Traitement et analyse

d'images -ANIMAG
 Juste au cas o .
Quisuisje?Etcommentmejoindre?
CaroleFrindel,CREATIS
carole.frindel@creatis.insalyon.fr

Sivousavezdesdifficults:
Rfrencesdesouvragestoutaulongducours
Internetestvaste:soyezautonomes.

Sianerpondpasvosquestions:
Envoyezunmailvotreenseignant

Page:2/15
 Programme du cours
Introduction
Questcequuneimage?
Traitementsdebaseduneimage
ConvolutionNumrique
Traitementsfrquentiels
Dtectiondescontours
Segmentation
Oprationssurlesimagesbinaires
Reconnaissancedesformes

Page:3/15
Calendrier

Page:4/15
 Fonctionnement du cours
Sancede2ou4h(exceptionnellement).Alternanceentre
sancedecoursetdeTP
Travauxpratiques
UtilisationdeFijisousLinux
ProgrammationdemacrossousFiji
Evaluationducours
Travauxpratiques(50%)+projet(50%)

Page:5/15
https://planete.insa-lyon.fr/scolpeda/f/ects?id=22193&_lang=fr

Page:6/15
 Fiji
Logicieldetraitementetanalysed'images,surcouchede
ImageJ
ImageJ:logicielmultiplateformeetopensourcede
traitementetd'analysed'imagesdveloppparles
NationalInstitutesofHealth
IlestcritenJavaetpermetl'ajoutdenouvelles
fonctionnalitsviadespluginsetmacros
Tlchargeablesurhttp://fiji.sc/Fiji
Utilispourlestravauxpratiques

Page:7/15
 Attention : accent mis sur les TP
Nesurtoutpascommencerladernireminute
Travaillezenplusieursfois
Selaisserdutempspourrflchirauxproblmes

DutempsestdonnenclassepourlesTP
Profitezenpouravancervotretravail!
Evitezdesurfezlewebdanslescoursetrelisezvotrecoursavantde
venirenTP

Page:8/15
 Attention : accent mis sur les TP
Cestuncoursdetraitementdimages!
DcouvrezlelogicielFijietsesfonctionnalits
Ecrivezvotrerapportenfranais
Maisexpliquezetdmontrezletraitementdimages!

Montrezdesrsultatssurlesimages
Choisissezlesimagesetexpliquezvosrsultats
Faiteslelienaveccequiestvuencours

Page:9/15
 Ouvrages en Traitement dimages
DianeLingrand.IntroductionauTraitement
dImages,Vuibert,Paris,2004.
AlainTrmeau,ChristineFernandezMaloigne
&PierreBonton.ImageNumriqueCouleur,
EditionsDunod,2004.
RafaelC.Gonzalez&RichardE.Woords.
DigitalImageProcessing,2ndedition,
PrenticeHall,2002.
WilhelmBurger&MarkJ.Burge.Digital
ImageProcessing:AnAlgorithmic
IntroductionusingJava,Springer,2007.
Page:10/15
 Vision artificielle (Computer Vision)
Qu'estcequec'est?
connaissancesettechnologiesquipermettentdeconcevoirdes
machinesquipeuventvoir
Premierniveau:vision
acquiertuneimagegrceunechaneintgrantdeslments
optiquesetuncapteur
Deuximeniveau:traitementdel'image
modifielecontenudel'imageafindemettreenvidencedeslments
d'intrt(objets,contours)
Troisimeniveau:reconnaissance
utilisedestechniquesd'intelligenceartificiellepouridentifierdes
formesconnuesdansl'image

Page:11/15
Extension de la perception humaine ? Oui
Capteursmeilleursquel'oeilhumain
voientcequenousnevoyonspasdirectement,dufait
delalimitationdenotresystmevisuel
Autrespropritsoptiques
problmed'chelle,dersolution,depointdevue(ex:
imagessatellitaires)
Autresgammesdelongueursd'onde
camrasmultispectrales,infrarougeproche,
thermiques(infrarougelointain)
Autrescadences
camrashautecadence,plusieursmilliersd'images
parseconde.

Page:12/15
Mieux que la perception humaine ? Non
Moinsintelligentquel'humain
mmesilesimagesinitialessontparfoistrsriches,le
rsultatdeleurtraitementparunsystmedeVAreste
souventbasique
Puissancedecalcul
lessystmesdeVAontunecapacitdecalculinfiniment
pluslimitequecelleducerveauhumain,oudeceluides
animauxvolus
Connaissanceetreconnaissance
nousexploitonsnosconnaissancespourinterprterle
contenudel'image:onreconnatparfoisdesobjetsalors
qu'ilsnesontpasvisibles

Page:13/15
Exemple d'application de la VA :
imagerie mdicale
Objectifs
aiderlemdecinlorsdudiagnostic,lechirurgienlors
delaralisationd'ungesteopratoire
Amliorationdesimages
rehaussementducontraste,liminationdubruit,mise
envidencedesdtails
Dtectionetlocalisation
positionnementdesorganes,dtectiondestumeurs,
mesurededimensionsetdevolumes
Imagerieinterventionnelle
assistanceenligneaupraticien:oprationsralises
surlesimagesentempsrel

Page:14/15
Vision industrielle : contrle de la
qualit, de l'aspect, ...
Objectifs
viterlecontrlevisuelparunoprateur(tche
rptitivepeuvalorisante)
Contrledimensionnel
lesystmedevisiondtermineladimension,laforme,
lapositiondel'objetqu'ilobserve
Contrled'aspect
lesystmedterminelacouleur,latexturedesobjets
observs
Contrledelaqualit
partirdesdonnesprcdentes,lesystmedtermine
laqualitd'unproduit

Page:15/15
Carole Frindel, CREATIS
 Qu'est-ce qu'une image ?
Niveaux de gris - 8 bits:
0 - noir
255 - blanc

64 60 69 100 149 151 176 182 179

65 62 68 97 145 148 175 183 181
65 66 70 95 142 146 176 185 184
66 66 68 90 135 140 172 184 184
66 64 64 84 129 134 168 181 182
59 63 62 88 130 128 166 185 180
60 62 60 85 127 125 163 183 178
62 62 58 81 122 120 160 181 176
63 64 58 78 118 117 159 180 176
2
Source : Tal Hassner. Computer Vision. Weizmann Institute of Science (Israel).
 Qu'est-ce qu'une image ?

Une image est avant tout un signal 2D (x,y)

Souvent, cette image reprsente une ralit 3D
(x,y,z)

D'un point de vue mathmatique :

Une image est un matrice de nombres reprsentant un signal
Plusieurs outils permettent de manipuler ce signal

D'un point de vue humain :

Une image contient plusieurs informations smantiques
Il faut interprter le contenu au-del de la valeur des nombres

4
 Images naturelles et artificielles
Image naturelle Plusieurs moyens d'acquisition
camra, microscope, tomographie, infra-rouge, satellite,

Image artificielle Plusieurs outils de reprsentation

synthse d'images, ralit virtuelle, visualisation scientifique,

Image naturelle Image artificielle Image artificielle

5
 Trois principaux types d'images

Images en niveaux de gris Images binaires Images couleurs

I(x,y) [0..255] I(x,y) {0 , 1} IR(x,y) IG(x,y) IB(x,y)

et plus encore (image 3D, image relle, )

Source : Tal Hassner. Computer Vision. Weizmann Institute of Science (Israel). 6

 Image couleur dans l'espace RVB

Mais il existe aussi

dautres codages de
la couleur que RVB

CVIPTools : File>View Band>{Red,Green,Blue} / Utilities>Convert>Color to Gray

7
Source : Tal Hassner. Computer Vision. Weizmann Institute of Science (Israel).
Acquisition des images

8
 Acquisition d'une image

Monde Camra Numriseur Image

numrique

Source : Tal Hassner. Computer Vision. Weizmann Institute of Science (Israel). 9

 Capteur Principe gnral

Principe gnral (ex: photodiode)

L'nergie incidente est convertie en signal lectrique
Sortie est proportionnelle la lumire
Filtre pour augmenter la slectivit

10
Capteurs Matrice 2D

KAF-1600 - Kodak.

11
 Capteur CCD

Camras numriques CCD

Matrice CCD (Charged Coupled Devices)
Systme d'acquisition numrique 2D le plus utilis
La rponse est proportionnelle l'intgrale de l'nergie
lumineuse qui atteint chaque lment
Pour la couleur, on utilise trois capteurs par pixel ragissant
des longueurs d'ondes diffrentes (rouge, vert et bleu)

12
 Image numrique
Les valeurs de f (x,y) sont la rponse du capteur au
phnomne observ
Les valeurs de f (x,y) sont des valeurs de voltage
continu
Les valeurs de f (x,y) doivent tre converties vers le
domaine numrique
Conversion Analogique/Numrique (A/N)

Deux procds sont impliqus pour numriser une image :

Numrisation = chantillonnage + Quantification

13
 Echantillonnage et quantification

14
Source : Gonzalez and Woods. Digital Image Processing. Prentice-Hall, 2002.
 Echantillonnage et quantification

Lchantillonnage est limit par la capacit du

capteur, donc le nombre de pixels disponible (ou autre
limite impose)
La quantification est limite par la quantit de tons
(de gris) dfinie dans lintervalle

15
Source : Gonzalez and Woods. Digital Image Processing. Prentice-Hall, 2002.
 Echantillonnage et quantification

Avec un capteur matrice :

16
Source : Gonzalez and Woods. Digital Image Processing. Prentice-Hall, 2002.
 Echantillonnage et quantification

CVIPTools : Utilities>Size>Spatial Quant / Utilities>Convert >Gray Level Quantization

17
 Reprsentation des images

Matrice de dimension M X N
Chaque lment une valeur entire dans l'intervalle
[Lmin , Lmax]

Le nombre de bits requis pour reprsenter les

niveaux de gris dans lintervalle L est K
La relation entre K et L est :
L=2K

Le nombre de bits pour entreposer un image est donc :

b=MXNXK

18
 Rsolutions des images

Rsolution spatiale
Le plus petit dtail discernable

Rsolution tonale (de tons de gris)

Le plus petit changement discernable

Une image a donc une rsolution spatiale de M X N pixel

et une rsolution de tons de gris de K bits ou de L
niveaux ou tons

19
 Rsolutions spatiale et tonale
Rsolution spatiale : chantillonage

Rsolution tonale : quantification

20
Source : Antoine Mazanera. Introduction et filtrage. ENSTA (France).
Profils dintensit dans une image

25
 Profil d'intensit d'une image
Un profil dintensit dune ligne dans une image est
reprsent par des signaux 1D.

26
 Lectures suggres

Introduction au Traitement dImages (Lingrand) :

chapitre 1

Digital Image Processing: An Algorithmic Introduction

using Java (Burger & Burge) : chapitre 2

Wikipdia : Traitement d'images, Image numrique,

Image matricielle, Image resolution, Niveaux de gris,
Quantification
 Histogramme d'une image

Nombre
de pixels

Niveau de gris

L'histogramme reprsente la distribution des niveaux

de gris (ou de couleurs) dans une image
H(k) = nombre de pixels de l'image ayant la valeur k.

CVIPTools : File>Show Histogram

2
 Histogramme d'une image
PI(k)
1

PI(k)
1

0.5

k
PI(k)
0.1

Dynamique d'une image = [valeur_min,valeur_max]

3
Source : Tal Hassner. Computer Vision. Weizmann Institute of Science (Israel).
 Luminance ou brillance d'une image
La luminance (ou brillance) est dfinie comme la
moyenne de tous les pixels de l'image.
Dans les deux images suivantes, seule la luminance
est diffrente :

CVIPTools : Utilities>Stats>Image Statistics (Mean)

Source : Eric Favier. L'analyse et le traitement des images. ENISE (France). 4
 Contraste d'une image

Le contraste peut tre dfini de plusieurs faons :

Ecart-type des variations des niveaux de gris

Variation entre niveaux de gris min et max

CVIPTools : Utilities>Stats>Image Statistics (S.D.)

5
 Contraste d'une image

Les deux images suivantes possdent un contraste diffrent :

Source : Eric Favier. L'analyse et le traitement des images. ENISE (France). 6

 Exemples de contrastes dune
image

Source : Gonzalez and Woods. Digital Image Processing. Prentice-Hall, 2002. 7

 Amlioration ducontraste

Plusieurs mthodes possibles :

Transformation linaire
Transformation linaire avec saturation
Transformation linaire par morceau
Transformation non-linaire
galisation de lhistogramme

CVIPTools : Enhancement>Histograms
8
Source : Caroline Rougier. Traitement d'images (IFT2730). Univ. de Montral.
 Transformation linaire
I

255 max min 255 0

=
I i , j min I ' i , j 0
I(i,j) Alors :
255
I ' i , j = I i , j min
0 max min
min I(i,j) max I

255 ( I (i , j ) min)
I ' (i, i) = ( I (i, j ) min) avec [0,1]
max min max min
CVIPTools : Enhancement>Histograms>Linear Modification
9
Source : Caroline Rougier. Traitement d'images (IFT2730). Univ. de Montral.
 Transformation linaire
%
255

255 0 255
min max

255

255
min max 0 255
10
Source : Caroline Rougier. Traitement d'images (IFT2730). Univ. de Montral.
 Implmentation

Utilisation dune LUT

Pour i=1 nblig
Pour j=1 nbcol (Look Up Table)
I(i,j) = 255*(I(i,j)-minI)
/(maxI-minI); /* Initialisation de la LUT */
Pour i=0 255
LUT[i]=255*(i-minI)/(maxI-minI);
/* Initialisation de la LUT */
Pour i=1 nblig
Pas optimal Pour j=1 nbcol
I(i,j) =LUT[I(i,j)];

11
Source : Caroline Rougier. Traitement d'images (IFT2730). Univ. de Montral.
 Transformation linaire avec saturation
%
255

255 0 255
Smin Smax
255

255
min max
Smin Smax 0 255
12
Source : Caroline Rougier. Traitement d'images (IFT2730). Univ. de Montral.
 Transformation linaire avec saturation

255
I ' (i, j ) = ( I (i, j ) Smin )
Smax Smin
I ' (i, j ) 0 I ' (i, j ) = 0
I ' (i, j ) 255 I ' (i, j ) = 255

min(I (i, j )) Smin < Smax max(I (i, j ))

13
Source : Caroline Rougier. Traitement d'images (IFT2730). Univ. de Montral.
 Transformation linaire par
morceaux
%
255

255 0 255
Smin Smax
255

255
min max
Smin Smax 0 255
S
14
Source : Caroline Rougier. Traitement d'images (IFT2730). Univ. de Montral.
 Transformation linaire par morceaux

Exemple dune
fonction ad-hoc
de modification
du contraste de
limage.

15
Source : Gonzalez and Woods. Digital Image Processing. Prentice-Hall, 2002.
 Correction de la dynamique de l'image

Image originale Image restaure

CVIPTools : Utilities>Stats>Image Data Range + Enhancement>Histograms>Histogram Stretch

18
Source : www.crans.ens-cachan.fr/~genest/histogramme.pdf
 Correction de la dynamique de l'image

Dans le cas o l'histogramme initial occupe toute la plage de

dynamique, aucun changement n'est visible.

Source : www.crans.ens-cachan.fr/~genest/histogramme.pdf 19
 Egalisation de l'histogramme

3500 3500

3000 3000

2500 2500

2000 2000

1500 1500

1000 1000

500 500

0 0
0 50 100 150 200 250 0 50 100 150 200 250

Image originale Image plus contraste

CVIPTools : Enhancement>Histograms>Histogram Equalization
20
Source : Tal Hassner. Computer Vision. Weizmann Institute of Science (Israel).
 Egalisation de l'histogramme
Pour amliorer le contraste, on cherche aplanir lhistogramme
hk h ideal k

k k
Etape 1 : Calcul de l'histogramme hi i[ 0, 255]
Etape 2 : Normalisation de l'histogramme hi
h n i = i[ 0, 255]

(Nbp : nombre de pixels de limage)

Nbp
i
Etape 3 : Densit de probabilit normalis
C i = h n j

i[ 0, 255]
j= 0
Etape 4 : Transformation des niveaux de gris de l'image

f ' x , y=C f x , y 255

Note : voir ImAnalyse pour des exemples d'histogrammes cumuls 21
 Egalisation de l'histogramme

L'galisation d'histogramme peut amliorer une image l o la

correction de dynamique de l'histogramme est inefficace.
22
 Egalisation de l'histogramme
Si on prend la mme image avec des contrastes
diffrents, lgalisation dhistogramme donne le mme
rsultat pour toutes les images.

Source : Gonzalez and Woods. Digital Image Processing. Prentice-Hall, 2002. 23

 Egalisation (locale) de
l'histogramme
Image originale Egalisation Egalisation locale
globale

Lgalisation locale de lhistogramme est faite en prenant une

fentre de 7x7 autour de chaque pixel.
CVIPTools : Enhancement>Histograms>Local Equalization
Source : Gonzalez and Woods. Digital Image Processing. Prentice-Hall, 2002. 24
 Oprations sur les images (ET,OU)
Les oprations logiques fonctionnent aussi sur les images.

ET =

OU =

CVIPTools : Utilities>Arith/Logic>{AND,OR}
Source : Gonzalez and Woods. Digital Image Processing. Prentice-Hall, 2002. 25
 Oprations sur les images (ET,OU)

Source : Gonzalez and Woods. Digital Image Processing. Prentice-Hall, 2002. 26

 Addition dimages

Si f et g sont deux images, on peut dfinir

laddition R pixel pixel de ces deux
images par :
R(x,y) = Min( f(x,y)+g(x,y) ; 255 )

Laddition dimages peut permettre

De diminuer le bruit dune vue dans une srie
dimages
Daugmenter la luminance en additionnant une
image avec elle-mme

CVIPTools : Utilities>Arith/Logic>Add
27
Source : Eric Favier. L'analyse et le traitement des images. ENISE.
 Soustraction dimages

On peut dfinir la soustraction

S pixel pixel de deux images
f et g par :
S(x,y) = Max( f(x,y)-g(x,y) ; 0 )

La soustraction dimages peut

permettre
Dtection de dfauts
Dtection de mouvements

CVIPTools : Utilities>Arith/Logic>Substract
28
Source : Eric Favier. L'analyse et le traitement des images. ENISE.
 Multiplication dimages
La multiplication S dune image f par un ratio (facteur) peut se dfinir par :
S(x,y) = Max( f(x,y)*ratio ; 255)

La multiplication dimages peut permettre damliorer le contraste ou la

luminosit

x1,5 = x1,2 =

CVIPTools : Utilities>Arith/Logic>Multiply
29
Source : Eric Favier. L'analyse et le traitement des images. ENISE.
 Oprations sur les images (+,-)
0.5*F(x,y) + 0.5*G(x,y)
F(x,y)

G(x,y)
G(x,y) - F(x,y) -
F(x,y) G(x,y)

Source : www.nte.montaigne.u-bordeaux.fr/SuppCours/5314/Dai/TraitImage01-02.ppt 30
 Lectures suggres

Introduction au Traitement dImages (Lingrand),

chapitre 4

Digital Image Processing: An Algorithmic Introduction

using Java (Burger & Burge) : chapitres 4 et 5

Wikipdia : Histogramme, Brightness (luminance),

Contrast, Lookup table, Color balance (amlioration du
contraste), Egalisation d'histogramme