Résumé de section
-
1. Description détaillée du cours
Le cours CSC 381 – Introduction to Digital Image Processing a pour objectif de fournir aux étudiants une compréhension approfondie, structurée et pratique des fondements du traitement numérique d'images et de leurs applications dans divers domaines tels que la vision par ordinateur, l'imagerie médicale, la photographie numérique, la télédétection, la sécurité et l'industrie.
Il ne s'agit pas uniquement d'un cours théorique sur les techniques de traitement d'images, mais d'un cours qui intègre à la fois les concepts mathématiques fondamentaux, les algorithmes de traitement et leur mise en œuvre pratique à l'aide d'outils logiciels appropriés (Matlab, Python/OpenCV, etc.).
Ce cours développe chez l'étudiant une vision systémique et opérationnelle du traitement d'images numériques en abordant les dimensions suivantes :
- Les composants d'un système de traitement d'images et leurs rôles dans une chaîne d'acquisition et d'analyse d'images ;
- Les éléments de la perception visuelle humaine et leur importance pour la conception de systèmes d'analyse d'images ;
- L'échantillonnage et la quantification : les processus fondamentaux de numérisation des images et leurs implications sur la qualité et la résolution ;
- L'amélioration d'images, en particulier l'égalisation d'histogramme, pour rehausser le contraste et la lisibilité des images ;
- Les espaces de couleur (RVN, Teinte-Saturation-Luminance, etc.) et les transformations associées pour la manipulation et l'analyse colorimétrique ;
- Les bases de la segmentation d'images, avec un accent particulier sur les algorithmes de détection de contours (Sobel, Canny, etc.) ;
- Les opérations de traitement morphologique (érosion, dilatation, ouverture, fermeture) pour l'analyse de formes et de structures dans les images.
Le cours vise à permettre aux étudiants de comprendre comment les techniques de traitement d'images sont utilisées pour extraire des informations pertinentes, améliorer la qualité visuelle et automatiser des tâches d'analyse dans des contextes réels.
Il intègre également les notions fondamentales de représentation des images, de filtrage, de transformation et d'analyse, qui sont au cœur des systèmes modernes de vision artificielle.
L'approche pédagogique du cours est résolument pratique et interactive. Chaque concept théorique est immédiatement illustré par des exemples concrets et mis en application à travers des travaux pratiques, des études de cas et un projet final. L'étudiant est encouragé à développer une pensée critique vis-à-vis des résultats obtenus et à comprendre les enjeux du traitement d'images dans divers domaines d'application.
2. Objectifs généraux du cours
À l'issue de ce cours, l'étudiant devra être capable de :
a. Identifier et décrire les composants d'un système de traitement d'images et leurs rôles respectifs ;
b. Expliquer les éléments fondamentaux de la perception visuelle humaine et leur importance pour l'analyse d'images ;
c. Appliquer les méthodes d'échantillonnage et de quantification sur des images numériques et comprendre leurs implications ;
d. Mettre en œuvre des techniques d'amélioration d'images, notamment l'égalisation d'histogramme, pour rehausser la qualité visuelle ;
e. Manipuler et transformer différents espaces de couleur pour des applications spécifiques ;
f. Utiliser des algorithmes de détection de contours pour la segmentation d'images ;
g. Appliquer les opérations morphologiques de base pour l'analyse et le traitement d'images ;
h. Mettre en œuvre des programmes de traitement d'images à l'aide d'outils logiciels appropriés (Matlab, Python -
Voir le syllabus
-
Voir le syllabus
-
Voir le syllabus
-
Voir le syllabus
-
Contenus :
- Présentation du cours, des objectifs, des modalités d'évaluation et des attentes.
- Définition et périmètre du traitement numérique d'images : qu'est-ce qu'une image numérique ? Pourquoi traiter les images ?
- Domaines d'application : imagerie médicale, vision industrielle, photographie numérique, télédétection, sécurité, divertissement, etc.
- Aperçu des étapes d'un système de traitement d'images : acquisition, prétraitement, segmentation, description, interprétation.
- Présentation des outils logiciels qui seront utilisés (Matlab, Python/OpenCV) : installation, prise en main, commandes de base.
- Exemple introductif : chargement, affichage et manipulation simple d'une image.
Objectifs pédagogiques :
- Comprendre la notion d'image numérique et l'importance du traitement d'images dans divers domaines.
- Connaître les grandes étapes d'un système de traitement d'images.
- Se familiariser avec l'environnement logiciel qui sera utilisé tout au long du semestre
-
Contenus :
- Structure d'un système de traitement d'images : acquisition, numérisation, traitement, affichage, stockage.
- Capteurs d'images : CCD, CMOS, fonctionnement, caractéristiques (résolution, sensibilité, bruit).
- Convertisseur analogique-numérique : échantillonnage et quantification.
- Processeurs et architectures matérielles : CPU, GPU, DSP, FPGA.
- Logiciels de traitement d'images : bibliothèques, langages, environnements de développement.
- Périphériques d'affichage : écrans, imprimantes, projecteurs.
- Étude de cas : analyse des composants d'un système de vision industrielle ou d'un appareil photo numérique.
Objectifs pédagogiques :
- Identifier et décrire les différents composants d'un système de traitement d'images.
- Comprendre les rôles et les interactions entre les composants matériels et logiciels.
- Analyser un système concret et en identifier les composants clés.
-
Contenus :
- Anatomie et physiologie de l'œil humain : cornée, cristallin, rétine, cônes, bâtonnets.
- Mécanismes de la vision : formation de l'image sur la rétine, transduction du signal lumineux, traitement dans le cerveau.
- Phénomènes de perception visuelle : adaptation à la lumière, sensibilité au contraste, résolution spatiale et temporelle, perception des couleurs.
- Modèles de perception visuelle : courbe de sensibilité spectrale, fonction de transfert de contraste.
- Implications pour le traitement d'images : compression perceptuelle, évaluation de la qualité perçue, amélioration d'images adaptée à l'œil humain.
- Étude de cas : analyse de l'impact de la perception visuelle sur la conception des écrans et des algorithmes de compression (JPEG, MPEG).
Objectifs pédagogiques :
- Comprendre les mécanismes fondamentaux de la perception visuelle humaine.
- Expliquer l'importance de la perception visuelle dans la conception des systèmes de traitement d'images.
- Appliquer ces connaissances pour évaluer la qualité perçue d'une image traitée
-
Contenus :
- Représentation d'une image numérique : matrice de pixels, niveaux de gris, couleurs.
- Échantillonnage spatial : résolution, fréquence d'échantillonnage, théorème de Nyquist-Shannon.
- Repliement de spectre (aliasing) : causes, effets, anti-aliasing.
- Quantification des niveaux de gris/couleur : nombre de bits, niveaux de quantification, bruit de quantification.
- Compromis résolution/profondeur de bits/taille de fichier.
- Visualisation et analyse des effets de l'échantillonnage et de la quantification sur des images tests.
- Exercices pratiques : sous-échantillonnage, quantification réduite, analyse des artefacts.
Objectifs pédagogiques :
- Comprendre les concepts d'échantillonnage et de quantification.
- Appliquer ces concepts sur des images numériques.
- Analyser les compromis et les artefacts associés.
-
Contenus :
- Histogramme d'une image : définition, interprétation, visualisation.
- Techniques d'amélioration d'images : étirement du contraste, transformations non linéaires, égalisation d'histogramme.
- Principe de l'égalisation d'histogramme : objectif, méthode, fonction de transfert.
- Avantages et limites de l'égalisation d'histogramme.
- Applications : amélioration d'images médicales, de photographies sous-exposées, d'images de télédétection.
- Comparaison avec d'autres techniques d'amélioration.
- Exercices pratiques : implémentation de l'égalisation d'histogramme, analyse des résultats sur différents types d'images.
Objectifs pédagogiques :
- Comprendre le concept d'histogramme et son utilisation.
- Maîtriser l'égalisation d'histogramme comme technique d'amélioration.
- Évaluer et comparer différentes techniques d'amélioration.
-
Contenus évalués :
- Introduction au traitement d'images et applications.
- Composants d'un système de traitement d'images.
- Éléments de perception visuelle.
- Échantillonnage et quantification.
- Amélioration d'images par égalisation d'histogramme
-
Contenus :
- Notion d'espace de couleur : pourquoi plusieurs espaces ?
- Espace RVB (Rouge-Vert-Bleu) : principe, avantages, limites.
- Espace Teinte-Saturation-Luminance : principe, composantes (Teinte, Saturation, Luminance), avantages pour l'analyse et le traitement.
- Espace CMJN (Cyan-Magenta-Jaune-Noir) : principe, applications (imprimerie).
- Espace YUV : principe, applications (télédiffusion, compression).
- Transformations entre espaces de couleur : formules, implémentation.
- Applications : traitement de la luminance sans affecter la couleur, segmentation par couleur, analyse colorimétrique.
- Exercices pratiques : conversion entre espaces de couleur, analyse d'images dans différents espaces.
Objectifs pédagogiques :
- Comprendre les principaux espaces de couleur et leurs propriétés.
- Maîtriser les transformations entre espaces de couleur.
- Utiliser les espaces de couleur pour des traitements spécifiques.
-
Contenus :
- Définition et objectifs de la segmentation d'images.
- Grandes catégories de méthodes de segmentation : basées sur les contours, basées sur les régions, basées sur les seuils.
- Notion de détection de contours : importance des contours dans la perception et l'analyse d'images.
- Opérateurs de gradient : Sobel, Prewitt, Roberts.
- Algorithme de Canny : étapes, paramètres, avantages.
- Évaluation de la qualité de la segmentation.
- Exercices pratiques : application des opérateurs de gradient, implémentation de l'algorithme de Canny, analyse des résultats.
Objectifs pédagogiques :
- Comprendre le concept de segmentation d'images.
- Connaître les principales méthodes de segmentation.
- Appliquer des algorithmes de détection de contours
-
Contenus :
- Approfondissement de l'algorithme de Canny : lissage gaussien, gradient, suppression des non-maximums, double seuillage, suivi des contours.
- Comparaison des opérateurs de détection de contours : Sobel vs Prewitt vs Roberts vs Canny.
- Détection de contours en présence de bruit : importance du lissage, choix des paramètres.
- Détection de contours dans des images en couleurs.
- Applications : détection d'objets, analyse de formes, vision industrielle.
- Exercices pratiques : optimisation des paramètres de Canny, comparaison des méthodes sur des images bruitées, analyse de cas concrets.
Objectifs pédagogiques :
- Maîtriser l'algorithme de Canny en profondeur.
- Comparer différentes méthodes de détection de contours.
- Appliquer la détection de contours dans des contextes réels.
-
Contenus :
- Introduction à la morphologie mathématique : concepts fondamentaux, éléments structurants.
- Opérations de base sur les images binaires : érosion, dilatation.
- Opérations dérivées : ouverture, fermeture.
- Applications : débruitage, épaississement, amincissement, détection de contours morphologiques, séparation d'objets.
- Extension aux images en niveaux de gris.
- Exercices pratiques : implémentation des opérations morphologiques, analyse des effets sur des images binaires et en niveaux de gris.
Objectifs pédagogiques :
- Comprendre les concepts de la morphologie mathématique.
- Maîtriser les opérations morphologiques de base.
- Appliquer ces opérations à des tâches de traitement d'images.
-
Contenus :
- Travail encadré sur un projet complet : les étudiants appliquent l'ensemble des méthodes vues sur un jeu d'images conséquent (fourni ou choisi).
- Étapes du projet : analyse des images, choix des techniques d'amélioration, mise en œuvre de la segmentation, évaluation des résultats.
- Accompagnement personnalisé (questions-réponses, revue des approches).
- Rédaction du rapport final et préparation de la présentation orale.
Objectifs pédagogiques :
- Mettre en pratique toutes les compétences acquises.
- Développer une autonomie dans la conduite d'un projet de traitement d'images.
- Apprendre à structurer et présenter un travail d'analyse d'images.
-
Contenus évalués :
- Espaces de couleur et transformations.
- Algorithmes de détection de contours pour la segmentation.
- Opérations morphologiques de base.
- Intégration globale des techniques (amélioration, segmentation, morphologie).
- Présentation orale des projets (10-15 minutes par groupe ou individu) avec questions-réponses.