INFO911

INFO911 - Traitement et analyse d’image

Cours du semestre 9 de Master Informatique, CMI5 Informatique. [Jacques-Olivier Lachaud, August 2025]

Cours

1. Introduction

• Tour d’horizon du traitement et de l’analyse d’image et de ses domaines d’applications

2. Images: types et représentations

• Typologie et représentation des images

3. Perception, Colorimétrie, Histogramme

• Perception des couleurs et des formes
• Espaces colorimétriques
• Contraste, Histogramme, égalisation

4. Traitement “bas-niveau” des images

• Filtres et convolution
• Filtrage spatial - convolution discrète et 2D
• Filtrage fréquentiel
• Filtrage morphologique
• Applications: sous-échantillonnage, élimination de bruits, restauration, localisation des contours, rehaussement de contraste, transfert de couleurs, flot optique, … Pré-traitements de nombreux algorithmes plus haut niveau: segmentation, reconstruction 3d, mise en correspondance, recalage, calibrage, …

5. Segmentation en régions d’intérêt

• Dualité régions homogènes / contours hétérogènes
• Approches régions
• Approches contours
• Modèles hybrides
• Approches spécifiques
• Approche hiérarchique (scale sets)
• Représentation des régions, des contours, des hiérarchies
• Seuillage, clustering k-means

6. Détection de points caractéristiques / features
7. Formes: mesures, analyse et classification
8. Apprentissage automatique et réseaux de neurones

• Introduction à l’apprentissage par réseaux de neurones
• Apprentissage supervisé

9. “Shape from X”

• reconstruction 3D à partir de stéréovision / multivision
• reconstruction 3D à partir d’ombrage
• reconstruction 3D à partir de flou/focus

10. Video processing

• Flot optique

TPs

0. Installation et prise en main d’OpenCV
1. Colorimétrie, égalisation d’histogramme, tramage de Floyd-Steinberg
2. Traitement d’image bas niveau - filtrage spatial
3. Segmentation d’image hiérarchique, scale sets
4. Segmentation d’image, détection et classification d’objets par réseau de neurones convolutionnels

• détection et segmentation d’objets (Mask-R-CNN)

  (deprecated)

• détection d’objets (YOLO v3)

5. Segmentation temps-réel semi-supervisée par distance d’histogramme de couleurs

Ressources utiles

1. Notations utilisées dans le cours
2. Installation d’OpenCV
3. Tutoriaux OpenCV (certains sont très bien)

Evaluation

Vous serez évalué sur votre participation (“présence” en cours, implication, participation au exercices, questions) et sur vos réalisations en TPs.

Vous pouvez déposer une archive contenant le code du mini-projet “Segmentation temps réel” sur TPlab. Premier dépôt avant le 17 octobre (même vide), dernier dépôt avant le 26 octobre minuit. N’oubliez pas de mettre un fichier README indiquant les questions que vous abordez, ce qui marche ou pas.

Enfin, si vous voulez me montrer des réalisations supplémentaires sur vos autres TP, vous pouvez aussi les déposer dans l’archive, en décrivant sur le README vos addendum.

Historique

• Responsable 2023-2024 Cours/TD/TP : J.-O. Lachaud

Notes

Featured image generated by DeepAI image generator, with the text African savanah image with animals and labels (using their names instead of labels did not work at all). The version was not displayed, but it was run on August 2nd, 2025.