Traitement d’images 420-D78-SW A17 Semaine 02.

Slides:



Advertisements
Présentations similaires
Semaine 06 vA14 Modèle colorimétrique Détection de contours
Advertisements

MAP-6014 Concepts avancés en mathématiques et informatique appliquées
INF-1019 Programmation en temps réel
Traitement d’images 420-D78-SW A15 Semaine 02.
Traitement d’images Semaine 03 A15 Seuillage.
Traitement d’images Semaine 09 v.A15.
Traitement d’images Semaine 09 vA15.
1 Initiation à la micro-informatique Le matériel un clic pour la suite… Moniteur.
A la fin de ton année de 4 ème, tu dois être capable d’utiliser parfaitement un Mais d’abord qu’est-ce qu’un TABLEUR ? ???? TABLEUR- GRAPHEUR Page suivante.
L'image: Le codage des images BacPro SEN Lycée Condorcet.
Modélisation Géométrique Cours 4 : Acquisition de la géométrie.
Traitement d’images Semaine 01. Plan de leçon Plan de cours Traitement d’images – Définition – Domaine d’application Définition du spectre électromagnétique.
L'image: Formats et compression BacPro SEN Lycée Condorcet ➢ 1ère partie: Généralités ➢ 2ème partie: Les espaces de couleurs ➢ 3ème partie: Codage des.
Comparing color edge detection and segmentation methods Projet TIM.
1 Programmation en C++ C++ de base ● Programme C++ ● Variables, objets, types ● Fonctions ● Namespace ● Tests ● Boucles ● Pointeurs, références.
1 Programmation en C++ C++ de base ● Programme C++ ● Variables, objets, types ● Types et opérations fondamentales ● Tests ● Boucles ● Pointeurs, références.
Traitement d’images 420-D78-SW A16 Semaine 02 Plan de leçon  Images : définition  Mat : définition  Filtres de lissage  Les fonctions et méthodes.
Traitement d'images en Java avec JAI
Premiers pas avec PowerPoint
Masques et opérateurs de décalage
Synthèse TP 2 Codeblock 1 Les objectifs de ce tp sont :
L’ordinateur et ses composants
Module de gestion des tournées de livraison
I- ANALYSE DU BESOIN / Plan
Environnement de développement des BD
Les outils de sélection Cours préparé par l’enseignante Wafa Bourkhis.
Présentation du système WINLASSIE
Traitement d’images Semaine 01.
Session 1 6 mars 2017 Plateforme ICONICS Justine Guégan
Pas de variable globale
Les notions de classe et d'objet
Micro Informatique au Cellier
FORMATION DIRECTEURS –mai 2017
Javadoc et débogueur Semaine 03 Version A17.
Traitement d’images Semaine 05.
Traitement d’images Semaine 04 et 05 Version 2017.
Les objectifs du cours Savoir utiliser un Tableur
Les fonctions.
Détection de coutours - Exemples élémentaires -
Session 1 31 mai 2017 Plateforme ICONICS Justine Guégan
Arguments de la ligne de commande
Excel (et toute l’informatique) :
Module 5 : Gestion des disques.
Introduction à OpenCV GEL – Design III Charles du Tremblay
SIF-1033 Traitement d’image
TRAITEMENT D’IMAGE SIF-1033.
Programmation en C++ C++ de base
Concepts avancés en mathématiques et informatique appliquées
Structure D’une Base De Données Relationnelle
Modélisation avec UML 2.0 Partie II Diagramme de classes.
Calcul Scientifique Initiation à SCILB
ACP Analyse en Composantes Principales
02- Evaluation Access 2003 Cette évaluation comporte des QCM (1 seule réponse) et des Zones à déterminer dans des copies d’écran.
Royaume de Maroc Université Hassan Premier Settat Faculté des Sciences et Techniques de Settat LA CLASSIFICATION K-MEANS SOUS R /MATLAB Master :Automatique.
DÉTECTION DE DÉFAUTS DANS DES HOLOGRAMMES DE PHASE
Feuille de route Espace de travail Création de diapositives
Kit de formation multimedia
Les classes et les objets
Les Applications bureautiques au service du directeur EXCEL (ou CALC)
SIF1033 TRAITEMENT D’IMAGE
Catherine Cyrot - Cours bibliothèques numériquesz - cours 4
Extraction de caractéristiques pour la classification d’images
Wilber. Définition: GIMP , pour GNU Image Manipulation Program, littéralement « programme GNU de manipulation d'images », est un logiciel libre et gratuit.
Le bus de terrain AS-i Bus AS-i (Actuator Sensor interface ) Fichiers
1. 2 TABLEUR: Calc mars 19 Myriam Boullanger - Bureautique - Calc Suite Gratuite Libre Office Dans le navigateur (Internet Explorer, Google Chrome, FireFox,…),
Création d une application pour la détection des personnage par les empreintes digitale 1.
Chap2. Fonctions d'un système de vision
Vision DÉFINITION   La vision par ordinateur ou vision artificielle est le traitement d’images par ordinateur provenant d’un dispositif extérieur tel.
Société de l’Information
Transcription de la présentation:

Traitement d’images 420-D78-SW A17 Semaine 02

Plan de leçon Exemples d’application Images : définition Trieuse à tomate, trieuse à raisin Fonctionnement Images : définition Mat : définition Filtres de lissage Les fonctions et méthodes de base Version youtube : https://www.youtube.com/watch?v=o-MlJI48XX4

images : définition Une image numérique est une composition de matrices dont chaque cellule possède une valeur numérique qui représente un pixel Elle peut être acquise par un capteur (caméra, scanneur, carte d'acquisition, etc.) générée par un logiciel

images : définition Une image peut être composée d'une ou plusieurs matrices Chaque matrice représente un canal de « couleur » Par exemple une image RGB est constituée de trois canaux : rouge, vert et bleu. Chaque pixel d’un canal possède une valeur entre 0 et 255 qui représente le niveau de saturation.

image : définition Niveau de gris : 1 canal de 8 bit RGB : 3 canaux de 8 bits chaque Niveau de gris : 1 canal de 8 bit

images : définition Exemple de valeurs dans un canal

traitement d’images Dans plusieurs cas, les traitements effectués sur les images sont des opérations sur matrices Dans la plupart des applications, les images sont prétraitées pour mettre en évidence certaines caractéristiques Exemple : les contours, lissage du bruit, etc.

traitement d’images : définition Image traitée Image originale × ¾® (x,y) transformation

Transformation par convolution Point Spread Function ou filtre normalisé 1 1/9 w3 w9 w2 w8 w1 w7 w6 w5 w4 DF ou Dimension Filtre : 3 ü ï ý þ 1/9 X résultat d ivisé par la somme des poids [wx] du filtre (P-B) ou son nombre de pixels (P-H) (1-22) [rf. SCHOWENGERDT, p. 32]

Filtres de lissage Le lissage permet de réduire le bruit dans une image. Le lissage est souvent utilisé dans le prétraitement des images. Filtre de moyenne : Applique la moyenne des valeurs des voisins d'un pixel donné au pixel de destination. Syntaxe de base cv::blur (source, destination, dimension2D) cv::blur (imgSrc, imgDst, Size(3, 3));

Filtres de lissage Filtre de médiane : Ce filtre applique la médiane du filtre de convolution sur l'image destination. Il est bien de noter que ce filtre est relativement lent, car il doit trier les valeurs à chaque convolution. Syntaxe cv::medianBlur (src, dst, dimension1D); cv::medianBlur (imgDst, imgSrc, 3);

Filtres de lissage Filtre Gaussien : Ce filtre utilise la fonction Gaussienne (Courbe normale). Chaque pixel dans le filtre de convolution a un poids qui dépends de sa distance par rapport au point central. Syntaxe GaussianBlur(src, dst, dim2D, ecartTypeX) GaussianBlur(src, dst, Size(5, 5), .75); Ecart_type représente l'effet évasif d'une courbe normale. Plus celui-ci est élevé plus la "cloche" sera évasé, ainsi les pixels proches vont avoir un poids plus important par rapport à la moyenne.

Lissage : comparaison

OpenCV (C++) : Fonctions et méthodes de base Dans ces diapos, je vous indique les fonctionnalités de base pour travailler avec la librairie

Type Mat Le classe utilisée pour travailler avec les images est « Mat » Il y a plusieurs constructeurs que l’on retrouve dans le module core.hpp Mat(); Mat (int rang, int colonne, int type); Type  Nombre de bit. Ex : CV_8UC1 8 bits 1 canal

Lire un fichier Pour lire un fichier, on utilise la fonction Mat imread(string nom, int flag) Nom  Nom du fichier Flag  Méthode CV_LOAD_IMAGE_UNCHANGED CV_LOAD_IMAGE_GRAYSCALE CV_LOAD_IMAGE_COLOR Cette fonction retourne un objet Mat

Créer une fenêtre Il faut créer une fenêtre pour pouvoir afficher l’image dans celle-ci On utilise la méthode void namedWindow (string nom, int flag) Nom  Nom de la fenêtre Flag  Type CV_WINDOW_AUTOSIZE : Image en taille originale CV_WINDOW_FREERATIO, *_KEEPRATIO : Indique si l’on peut changer les proportions w x h

Afficher une image Pour afficher une image dans une fenêtre, il faut faire appel à la méthode void imshow(string nomFenêtre, Mat img) Lorsque l’on affiche une image simple, il faut mettre le processus en attente autrement, l’image apparaîtra et disparaîtra aussitôt La méthode int waitKey(int delais) Délais en milliseconde Cette fonction retourne la touche qui a été appuyée

Gestion de la mémoire Dans cette version d’OpenCV, la gestion de la mémoire se fait automatiquement Cependant, il est possible de libérer de la mémoire en utilisant la méthode « mat.Release() » Exemple Mat A(1000, 1000, CV_64F); A.Release();

Arguments Dans la majorité des environnements de développement, il est possible de lire les arguments de la ligne de commande En C, on retrouve souvent cette ligne int main (int argc, char* argv[]) argc : Nombre d’arguments toujours > 1 *argv[] : Valeur des arguments

Arguments - Exemple int main (int argc, char* argv[]) { Mat img; img = imread(argv[1], CV_LOAD_IMAGE_GRAYSCALE); ... } Permet de charger l’image au chemin argv[1] en niveau de gris

Exercices Faites une application qui affiche 2 fenêtres dans lesquelles ont retrouvent la même image dont une est chargée en couleur et l’autre en noir et blanc. Faites une application qui affiche 4 fenêtres qui dans chacune ont retrouvera une image originale et dans les autres la même image lissée avec les filtres de lissage vu en cours. Le titre des fenêtres devra représenter le type de lissage utilisé.

Annexes - Les modules Nous explorerons les modules les plus utilisés dans cette section

Les modules OpenCV offre plusieurs modules qui couvrent chacun des domaines ou approches différents pour le traitement d’images Core.hpp Définit les blocs de base pour tout application de traitement d’images Highgui.hpp Définit les blocs d’interface homme-machine

Les modules imgproc.hpp calib3d.hpp feature2d.hpp Fonctions et méthodes de manipulation d’images calib3d.hpp Calibration et reconstruction 3D feature2d.hpp Extraction de caractéristiques. Par exemple, les zones de grand contraste

Les modules objdetect.hpp ml.hpp video.hpp Détection d’objets. Par exemple, le classificateur de Haar ml.hpp Apprentissage machine video.hpp Gestion et analyse des fichiers vidéos. Par exemple : Le suivi d’objet

Les modules gpu.hpp Utiliser la puissance du GPU pour faire du traitement d’images