiples...
 
1ère Présentation Atelier Vision par ordinateur
1ère Présentation Atelier Vision par ordinateur1ère Présentation Atelier Vision par ordinateur
1ère Présentation Atelier Vision par ordinateur
 
Cours fondement du multimedia
Cours fondement du multimediaCours fondement du multimedia
Cours fondement du multimedia
 
Cours Big Data Chap1
Cours Big Data Chap1Cours Big Data Chap1
Cours Big Data Chap1
 
Présentation pfe
Présentation pfePrésentation pfe
Présentation pfe
 
Ia project Apprentissage Automatique
Ia project Apprentissage AutomatiqueIa project Apprentissage Automatique
Ia project Apprentissage Automatique
 
Présentation sur le Data Mining
Présentation sur le Data MiningPrésentation sur le Data Mining
Présentation sur le Data Mining
 
Traitement des images avec matlab
Traitement des images avec matlabTraitement des images avec matlab
Traitement des images avec matlab
 

Similaire à Introduction au traitement d'images

Chap1introductionimagenumerique
Chap1introductionimagenumeriqueChap1introductionimagenumerique
Chap1introductionimagenumerique
intissar0007
 
622 vision-industrielle-principes
622 vision-industrielle-principes622 vision-industrielle-principes
622 vision-industrielle-principes
Ben Fethi
 
Technique vidéo1.pptx
Technique vidéo1.pptxTechnique vidéo1.pptx
Technique vidéo1.pptx
SouhailElghazouani1
 
La vision par ordinateur en télédétection spatiale : état des lieux
La vision par ordinateur en télédétection spatiale : état des lieuxLa vision par ordinateur en télédétection spatiale : état des lieux
La vision par ordinateur en télédétection spatiale : état des lieux
VisionGEOMATIQUE2014
 
La vision par ordinateur en télédétection spatiale : état des lieux
La vision par ordinateur en télédétection spatiale : état des lieuxLa vision par ordinateur en télédétection spatiale : état des lieux
La vision par ordinateur en télédétection spatiale : état des lieux
ACSG - Section Montréal
 
Real time human pose recognition in parts from single
Real time human pose recognition in parts from singleReal time human pose recognition in parts from single
Real time human pose recognition in parts from single
Montassir Rabhi
 
Evolution et critique des système de reconstruction 3D humain
Evolution et critique des système de  reconstruction 3D humainEvolution et critique des système de  reconstruction 3D humain
Evolution et critique des système de reconstruction 3D humain
MedhyBouziane
 

Similaire à Introduction au traitement d'images (20)

Detection_object_depplearning
Detection_object_depplearningDetection_object_depplearning
Detection_object_depplearning
 
Chap1introductionimagenumerique
Chap1introductionimagenumeriqueChap1introductionimagenumerique
Chap1introductionimagenumerique
 
622 vision-industrielle-principes
622 vision-industrielle-principes622 vision-industrielle-principes
622 vision-industrielle-principes
 
Technique vidéo1.pptx
Technique vidéo1.pptxTechnique vidéo1.pptx
Technique vidéo1.pptx
 
La vision par ordinateur en télédétection spatiale : état des lieux
La vision par ordinateur en télédétection spatiale : état des lieuxLa vision par ordinateur en télédétection spatiale : état des lieux
La vision par ordinateur en télédétection spatiale : état des lieux
 
Image Mining
Image MiningImage Mining
Image Mining
 
La vision par ordinateur en télédétection spatiale : état des lieux
La vision par ordinateur en télédétection spatiale : état des lieuxLa vision par ordinateur en télédétection spatiale : état des lieux
La vision par ordinateur en télédétection spatiale : état des lieux
 
21375011.pdf
21375011.pdf21375011.pdf
21375011.pdf
 
Projet vision
Projet visionProjet vision
Projet vision
 
CoursImageProcessing1.pdf
CoursImageProcessing1.pdfCoursImageProcessing1.pdf
CoursImageProcessing1.pdf
 
Real time human pose recognition in parts from single
Real time human pose recognition in parts from singleReal time human pose recognition in parts from single
Real time human pose recognition in parts from single
 
Dossier Cgenial Amasgique
Dossier Cgenial AmasgiqueDossier Cgenial Amasgique
Dossier Cgenial Amasgique
 
Introduction à l’infographie
Introduction à l’infographieIntroduction à l’infographie
Introduction à l’infographie
 
TRAITEMENT DES IMAGES SATELLITALES(01) .pdf
TRAITEMENT DES IMAGES SATELLITALES(01)  .pdfTRAITEMENT DES IMAGES SATELLITALES(01)  .pdf
TRAITEMENT DES IMAGES SATELLITALES(01) .pdf
 
Caméra réglage (2)
Caméra réglage (2)Caméra réglage (2)
Caméra réglage (2)
 
Imagerie medicale 3d
Imagerie medicale 3dImagerie medicale 3d
Imagerie medicale 3d
 
Projet ROBOT MOBILE SUIVEUR DE LIGNE BASE SUR LE TRAITEMENT D'IMAGE
Projet ROBOT MOBILE SUIVEUR DE LIGNE BASE SUR LE TRAITEMENT D'IMAGEProjet ROBOT MOBILE SUIVEUR DE LIGNE BASE SUR LE TRAITEMENT D'IMAGE
Projet ROBOT MOBILE SUIVEUR DE LIGNE BASE SUR LE TRAITEMENT D'IMAGE
 
Evolution et critique des système de reconstruction 3D humain
Evolution et critique des système de  reconstruction 3D humainEvolution et critique des système de  reconstruction 3D humain
Evolution et critique des système de reconstruction 3D humain
 
Traitement d’image par HUBBLE Space Telescope 'BESSAAD Nassim'
Traitement d’image par HUBBLE Space Telescope 'BESSAAD Nassim'Traitement d’image par HUBBLE Space Telescope 'BESSAAD Nassim'
Traitement d’image par HUBBLE Space Telescope 'BESSAAD Nassim'
 
Initiation à la retouche d’images.2012
Initiation à la retouche d’images.2012Initiation à la retouche d’images.2012
Initiation à la retouche d’images.2012
 

Plus de Abdelouahed Abdou

Plus de Abdelouahed Abdou (15)

Chapitre 3 tableaux et pointeurs en C
Chapitre 3 tableaux et pointeurs en CChapitre 3 tableaux et pointeurs en C
Chapitre 3 tableaux et pointeurs en C
 
Tutoriel web service
Tutoriel  web serviceTutoriel  web service
Tutoriel web service
 
Atelier 3 gestion de bases de données sous odoo
Atelier 3 gestion de bases de données sous odooAtelier 3 gestion de bases de données sous odoo
Atelier 3 gestion de bases de données sous odoo
 
Atelier2 Odoo: Gestion des Ressources Humaines (installation, employés, contr...
Atelier2 Odoo: Gestion des Ressources Humaines (installation, employés, contr...Atelier2 Odoo: Gestion des Ressources Humaines (installation, employés, contr...
Atelier2 Odoo: Gestion des Ressources Humaines (installation, employés, contr...
 
PL/SQL:les curseurs
PL/SQL:les curseursPL/SQL:les curseurs
PL/SQL:les curseurs
 
Développement de modules pour odoo (anciennement OpenERP): exemples et exerci...
Développement de modules pour odoo (anciennement OpenERP): exemples et exerci...Développement de modules pour odoo (anciennement OpenERP): exemples et exerci...
Développement de modules pour odoo (anciennement OpenERP): exemples et exerci...
 
Atelier1 mise en place d’odoo
Atelier1   mise en place d’odooAtelier1   mise en place d’odoo
Atelier1 mise en place d’odoo
 
Tp Sql Server Integration Services 2008
Tp  Sql Server Integration Services  2008Tp  Sql Server Integration Services  2008
Tp Sql Server Integration Services 2008
 
Bases de données réparties par la pratique
Bases de données réparties par la pratiqueBases de données réparties par la pratique
Bases de données réparties par la pratique
 
Pl/sql - interaction avec la base de données & structures de contrôle
Pl/sql  - interaction avec la base de données & structures de contrôlePl/sql  - interaction avec la base de données & structures de contrôle
Pl/sql - interaction avec la base de données & structures de contrôle
 
Introduction à pl/sql
Introduction à pl/sqlIntroduction à pl/sql
Introduction à pl/sql
 
Bases de données réparties
Bases de données répartiesBases de données réparties
Bases de données réparties
 
Introduction à ASP.NET
Introduction à ASP.NETIntroduction à ASP.NET
Introduction à ASP.NET
 
Ajax (Asynchronous JavaScript and XML)
Ajax (Asynchronous JavaScript and XML)Ajax (Asynchronous JavaScript and XML)
Ajax (Asynchronous JavaScript and XML)
 
Document Object Model ( DOM)
Document Object Model ( DOM)Document Object Model ( DOM)
Document Object Model ( DOM)
 

Dernier

Dernier (12)

Les débuts de la collection "Le livre de poche"
Les débuts de la collection "Le livre de poche"Les débuts de la collection "Le livre de poche"
Les débuts de la collection "Le livre de poche"
 
rapport de stage gros oeuvre_compressed.pdf
rapport de stage gros oeuvre_compressed.pdfrapport de stage gros oeuvre_compressed.pdf
rapport de stage gros oeuvre_compressed.pdf
 
Un petit coin etwinning- Au fil des cultures urbaines
Un petit coin  etwinning- Au fil des cultures urbainesUn petit coin  etwinning- Au fil des cultures urbaines
Un petit coin etwinning- Au fil des cultures urbaines
 
Quitter la nuit. pptx
Quitter          la        nuit.    pptxQuitter          la        nuit.    pptx
Quitter la nuit. pptx
 
Fiche - Accompagnement du travail coopératif au sein d’une équipe d’enseignan...
Fiche - Accompagnement du travail coopératif au sein d’une équipe d’enseignan...Fiche - Accompagnement du travail coopératif au sein d’une équipe d’enseignan...
Fiche - Accompagnement du travail coopératif au sein d’une équipe d’enseignan...
 
Quitter la nuit. pptx
Quitter        la             nuit.   pptxQuitter        la             nuit.   pptx
Quitter la nuit. pptx
 
PLANNING HEBDO ET CR LYCEE COUDON 21 MAI2024
PLANNING HEBDO ET CR LYCEE COUDON 21 MAI2024PLANNING HEBDO ET CR LYCEE COUDON 21 MAI2024
PLANNING HEBDO ET CR LYCEE COUDON 21 MAI2024
 
Nathanaëlle Herbelin.pptx Peintre française
Nathanaëlle Herbelin.pptx Peintre françaiseNathanaëlle Herbelin.pptx Peintre française
Nathanaëlle Herbelin.pptx Peintre française
 
Bonnes pratiques biomédicales en établissement de soins : Guide
Bonnes pratiques biomédicales en établissement de soins  : GuideBonnes pratiques biomédicales en établissement de soins  : Guide
Bonnes pratiques biomédicales en établissement de soins : Guide
 
Cours-Sur-l'-IP-Multiprotocol-Label-SwitchingMPLS
Cours-Sur-l'-IP-Multiprotocol-Label-SwitchingMPLSCours-Sur-l'-IP-Multiprotocol-Label-SwitchingMPLS
Cours-Sur-l'-IP-Multiprotocol-Label-SwitchingMPLS
 
PowerPoint-de-Soutenance-de-TFE-infirmier.pdf
PowerPoint-de-Soutenance-de-TFE-infirmier.pdfPowerPoint-de-Soutenance-de-TFE-infirmier.pdf
PowerPoint-de-Soutenance-de-TFE-infirmier.pdf
 
Webinaire Technologia | DAX : nouvelles fonctions
Webinaire Technologia | DAX : nouvelles fonctionsWebinaire Technologia | DAX : nouvelles fonctions
Webinaire Technologia | DAX : nouvelles fonctions
 

Introduction au traitement d'images

  • 2. • Traitement et analyse d’mages – Analyse des images: • Histogramme : étirements, égalisation, manipulation, seuillage, • Filtrage : lissage, rehaussement d'images, détection de contours – Applications: • Manipulation d’images, • segmentation d’images. • Compression d’images, Plan 2
  • 3. • Les êtres humains sont des créatures essentiellement visuelles: – On compte beaucoup sur notre vision pour donner un sens au monde qui nous entoure. Ainsi on peut: Identifier un visage en un instant, Distinguer les couleurs, Traiter une grande quantité d'informations visuelles très rapidement … – Ici, on va s’intéresser aux images simples : instantanés (snapshots) d'une scène visuelle. Bien que le traitement d'image peut utiliser des scènes (vidéo). Introduction 3
  • 4. • Pour notre cas, une image est une simple photo qui représente quelques choses (des objets). Elle peut être : – Une photo d'une personne, – Une photo de plusieurs personnes, – Une photo des animaux, – Une scène en plein-air, – Une microphotographie d'un composant électronique, – Une image médicale. – … Introduction 4
  • 5. • Le traitement d'images consiste à changer la nature d'une image, afin de : 1. Améliorer de l’information contenue pour aider à l'interprétation par l'homme, 2. La rendre plus adaptée pour une perception autonome de la machine. • Ces deux aspects sont très différents, et sont, les deux, importants pour le traitement d'images: – Une procédure qui vérifie la condition N°1 peut être la procédure la plus mauvaise pour satisfaire la condition N°2, – Les êtres humains préfèrent leurs images pleines (d’informations), claires et détaillées; les machines préfèrent que leurs images soient très simples et claire. C’est quoi le « traitement d'images » 5
  • 6. • Améliorer les contours d'une image pour la rendre plus nette: C’est quoi le « traitement d'images » 1- Améliorer de l’information contenue 6  Notez comment la seconde image apparaît plus «claire», c'est une image plus agréable • Sharpening (traitement de la netteté) les contours est une opération vitale pour l'impression des images.
  • 7. • Suppression de « bruit » d'une image: le bruit étant des erreurs aléatoires dans l'image. C’est quoi le « traitement d'images » 1- Améliorer de l’information contenue 7  Notez comment la seconde image apparaît plus «nette», c'est une image plus claire • le bruit peut prendre de nombreuses formes différentes, chaque type de bruit nécessite une méthode différente pour sa suppression (réduction)
  • 8. • Correction du « de la motion blur: l’effet visuel de flou » flou dans une image: C’est quoi le « traitement d'images » 1- Améliorer de l’information contenue 8  Notez que dans la deblurred image il est possible de lire la plaque ainsi que d'autres détails qui ne sont pas du tout clair dans l'image originale • Ce flou appelé aussi flou cinétique ou flou de mouvement : dû au mouvement rapide du sujet photographié pendant l'enregistrement (la capture) .
  • 9. • Détection de contours dans une image: Cela peut être nécessaire pour la mesure des objets dans une image C’est quoi le « traitement d'images » 2- Rendre l’image plus adaptée 9  Seuls les contour sont visible dans la deuxième image On remarque qu'il peut être nécessaire d’augmenter légèrement le contraste de l'image originale, pour rendre les contours plus clairs.
  • 10. • Extraction (suppression) des détails d'une image: Pour des raisons de mesure ou de comptage C’est quoi le « traitement d'images » 2- Rendre l’image plus adaptée 10  La deuxième image présente une version floue dans laquelle des détails non-pertinentes ont été supprimés. Les petits détails sont disparus, alors, on peut par exemple, mesurer la taille et la forme de l'animal (bison) sans être « influencé » par les détails inutiles.
  • 11. • Le traitement d'images est utilisé dans plusieurs applications; – presque tous les domaines de la science et la technologie peuvent faire usage de méthodes de traitement d'images. • Médecine: – Inspection et Interprétation des images obtenues à partir des rayons X, IRM ou CAT scan, – l'analyse des cellules dans une image, des caryotypes (est l'arrangement standard de l'ensemble des chromosomes d'une cellule). C’est quoi le « traitement d'images » Applications 11
  • 12. • Agriculture: – Satellite/vues aériennes de la terre, par exemple pour déterminer la quantité de terre utilisée à des fins différentes, ou pour enquêter sur l'adéquation des différentes régions pour différentes cultures, – l'inspection des fruits et légumes; distinguer les produits bons et frais des produits mauvais. • Industrie – Inspection automatique d'objets sur une ligne de production, – l'inspection des échantillons de papier. • Application de la loi – Analyse des empreintes digitales, – Sharpening (traitement de la netteté) ou suppression de flou (deblurring) des images radars. C’est quoi le « traitement d'images » Applications 12
  • 13. • L'échantillonnage se réfère au processus de numérisation d'une fonction continue. – Exemple 1D L'acquisition des images et l’échantillonnage Échantillonnage 13  L'échantillonner à 10 valeurs espacées de X. C’est un sous-échantillonnage, car le nombre de points n'est pas suffisant pour reconstruire la fonction (d’origine)  L’échantillonné à 100 points, On peut reconstruire la fonction; toutes ses propriétés peuvent être déterminées à partir de cet échantillonnage
  • 14. • Afin de veiller à ce que nous avons des points d'échantillonnage suffisant, il faut que la période d'échantillonnage ne soit pas supérieure à la moitié du moindre détail dans la fonction. C'est ce qu'on appelle le critère de Nyquist (énoncé comme étant le théorème d'échantillonnage) • Images: • Pour obtenir un échantillon (numérique) d’une image, on peut commencer par une représentation continue d'une scène. L'acquisition des images et l’échantillonnage Échantillonnage 14
  • 15. • Pour représenter une scène, on enregistre l'énergie réfléchie par celle-ci. • Il existe plusieurs énergie qui peuvent être utiliser: • La lumière visible, • La lumière invisible: Rayon X, lumière UV, l’infra rouge …. L'acquisition des images et l’échantillonnage Acquisition 15
  • 16. • Lumière visible: – La lumière est la source d'énergie prédominante pour les images; simplement parce qu'elle est la source d'énergie utilisée par les êtres humains pour observer directement. Beaucoup d'images numériques sont capturées en utilisant la lumière visible comme source d'énergie, ce qui a l'avantage d'être sûre, bon marché, facilement détectées et traitées rapidement avec le matériel approprié. • Deux méthodes, très populaires, pour produire une image numérique sont soit utilisant un appareil photo numérique ou un scanner à plat (flatbed scanner). L'acquisition des images et l’échantillonnage Acquisition 16
  • 17. • Caméra CCD (Charge Coupled Device): – Le détecteur CCD assure la conversion d'un signal lumineux en un signal électrique, – Une caméra CCD a, à la place du film d'habitude, une matrice de photosites: Ce sont des dispositifs électroniques en silicium dont la tension de sortie est proportionnelle à l'intensité de la lumière qui tombe sur eux (reçu) – Pour une caméra reliée à un ordinateur (Webcam), des informations provenant des photosites sont ensuite acheminées vers un support de stockage approprié (disque dur) L'acquisition des images et l’échantillonnage Acquisition 17
  • 18. • Caméra CCD (Charge Coupled Device): – La capture d’image avec une caméra CCD L'acquisition des images et l’échantillonnage Acquisition 18 Sortie numérique MatriceCCD Scène originale La sortie est un tableau de valeurs, chacune représente un point d'échantillonnage de la scène originale. Les éléments de ce tableau sont appelés éléments de l'image (picture elements), ou plus simplement pixels.
  • 19. • Scanner à plat (Flatbed scanner): – Cela fonctionne sur un principe similaire à la caméra CCD, – Au lieu de capturer à la fois l'image entière sur un grand tableau, une seule rangée (ligne) de photosites est déplacée à travers l'image, et capture ainsi ligne par ligne en se déplaçant. L'acquisition des images et l’échantillonnage Acquisition 19 Mouvementdelaligne Scène originale Tableau de sortie Ligne de photosites
  • 20. • Utilisant autres sources d'énergie: – Bien que la lumière soit très populaire et facile à utiliser, autres sources d'énergie peuvent être utilisées pour créer une image numérique, – La lumière visible est une partie du spectre électromagnétique: rayonnement dans lequel l'énergie prend la forme d'ondes de différentes longueurs d'onde. L'acquisition des images et l’échantillonnage Acquisition 20 10-11 10-9 10-8 4x10-7 8x10-7 1.5x10-6 3x10-2 Blue 4,3x10-7m Vert 5,4x10-7m Rouge 7x10-7m
  • 21. • Utilisant autres sources d'énergie: – Rayons X: ont une longueur d'onde plus courte que la lumière visible, et peuvent être utilisés pour résoudre des objets de petite taille que ceux traités avec la lumière visible. Les rayons X sont bien entendu utilisés pour déterminer les structures d’objets qui sont cachés de la vue: comme les OS. L'acquisition des images et l’échantillonnage Acquisition 21
  • 22. • Supposons que nous prenons une image, une photo, par exemple acquise par un appareil numérique CCD. – On suppose que la photo est monochromatique: c'est-à-dire constituée des nuances gris seulement, donc pas de couleur. Images et images numériques 22  On peut supposer que les valeurs de la luminosité de l'image peuvent être des nombres réels dans l’intervalle 0,0 (noir) à 1,0 (blanc)  On peut considérer cette image comme étant une fonction à deux dimensions, où les valeurs de la fonction sont la luminosité de l'image à un moment donné,
  • 23. • Une telle fonction peut être tracée: Images et images numériques 23 • Une image numérique diffère d'une photo en ce que le x, y, et f (x, y) sont tous des valeurs discrètes (échantillonnées).
  • 24. • Terminologie: – Une image numérique peut être considérée comme un tableau (matrice 2D) de points échantillonnés à partir de l'image continu (photo), dont chacun a une luminosité particulière quantifiée; Ces points sont les pixels qui constituent l'image numérique. – Les pixels qui entourent un pixel donné constituent son voisinage Un voisinage peut être caractérisé par sa forme qui est une matrice: par exemple, on peut parler d’un voisinage de 3x3, ou d'un d’un voisinage de 5x7. Images et images numériques 24
  • 25. • Image numérique et voisinage Images et images numériques 25 les voisinages ont un nombre impair de lignes et de colonnes, ce qui garantit que le pixel courant est dans le centre de la zone ; voisinage 3x3, 9x9. Sinon, il peut être nécessaire de spécifier quel pixel dans ce voisinage est le « pixel courant » Pixel courant Voisinage de 3x5 X Y
  • 26. • Il est commode de subdiviser les différents algorithmes de traitement d'images en des sous- classes. • Il existe différents algorithmes pour différentes tâches et problèmes  Et souvent nous tenons à distinguer la nature de la tâche à accomplir. • Amélioration d’images (image enhancement), • Restauration d’images, • Segmentation d’images . Les aspects du traitement d'images 26
  • 27. • Amélioration d’images (image enhancement): – Il s'agit du traitement d'une image de sorte que le résultat est plus approprié pour une application particulière. – Exemple: • Sharpening (aiguiser) ou de la suppression de flou dans une image floue, • Mètre en évidence les contours, • Amélioration du contraste, ou de l’éclaircissement d’une image, • Suppression de bruit, • … Les aspects du traitement d'images 27
  • 28. • Restauration d’images : – Cela peut être considéré comme inverser les dommages causés à une image par une cause connue, – Exemple : • Suppression de flou causé par le mouvement linéaire, • Suppression des distorsions optiques, • Suppression des interférences périodique, • … Les aspects du traitement d'images 28
  • 29. • Segmentation d’images : – Il s'agit de diviser une image en des éléments distinctifs, ou d'isoler certains aspects d'une image. – Exemple: • Trouver des lignes, des cercles ou des formes particulières dans une image, • Sur une photographie aérienne, identifier des voitures, arbres, bâtiments, ou des routes. Les aspects du traitement d'images 29
  • 30. • Ces classes ne sont pas disjointes; un algorithme donné peut être utilisé à la fois pour l’amélioration d'images ou pour la restauration d'images. • Toutefois, il faut être en mesure de décider ce que nous essayons de faire avec notre image: – Simplement lui donner une meilleure apparence (amélioration), ou la suppression des dommages (restauration). Les aspects du traitement d'images 30
  • 31. • Nous allons examiner en détail une tâche particulière dans le monde réel, et de voir comment les classes ci- dessus peuvent être utilisés pour décrire les différentes étapes dans l'accomplissement de cette tâche. • Exemple: – La tache consiste en obtenir, par un processus automatique, les codes postaux dans les enveloppes. Les étapes du traitement d'images 31
  • 32. • L'acquisition de l'image: Caméra CCD ou scanner, • Prétraitement: Améliorer le contraste, la suppression du bruit et identifier les régions susceptibles de contenir le code postal. • Segmentation: Extraction de la partie qui ne contient que le code postal, • Représentation et description: Chercher des courbes, les trous et les coins qui nous permettrons de distinguer les différents chiffres qui constituent le code postal. • Reconnaissance et interprétation: Attribuer des étiquettes à des objets en fonction de leurs descripteurs (de l'étape précédente), et assigner des significations à ces labels. Les étapes du traitement d'images 32
  • 33. • En général, il existe quatre types de base des images: – Images binaires, – Images à niveau de gris , – Images couleurs, – Images indexées. Types d'images numériques 33
  • 34. • Chaque pixel est soit noir soit blanc. Nous avons seulement besoin d'un bit par pixel. Ces images peuvent donc être très efficaces en termes de stockage. • Exemple: • Les images contenant du texte (imprimé ou écrit à la main), • Les empreintes digitales, • Les plans d'architecture, • Les images contenant des contours. Types d'images numériques Binaires 34
  • 35.  Nous n’avons que deux couleurs: blanc pour le contour et noir pour fond Types d'images numériques Binaires 35
  • 36. • Chaque pixel est une nuance de gris, normalement de 0 (noir) à 255 (blanc) – Cette gamme signifie que chaque pixel peut être représenté par huit bits, soit exactement un octet, – Il s'agit d'une gamme très naturelle pour le traitement d’mages. Types d'images numériques A niveau de gris 36
  • 37. • 255 niveaux de gris différents sont suffisants pour la reconnaissance (présentation) de la plupart des objets naturels. Types d'images numériques A niveau de gris 37
  • 38. • Appelées images couleurs vraies ou RVB – chaque pixel a une couleur particulière; cette couleur est décrite par la quantité de Rouge, Vert et de Bleu. Si chacune de ces composantes a un intervalle de 0 à 255, ce qui donne un total de 2553 =16.777.216 couleurs différentes possibles dans l'image. C'est assez de couleurs pour une image. – Puisque le nombre total de bits requis pour chaque pixel est de 24 (8x3), ces images sont aussi appelés images en couleur 24-bit. Types d'images numériques Couleurs 38
  • 39. • Une image couleur peut être considérée comme étant composé d'une « pile » de trois matrices, représentant les valeurs de rouge, vert et bleu pour chaque pixel. Cela signifie que pour chaque pixel correspond trois valeurs. Types d'images numériques Couleurs 39
  • 41. • Dans les images couleurs ont trouve que beaucoup de pixels ont la même couleur. • Pour plus de commodité de stockage et de manipulation de fichier image, une image indexée utilise une carte (map) de couleurs associée appelée palette de couleur: – Une palette est simplement une liste de toutes les couleurs utilisées dans cette image, – La valeur des pixels ne présente pas la couleur (comme pour une image RVB) mais un indice de la couleur dans la palette. • Cette présentation est pratique pour le cas d’une image a 256 couleurs ou moins, car pour le stockage les valeurs des indices ne requiert qu’un octet chacun. – Le format GIF ne permet que 256 couleurs ou moins dans chaque image Types d'images numériques Indexées 41
  • 42. • Deux matrice: Indices et Palette – Dans Indices: les valeurs sont des indices dans la palette – Dans Palette: valeurs des couleurs rouge, vert et bleu • Sans cette palette, l'image serait très sombre et non-coloré. • La modification d'une entrée de la palette entraîne la modification de la couleur de tous les pixels référant à cette entrée. Types d'images numériques Indexées 42 Indices Palette les pixels étiquetés 6 correspondent à 0,2627 0,2588 0,2549, qui est une couleur grise foncé.
  • 43. • La taille des fichiers d'image a tendance à être grande et ceci est directement liée à: 1. la quantité d’information contenue 2. Le type d’images. • Exemple: Calculer les tailles (en bits, octets, Ko, Mo) respectives de trois images (de taille 512x512); 1- binaire 2- à niveau de gris 3- couleur On suppose l'absence de compression, et on néglige les informations dans l'en-tête. Taille des fichiers images 43
  • 44. • Ils existent d’autres images qui ont une taille plus grande que celle présentée ici. – Par exemple, les images satellitaires peuvent être de l'ordre de plusieurs milliers de pixels dans chaque direction. Taille des fichiers images 44 Binaire À niveau de gris Couleur bits 262144 262144 x 8 786432 x 8 octets 32768 262144 786432 Ko 32,768 262,144 786.432 Mo ≈ 0,033 ≈ 0,262 ≈ 0,786
  • 45. • Une grande partie des processus de traitement d'images sont utilisés pour améliorer la qualité des images pour les êtres humains. – Nous devons donc être conscients des limites du système visuel humain. • La perception d'images se compose de deux étapes de base: – Capturer l'image avec l'œil, – Reconnaître et interpréter l'image (les objets dans l’image) avec le cortex visuel dans le cerveau. • La combinaison de ces étapes influence sur la façon dont nous percevons le monde autour de nous.  Il y a un certain nombre de choses à garder à l'esprit !!! Perception des images 45
  • 46. • Les intensités observées varient en fonction de l'arrière-plan: Perception des images 46 Un carré gris apparaît plus sombre s'il est placé sur un fond blanc que s'il était placé sur un fond noir.  Ceci est par ce que nous ne percevons pas les niveaux de gris comme ils le sont, mais plutôt leur différences avec leur entourage.
  • 47. • On peut observer des intensités inexistantes en barre dans une variation continue de niveaux de gris Perception des images 47  l’intensité varie de façon continue du clair à l'obscurité si on la parcouru de gauche à droite. Toutefois, nos yeux vont voir des barres horizontales ( ou verticales) dans cette image