Python et traitement d images
|
|
- Laure Roberge
- il y a 8 ans
- Total affichages :
Transcription
1 Python et traitement d images L objectif de ce court document est de présenter quelques aspects simples du traitement d images sous Python, et de donner quelques pistes pour aller plus avant. Plusieurs modules existent pour faire du traitement d images sous Python, dont PIL et skimage. Pour rester dans la continuité de la formation proposée l an dernier, nous nous appuierons ici sur Numpy, Scipy et matplotlib (même si certaines fonctions de Scipy impliquent que PIL soit chargé). Pour commencer. Ouvrir et écrire des images sur disque Le code présente une manière d ouvrir et d afficher des images présentes sur le disque. from s c i p y import misc #module d a f f i c h a g e # ouverture d une image couleur sur l e disque i = misc. imread ( i s i m a. p n g ) #A f f i c h a g e en u t i l i s a n t une f i g u r e m a t p l o t l i b p l t. imshow ( i ) #Les a x e s s o n t s u p p r i m é s # ouverture d une image en niveaux de g r i s sur l e disque j = misc. imread ( h a n d. j p g ) #La palette est mise à la palette en niveaux de g r i s p l t. imshow ( j, cmap=p l t. cm. g r a y ) #Ote l e s a x e s Listing Ouverture et affichage d une image. Deux exemples. Ces images étant alors stockées comme des tableaux, le module Numpy peut naturellement être utilisé pour les traiter..2 Ecrire dans le tableau Le code 2 montre comment créer une image directement en écrivant des valeurs dans les pixels du tableau (figure )
2 import numpy a s np import math #C r é a t i o n d image en p a r c o u r a n t l e s p i x e l s image = np. z e r o s ( ( 2 5 6, ) ) nl, nc = image. shape f o r l in r a n g e ( n l ) : f o r c in r a n g e ( nc ) : image [ l ] [ c ] = l math. c o s ( c ) math. s i n ( l ) p l t. imshow ( image, cmap=p l t. cm. g r a y ) p l t. t i t l e ( E x e m p l e d e c r e a t i o n d u n e i m a g e ) #Ote l e s a x e s Listing 2 Ouverture et affichage d une image. Deux exemples. Figure Application du code 2.3 Accès à la grille des pixels Il est possible d avoir facilement accès à la grille des pixels de l image, sous forme de tableau, et de faire des traitements matriciels directs sur les images. Le code 3 décrit comment : appliquer un masque binaire sur une image donnée, à partir de la définition de ce masque sous forme d une formule calculée sur la grille des pixels. accéder à une série de pixels pour afficher des valeurs prédéfinies 2
3 from s c i p y import misc import numpy a s np # ouverture d une image couleur sur l e disque j = misc. imread ( h a n d. j p g ) #r é c u p e r a t i o n d e s d i m e n s i o n s nl, nc = j. shape #r e c u p e r a t i o n d une g r i l l e ayant l a d i m e n s i o n de l image X, Y = np. o g r i d [ 0 : nl, 0 : nc ] #c r é a t i o n d un masque c i r c u l a i r e masque = (X n l / 2 ) 2 + (Y nc / 2 ) 2 > n l nc / 8 p l t. imshow ( masque, cmap=p l t. cm. g r a y ) p l t. t i t l e ( m a s q u e ) # A p p l i c a t i o n du masque s u r l image j [ masque ]=0 # Accès a une zone de l a g r i l l e j [ 6 0 : 2 0, : ] = #La palette est mise à la palette en niveaux de g r i s p l t. imshow ( j, cmap=p l t. cm. g r a y ) p l t. t i t l e ( i m a g e a v e c m a s q u e s ) Listing 3 Accès aux pixels. 2 Manipulations de base 2. Transformations géométriques élémentaires Il est très aisé d appliquer des transformations géométriques élémentaires (linéaires) sur des images. Le code 4 et la figure 2 présentent quelques exemples (région d intérêt, rotations, symétrie, zoom) et introduit également un exemple de présentation sous la forme de tableaux d images. les fonctions utilisées proviennent à la fois de numpy et de scipy (import de ndimage, ensemble de fonctions pour le traitement d images multidimensionnelles). Dans cette série de fonctions, on trouvera également par exemple la définition de transformations affines ou géométriques génériques, 3
4 from s c i p y import misc from s c i p y import ndimage import numpy a s np # ouverture d une image couleur sur l e disque j = misc. imread ( h a n d. j p g ) #r e c u p e r a t i o n d e s d i m e n s i o n s nl, nc = j. shape # D é f i n i t i o n d une zone d i n t é r ê t f, tab = plt. subplots (2, sharey=true ) j _ r o i = j [ 6 0 : 2 0, : ] tab [ 0 ]. imshow ( j _ r o i, cmap=p l t. cm. g r a y ) tab [ 0 ]. s e t _ t i t l e ( r e g i o n d i n t e r e t ) tab [ 0 ]. a x i s ( o f f ) # v i s u a l i s a t i o n p r é c i s e de l a zone d i n t é r ê t tab [ ]. imshow ( j _ r o i, cmap=p l t. cm. gray, i n t e r p o l a t i o n= n e a r e s t ) tab [ ]. s e t _ t i t l e ( p i x e l s ) tab [ ]. a x i s ( o f f ) # s y m é t r i e haut bas f, ax = p l t. s u b p l o t s ( 2, 2 ) ax [ 0, 0 ]. imshow ( j, cmap=p l t. cm. g r a y ) ax [ 0, 0 ]. a x i s ( o f f ) ax [ 0, 0 ]. s e t _ t i t l e ( o r i g i n a l e ) j _ f l i p = np. f l i p u d ( j ) ax [ 0, ]. imshow ( j _ f l i p, cmap=p l t. cm. g r a y ) ax [ 0, ]. a x i s ( o f f ) ax [ 0, ]. s e t _ t i t l e ( s y m e t r i e ) # r o t a t i o n s j _ tournee = ndimage. r o t a t e ( j, 30) ax [, 0 ]. imshow ( j _ t o u r n e e, cmap=p l t. cm. g r a y ) ax [, 0 ]. a x i s ( o f f ) ax [, 0 ]. s e t _ t i t l e ( r o t a t i o n ) j _ t o u r n e e 2 = ndimage. r o t a t e ( j, 30, r e s h a p e=f a l s e ) ax [, ]. imshow ( j _ t o u r n e e 2, cmap=p l t. cm. g r a y ) ax [, ]. a x i s ( o f f ) ax [, ]. s e t _ t i t l e ( r o t a t i o n 2 ) #zoom a v e c d i f f é r e n t s f a c t e u r s s u r chaque axe j_zoom = ndimage. zoom ( j, [ 3, 5 ] ) p l t. imshow ( j_zoom, cmap=p l t. cm. g r a y ) p l t. t i t l e ( h o m o t h e t i e ) Listing 4 Quelques transformations géométriques 2.2 Mesures radiométriques Des mesures statistiques peuvent facilement être effectuées sur les images, en utilisant des fonctions définies à cet effet. Le code 5 présente quelques exemples de ces fonctions. En particulier, il décrit le calcul et l affichage de l histogramme. L histogramme d une image numérisée comportant n pixels, dont les niveaux de gris sont compris dans [0,L-] est la fonction discrète : h : [0, L ] R i i n h(i) donne une approximation de la probabilité d occurrence de i. Le tracé de h(i) fournit une description globale de l apparence de l image (figure 3), qui bien que globale, permet quelques possibilités en traitement d images. A partir de cet histogramme, de nombreux outils de traitement d images peuvent être définis (segmentation par seuillage, réhaussement de contraste, modélisation de la distribution des niveaux de gris par mélange de gaussiennes...). 4
5 from s c i p y import misc from s c i p y import ndimage import numpy a s np Figure 2 Exemple de résultat du code 4 j = misc. imread ( h a n d. j p g ) #histogramme de l image n b i n s = 256 h = ndimage. h i s t o g r a m ( j, 0, 2 5 5, n b i n s ) p l t. p l o t ( h ) p l t. t i t l e ( h i s t o g r a m m e d e l i m a g e ) p l t. x l a b e l ( n i v e a u d e g r i s ) p l t. y l a b e l ( o c c u r r e n c e s ) # s t a t i s t i q u e s s i m p l e s s u r l image p r i n t " l a m o y e n n e d e s n i v e a u x d e g r i s d e l i m a g e e s t ", j. mean ( ) p r i n t " l e m a x d e s n i v e a u x d e g r i s d e l i m a g e e s t ", j. max ( ) p r i n t " l e m a x d e s n i v e a u x d e g r i s d e l i m a g e e s t ", j. min ( ) g = ndimage. center_of_mass ( j ) p r i n t " l e c e n t r e d e m a s s e d e s n i v e a u x d e g r i s e s t e n ", g Listing 5 Quelques mesures radiométriques sur les images. 2.3 Filtrage Le filtrage est un domaine important du traitement d images. Il peut être réalisé dans le domaine spatial (des pixels) ou fréquentiel (via une transformée de Fourier). Le terme spatial se réfère à l ensemble des pixels composant l image. Tout traitement spatial peut s exprimer comme 5
6 Figure 3 Quelques exemples d histogrammes J(x, y) = T [I(x, y)] où I est l image originale, J l image traitée, et T est un opérateur sur I, défini sur un voisinage de (x, y). Si ce voisinage est de taille, T agit pixel par pixel, et on parle alors d analyse point à point. On récupère alors entre autres les méthodes d analyse d histogramme, auxquelles on adjoint toute transformation mathématique i T (i) (logarithmique, exponentielle,...). Nous envisageons dans la suite un voisinage de taille strictement supérieure à, centré en (x, y). et dans ce cadre il existe des filtres linéaires et non linéaires. Les filtres linéaires sont fondés sur l hypothèse de linéarité du système d acquisition. Les filtres dits passe-bas atténuent ou éliminent les hautes fréquences spatiales dans l image, en laissant les basses fréquences intactes. Au contraire, un filtre passe haut laisse intactes les hautes fréquences, et atténue les basses. Enfin, les filtres passe-bande atténuent ou éliminent une bande de fréquences donnée. Quel que soit le type de filtrage spatial linéaire envisagé, la démarche est identique. Il s agit de définir autour d un pixel (x, y) un voisinage W de taille N impaire, centré en (x, y), dont les coefficients sont par exemple pour N = 3 : w, w,0 w, w 0, w 0,0 w 0, w, w,0 w, Le filtrage consiste alors simplement en le balayage de l image par le masque, et en l affectation au pixel (x, y) du niveau de gris résultant de la combinaison linéaire des pixels voisins pondérés par les coefficients du filtre : w i,j I(x i, y j) i= j= 6
7 Le filtrage non linéaire, quant à lui, est également réalisé à partir de voisinages centrés, mais agit directement à partir des niveaux de gris I(x + i, y + j) par une transformation non linéaire (max,min, médiane...) ou issue du traitement du signal par exemple (cf. 7 pour un exemple, basé sur le module scipy.signal). Les figures 4 et 5 donnent deux exemples de filtrage passe haut (détection de contour : Sobel) et passe bas (filtrage moyenneur). Les codes 7 et?? présentent quelques exemples de filtrage. A noter que bon nombre de fonctions implémentent déjà le filtrage sans qu il soit nécessaire de définir explicitement le masque ou les opérations Figure 4 Filtres de Sobel vertical et horizontal Figure 5 Filtre moyenneur 7
8 import s c i p y a s sp from s c i p y import misc from s c i p y import s i g n a l import numpy a s np from s c i p y import ndimage j = misc. imread ( l e n a g r a y. p n g ) # f i l t r e l i n é a i r e : norme du g r a d i e n t a p p r o c h e par un f i l t r a g e de S o b e l ( c f. masque dans document ) p l t. f i g u r e ( f i g s i z e = ( 2 0, 5 ) ) dx = ndimage. s o b e l ( j, 0 ) # d é r i v é e h o r i z o n t a l e dy = ndimage. s o b e l ( j, ) # d é r i v é e v e r t i c a l e mag = np. hypot ( dx, dy ) # norme du gradient mag = / np. max ( mag ) # n o r m a l i s a t i o n p l t. s u b p l o t (4) p l t. imshow ( j, cmap=p l t. cm. g r a y ) p l t. t i t l e ( o r i g i n a l e ) p l t. s u b p l o t (42) p l t. imshow ( dx, cmap=p l t. cm. g r a y ) p l t. t i t l e ( S o b e l e n x ) p l t. s u b p l o t (43) p l t. imshow ( dy, cmap=p l t. cm. g r a y ) p l t. t i t l e ( S o b e l e n y ) p l t. s u b p l o t (44) p l t. imshow ( mag, cmap=p l t. cm. g r a y ) p l t. t i t l e ( n o r m e d u g r a d i e n t ) plt. subplots_adjust ( wspace =0.02, hspace =0.02, top=, bottom=0, l e f t =0, right =0.) # f i l t r e s p a s s e bas g a u s s i e n s j _ l i s s e e = ndimage. g a u s s i a n _ f i l t e r ( j, sigma =3) j _ l i s s e e 2= ndimage. g a u s s i a n _ f i l t e r ( j, sigma =5) j _ l i s s e e 3= ndimage. g a u s s i a n _ f i l t e r ( j, sigma =) f, tab = p l t. s u b p l o t s ( 2, 2, s h a r e y=true ) tab [ 0, 0 ]. imshow ( j, cmap=p l t. cm. g r a y ) tab [ 0, 0 ]. s e t _ t i t l e ( o r i g i n a l e ) tab [ 0, 0 ]. a x i s ( o f f ) tab [ 0, ]. imshow ( j _ l i s s e e, cmap=p l t. cm. gray, i n t e r p o l a t i o n= n e a r e s t ) tab [ 0, ]. s e t _ t i t l e ( g a u s s i e n 3 ) tab [ 0, ]. a x i s ( o f f ) tab [, 0 ]. imshow ( j _ l i s s e e 2, cmap=p l t. cm. gray, i n t e r p o l a t i o n= n e a r e s t ) tab [, 0 ]. s e t _ t i t l e ( g a u s s i e n 5 ) tab [, 0 ]. a x i s ( o f f ) tab [, ]. imshow ( j _ l i s s e e 3, cmap=p l t. cm. gray, i n t e r p o l a t i o n= n e a r e s t ) tab [, ]. s e t _ t i t l e ( g a u s s i e n ) tab [, ]. a x i s ( o f f ) #R é d u c t i o n de b r u i t : f i l t r a g e non l i n é a i r e median e t f i l t r a g e non l i n é a i r e de Wiener j = misc. imread ( h a n d. j p g ) f, ax = p l t. s u b p l o t s ( 2, 2, s h a r e x=true ) j b r u i t e e = j + 0. j. s t d ( ) np. random. random ( j. shape ) jmedian = ndimage. m e d i a n _ f i l t e r ( j b r u i t e e, 3 ) j d i f f = jmedian j b r u i t e e j W i e n e r = sp. s i g n a l. w i e n e r ( j b r u i t e e ) ax [ 0, 0 ]. imshow ( j b r u i t e e, cmap=p l t. cm. g r a y ) ax [ 0, 0 ]. s e t _ t i t l e ( o r i g i n a l e b r u i t e e ) ax [ 0, 0 ]. a x i s ( o f f ) ax [ 0, ]. imshow ( jmedian, cmap=p l t. cm. g r a y ) ax [ 0, ]. s e t _ t i t l e ( f i l t r a g e m e d i a n ) ax [ 0, ]. a x i s ( o f f ) ax [, 0 ]. imshow ( j d i f f, cmap=p l t. cm. g r a y ) ax [, 0 ]. s e t _ t i t l e ( d i f f e r e n c e ) ax [, 0 ]. a x i s ( o f f ) ax [, ]. imshow ( jwiener, cmap=p l t. cm. g r a y ) ax [, ]. s e t _ t i t l e ( F i l t r a g e d e W i e n e r ) ax [, ]. a x i s ( o f f ) Listing 6 Quelques exemples de filtrage. 8
9 from s c i p y import ndimage import numpy a s np import math #image de s y n t h è s e : r e c t a n g l e t o u r n é de 30 d e g r é s im = np. z e r o s ( ( 2 5 6, ) ) im [ 0 0 : 00, 50: 50] = im = ndimage. r o t a t e ( im, 3 0 ) im = ndimage. g a u s s i a n _ f i l t e r ( im, 8 ) sx = ndimage. s o b e l ( im, a x i s =0) sy = ndimage. s o b e l ( im, a x i s =,) sob = np. hypot ( sx, sy ) p l t. f i g u r e ( f i g s i z e =(6, 5 ) ) p l t. s u b p l o t (5) p l t. imshow ( im, cmap=p l t. cm. g r a y ) p l t. t i t l e ( i m a g e d e s y n t h e s e ) p l t. s u b p l o t (52) p l t. imshow ( sx, cmap=p l t. cm. g r a y ) p l t. t i t l e ( S o b e l e n x ) p l t. s u b p l o t (53) p l t. imshow ( sy, cmap=p l t. cm. g r a y ) p l t. t i t l e ( S o b e l e n y ) p l t. s u b p l o t (54) p l t. imshow ( sob, cmap=p l t. cm. g r a y ) p l t. t i t l e ( f i l t r e d e S o b e l ) im += 0. np. random. random ( im. shape ) sx = ndimage. s o b e l ( im, a x i s =0, mode= c o n s t a n t ) sy = ndimage. s o b e l ( im, a x i s =, mode= c o n s t a n t ) sob = np. hypot ( sx, sy ) p l t. s u b p l o t (55) p l t. imshow ( sob, cmap=p l t. cm. g r a y ) p l t. t i t l e ( S o b e l s u r i m a g e b r u i t e e, ) plt. subplots_adjust ( wspace =0.02, hspace =0.02, top=, bottom=0, l e f t =0, right =0.) Listing 7 Détection de contour par filtrage de Sobel. 2.4 morphologie mathématique La morphologie mathématique est un outil mathématique permettant au départ d explorer la structure géométrique des objets dans une image. Le développement de techniques basées sur ces outils a ensuite permis d élargir le champ de ses applications, par exemple dans le domaine du réhaussement de contraste ou du filtrage. Vu sous son angle "reconnaissance des formes", le traitement d images vise à extraire d une image donnée des informations de type géométrique (localisation, périmètre, aire, orientation), permettant de distinguer certains objets dans une scène. La plus grande partie des traitements de ce type nécessitent le design d un opérateur de forme, possédant un certain nombre de propriétés attendues (invariance par translation,...) et permettant de discriminer un objet particulier. Plusieurs problèmes se posent alors, et notamment le fait que les objets sont opaques, et que donc l information de forme n est pas additive. En fait, les objets dans une scène se combinent principalement sous deux formes : par union ensembliste (recouvrement d objets) : X = X X 2 par intersection ensembliste (occlusion) : X = X 2 \ X = X C X 2 L opérateur de forme Ψ à construire doit alors se distribuer sur l ensemble des unions et des intersections (équivalent de la linéarité) :
10 Ψ δ (X X 2 ) = Ψ δ (X ) Ψ δ (X 2 ) Ψ ɛ (X 2 \ X ) = Ψ ɛ (X ) Ψ ɛ (X 2 ) La première opération va être appelée dans la suite dilatation morphologique, et la seconde érosion morphologique. Ces deux opérations sont à la base de la morphologie mathématique, à partir desquelles des opérateurs morphologiques plus complexes vont être construits Cas des images binaires Commençons par quelques définitions de base : pour A, B Z 2, dont les composantes sont notées a = (a, a 2 ) et b = (b, b 2 ), la translation de A par x = (x, x 2 ), notée (A) x est (A) x = {c = a + x, a A} la réflexion de B, notée ˆB est ˆB = {x = b, b B} le complément de A, noté A C est A C = {x, x / A} la différence de A et B est A \ B = A B C = {x, x A, x / B} Ici, A sera une image binaire, et B un opérateur de forme binaire. Définition La dilatation de A par B, notée A B est l ensemble défini par A B = {x, ( ˆB) x A } Définition 2 L érosion de A par B, notée A B est l ensemble défini par A B = {x, (B) x A} B est l opérateur de forme, et dans le cadre de la morphologie mathématique on l appelle l élément structurant. En clair, pour un objet A binaire et un élément structurant B binaire lui aussi et symétrique, les opérations simples de morphologie mathématique consistent à parcourir l image et à considérer B comme un masque binaire : si, centré en (x, y), B intersecte A, alors la valeur du dilaté de A par B en (x, y) vaut, et 0 sinon. De même si B n est pas tout inclus dans A, la valeur de l érodé de A par B en (x, y) vaut 0, et (figure 6). Ainsi, l érosion rapetisse A, et la dilatation l étend, selon B (comme les noms sont bien choisis!) Il est facile de montrer que l érosion est la transformation duale de la dilatation par rapport à la complémentation :A B = (A C B) C. Ainsi, il est équivalent d éroder un objet ou de dilater son complémentaire. A partir de la dilatation et de l érosion, on définit deux opérations : l ouverture et la fermeture. Définition 3 L ouverture de A par B est définie par A B = (A B) B Définition 4 La fermeture de A par B est définie par A B = (A B) B 0
11 Erosion par un élément structurant circulaire Dilatation par un élément structurant circulaire Figure 6 Exemple de dilatation et d érosion L ouverture généralement lisse les contours d une image, casse les liens étroits entre objets (les isthmes), et élimine les petits objets isolés (petits au sens de B). Le lissage et le type de lissage sont déterminés par la forme et la taille de B. La fermeture tend également à lisser les contours, mais rassemble les objets proches (au sens de B), élimine les petits trous (au sens de B) et connecte les contours. La figure 7 présente le résultat de l ouverture morphologique de l image précédente, par un élément structurant circulaire. Figure 7 Ouverture morphologique par un élément structurant circulaire La notion de filtrage prend son importance lorsque l on considère une forme et une taille adaptée pour B : la figure 8-a présente un tableau d Henri Matisse (La femme à l amphore, 52, un peu de culture), la figure 8-b une version dégradée par par un bruit vertical, et la 8-c l image restaurée, par ouverture morphologique par un élément structurant adapté. Le code 8 présente ces opérations élémentaires sur une image binaire, et la figure illustre le résultat
12 image originale image bruitée image restaurée import s c i p y a s sp from s c i p y import misc from s c i p y import s i g n a l import numpy a s np from s c i p y import ndimage #é l é m e n t s t r u c t u r a n t 2D en c r o i x e l = ndimage. generate_binary_structure (2, ) Figure 8 Exemple de dilatation et d érosion #image de s y n t h è s e b i n a i r e a v e c b r u i t im= np. z e r o s ( ( 2 8, 2 8 ), dtype=np. i n t ) im [5 0 : 5 0, 30: 30] = np. random. s e e d ( 2 ) x, y = ( 2 8 np. random. random ( ( 2, 0 0 ) ) ). a s t y p e ( np. i n t ) im [ x, y ] = e r o s i o n = ndimage. b i n a r y _e r o s i o n ( im ). a s t y p e ( im. dtype ) d i l a t a t i o n = ndimage. b i n a r y _ d i l a t i o n ( im ). a s t y p e ( im. dtype ) o u v e r t u r e = ndimage. b i n a r y _ d i l a t i o n ( e r o s i o n ). a s t y p e ( im. dtype ) f e r m e t u r e = ndimage. b i n a r y _ e r o s i o n ( d i l a t a t i o n ). a s t y p e ( im. dtype ) p l t. f i g u r e ( f i g s i z e = ( 2 0, 5 ) ) p l t. s u b p l o t (7) p l t. imshow ( im, cmap=p l t. cm. g r a y ) p l t. t i t l e ( o r i g i n a l e ) p l t. s u b p l o t (72) p l t. imshow ( e r o s i o n, cmap=p l t. cm. g r a y ) p l t. t i t l e ( e r o s i o n ) p l t. s u b p l o t (73) p l t. imshow ( im e r o s i o n, cmap=p l t. cm. g r a y ) p l t. t i t l e ( i m a g e - e r o s i o n ) p l t. s u b p l o t (74) p l t. imshow ( d i l a t a t i o n, cmap=p l t. cm. g r a y ) p l t. t i t l e ( d i l a t a t i o n ) p l t. s u b p l o t (75) p l t. imshow ( d i l a t a t i o n im, cmap=p l t. cm. g r a y ) p l t. t i t l e ( d i l a t a t i o n - i m a g e ) p l t. s u b p l o t (76) p l t. imshow ( o u v e r t u r e, cmap=p l t. cm. g r a y ) p l t. t i t l e ( o u v e r t u r e ) p l t. s u b p l o t (77) p l t. imshow ( f e r m e t u r e, cmap=p l t. cm. g r a y ) p l t. t i t l e ( f e r m e t u r e ) plt. subplots_adjust ( wspace =0.02, hspace =0.02, top=, bottom=0, l e f t =0, right =0.) Listing 8 Morphologie mathématique binaire. 2
13 Figure Morphologie mathématique binaire Les images en niveaux de gris Ici, A = I est l image et B est un élément structurant en niveaux de gris (une fonction). Définition 5 La dilatation de A par B est (A B)(s, t) = max (s x),(t y) D I,(x,y) D B {I(s x, t y) + B(x, y)} où D I (resp. D b ) est le domaine de l image (resp. de l élément structurant). On a l habitude d illustrer cette définition sur des fonctions D (figure 0-a, où I = f), pour lesquelles la formule précédente se réécrit (A B)(s, t) = max (s x) D I,x D B {I(s x) + B(x)} Illustration du processus de dilatation Illustration du processus d érosion Figure 0 Illustration de la dilatation en niveaux de gris (d après [2]) De même, on peut définir l érosion d une image en niveaux de gris par un élément structurant en niveaux de gris : Définition 6 L érosion de A par B est (A B)(s, t) = min (s+x),(t+y) D I,(x,y) D B {I(s + x, t + y) B(x, y)} 3
14 et l illustration correspondante en D est décrite sur la figure 0-b. Ces deux définitions permettent là encore de développer des opérations de morphologie mathématique plus complexes (ouverture, fermeture, mais aussi squelettisation, transformation en tout ou rien, filtrages..). 3 Etude de cas : Segmentation et quantification Segmenter une image I, c est trouver une partition de cette dernière, c est à dire un ensemble P = (P, P 2, P g ) de parties non vides de I tel que :. ( k l)p k P l = 2. g i= P i = Ω 3. ( k)p k Ces parties peuvent être trouvées directement ou c est leurs bords qu il peut être intéressant de déterminer. Ainsi, la segmentation d images s aborde soit à l aide d approches régions (on trouve les P i ), soit à l aide d approches frontières (on trouve les bords des parties). Il n est pas question ici de détailler l ensemble de ces approches, mais de proposer un outil simple de segmentation d image, basé sur l analyse de l histogramme. Le code propose une méthode simple de segmentation : à partir d une image de synthèse (blobs créés aléatoirement en binaire, puis bruités et transformés en image en niveaux de gris), l histogramme est calculé et un seuil à 50% du max des niveaux de gris est appliqué. La figure donne le résultat correspondant. Le seuillage s opérant sur l histogramme, aucune information spatiale n est prise en compte (seuls les niveaux de gris au dessus de la moitié du max dans l image sont comptés comme dans l objet). On constate alors des blobs piquetés de noir, et un fond piqueté en blanc. Il faut alors post traiter cette image, puisque l on suppose que les blobs (et le fond) doivent être uniformes. On peut par exemple utiliser des outils de morphologie mathématique, comme il est proposé dans la seconde partie du code, ce qui permet d obtenir l image finale segmentée 2. A partir de cette image, un comptage de composantes connexes peut être effectué à l aide de la fonction label (module ndimage) (3) 4
15 import s c i p y a s sp from s c i p y import misc from s c i p y import s i g n a l import numpy a s np from s c i p y import ndimage from m a t p l o t l i b import n l = 256 n = 0 #image de s y n t h è s e ( b l o b s ) im = np. z e r o s ( ( nl, n l ) ) np. random. s e e d ( ) points = nl np. random. random ( ( 2, n 2) ) im [ ( p o i n t s [ 0 ] ). a s t y p e ( np. i n t ), ( p o i n t s [ ] ). a s t y p e ( np. i n t ) ] = im = ndimage. g a u s s i a n _ f i l t e r ( im, sigma=n l / ( 4. n ) ) mask = ( im > im. mean ( ) ). a s t y p e ( np. f l o a t ) mask += 0. im img = mask np. random. randn ( mask. shape ) #histogramme de l image : r e t o u r n e l histogramme e t l e s i n t e r v a l l e s d e s c l a s s e s h i s t, c l a s s e s = np. h i s t o g r a m ( img, b i n s =60) # c e n t r e s d e s i n t e r v a l l e s c e n t r e s _ c l a s s e s = 0. 5 ( c l a s s e s [ : ] + c l a s s e s [ : ] ) #s e u i l l a g e ( au d e s s u s de 0. 5 de l histogramme ) i m a g e _ s e u i l l e e = img > 0. 5 p l t. f i g u r e ( f i g s i z e = ( 3 0, 6 ) ) p l t. s u b p l o t (3) p l t. imshow ( img, cmap=p l t. cm. g r a y ) p l t. imsave ( o r i g i n a l e. p n g, img ) p l t. t i t l e ( O r i g i n a l e ) p l t. s u b p l o t (32) p l t. p l o t ( h i s t ) p l t. t i t l e ( h i s t o g r a m m e ) p l t. x l a b e l ( n i v e a u d e g r i s ) p l t. y l a b e l ( o c c u r r e n c e s ) p l t. s u b p l o t (33) p l t. imshow ( i m a g e _ s e u i l l e e, cmap=p l t. cm. g r a y ) p l t. t i t l e ( i m a g e s e g m e n t e e ) p l t. s u b p l o t s _ a d j u s t ( wspace = 0. 2, h s p a c e = 0. 5, top =, bottom =., l e f t =0, r i g h t =0.) # p o s t t r a i t e m e n t s p a t i a l #ouverture pour supprimer l e s p e t i t s objets blancs du fond o u v e r t u r e = ndimage. binary_opening ( i m a g e _ s e u i l l e e ) #fermeture de cette image pour rendre homogènes l e s objets f e r m e t u r e = ndimage. b i n a r y _ c l o s i n g ( o u v e r t u r e ) p l t. f i g u r e ( f i g s i z e = ( 2 5, 6 ) ) p l t. s u b p l o t (2) p l t. imshow ( o u v e r t u r e, cmap=p l t. cm. g r a y ) p l t. t i t l e ( O u v e r t u r e ) p l t. s u b p l o t (22) p l t. imshow ( f e r m e t u r e, cmap=p l t. cm. g r a y ) p l t. t i t l e ( F e r m e t u r e ) p l t. s u b p l o t s _ a d j u s t ( wspace = 0. 2, h s p a c e = 0. 5, top =., bottom =0, l e f t =0, r i g h t =0.) #composantes c o n n e x e s en 4 c o n n e x i t é s = [ [ 0,, 0 ], [,, ], [ 0,, 0 ] ] lab, n b _objets = ndimage. l a b e l ( f e r m e t u r e, s ) p l t. imshow ( l a b ) p l t. t i t l e ( C o m p o s a n t e s c o n n e x e s ) Listing Seuillage d histogramme. 5
16 import s c i p y a s sp from s c i p y import misc from s c i p y import s i g n a l import numpy a s np from s c i p y import ndimage Figure Seuillage d histogramme img = misc. imread ( o r i g i n a l e. p n g ) f e r m e t u r e = misc. imread ( f e r m e t u r e. p n g ) print ( f e r m e t u r e ) s = [ [ 0,, 0 ], [,, ], [ 0,, 0 ] ] lab, n b_objets = ndimage. l a b e l ( f e r m e t u r e, s ) #Q u a n t i f i c a t i o n : t a i l l e e t v a l e u r s d e s i n t e n s i t é s d e s r é g i o n s t a i l l e s = ndimage. sum ( f e r m e t u r e, lab, r a n g e ( nb_objets + ) ) p r i n t ( t a i l l e s ) val_moyennes = ndimage. mean ( img, lab, range (, nb_objets + ) ) print ( val_moyennes ) # s u p e r p o s i t i o n d e s c e n t r e s de masse c e n t r o i d = ndimage. measurements. center_of_mass ( f e r m e t u r e, lab, x r a n g e (, nb_obj ets +) ) p l t. imshow ( l a b ) f o r i in r a n g e ( nb_objets ) : p l t. p l o t ( c e n t r o i d [ i ] [ ], c e n t r o i d [ i ] [ 0 ], marker= o ) p l t. t i t l e ( C e n t r e s d e m a s s e ) # suppression des p e t i t e s composantes connexes s e u i l = 200 masque = t a i l l e s < s e u i l t r o p _ p e t i t e s = masque [ l a b ] l a b 2=l a b. copy ( ) l a b 2 [ t r o p _ p e t i t e s ] = 0 p l t. f i g u r e ( f i g s i z e = ( 2 5, 6 ) ) p l t. s u b p l o t (2) p l t. imshow ( l a b ) p l t. t i t l e ( T o u t e s c o m p o s a n t e s ) p l t. s u b p l o t (22) p l t. imshow ( l a b 2 ) p l t. t i t l e ( P l u s g r o s s e s c o m p o s a n t e s ) # C l a s s e m e n t d e s composantes c o n n e x e s l a b e l s = np. u n i q u e ( l a b 2 ) l a b 2 = np. s e a r c h s o r t e d ( l a b e l s, l a b 2 ) p l t. imshow ( l a b 2 ) p l t. t i t l e ( P l u s g r o s s e s c o m p o s a n t e s ) #r é g i o n d i n t é r ê t d un o b j e c t donné zone_x, zone_y = ndimage. find_ objects ( lab==4) [ 0 ] r e g i o n = im [ zone_x, zone_y ] p l t. imshow ( r e g i o n ) Listing 0 quelques outils de quantification. 6
17 Figure 2 Seuillage d histogramme et post traitement spatial Figure 3 Composantes connexes A partir de l image précédente, il est possible de mesurer les paramètres géométriques et radiométriques des composantes extraites (tailles, niveaux moyens), de ne retenir que les plus grosses composantes (figure4, de les classer par taille, de trouver une composante donnée et sa région, de calculer les centres de masse... (cf code 0 et figure 5) 7
18 Figure 4 Plus grandes composantes connexes Figure 5 centres de masse, région d une composante 8
Traitement bas-niveau
Plan Introduction L approche contour (frontière) Introduction Objectifs Les traitements ont pour but d extraire l information utile et pertinente contenue dans l image en regard de l application considérée.
Plus en détailGéométrie discrète Chapitre V
Géométrie discrète Chapitre V Introduction au traitement d'images Géométrie euclidienne : espace continu Géométrie discrète (GD) : espace discrétisé notamment en grille de pixels GD définition des objets
Plus en détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailL analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
Plus en détailLes algorithmes de base du graphisme
Les algorithmes de base du graphisme Table des matières 1 Traçage 2 1.1 Segments de droites......................... 2 1.1.1 Algorithmes simples.................... 3 1.1.2 Algorithmes de Bresenham (1965).............
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailProjet Matlab/Octave : segmentation d'un ballon de couleur dans une image couleur et insertion d'un logo
Projet Matlab/Octave : segmentation d'un ballon de couleur dans une image couleur et insertion d'un logo Dans ce projet, nous allons réaliser le code qui permet d'insérer sur une image, un logo sur un
Plus en détailOpérations de base sur ImageJ
Opérations de base sur ImageJ TPs d hydrodynamique de l ESPCI, J. Bico, M. Reyssat, M. Fermigier ImageJ est un logiciel libre, qui fonctionne aussi bien sous plate-forme Windows, Mac ou Linux. Initialement
Plus en détailIMAGES NUMÉRIQUES MATRICIELLES EN SCILAB
IMAGES NUMÉRIQUES MATRICIELLES EN SCILAB Ce document, écrit par des animateurs de l IREM de Besançon, a pour objectif de présenter quelques unes des fonctions du logiciel Scilab, celles qui sont spécifiques
Plus en détailMaster IMA - UMPC Paris 6 RDMM - Année 2009-2010 Fiche de TP
Master IMA - UMPC Paris 6 RDMM - Année 2009-200 Fiche de TP Préliminaires. Récupérez l archive du logiciel de TP à partir du lien suivant : http://www.ensta.fr/~manzaner/cours/ima/tp2009.tar 2. Développez
Plus en détailCours 7 : Utilisation de modules sous python
Cours 7 : Utilisation de modules sous python 2013/2014 Utilisation d un module Importer un module Exemple : le module random Importer un module Exemple : le module random Importer un module Un module est
Plus en détailChaine de transmission
Chaine de transmission Chaine de transmission 1. analogiques à l origine 2. convertis en signaux binaires Échantillonnage + quantification + codage 3. brassage des signaux binaires Multiplexage 4. séparation
Plus en détailUtilisation du logiciel ImageJ gratuit
Utilisation du logiciel ImageJ gratuit on peut récupérer sur le lien suivant : http://rsbweb.nih.gov/ij/ à partir duquel ce résumé très bref (!!) a été élaboré Lancer ImageJ Vous avez une fenêtre qui s'ouvre
Plus en détailHiver 2013 IMN 259. Introduction à l analyse d images. Par Pierre-Marc Jodoin
Hiver 2013 Analyse d images IMN 259 Introduction à l analyse d images Par Pierre-Marc Jodoin Où se situe l analyse d images? Traitement d images Imagerie Image Analyse d images/ Vision par ordinateur Infographie
Plus en détailFête de la science Initiation au traitement des images
Fête de la science Initiation au traitement des images Détection automatique de plaques minéralogiques à partir d'un téléphone portable et atelier propose de créer un programme informatique pour un téléphone
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailFonctions de plusieurs variables
Maths MP Exercices Fonctions de plusieurs variables Les indications ne sont ici que pour être consultées après le T (pour les exercices non traités). Avant et pendant le T, tenez bon et n allez pas les
Plus en détailUtiliser le logiciel Photofiltre Sommaire
Utiliser le logiciel Photofiltre Sommaire 1. Quelques mots sur l image 2. Obtenir des images numériques 3. Le tableau de bord de logiciel PhotoFiltre 4. Acquérir une image 5. Enregistrer une image 6. Redimensionner
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailINTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE
INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE Le schéma synoptique ci-dessous décrit les différentes étapes du traitement numérique
Plus en détailTP : Gestion d une image au format PGM
TP : Gestion d une image au format PGM Objectif : L objectif du sujet est de créer une classe de manipulation d images au format PGM (Portable GreyMap), et de programmer des opérations relativement simples
Plus en détailTP SIN Traitement d image
TP SIN Traitement d image Pré requis (l élève doit savoir): - Utiliser un ordinateur Objectif terminale : L élève doit être capable de reconnaître un format d image et d expliquer les différents types
Plus en détailIntroduction à MATLAB R
Introduction à MATLAB R Romain Tavenard 10 septembre 2009 MATLAB R est un environnement de calcul numérique propriétaire orienté vers le calcul matriciel. Il se compose d un langage de programmation, d
Plus en détailDan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier
Détection et reconnaissance des sons pour la surveillance médicale Dan Istrate le 16 décembre 2003 Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Thèse mené dans le cadre d une collaboration
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailCours de Mécanique du point matériel
Cours de Mécanique du point matériel SMPC1 Module 1 : Mécanique 1 Session : Automne 2014 Prof. M. EL BAZ Cours de Mécanique du Point matériel Chapitre 1 : Complément Mathématique SMPC1 Chapitre 1: Rappels
Plus en détailInformation. BASES LITTERAIRES Etre capable de répondre à une question du type «la valeur trouvée respecte t-elle le cahier des charges?
Compétences générales Avoir des piles neuves, ou récentes dans sa machine à calculer. Etre capable de retrouver instantanément une info dans sa machine. Prendre une bouteille d eau. Prendre CNI + convocation.
Plus en détailProbabilités Loi binomiale Exercices corrigés
Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailPython - introduction à la programmation et calcul scientifique
Université de Strasbourg Environnements Informatique Python - introduction à la programmation et calcul scientifique Feuille de TP 1 Avant de commencer Le but de ce TP est de vous montrer les bases de
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailProjet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies
Projet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies Régis Boulet Charlie Demené Alexis Guyot Balthazar Neveu Guillaume Tartavel Sommaire Sommaire... 1 Structure
Plus en détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailSOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique
SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique DOMAINE P3.C3.D1. Pratiquer une démarche scientifique et technologique, résoudre des
Plus en détail1 Représentation d une image
1 Représentation d une image 1.1 Représentation vectorielle ou bitmap Pour représenter sur ordinateur l image d un disque noir on peut imaginer plusieurs procédés. 1. On peut dire à l ordinateur qu on
Plus en détailJPEG, PNG, PDF, CMJN, HTML, Préparez-vous à communiquer!
JPEG, PNG, PDF, CMJN, HTML, Préparez-vous à communiquer! 1 / Contexte L ordinateur La loi du nombre La numérisation = codage d une information en chiffres binaire : 0 1 («bit») 8 bits = 1 octet 1ko = 1024
Plus en détailLA PHYSIQUE DES MATERIAUX. Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE
LA PHYSIQUE DES MATERIAUX Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE Pr. A. Belayachi Université Mohammed V Agdal Faculté des Sciences Rabat Département de Physique - L.P.M belayach@fsr.ac.ma 1 1.Le réseau
Plus en détailLes correcteurs accorderont une importance particulière à la rigueur des raisonnements et aux représentations graphiques demandées.
Les correcteurs accorderont une importance particulière à la rigueur des raisonnements et aux représentations graphiques demandées. 1 Ce sujet aborde le phénomène d instabilité dans des systèmes dynamiques
Plus en détailF210. Automate de vision hautes fonctionnalités. Caractèristiques. Algorithmes vectoriels
Automate de vision hautes fonctionnalités Caractèristiques Algorithmes vectoriels Les algorithmes permettent de sélectionner les éléments de traitement requis dans la bibliothèque, puis les combinent et
Plus en détailpyensae StockPrices September 1, 2015 1 Manipulation de séries financières avec la classe StockPrices
pyensae StockPrices September 1, 2015 1 Manipulation de séries financières avec la classe StockPrices La classe StockPrices facilite la récupération de données financières via le site Yahoo Finance ainsi
Plus en détailTp_chemins..doc. Dans la barre "arche 2" couleur claire 1/5 21/01/13
TP de création : utilisation des chemins vectoriels Finis les mauvais rêves : vous aurez enfin votre dreamcatcher (Indienss des Grands Lacs) 1 ) Créez une nouvelle image de 300 pixels sur 600 pixels en
Plus en détailCours Fonctions de deux variables
Cours Fonctions de deux variables par Pierre Veuillez 1 Support théorique 1.1 Représentation Plan et espace : Grâce à un repère cartésien ( ) O, i, j du plan, les couples (x, y) de R 2 peuvent être représenté
Plus en détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en détailSUJET ZÉRO Epreuve d'informatique et modélisation de systèmes physiques
SUJET ZÉRO Epreuve d'informatique et modélisation de systèmes physiques Durée 4 h Si, au cours de l épreuve, un candidat repère ce qui lui semble être une erreur d énoncé, d une part il le signale au chef
Plus en détailUtilisation d informations visuelles dynamiques en asservissement visuel Armel Crétual IRISA, projet TEMIS puis VISTA L asservissement visuel géométrique Principe : Réalisation d une tâche robotique par
Plus en détailDétection des points d intérêt et Segmentation des images RGB-D. Présentée par : Bilal Tawbe. Semaine de la recherche de l UQO
Détection des points d intérêt et Segmentation des images RGB-D Présentée par : Bilal Tawbe Semaine de la recherche de l UQO 25 Mars 2015 1. Introduction Les méthodes de détection de points d intérêt ont
Plus en détailChapitre 4 : Guide de Mouvement et Masque
Cours Flash Chapitre 4 : Guide de Mouvement et Masque Rappel : les fichiers fla et swf sont dans le fichier «4_Guide de mouvement et masque.zip». SOMMAIRE 1 OBJECTIFS DU CHAPITRE... 1 2 INTRODUCTION...
Plus en détailChapitre 0 Introduction à la cinématique
Chapitre 0 Introduction à la cinématique Plan Vitesse, accélération Coordonnées polaires Exercices corrigés Vitesse, Accélération La cinématique est l étude du mouvement Elle suppose donc l existence à
Plus en détailComme chaque ligne de cache a 1024 bits. Le nombre de lignes de cache contenu dans chaque ensemble est:
Travaux Pratiques 3. IFT 1002/IFT 1005. Structure Interne des Ordinateurs. Département d'informatique et de génie logiciel. Université Laval. Hiver 2012. Prof : Bui Minh Duc. Tous les exercices sont indépendants.
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détail1 Recherche en table par balayage
1 Recherche en table par balayage 1.1 Problème de la recherche en table Une table désigne une liste ou un tableau d éléments. Le problème de la recherche en table est celui de la recherche d un élément
Plus en détailChapitre VI. Connexions et fonctions numériques
Chapitre VI Connexions et fonctions numériques Concepts : -> Extension aux fonctions -> Opérateurs connexes -> Géodésie numérique -> Nivellements et auto-dualité Applications : -> Etude des extrema ->
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailFranck VAUTIER, Jean-Pierre TOUMAZET, Erwan ROUSSEL, Marlène FAURE, Mohamed ABADI, Marta FLOREZ, Bertrand DOUSTEYSSIER
Utilisation d images dérivées d un jeu de données LIDAR pour la détection automatisée de vestiges archéologiques (programme de recherche méthodologique LiDARCHEO) Franck VAUTIER, Jean-Pierre TOUMAZET,
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailEnjeux mathématiques et Statistiques du Big Data
Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris
Plus en détailBaccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé.
Baccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé. L usage d une calculatrice est autorisé Durée : 3heures Deux annexes sont à rendre avec la copie. Exercice 1 5 points 1_ Soit f la
Plus en détailTBI et mathématique. Pour vous soutenir dans votre enseignement des mathématiques. Les outils du logiciel Notebook. les ressources internet
TBI et mathématique Pour vous soutenir dans votre enseignement des mathématiques Dessin tiré du site www.recitus.qc.ca Les outils du logiciel Notebook et les ressources internet Document préparé par France
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailN. Paparoditis, Laboratoire MATIS
N. Paparoditis, Laboratoire MATIS Contexte: Diffusion de données et services locaux STEREOPOLIS II Un véhicule de numérisation mobile terrestre Lasers Caméras Système de navigation/positionnement STEREOPOLIS
Plus en détailTP Modulation Démodulation BPSK
I- INTRODUCTION : TP Modulation Démodulation BPSK La modulation BPSK est une modulation de phase (Phase Shift Keying = saut discret de phase) par signal numérique binaire (Binary). La phase d une porteuse
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détail- MANIP 2 - APPLICATION À LA MESURE DE LA VITESSE DE LA LUMIÈRE
- MANIP 2 - - COÏNCIDENCES ET MESURES DE TEMPS - APPLICATION À LA MESURE DE LA VITESSE DE LA LUMIÈRE L objectif de cette manipulation est d effectuer une mesure de la vitesse de la lumière sur une «base
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailTD : Codage des images
TD : Codage des images Les navigateurs Web (Netscape, IE, Mozilla ) prennent en charge les contenus textuels (au format HTML) ainsi que les images fixes (GIF, JPG, PNG) ou animée (GIF animée). Comment
Plus en détailApproximations variationelles des EDP Notes du Cours de M2
Approximations variationelles des EDP Notes du Cours de M2 Albert Cohen Dans ce cours, on s intéresse à l approximation numérique d équations aux dérivées partielles linéaires qui admettent une formulation
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en détailCalcul intégral élémentaire en plusieurs variables
Calcul intégral élémentaire en plusieurs variables PC*2 2 septembre 2009 Avant-propos À part le théorème de Fubini qui sera démontré dans le cours sur les intégrales à paramètres et qui ne semble pas explicitement
Plus en détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailDIPLÔME INTERUNIVERSITAIRE D ECHOGRAPHIE. Examen du Tronc Commun sous forme de QCM. Janvier 2012 14 h à 16 h
ANNEE UNIVERSITAIRE 2011-2012 DIPLÔME INTERUNIVERSITAIRE D ECHOGRAPHIE Examen du Tronc Commun sous forme de QCM Janvier 2012 14 h à 16 h Les modalités de contrôle se dérouleront cette année sous forme
Plus en détailOscillations libres des systèmes à deux degrés de liberté
Chapitre 4 Oscillations libres des systèmes à deux degrés de liberté 4.1 Introduction Les systèmes qui nécessitent deux coordonnées indépendantes pour spécifier leurs positions sont appelés systèmes à
Plus en détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
Plus en détailTOUT CE QU IL FAUT SAVOIR POUR LE BREVET
TOUT E QU IL FUT SVOIR POUR LE REVET NUMERIQUE / FONTIONS eci n est qu un rappel de tout ce qu il faut savoir en maths pour le brevet. I- Opérations sur les nombres et les fractions : Les priorités par
Plus en détailEtude de fonctions: procédure et exemple
Etude de fonctions: procédure et exemple Yves Delhaye 8 juillet 2007 Résumé Dans ce court travail, nous présentons les différentes étapes d une étude de fonction à travers un exemple. Nous nous limitons
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailChap17 - CORRECTİON DES EXERCİCES
Chap17 - CORRECTİON DES EXERCİCES n 3 p528 Le signal a est numérique : il n y a que deux valeurs possibles pour la tension. Le signal b n est pas numérique : il y a alternance entre des signaux divers
Plus en détailRecherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel
Recherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel Alexis Joly alexis.joly@inria.fr INRIA - IMEDIA Alexis Joly cours monitoring p. 1 Plan de l'exposé
Plus en détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
Plus en détailIntelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com
Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines
Plus en détailSystèmes de transmission
Systèmes de transmission Conception d une transmission série FABRE Maxime 2012 Introduction La transmission de données désigne le transport de quelque sorte d'information que ce soit, d'un endroit à un
Plus en détailEVALUATIONS MI-PARCOURS CM2
Les enseignants de CM2 de la circonscription de METZ-SUD proposent EVALUATIONS MI-PARCOURS CM2 Mathématiques Livret enseignant NOMBRES ET CALCUL Circonscription de METZ-SUD Page 1 Séquence 1 : Exercice
Plus en détailSimulation d'un examen anthropomorphique en imagerie TEMP à l iode 131 par simulation Monte Carlo GATE
Simulation d'un examen anthropomorphique en imagerie TEMP à l iode 131 par simulation Monte Carlo GATE LAURENT Rémy laurent@clermont.in2p3.fr http://clrpcsv.in2p3.fr Journées des LARD Septembre 2007 M2R
Plus en détailStatistique : Résumé de cours et méthodes
Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère
Plus en détailChapitre 2 : Caractéristiques du mouvement d un solide
Chapitre 2 : Caractéristiques du mouvement d un solide I Rappels : Référentiel : Le mouvement d un corps est décris par rapport à un corps de référence et dépend du choix de ce corps. Ce corps de référence
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailAxe " Génie des Procédés", centre SPIN, Ecole des Mines de Saint-Etienne ECOLE DES MINES SAINT-ETIENNE ANALYSE D IMAGE
ANALYSE D IMAGE 1. PRESENTATION DE L ANALYSE D IMAGE. 4 1.1. OJECTIF ET BUT DE L ANALYSE D IMAGE 4 1.2. PRINCIPE 4 1.2.1. FORMATION DE L IMAGE NUMERIQUE 4 1.2.2. TRANSFORMATION DE L IMAGE NUMERIQUE EN
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détail