Sam 18 Mai 2019 - 0:03 par 
L’analyse de l’image a pour but d’extraire de l’information à partir de photographies numériques d’une manière quantitative et automatique. C’est une technique pluridisciplinaire, possédant un champ d’applications très varié, allant de la robotique à l’astronomie, la géographie, les sciences de la terre et de la vie et bien entendu la science des matériaux.
L’intérêt de l’analyse de l’image en microscopie quantitative est de faire le lien entre la microstructure et les propriétés macroscopiques grâce aux progrès de l’informatique. Ceci requiert deux étapes fondamentales : primo l’extraction des objets de l’étude et secundo le choix des paramètres de mesure. Un analyseur d’images est ensuite nécessaire pour transformer l’image en format « digital » indispensable pour les compilations selon les besoins de l’opérateur. Ce traitement de l’image permettra de travailler sur des images plus « utiles » par l’accès à de nouvelles descriptions morphologiques dans un seul but : transformer l’image initiale en d’autres images plus exploitables. Les analyseurs d’images accèdent aux mesures de base par des comptages du nombre de pixels (picture elements) qui appartiennent à la phase analysée.
Méthodes de traitement numérique des images
-----------------------------------------
a) L’amélioration
L’amélioration regroupe toutes les opérations sur une image ayant pour but d’avoir une meilleure qualité visuelle. L’œil humain étant essentiellement sensible aux contrastes forts, les méthodes de traitement d’image tentent le plus souvent d’augmenter le contraste pour accroître la séparabilité des régions qui composent l’image. Parmi ces méthodes on cite :
Les méthodes ponctuelles : Elles traitent les pixels de l’image de façon indépendante de leur voisinage. La seule information prise en compte est la valeur du niveau de gris du pixel quelque soit sa position dans l’image. Ces méthodes sont basées sur la modification de l’histogramme typique des niveaux de gris de l’image.
L’amélioration globale utilise des filtres sur la représentation fréquentielle. Un exemple des ces filtres est le filtre gaussien qui réalise une atténuation progressive des fréquences. La transformation inverse de Fourrier permet de retrouver l’image améliorée dans l’espace d’origine.
b) La restauration
L’objectif capital de la restauration d’images est l’atténuation, voire la suppression des dégradations que subit une image. Ces dégradations ou « bruits » sont liées à la chaîne d’acquisition c'est-à-dire la transmission du microscope au système informatique ainsi qu’au moment de création et d’enregistrement de l’image. Le principe est simple : modéliser la dégradation et appliquer la dégradation inverse.
Exemple : Réstaurer des biais pouvant être introduits si l’éclairage n’est pas homogène.
c) Le seuillage
Le traitement de l’image fait appel au seuillage (Threshold) qui va tenter d’associer à chaque pixel un label en s’appuyant sur l’information portée (niveau de gris ou couleur) et sa distribution spatiale sur le support image. L’image sera segmentée en classes de niveaux de gris en se basant uniquement sur l’histogramme. Le seuillage en " n " classes consiste à déterminer (n–1) seuils tels que chaque classe soit associée à un intervalle de niveau de gris distinct. Le cas le plus simple est celui des images binaires à deux classes (images en noir et blanc). Un bon seuillage doit faciliter l’interprétation en simplifiant l’image sans pour autant en avoir trop réduit le contenu. L’histogramme d’une image numérique peut être approximé à une fonction de n densités de probabilités chacune associée à une classe de l’image. La recherche du seuil maximal se ramène à la minimisation des erreurs au sens statistique.
La détection de frontières et d’éléments particuliers par un compilateur automatique nécessite un algorithme comprenant : (i) un seuillage local, (ii) une analyse des configurations locales et (iii) un chaînage des masques de contours. Une frontière est idéalement le passage d’un pixel de valeur 1 à un pixel de valeur 0 dans une image binaire. Dans le cas d’une image à niveaux de gris, on peut se ramener à un seuillage binaire local puis on analyse les configurations locales binaires.
L’intérêt de l’analyse de l’image en microscopie quantitative est de faire le lien entre la microstructure et les propriétés macroscopiques grâce aux progrès de l’informatique. Ceci requiert deux étapes fondamentales : primo l’extraction des objets de l’étude et secundo le choix des paramètres de mesure. Un analyseur d’images est ensuite nécessaire pour transformer l’image en format « digital » indispensable pour les compilations selon les besoins de l’opérateur. Ce traitement de l’image permettra de travailler sur des images plus « utiles » par l’accès à de nouvelles descriptions morphologiques dans un seul but : transformer l’image initiale en d’autres images plus exploitables. Les analyseurs d’images accèdent aux mesures de base par des comptages du nombre de pixels (picture elements) qui appartiennent à la phase analysée.
Méthodes de traitement numérique des images
-----------------------------------------
a) L’amélioration
L’amélioration regroupe toutes les opérations sur une image ayant pour but d’avoir une meilleure qualité visuelle. L’œil humain étant essentiellement sensible aux contrastes forts, les méthodes de traitement d’image tentent le plus souvent d’augmenter le contraste pour accroître la séparabilité des régions qui composent l’image. Parmi ces méthodes on cite :
Les méthodes ponctuelles : Elles traitent les pixels de l’image de façon indépendante de leur voisinage. La seule information prise en compte est la valeur du niveau de gris du pixel quelque soit sa position dans l’image. Ces méthodes sont basées sur la modification de l’histogramme typique des niveaux de gris de l’image.
L’amélioration globale utilise des filtres sur la représentation fréquentielle. Un exemple des ces filtres est le filtre gaussien qui réalise une atténuation progressive des fréquences. La transformation inverse de Fourrier permet de retrouver l’image améliorée dans l’espace d’origine.
b) La restauration
L’objectif capital de la restauration d’images est l’atténuation, voire la suppression des dégradations que subit une image. Ces dégradations ou « bruits » sont liées à la chaîne d’acquisition c'est-à-dire la transmission du microscope au système informatique ainsi qu’au moment de création et d’enregistrement de l’image. Le principe est simple : modéliser la dégradation et appliquer la dégradation inverse.
Exemple : Réstaurer des biais pouvant être introduits si l’éclairage n’est pas homogène.
c) Le seuillage
Le traitement de l’image fait appel au seuillage (Threshold) qui va tenter d’associer à chaque pixel un label en s’appuyant sur l’information portée (niveau de gris ou couleur) et sa distribution spatiale sur le support image. L’image sera segmentée en classes de niveaux de gris en se basant uniquement sur l’histogramme. Le seuillage en " n " classes consiste à déterminer (n–1) seuils tels que chaque classe soit associée à un intervalle de niveau de gris distinct. Le cas le plus simple est celui des images binaires à deux classes (images en noir et blanc). Un bon seuillage doit faciliter l’interprétation en simplifiant l’image sans pour autant en avoir trop réduit le contenu. L’histogramme d’une image numérique peut être approximé à une fonction de n densités de probabilités chacune associée à une classe de l’image. La recherche du seuil maximal se ramène à la minimisation des erreurs au sens statistique.
La détection de frontières et d’éléments particuliers par un compilateur automatique nécessite un algorithme comprenant : (i) un seuillage local, (ii) une analyse des configurations locales et (iii) un chaînage des masques de contours. Une frontière est idéalement le passage d’un pixel de valeur 1 à un pixel de valeur 0 dans une image binaire. Dans le cas d’une image à niveaux de gris, on peut se ramener à un seuillage binaire local puis on analyse les configurations locales binaires.
