Outils pour la vision artificielle

Chapitre 2 :

Extraction des caractéristiques

 Plan :

Chapitre 2 : Extraction des caractéristiques

1. Estimation des propriétés géométriques des objets,

2. Détection des couleurs,

3. Détection de contours,

4. Analyse de texture

5. Détection des points clés

84
Introduction

 La phase d’extraction des descripteurs est l’étape la plus délicate dans un système de vision.
 Elle permet d’extraire des grandeurs permettant de décrire les formes qui appartiennent à une
même classe, tout en les distinguant des autres classes. Ces grandeurs sont appelées
caractéristiques, descripteurs, primitives, attributs ou encore invariants.
 Les objets sont reconnus à partir d’un ensemble de caractéristiques.
 Cet ensemble de caractéristiques peut être un vecteur ou une chaine de caractères.

 Un descripteur peut être un codage du contour, une transformation fréquentielle, une mesure
statistique dans un espace spatial, un histogramme, une couleur, une analyse de texture, une
surface, un périmètre, un centre de masse…

les points de minutie Contour Descripteurs du visage

Outils pour la vison artificielle2024 85
Introduction :

Propriétés des descripteurs d’une forme

Robuste : au bruit, aux conditions d’acquisition de l’image.

 Discriminante : permet d’identifier quelques objets spécifiques parmi beaucoup d’autres
Efficacité : calcul rapide (temps réel)
 Invariance : à la translation, la rotation, le changement d’échelle, ...

 Il existe deux principales familles de descripteurs :

- Les approches globales (transformation en Ondelettes, les filtres de Gabor….)
- Les approches locales (approches structurelles, descripteurs de Harris, SIFT…)
- Les approches hybrides

Outils pour la vison artificielle2024 86

1. Estimation des propriétés géométriques des objets

• L'estimation des propriétés géométriques des objets est une étape clé en
traitement d'image et en vision par ordinateur.

• Plusieurs techniques permettent d'extraire des informations géométriques

essentielles, telles que la forme, la taille, l'orientation et la position d'un
objet dans une image.

• Ces informations sont cruciales pour la compréhension et l'analyse des

objets dans un contexte donné.
2. Détection de Couleur
Eléments de Colorimétrie :

La lumière couvre une partie du spectre d’énergie électromagnétique. Les longueurs d’ondes
du spectre visible s’étendent approximativement entre 380 et 780 nm.

Des études ont montré :

• l’œil ne sait pas distinguer les couleurs composant une couleur obtenue par addition de
deux couleurs.
• L’addition de certains couples de couleurs peut produire une impression de couleur blanche.
Les deux couleurs sont alors dites complémentaires.

Vision par Ordinateur 2024 88

2. Détection de Couleur
Les systèmes de représentation des couleurs :

 Toutes les couleurs peuvent être obtenues par la combinaison de trois principales
longueurs d’ondes appelés « les couleurs ou les longueurs d’ondes primaires ».
 Nous pouvons présenter une couleur donnée dans un espace à trois dimensions. Les
principaux systèmes de représentation des couleurs sont :

 Le système Red Green Blue (RGB)  Le système XYZ

 Le système Cyan Magenta Yellow (CMY)  Le système Hue Lumuinance Saturation

(HLS)

Vision par Ordinateur 2024 89

 2. Détection de Couleur
Les systèmes de représentation des couleurs :

- Système RGB (Red Green Blue)

- L‘espace chromatique RGB est le système colorimétrique standard utilisé dans la plupart
des systèmes vidéo pour coder une couleur.

- Dans le système RGB, une couleur est définie

par trois coordonnées (r,g,b).
- L’origine correspond à la couleur noire.
- Le blanc est obtenu lorsque r=g=b=valeur
maximale.
- Sur la droite reliant l’origine au sommet du
cube, on trouve tous les points de l’espace
vérifiant r=g=b et donc les couleurs grises.

Vision par Ordinateur 2024 90

2. Détection de Couleur
Les systèmes de représentation des couleurs :

- Système RGB (Red Green Blue)

Red Green Blue Couleur

0 0 0 . noir
... ... ... ... ...
0 0 255 . bleu
... ... ... ... ...
0 255 0 . vert
... ... ... ... ...
255 0 0 . rouge
... ... ... ... .
128 128 128 . Un niveau de gris
255 255 255 blanc

Vision par Ordinateur 2024 91

2. Détection de Couleur
Les systèmes de représentation des couleurs :

- Système CMY (Cyan Magenta Yellow)

Le système de représentation des couleurs Cyan-Magenta-Yellow (CMY) est le complément

du système RGB. En effet, dans le système RGB, à l’origine on trouve la couleur noire et au
sommet opposé on trouve la couleur blanche, alors que dans le système CMY, c’est la couleur
blanche qui constitue l’origine et au sommet opposé on trouve la couleur noire.

Vision par Ordinateur 2024 92

 2. Détection de Couleur
Les systèmes de représentation des couleurs

- Système HLS (Hue : Teinte, Ligtness : Luminance, Saturation : Saturation)

Le système HLS est caractérisé par :

- La teinte est associée à la longueur d’onde dominante

- La saturation est liée au degré de blanc dans la couleur

- La luminance est l’intensité de lumière que la couleur réfléchit

Composante teinte Composante saturation Composante luminance

Vision par Ordinateur 2024 93

 2. Détection de Couleur
Les systèmes de représentation des couleurs

- Système HLS (Hue : Teinte, Ligtness : Luminance, Saturation : Saturation)

Pour passer de la représentation initiale (RVB) au système HLS :

Avec : k1, k2 et k3 sont des coefficients de normalisation

Les valeurs des coefficients (a,b,c) =(0.612, 0.369, 0.019)

Luminance=A
Saturation=(C 12+C22)1/2
Teinte =arcos(C1/S)

Vision par Ordinateur 2024 94

2. Détection de Couleur
Les systèmes de représentation des couleurs

- Système XYZ

Les composantes du système XYZ sont liées à celles de RGB par la relation :

 X   2,7690 1,7518 1,13   R 

Y    1  
4,5907 0,0601 G
    

 Z   0 
0,0565 5,5943   B 

En normalisant les composantes XYZ par rapport à X+Y+Z, on obtient le système xyz
défini par :

 X
 x 
X Y  Z
 Y
 y 
 X Y  Z
z  Z
 X Y  Z

Vision par Ordinateur 2024 95

3.Détection de Contours :
Introduction :

- La détection du contour est une opération très coutante en vision.

- L’image contour est généralement une image binaire de faible taille
- Le contour détecté présente une information importante sur les différents objets de l’image.
- La détection de contour permet l’extraction des objets dans l’image

Outils pour la vison artificielle2024 96

3.Détection de Contours :
Introduction :

 Définition :
- Un contour est généralement la limite qui sépare les
objets qui constituent l’avant-plan (foreground) et
l’arrière-plan (background).
- Un contour est caractérisé par un changement brusque
d’intensité lumineuse.
- Un filtre passe-haut est utilisé pour la détection du
contour

 Méthode :
Le gradient (première dérivée) ou la Laplacien
(deuxième dérivée) de l’image sont les opérateurs de
bases pour déterminer les contours dans l’image.

 f (x, y )    2 f ( x, y ) 
   
 x   x 2 
 f ( x, y )   f ( x, y )  2
2
 f (x, y )    f ( x, y ) 
 y   
 y
2
  
Outils pour la vison artificielle2024 97
3.Détection de Contours :
Introduction :

► Il existe plusieurs méthodes de localisation et d’isolation du contour, Le rôle de

l’ingénieur de vision est de trouver les opérateurs les mieux adaptés aux exigences de
l’image à traiter.

Outils pour la vison artificielle2024 98

3.Détection de Contours :
Mise en évidence des zones de contours :

 Une zone de contour est

caractérisée par un passage d’un
niveau de gris à un autre niveau
différent.

Un maximum local au niveau de la dérivée première.

Un passage par 0 au niveau de la seconde dérivée.

Outils pour la vison artificielle2024 99

3.Détection de Contours :
Mise en évidence des zones de contours :

i). Approximations du gradient :

f
( x0 , y0 )  f ( x0  1, y0 )  f ( x0 , y0 )  1  1
x Masques associés

ou  f ( x0 , y0 )  f ( x0  1, y0 )  1  1
à la dérivée
première selon x
f ( x0  1, y0 )  f ( x0  1, y0 ) 1
ou   1 0  1
2 2
De même pour le masque associé à la dérivée seconde selon y

Image f f Contours horizontaux

f
Contours verticaux
x y
Outils pour la vison artificielle2024 100
3.Détection de Contours :
Mise en évidence des zones de contours :

ii). Approximations du Laplacien (2emeDérivée) :

2 f 
( x 0 , y 0 )   f (x0  1, y0 )  f (x0 , y0 )
x 2
x
  f (x0  1, y 0 )  f (x0 , y 0 )  f (x0 , y 0 )  f (x0  1, y 0 )
 f (x  1, y )  2 f (x , y )  f (x  1, y )  1  2  1
0 0 0 0 0 0
De même : le masque associé à la dérivée seconde selon y : Masques associés à la
  1 2emedérivée selon x
2 f   2
(x0 , y 0 )  f (x0 , y 0  1)  2 f (x0 , y 0 )  f (x0 , y 0  1)  
y 2
Masques associés à la 2eme
  1 dérivée selon y
D’où l’approximation discrète du Laplacien :

2 f 2 f
f  2  2 Masques associés à la
x y 2emedérivée selon x et y
 0 1 0 
f (x 0 , y 0 )  f (x0  1, y 0 )  f (x0  1, y 0 )  f (x0 , y 0  1)  1  4  1
 
 f (x0 , y 0  1)  4 f (x0 , y 0 )  0  1 0 

Outils pour la vison artificielle2024 101

3.Détection de Contours :
Autres approximations du Gradient :

- Filtres de Sobel :
Soient A : une image initiale.
Gx et Gy sont respectivement les approximations de la dérivée verticale et horizontale.

Les approximations des gradients

horizontaux et verticaux sont combinées
pour obtenir une approximation de la
norme du gradient:

Outils pour la vison artificielle2024 102

3.Détection de Contours :
Autres approximations du Gradient :

- Filtres de Sobel : Détection de contours (filtres de Sobel) + des prétraitements

Outils pour la vison artificielle2024 103

3.Détection de Contours :
Autres approximations du Gradient :

- Les filtres de Prewitt :

1 1 1   1 0 1
   
Filtre horizontal : h 0 0 0  Filtre vertical : v    1 0 1
  1  1  1   1 0 1
   
- Les filtres de Kirsch : Ce détecteur utilise huit noyaux de convolution lui permettant
de détecter des contours en fonction de huit directions:

Outils pour la vison artificielle2024 104

3.Détection de Contours :
Autres approximations du Laplacien :

Il existe d’autres approximations discrètes du détecteur Laplacien telles que :

0 1 0  1 1 1 1 4 1
1  4 1  ou 1  8 1 ou 4  20 4 ou …
     
0 1 0 1 1 1 1 4 1 

 Remarques :

- Les détecteurs de contour sont très variés.

- Généralement, les images issues d’un détecteur de contour présentent des objets avec des
zones de contour incomplètes.

Outils pour la vison artificielle2024 105

3.Détection de Contours :
Filtre Laplacien de Gaussienne (LoG) :

Le filtre Laplacien de Gaussienne ou Le filtre de Marr ou chapeau mexicain

 Le filtre Laplacien de Gaussienne est une combinaison d’un filtre passe-bas suivit d’un filtre
passe-haut :
- Le filtre passe-bas est une Gaussienne qui lisse l’image pour diminuer le bruit.
- Le filtre passe-haut est un Laplacien qui détecte les contours.

 Le filtre Laplacien de Gaussienne est un remède contre la sensibilité au bruit :

x2 y2
1  x y 
2 2 
LoG * I   2 * G * I   2G * I LoG(x, y )   1   e 2
2

 4 
 2 2  

Image Originale
 Remarque :

Le paramètre  permet de varier l’échelle de

variation du contour.
►  faible : Détection des contours fins
► grand : Détection de contour des objets
principaux.
1 < 2 < 3
Outils pour la vison artificielle2024 106
4. Analyse de texture :

 Une définition précise et universelle de la notion de texture est un problème non encore
résolu.
 Définition : une texture est une région d’une image présentant une organisation spatiale
homogène des niveaux de luminance (zone homogène en certain sens, assemblage d’entités
élémentaires formant un tout.

Exemples de texture :

Outils pour la vison artificielle2024 107

4. Analyse de texture :

Une texture peut être :

Textures périodiques Textures Non -périodiques

Applications :
- Reconnaissance et classification de matériaux, contrôle de qualité.
- Reconnaissance d’objets et segmentation.

Méthodes : Il existe diverses méthodes pour analyser la texture :

- Statistiques du premier ordre
- Décomposition en Ondelettes

Outils pour la vison artificielle2024 108

4. Analyse de texture :
1. Statistiques du premier ordre :

 L’analyse de la texture par la méthode Statistique du premier ordre est opérée sur des
images en niveaux de gris.

Soit I une image de dimension M × N, les paramètres statistiques du premier ordre sont :

Outils pour la vison artificielle2024 109

4. Analyse de texture :
1. Statistiques du premier ordre :

Moyenne = 137 Moyenne = 50 Variance = 30 Variance = 71

Asymétrie = 0.25 Asymétrie = -1.15 Aplatissement = 2.31 Aplatissement = -0.09

Outils pour la vison artificielle2024 110

4. Analyse de texture :
2. Les Ondelettes :

- Grand-père des Ondelettes : Dennis GABOR ingénieur électricien et physicien

anglais. Prix Nobel de physique en 1971 pour l’invention de l’holographie.

- Père des Ondelettes : Jean MORLET ingénieur polytechnicien français,

géologue pour la compagnie pétrolière Elf Aquitaine (1982)

 La transformation en Ondelettes a été exploitée dans divers domaines :

- L’astrophysique, la géophysique,
- Le codage des signaux, l’optoélectronique, les réseaux de communication
- La vision par ordinateur dans tous ces aspects industriels, médicaux, militaires…

 La transformation en Ondelettes est utilisée dans plusieurs applications tels que le

débruitage, la compression, la segmentation, la caractérisation, le rehaussement, la
reconnaissance de formes…

Outils pour la vison artificielle2024 111

4. Analyse de texture :
2. Les Ondelettes :

Définition :
La Transformée en Ondelette Continue est définie comme suit :

a est un facteur d’échelle et b est un facteur de translation.

: Ondelette mère

Il existe plusieurs familles de mère d’Ondelettes :

- Haar
- Daubechies
- Symlets
- Morlet
- Meyer

Outils pour la vison artificielle2024 112

4. Analyse de texture :
2. Les Ondelettes :

Analyse multirésolution :
 La multirésolution est une théorie permettant d’analyser la texture d’une image à différentes
échelles. D’une façon plus générale, elle permet d’effectuer un zoom à l’aide d'une fonction
d’échelle (Ondelette mère) pour regarder le signal de "très près" ou de "très loin".
 Le signal projeté sur la fonction d’échelle donne une représentation du signal d’origine à
l’échelle supérieure.

Exemple 1 :

Outils pour la vison artificielle2024 113

4. Analyse de texture :
[Link] Ondelettes :

Analyse multirésolution

Les Caractéristiques issues de la transformée en Ondelettes sont variées, nous citons :

- La moyenne et l’écart-type de la matrice d’approximation.
- L’écart-type de la matrice des détails horizontaux
- L’écart-type de la matrice des détails verticaux
- L’écart-type de la matrice des détails diagonaux

Remarques :
 La transformation en Ondelettes permet une bonne description de la texture d’une image.
 Le choix des caractéristiques extraites de la transformée en ondelettes n’est pas trivial et
dépend du domaine d’application considéré.
 Le choix de l’ordre de décomposition dépend également de l’application visée.
 La transformation en Ondelettes est sensible au changement d’éclairage, à la variation
d’échelle et à la variation d’orientation des objets dans les images. Une étape de
prétraitement est généralement nécessaire.

Outils pour la vison artificielle2024 114

4. Analyse de texture :
[Link] Ondelettes :
Application 1 : Principe du calcul de la Transformée en Ondelettes Discrètes sur un signal 1D :
Le principe de la TOD : séparer le signal en deux composantes représentants :
- L’allure générale du signal (basses fréquences)
- Les détails du signal (hautes fréquences)
Soit X0un signal 1D, on cherche à calculer la TOD : X0 = [ 9, 7, 3, 5 ]
En appliquant la transformation en ondelettes, on peut représenter cette suite avec 2
nouvelles suites :
 Une suite X1 de coefficients de moyenne de 2 termes consécutifs
 Une suite Y1 de coefficients de détail :
X1 = [ (9+7)/2, (3+5)/2 ] = [ 8, 4 ]
Y1 = [ (9-7)/2, (3-5)/2 ] = [ 1, -1 ]

On peut répéter ces opérations et ainsi obtenir plusieurs ensembles de coefficients

correspondant aux différents niveaux de détails :
Coefficients de moyenne : (approximations) Coefficients de détail :
X0 = [ 9, 7, 3, 5 ]
X1 = [ 8, 4 ] Y1 = [ 1, -1 ] Décomposition niveau 1.

X2 = [ 6 ] Y2 = [ 2 ] Décomposition niveau 2.
Outils pour la vison artificielle2024 115
4. Analyse de texture :
[Link] Ondelettes :

Si le signal originale : X0 = [ 9, 7, 3, 5 ] Alors :

La TOD d’ordre 2 donne : [ 6 2 1 -1 ]
Détail
niveau 1.
Détail
Approximation niveau 2.
niveau 2.

Application 1 : Principe du calcul de la TOD inverse sur un signal 1D :

L’extraction du signal initial se fait en réalisant le cheminement inverse :

Coefficients de moyenne : (approximations) Coefficients de détail :

X2 = [ 6 ] Y2 = [ 2 ] Passage du niveau 2 au
niveau 1.
X1 = [ 6+2, 6-2 ] = [ 8, 4 ]

Coefficients de moyenne : (approximations) Coefficients de détail :

X1 = [ 8, 4 ] Y1 = [ 1, -1 ] Passage du niveau 1 au
X0 = [ 8+1, 8-1, 4+(-1), 4-(-1) ] = [ 9, 7, 3, 5 ] niveau 0 (signal original).

Outils pour la vison artificielle2024 116

4. Analyse de texture :
2. Les Ondelettes :

Soit x(t) un signal, calculer la TOD d’ordre 3 d1 (k)

x(k)
Décomposition
niveau 1.

a1 (k)

d2 (k)

a3 (k)

a2 (k)
Décomposition
niveau 2. Décomposition
d3 (k) niveau 3.

Outils pour la vison artificielle2024 117

4. Analyse de texture :
[Link] Ondelettes :

Exercice 1 :

1. Soit le signal défini par x = [ 2 4 3 -1 -5 1 1 2 ].

Calculer la TOD sur ce signal.

Coefficients d’approximations Coefficients de détail :

a1= [ 3 1 -2 1.5 ] d1=[-1 2 -3 -0.5 ]

Coefficients d’approximations Coefficients de détail :

a2= [ 2 -0.25 ] d2=[ 1 -1.75 ]

Coefficients d’approximations Coefficients de détail :

a3= [ 0.875 ] d3=[ 1.125 ]

2. Retrouver la TOD inverse.

Outils pour la vison artificielle2024 118

4. Analyse de texture :
2. Les Ondelettes :
Application 2 : Principe du calcul de la Transformée en Ondelettes Discrètes sur une image 2D :
 La transformation en Ondelettes discrètes dans le cas d’une image en 2D revient à
appliquer successivement à chaque itération la transformation en 1D dans chacune des deux
directions de l’image.

 Chaque ligne dans l’image est considérée comme un signal monodimensionnel :

 Les coefficients d’approximation : sous-échantillonnés (moyenne des valeurs des
pixels 2 à 2) sont regroupés dans la portion gauche de l’image.
 Les coefficients de détail : sous-échantillonnés sont calculés à partir des coefficients
d’approximation et des valeurs initiales des pixels, et sont regroupés dans la portion
droite de l’image.

Suivant les lignes

Image L H

Outils pour la vison artificielle2024 119

4. Analyse de texture :
2. Les Ondelettes :

 Les colonnes sont maintenant vues comme un signal monodimensionnel :

 Les coefficients d’approximation sous-échantillonnés sont regroupés dans la portion
haute de l’image.
 Les coefficients de détail sont regroupés dans la portion basse de l’image.

Suivant les colonnes

LL HL
L H
LH HH

Les résultats retrouvés correspondent à la TOD de

l’image originale :
 LL : est la moyenne de l’image originale
 HL, HH, LH : les matrices d’approximations

Outils pour la vison artificielle2024 120

4. Analyse de texture :
2. Les Ondelettes :

Détails
Matrice Horizontaux.
d’approximation.

Détails
Détails Diagonaux.
verticaux.

Outils pour la vison artificielle2024 121

4. Analyse de texture :
[Link] Ondelettes :

Conclusion :

Algorithme de Mallat :

Outils pour la vison artificielle2024 122

4. Analyse de texture :
2. Les Ondelettes :

 Pour une décomposition en TOD d’ordre supérieur, nous appliquons la même démarche
sur la matrice d’approximation déjà obtenue.

Niveau 2 de décomposition : Niveau 3 de décomposition :

Outils pour la vison artificielle2024 123

4. Analyse de texture :
2. Les Ondelettes :

Remarques :

 A chaque itération (niveau de décomposition), on a une réduction des dimensions de

l'image et on obtient 4 images de taille réduite, l’une étant une véritable image en réduction,
les 3 autres apportant des informations permettant de reconstituer l’image à pleine
définition (coefficients de détails).

 La TOD est répétée un certain nombre de fois, pour un niveau de décomposition d’ordre
élevé les détails ne contiennent plus d’informations riches.

Application :

Calculer la TOD d’ordre 1 de décomposition sur l’image I suivante :

Outils pour la vison artificielle2024 124

4. Analyse de texture :
2. Les Ondelettes :

Solution :
L H
4 7 -1 -1
Suivant les lignes
4 6 0 -1
2.5 2.5 0.5 -0.5
4.5 6 0.5 0

Suivant les colonnes

LL HL
Niveau 2 de décomposition :
4 6.5 -0.5 -1
3.5 4.25 0.5 -0.25
0 0.5 -0.5 0
-1 -1.75 0 -0.25

LH HH
Niveau 1 de décomposition :
Outils pour la vison artificielle2024 125