Aller au contenu

Introduction au traitement des images

PDF icon Télécharger en PDF

  • Responsable de l'UE : Daniel RACOCEANU (daniel.racoceanu@sorbonne-universite.fr)
  • Code UE : UM4RBI11-Image1
  • Volumes horaires / étu : 14 h Cours, h TD, 14 h TP
  • Nombre de crédits de l'UE/EC : 3 ECTS
  • Parcours-type :
  • Semestre où l'enseignement est proposé : S1 S2 S3 S4
  • Langue d'enseignement : Français Anglais
  • Public concerné : Département SDI Autre (préciser) :
  • Localisation : Campus PMC Autre (préciser) :

Thématique

Cet enseignement a pour objectif de former les étudiants aux techniques essentielles de traitement d’images, avec une présentation des selon les modèles fondamentaux utilisés (linéaire, fréquentiel, statistique, différentiel, ensembliste et discret) ainsi qu'en fonction du niveau de traitement (pré-traitement aisi que traintement bas et haut-niveau). Introduction de méthodes de base d'apprentissage automatique (incluant l'apprentissage profond) pour le traitement des images. A l’issue de cet enseignement, les étudiants seront capables de comprendre et de maitriser les algorithmes et méthodes les plus importantes en traitement d’image, avec la capacité de trouver des solutions opérationnelles pour les applications / projets abordés.

Mots-clés : Traitement d'images, convolution, filtre médian, transformée de Fourier, filtres de Gabor, contour, région, texture, motifs, segmentation, recalage, compression d'images, restauration d'images, amélioration d'images, morphologie mathématique, histogramme, entropie, connexité, classification d'images, apprentissage automatique, apprentissage profond, CNN, U-net, sémantique, ontologies, espace latent.

Prérequis

Afin de suivre cette UE, doivent être acquis précédemment :

  • Mathématiques : représentation matricielle des données, équations matricielles
  • Mathématiques : statistiques, histogrammes ; éléménts de théorie de l'information, notion d'entropie
  • Mathématiques : équations différentielles, équations aux dérivées partielles ; transformée de Fourier, filtre de Gabor
  • Mathématiques : théorie des ensembles, mathématiques discrètes.
  • Programmation Python (algorithmes de base)
  • (souhaitable) Librairies Pyhton de traitement d'images (Pillow - extension de Python Imaging Library (PIL), OpenCV, scikit-image) ; Elements d'intelligence artificielle et d'apprentissage automatique. Librairies Python d'IA (TensorFlow/Keras et PyTorch) ; Elements d'évaluation des performances en apprentissage automatique (faux-positif, faux-négatifs, rappel / recall, précision, F1-score)

Acquis d'apprentissage visés (AAV)

À l'issue de cette UE, les étudiantes ou étudiants seront capables de :

  1. Conception : Fondements algorithmiques / Modèles fomdamentaux en traitement d'images
  2. Conception : Comprendre les niveaux de résolution des problèmes (pré-, bas, haut, sémantique)
  3. Analyse : Analyser un problème de traitement d'images : définir les spécifications d’un algorithme adapté à la tâche, aux données et aux contraintes matérielles
  4. Mise en œuvre : Réaliser le traitement défini dans la phase de conception pour optimiser les paramètres et les méta-paramètres de l’algorithme.
  5. Mise en oeuve : Maîtriser une librairie haut niveau (Python) dédiée à l’apprentissage pour implémenter l’algorithme
  6. Mise en œuvre : Préparer les données pour le traitement d'images
  7. Formater les données : passer des données brutes à des données exploitables par l’algorithme de traitement d'images (prétraitement, dimension, homogénéisation)
  8. Normaliser les données
  9. Visualiser les données ; représenter la distributions des données dans un espace de faible dimension visualisable
  10. Identifier les biais et les bais cachés
  11. Partitionner l’ensemble de données pour l’apprentissage, la validation et l’évaluation (si apprentissage automatique nécessaire)
  12. Mettre en oeuvre un chargement dynamique des données pour minimiser l’espace mémoire nécessaire pour l’apprentissage (dataloader)
  13. Evaluer les performances de l'algorithme mis en oeuvre.
  14. Mise en œuvre : Réaliser le traitement d'images défini dans la phase de conception pour optimiser les paramètres et les méta-paramètres de l’algorithme proposé
  15. Mise en œuvre : utiliser les outils de base de traitement d'images par apprentissage profond
  16. Evaluation : Elaborer un protocole expérimental adéquat pour résoudre un problème de traitement d'image
  17. Choisir la ou les modèles fondamentaux appropriés
  18. Identifier le niveau de résolution approprié (pre-, bas, haut)
  19. Bien préparer les données d'imagerie
  20. Mettre en oeuvre les modèles
  21. Tester et évaluer les modèles mis en oeuvre
  22. Sélectionner les métriques d’évaluation appropriées pour la tâche et les données (biais)
  23. Evaluation : méthodes d'évaluation des performances d'un modèle / algorithme / programme (courbe ROC, score F1, indice de Jaccard)
  24. Evaluation : méthodes de vérification des biais

Séquencement et modalités de l'enseignement (indicatif)

Semaine C/TD/TP Contenu Préparation AAV associé(s)
S1 C1 Modèles fondamentaux en traitement d'images : 1) Modèle linéaire (convolution) et 2) Modèle fréquentiel (Fourier, Gabor...) Prerequis 1,5 AAV1,2
S2 C2 Modèles fondamentaux en traitement d'images : 3) Modèle statistique (histogramme, entropie ...) et 4) Modèle différentiel (gradient, équations à dérivées partielles ...) Prerequis 2,3,4 AAV1,2
S3 C3 Modèles fondamentaux en traitement d'images : 5) Modèle ensembliste (morphologie mathématique ...) et 6) Modèle discret (maillage, connexité, distance ...) Prérequis 6 AAV1,2
S4 TP1 (3h) Extraction de composantes de couleur, génération du négatif de l'images, concersion couleurs en niveaux de gris, conversion en nuances de sépia, contrôle du contrast via la courbe tonale, seuillage, flip, génération de bord, relief, pixellisation. Lisibilité, filtrage par convolution, lissage, accentuation, gradient, filtre médian, filtre fréquentiel, aténuation du bruit, restauration d'images (documents et photos). Maitrises les concepts abordés en C1-C3. Prérequis 8 AAV3-7,9
S5 C4 Méthodes de prétraitement d'images (restauration, amélioration et compression d’images) " AAV1-3
S6 TP2 (3h) Photomaton, fusion d'images, égalisation exacte d'histogramme, all RGB, mesures d'objets (contexte industriel), classsification d'objects basée sur l'images (contexte industriel). Maitriser les concepts abordés en C1-C4. Prérequis 8 AAV3-7,9
S7 C5 Traitement de bas niveau : approche contour (frontière), approche région. Prérequis 4 AAV1-3
S8 C6 Traitement de haut niveau : recherche de motifs, classification de données, attributs de formes, de couleur et de texture. Maitrises les concepts abordés en C1-C3 AAV1-3
S9 TP3 (3h) Images panoramiques, gestion de la profondeur de champ et du flou dans les images, redimensioner une image en gardant sa vraisemblance, focaliser sur la région d'intéret de l'image. Maitriser les concepts abordés en C1-C6. Prérequis 8 AAV3-7,9,10
S10 C7 Elements d'apprentissage automatique classique et et profond pour le traitement d'images (U-net - segmentation, CNN - classification etc.). Espace latent, sémantique, ontologies, en traitement d'images. Méthodes d'évaluation (courbe ROC), vérification, analyse des biais Prérequis 9,10 AAV1-11
S11 TP4 (3h) Mise en œuvre de techniques de base d'apprenntissage automatique / profond pour la segmentation et la classification ; OInstantiation d'un espace latent, utilisation d'unee sémantique et des ontologies en traitement d'images ; Méthodologies d’évaluation / validation et de vérification de biais. Maitriser les concepts abordés en C7. Prérequis 9,10 AAV4-11
S12 Soutenances (2h) Soutenance de Projets Maitriser les concepts abordés en C1-C7. Prérequis 8, 9,10 AAV1-11

Déroulement de l'UE

L’UE se déroule en 3 séquences successives :

  • Séquence 1 : modèles fondamentaux (C1-3 + TP1,2 + Quiz1)

  • Séquence 2 : niveau d'élaboration des solutions / algoritmes (C4-7 + TP3,4 + Quiz 2)

  • Séquence 3 : élements d'apprentissage automatique pour le traitement d'images + evaluation - biais (C7 + TP4 + Projets)

Projets (challenge ou publication méthodologique à l'état de l'art)

Evaluation / soutenance de projets (ensemble des élements de mise en pratique (Python) et de synthèse ecrite et orale

Modalités d'évaluation des acquis d'apprentissage (1ère session)

Semaine Indiv/collectif Présentiel/distanciel Type d'examen AAV évalué(s) Barème %
S6 Collectif Présentiel Quiz AAV1 20%
S11 Collectif Présentiel Quiz AAV1-3, 9-11 40%
S12 Individuel Distanciel Autre AAV1-11 40%

2nde session

Session Indiv/collectif Présentiel/distanciel Type d'examen AAV évalué(s) Barème %
2 Collectif Présentiel Quiz AAV1-11 60%
1 Individuel Distanciel Autre AAV1-11 40%

Références bibliographiques

  • "Digital Image Processing" by Rafael C. Gonzalez and Richard E. Woods
  • "Image Processing: The Fundamentals" by Maria Petrou and Costas Petrou
  • "The Image Processing Handbook" by John C. Russ
  • "Computer Vision: Algorithms and Applications" by Richard Szeliski
  • "Deep Learning for Computer Vision: Expert Techniques" by Rajalingappaa Shanmugamani

Logo SDI Date de génération de la fiche d'UE : 14/01/2026 Logo SDI