Traitement d'image
Le traitement d'image (souvent abrégé en TI par les spécialistes) 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'image 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'image, en faisant appel notamment à l'intelligence artificielle pour manipuler des connaissances, principalemement sur les informations dont on dispose à propos de ce que représentent les images traitées (connaissance du domaine).
La compréhension du traitement d'image 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,
- la mise au point, qui détermine 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.
| Sommaire |
Historique
Le traitement d'image 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'image 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'image pour améliorer les diagnostics fait 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'image dans un objectif esthétique se démocratise avec l'apparition d'autres logiciels dédiés (The Gimp, Paintshop Pro). Enfin la décennie s'achève sur l'engouement pour les ondelettes et les images multimodales.
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). 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).
Acquisition d'une image
L'étude de cette étape passe immanquablement par le système d'acquisition qui fait réference : l'œil. On utilise plus couramment des caméras video, ou récemment pourquoi pas des appareils photos numériques. 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.
Opérateur d'analyse
Beaucoup de systèmes, après un pré-traitement font une analyse simple de l'image, comme le calcul d'un paramètre.
Opérateur de traitement
On parle aussi d'opérateur de pré-traitement quand il s'agit d'améliorer l'image.
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. 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 éclaicir 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 (c'est un opérateur de décision!) 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.
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 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 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 points, moyenne pondérée par une gaussienne
- Prewitt : un détecteur de contours mélangeant du passe-bas et du passe-haut.
- Laplacien : un détecteur de contour 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 contrours permettant de limiter les amplifications des hautes fréquences des dérivées secondes par une gaussienne de variance ajustable.
Opérateur morphologique
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.
Reconnaissance des formes
Article principal : Reconnaissance des formes
La reconnaissance de formes est une branche de la vision artificielle. Elle consiste à identifier des formes pré-décrites dans une image numérique, et par extension dans un flux vidéo numérique.
Quelques exemples concrets de traitement d'image
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 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.
Glossaire en vrac
- zone d'intérêt dans la mise au point d'un système de traitement d'image, il n'est que rarement intéressant d'appliquer un opérateur de traitement d'image 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 Autant l'œil humain localise sans problème une information dans une image complexe, autant c'est pour l'ordinateur un défi complexe. L'opération qui consiste à trouver des points de repère dans une image est souvent appelée recalage.
- squelettisation permet d'obtenir le squelette d'une forme (objet de dimension inférieure que l'objet initial et qui preserve 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 transformer une image en primitive géométrique. Les primitives les plus employées sont les segments (contours) ou les surfaces (régions).
- calibration opération qui corrige les défauts des capteurs d'images.