Chapitre 4 : Techniques Avancées de Traitement d'Image
Ce chapitre explore les techniques avancées de traitement d'image qui permettent de manipuler,
analyser et extraire des informations complexes des images. Ces techniques jouent un rôle clé
dans des applications sophistiquées comme la vision par ordinateur, la reconnaissance faciale,
et la détection d'objets. Nous aborderons ici deux concepts fondamentaux : la transformation
de Fourier et les filtres de convolution, avec des explications détaillées et des exemples
concrets.
4.1. Transformation de Fourier
La transformation de Fourier est une technique mathématique permettant de convertir une
image de sa représentation spatiale (pixels organisés selon leur position) à une représentation
fréquentielle (information organisée par fréquence).
a) Qu'est-ce que la Transformation de Fourier ?
• En traitement d’image, la transformation de Fourier décompose une image en un
ensemble de fréquences.
• Fréquences basses : Ces fréquences représentent les informations globales, comme les
grandes zones de couleur uniforme.
• Fréquences hautes : Ces fréquences représentent les détails fins comme les contours et
les textures.
Représentation fréquentielle
L'image est transformée en une carte de fréquences où chaque pixel correspond à une fréquence
particulière. Par exemple :
• Un point brillant au centre de la carte représente les basses fréquences.
• Les points éloignés du centre représentent les hautes fréquences.
b) Applications de la Transformation de Fourier
1. Filtrage des Images
o Filtre passe-bas : Permet de lisser l’image en supprimant les hautes fréquences
(détails fins ou bruit).
1
o Filtre passe-haut : Permet d’accentuer les bords et les détails en supprimant les
basses fréquences.
2. Compression d’Image
o Utilisée dans des formats comme JPEG pour représenter les données avec une
perte minimale de qualité.
3. Analyse de Motifs
o Utile pour identifier des motifs périodiques ou répétitifs dans une image.
c) Exemple : Transformation de Fourier en Python avec OpenCV
Voici comment appliquer la transformation de Fourier et analyser le spectre de fréquences d'une
image.
2
4.2. Convolution et Filtres de Convolution
La convolution est une opération mathématique qui applique un filtre (noyau) sur une image
pour en extraire des caractéristiques ou appliquer des transformations.
a) Principe de la Convolution
La convolution consiste à :
1. Placer un noyau (matrice de petite taille, par exemple 3x3 ou 5x5) sur une région de
l’image.
2. Multiplier les valeurs du noyau par les pixels correspondants.
3. Additionner les produits pour obtenir une nouvelle valeur de pixel.
Noyaux Courants :
3
b) Applications des Filtres de Convolution
1. Floutage
Utilisé pour lisser les images et réduire le bruit.
2. Accentuation des Détails
Les filtres passe-haut permettent de mettre en évidence les contours ou les textures.
3. Détection de Contours
Les filtres comme Sobel ou Prewitt sont utilisés pour détecter les contours dans une
image.
c) Exemple : Convolution en Python
4
4.3. Réseaux de Neurones Convolutifs (CNN)
Les réseaux de neurones convolutifs (CNN) exploitent les convolutions pour analyser les
images. Les CNN sont utilisés dans des applications comme la reconnaissance faciale, la
détection d'objets, ou encore le traitement médical d'images.
a) Fonctionnement
• Les premières couches apprennent à détecter les caractéristiques simples, comme les
bords.
• Les couches plus profondes combinent ces caractéristiques pour détecter des objets
complexes.
b) Exemple de CNN en PyTorch
Les CNN utilisent ces couches pour apprendre automatiquement les caractéristiques d’une
image, rendant possible des applications comme la classification ou la segmentation.
Conclusion
Les techniques avancées comme la transformation de Fourier et les filtres de convolution
sont des piliers du traitement d'image moderne.
5
• La transformation de Fourier est idéale pour analyser les fréquences et manipuler les
motifs périodiques.
• Les convolutions, quant à elles, sont la base des réseaux de neurones convolutifs, qui
dominent aujourd'hui les domaines de la vision par ordinateur et de l'intelligence
artificielle.
