Techniques de traitement d’images

Généralités sur le traitement d’image

Depuis longtemps, le public sait que: «Une image vaut mieux que mille mots», combinée avec la parole, l’image constitue un moyen essentiel dans la communication homme–machine «Une vidéo vaut mille phrases».De ce fait, le traitement d’image est devenu une discipline nécessaire, mettant en place un ensemble de techniques permettant d’extraire des informations, demodifier une image numérique (dans le but de l’améliorer), et d’automatiser son traitement. En résumé cette discipline permet d’ «Apprendre à voir aux machines».Le domaine de traitement d’image a vigoureusement évolué, et ses techniques sont actuellement utilisées pour résoudre une variété de problèmes pour lesquels on adapte des solutions selon la nature, les situations et les objectifs à atteindre.

Ce chapitre sera divisé en deux axes, le primer s’intéresse aux prétraitements d’images (notions de base), et le second aux techniques de traitement de ces dernières (filtrage, segmentation, …)Le traitement d’image commence à être étudié vers les années 1920, pour la transmission d’images par le câble sous–marin allant de New York à Londres.En effet, la première numérisation d’image avec compression de données pour envoyer des fax de Londres à New York1. Les années 1950, les premiers travaux sur l’analyse d’images dans les chambres à bulles. Les années 1960, ont vu le véritable départ du traitement d’images quand les ordinateurs commencent à être suffisamment puissants pour travailler sur des images. Les premiers essais sur l’extraction automatique d’information ont commencé avec le début de la décennie 70. Apres les années 80, il y a eu un passage de l’image 2D aux modèles 3D.

Système de traitement d’image

Dans le contexte de la vision artificielle, le traitement d’images 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’images, en faisant appel notamment à l’intelligence artificielle pour manipuler des connaissances, principalement sur les informations dont on dispose à propos de ce que représentent les images traitées (connaissance du domaine).Un système de traitement d’image est généralement composé des unités suivantes:

Un système d’acquisition et de numérisation qui permet d’effectuer l’échantillonnage et la quantification d’une image.

Une mémoire de masse pour stocker les images numérisées.

Un système de visualisation.

Une unité centrale permettant d’effectuer les différentes opérations de traitement d’images.

Les réseaux de KOHONEN

Ces réseaux sont inspirés des observations biologiques du fonctionnement des systèmes nerveux de perception des mammifères. La figure suivante indiqueque le réseau est constitué de deux couches, la première contient les patrons d’entrées, la deuxième constitue les sorties associées. Chaque neurone de cette dernière est connecté à tous les neurones d’entrées à travers n connexions qui portent les poids.Ce modèle utilise un apprentissage compétitif, dont le principe est qu’un seul neurone sera activé,après la propagation, ce dernier sera ensuite encouragé (C’est–à–dire que le neurone gagnant tout seul, selon une certaine fonction, ainsi que, dans certains cas, un certain voisinage de ce nœud, verra son poids modifié). On calcule le neurone gagnant4en choisissant, celui dont le vecteur des poids est le plus proche du vecteur d’entrées selon une distance euclidienne. L’apprentissage consiste à rapprocher les poids des neurones gagnants vers les valeurs d’entrées.

Les cartes de Kohonen se trouvent utiles dans le cas d’une classification automatique. En effet, on utilise les neurones de la couche de Kohonen comme des indicateurs d’appartenance à une classe donnée. Pour un certain neurone, le vecteur W de poids qui lui est associé indique le représentant de la classe que ce neurone à la tâche de symboliser. Ce neurone ne sera activé que si l’élément présenté au réseau est plus près du représentant de cette classe et que les représentants des autres classes sont plus ou moins loin. Bien sur, le problème de l’utilisation de réseaux de Kohonen pour effectuer ce type de classification automatique est dans le nombre de classes, et en même temps, dans le nombre de neurones de la couche de Kohonen. Notons que le réseau deKohonen trouvera des classes même s’il n’en existe pas.

Le rapport de stage ou le pfe est un document d’analyse, de synthèse et d’évaluation de votre apprentissage, c’est pour cela chatpfe.com propose le téléchargement des modèles complet de projet de fin d’étude, rapport de stage, mémoire, pfe, thèse, pour connaître la méthodologie à avoir et savoir comment construire les parties d’un projet de fin d’étude.

Table des matières

INTRODUCTION GENERALE
CHAPITRE I GENERALITES SUR LE TRAITEMENT D’IMAGE
I.1.Introduction
I.2.Historique
I.3.Notions de base
I.3.1.Le traitement d’Image
I.3.2.L’image
I.3.3.Image numérique
I.3.4.Caractéristiques de l’image
I.4.Système de traitement d’image
I.4.1.Acquisition et numérisation
I.4.2.Visualisation
I.5.Prétraitement d’image
I.5.1.Modification d’histogramme
I.5.2.Réduction de bruit
I.5.3.Rehaussement de contraste
I.6.Techniques de traitement d’images
I.6.1.Filtrage
I.6.2.Segmentation
I.6.3.Binarisation
I.7.Conclusion
CHAPITRE II LES RESEAUX DE NEURONES
II.1.Introduction
II.2.Historique & définition
II.2.1.Historique
II.2.2.Définition
II.3.Neurone biologique
II.3.1.Le neurone
II.3.2.Le fonctionnement
II.4.Neurone formel
II.4.1.Synoptique
II.4.2.Le fonctionnement
II.5.Architecture des réseaux de neurones
II.5.1.Réseaux multicouches
II.5.2.Réseaux à connexions locales
II.5.3.Les réseaux de neurones récurrents
II.5.4.Les réseaux de neurones à connexion complète
II.6.Apprentissage des réseaux de neurones
II.6.1.Définition
II.6.2.Techniques d’apprentissage
II.7.Apprentissage dans quelques réseaux célèbres
II.7.1.Perceptron
II.7.2.Réseaux multicouches
II.7.3.ADALINE
II.7.4.Les réseaux de HOPFIELD
II.7.5.Les réseaux de KOHONEN
II.7.6.Les réseaux RBF
II.8.Les étapes de la conception d’un réseau
II.8.1.Choix des échantillons
II.8.2.Elaboration de la structure du réseau
II.8.3.Apprentissage
II.8.4.Validation et tests
II.9.Les avantages et les inconvénients
II.10.Conclusion
CHAPITRE III AMELIORATION DE L’IMAGE PAR LES RESEAUX DE NEURONES
III.1.Introduction
III.2.Intérêt des réseaux de neurones dans le traitement d’image
III.3.Le principe utilisé
III.4.Architecture proposée du réseau de neurones
III.4.1.Architecture du réseau
III.4.2.Parcours de l’image
III.4.2.1.Le parcours automatique
III.4.2.2.Le parcours aléatoire
III.4.3.Apprentissage
III.4.4.Tests du réseau de neurones
III.5.Conclusion
CHAPITRE IV IMPLEMENTATION &SIMULATION
IV.1.Introduction
IV.2.Environnement de développement
IV.3.Description de l’application
IV.3.1.Partie traitement d’image
IV.3.2.Traitement par réseauxde neurones
IV.3.3.Phase des tests & résultats
IV.3.4.Conclusion
CONCLUSION GENERALE ET PERSPECTIVES
REFERENCES
BIBLIOGRAPHIQUES