OUTILS FONDAMENTAUX

EN TRAITEMENT D’IMAGES

.

.

.

.

.

Défis actuels Mégadonnées (big data) Square Kilometer Array Telescope : 300 To/s (100 × Internet) 9 .

Défis actuels Robustesse Repérer les comportements suspects de manière sûre 10 .

Kanade (2000) : Rowley. Kanade (1998) : Viola.Défis actuels Performances informatiques Schneiderman. Jones (2001) ×1 × 40 × 600 11 . Baluja.

« Image » On appellera image (numérique) une fonction I(x. 12 . y et I sont à valeurs discrètes et finies.y) où x.

y) est appelé pixel (picture element). I(x.« Image » On appellera image (numérique) une fonction I(x.y) ■ Chaque élément I(x.y) où x. 13 . y et I sont à valeurs discrètes et finies.

y.y) ■ Chaque élément I(x.z) 14 .« Image » On appellera image (numérique) une fonction I(x.y) où x. y et I sont à valeurs discrètes et finies. I(x.y) est appelé pixel (picture element). ■ Image 3D (ex : IRM) ⇒ I(x.

y) où x.y) ■ Chaque élément I(x.« Image » On appellera image (numérique) une fonction I(x. ■ Image 3D (ex : IRM) ⇒ I(x.z) (→ voxel) 15 .y.y) est appelé pixel (picture element). I(x. y et I sont à valeurs discrètes et finies.

y et I sont à valeurs discrètes et finies.y.« Image » On appellera image (numérique) une fonction I(x.y) ■ Chaque élément I(x. I(x.y.t) 16 .y) où x.z) (→ voxel) ■ Vidéo ⇒ I(x.y) est appelé pixel (picture element). ■ Image 3D (ex : IRM) ⇒ I(x.

y) =  96  28 ■ Chaque élément I(x.   128 I(x. y et I sont à valeurs discrètes et finies.« Image » On appellera image (numérique) une fonction I(x. 17 .y) est appelé pixel (picture element).y) contient b ≥ 1 valeurs (nombre de bandes).y.z) (→ voxel) ■ Vidéo ⇒ I(x.y.y) où x.t) ■ I(x. ■ Image 3D (ex : IRM) ⇒ I(x.

« Image » Bandes Nom de l’image Exemple d’application b=1 b=3 b=4 b > 10 b > 1000 à niveau de gris RVB (rouge + vert + bleu) RVB–IR (RVB + infrarouge) multispectrale hyperspectrale microscopie photo observation de la Terre observation de la Terre observation de la Terre 18 .

« Traitement d’images » Le traitement d’image consiste à appliquer sur des images des transformations mathématiques dans le but d’améliorer leur qualité ou d’en extraire une information. 19 .

inconvénients et hypothèses des méthodes vues en cours ■ Implémenter les méthodes à l’aide d’un langage de programmation scientifique ■ Connaître la traduction français/anglais des différents termes 20 .Objectifs du cours ■ Identifier un problème de traitement d’image ■ Énumérer les différents problèmes de traitement d’image ■ Reconnaître le type de traitement qu’a subit une image ■ Décrire le fonctionnement. les avantages.

Contenu du cours ■ Traitements et outils de base ■ Restauration ■ Détection de caractéristiques ■ Segmentation ■ Reconnaissance de formes ■ Traitement d’images binaires ■ Recalage ■ Compression 21 .

Traitements et outils de base ■ Opérations arithmétiques et logiques ■ Histogramme ■ Convolution ■ Transformée de Fourier 22 .

…). … 23 . ■ Exemples : déconvolution.Restauration Réduire (voire supprimer) les dégradations qu’a subit l’image (flou. bruit. débruitage.

de points caractéristiques 24 . de contours.Détection de caractéristiques Trouver les zones d’intérêt d’une image. ■ Exemples : Détection de coins.

industrie. … 25 . astronomie. ■ Exemples : imagerie médicale. photographie.Segmentation Partition d’une image en régions pour extraire les objets d’intérêt.

détection visage. … 26 .Reconnaissance de formes Identifier les objets. lecture plaque minéralogique. ■ Exemples : reconnaissance d’objets.

■ Exemples : supprimer les petits objets. … 27 .Traitement d’images binaires Applications d’opérateurs de voisinage sur des images binaires (« noire ou blanche ») pour modifier et analyser la forme des objets. fermer des contours.

imagerie médicale. astronomie.Recalage Définition et application d’une transformation géométrique entre plusieurs images pour les avoir dans le même système de coordonnées. … 28 . ■ Exemples : photographie.

PNG). JPEG. pour accélérer la transmission ou réduire le stockage. … 29 . ■ Exemples : RLE (BMP). LZW (GIF.Compression Diminution de la taille du message numérique en réduisant peu ou pas l’information. TIFF.

Liens avec les autres cours ■ Mathématiques appliquées ■ Programmation scientifique ■ Traitement du signal 30 .

Liens avec les autres cours ■ Mathématiques appliquées ■ Programmation scientifique ■ Traitement du signal ■ Traitement du signal 2D 31 .

Morphologie mathématique.Liens avec les autres cours ■ Mathématiques appliquées ■ Programmation scientifique ■ Traitement du signal ■ Traitement du signal 2D ■ Cours de l’UE Images et vision : Vision par ordinateur. Traitement statistique. Analyse de séquences d’images. 32 . Modèles déformables. Classification et reconnaissance de formes. Maillage et visualisation. Géométrie Discrète. Problèmes inverses.

noblet@unistra.bouchon@etu.fr 33 .fr Vincent Noblet bureau C211 vincent.fr Alix Bouchon bureau B252 alix.mazet@unistra.Enseignants Vincent Mazet bureau C219 vincent.unistra.

fr/mazet/ofti/ 34 .u-strasbg.miv.

Emploi du temps 14/10/2015 Introduction + Traitements et outils de base 04/11/2015 Restauration 18/11/2015 Détection de caractéristiques + Segmentation 25/11/2015 TP 1 + Reconnaissance de formes 02/12/2015 Traitements d’images binaires + TP 2 09/12/2015 Recalage + TP 3 16/12/2015 TP 4 + Compression 13/01/2015 Examen 35 .

Évaluation ■ Examen le 13 janvier 2016 : questions de cours et exercices d’application ■ Feuille A4 recto-verso autorisée ■ Appareils électroniques interdits 36 .

Bibliographie 37 .

Bibliographie 38 .

Bibliographie 39 .