bases du traitement des images - introduction et fondements
TRANSCRIPT
BIMA Bref historique Acquisition Définitions Applications
Bases du traitement des images
I Introduction et fondements J
Nicolas Thome
13 Septembre 2016
1 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Plan
1 BIMA
2 Bref historique
3 Acquisition
4 Définitions
5 Applications
2 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Déroulement du semestre
I Organisation
• Cours mardi 13h45-15h45 : Nicolas Thome (cours 1-2-3-4-5),Matthieu Cord (cours 7-8-9), Dominique Béréziat (cours 6-8)
• TD/TME jeudi 13h45-18h : Nicolas Thome (séances 1-2-3-4-6-7),Matthieu Cord (séances 9-10), Dominique Béréziat (séances 5-8)
I Polycopiés :
• supports de cours en ligne ;• énoncés de TD/TME disponibles au local AEIP6.
I Évaluation : une note finale regroupant :
• une note de contrôles et sur machine : 40% ;• un examen de fin de semestre : 60%.
3 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Plan du cours sur le semestre
1 Outils de base en traitement d’image : N. Thome, M. Cord, D.Béréziat
• 13/09 : Introduction et fondements du traitement des images• 20/09 : Opérations de bases et améliorations d’images• 27/09 : Transformée de Fourier continue• 04/10 : Numérisation, Transformée de Fourier discrète• 11/10 : Filtrage d’images (spatial et fréquentiel)• 18/10 : Détection de contours
2 Application de méthodes de traitement d’images : N. Thome, M.Cord, D. Béréziat
• 25/10 : Extraction de primitives• 01/11 : ATTENTION pas de cours• 08/11 : ATTENTION pas de cours• 15/11 : Segmentation• 22/11 : Reconnaissance de formes (1)• 29/11 : Reconnaissance de formes (2)
4 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Plan des TD/TME sur le semestre
1 Outils de base en traitement d’image : N. Thome, D. Béréziat• 22/09 : Opérations de bases et améliorations d’images• 29/09 : Transformée de Fourier continue• 06/10 : Numérisation, recouvrement spectral (alisaing)• 13/10 : Filtrage d’images (spatial et fréquentiel)• 20/10 : Détection de contours
2 Application de méthodes de traitement d’images : N. Thome, M.Cord, D. Béréziat• 27/10 : Extraction de primitives (détecteur de Harris)• 03/11 : ATTENTION pas de TD/TME• 10/11 : ATTENTION pas de TD/TME• 17/11 : Segmentation• 24/11 : Descripteurs couleur et indexation• 01/12 : Eigenfaces 1 (ACP)• 08/12 : Eigenfaces 2 (ACP)
3 Page où sont les ressources de l’UE sont centralisées :http://webia.lip6.fr/∼thomen/Teaching/BIMA.html
5 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Contrôle Continu : Évaluation
I Évaluation : compréhension des TD-TME
• Partie code : correction automatique (plate-forme cody) pour tousles TME
• Comptes-rendus de TD-TME (∼ 5-6/10)• TP avec CR : 80-90% de la note, les 4-5 autres : 10-20% de la note
I Importance de venir en cours (partie théorique), en TD (pont entrela partie théorique et la partie pratique) pour réussir les applicationsen TME !
• Corrélation des notes entre CC et examen final très élevée
6 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Plan
1 BIMA
2 Bref historique
3 Acquisition
4 Définitions
5 Applications
7 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Les origines du traitement d’images
Quelques grandes dates
I 1839 : photographie (Louis Jacques Mandé Daguerre)
I 1895 : cinématographe (frères Lumière)
I 1885 : rayons X (Röntgen)
8 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Les origines du traitement d’images
Quelques grandes dates
I Années 20 : la presse doit envoyer des informations image entreLondres et New-York↪→ système Bartlane pour le codage d’images (5 niveaux)
I Années 60 : conquête de l’espace et diffusion d’images
I fin des années 60, début des années 70 : imagerie médicale(tomographie)
I Depuis les années 70 : augmentation constante de l’utilisation desimages↪→ géographie, biologie, médecine, nucléaire, internet, télévision,satellite, microscopie, ...
9 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Plan
1 BIMA
2 Bref historique
3 Acquisition
4 Définitions
5 Applications
10 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Acquisition d’images
I Acquisition = Formation d’image
I Spectre visible / non visible
I Couleur
I Acquisition vs perception
11 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Les différents types d’images et leurutilisation
I Le spectre électromagnétique est la principale source d’énergie pourles images
I Il existe beaucoup d’autres sources : acoustique, électronique,ultrason, ...
I Ondes électromagnétiques : sinusoïdes à différentes longueursd’onde contenant une quantité d’énergie, ou photon
12 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Le spectre électromagnétique non visible
L’imagerie par rayons gamma
I Utilisée principalement en :
• Médecine nucléaire : détecter les phénomènes métaboliques,fonctionnels, etc. (infections, tumeurs)↪→ PET (position emission tomography)
• Astronomie : mesure de la force des radiations (explosion d’étoile)
13 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Le spectre électromagnétique non visible
L’imagerie par rayons X
I La source du spectre électromagnétique utilisée depuis le pluslongtemps
I Rayons pénétrant la “matière molle”
I Utilisée principalement en :
• Médecine : par exemple, pour localiser les pathologies (infections,tumeurs) ↪→ radiographie, angiographie, scanner (CT)
• Industrie, astronomie
14 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Le spectre électromagnétique non visible
L’imagerie ultra-violet
I L’ultra-violet n’est pas visible
I Utilisée principalement en :
• Microscopie : différentes fluorescences pour mettre en valeurdifférentes zones d’une même image
• Astronomie, lithographie, biologie, ...
15 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Le spectre électromagnétique non visible
L’imagerie infra-rouge
I Souvent utilisés conjointement au spectre visible
I Utilisés principalement en :
• Télédétection : images multi-spectrales↪→ prévisions météo, cartographie, agriculture, géologie ...
• Microscopie, industrie ...• Photographie, vidéo, ...
16 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Le spectre électromagnétique non visible
Cas du multispectral : LANDSAT
I 1 (bleu) : différenciation sol /végétaux, zones côtières
I 2 (vert) : végétation
I 3 (rouge) : différenciation desespèces végétales
I 4 (infrarouge) : biomasse
I 5 (infrarouge) : différenciationneige/nuage
I 6 (infrarouge) : chaleur
I 7 (infrarouge) : lithologique(roches)
17 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Le spectre électromagnétique non visible
L’imagerie dans la bande micro-ondes
I Utilisée principalement en imagerie radar pour voir des zonesinaccessibles (nuages)↪→ cartographie, agriculture, ...
18 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Le spectre électromagnétique non visible
L’imagerie dans la bande radio
I Utilisée principalement en :
• Médecine : IRM (imagerie par résonance magnétique)• Astronomie ...
19 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Le spectre électromagnétique non visible
D’autres modalités d’image
I Imagerie par ultrasons : médecine, géologie
I Microscopes à électrons (TEM) : biologie, médecine
20 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Le spectre électromagnétique
Le spectre visible
I Les images de la vie courante : Photos, images naturelles
21 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Le spectre visible
Le spectre visible
I Les images de la vie courante : Photos, images naturelles
I Défis d’un point de vue Traitement Numérique des Images :analyser le contenu des données
22 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
La vision humaineL’œil humain
I La fovea est la région où la vision est la plus précise et sensible
I L’œil se déplace pour aligner la fovea, l’axe optique et l’objet désiré
23 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
L’œil humainI Deux types de photorécepteurs dans la rétine (répartition différente)
• Les cônes : réponse photométrique et chromatique, grâce à despigments absorbant le bleu, le vert ou le rouge↪→ base de la vision des couleurs trichromatiques.
• Les bâtonnets : responsables de la vision nocturne (visionscotopique).
24 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Les cônesRôle
I Responsables de la vision des couleurs
I 3 types de photo-pigments : 64% rouges, 32% verts et 2% bleus
• Les cônes bleus (ou short wavelength) : λ ≈ 420 nm• Les cônes verts (ou medium wavelength) : λ ≈ 530 nm• Les cônes rouges (ou long wavelength) : λ ≈ 660 nm
I Peu nombreux (6 à 7 millions), densité importante dans la fovea
I Vision haute résolution, vision diurne ou photopique
25 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Les bâtonnets
RôleI Très nombreux et plus sensibles à la lumière que les cônes
I Sensibles aux très faibles éclairements, discrimination descontrastes : vision photopique (diurne)
I Un seul type de pigment : ne peuvent distinguer les couleurs
I Très sensibles au mouvement
I Répartis hors de la fovea : responsables de la vision périphérique
26 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Acquisition vs perception
Perception humaine
27 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Rôle du cerveau : une petite expérience
I Quel est le carré le plus clair ? A ou B ?
28 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Rôle du cerveau : une petite expérience
I Quel est le carré le plus clair ? A ou B ?
29 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Rôle du cerveau : une petite expérience
I Quel est le carré le plus clair ? A ou B ?
30 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Rôle du cerveau : une petite expérience
I Quel est le carré le plus clair ? A ou B ?
31 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Rôle du cerveau : une petite expérience
I Les carrés ont la même couleur ! !
I Réalisé sans trucage !
I Le cerveau se force à imager les carrés tels qu’ils devraient être :l’un sombre et l’autre clair↪→ peu lui importe qu’ils soient de la même couleur,↪→ les carrés contigus étant supposés être de couleur différente,↪→ le cerveau fait en sorte qu’on les voit ainsi.
I L’important n’est pas dans ce qui compose le monde qui nousentoure, mais plutôt la manière dont on le perçoit.↪→ À MEDITER ...
32 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Autres perceptions de l’œil
Illusions optiques
33 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Autres perceptions de l’œil
Illusion de mouvement
34 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Autres perceptions de l’œil
Illusion de Titchener
35 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Plan
1 BIMA
2 Bref historique
3 Acquisition
4 Définitions
5 Applications
36 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Qu’est-ce qu’une image ?
Vision discète
37 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Qu’est-ce qu’une image ?
Vision surfacique
38 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Qu’est-ce qu’une image ?
Définitions et notationsI Une image est représentée :
• par fonction continue f (x , y), x , y ∈ R ;• par une fonction numérique f (i , j) (ou f (n,m)), i , j ∈ N (n,m ∈ N)
et f ∈ N+, après numérisation.
I Image analogique → image numérique : numérisation en deuxétapes :
1 échantillonnage spatial : discrétisation des coordonnées de l’imageréelle ;
2 quantification des luminances : discrétisation des intensités del’image réelle.
I Une image numérique est composée d’un ensemble fini d’éléments,appelés picture element, ou pixels (voxels en 3D)
39 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Qu’est-ce qu’une image numérique ?
Après échantillonnage spatial : notations
I N le nombre de lignes de l’image ;
I M le nombre de colonnes de l’image ;
I (i , j) les coordonnées spatiales d’un élément de l’image (ligne i ,colonne j) ;
I fj(i), ou encore f (i), la ligne i ;
I fi (j), ou encore f (j), la colonne j .
40 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Qu’est-ce qu’une image numérique ?
Après quantification : notations
I f (i , j) l’amplitude en du pixel (i , j) ;
I k (ou f ) un niveau de gris ;
I m le nombre de bits sur lesquels est codée la valeur d’un niveau degris ;
I L la dynamique de l’image, soit l’étendue des valeurs qu’un pixelpeut prendre.↪→ L = 2m, donc k ∈ [0, . . . , 2m − 1]
41 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Représentation d’une image numérique
I Représentation matricielle :
• Représentation lexicographique de l’image, soit une matricef = [0, . . . ,N − 1]× [0, . . . ,M − 1]
• La largeur de l’image est donnée par la nombre de colonnes M de f ,sa hauteur par le nombre de lignes N
• Le pixel au croisement de la ligne i et de la colonne j est désignépar f (i , j)
I Représentation vectorielle :
• Les lignes de l’image sont juxtaposées de manière à former unvecteur v = [0, . . . ,M × N − 1]t
• Le pixel (i , j) correspond à la composante v [iM + j ]
42 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Voisinage de pixels
ConnexitéI Notion fondamentale en traitement
d’images
• Topologie• Algorithmes de suivi de contours,
croissance de région, ...• Deux pixels voisins peuvent être agrégés
I Connexité d’ordre 4 : on considère les 4voisins directs N, S, O et E du pixel
I Connexité d’ordre 8 : on considère les 8voisins directs N, NE, NO, S, SE, SO, Oet E du pixel
I La connexité peut s’étendre aux voisinsindirects (i.e. pas de la première couronne)
43 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
L’importance de la numérisation
Une vision subjective
I L’échantillonnage spatial définit la taille du plus petit élément del’image (pixel)
I La quantification des luminances définit plus petit changementd’intensité dans l’image (est-il toujours perceptible à l’œil ?)
I Cela définit la taille (en bits) de l’image : tb = N ×M ×m
44 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Qu’est-ce qu’une image numérique ?
Types d’image
I m = 1, k ∈ {0, 1} : image binaire
I m = 8, k ∈ [0, . . . , 255] : image en niveaux de gris
• en général codée sur 1 octet ;• par convention : noir = 0 et blanc = 255 (ou 1 si normalisation) ;
I m = 24, k ∈ [0, . . . , 16777215] : image en couleurs (3 octets)
45 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Les espaces de couleur
DéfinitionI Toute couleur peut être représentée comme une combinaison
linéaire de trois primaires c1, c2, c3I Deux types de synthèse : synthèse additive, synthèse soustractive
I Beaucoup d’espaces de couleur : RGB, CMYK (∼ RGB en synthèsesoustractive), HSV, YUV, Lab, CIE ...
46 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Espace RGB
I Synthèse additive, 3 couleurs primaires :rouge, vert et bleu
I Luminance L = 0.3R + 0.59G + 0.11B
I Séparation des plans de couleur & Mélange de plans ⇒ TME 4Image couleur R G B
R ↔ B R ↔ G
47 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Espace RGB : limites
Limites
I Toutes les couleurs perceptibles par l’œil ne peuventêtre définies à l’aide des trois composantes r , v et b
I Les composantes y sont souvent fortement corrélées.
I Différence perceptuelle entre deux couleurs necoïncide pas avec la distance dans l’espace RVB.
ExtensionsI Base où les composantes sont décorrélées, par analyse statistique
(ACP, ACI)
I Espace couleur plus "perceptuels" : HSV, XYZ, YUV, Lab, etc
48 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Espace HSV
Définition
I Trois composantes : Hue (teinte),Saturation, Value (luminance)
I Passage RBG ↔ HSV :
V =R + G + B
3
H =
{θ si B ≤ G
2π − θ, sinon
θ = arccos
((R−G)+(R−B)
2√
(R−G)2+(R−B)(G−B)
)
S = 1− 3min(R,G ,B)
R + G + B
49 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Espace HSV : exemple
I Espace HSV : TME 7 sur les descripteurs visuels
50 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Formats d’images numériques
I Données brutes : raw data
I Standards universels : gif, bitmap, tiff, ppm, eps, ...
I Standards médicaux : DICOM
I Standards propriétaires : Philipsr, Siemensr, ...
I Quelques exemples :
• BMP (Bitmap) : matrice de bits codés en couleur (jusqu’à 24bits/pixel)
• GIF : format compressé avec codage 8 bits/pixel• JPG (jpeg) : format de compression d’images photographiques
51 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Quelques exemples d’images numériques
I Image 2D : objet représenté par un tableau bidimensionnel desurfaces élémentaires (pixels)
I Séquence vidéo (2D) : scène dynamique présentant des objets 2D enmouvement↪→ juxtaposition d’images 2D, où le temps peut être vu comme unetroisième dimension (de nature différente)
I Image volumique : objet représenté par un tableau tridimensionnelde volumes élémentaires (voxels)
↪→ pile d’images 2D (ex. des coupes scanners)
I Séquences volumiques : scène dynamique présentant des objets 3Den mouvement
52 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Qualité d’une image
I Lignage : phénomène d’alternance de lignes claires (ou sombres) demême direction et qui tranchent avec le reste de l’image
I Contraste : qualité de la dynamique des intensités de l’image
I Bruit : signal “parasite” dont la distribution dans l’image estaléatoire et la plupart du temps inconnue
I Déformations géométriques : défauts dus à l’acquisition de l’image(ex. différence d’axe entre le capteur d’acquisition et le centre de lascène observée)
I Dégradations connues (ex. dus à la réponse impulsionnelle dudétecteur)
53 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Contenu d’une image
I Texture : répartition statistique ougéométrique des intensités dans l’image
I Contour : limite entre deux (ou un groupede) pixels dont la différence de niveaux degris (ou de couleurs) est significative
I Région : groupe de pixels présentant descaractéristiques similaires (intensité,mouvement, etc.)
I Objet : région (groupe de régions)entièrement délimitée par un contour,possédant une indépendance dans l’image↪→ description sémantique : on peutdonner un nom à un objet
54 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Propriétés de l’image
BrillanceI Moyenne des niveaux de gris de l’image, ou intensité moyenne
B =1
NM
N−1∑i=0
M−1∑j=0
f (i , j)
55 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Propriétés de l’imageContraste
I Définition 1 : variation maximale entre valeurs de niveaux de grismin et max dans l’image :
C =maxi,j [f (i , j)]−mini,j [f (i , j)]maxi,j [f (i , j)] +mini,j [f (i , j)]
I Définition 2 : écart-type des variations de niveaux de gris dansl’image :
C =
√√√√ 1NM
N−1∑i=0
M−1∑j=0
(f (i , j)− B)2
Attention, l’écart type traduit une moyenne de variation, ce qui estun peu différent
I Deux images totalement différentes peuvent avoir le même contraste
56 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Exemples de calcul de contraste
57 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Histogramme
DéfinitionI Fonction décrivant la répartition des niveaux de gris de l’image
I Fournit des informations propres à l’image, telles que :
• La distribution statistique des niveaux de gris• Les bornes de répartition des niveaux de gris
I Mais aucune information spatiale !
I À chaque image f de taille N ×M , on peut associer unedistribution H des valeurs contenues dans cette image par :
H(k) = Card{0 ≤ i ≤ N − 1, 0 ≤ j ≤ M − 1 : f (i , j) = k} = nk
58 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Quelques exemples d’histogrammes
59 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Remarque sur l’histogramme
Il ne code pas d’information spatiale
I Deux images différentes (en termes de contenu sémantique) peuventaussi avoir le même histogramme
60 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Histogramme normalisé
Définition
I Fonction Hn donnant la probabilité (en termes de fréquenced’occurrence) qu’un pixel ait pour niveau de gris k
Hn(k) =H(k)
N ×M
où N et M sont respectivement le nombre de colonnes et de lignesde l’image
I Les valeurs de H sont normalisées
I Approximation discrète de la densité de probabilité (pdf) de lavariable aléatoire "niveau de gris d’un pixel"
61 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Histogramme cumulé
DéfinitionI L’histogramme cumulé est donné par :
Hc(k) =∑i≤k
H(i)
où H(.) est l’histogramme
I L’histogramme cumulé normalisé est donné par :
Hc(k) =∑i≤k
Hn(i)
où Hn(.) est l’histogramme normalisé
I Hc(k) représente la probabilité d’avoir un niveau de gris inférieur ouégal à k : approximation discrète de la fonction de répartition de lavariable aléatoire "niveau de gris d’un pixel"
62 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Histogramme cumulé
63 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Plan
1 BIMA
2 Bref historique
3 Acquisition
4 Définitions
5 Applications
64 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Champs d’application
⇒ des milliers d’applications potentielles
65 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Traitements : classification et étapesfondamentales
I Traitement bas niveau
• Entrée : image• Sortie : image
I Traitement moyen niveau
• Entrée : image ou représentation préalable• Sortie : nouvelle représentation
I Traitement haut niveau
• Entrée : image ou représentation préalable• Sortie : sémantique de l’image (abstraction)
66 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Exemples de traitements bas niveau desimages
67 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Exemples de traitements bas niveau desimages
I Amélioration d’images : amélioration de l’aspect des images↪→ restauration (TME 1), débruitage, filtrage (TME 4)
I Analyse fréquentielle : changement d’espace de représentation↪→ Transformée de Fourier (TME 2)
I Acquisition d’images : disposer d’une image sous forme numérique↪→ échantillonnage, quantification (TME 3)
I Compression d’images : réduction de la quantité d’informationsnécessaires pour représenter une image↪→ codage, transmission (TME 4)
I Segmentation d’images : division de l’image en parties, ou zonescaractéristiques↪→ détection de contours (TME 5), partitionnement split & merge(TME 10)
68 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Exemples de traitements moyen et hautniveau des images
I Représentation et description d’images : transformation de l’imageen un ensemble de “concepts” utilisables par l’ordinateur pour desalgorithmes plus évolués↪→ détection de caractéristiques, e.g. Harris (TME 6), modèles(graphes, ...)
I Indexation d’images : tri d’images selon un ensemble de descripteurs↪→ fouille dans les bases d’images (TME 7)
I Reconnaissance : association d’une étiquette à un objet à partir deses descripteurs↪→ Reconnaissance de visages (TME 8-9)
69 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Un premier exemple : les prévisionsmétéorologiques
Traitement bas niveau : extraction de vecteurs de mouvement
70 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Un premier exemple : les prévisionsmétéorologiques
Traitement moyen niveau : vecteurs de mouvement ⇒ carte despressions
71 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Un premier exemple : les prévisionsmétéorologiques
Traitement moyen niveau : vecteurs de mouvement ⇒ carte despressions
72 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Un premier exemple : les prévisionsmétéorologiques
Traitement haut niveau : carte des pressions ⇒ prévisionmétéorologiques
73 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Un deuxième exemple : "compréhensiond’images"
I Compréhension : très vaste
• Classification• Détection• Segmentation• Combinaison (contexte) :
Classification + Détection +Segmentation
I Méthodes de traitement image/vision couplées avec des outilsd’apprentissage statistique (parl’exemple)
74 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Classification imagesClassification : quelle(s) catégorie(s) sémantique(s) dans l’image ?
Cas simples : ∼ résolu
I Objets géométriques "simples", centrés dans l’image & segmentés
I Base d’apprentissage annotée, extraction descripteurs ⇒ prédictionde la classe
MNIST Formes Binaires75 / 102
Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Classification images
Classification : quelle(s) catégorie(s) sémantique(s) présente(s)dans l’image ?
Cas plus compliqués
I Plusieurs objets / image, plusieurs catégories / images
I Images réelles (photos), flickr ⇒ des difficultés importantes
PASCAL VOC
76 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Classification imagesClassification : quelle(s) catégorie(s) sémantique(s) présente(s)dans l’image ?
Cas plus compliqués : principaux challenges
1 Variations : illumination, échelle, rotation, point de vue
2 Occultations, fond ("background clutter")
3 Variations intra-classe d’apparence visuelle
PASCAL VOC : cas difficiles 77 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Classification images
Challenges
Variations Illumination Variations point de vue
78 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Classification images
Challenges
Variations échelle Occultations
79 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Classification images
Challenges
Objets Déformables Background clutter
80 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Classification images
Challenges : fortes variations d’apparence visuelle intra-classe
81 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Classification images
Recherche sémantique
I Descripteurs image : bas niveau (couleur, texture, forme, gradient)
I Concepts à prédire : haut niveau (objets, scènes, concepts abstraits)
I Principal défi : Combler le fossé sémantique
Requête :
Recherche basée couleur :
82 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Classification images
Recherche sémantique
I Retrouver des concepts abstraits, e.g. émotions, liberté, etc
I Joie, amour, haine,etc
I Fossé sémantiqueextrême
83 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Classification images
Recherche sémantique
I Des résultats récents : compétition ImageNet, conférence ECCV,octobre2012
• Tâche de classification très large échelle : 1000 classes, 1 millionimages entrainement
• Prédire la bonne classe : complexe
84 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Classification images
Recherche sémantique
I Des résultats récents : compétition ImageNet, conférence ECCV,octobre2012
• Réseaux de neurones convolutifs• Gain très important par rapport aux méthodes traditionnelles• Intérêt : combler le fossé sémantique en apprennant les
représentations internes à partir des données
85 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Détection objets
Classification vs détection : où se situent les objets des catégorie(s)sémantique(s) présente(s) dans l’image ?
Principe : fenêtre glissante
86 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Détection objets
Détection visages : succès
I Dans la plupart des appareils photo
87 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Détection objets
Autres exemple : détection de texte
I Détecter les zones de texte dans une image
I Contexte urbain
I De nombreuses applications pratiques
88 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Détection objets
Autres exemple : détection de texte
I Couplé avec un OCR : outilde recherche sémantique
I Coupler les infos visuellesavec d’autres sources :geo-localisation, etc
I Applications téléphonesmobiles
89 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Segmentation objets/régions
Autres exemple : segmentationClassification vs détection vs segmentation : quels sont les pixels oùse situent les objets des catégorie(s) sémantique(s) présente(s) dansl’image ?
90 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Compréhension d’images
Le saint GraalI Coupler classification globale, détection et segmentation
I Contexte : Détection/segmentation objet/région renforce -détection autre objet/région
91 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Dernier exemple : conformité des photosd’identité
I Connecté au problème de reconnaissance de visage
I Détection visage : identifier les zones de l’image de la classe "visage"
I Reconnaissance de visage : identifier une instance particulière de laclasse "visage"
I Problème très difficile dans le cas général
92 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Dernier exemple : conformité des photosd’identité
I La norme ISO/IEC (2005)
93 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Dernier exemple : conformité des photosd’identité
I Beaucoup de problèmes en un à résoudre !
94 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Dernier exemple : conformité des photosd’identité
I Détection du visage et seuillage de la peau
95 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Dernier exemple : conformité des photosd’identité
I Seuillage de la peau
96 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Dernier exemple : conformité des photosd’identité
I Détection des traits caractéristiques (yeux, bouche, ...)
97 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Dernier exemple : conformité des photosd’identité
I Détection des traits caractéristiques (yeux, bouche, ...) : si simple ?
98 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Dernier exemple : conformité des photosd’identité
I Détection des traits caractéristiques (yeux, bouche, ...) : beaucoupd’algorithmes ! !
99 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Dernier exemple : conformité des photosd’identité
I Travail sur le visage : représentations multiples
100 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Dernier exemple : conformité des photosd’identité
I Travail sur le visage : orientation du visage
101 / 102Bases du traitement des images
BIMA Bref historique Acquisition Définitions Applications
Dernier exemple : conformité des photosd’identité
I Et le fond ?
102 / 102Bases du traitement des images