Traitement d'images

Un article de Wikipédia, l'encyclopédie libre.

Le traitement d'images désigne en informatique l'ensemble des traitements automatisés qui permettent, à partir d'images numérisées, de produire d'autres images numériques ou d'en extraire de l'information.

Il s'agit donc d'un sous-ensemble du traitement du signal dédié aux images et aux données dérivées comme la vidéo (par opposition aux parties du traitement du signal consacrées à d'autres types de données : son et autres signaux monodimensionnels notamment), tout en opérant dans le domaine numérique (par opposition aux techniques analogiques de traitement du signal, comme la photographie ou la télévision traditionnelles).

Dans le contexte de la vision artificielle, le traitement d'images se place après les étapes d'acquisition et de numérisation, assurant les transformations d'images et la partie de calcul permettant d'aller vers une interprétation des images traitées. Cette phase d'interprétation est d'ailleurs de plus en plus intégrée dans le traitement d'images, en faisant appel notamment à l'intelligence artificielle pour manipuler des connaissances, principalement sur les informations dont on dispose à propos de ce que représentent les images traitées (connaissance du domaine).

La compréhension du traitement d'images commence par la compréhension de ce qu'est une image. Le mode et les conditions d'acquisition et de numérisation des images traitées conditionnent largement les opérations qu'il faudra réaliser pour extraire de l'information. En effet, de nombreux paramètres entrent en compte, les principaux étant :

• la résolution d'acquisition et le mode de codage utilisé lors de la numérisation, qui déterminent le degré de précision des éventuelles mesures de dimensions,
• les réglages optiques utilisés, (dont la mise au point) qui déterminent par exemple la netteté de l'image,
• les conditions d'éclairage, qui déterminent une partie de la variabilité des images traitées,
• le bruit de la chaîne de transmission d'image.

Quelques exemples types d'informations qu'il est possible d'obtenir d'une image numérique :

• La luminance moyenne
• Le contraste moyen
• La couleur prédominante
• Le taux d'acuité moyen (précis ou flou)
• Le taux d'uniformité des couleurs

Sommaire 1 Historique 2 Types de données manipulées 3 Acquisition d'une image 4 Opérateurs de traitement d'images 4.1 Opérateurs point à point 4.2 Opérateurs locaux 4.3 Opérateurs Morphologiques Mathématiques 4.4 Construction d'une application de traitement d'images 5 Reconnaissance d'objets 6 Quelques exemples concrets de traitement d'images 7 Glossaire en vrac

[modifier] Historique

Le traitement d'images a commencé à être étudié dans les années 1920 pour la transmission d'images par le câble sous-marin allant de New York à Londres. Harry G. Bartholomew et Maynard D. McFarlane effectuèrent la première numérisation d'image avec compression de données pour envoyer des fax de Londres à New York. Le temps de transfert passa ainsi de plus d'une semaine à moins de trois heures. Il n'y a pas vraiment eu d'évolutions par la suite jusqu'à la période d'après-guerre.

Le traitement du signal prit de l'importance sur la fin de la Seconde Guerre mondiale avec l'arrivée du radar. La prospection pétrolière participa aussi beaucoup au développement des techniques de traitement du signal.

Le véritable essor du traitement d'images n'a lieu que dans les années 1960 quand les ordinateurs commencèrent à être suffisamment puissants pour travailler sur des images. Peu après, la redécouverte de la transformée de Fourier rapide (FFT) révolutionne le domaine, en rendant possible les manipulations du contenu fréquentiel des signaux sur ordinateur. Cependant, l'essentiel des recherches porte encore, à cette époque, sur l'amélioration des images et leur compression.

En 1980, David Marr formalise le premier la détection de contour de manière précise (D. Marr et E. Hildreth : Theory of Edge Detection, Proc. R. Soc. London, B 207, 187-217, 1980). Au cours des années 1980, un véritable engouement se fait jour pour le traitement de l'image et surtout pour la compréhension de l'image par des systèmes experts. Les ambitions étaient beaucoup trop grandes, l'échec fut d'autant plus cuisant.

Les années 1990 ont vu l'amélioration constante des opérateurs. La recherche médicale est devenue un très gros demandeur en traitement d'images pour améliorer les diagnostics faits à partir des nombreuses techniques d'imagerie médicale, la technique reine étant l'IRM. Les publicitaires puis le grand public se familiarisent avec la retouche d'image grâce au logiciel Photoshop, le traitement d'images dans un objectif esthétique se répand avec l'apparition d'autres logiciels dédiés (The Gimp, Paint Shop Pro). Enfin la décennie s'achève sur l'engouement pour les ondelettes et les images multimodales.

[modifier] Types de données manipulées

Le traiteur d'image dispose principalement d'images numériques, donc échantillonnées. Il dispose également de données intermédiaires de diverses natures : cartes de régions, listes de points connexes, tableaux de valeurs mesurées, etc.

En ce qui concerne les images proprement dites, elles sont vues comme des fonctions de dans ( représente les entiers relatifs et n le nombre de composantes de l'image, 1 pour du niveau de gris, 3 pour RGB, plus pour les images spectrales). La représentation la plus utilisée est un tableau à plusieurs dimensions (représentant les dimensions spatiales de l'image), dans lequel les valeurs ont une sémantique dépendant du type de signal qu'elles codent (l'intensité lumineuse du point, la distance à un point de référence, ou le numéro de la région d'appartenance par exemple).

[modifier] Acquisition d'une image

L'étude de cette étape passe immanquablement par le système d'acquisition qui fait référence : l'œil. On peut utiliser des webcams, des appareils photo numériques, des caméras industrielles, des caméras infrarouge... En médecine, on utilise des imageurs IRM, TEP, scanner X, échographie Doppler, échographie, scintigraphie, etc.

Tous ces systèmes peuvent être comparés à des capteurs. Il ne faut pas oublier qu'il y a une étape de conversion analogique/numérique. C'est souvent cette étape qui limite la résolution de l'image.

L'une des caractéristiques intéressantes de ces capteurs est la taille du plus petit élément (pixel), mais aussi l'intercorrélation de deux éléments voisins : plus cette intercorrélation est faible, meilleure est l'image.

[modifier] Opérateurs de traitement d'images

Par analogie avec les opérateurs mathématiques, on appelle opérateurs de traitement d'images des traitements plus ou moins complexes prenant en entrée une image ou un ensemble d'informations relatif à une image, et produisant une image ou un ensemble d'informations relatif aux données initiales.

On classe généralement les opérateurs en différentes familles, en fonction des informations qu'ils acceptent en entrée et qu'ils fournissent en sortie, et en fonction des transformations qu'ils font subir aux données. Ainsi, par exemple, on distingue (cette liste est loin d'être exhaustive) :

Opérateurs image→image :

• opérateurs de modifications pixel à pixel (aussi appelés opérateurs point à point) : changement de la dynamique de l'image, opérateurs binaires pixel à pixel (et, ou, xor, etc.) ;
• opérateurs locaux (traitent les pixels en fonction de leur voisinage) : opérateurs de flou, opérateurs morphologiques (érosion, dilatation, squelette), opérateurs de détection de contours ;
• opérateurs dans l'espace fréquentiel : opérateurs de réduction du bruit, filtres passe-bande (souvent utilisés en première approche pour améliorer l'image, on les appelle alors des opérateurs de pré-traitement) ;
• opérateurs globaux : calcul des distances.

Opérateurs image→ensemble d'informations :

• opérateurs de segmentation en frontières, en régions ;
• opérateurs de classification de pixels ;
• opérateurs de calcul de paramètres.

Opérateurs ensemble d'informations→image

• constructeurs d'image à partir d'une carte de régions ou de liste de frontières.

Les parties suivantes s'attachent à détailler les différents opérateurs et leurs applications habituelles, puis à présenter la manière dont ils sont combinés pour construire une application de traitement d'images.

[modifier] Opérateurs point à point

Cette amélioration peut servir dans un premier temps à faciliter la visualisation de l'image sur un écran d'ordinateur. Les capacités de vision de l'être humain étant limitées, il est indispensable d'adapter la dynamique de l'image à notre vision.

On parle souvent de Lookup Table ou LUT, que l'on retrouve également dans les FPGA. Il s'agit de l'opérateur le plus simple qu'on puisse trouver puisqu'en chaque pixel de l'image on modifie le niveau de gris à l'aide d'une fonction. Ainsi pour éclaircir une image, on applique la fonction log() à chaque niveau de gris. Au contraire pour rendre plus sombre une image un peu trop saturée, on applique une fonction exponentielle. On peut remarquer que le seuillage n'est rien d'autre qu'une table d'affichage particulière, celle qui associe le noir à tous les niveaux inférieurs à un certain seuil et le blanc à tous les autres. Il s'agit d'un opérateur très simple et particulièrement utilisé mais qui cache une grande difficulté, trouver le seuil adéquat et de manière automatique !

Ces opérations point à point, qualifiées ainsi car elles ne travaillent que sur un pixel (et non sur un voisinage), ont un effet bien limité. En présence de bruit elles ne sont d'aucune utilité.

[modifier] Opérateurs locaux

Il faut alors utiliser des opérateurs de traitement plus complexes scindés bien souvent en deux sous-catégories :

• les opérateurs linéaires,
• les filtres non linéaires.

La première sous-catégorie comprend tous les opérateurs pouvant exprimer leur résultat comme une combinaison linéaire des niveaux de gris d'un voisinage de l'image. Ces filtres possèdent des caractéristiques spectrales, on parle ainsi de filtre passe-bas (l'image devient floue) ou de filtre passe-haut (les contours ressortent).

La deuxième sous-catégorie comprend à la fois le domaine de la morphologie mathématique, mais des traitements plus complexes comme les détecteurs de points caractéristiques, l'opérateur de Di-Zenzo (détecteur de contour généralisé au cas couleur), le filtre Retinex, ainsi que les opérateurs homomorphiques (ceux qui travaillent sur le log de l'image), mais aussi tous les opérateurs permettant d'extraire par exemple des informations sur la texture de l'image (matrice de co-occurrence, indice fractal, longueur de plage...).

On a souvent l'habitude de voir un détecteur de contours s'appliquer après un filtre linéaire passe-bas... qui rend l'image floue ! La plupart du temps il faut combiner astucieusement filtre non linéaire et filtre linéaire afin de détecter ce que l'on souhaite tout en faisant abstraction du bruit.

Une fois le bruit éliminé et l'image restaurée afin de compenser les déformations introduites par le milieu de transmission et l'optique d'acquisition, on peut passer à l'étape de segmentation qui doit permettre de réaliser une partition de l'image en ensembles connexes homogènes.

Il existe deux grandes catégories de segmentations :

• la segmentation de région
• la segmentation de contour ; on se trouve alors confronté à un problème de représentation de résultat par des primitives simples.

La segmentation orientée contour connaît de nombreux progrès autour de l'utilisation de contours actifs ou des ensembles de niveaux. L'introduction d'aspects probabilistes (chaîne de Markov et champs de Markov) a permis de travailler en réduisant la connaissance a priori nécessaire pour obtenir un traitement satisfaisant.

Dans cette étape on retrouve souvent une partie de classification des pixels en classes. On essaye de regrouper au sein d'un même ensemble, aussi appelé classe, les pixels présentant une même caractéristique : niveau de gris compris dans un certain intervalle ou dérivée seconde supérieure à un certain seuil.

Liste en vrac d'opérateurs de filtrage linéaire :

• Gauss : rendre l'image floue en calculant une moyenne des niveaux en chaque point, moyenne pondérée par une gaussienne ;
• Prewitt : un détecteur de contours mélangeant du passe-bas et du passe-haut ;
• Laplacien : un détecteur de contours du deuxième ordre, le contour se trouve là où le laplacien change de signe (passage par zéro de la dérivée seconde) ;
• Canny : un filtre optimal (au sens de trois critères) pour détecter les contours ;
• Deriche : une variante du filtre de Canny tout aussi efficace ;
• Sobel : le plus illustre mais aussi le plus simple des détecteurs de contours. Un flou gaussien suivi d'une différence (horizontale pour les contours verticaux et verticale pour les contours horizontaux) ;
• Marr-Hildreth : le laplacien d'une gaussienne, un détecteur de contours permettant de limiter les amplifications des hautes fréquences des dérivées secondes par une gaussienne de variance ajustable.

[modifier] Opérateurs Morphologiques Mathématiques

Directement issus des mathématiques ensemblistes (Costas), les opérateurs morphologiques (l'érosion et la dilatation sont les plus connus) permettent de traiter efficacement des images binaires. Leur simplicité se prête bien au développement de circuits électroniques spécialisés (ou bien à l'utilisation de FPGA) dans les opérateurs morphologiques.

[modifier] Construction d'une application de traitement d'images

Les objectifs des applications peuvent être de différentes natures :

• détecter la présence d'un objet ou son absence,
• calculer les caractéristiques d'un ou de plusieurs éléments de l'image.

Dans tous les cas, l'idée est, en partant d'une image initiale, d'en extraire des informations. Pour cela, on va utiliser les opérateurs à la manière de briques logicielles, en les combinant et en les enchaînant. Ces techniques sont la base des systèmes de vision industrielle.

[modifier] Reconnaissance d'objets

La reconnaissance d'objets est une branche de la vision artificielle et un des piliers de la vision industrielle. Elle consiste à identifier des formes pré-décrites dans une image numérique, et par extension dans un flux vidéo numérique. Attention à ne pas confondre reconnaissance d'objets (object recognition ou shape recognition en anglais) et reconnaissance de formes (pattern recognition en anglais). La première s'attache à reconnaître des formes géométriques dans une image, alors que la seconde cherche à identifier des motifs dans des données statistiques. La confusion vient du fait qu'on utilise souvent la reconnaissance de formes comme technique appliquée à la reconnaissance d'objets.

[modifier] Quelques exemples concrets de traitement d'images

• Contrôle de présence/absence. Sur des chaînes de production, on vérifie en bout de chaîne avec une caméra vidéo la présence d'une pièce dans un ensemble plus complexe. Pour cela bien souvent il suffit de faire un simple seuillage dans une région spécifique.

• Contrôle du niveau de maturation des fruits sur une chaîne de conditionnement. Il s'agit de reconnaître à la couleur et à la texture du fruit son degré de maturité et donc la catégorie sous laquelle il sera emballé puis vendu.

• Construction et correction de cartes géographiques d'après des images satellites ou des images aériennes. On recale d'après des informations topographiques les images reçues, puis on les met sur la carte en correspondance avec les informations trouvées dans l'image : voies de communication, voies et plans d'eau, parcelles agricoles...

• Surveillance et évaluation de la production agricole. Il est possible de déterminer le degré de maturation des cultures, la quantité d'eau nécessaire pour l'irrigation, le rendement moyen... On peut ainsi établir des prévisions à large échelle de la récolte à venir.

• Reconnaissance de l'écriture. La reconnaissance de l'écriture manuscrite progresse de jour en jour. Elle est suffisamment opérationnelle pour que la majorité des adresses, même manuscrites, soient reconnues automatiquement sur le courrier postal.

• Recherche d'image par le contenu. L'objectif de cette technique est de rechercher, parmi une base de données d'images, les images similaires à une image exemple, ou ayant certaines caractéristiques, par exemple rechercher toutes les images comportant un vélo.

[modifier] Glossaire en vrac

• zone d'intérêt : dans la mise au point d'un système de traitement d'images, il n'est que rarement intéressant d'appliquer un opérateur de traitement d'images à la totalité de l'image. Le plus souvent seule une partie de l'image doit être traitée. Cette zone est dénommée zone d'intérêt.
• recalage : technique consistant à trouver une transformation géométrique permettant de passer d'une image (dite source) à une autre image (dite cible).
• squelettisation : permet d'obtenir le squelette d'une forme (objet de dimension inférieure que l'objet initial et qui préserve des informations topologiques ou géométriques par rapport à l'objet).
• filtre : autre nom d'un opérateur prenant une image en entrée et produisant une image.
• pixel : contraction de 'picture element', plus petit élément d'une image numérique 2D.
• voxel : déformation de pixel pour les images 3D, 'volume element'.
• segmentation : opération qui consiste à extraire d'une image des primitives géométriques. Les primitives les plus employées sont les segments (contours) ou les surfaces (régions).
• calibration : opération qui corrige les défauts des capteurs d'images.
• feuilles de formules utiles en vision : feuilles aide-mémoire pour les problèmes de vision numérique.