Cours de traitement d'images numériques

Leçon 1 • Nature des images numériques

Définit ce qu'est une image numérique et comment des scènes continues sont discrétisées en grilles de pixels. Ancre tous les concepts ultérieurs de traitement dans un modèle spatial concret.

Leçon 2 • Histogrammes et statistiques de pixels

Présente les histogrammes d'intensité comme outils de diagnostic pour l'analyse de l'exposition et du contraste. Relie la description statistique de l'image aux décisions d'amélioration dans les chapitres suivants.

Leçon 3 • Modèles et espaces colorimétriques

Couvre les représentations RVB, TSV, YCbCr et en niveaux de gris ainsi que leurs compromis pratiques. Permet une sélection éclairée de l'espace colorimétrique pour les tâches de filtrage et de segmentation.

Leçon 1 • Amélioration des images couleur

Applique les opérations ponctuelles dans les espaces TSV et LAB pour améliorer les images couleur sans distorsion de teinte. Relie la théorie de l'amélioration en niveaux de gris aux images multicanal.

Leçon 2 • Égalisation adaptative d'histogramme

Présente la CLAHE et l'égalisation locale par tuiles pour gérer le contraste variant spatialement. Étend les méthodes globales aux images avec un éclairage non uniforme.

Leçon 3 • Égalisation d'histogramme

Explique l'égalisation globale d'histogramme utilisant la FDC pour redistribuer les niveaux d'intensité. Montre comment les histogrammes uniformes améliorent le contraste perceptuel.

Leçon 1 • Accentuation et rehaussement des contours

Applique le filtrage laplacien, le masquage flou et le filtre de renforcement des hautes fréquences pour améliorer les détails fins. Relie l'accentuation aux opérateurs de dérivée seconde présentés dans cette section.

Leçon 2 • Opérateurs de détection de contours

Implémente les opérateurs de Sobel, Prewitt et Canny pour localiser les discontinuités d'intensité. Fournit les cartes de contours fondamentales utilisées dans la segmentation et l'extraction de caractéristiques.

Leçon 3 • Bases du filtrage morphologique

Présente l'érosion, la dilatation, l'ouverture et la fermeture sur les images binaires comme filtres basés sur la forme. Fait le pont entre le filtrage spatial et l'analyse structurale d'image dans les chapitres suivants.

Leçon 4 • Filtres de lissage et de réduction du bruit

Couvre les filtres moyenneur, gaussien et médian pour la suppression du bruit avec une analyse des compromis. Prépare les étudiants à sélectionner des filtres en fonction du type de bruit et des besoins de préservation des contours.

Leçon 1 • Filtrage homomorphique

Utilise le modèle illumination-réflectance et le filtrage dans le domaine logarithmique pour corriger un éclairage non uniforme. Étend les outils du domaine fréquentiel aux modèles de dégradation multiplicative de l'image.

Leçon 2 • Filtres passe-bas et passe-haut

Conçoit des filtres passe-bas et passe-haut idéaux, de Butterworth et gaussiens dans le domaine fréquentiel. Montre les artefacts de carillon et les compromis de la transition progressive.

Leçon 3 • Pipeline de filtrage dans le domaine fréquentiel

Couvre l'approche par multiplication en fréquence : transformer, filtrer, transformer inverse et post-traiter. Relie la théorie de la TFD à l'implémentation pratique du filtre.

Leçon 4 • Filtres passe-bande, coupe-bande et coupe-bande étroit

Construit des filtres passe-bande, coupe-bande et coupe-bande étroit pour isoler ou supprimer des bandes de fréquences spécifiques. Applique ces filtres pour éliminer les motifs de bruit périodique.

Leçon 1 • Filtrage inverse et pseudo-inverse

Dérive le filtre inverse et explique son instabilité due aux passages par zéro dans le spectre de la FMT. Motive les alternatives régularisées en montrant l'amplification du bruit.

Leçon 2 • Estimation et suppression du bruit

Estime la variance du bruit à partir de régions d'image uniformes et applique des filtres moyenneur, médian et adaptatif. Relie les statistiques du bruit à la sélection des paramètres du filtre.

Leçon 3 • Filtre de Wiener et régularisation

Dérive le filtre de Wiener en utilisant le rapport signal sur bruit et introduit la régularisation de Tikhonov. Fournit des outils pratiques pour restaurer des images floues avec des niveaux de bruit connus.

Leçon 4 • Déconvolution aveugle et estimation de la FMT

Couvre les méthodes d'estimation itérative de la FMT lorsque le noyau de flou est inconnu. Prépare les étudiants à la restauration en conditions réelles où les paramètres de dégradation doivent être inférés.

Leçon 1 • Contours actifs et level sets

Présente les modèles snakes et les méthodes level set pour la segmentation de contours déformables. Permet un ajustement précis des contours dans les contextes d'imagerie médicale et scientifique.

Leçon 2 • Segmentation basée sur les régions

Implémente les algorithmes de croissance de région, de partitionnement et de fusion de régions basés sur des critères d'homogénéité. Étend le seuillage à l'analyse de régions spatialement connectées.

Leçon 3 • Segmentation par ligne de partage des eaux et morphologique

Utilise les images de magnitude de gradient et l'inondation par ligne de partage des eaux pour délimiter les contours des objets. Aborde la sur-segmentation avec la ligne de partage des eaux contrôlée par marqueurs.

Leçon 4 • Méthodes de seuillage

Couvre le seuillage global d'Otsu, le seuillage multi-niveaux et les méthodes adaptatives locales. Fournit la base de segmentation la plus simple pour les images à fort contraste.

Leçon 1 • Descripteurs de caractéristiques locales

Construit les descripteurs SIFT, SURF et ORB qui encodent les histogrammes d'orientation du gradient autour des points d'intérêt. Permet un appariement robuste malgré les changements de point de vue et d'éclairage.

Leçon 2 • Espace d'échelle et détection de blobs

Présente l'espace d'échelle gaussien, les détecteurs de blobs LoG et DoG pour des points d'intérêt invariants à l'échelle. Étend la détection de points à la localisation de caractéristiques multi-échelle.

Leçon 3 • Appariement de caractéristiques et homographie

Applique l'appariement par plus proche voisin, le test du ratio et RANSAC pour trouver des correspondances fiables. Relie la description de caractéristiques à l'estimation de transformation géométrique.

Leçon 4 • Détection de coins et de points d'intérêt

Couvre les détecteurs de Harris, Shi-Tomasi et FAST pour localiser des points d'intérêt stables. Établit la détection reproductible de points comme première étape des pipelines de caractéristiques.

Leçon 1 • Architectures de détection d'objets

Couvre les détecteurs basés sur des ancres et sans ancres, incluant les frameworks YOLO et Faster R-CNN. Étend les CNN de classification à la localisation et aux tâches de détection multi-objets.

Leçon 2 • Fondamentaux des réseaux de neurones convolutifs

Explique les couches de convolution, le pooling, les fonctions d'activation et les couches entièrement connectées dans les CNN. Relie le filtrage spatial classique à l'extraction de caractéristiques convolutionnelles apprises.

Leçon 3 • Entraînement des CNN sur des données d'images

Couvre les fonctions de perte, la rétropropagation, les optimiseurs et la régularisation pour la classification d'images. Prépare les étudiants à entraîner des modèles à partir de zéro et à diagnostiquer les problèmes de convergence.

Leçon 4 • Restauration et génération d'images profondes

Applique les réseaux encodeur-décodeur, U-Net et GAN au débruitage, à la super-résolution et à la synthèse. Intègre l'apprentissage profond avec les concepts de restauration classique des chapitres précédents.