traitement numérique des images

Présentation au sujet: "traitement numérique des images"— Transcription de la présentation:

1 traitement numérique des images
objectifs : amélioration, élimination du bruit, rehaussement du contraste, visualisation transmission stockage compression et reconstruction détection, analyse, reconnaissance (théorie de la décision, intelligence artificielle méthodes de base à partir desquelles de nombreuses adaptations : filtrage, convolution, analyse fréquentielle (Fourier) à deux dimensions extension des méthodes monodimensionnelles décomposition de l’image en régions stationnaires séparées par des contours caractérisés par leur pente, leur courbure faible et leur discontinuités ainsi que par leurs intersections (points caractéristiques) domaines d’application : dès qu’on dispose d’une image et qu’on souhaite en extraire une information : transmissions numériques, robotique, automatisation des tâches, télédétection, imagerie médicale, assistance à l’opérateur, ...

2 évaluation : contrôle continu : présence active pendant les cours
travaux dirigés : présence et travail réalisé en 12 semaines rapport écrit et présentation en fin de semestre soit vous proposez un sujet qui vous intéresse soit vous traitez détection de la pupille et de l’iris dans une image d’œil ou décomposition d’une image en régions et contours (simulation d’un vitrail) examen écrit portant sur les aspects mathématiques théoriques les méthodes et les algorithmes

3 [View from theWindow at le Gras, Joseph Nicéphore Niépce 1826]
1822 contact [View from theWindow at le Gras, Joseph Nicéphore Niépce 1826] One of the oldest surviving photographs. This image is believed to be the second photograph ever taken and the first using a camera.

4 exemple de problème (difficile) : compenser un bougé ou un flou

5 TRAITEMENT NUMERIQUE DES IMAGES
J. Le Roux, SI 4/ MAM 4 Fév.- Mai 2012 Introduction à l’image numérique exemples de problème : l’amélioration d’images 2. Filtrage convolution 2D (liens avec l’optique) Analyse en fréquence ; échantillonnage 3. Contours, Régions 4. Tomographie, imagerie médicale 5. Reconnaissance d’images 6. Divers problèmes d’analyse d’image télédétection remote sensing biométrie analyse d’images et robotique

6 1. Introduction à l’Image Numérique
Objectifs du cours Intensité, quantification ; couleurs Echantillonnage (pixels) ; Exemple de pb : la rotation d’images Liste de problèmes Compression images fixes animées Amélioration d’images Lissage Reconnaissance de formes Imagerie satellitaire Images médicales * représentation en perspective de l'intensité (bien voir les difficultés sur l'amplitude du signal) * il faut bien formaliser ce qu'on veut obtenir et modifier les méthodes académiques en conséquence si cela est nécessaire

7 2. Filtrage convolution 2D
Analyse en fréquence ; échantillonnage Convolution (liens avec l’optique) Sinusoïdes 2D orientation basses fréquences hautes fréquences Transformée de Fourier 2D propriétés Théorème de Shannon ; limitations en traitement d’images Gibbs, Franhaufer Airy Transformée de Fourier discrète  Transformée en cosinus (Compression jpeg) la célèbre Lenna icône du traitement d’images ...

8 3. Contours Régions Les difficultés    * les détections de contours et les segmentations en région ne sont en général pas très performantes Que faire quand le résultat est décevant ? Faut il fermer les contours ? et isoler les régions ? attention aux objectifs à atteindre dans le problème posé Morphological image processing Squelettisation Régions et texture Bruit de fond snakes Lissage Amélioration d’images préservant les contours

9 4. Stéréovision, Tomographie imagerie médicale
détection de points caractéristiques appariement de points (stéréo, séquence vidéo) Vision stéréographique, profondeur Interférences vision en relief holographie     * Medical image processing     * Microscope image processing www-physique.u-strasbg.fr/cours/lphys/Einstein_imageriemed.ppt

10 5. Reconnaissance d’images
Théorie de la décision La difficulté pratique : très grande variabilité Detection d’objets simples (transformée de Hough) * Computer vision     * Face detection     * Feature detection (reconnaissance) Biométrie Analyse de scène en robotique

11 6.  Problèmes divers d’analyse d’images
Images animées mpeg etc...    * image compression JPEG ondelettes     * images animées mpeg4 divx jerome rota     * H.264 ou AVC (Advanced Video Codec) Recherche du mouvement Remote sensing Problèmes inverses en traitement d’images

12 quelques références cours de Diane Lingrand
cours de Diane Lingrand R.A. Peters,Vanderbilt University Fundamentals of Image Processing Ian T. Young, Jan J. Gerbrands, Lucas J. van Vliet

13 Livres conseillés Olivier Faugeras,    with Nikos Paragios and Yunmei Chen * "Mathematical Models in Computer Vision", Springer, 2005edited Rafael C. Gonzalez, Richard E. Woods    * “Digital Image Processing” (2nd Edition) - - Addison-Wesley; /dip3e_downloads/dip3e_sample_book_material/dip3e_chapter_01.pdf Bernd Jähne    * Practical Handbook on Image Processing for Scientific Applications - - CRC Press; Diane Lingrand,  "Introduction au Traitement d'Images" 2nd edition, Vuibert, Paris, France, feb 2008, ISBN :     * A course in english     * Books available on the web     * Computer Vision Online W. K. Pratt,     * "Digital Image Processing" by John Wiley & Sons, inc., Third Edition, 2001 K.R. Rao, P.C. Yip -     * The Transform and Data Compression Handbook - CRC Press. John C. Russ    * The Image Processing Handbook (3rd Edition) - - Springer; N. Short, “remote sensing turorial” Alan Watt, Fabio Policarpo    * The Computer Image - - Addison-Wesley;

14 enhance contrast, remove noise,
detect edges, segment an image into regions, thin regions, or perform skeletonization on regions. Morphological functions Erosion and dilation Opening and closing Watershed segmentation Reconstruction Distance transform Detect lines and extract lines segments from an image using the Hough transform using texture analysis functions

15 Introduction à l’Image numérique
notions élémentaires sur l’image numérique une fonction scalaire ou vectorielle de deux variables f(x,y) notions sur la vision humaine et les capteurs intensité, couleurs, quantification dans la rétine Echantillonnage (pixels) ; histogramme des niveaux d’intensité Exemple de pb : la rotation d’images numériques

16 Qu’est ce qu’une image numérisée (noir et blanc)?
L’INTENSITE LUMINEUSE EST UNE FONCTION DE DEUX VARIABLES notez

17 il est très difficile d’interpréter le contenu d’une image en étudiant la fonction f(x,y) !
il est parfois important de se rappeler que la machine ne ‘voit’ pas l’image comme vous

18 quelques notions de biologie de la vision
couleurs l’œil la rétine les circuits neuronaux

19 Une image couleur f(x,y) est un vecteur à trois composantes
les chrominances peuvent souvent être codées avec une précision moindre (p. ex. un échantillon sur 2)

20 une image couleur = trois intensités (rouge, vert, bleu ou combinaisons)

21 une image couleur = trois intensités (rouge, vert, bleu ou combinaisons)

22 génération des intensités RVB d’un arc en ciel

23 Premières colorisations de film
Annabelle - Serpentine Dance (1894) [Edison]

24 l’oeil 125 millions de bâtonnets (intensité et vision nocturne)
5 millions de cônes (couleur)

25 Une protéine transmembranaire, l'opsine, sur laquelle vient se fixer un groupement le rétinène, qui n'est autre qu'un aldéhyde de la vitamine A ou rétinol subit l'arrivée d'un photon entre 650 et 400nm sur la partie rétinène de la rhodopsine qui passe alors de la conformation 11-cis à la conformation tout-trans (appelée métarhodopsine II). La métarhodopsine II produite par transformation de la rhodopsine sous l'effet de la lumière active une protéine : la transducine. Par la suite, les canaux Na+ des cellules réceptrices se ferment, provoquant une hyper-polarisation membranaire qui engendre un potentiel d'action électrique dans les cellules ganglionnaires.

26 recherches actuelles en neurologie :
quels sont les mécanismes mis en œuvre au niveau neuronal ? p. ex : au premier niveau : détection de contours et de leur orientation ensuite : qu’est ce que la mémoire enregistre ? comment le cerveau compare-t-il une nouvelle image aux données mémorisées pour éventuellement reconnaître un objet en quelques centièmes de secondes pour progresser : apport incontournable de l’imagerie médicale

27 quantification numérique
quantification en niveaux en couleurs traitements à base d’histogramme rehaussement quantification spatiale

28 noter l’effet de contraste près des transitions

29 pour chaque couleur l’intensité est en général codée sur un octet parfois 2
1bit 3 2 6-8 5 4

30

31 nombre de pixels d’une intensité donnée (souvent un octet) noir blanc modifier l’histogramme pour améliorer la qualité d’une image (contraste) grande sensibilité des capteurs des appareils photos numériques

32 construire l’histogramme
choisir un pas de quantification pour chaque niveau de quantification compter le nombre de pixel ayant ce niveau de quantification modifier les niveaux d’intensité blanc par exemple pour augmenter le contraste après modification noir blanc avant modification

33

34

35 échantillonnage des images
(nous reviendrons ultérieurement sur le théorème d’échantillonnage)

36 Pixels ; échantillons Abraham Lincoln [Salvador Dali, 1976] mosaïques formalisation rigoureuse (théorème de Shannon dans le cas des images)

37 il est possible malgré un échantillonnage grossier de retrouver l’information sur l’image ; toutefois la reconnaissance du portrait en ne se fondant que sur l’image en bas à droite peut poser de grandes difficultés de 4x4 à 128x128 pixels

38 Point Par Pouce Unité de mesure de la résolution, utilisée principalement pour les écrans et les imprimantes. En français on parle de Points Par Pouce (PPP) ou de Pixels Par Pouce, ce qui est un peut différent, en anglais on parle de Dots Per Inch (DPI) ou de Pixels Per Inch (PPI). Note : un pouce (inch) vaut 2,54 cm. Plus il y a de points par pouce, meilleure est la résolution d'une image. Les détails que l'on pourra voir seront plus fins. Par exemple un écran classique peut afficher 75 pixels par pouce, si on atteignait les qualités d’appareils actuels (12 millions de pixels p.ex.) on aurait de l’ordre de 250 pixels par pouce (10 pixels par mm qualité comparable à la photographie argentique)

39 quantité d’information contenue dans une image
(sans compression) quelques millions de pixels par image pixels couleurs trois couleurs niveaux de quantification de l’intensité huit bits par couleur une photo = quelques dizaines de millions de bits une page d’écriture = 40x60 caractères = vingt mille bits un livre = quelques millions de bits images animées 24 ou 25 images par seconde un film de 1h30 = 10 térabits (dix mille milliards) un cd audio = 10 milliard de bits

40 enhance contrast, remove noise,
detect edges, segment an image into regions, thin regions, or perform skeletonization on regions. Morphological functions Erosion and dilation Opening and closing Watershed segmentation Reconstruction Distance transform Detect lines and extract lines segments from an image using the Hough transform texture analysis functions

41 télédétection détecter une forêt des champs des rivières des routes des bâtiments

42 Attention aux fausses interprétations (face on mars)
attention aux fausses interprétations (image de mars ...) Attention aux fausses interprétations (face on mars)

43 reconnaître des objets

44 remote sensing surveillance détection intelligente de mouvement

45 l’importance du contexte dans l’interprétation d’une image

46

47 analyse de l’extension d’un feu de forêt

48 BIOMETRIE un domaine très sensible à l’heure actuelle

49 BIG BROTHER IS WATCHING YOU

50 la géométrie de l'oreille, méthode parfois utilisée par la police,
la démarche (vitesse, mouvements du corps, …), l'odeur corporelle, l'analyse des pores de la peau, la thermographie faciale, les ongles, l'irrigation sanguine ...

51 recherche de minuties

52 Abdenaim EL YACOUBI (la poste nantes)
exemple de reconnaissance d’écriture manuscrite contours haut et bas segmentation reconnaissance des « segments » dans une base de segments mémorisés et de leurs enchaînements (modèles de markov) Abdenaim EL YACOUBI (la poste nantes) ftp://ftp.irisa.fr/local/IMADOC/lorette/elyacoubi/MOUNIM.PPT

53 reconnaissance de visages
comment reconnaître automatiquement le visage malgré les mimiques, les variations d’éclairage, le bruit, les données manquantes, etc... qui c’est ?

54

55 qu’est ce que c’est ?

56 des problèmes concrets difficiles, car une multitude de
causes de variations d’une image à l’autre une très grande variété d’algorithmes et d’applications ; toutefois la première étape est souvent basée sur un filtrage linéaire ou une analyse en fréquence encore beaucoup de recherches pour arriver à comprendre les processus mis en jeu dans le cerveau