[PDF] TERI : Traitement et reconnaissance dimages

View - Download TERI : Traitement et reconnaissance dimages

Previous PDF

Next PDF

Antoine MANZANERA Cours TERI - Master IAD UPMC Paris 6TERI : Traitement et reconnaissance d'images

Cours Master 2 IADCours Master 2 IAD

Isabelle Bloch ENST / Département Signal & ImagesFlorence Tupin ENST / D épartement Signal & ImagesAntoine Manzanera - ENSTA / Unit

é d'Électronique et d'Informatique

Antoine MANZANERA Cours TERI - Master IAD UPMC Paris 6TERI - Objectifs du cours

page 2L'objectif du cours " Traitement et Reconnaissance d'Images » est de proposer une formation de base en analyse d'images et reconnaissance des formes.

Il est a destin

é à tous les élèves suivant le Master IA et Décision ; les liens entre l'Image, la Vision et l'Intelligence Artificielle seront abord

és à plusieurs reprises.On pr

ésentera les connaissances de base sur les images discrètes (théorie de l'information), leur repr ésentation (structures discrètes), et leur exploitation (filtrage et amélioration).

L'analyse automatique des images sera d

éveloppée à travers un problème phare : celui de la segmentation d'images.

On abordera

également des notions de plus haut niveau sur la compréhension automatique du contenu des images (classification et reconnaissance des formes).

Le cours s'accompagnera d'une partie pratique : TP sur machine + TD exercices. Enfin, une ouverture sur les applications et les d

ébouchés industriels sera présentée.

Antoine MANZANERA Cours TERI - Master IAD UPMC Paris 6TERI - Planning du cours

page 3http://www.tsi.enst.fr/~bloch/P6Image/TERI.html* Cours 1 : Introduction + échantillonnage (4h) (Antoine Manzanera)

* Cours 2 : Filtrage et d

étection de contours (3h) (Antoine Manzanera)

* Cours 3 : Introduction

à la segmentation (2h) (Antoine Manzanera)

* Cours 4 : Perceptions et mod

èles (2h) (Antoine Manzanera)

* Cours 5 : Reconnaissance des formes et classification (4h) (Florence Tupin) * TP Machines : TP Introduction à l'image (4h) (Florence Tupin - Nicolas Loménie)* TD Exercices : S

éance de travaux dirigés (4h) (Séverine Dubuisson)* Cours 6 : Descripteurs d'images (2h) (A. Manzanera)

* Cours 7 : Applications du traitement d'images (2h) (F. Tupin) D étails pratiques, Organisation des examens, Supports de cours,... : Antoine MANZANERA Cours TERI - Master IAD UPMC Paris 6Introduction au TI - Plan du cours page 4I Développement du TI et domaines connexesI1 Historique du Traitement d'images (TI)

I2 TI et vision par ordinateur

I3 TI et Intelligence Artificielle

I4 TI et perception visuelle

II Introduction aux images num

ériquesII1 Modalit

ésII2 Vocabulaire

II3

Échantillonnage et quantificationIII Les mod

èles formels du TIIII1 Le mod

èle linéaire : la convolution...

III2 Le mod

èle fréquentiel : la transformée de Fourier, l'échantillonnage...III3 Le mod èle statistique : l'histogramme, la quantification, l'entropie,...

III4 Le mod

èle différentiel : gradients, isophotes, équations différentielles,...III5 Le mod èle ensembliste : morphologie mathématique,...III6 Le mod èle discret : maillage, connexité, distances,... Antoine MANZANERA Cours TERI - Master IAD UPMC Paris 6Historique du Traitement d'Images page 5Images de chambre à bullesCaract

ères typographi

ésImagerie satellite

et a

érienneImagerie médicaleT

élesurveillance et armement

IndexationRobotique

mobileRestauration Am

éliorationClassification

D

étectionPoursuiteReconstruction

Localisation

CompressionGestion des donn

ées multimediaEMPIRISME

RECONSTRUCTIONISMEVISION ACTIVE

Contr

ôle qualitéMORPHOLOGIE

MATHEMATIQUE

EDP & SCALE

SPACE1950

2005
Antoine MANZANERA Cours TERI - Master IAD UPMC Paris 6TI & vision par ordinateur page 6Vision industrielleVision robotique

MultimediaAdéquation Algorithme

ArchitectureTraitement

d'Images Environnement connu / contr

ôlé Contraintes de temps

Contraintes de qualit

é Environnement non contr

ôlé /hostile Contraintes d'

énergie Action / Adaptation

Humain dans la boucle Contraintes d'espace Protection des contenus Prise en compte de la machine Compromis temps/

énergie/espace

Antoine MANZANERA Cours TERI - Master IAD UPMC Paris 6SegmentationDécodage / restitutionSyst

èmes à base de TIpage 7

ScèneCodage / compressionD

étection de contoursCalcul de gradient

Filtrage

Acquisition

Transmission

Analyse

CompréhensionAm

élioration

Traitement∑p∈S

∂I ∂xp

Ux∈Ig

fIxExtraction d'attributs Antoine MANZANERA Cours TERI - Master IAD UPMC Paris 6TI & Intelligence Artificielle

page 8Dans la conception moderne de l'Intelligence Artificielle dite située (i.e. mise en

situation) ou incarn ée (i.e. introduite dans un " acteur »), la machine agit sur le monde ext érieur, éventuellement se déplace, et aussi perçoit son environnement pour pouvoir s'y adapter.

La vision est une source extr

êmement riche

d'information, qui permet

à la machine de se localiser, reconna

ître des objets ou des personnes,

à un coût faible, une énergieraisonnable, et de mani

ère passive (i.e. sans

mettre de signal). Antoine MANZANERA Cours TERI - Master IAD UPMC Paris 6TI & Intelligence Artificielle page 9ApprentissageModélisation des connaissances

Raisonnement

et d

écisionRepr

ésentation de l'incertainR

éciproquement, le traitement d'image et la vision tirent parti des connaissances et des techniques d'intelligence artificielle pour g

érer l'adaptation à un environnement changeant, l'information incertaine, les syst èmes hétérogènes de connaissances et les différents niveaux de prise de d

écision.

Antoine MANZANERA Cours TERI - Master IAD UPMC Paris 6TI & perception visuelle

page 10Une difficulté fondamentale de la vision artificielle vient du manque de connaissance profonde des m

écanismes qui régissent la compréhension des images dans la nature. La vision humaine est en effet extr

êmement performante (déplacement, lecture, reconnaissance), mais nous n'avons aucun retour conscient sur la m

écanismes mis en jeu (

à la différence du jeu d'échec par exemple). En cela l'étude des mécanismes physiologiques et psychologiques de la vision sont une source tr

ès importante d'information, et d'inspiration.

Exemples :

Traitements r

étiniens / traitements corticaux. M

écanisme d'accentuation des contrastes. Multir

ésolution et rétine. Vision des batraciens.

Antoine MANZANERA Cours TERI - Master IAD UPMC Paris 6TI & perception visuelle page 11Exemple : l'illusion de l'échiquier.Plusieurs m

écanismes sont en jeu, du tr

ès bas niveau (renforcement local des

contrastes) au tr

ès haut niveau (interpr

étation de l'ombre et reconnaissance d'un

échiquier)

Antoine MANZANERA Cours TERI - Master IAD UPMC Paris 6TI & perception visuelle page 12Exemple : l'illusion de l'échiquier.Plusieurs m

écanismes sont en jeu, du tr

ès bas niveau (renforcement local des

contrastes) au tr

ès haut niveau (interpr

étation de l'ombre et reconnaissance d'un

échiquier)

Antoine MANZANERA Cours TERI - Master IAD UPMC Paris 6I1 Types d'images, de capteurs page 13Phénomène physiqueGrandeur mesuréeCapteur mission et réflexion de la lumi

ère visible É

cho ultra sonore Rayonnement infrarouge R ésonance magnétiqueAbsorption des rayons XÉ cho électromagnétiqueR éflectivité, luminance,...Luminance IR (chaleur), ...

Densit

é de tissus,...Distance, sp

écularité de surfaces,..CCD, CMOS,

Barrettes CCD,...

Bolom

ètres,...É

chographie, sonar,...

Radar, SAR,...

Radiographie,

tomographie,... Distance, densité de tissus,...Pr

ésence d'un corps chimique,...IRM, RMN,...

Antoine MANZANERA Cours TERI - Master IAD UPMC Paris 6Images numériquespage 14L'é chantillonnage est le procédé de discrétisation spatiale d'une image consistant à associer à chaque zone rectangulaire R(x,y) d'une image continue une unique valeur I(x,y).

On parle de sous

échantillonnage lorsque l'image est

d éjà discrétisée et qu'on diminue le nombre d'échantillons.x yR(x,y)I(x,y)

Une image num

érique est une image échantillonnée et quantifiée.La quantification d ésigne la limitation du nombre de valeurs différentes que peut prendre I(x,y). Antoine MANZANERA Cours TERI - Master IAD UPMC Paris 6Pixels et niveaux de gris page 15Une image numérique ILargeur

Hauteuri

j

Le pixel [i,j]O

I[i,j] = NIndice de

colonne

Indice de

ligneValeur

Niveau de gris

(Nmax Nmin) = nombre de niveaux de gris

Log2(Nmax Nmin) = dynamiqueN ∈ [Nmin,Nmax]

Antoine MANZANERA Cours TERI - Master IAD UPMC Paris 6Échantillonnage et quantificationpage 16R

ésolution......spatiale :

...tonale :

6 bits4 bits3 bits2 bits1 bitQuantificationÉ

chantillonnage256x256128x12864x6432x32 Antoine MANZANERA Cours TERI - Master IAD UPMC Paris 6Échantillonnage et informationpage 17L'

échantillonnage est une étape fondamentale qui doit tenir compte du contenu informationnel

pertinent de l'image à analyser. Sur l'exemple cicontre, en 1d, le signal échantillonné " ressemble » à une sinuso

ïde de fréquence 8 fois plus faible : Ce ph

énomène appelé aliasing est encore

pire en 2d, car il affecte la fr

équence et la direction des structures p

ériodiques. Imaginons par exemple qu'on souhaite chantillonner l'image correspondant aux bandes noires cicontre :

Antoine MANZANERA Cours TERI - Master IAD UPMC Paris 6Échantillonnage et informationpage 18Avec un

échantillonnage adapté, l'image num

érique fait apparaître des structures conformes

à l'information présente dans l'image :

Mais en consid

érant seulement 1 é

chantillon sur 2, une structure différente appara ît, dont l'analyse (ici des bandes verticales, plus

épaisses) ne sera pas conforme

à la réalité de l'objet :

Antoine MANZANERA Cours TERI - Master IAD UPMC Paris 6Échantillonnage et informationpage 19Un exemple, sur une image de synth

èse :Et sur une image

naturelle :

Image originaleImage sous

échantillonnée

Antoine MANZANERA Cours TERI - Master IAD UPMC Paris 6Quantification et information

page 20La quantification peut également faire apparaître des distortions dans les images :

Comme pour l'

échantillonnage, il existe des règles pour déterminer la bonne quantification (le bon nombre de bits) pour coder les images num

ériques.L'une d

épend du capteur, et de sa capacité effective à observer des signaux de valeurs diff

érentes : le rapport signal sur bruit.

Le rapport signal sur bruit est d

éfini à partir du rapport entre l'amplitude des niveaux de gris mesurables par le capteur (nmax nmin) et le niveau du bruit, en gros l'

écarttype sn de la

perturbation al

éatoire qui affecte les niveaux de gris. En prenant le logarithme, on a le nombre de bits utile au capteur pour coder les images.

Antoine MANZANERA Cours TERI - Master IAD UPMC Paris 6Quantification et information page 21Outre les capacités du capteur, le nombre de bits réellement n

écessaires pour coder une image varie d'une image à l'autre, en fonction de leur contenu informationnel.

Ce nombre d

épend de l'entropie, définie à partir de la distribution des niveaux de gris de l'image (cf plus loin,

mod

èle statistique).

E=∑iN

-pilog2piO ù N est le nombre de niveaux de gris présents, pi est la proportion (0 < pi < 1) de points de l'image ayant pour niveau de gris i. Cette grandeur repr

ésente le nombre moyen de bits par pixel n

écessaires pour coder toute l'information présente. Elle est utilis ée dans les techniques de compression sans perte pour adapter le volume de donn ée des images à leur contenu informationnel.

Antoine MANZANERA Cours TERI - Master IAD UPMC Paris 6III Modèles et outils fondamentauxpage 22Dans la suite, on pr

ésente une introduction aux outils d'analyse d'images numériques les plus courants. Pour des raisons didactiques, la pr

ésentation est organisée selon les principaux mod èles mathématiques qui ont été employés pour traiter les images. Ces diff

érents modèles ne sont cependant ni exclusifs ni cloisonnés, et la séparation ne sera pratiquement plus visible dans les cours suivants.

Aux diff

érents modèles présentés correspondent un certain nombre d'outils fondamentaux, qui se sont r

évélés au cours du temps plus ou moins incontournables, que ce soit d'un point de vue pratique ou th

éorique. Citons : la convolution, la

transform

ée de Fourier, l'histogramme, les pyramides, la corrélation, la transformée en toutourien, les ondelettes...

Nous donnons dans la suite de ce cours une introduction aux outils les plus basiques ou les plus courants. Les autres seront trait és ou approfondis dans la suite du cours TERI, ou dans les autres cours optionnels.

Antoine MANZANERA Cours TERI - Master IAD UPMC Paris 6III1 : Le modèle linéairepage 23La convolution :

C'est l'op

érateur de base du traitement linéaire des images. Apparue très tôt dans les premiers syst

èmes d'analyse d'images sous forme empirique et justifiée par des considérations d'implantation, ce n'est que plus tard qu'on a fourni des justifications physiques et fait le lien th

éorique avec les filtres et le traitement du signal. Dans le mod èle linéaire, la structure mathématique sousjacente est l'Espace

Vectoriel. Les op

érateurs fondamentaux sont ceux qui préservent la structure d'espace vectoriel, c'est

àdire les applications linéaires :

fI=fIPour les images, ces op

érateurs correspondent aux convolutions :

Antoine MANZANERA Cours TERI - Master IAD UPMC Paris 6La Convolution page 24I∗h[x,y]=∑i=x1 x2 ∑j=y1 y2 h[i,j]⋅I[x-i,y-j]Soit I une image num

érique.Soit h une fonction de [x1,x2]

×[y1,y2] à valeurs réelles.

h∗g=g∗h

étés de la convolution :

COMMUTATIVIT

ÉASSOCIATIVIT

ÉDISTRIBUTIVIT

É / +La fonction h est dite

noyau de convolutionLa convolution de I par h est d

éfinie par :Les nouvelles valeurs du pixel

sont calcul

ées par produit scalaire

entre le noyau de convolution et le voisinage correspondant du pixel. x y h[x,y] Antoine MANZANERA Cours TERI - Master IAD UPMC Paris 6La Convolution page 2516quotesdbs_dbs18.pdfusesText_24

[PDF] ticket 2 english 2 bac

[PDF] ticket 2 english student's book second year baccalaureate pdf

[PDF] ticket 2 english teacher's book

[PDF] ticket english first year baccalaureate

[PDF] ticket to english 1 bac education

[PDF] ticket to english 1 bac pdf

[PDF] ticket to english 1 bac pdf correction

[PDF] ticket to english 1 bac teacher's book

[PDF] ticket to english 1 bac unit 1

[PDF] ticket to english 1 bac unit 1 education

[PDF] ticket to english 1 bac unit 1 education vocabulary

[PDF] ticket to english 1 bac unit 1 pdf

[PDF] ticket to english 1 bac unit 1 reading

[PDF] ticket to english 1 bac unit 4

[PDF] ticket to english 1 bac unit 7 celebration