Classification du Traitement d’images

LeTI, utilis´e dans le domaine de la vision par ordinateur, constitue une

ac-tivit´e majeure dans la recherche depuis de nombreuses ann´ees

4

. Les domaines

d’application de cet axe sont multiples et vari´es : inspection de d´efauts dans

les usines, aide `a la conduite, manipulation dans des lieux `a risques, etc.

Les trois exemples d´ecrits pr´ec´edemment, sans ˆetre exhaustifs, montrent

la vari´et´e des structures algorithmiques intervenant dans le domaine du TI.

Celles-ci sont caract´eris´ees par une h´et´erog´en´eit´e :

➀ des structures de donn´ees trait´ees (allant des matrices

bi-dimensionnelles de type image aux graphes d’attributs),

➁ des algorithmes mis en œuvre (allant d’un simple enchaˆınement

s´equentiel de fonctions jusqu’`a une ordonnancement dynamique de

tˆaches).

Concernant la nature des op´erateurs mis en jeu, diverses classifications

ont vu le jour. Traditionnellement, on d´ecompose le TI en trois classes

d’abstraction nomm´ees respectivement bas, moyen et haut niveau[WA91].

4

1.2.2.1 Le bas niveau

Les traitements bas niveau concernent essentiellement l’ensemble des

op´erations de pr´e-traitement et transformation dont la caract´eristique

premi`ere est de conserver la topologie bi-dimensionnelle de l’image

(trans-formation image → image). Une mˆeme s´equence d’instructions est

ap-pliqu´ee `a chaque point de l’image dans le but de faire ressortir certaines

caract´eristiques. Comme exemple, nous pouvons citer les op´erateurs de

cal-cul de gradient qui quantifient les variations de niveaux de gris entre pixels

voisins.

A l’int´erieur des traitements bas niveau, il est possible d’effectuer

´egalement une classification en sept cat´egories[Jon93] :

➟ Op´erations ponctuelles : le pixel r´esultat issu de la transformation

d´epend uniquement de la connaissance du pixel source dans l’image de

d´epart (Exemple : op´erateurs de seuillage).

➟ Op´erations sur voisinage local : les valeurs des pixels de l’image de

destination sont fonction `a la fois des pixels de mˆemes coordonn´ees

dans l’image source et ´egalement d’un voisinage local situ´e autour de

ce pixel (Exemple : convolution).

➟ Op´erations avec r´ef´erences non locales : ce type d’op´erateurs se

diff´erencie du pr´ec´edent dans le fait o`u le voisinage n’est plus local

mais peut ˆetre situ´e n’importe o`u dans l’image source (Exemple :

esti-mation de mouvement, calcul de flot optique).

➟ Op´erations r´ecursives sur voisinage : le r´esultat s’exprime `a partir du

pixel de mˆemes coordonn´ees, d’un voisinage de pixels dans l’image

source ainsi que d’un voisinage dans l’image r´esultat (Exemple :

im-plantation r´ecursive de filtres `a r´eponse impulsionnelle infinie).

➟ Op´erations globales : la valeur d’un pixel r´esultat est fonction de

l’ensemble des pixels de l’image source (Exemple : FFT).

➟ Op´erations g´eom´etriques : les pixels r´esultats sont fonction `a la fois

du pixel similaire dans l’image source, d’un voisinage local autour de

celui-ci et d’une transformation de position.

➟ Op´erations statistiques : le scalaire ou le vecteur de param`etres r´esultat

est fonction de l’ensemble des pixels de l’image source (Exemple :

his-togramme des niveaux de gris).

1.2.2.2 Le moyen niveau

Lestraitements moyen niveauont pour but l’extraction de l’information

utile dans les images trait´ees par les processus bas niveau. Ils constituent une

´etape interm´ediaire entre le bas et le haut niveau, manipulant conjointement

des repr´esentations bi-dimensionnelles ou symboliques.

Ils ont essentiellement pour objectif de diminuer le volume des donn´ees

(seule l’information utile est conserv´ee). Les algorithmes mis en jeu sont plus

complexes que ceux utilis´es lors des ´etapes de bas niveau. On peut les classer

en trois cat´egories distinctes[Leg95] :

➟ Op´erations image→liste : ces op´erations extraient l’information utile

dans les images trait´ees par le bas niveau. Ces traitements permettent

de lier les pixels ayant une caract´eristique commune. Les pixels ne sont

plus vus comme position dans l’image mais comme point caract´eristique

(Exemple : chaˆınage de points contour).

➟ Op´erations liste → liste : ces traitements permettent de cr´eer des

en-tit´es pour lesquelles la repr´esentation de l’information est beaucoup

plus dense (Exemple : approximation polygonale d’une chaˆıne de points

connexes).

➟ Op´erations liste→graphe : dans cette phase sont recherch´es les indices

visuels li´es par des caract´eristiques g´eom´etriques (sym´etrie, colin´earit´e,

orthogonalit´e, etc.), relationnelles (`a droite de, `a gauche de, etc.) `a

partir des donn´ees de type chaˆınes, segments, courbes, etc.

1.2.2.3 Le haut niveau

Lestraitements haut niveauexploitent les primitives issues des processus

de moyen niveau. Ils ont pour but l’interpr´etation de l’image ou la

recon-naissance des formes. Leur s´emantique est beaucoup moins bien d´efinie que

celle des algorithmes de bas et moyen niveau. Ils sont le plus souvent bas´es

sur la mise en correspondance des primitives avec un mod`ele extrait d’une

base de donn´ees. Ces op´erations font souvent appel `a des techniques issues

de l’Intelligence Artificielle.

L’ensemble des caract´eristiques des TI bas, moyen et haut niveau est

r´esum´e dans le tableau 1.1.

Bas niveau Moyen niveau Haut niveau

Structure des

donn´ees

matrice image liste de points,

graphe de

rela-tions

liste, graphe

Traitements locaux non locaux

op´erations simples

et r´ep´etitives

op´erations

r´ecur-sives et it´eratives

algorithmes de

reconnaissance

de formes

Nombre

d’op´erations

constant variable variable

Table 1.1: Caract´eristiques des op´erateurs de TI

1.2.3 Contraintes relatives aux syst`emes temps r´eel

Dans le document Prototypage rapide d'applications parallèles de vision artificielle par squelettes fonctionnels (Page 39-42)