Introduction à la vision par ordinateur et au traitement numérique des images
La vision par ordinateur est le domaine de l'intelligence artificielle qui permet aux ordinateurs d'extraire des informations pertinentes à partir d'images et de vidéos numériques, tentant ainsi de combler le fossé sémantique entre les données brutes de pixels et la compréhension humaine. Le traitement numérique des images constitue la couche fondamentale de la vision par ordinateur, en se concentrant sur la manipulation et l'amélioration des signaux d'image par des transformations pixel à pixel afin de préparer les données aux tâches interprétatives de plus haut niveau.
Principes clés
- Représentation des données : Au niveau machine, une image est un tenseur numérique plutôt qu'une image globale. Les images en niveaux de gris sont des matrices 2D de valeurs d'intensité, tandis que les images couleur sont des tenseurs 3D représentant les canaux Rouge, Vert et Bleu (RVB) de dimensions $H \times W \times 3$.
- Transformation vs. interprétation : Le traitement numérique des images s'intéresse principalement aux opérations image-à-image telles que la réduction du bruit, l'accentuation ou l'égalisation d'histogramme. La vision par ordinateur se concentre sur les opérations image-à-connaissance telles que la classification, la localisation et la segmentation d'objets.
- Le paradigme des graphismes inverses : La vision par ordinateur peut être considérée comme l'inverse de l'infographie. Alors que l'infographie cherche à générer un monde visuel à partir de modèles mathématiques, la vision cherche à reconstruire des structures 3D et des étiquettes sémantiques à partir de projections 2D.
Le défi principal
Le principal défi dans ce domaine est le fossé sémantique, à savoir le décalage entre les valeurs de pixels de bas niveau traitées par les machines et les concepts de haut niveau perçus par les humains.
Implémentation en Python
Question 1
Quel processus est classé comme une opération image-à-connaissance ?
Question 2
Au niveau machine, quelle est la structure de données d'une image couleur standard ?
Étude de cas : Système de diagnostic médical
Lisez le scénario ci-dessous et répondez aux questions.
Un hôpital développe un nouveau système de diagnostic médical automatisé conçu pour analyser des radiographies à la recherche de fractures osseuses potentielles. Le système traite les données brutes du capteur de la machine à rayons X et produit un rapport de diagnostic pour le radiologue.
Q
1. Si le système applique une amélioration du contraste pour rendre les structures osseuses plus nettes, s'agit-il de traitement numérique des images (DIP) ou de vision par ordinateur (CV) ?
Réponse :
Traitement numérique des images. L'amélioration du contraste est une transformation image-à-image qui améliore la qualité visuelle du signal sans en extraire le sens sémantique.
Traitement numérique des images. L'amélioration du contraste est une transformation image-à-image qui améliore la qualité visuelle du signal sans en extraire le sens sémantique.
Q
2. Si le système signale automatiquement une zone spécifique comme une fracture potentielle, quelle tâche effectue-t-il ?
Réponse :
Vision par ordinateur / Détection d'objets. Le système interprète le contenu de l'image pour en extraire une connaissance de haut niveau (localisation d'une fracture).
Vision par ordinateur / Détection d'objets. Le système interprète le contenu de l'image pour en extraire une connaissance de haut niveau (localisation d'une fracture).
Q
3. Pourquoi la réduction du bruit est-elle nécessaire avant d'exécuter un algorithme de détection ?
Réponse :
Pour améliorer la qualité du signal et réduire les faux positifs lors de la phase d'interprétation sémantique. Le bruit peut être interprété à tort par les algorithmes de CV comme de véritables caractéristiques ou contours.
Pour améliorer la qualité du signal et réduire les faux positifs lors de la phase d'interprétation sémantique. Le bruit peut être interprété à tort par les algorithmes de CV comme de véritables caractéristiques ou contours.