1 Traitement d'images sous labview. Note d'application. «Seuillage automatique de forme zoomorphe»

Transcription

1 1 Traitement d'images sous labview Note d'application «Seuillage automatique de forme zoomorphe»

2 2 Traitement d'images sous labview Sommaire Introduction...3 Rappel sur la binarisation...3 Présentation des différents types de seuillage automatique...5 Structure d'un algorithme de seuillage automatique...8 Conclusion...12 Webographie...12 Annexe...13 Index des illustrations Illustration 1: IMAQ ColorThreshold...3 Illustration 2: Histogrammes avec NI Vision assistant...4 Illustration 3: Binarisation d'une image...5 Illustration 4: IMAQ ExtractSingleColorPlane...5 Illustration 5: IMAQ AutoBThreshold...6 Illustration 6: Histogramme image en niveaux de gris...6 Illustration 7: Seuillage méthode metric...8 Illustration 8: Récupération flux vidéo...8 Illustration 9: Partie traitement...9 Illustration 10: Transformation niveaux de gris...9 Illustration 11: Seuillage...10 Illustration 12: Affichage...10 Illustration 13: Destruction vidéo...10 Illustration 14: Diagramme complet...12

3 3 Traitement d'images sous labview Introduction Dans le cadre du projet [P12A03] Comptage et mesure automatique de saumons, nous avons à transformer une image couleur en image noir et blanc (phénomène de binarisation). Le principe est de prendre une image couleur, puis d'y extraire les histogrammes correspondant aux valeurs de Hue (teinte), Saturation (saturation), et Lightness (luminance) si l'on travail avec le modèle HSL. Grâce à ces histogrammes on défini des seuils en fonction de la plage de pixels que l'on souhaite garder, puis on binarise l'image avec. Cette opération de définition des seuils est effectuée manuellement à l'aide de l'outil NI Vision assistant qui nous permet de prendre une image et d'y appliquer tout les algorithmes présent dans labview. Grâce à NI Vision assistant nous effectuons une extraction des histogrammes avec un modèle spécifié (HLS, RGB ou autre), puis nous choisissons nos seuils en fonction de ce que l'on souhaite garder, pour notre application les saumons. Le problème de cette méthode est que si l'on change quoi que ce soit aux images (éclairage, couleurs, etc...) on est obligé de refaire cette opération manuelle, ce qui entraine une perte de temps le client, voir une source d'erreur potentiel. Pour pallier à ce problème, j'ai cherché sous labview une façon de définir ces seuils d'une façon automatique afin que même si l'on a un changement au niveau de l'environnement lors de la prise d'images, on ai pas a changer le niveau des seuils. Cette note d'application présente donc les résultats des recherches effectuées sur le seuillage automatique. Avec tout d'abord une présentation des différents types de seuillage possible sous labview, puis la présentation de la structure du petit programme que j'ai adapté. Rappel sur la binarisation Comme rappelé dans l'introduction, la binarisation consiste à transformer une image couleur en noir et blanc. Dans cette partie, je vais vous montrer la façon dont le programme du projet effectue cette opération. Pour transformer une image couleur en image noir et blanc, nous utilisons le bloc labview IMAQ ColorThreshold ci-dessous : Illustration 1: IMAQ ColorThreshold Ce bloque permet d'appliquer un seuil (threshold en anglais) des trois plans d'une image (rouge, vert, bleu pour un modèle RGB par exemple) en fonction d'un modèle d'image, puis place le résultat dans une image 8 bits. Pour ce faire, on donne des plages entre 0 et 255 pour les trois plans et si la couleur d'un pixel de l'image n'est pas dans les trois plage fixées, il est mit à zéros sur l'image en sortie. Entrées : Replace Value : Par défaut à 1, et est utilisé pour le remplissage des pixels de l'image de

4 4 Traitement d'images sous labview sortie lorsque ceux-ci appartiennent aux plages fixées. Color Mode : Défini le format couleur d'image pour l'opération. A choisir entre RGB, HSL, HSV, et HSI. RGB par défaut. Image Src : Image source qui doit être converti. Image Dst : Référence de l'image de destination. Red or Hue range : Tableau deux dimensions avec une valeur basse et une valeur haute pour définir la plage de rouge ou teinte pour l'opération de binarisation. Green or Sat range : Tableau deux dimensions avec une valeur basse et une valeur haute pour définir la plage de vert ou saturation pour l'opération de binarisation. Blue or Luma or Val or Inten range : Tableau deux dimensions avec une valeur basse et une valeur haute pour définir la plage de bleu, luminance, valeur ou intensité pour l'opération de binarisation. Sorties : Image Dst Out : Image 8 bits correspondant à la binarisation de l'image source. Etant donné que j'ai choisis le modèle HLS, Il faut établir des plages pour le Hue, saturation, lightness afin de pouvoir binariser. Pour les définir on utilise donc NI Vision assistant en prenant une image et en appliquant le bloc IMAQ ColorThreshold. Illustration 2: Histogrammes avec NI Vision assistant

5 5 Traitement d'images sous labview Résultat de la binarisation d'une image ci-dessous : Illustration 3: Binarisation d'une image Présentation des différents types de seuillage automatique Dans le projet nous utilisons donc un outil qui nous permet de binariser une image en «une seule opération», le color threshold. Après recherche, il c'est avéré que pour pouvoir faire le seuillage automatique il fallait passer par un autre type de traitement. Il faut d'abord transformer l'image couleur en niveaux de gris suivant un modèle (RGB, HSL ou autre) puis de donner cette image à un threshold nous permettant de mettre en place des seuils afin de binariser l'image. Afin de transformer notre image couleur en niveau de gris, nous allons utiliser le bloc IMAQ ExtractSingleColorPlane : Illustration 4: IMAQ ExtractSingleColorPlane Ce bloc nous permet d'extraire les pixels d'une image selon une des trois composantes constituant un modèle. Dans notre cas, nous allons extraire selon la luminance afin d'avoir une image en niveaux de gris qui respecte la différence d'intensité de lumière. Entrées : Color Plane : Défini sur quel plan doit-on extraire (rouge, vert, bleu, teinte, saturation, luminance, valeur, ou intensité). Image Src : Image couleur. Sorties : Image Dst Out : Image résultat de l'extraction de couleurs.

6 6 Traitement d'images sous labview Nous passons donc ensuite à l'opération de seuillage de l'image en niveaux de gris à l'aide du bloc IMAQ AutoBThreshold : Illustration 5: IMAQ AutoBThreshold Lors de cette opération de seuillage, nous ne possédons qu'un seul histogramme qui représente le nombre de pixel en fonction de leur intensité de 0 (noir) à 255 (blanc). Illustration 6: Histogramme image en niveaux de gris Dans ce threshold, nous avons le choix entre le seuillage manuel et automatique. Et dans la partie automatique nous avons plusieurs méthodes de seuillage. Ces méthodes de seuillage automatique permettent de faire des classes en fonction des valeurs des pixels (cf. Illustration 6) : Clustering Cette méthode est utilisée quand une image à besoin d'être seuillée sur plus de deux classes. La valeur du seuil est la valeur du pixel k pour laquelle la condition suivante est vrai : μ1 est la valeur moyenne de tous les pixels présent entre 0 et k, μ2 la valeur moyenne de tous les pixels entre k+1 et 255.

7 7 Traitement d'images sous labview Entropy Dans cette méthode, la valeur de seuil est obtenue en appliquant la théorie de l'information aux données de l'histogramme. Dans la théorie de l'information, l'entropie de l'histogramme signifie la quantité d'information associée à l'histogramme. Si représente la probabilité d occurrence du niveau de gris i alors l'entropie d'un histogramme d'une image avec une plage de niveaux de gris allant de 0 à N-1 est donnée par Si k est la valeur du seuil alors deux entropies : représentent les mesurent de l'entropie (information) associé aux pixels blancs et noirs de l'image après seuillage. La valeur de seuillage optimale est la valeur en niveau de gris qui maximise l'entropie dans l'image seuillée donnée par : Pour simplifier, la valeur de seuil est la valeur du pixel k pour laquelle l'expression suivante est maximisée. Inter Variance Metric Méthode similaire au Clustering. La valeur du seuil est la valeur du pixel k pour laquelle l'expression suivante est minimisée : Moments μ1 est la valeur moyenne de tous les pixels présent entre 0 et k, μ2 la valeur moyenne de tous les pixels entre k+1 et 255. Dans cette méthode, la valeur du seuil est calculée d'une certaine façon pour que les moments de l'image à seuiller soit préservés en sortie.

8 8 Traitement d'images sous labview Le k ème moment de l'image est calculé comme ceci : où n est le nombre total de pixels de l'image. Après cette étude tirée du IMAQ Vision Concepts Manual de labview, j'ai testé les différentes méthodes sur mes images et la plus convaincante a été la méthode metric : Illustration 7: Seuillage méthode metric Par comparaison avec le seuillage manuel, on peut voir que le seuillage automatique est moins précis. Structure d'un algorithme de seuillage automatique Afin de tester une des méthodes de seuillage automatique vu précédemment, j'ai adapté un exemple que labview fournissait. Ce vi permet d'ouvrir une vidéo de type avi, et de transformer puis d'afficher la vidéo binarisée. Nous allons maintenant voir comment fonctionne cette application en la découpant fonction par fonction. Tout d'abord la partie récupération du flux vidéo : Illustration 8: Récupération flux vidéo Lors du démarrage de l'application, on demande à l'utilisateur le chemin d'une vidéo. Une fois celui-

9 9 Traitement d'images sous labview ci indiqué, le programme va chercher la vidéo et l'analyser pour connaître des informations comme combien d'images possède cette vidéo, et la vitesse. Ces informations vont nous permettre de reconstituer comme il faut la vidéo binarisée à la fin. Enfin nous avons la partie traitement : Illustration 9: Partie traitement Dans cette partie nous avons une boucle while avec un nombre d'itérations égal au nombre d'image de la vidéo et une séquence qui est cadencée à la vitesse de la vidéo (images/sec). Dans cette séquence, nous allons extraire chaque image de la vidéo puis les transformer en niveaux de gris en extrayant par luminance. Illustration 10: Transformation niveaux de gris

10 10 Traitement d'images sous labview Une fois cette transformation effectuée, l'image est seuillée automatiquement selon la méthode metric puis les données concernant les seuils sont envoyées au bloc IMAQ MultiThreshold VI qui va transformer l'image en noir et blanc. Illustration 11: Seuillage Enfin l'application affiche le résultat qui est la reconstitution de la vidéo de départ mais binarisé. Illustration 12: Affichage Une fois la vidéo terminée, elle est détruite pour ne pas occuper de la place en mémoire. Et si jamais il y a une erreur lors de l'ouverture ou du traitement de la vidéo, l'erreur est remonté et l'utilisateur peut la voir s'afficher à l'écran. Illustration 13: Destruction vidéo

11 11 Traitement d'images sous labview Conclusion Lors de ce dossier, nous avons pu voir que l'on peut faire de façon simple un seuillage automatique sous labview. Par contre ce seuillage n'est bien entendu pas aussi précis qu'un seuillage manuel dans un environnement stable (pas de changement de lumière, etc...). On peut donc conclure que ce genre de seuillage est beaucoup plus adapté à une utilisation où l'environnement change souvent. Qui dans ce cas précis aurait des conséquences alarmantes pour seuillage manuel car ces changements entraîneraient d'importantes erreurs. Webographie

12 12 Traitement d'images sous labview Annexe Illustration 14: Diagramme complet