• 256 valeurs : 8 bits

(1)

Bioinformatique

Automatisation d’analyse de données biologique

Franck DELAVOIE Université Paul Sabatier Département Biologie et Géosciences Laboratoire de biologie moléculaire eucaryote Bât. IBCG – CNRS

franck.delavoie@biotoul.fr L2S4

AUTOMATISATION D' ANALYSES DE DONNEES BIOLOGIQUES

IMAGES QUANTIFICATION

Nombre

Dimensions

Intensité signal Répétitif

Reproductible Beaucoup

de data

ORDINATEUR ELECTRONIQUE

AUTOMATE Rapidité

Quelle type d’image ? Image matricielle

- Une image matricielle est composée de pixel.

Qu'est ce qu’une image numérique matricielle ?

- Pixel est la contraction de PIcture Element.

- Le pixel est la plus petite unité de surface d’une image.

Carré Taille identique Une couleur valeur(s)

154 200 45 89 87 4 20

10 100 45 122 145 47 45

123 124 156 123 123 123 120

154 147 168 168 220 223 225

226 200 100 50 20 30 35

24 25 26 28 65 69 64

20 52 22 63 123 135 146

Image Matrice

x y

(x,y) = valeur

Exemple : (5,3) = 20

Résolution spatiale : nombre pixel / image

65536 pixels

4096 pixels 1024 pixels

(2)

• 16 valeurs : 4 bits

• 256 valeurs : 8 bits

• 65 536 valeurs : 16 bits

Codage d’une image matricielle

Nb de valeur = 2

^{nb bit}

=> 256 valeurs = 2

⁸

poids informatique d’un pixel

=> 8 bits = 1 octet/pixel

=> 4 bits = 0.5 octet/pixel

=> 4 bits = 2 octets/pixel

Résolution tonale : nombre couleur / pixel

64 niveaux gris

8 niveaux gris noir ou blanc

• Image binaire donc codage 1 bit => 2¹= 2 donc soit blanc soit noir

1 0 0 0 0 0 0

1 1 1 1 0 0 0

0 0 0 1 1 1 0

0 0 0 0 0 1 0

0 0 0 0 0 1 1

0 0 0 0 0 0 1

= 1

= 0

Image Matrice

3 1 1 1 0 0 0 3 3 3 3 0 0 0 0 0 0 3 3 3 0 0 0 0 2 2 3 0 0 0 0 0 0 3 0 0 0 0 0 0 3 3 2 0 0 0 0 0 3

• Image codée en 2 bits (2² = 4 niveaux de gris).

= 3

= 0 = 2

= 1

• Image en niveaux de gris codée entre 0 et 255 (8 bits = 2⁸valeurs = 256)

Image Matrice

255 0

Image Matrice

LUT

(3)

LUT jaune LUT niveau de gris

LUT ve rte

LUT (Look-Up Table)

Image en fausses couleurs

Image « vraie couleur » ?

• 110 à 125 millions

• Perception achromatique

• Très sensible (1 seul photon)

➔ Responsable de la vision de nuit ou en conditions de faible éclairage

• Responsable de la vision périphérique, perception de plus faible résolution mais sensible au mouvement

Les Bâtonnets Les cônes

• 4 à 7 millions concentrés au centre de la rétine

• Perception chromatique

• 3 types de cellules : Cônes L, M et S

• Responsable de la vision centrale haute résolution et en couleur

• Moins sensibles que les bâtonnets

Proportion des cellules pour chaque gamme de

longueur d'onde Sensibilités spectrales

des cônes L, M et S

Bleu Vert Rouge

Image couleur basée sur la vision humaine

Une image couleur corresponds à une superposition de 3 plans : Rouge / Vert / Bleu (RGB = Red / Green / Blue)

Image couleur = codage RGB

=

8bits

8bits +

+

RGB = 24bits 24 bits => 2²⁴ = 16 777 216 couleurs (TrueColor)

(4)

=

(0,0) = (35,35,35) (2,4) = (132,140,140)

Histogramme d’une image

Distribution des niveaux gris de l’image.

➠ Compter le nombre de pixel possédant un même niveau de gris.

8 bits => 2⁸ niveaux de gris = 256

Dynamique des niveaux de gris

16 bits => 2¹⁶ niveaux de gris = 65536

Dynamique des niveaux de gris

Histogramme d’une image RGB ?

AutoFocus

Histogramme

AutoContraste

(5)

AutoContraste

+ la différence entre les valeurs des pixels sombres et clairs est importante + l’image est contrastée

• Pour avoir une image bien contrastée, l’histogramme doit présenter une distribution uniforme des niveau gris => grande dynamique

• Pour améliorer le contraste d’une image : étirement de l’histogramme.

AutoContraste

AutoContraste AutoFocus

➔ Plus une image est floue, moins elle est contrastée

154 200 45 89 87 4 20

10 100 45 122 145 47 45

123 124 156 123 123 123 120

154 147 168 168 220 223 225

226 200 100 50 20 30 35

24 25 26 28 65 69 64

20 52 22 63 123 135 146

154 200 45 89 87 4 20

10 100 45 122 145 47 45

123 124 156 123 123 123 120

154 147 168 168 220 223 225

226 200 100 50 20 30 35

24 25 26 28 65 69 64

20 52 22 63 123 135 146

154 200 45 89 87 4 20

10 100 45 122 145 47 45

123 124 156 123 123 123 120

154 147 168 168 220 223 225

226 200 100 50 20 30 35

24 25 26 28 65 69 64

20 52 22 63 123 135 146

154 200 45 89 87 4 20

10 100 45 122 145 47 45

123 124 156 123 123 123 120

154 147 168 168 220 223 225

226 200 100 50 20 30 35

24 25 26 28 65 69 64

20 52 22 63 123 135 146

Segmentation

La segmentation permet de séparer les régions d'intérêt du fond, d'isoler les objets sur lesquels doit porter l'analyse.

(6)

Segmentation

Seuillage Texture

La segmentation d'images est l'un des problèmes phares du traitement d'images

Croissance Région Ondelette

Transformée de Hough

Texture Croissance Région

Split & Merge

➲ Segmentation d’image en régions homogènes Segmentation par texture

Segmentation par texture

Segmentation par croissance de région (region growing)

1. On initialise la région R à un pixel un groupe de pixels (seed).

2. On ajoute à R tous les pixels voisins de R qui sont suffisamment semblables à R L'ordre dans lequel les régions sont construites a une grande influence sur le résultat.

Segmentation par croissance de région (region growing)

(7)

Segmentation par seuillage

8 bits => 256 niveaux gris

Objets => Pixel noir Fond => Pixel blanc

154 200 45 89 87 4 20

10 100 45 122 145 47 45

123 124 156 123 123 123 120

154 147 168 168 220 223 225

226 200 100 50 20 30 35

24 25 26 28 65 69 64

20 52 22 63 123 135 146

650 X 515 pixels = 334750 pixels

1bit => Noir ou Blanc

Objets ? Fond ?

Segmentation par seuillage

Binarisation

39

• Le seuillage consiste à mettre à zéro tous les pixels ayant un niveau de gris inférieur à une certaine valeur (appelée seuil, en anglais treshold) et à la valeur 1 les pixels ayant une valeur supérieure.

➔ image binaire contenant des pixels noirs et blancs (binarisation).

seuil blanc noir

Segmentation par seuillage Segmentation par seuillage

Pixels « objet » Pixels « fond »

10 143 162 100 45 10 135 200 136 46 122 125 155 135 120

15 111 145 52 33

21 12 133 45 10

Seuil = 50

10 143 162 100 45 10 135 200 136 46 122 125 155 135 120

15 111 145 52 33

21 12 13345 10 Objet Fond Seuil = 40

10 143 162 100 45 10 135 200 136 46 122 125 155 135 120

15 111 145 52 33

21 12 133 45 10

Seuil = 110

10 143 162100 45 10 135 200 136 46 122 125 155 135 120 15 111 14552 33 21 12 13345 10 Segmentation par seuillage

Pixels « objet » Pixels « fond »

Pixels « objet » Pixels

« fond »

138 > Pixel objet > 255

32 > Pixel objet > 255

(8)

« Valide » Segmentation par seuillage

Image binaire

➔ Noir = objet

➔ Blanc = fond

Image initiale

Erosion Dilatation

Elimine les pixels isolés et érode les contours des objets Elimine les trous isolés dans les objets et dilate les

contours des objets Filtrage morphologique

Seuillage Binarisation

Erosion

(9)

Fill holes Analyse particles

Superposition des masques

Watershed

1) Ultimate eroded points 2) Dilate as far as possible

watershed

(10)

Taille du pixel ? Dimensions réelles des objets

Calibration

Taille du pixel

0,1 micron / pixel 10 pixels = 250 nm

Taille du pixel

0,1 micron / pixel 10 pixels = 250 nm

1 micron

Une taille d’objet connue dans l’image

1 micron

(11)

(12)

Automatisation du traitement d’image

Macro

MACRO

• Automatiser les tâches répétitives

• Documenter ce que vous avez fait

• Partager des procédures communes

MACRO C’est quoi ?

Un script (ou programme) permet d’automatiser l’exécution de plusieurs actions successives à partir d’un logiciel

Exemple : Macro « changement_texte » dans Word

➔ Taille police de 12

➔ Police en gras

➔ Remplacer les points par des virgules

Il pleut. c’est nul. Il pleut, c’est nul,

MACRO : Quelques notions

• Les fonctions => Actions déjà prédéfinis dans le logiciel

Ex: - changement taille police - Appliquer filtre médian

• Les variables : nombre ou texte qui défini un état ou une caractéristique d’une fonction

Ex: - changement taille police (fonction) en 12 (variable)

(13)

Les macros ne sont pas écrites à partir de zéro, mais enregistrés en utilisant l'enregistreur de macros

MACRO : Quelques notions

Exemple de macro

run("8-bit");

run("Set Scale...", "distance=240 known=8 pixel=1 unit=micron");

setAutoThreshold("Default dark");

//run("Threshold...");

setThreshold(43, 255);

run("Convert to Mask");

run("Fill Holes");

run(« Watershed");

run("Set Measurements...", "area perimeter decimal=2 »);

run("Analyze Particles...", "size=1-Infinity circularity=0.5-1.00");

Changement codage en 8bits

Bruit fond = pixels noirs donc objet= pixels clairs Segmentation par seuillage pixels « objet » = 43 - 255 et pixel « fond » < 43

binarisation

« remplir trou »

Les mesures seront : l’aire et le périmètre des objets Analyse des objets contenus dans l’image mais uniquement ceux qui ont une surface > 1 micron²et une circularité > 0.5

Calibration