Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

OUTILS FONDAMENTAUX EN TRAITEMENT D’IMAGES Défis actuels Mégadonnées (big data)

OUTILS FONDAMENTAUX EN TRAITEMENT D’IMAGES Défis actuels Mégadonnées (big data) Square Kilometer Array Telescope : 300 To/s (100 × Internet) 9 Défis actuels Robustesse Repérer les comportements suspects de manière sûre 10 Défis actuels Performances informatiques Schneiderman, Kanade (2000) : × 1 Rowley, Baluja, Kanade (1998) : × 40 Viola, Jones (2001) × 600 11 « Image » On appellera image (numérique) une fonction I(x,y) où x, y et I sont à valeurs discrètes et finies. 12 « Image » On appellera image (numérique) une fonction I(x,y) où x, y et I sont à valeurs discrètes et finies. I(x,y) ■Chaque élément I(x,y) est appelé pixel (picture element). 13 « Image » On appellera image (numérique) une fonction I(x,y) où x, y et I sont à valeurs discrètes et finies. I(x,y) ■Chaque élément I(x,y) est appelé pixel (picture element). ■Image 3D (ex : IRM) ⇒I(x,y,z) 14 « Image » On appellera image (numérique) une fonction I(x,y) où x, y et I sont à valeurs discrètes et finies. I(x,y) ■Chaque élément I(x,y) est appelé pixel (picture element). ■Image 3D (ex : IRM) ⇒I(x,y,z) (→voxel) 15 « Image » On appellera image (numérique) une fonction I(x,y) où x, y et I sont à valeurs discrètes et finies. I(x,y) ■Chaque élément I(x,y) est appelé pixel (picture element). ■Image 3D (ex : IRM) ⇒I(x,y,z) (→voxel) ■Vidéo ⇒I(x,y,t) 16 « Image » On appellera image (numérique) une fonction I(x,y) où x, y et I sont à valeurs discrètes et finies. I(x,y) =   128 96 28   ■Chaque élément I(x,y) est appelé pixel (picture element). ■Image 3D (ex : IRM) ⇒I(x,y,z) (→voxel) ■Vidéo ⇒I(x,y,t) ■I(x,y) contient b ≥1 valeurs (nombre de bandes). 17 « Image » Bandes Nom de l’image Exemple d’application b = 1 à niveau de gris microscopie b = 3 RVB (rouge + vert + bleu) photo b = 4 RVB–IR (RVB + infrarouge) observation de la Terre b > 10 multispectrale observation de la Terre b > 1000 hyperspectrale observation de la Terre 18 « Traitement d’images » Le traitement d’image consiste à appliquer sur des images des transformations mathématiques dans le but d’améliorer leur qualité ou d’en extraire une information. 19 Objectifs du cours ■Identifier un problème de traitement d’image ■Énumérer les diﬀérents problèmes de traitement d’image ■Reconnaître le type de traitement qu’a subit une image ■Décrire le fonctionnement, les avantages, inconvénients et hypothèses des méthodes vues en cours ■Implémenter les méthodes à l’aide d’un langage de programmation scientifique ■Connaître la traduction français/anglais des diﬀérents termes 20 Contenu du cours ■Traitements et outils de base ■Restauration ■Détection de caractéristiques ■Segmentation ■Reconnaissance de formes ■Traitement d’images binaires ■Recalage ■Compression 21 Traitements et outils de base ■Opérations arithmétiques et logiques ■Histogramme ■Convolution ■Transformée de Fourier 22 Restauration Réduire (voire supprimer) les dégradations qu’a subit l’image (flou, bruit, …). ■Exemples : déconvolution, débruitage, … 23 Détection de caractéristiques Trouver les zones d’intérêt d’une image. ■Exemples : Détection de coins, de contours, de points caractéristiques 24 Segmentation Partition d’une image en régions pour extraire les objets d’intérêt. ■Exemples : imagerie médicale, photographie, astronomie, industrie, … 25 Reconnaissance de formes Identifier les objets. ■Exemples : reconnaissance d’objets, détection visage, lecture plaque minéralogique, … 26 Traitement d’images binaires Applications d’opérateurs de voisinage sur des images binaires (« noire ou blanche ») pour modifier et analyser la forme des objets. ■Exemples : supprimer les petits objets, fermer des contours, … 27 Recalage Définition et application d’une transformation géométrique entre plusieurs images pour les avoir dans le même système de coordonnées. ■Exemples : photographie, imagerie médicale, astronomie, … 28 Compression Diminution de la taille du message numérique en réduisant peu ou pas l’information, pour accélérer la transmission ou réduire le stockage. ■Exemples : RLE (BMP), LZW (GIF, TIFF, PNG), JPEG, … 29 Liens avec les autres cours ■Mathématiques appliquées ■Programmation scientifique ■Traitement du signal 30 Liens avec les autres cours ■Mathématiques appliquées ■Programmation scientifique ■Traitement du signal ■Traitement du signal 2D 31 Liens avec les autres cours ■Mathématiques appliquées ■Programmation scientifique ■Traitement du signal ■Traitement du signal 2D ■Cours de l’UE Images et vision : Vision par ordinateur, Morphologie mathématique, Analyse de séquences d’images, Problèmes inverses, Maillage et visualisation, Géométrie Discrète, Classification et reconnaissance de formes, Traitement statistique, Modèles déformables. 32 Enseignants Vincent Mazet bureau C219 vincent.mazet@unistra.fr Vincent Noblet bureau C211 vincent.noblet@unistra.fr Alix Bouchon bureau B252 alix.bouchon@etu.unistra.fr 33 miv.u-strasbg.fr/mazet/ofti/ 34 Emploi du temps 14/10/2015 Introduction + Traitements et outils de base 04/11/2015 Restauration 18/11/2015 Détection de caractéristiques + Segmentation 25/11/2015 TP 1 + Reconnaissance de formes 02/12/2015 Traitements d’images binaires + TP 2 09/12/2015 Recalage + TP 3 16/12/2015 TP 4 + Compression 13/01/2015 Examen 35 Évaluation ■Examen le 13 janvier 2016 : questions de cours et exercices d’application ■Feuille A4 recto-verso autorisée ■Appareils électroniques interdits 36 Bibliographie 37 Bibliographie 38 Bibliographie 39 uploads/Sante/ intro-pdf.pdf