Intro Image Vezieninteressant

Traitement des Images
Click to edit Master title style
Jean-Marc Vezien
Vezien@limsi.fr
MasterPro IICI - Option GTI - 2014/2015

Plan du cours 2
1. Introduction et notions fondamentales

2. Filtrage
3. Morphologie mathématique
4. Le système visuel
TDs:
 ImageJ (java)
 Traitement GPU (GLSL)

3
Traitement des Images et Vision par Machine

1- Introduction
Jean-Marc Vezien
Vezien@limsi.fr

Introduction 4
• L’image a pris un rôle énorme dans les sociétés

humaine moderne depuis le Xxème siècle
L’image est un signifiant:
 OU: détection, reconstruction,

analyse
 Quoi: classification
 Qui: Biométrie

Applications 5
Multimédia Vision
Cinéma Industrielle
Photo Inspection
Indexation web Montage
Réalité Augmentée
Fabrication
Imagerie Vision
Imagerie Satellite Robotique
Imagerie Médicale Télé-opération
Véhicules autonomes

Historique 6
• Première images par ordinateur:

Sutherland, fin 60s.
• Première caméras électroniques (Vidicon):

60s.
E. Zajac, 1963
• Premier capteur CCD (Bell): 1969.
• Premières applications: reconnaissance

de caractères, imagerie satellitaire.
Hypothèse : Le monde se réduit à un ensemble de

R. A. Kirsch, 1957
caractéristiques « binaires » que l’on peut détecter:
problème d’intelligence artificielle.

Historique (2) 7
• Pas si simple ! Le monde n’est pas

binaire !
• Les pixels sont une représentation

« pauvre » du monde.
• Preuve: illusions d’optique
• La perception humaine se forme à

plusieurs échelles : groupements
perceptuels
Des pixels aux prédicats ?

Historique (3) 8
D. Marr (1980): compare les systèmes de

vision au système visuel humain:
Approche «Bottom-up» : on construit des

représentations de haut-niveau à partir
d’indices locaux
points  contours  objects 3D
Perception 3d = Reconstruction 3d
Cette approche est encore implicite dans de nombreux

travaux
Historique (4) 9
• Approche moderne plus modeste: le contexte et

l’apprentissage sont essentiels
Les machines ne peuvent analyser toutes les situations
• Résoudre des taches concrètes dans des cadres

spécifiques.
• Utilisation d’information a priori (modèles 3d, modèles

statistiques …)
• Augmenter la complexité graduellement.

Taxonomie 10
Trois catégories de transformations:
 Le traitement des images: image  image

«image processing»
 L’analyse d’images: image  mesures

«image analysis»
 L’analyse sémantique:
image  description de haut niveau
«image understanding»

Objet du cours 11
 Concepts fondamentaux du
traitement d’images
 Images 2D (généralisation possible)
Image = fonction I(x,y)

I = amplitude = intensité (ou vecteur)
position (x,y) dans le plan cartésien.
Ex:
une photographie aérienne
un profil d'élévation d'un terrain
une carte topographique
= trois images différentes d'un même objet

Définitions 12
Image digitale I[m,n] =
 Description dans un espace discret de R2 d’une

image continue I(x,y)
 Amplitudes =
Réels (voire complexes) ou
Entiers = quantification des valeurs sur un ensemble
discret (ex: 24 bits)

Définitions (2) 13
M colonnes
X
N lignes
Valeur L(x,y,z, , t)
 = longueur d’onde  couleur (canal)

Y L=2B , B = nombre de bits
B=1 : image binaire

Traitement: types d’opération 14
Complexité de calcul croissante
Traitement local  notion de voisinage, généralement

rectangulaire

Formats des images 15
• Résolution / Aspect ratio:

Resolution/ 4:3 16:9 16:10 3:2 5:3 5:4
Aspect Ratio
CGA 320 x 200
QVGA 320 x 240
VGA 640 x 480
NTSC 720 x 480
WVGA 854 x 450
WVGA 800 x 480
PAL 768 x 576
SVGA 800 x 600
XGA 1024 x 768
N/A 1152 x 768
HD 720 1280 x 720
WXGA 1280 x 800
WXGA 1280 x 768
SXGA 1280 x 1024
N/A 1366 x 768
N/A 1440 x 960
SXGA+ 1400 x 1050
WSXGA 1680 x 1050
UXGA (2MP) 1600 x 1200
HD1080 1920 x 1080
WUXGA 1920 x 1200
QXGA (3MP) 2048 x 1536
WQXGA 2560 x 1600
QSXGA (5MP) 2560 x 2048
4K (8.8 MP) 3840 × 2160

Formats des images (2) 16
Formats 16:9 (ou 16/10) plus adaptés à la télévision.

Fréquence: 50/60Hz
HD ready: 1280 x 720 (mais peut afficher le Full HD)

720i: entrelacé, 2:1
720p : pas d’entrelacement
FULL HD : 1920 x 1080

1080p: pas d’entrelacement, 1:1
1080i: entrelacée, 2:1
(Rappel: SD = 720 x 576 en 2:1)

Formats des images (3) 17
Bande passante: BW = (TP x Vt) * BPS (MHz)
TP = total pixels (horizontal x vertical)

Vt = Rafraichissement image (Hz)
SD
BPS = bits per sample (16 in general)
HDReady
SD (entrelacé) : 99 MHz
HDReady (720p): 442 MHz
Full HD (1080p) : 995 MHz Full HD
Multibust (ref)
720p observé
http://www.hdtvexpert.com

Formation des images 18
Système de prise Numérisation :

Objet de vues échantillonnage
et quantification
Sources
d'éclairement
Energie Image Image

rayonnante analogique numérique

Formation des images (2) 19
Projection perspective:
x
P(x0,y0,z0)
plan focal o
p(x,y)
point focal
f
 x0  y0
p ( x, y )  p ( d ,d )
z0  f z0  f
f = distance focale

Formation des images (3) 20
Imperfections des sytèmes (lentilles réelles):
 Largeur de trou: défocalisation (flou)
 Diffraction: aberrations chromatiques
 Epaisseur de plaque: vignettage
 Astigmatisme (irisations)

Paramètres des capteurs 21
 Linéarité:

c  gain  a  offset 0 3
 Sensibilité:
 absolue : nombre minimum de photoélectrons

détectables
 relative S: nombre minimum de photoélectrons
nécessaire pour passer d’un niveau de gris au
suivant
1
S
gain

Bruits 22
 Bruit photonique :
RSBphoto  10 log10 (  T ) dB
T = temps d’observation
ρ = densité de photons par unité de temps.
 Le bruit thermique
courant en l’absence de lumière = courant d’obscurité.
4°C 25°C
 Refroidir le capteur.

Bruits (2) 23
 Le bruit de lecture
dépend de la fréquence de lecture sur le
CCD. Pour des signaux faibles et des
fréquences de lecture importantes.
 Le bruit d’amplification
bruit gaussien généré par les différents
étages d’amplification. Presque négligeable
désormais.

Bruits (3) 24
 Le bruit de quantification
généré lors de la numérisation du signal en 2 B

niveaux discrets.
RSBquant  6B  11 dB
Pour B = 8 bits, RSB=59 dB (très grand)

Bruits: conclusion 25
Dans la pratique, c’est le bruit

photonique qui produit le RSB le plus
faible, et est donc prépondérant.

Vignettage 26
Perte de luminosité non homogène (optique)
c(i, j )   ij a(i, j )   ij
 Coefficients  et  estimés par calibration

Format du pixel 27
Zone sensible
Zone non sensible
X aYa
Facteur de remplissage: Fr   100%
X oYo
Compromis entre efficacité et risque de "bavure"

http://www.photo-lovers.org/sensor.shtml.fr

Format du pixel (2) 28
Parfois X0/Y0 ≠ 1 (pixel non carré)

La forme du pixel peut conduire à des altérations
lors de la capture:
Estimation à l’aide de mires géométriques

Sensibilité spectrale 29
CCD sensible aux IR (filtre)

Exemple (2007) 30
• 5 mégapixels = 2 592 x 1 944

• Zoom numérique jusqu'à 10x
Focale: 2.8-5,6/34 mm, ce qui
correspond à la focale de 35 mm
d'un 24 x 36
• vitesse d’obturation 1/1000s
• Taille d’une image ≈ 500 Ko.
• Séquences vidéo MPEG-4 de
résolution VGA (jusqu'à 30
images/sec), 60 s. max NOKIA N95 (2007)
120g, 8 Go,
Écran 240 x 320 pixels

Exemple (2011) 31
• 5 mégapixels = 2 584 x 1 938

• 2 appareils photos !
• Zoom numérique jusqu'à 14 x
Focale: 2.8 / 5.4 == 34mm
vitesse d’obturation ?
• Taille d’une image ≈ 500 Ko.
résolution VGA (jusqu'à 30
images/sec), 90 minute max, NOKIA N97 (2011)
138g, 32 Go,
avec flash. Écran 640 x 480 pixels

Exemple (2013) 32
• 8 mégapixels = 2 448 x 3264

• Front camera: 1.2 MPx
• Zoom numérique jusqu'à 14 x
Focale: 2.8 / 5.4 == 33mm
Taille d’une image ≈ 800 Ko.

résolution HD (30 images/sec),
avec flash, zoom X3. Iphone 5s (2013)
112g, 64 Go,
Écran 1 136 x 640 pixels

Exemple (2014) 33
• 8 mégapixels = 2 448 x 3264

• Front camera: 1.2 MPx
• Zoom numérique = ?
Focale: 2.2 / 4.15 == 28mm
Taille d’une image ≈ 800 Ko.
• Séquences vidéo MPEG-4

1080p@60fps
Iphone 6 (2014)
720p@240fps 129g, 128 Go,
Écran 1 334 x 750 pixels
Avec flash, zoom X3.

Evolutions 34
• Résolution : permet le zoom numérique

• Bande passante
 UMTS 3G: 384 Kbps . Pratique: 64 à 128 kbps en émission et
128 à 384 kbps en réception
 HSDPA (3G+): 7.2 Mbps (normalement).
 4G : LTE-advanced = 100 Mbps. En pratique autour de 20 Mb/s
(5 à 10 en upload).
• Emettre une image, si 128 kbps -> 16ko/s -> 500/16 s = 30s !
• En 4G: 1/5 sec.
• Flash xenon  Flash led (moins gourmand)
• Vidéo HD possible !

Echantillonnage 35
Image continue → image discrète
IMAGE CONTINUE
fc(x,y) continue
x,y continus
Reconstruction Echantillonnage
spatiale spatial
IMAGE DISCRETE
fd(xi,yi) continue
xi,yi entiers
Réciproque: reconstruction spatiale

Echantillonnage 36

Distribution de Dirac 37
d
d(0)=1
d(n) = 0 pour n ≠ 0
 d (n)  1
n n
Peigne de Dirac: S(x , y)    d(x  i x , y  j y )

i j
S(x,y) x fd(x,y) = fc(x,y)  S(x,y)
y S (u, v )   d (u  iu, v  jv )

i j
2 2
avec u  et v 
x y

Transformée de Fourier continue 38
C’est une projection sur un espace de fonction

fF
f(x)  F(u)

F (u )  

f ( x)e  2iuxdx
fF 1
F(u)  f(x)


2 iux
f ( x)  F (u ) e du

F est une transformée bijective et unitaire (elle conserve la norme).

Transformée de Fourier continue 39
 
F (u )   f ( x) cos(2πux)dx  i  f ( x) sin(2πux)dx F(u) = F(u)e i (u )
 
F(u)  spectre de Fourier (u)  phase complexe du spectre
Transformation bidimensionnelle:

F (u, v)  
  
f ( x, y )e  2i ( ux vy ) dxdy

 
2 i ( ux vy )
f ( x, y )  F (u , v ) e dudv
  

Fourier : interprétation en image 40
clair
T  2d
Soit fmax fréquence maximale: fmax 
1
2d
sombre d
F(nu,0) = f(x,y) • (n=5 ici)
Si f ne contient pas cette harmonique, les deux signaux sont décorrélés

et F(nu,0) ≈ 0
F(nu,mv) = f(x,y) • (n=5 et m=10 ici)

Transformée de Fourier discrète 41
M 1 N 1  2 i (
ux vy
 )
x
1
F (u, v) 
M N
 f ( x, y)e
0 0
M N
M 1 N 1 2 i (
ux vy
 )
f ( x, y )   F (u, v)e
0 0
M N
y
Complexité = M2.N2
u
Si M=2K1 et N=2K2  FFT (Fast Fourier Transform)
M.N.log(M.N)

Fourier discrète : implémentation 42
N 1
 1 M 1  2i
F(u,v)  
1

vy
f(x, y)e 2i e
ux
M M
N 0 M 0 
F(u,y)
Successivement deux algorithmes de FFT monodimensionnels, l'un sur les
lignes, et l'autre sur les colonnes.
1D
horiz.
f(x,y) 1D F(u,y)
vert.
F(u,v)

Gain de la FFT 43
N N2 Nlog2N Gain
64 4096 384 10.67
128 16384 896 18.29
256 65536 2048 32
512 262144 4608 56.89
1024 1e6 10240 102.40

Fourier et filtrage 44
Filtrage d’une image f par un filtre g:


f ( x, y )  g ( x, y )  
  
f (u, v) g ( x  u, y  v) du dv
f(x,y)  g(x,y)  F(u,v) . G(u,v)

f(x,y).g(x,y)  F(u,v)  G(u,v)
f(x,y)
* f(x,y) * g(x,y)
g(x,y)
f(x,y) fF
• fF-1 f(x,y) * g(x,y)
g(x,y) fF

Echantillonnage: Fourier 45
fd(x,y) = fc(x,y)  S(x,y)
Transformée de Fourier: Fd(u,v) = Fc(u,v) * S(u,v)
Fc(u,v)
Spectre de la bande
principale
S (u, v )   d (u  iu, v  jv )

i j
u
2 2
avec u  et v 
x y
Convolution  duplication du spectre continu

Repliement du spectre 46
Fréquence de coupure: Fc(u,v ) = 0 s i u  u max et v  v max

v
Fc(u,v) umax
u
Spectre de la bande
principale
 u
u
u v
u max  et vmax 
2 2
 
umax  et vmax 
x y

Fréquence de coupure 47
Soit l la demi-période de transition la plus « rapide »

observée dans l’image:
l= Tc /2
Période de la
demi-sinusoïde
2 
fc   x   l
Tc fc
• Δ x ≤ l : les spectres s’écartent, pas de recouvrement

• Δ x > l : recouvrement de spectre, information perdue

Reconstruction spatiale 48
Image discrète → image continue ?
 Filtrer la partie fondamentale du spectre.
Passe-bas idéal:
v
 
H (u, v )  1 si u et v
x y
1 u
H (u, v )  0 sinon

Reconstruction spatiale (2) 49
F(u, v ) = Fd (u, v ). H (u, v)

f ( x, y)  f d ( x, y)  h( x, y)
h( x, y )  F 1 H (u, v)  sinc (

x y
) sinc ( )
x y
sinc(x)=sin(x) / x

Reconstruction spatiale (3) 50
fd(x)
Fonction image
discrète
h(x)
0
 x
Fonction d'interpolation idéale

(sinc(x))
fd(x) * h(x)
Fonction image
reconstruite

Interpolateur réel 51
Problème: sinc a un support infini.

Interpolation avec des fonctions plus simples:
h0(x)
1
Ordre 0:
constant par palier (défaut) 
x x
x
2 2

 
 

H0(u) Perte de résolution

Repliement en
fréquence
x
u
-2/x 2/x

Reconstruction d’ordre 0 52
Parasites: moiré, hautes fréquences
Basses fréquences mal

représentées Hautes fréquences mal
représentées (moiré)

Reconstruction d’ordre 1 53
h1(x) = h0(x) h0(x)
1
Fonction
d’interpolation =
x triangle
- x / 2 x / 2
H1(u) = H0(u) . H0(u)

Repliement en
Perte de résolution
fréquence
Espace de Fourier =
Sinc 2
u
2π 2π
 x
x

 
 
 Interpolation linéaire
 entre les points
x

Filtres interpolateurs 54
A
B
Interpolation
x
bidimensionnelle: C
a b
c d
y
Interpolation bilinéaire:
fc(x0,y0) A
B
U x0 x
C
V
y0
D
y (x0,y0)

Filtre bilinéaire : exemple 55
a b
c d
e f

Reconstruction: récapitulatif 56
FONCTION % d’erreur de résolution % d’erreur de

repliement
Sinc (idéal) 0 0
Carré (ordre 0) 26.9 15.7
Triangle (ordre 1) 44.0 3.7
gaussienne 38.6 10.3
3 x
( = , x = y )
8
54.6 2.0
4 x
( = , x = y )
8
5 x 66.7 0.3
( = , x = y)
8

Quantification 57
Valeur continue fc(xi,yi) → discrète fd(xi,yi)

Quantification
Fd(xi,yi)
Codes 11
r3
10
r2
01
r1 4 niveaux
00
r0
Entrée
Fc(xi,yi)
continue
d0 d1 d2 d3 d4
di = niveaux de décision
ri = niveaux de reconstruction spatiale

Quantification: exemple 58
8 bits 7 bits
a b
6 bits 5 bits
c d
4 bits 3 bits
e f
2 bits

Quantification optimale 59
Erreur de discrétisation:
M 1 d i 1
e2   ( f  R )
i 0
i
2
P( f ) df
di
 e 2 
P(f) = probabilité qu’un pixel(iait d i  f. 2
) une intensité Ri  Ri 1
0

d i

 

d i 1
fP ( f )df
  e 2
 (ii ) R  di
0

 R i  i d i 1
 di P( f )df
Ri et di sont liés !

Quantification optimale (M grand) 60
Solution empirique:
Surfaces égales
P(f)
f
d0 d1 d2 d3 d4 d5 d6 d7
Cas général : solution obtenue de manière récursive.

Cas particulier (histogramme plat):
P(f)
1/n di= i/n * dn
Ri = di
f
d0=0 dn =2B-1

Quantification par transformation 61
f
T : inversible et produire
Transformation T
un histogramme plat pour T = égalisation
T(f)
appliquer la quantification d’histogramme
Quantification linéaire
linéaire ^
T( f )
T existe = égalisation Transformation inverse T-1
d’histogramme ^
f
Appliquée aussi bien aux
niveaux de décision que
1
de reconstruction. j
T(i)
T-1: sur l’image transformée

0 i -1
T (j) 1

Exemple d’utilisation 62
• Suppression des bits non- a b
significatifs:
On décompose l’image suivant c d
les bits de poids décroissant et

on met les bits non significatifs
(LSB) à 0.
e f
Ex: 3 bits / 8 = économie de 37.5% de

stockage.
g h

Cas particulier: binarisation 63
F(i,j) → G(i,j)
n niveaux de gris → 2 niveaux
Plusieurs techniques possibles:
• seuillage fixe
• seuillage aléatoire
• seuillage ordonné
• seuillage par diffusion d’erreur
Particulièrement utile pour la reproduction des couleurs sur un

support de qualité limitée: imprimante, affiche…

Seuillage fixe 64
Si F(i,j) < M alors G(i,j) = 0

Si F(i,j) > M alors G(i,j) = 1
• Avantage: ultra-rapide
• Inconvénient: flexibilité réduite, seuil choisi sur toute l’image

Seuillage aléatoire 65
• But: tempérer les effets « violents » du seuillage

simple en laissant aux pixels sombres « une
chance » d’apparaître dans le résultat.
• Implémentation:
 Choix d’une loi de probabilité
 Tirage de la loi sur chaque pixel = image aléatoire
 Comparaison pixel à pixel
Ex: Loi gaussienne autour du seuil moyen (127 pour une image 8 bits)
On peut régler le seuil avec l’image (histogramme)

Seuillage aléatoire 66
Seuillage aléatoire par gaussienne
(µ = 127,  = 4)

Seuillage ordonné 67
Technique visant à représenter des niveaux de gris en

distribuant des intensités binaires sur un voisinage: compromis
résolution/niveaux de gris
Ex: Ordered Clustered Dot dithering
• On définit dans un voisinage N x N une matrice, qui se répète sur toute l’image.

Seuillage ordonné 68
• Dans cette matrice, on définit en

chaque point une valeur de seuillage.
• En seuillant chaque pixel de l’image

originale suivant les valeurs de la
matrice, on réduit le nombre de niveau
de gris apparent à NxN.

Seuillage par diffusion 69
SEUILLAGE PAR DIFFUSION D’ERREUR:
Diffusion d’erreur: on seuille un pixel, on regarde l’erreur, que l’on distribue

sur les pixels adjacents:
X 7/16
Floyd-Steinberg:
3/16 5/16 1/16
... et on itère.

Seuillage par diffusion 70
for (x=0;x < width; x++) {

for (y=0;y < height;y++) {
test = (I(x,y) < seuil ? 0 :1);

e=I(x,y) - 255*test;
I(x,y) = (test > 0 ? 255 : 0);
I(x,y+1) += α*e;
I(x+1,y-1) += β*e;
I(x+1,y) += γ*e;
I(x+1,y+1) += δ*e;
} Algorithme + lent, mais
} supérieur en qualité
• D’autres filtres sont disponibles
• Extension en couleur possible.

Quantification des couleurs 71
Généralisation : définir dans l'espace RVB, des

domaines de décision Di (volumes) et des
niveaux de reconstruction Ri (vecteurs couleur)
approximant toutes les couleurs tombant dans
le domaine des décisions Di.
Il faut calculer:
• Ri = le centre d'inertie du
domaine Di
• Densité de probabilité de Di =
probabilité d'avoir la couleur (RVB)
du domaine Ex: median cut
http://www.micro.magnet.fsu.edu/primer/ja
Problème complexe → solutions sous-optimales va/digitalimaging/processing/colorreduction
/index.html

Quantification des couleurs 72
Original 64 couleurs 16 couleurs

73
THE END !

Intro Image Vezieninteressant

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Intro Image Vezieninteressant

Încărcat de

Drepturi de autor:

Formate disponibile

Traitement des Images

Click to edit Master title style

MasterPro IICI - Option GTI - 2014/2015

1. Introduction et notions fondamentales

MasterPro IICI - Option GTI - 2014/2015

Traitement des Images et Vision par Machine

MasterPro IICI - Option GTI - 2014/2015

• L’image a pris un rôle énorme dans les sociétés

L’image est un signifiant:

 OU: détection, reconstruction,

MasterPro IICI - Option GTI - 2014/2015

MasterPro IICI - Option GTI - 2014/2015

• Première images par ordinateur:

• Première caméras électroniques (Vidicon):

• Premier capteur CCD (Bell): 1969.

• Premières applications: reconnaissance

Hypothèse : Le monde se réduit à un ensemble de

MasterPro IICI - Option GTI - 2014/2015

• Pas si simple ! Le monde n’est pas

• Les pixels sont une représentation

• Preuve: illusions d’optique

• La perception humaine se forme à

Des pixels aux prédicats ?

D. Marr (1980): compare les systèmes de

Approche «Bottom-up» : on construit des

points  contours  objects 3D

Cette approche est encore implicite dans de nombreux

• Approche moderne plus modeste: le contexte et

Les machines ne peuvent analyser toutes les situations

• Résoudre des taches concrètes dans des cadres

• Utilisation d’information a priori (modèles 3d, modèles

• Augmenter la complexité graduellement.

MasterPro IICI - Option GTI - 2014/2015

Trois catégories de transformations:

 Le traitement des images: image  image

 L’analyse d’images: image  mesures

MasterPro IICI - Option GTI - 2014/2015

Image = fonction I(x,y)

= trois images différentes d'un même objet

MasterPro IICI - Option GTI - 2014/2015

Image digitale I[m,n] =

 Description dans un espace discret de R2 d’une

MasterPro IICI - Option GTI - 2014/2015

 = longueur d’onde  couleur (canal)

MasterPro IICI - Option GTI - 2014/2015

Complexité de calcul croissante

Traitement local  notion de voisinage, généralement

MasterPro IICI - Option GTI - 2014/2015

• Résolution / Aspect ratio:

MasterPro IICI - Option GTI - 2014/2015

Formats 16:9 (ou 16/10) plus adaptés à la télévision.

HD ready: 1280 x 720 (mais peut afficher le Full HD)

FULL HD : 1920 x 1080

(Rappel: SD = 720 x 576 en 2:1)

MasterPro IICI - Option GTI - 2014/2015

Bande passante: BW = (TP x Vt) * BPS (MHz)

TP = total pixels (horizontal x vertical)

MasterPro IICI - Option GTI - 2014/2015

Système de prise Numérisation :

Energie Image Image

MasterPro IICI - Option GTI - 2014/2015

MasterPro IICI - Option GTI - 2014/2015

Imperfections des sytèmes (lentilles réelles):