SYS-844 Vision par ordinateur Professeur: Richard Lepage

Présentation au sujet: "SYS-844 Vision par ordinateur Professeur: Richard Lepage"— Transcription de la présentation:

1 SYS-844 Vision par ordinateur Professeur: Richard Lepage
Livia Vision par ordinateur Professeur: Richard Lepage Département de génie de la production automatisée

2 Collaborateurs Pierre Gravel Normand Grégoire LIO (CHUM-ETS)
Hiver 2005 Collaborateurs Pierre Gravel LIO (CHUM-ETS) Ajout de plusieurs acétates Approche MatLab Normand Grégoire Étudiant Ph.D. Forensight Matériel de laboratoire

3 Cours #1: Plan Syllabus du cours Plan détaillé
Formation des équipes (durant la pause) Introduction à la vision informatique

4 Syllabus

5

6

7

8

9

10 Plan détaillé

11

12

13

14

15

16

17 Introduction à la vision informatique

18 Vision artificielle Un système de vision artificielle capte une scène tridimensionnelle et la traduit en une ou plusieurs images Objectifs Reconnaître et localiser les objets présents dans la scène

19 Quelques applications
Robot dans un milieu hostile Inspection industrielle Télédétection Imagerie médicale Reconnaissance de forme Aérospatiale

20 Neurologie Psychologie Biologie Traitement de signal Réalité virtuelle Archéologie Géologie Géophysique Hydrologie

21 Imagerie médicale et sécurité
L’image de la rétine humaine est traitée afin d’en rehausser le contraste. L’image résultante peut ensuite être utilisée en ophtalmologie ou en reconnaissance de la personne.

22 Imagerie médicale Rehaussement du contraste d’une radiographie de la cage thoracique

23 Imagerie médicale Détection des tumeurs cancéreuses à partir d’une mammographie (Rayons X)

24 Recherche de lésions ou d’anomalies dans le cerveau (images en RMN)
Imagerie médicale Recherche de lésions ou d’anomalies dans le cerveau (images en RMN)

25 Reconstruction 3D du cerveau à partir d’images en RMN
Imagerie médicale Reconstruction 3D du cerveau à partir d’images en RMN

26 Amélioration d’images (dégradation inconnue)
Traitement de signal Amélioration d’images (dégradation inconnue)

27 Restauration d’images
Traitement de signal Restauration d’images (dégradation connue)

28 Interprétation des images
Quelle information est utilisée? Comment place-t-on des étiquettes? Peut-on déduire la forme 3D? Comment? Importance du contexte Le but de l’observation influence-t-il l’interprétation? Rôle des connaissances a priori

29 maison

30 corvette

31 Ville de San Francisco

32 mandrill (singe)

33 Ava Gardner

34 Résonnance magnétique

35 Information utilisée: contraste ? Arêtes?
Nébuleuse du cheval

36 Reconnaissance des visages
Mandrill (singe) Penelope Cruz

37 Photo aérienne

38 Approches en vision Approche computationnelle Image  structure
Le processus de vision est divisé en plusieurs niveaux de représentation. Des algorithmes permettent de passer d’un niveau au suivant

39

40 Approche basée sur les connaissances
Image  structure

41

42

43 Vision appliquée (ou industrielle)
Image  fonction

44 Difficultées Variations naturelles dans une même catégorie d’objet
Ex.: maison chaise Grande quantité de données à traiter Image faible résolution N/B 128x Ko Image haute résolution couleur 512x512x3 750Ko Image caméra numérique 2592x1944 pix 15,1Mo Mouvement (30 im./s) Ko  22.5 Mo

45 Variations dans le processus de formation de l’image
Éclairage Distorsion de perspective Occlusion Point d’observation Qualité du capteur Qualité du système optique

46 Capteurs Appareil photo Caméra Stéréo Caméra 3D
Capteurs dans des bandes non-visibles Radarsat

47 Perspective Occlusion

48 Contexte La vision comme un problème d’IA

49

50 Contexte Influence

51 Contexte Influence (bis)

52

53

54 Système de vision à base de connaissance

55 Type de connaissances requises
Connaissances déclaratives attributs des objets: couleur, texture, forme, etc. relations fonctionnelles et spatiales entre les composantes des objets structure Connaissances procédurales mécanismes de contrôle comment reconnaître un objet comment utiliser le contexte comment contourner l’effet des occlusions comment relier l’échelle sur l’image à l’échelle physique de l’objet

56 Mesures sur l’image caractéristiques spectrales contour 2D
brillance contraste couleur contour 2D segments de ligne ou de courbe effets de perspective ombrage, spot lumineux flux optique (mouvement) stéréoscopie

57 Inférences de haut niveau
continuité de surface et connexité volume 3D côtés et surfaces cachées identification (étiquette, nom) dimensions absolues propriétés fonctionnelles utilisation

58 Niveaux d’abstraction en vision
Niveau bas: image Algos: extraction d’arêtes régions Niveau intermédiaire: éléments symboliques représentation symbolique génération de carac. + abstraites Haut niveau: interprétation représenter objets, partie d’objet mécanismes d’inférence interprétation partielle

59 IMAGE  descrip. Interm.  connaissance

60

61 Niveaux d’abstraction