Comprendre la détection des contours en traitement d’images

En tant qu’êtres humains, nous reconnaissons naturellement les contours des objets, suivons leurs courbes et remarquons la texture de leur surface lorsque nous regardons une image. Pour un ordinateur, en revanche, la compréhension commence au niveau de chaque pixel.

Un pixel, la plus petite unité d’une image numérique, stocke la couleur et la luminosité en un point précis. En suivant les variations des valeurs des pixels dans une image, un ordinateur peut détecter des motifs qui révèlent des détails clés.

Plus précisément, le traitement d’image utilise les données des pixels pour mettre en évidence les caractéristiques essentielles et éliminer les éléments parasites. La détection des contours est une technique courante de traitement d’image : elle repère les points où la luminosité ou la couleur change brusquement afin de délimiter les objets, de marquer les frontières et de structurer l’image.

Cela permet aux ordinateurs de séparer les formes, de mesurer les dimensions et d’interpréter les relations entre les éléments d’une scène. La détection de contours constitue souvent la première étape d’une analyse d’image avancée.

Fig. 1. Exemple montrant l’image originale et les résultats de différentes méthodes de détection des contours. (Source)

Dans cet article, nous allons examiner ce qu’est la détection de contours, son fonctionnement et ses applications concrètes.

Principes de la détection des contours#

La détection des contours consiste à repérer les zones d’une image où la luminosité ou la couleur change nettement d’un point à l’autre. Si le changement est faible, la zone paraît lisse. S’il est brusque, il marque souvent la frontière entre deux régions différentes.

Voici quelques raisons expliquant ces variations de pixels :

• Discontinuités des normales de surface : Lorsque deux surfaces se rejoignent selon un angle, comme à l’angle d’un mur ou au bord d’une boîte, ce changement brusque d’orientation crée une frontière nette dans l’image.
• Discontinuités de profondeur : Elles apparaissent lorsque des objets se trouvent à différentes distances de la caméra et créent une séparation visible qui aide le système à les distinguer.
• Variations de couleur ou de texture de surface : Elles se produisent lorsqu’une zone présente une couleur ou une texture différente de celle de la zone voisine, créant une séparation visible.
• Variations d’éclairage : Elles résultent des changements de lumière, notamment des ombres ou des reflets sur les surfaces, et créent des séparations visibles même lorsque les surfaces elles-mêmes sont lisses ou continues.

Fig. 2. Différents types de discontinuités de contours dans des images. (Source)

Comment fonctionne la détection des contours#

La détection des contours commence généralement par la conversion d’une image couleur en niveaux de gris, de sorte que chaque point ne représente plus que la luminosité. L’algorithme peut ainsi se concentrer sur les différences entre les zones claires et sombres plutôt que sur la couleur.

Ensuite, des filtres spécifiques peuvent parcourir l’image pour repérer les endroits où la luminosité change brusquement. Ces filtres calculent la rapidité de variation de la luminosité, appelée gradient. Un gradient plus élevé résulte d’une différence plus importante entre des points voisins, ce qui signale souvent un contour.

L’algorithme affine ensuite l’image en supprimant les petits détails et en ne conservant que les lignes et les formes les plus importantes. Le résultat est un contour net et une image exploitable pour une analyse plus approfondie.

Évolution de la détection des contours et du traitement d’image#

Avant d’approfondir la détection de contours, voyons comment elle a évolué au fil du temps.

Le traitement d’image a commencé par des méthodes simples fondées sur des règles, comme le seuillage et le filtrage, pour nettoyer et améliorer les images. À l’époque de l’analogique, cela consistait à travailler sur des photographies ou des films à l’aide de filtres optiques, de loupes ou de traitements chimiques pour faire ressortir les détails.

Des techniques comme le réglage du contraste, la réduction du bruit, l’ajustement de l’intensité de l’image et la détection élémentaire des contours ont contribué à clarifier les images d’entrée et à mettre en évidence les formes et les textures. Dans les années 1960 et 1970, le passage du traitement analogique au traitement numérique a ouvert la voie à l’analyse moderne dans des domaines comme l’astronomie, l’imagerie médicale et la surveillance par satellite.

Dans les années 1980 et 1990, des ordinateurs plus rapides ont permis de s’attaquer à des tâches plus complexes, comme l’extraction de caractéristiques, la détection de formes et la reconnaissance élémentaire d’objets. Des algorithmes comme l’opérateur de Sobel et le détecteur de contours de Canny ont rendu la détection de contours plus précise, tandis que la reconnaissance de formes a trouvé des applications allant de l’automatisation industrielle à la lecture de textes imprimés grâce à la reconnaissance optique de caractères.

Détection des contours et vision par ordinateur au XXIᵉ siècle#

Aujourd’hui, les progrès constants de la technologie ont conduit au développement de la vision par ordinateur. L’IA visuelle, ou vision par ordinateur, est une branche de l’IA qui consiste à apprendre aux machines à interpréter et à comprendre les informations visuelles.

Alors que le traitement d’image traditionnel, comme le seuillage double (qui clarifie les images en conservant les contours nets et en supprimant les contours faibles) et la détection des contours, suivait des règles fixes et ne pouvait traiter que des tâches spécifiques, la vision par ordinateur utilise des modèles fondés sur les données, capables d’apprendre à partir d’exemples et de s’adapter à de nouvelles situations.

De nos jours, les systèmes d’imagerie vont bien au-delà de la simple amélioration des images ou de la détection des contours. Ils peuvent reconnaître des objets, suivre des mouvements et comprendre le contexte d’une scène entière.

La convolution est l’une des principales techniques qui rendent cela possible. Une opération de convolution consiste à faire parcourir une image par de petits filtres, également appelés noyaux, pour repérer des motifs importants comme les contours, les coins et les textures. Ces motifs deviennent les éléments de base que les modèles de vision par ordinateur utilisent pour reconnaître et comprendre les objets.

Par exemple, les modèles de vision par ordinateur comme Ultralytics YOLO11 utilisent ces caractéristiques fondées sur la convolution pour effectuer des tâches avancées telles que la segmentation d’instances. Cette tâche est étroitement liée à la détection des contours, car la segmentation d’instances nécessite de délimiter avec précision les contours de chaque objet dans une image.

Alors que la détection des contours consiste à repérer les changements d’intensité des pixels situés sur les bords pour marquer les contours des objets, la segmentation d’instances s’appuie sur cette idée pour détecter les contours, classifier chaque objet et l’isoler dans sa propre région.

Fig. 3. Exemple d’utilisation d’Ultralytics YOLO11 pour la segmentation d’instances. (Source)

Algorithmes et approches de détection des contours#

Malgré les progrès de la vision par ordinateur, le traitement d’image reste un élément important de nombreuses applications. En effet, la vision par ordinateur repose souvent sur des étapes de prétraitement d’image de base.

Avant de détecter des objets ou de comprendre une scène, les systèmes nettoient généralement l’image, réduisent le bruit et détectent les contours afin de faire ressortir les détails importants. Ces étapes rendent les modèles avancés plus précis et plus efficaces.

Découvrons maintenant quelques-uns des algorithmes de traitement d’image les plus couramment utilisés pour détecter les contours et leur fonctionnement.

Détection des contours avec Sobel#

La détection des contours avec Sobel est une méthode clé pour repérer les contours des objets dans une image. Au lieu d’analyser tous les détails en même temps, elle se concentre sur les zones où la luminosité change brusquement d’un pixel au pixel voisin.

Ces changements soudains marquent généralement l’endroit où un objet se termine et où un autre commence, ou celui où un objet rencontre l’arrière-plan. En isolant ces contours, Sobel transforme une image complexe en un tracé plus net que les autres systèmes peuvent traiter plus facilement pour des tâches comme le suivi des mouvements, la détection des formes ou la reconnaissance des objets.

Tu peux considérer la détection des contours avec Sobel comme un détecteur de gradient qui mesure les variations d’intensité dans une image. À la base, cette méthode repose sur une opération de convolution : de petites matrices, appelées noyaux, glissent sur l’image et calculent des sommes pondérées des valeurs des pixels voisins.

Ces noyaux sont conçus pour mettre en évidence les variations de luminosité dans les directions horizontale et verticale. Contrairement aux modèles d’apprentissage profond, dont les noyaux sont appris à partir des données, Sobel utilise des noyaux fixes pour mettre efficacement en évidence les contours sans nécessiter d’entraînement.

Voici un aperçu plus détaillé du fonctionnement de la méthode de détection des contours avec Sobel :

• Utilisation de deux filtres 3×3 : Cette méthode utilise deux petites grilles 3×3 appelées filtres. Imagine-les comme des pochoirs qui glissent sur l’image horizontalement (direction x) et verticalement (direction y). Une grille est conçue pour détecter les contours horizontaux, et l’autre, les contours verticaux.
• Calcul du gradient : chaque filtre mesure la vitesse à laquelle la luminosité varie dans sa direction. Une variation importante peut indiquer un contour.
• Combinaison des résultats : Les résultats horizontaux et verticaux sont combinés pour déterminer l’intensité et la direction globales du contour au niveau de chaque pixel.
• Détection des contours : Les pixels dont la magnitude du gradient est élevée sont marqués comme des contours nets.
• Délimitation des contours : Ces contours aident à définir les formes des objets et à séparer les différentes régions de l’image.

Fig. 4. La détection des contours avec Sobel peut mettre en évidence les principaux contours d’une image d’entrée et produire une carte des contours. (Source)

Détection des contours avec Canny#

La détection des contours avec Canny est une autre méthode populaire pour repérer les contours d’une image. Elle est réputée pour produire des tracés nets et précis. Contrairement aux techniques de détection des contours élémentaires, elle suit une série d’étapes soigneusement conçues pour filtrer le bruit, accentuer les contours et se concentrer sur les plus importants.

Voici un bref aperçu du fonctionnement d’un détecteur de contours Canny :

• Lissage de l’image : L’image est d’abord floutée à l’aide d’un filtre gaussien, une technique de lissage qui réduit le bruit et les petits détails susceptibles d’être confondus avec des contours.
• Détection des variations de luminosité : L’algorithme recherche ensuite les changements brusques de luminosité et utilise des calculs de gradient pour mesurer l’intensité et la direction de ces variations.
• Affinement des contours : Seuls les points les plus nets le long de chaque ligne détectée sont conservés, tandis que les points plus faibles sont supprimés, ce qui produit des contours nets et précis.
• Classification des contours : Chaque pixel est étiqueté comme appartenant à un contour net, à un contour faible ou à aucun contour, selon des seuils de variation de luminosité.
• Nettoyage final : Les contours faibles reliés aux contours nets sont conservés ; tous les autres sont supprimés, ce qui ne laisse que des contours nets et continus.

Fig. 5. Image d’origine et image correspondante obtenue avec le détecteur de contours Canny. (Source)

Comme la détection des contours avec Canny fournit des résultats précis tout en filtrant le bruit, elle est largement utilisée dans les domaines où la précision est essentielle. Elle est par exemple utilisée dans des secteurs comme l’imagerie médicale, la cartographie par satellite, la numérisation de documents et la vision robotique.

Détection des contours par gradient ou par gaussienne#

Jusqu’ici, nous avons examiné deux exemples de détection des contours : Sobel et Canny. Bien que les deux méthodes visent à détecter les contours, elles abordent le problème différemment.

Les méthodes fondées sur le gradient (comme Sobel, Prewitt et Scharr) détectent les contours en recherchant les variations brusques de luminosité, appelées gradients. Elles parcourent l’image et marquent les endroits où ces variations sont les plus importantes. Ces méthodes sont simples, rapides et efficaces lorsque les images sont nettes. Toutefois, elles sont sensibles au bruit : de légères variations de luminosité peuvent être prises pour des contours.

Les méthodes fondées sur la gaussienne (comme Canny ou le laplacien de gaussienne) ajoutent une étape pour résoudre ce problème : elles floutent d’abord l’image. Ce lissage, souvent effectué à l’aide d’un filtre gaussien, réduit les petites variations susceptibles de créer de faux contours. Après le lissage, ces méthodes recherchent toujours les variations brusques de luminosité, mais les résultats sont plus nets et plus précis sur les images bruitées ou de mauvaise qualité.

Fig. 6. Détection des contours par gradient ou par gaussienne. Image de l’auteur.

Applications concrètes de la détection des contours#

Maintenant que nous comprenons mieux le fonctionnement de la détection des contours, voyons comment elle est appliquée dans des situations réelles.

Utiliser la détection des contours pour repérer les fissures#

L’inspection de grandes structures en béton, comme les ponts et les immeubles de grande hauteur, est souvent une tâche difficile et dangereuse. Ces structures peuvent s’étendre sur de longues distances ou atteindre de grandes hauteurs, ce qui rend les inspections traditionnelles lentes, coûteuses et risquées. Ces inspections nécessitent aussi généralement des échafaudages, des travaux sur cordes, des mesures manuelles rapprochées ou des prises de vue.

Une approche intéressante a été étudiée en 2019, lorsque des chercheurs ont testé une méthode plus sûre et plus rapide utilisant des drones équipés de caméras haute résolution pour capturer des images détaillées de surfaces en béton. Ces images ont ensuite été traitées à l’aide de diverses techniques de détection des contours afin de repérer automatiquement les fissures.

L’étude a montré que cette méthode réduisait considérablement la nécessité d’envoyer directement des personnes dans des zones dangereuses et accélérait les inspections. Toutefois, sa précision dépendait toujours de facteurs comme les conditions d’éclairage, la netteté des images et la stabilité du drone. Dans certains cas, une vérification humaine était encore nécessaire pour éliminer les faux positifs.

Appliquer la détection des contours à l’imagerie médicale#

Les radiographies et les IRM contiennent souvent des perturbations visuelles appelées bruit, qui peuvent rendre les détails fins plus difficiles à distinguer. Cela complique la tâche des médecins qui cherchent à repérer les contours d’une tumeur, à tracer ceux d’un organe ou à suivre des changements subtils au fil du temps.

Une récente étude d’imagerie médicale a évalué la capacité de méthodes courantes de détection des contours, comme Sobel, Canny, Prewitt et le laplacien, à traiter des images bruitées. Les chercheurs ont ajouté différents types et niveaux de bruit aux images, puis vérifié avec quelle précision chaque méthode pouvait délimiter les caractéristiques importantes.

Canny produisait généralement les contours les plus nets, même en présence d’un bruit important, mais ce n’était pas la meilleure méthode dans tous les cas. Certaines méthodes fonctionnaient mieux avec certains motifs de bruit : il n’existe donc pas de solution parfaite unique.

Fig. 7. Canny (d–f) produit des contours plus nets que Sobel (g–i) à mesure que le bruit augmente. (Source)

Cela montre pourquoi des technologies comme la vision par ordinateur sont si importantes. En combinant des algorithmes avancés et des modèles d’IA visuelle, ces solutions peuvent dépasser la simple détection des contours et fournir des résultats plus précis et plus fiables, même dans des conditions difficiles.

Avantages de la détection des contours#

Voici quelques avantages de la détection des contours et du traitement d’image :

• Meilleure compression des données : La détection des contours permet de représenter les images en ne conservant que les caractéristiques clés, ce qui réduit la taille des fichiers tout en préservant les informations essentielles. Le stockage et la transmission gagnent ainsi en efficacité.
• Localisation plus précise des objets : En identifiant précisément les contours des objets, la détection de contours améliore la capacité des systèmes à localiser et à suivre les objets, ce qui est utile pour des applications comme l’IA visuelle en robotique et les véhicules autonomes.
• Détection de caractéristiques à plusieurs échelles : Les techniques de détection des contours peuvent analyser les images à différentes échelles et saisir à la fois les petits détails et les formes plus grandes. Cette flexibilité est utile pour des tâches variées, de l’analyse de texture à la compréhension de scènes.

Limites du traitement d’image pour la détection des contours#

La détection des contours dans le traitement d’image présente de nombreux avantages, mais comporte aussi quelques difficultés. Voici certaines de ses principales limites à prendre en compte :

• Problèmes liés aux textures complexes : Dans les images comportant des motifs complexes ou répétitifs, la détection des contours produit souvent de nombreux contours erronés ou non pertinents, ce qui complique les analyses ultérieures et réduit la fiabilité.
• Sensibilité à l’éclairage : Les variations de luminosité, les ombres et les reflets peuvent amener les détecteurs de contours à interpréter à tort les changements d’éclairage comme des contours d’objets, ce qui entraîne des résultats incohérents.
• Aucune identification des objets : Les contours indiquent où les objets commencent et se terminent, mais ne révèlent pas leur nature. Un traitement supplémentaire est nécessaire pour attribuer un sens ou des étiquettes aux contours détectés.

Quand utiliser la vision par ordinateur pour la détection des contours#

La détection des contours s’inspire du fonctionnement conjoint de nos yeux et de notre cerveau pour comprendre le monde. Chez l’être humain, des neurones spécialisés du cortex visuel sont très sensibles aux contours, aux lignes et aux limites.

Ces indices visuels nous aident à déterminer rapidement où un objet se termine et où un autre commence. C’est pourquoi un simple dessin au trait peut être immédiatement reconnaissable : notre cerveau s’appuie fortement sur les contours pour identifier les formes et les objets.

La vision par ordinateur vise à reproduire cette capacité, mais va plus loin. Les modèles comme Ultralytics YOLO11 ne se contentent pas de mettre en évidence les contours et d’améliorer les images. Ils peuvent détecter les objets, les délimiter avec précision et suivre leurs mouvements en temps réel. Cette compréhension plus approfondie les rend essentiels dans les situations où la simple détection des contours ne suffit pas.

Utiliser Ultralytics YOLO11 pour détecter les contours avec plus de précision#

Voici quelques tâches clés de vision par ordinateur prises en charge par Ultralytics YOLO11, qui s’appuient sur la détection des contours et vont au-delà :

• Détection d’objets : Elle identifie et localise plusieurs objets dans une image ou une vidéo en traçant une boîte englobante autour de chacun, ce qui indique clairement quels objets sont présents et où ils se trouvent.
• Segmentation d’instances : Cette tâche décompose les objets au niveau du pixel et produit des contours nets et précis, même lorsque les objets se chevauchent ou ont des formes irrégulières.
• Classification d’images : Elle attribue des étiquettes aux objets ou aux images entières en fonction de leurs caractéristiques visuelles, ce qui facilite l’organisation et l’interprétation de grands volumes de données.
• Estimation de pose : L’objectif est de déterminer la position, l’orientation ou la posture d’un objet ou d’une personne, afin de suivre les mouvements ou de détecter des changements structurels au fil du temps.
• Suivi d’objets : Cette tâche suit un objet à mesure qu’il se déplace d’une image vidéo à l’autre, garantissant une identification cohérente pour une observation précise à long terme.

Détecter les contours des infrastructures avec la vision par ordinateur#

La détection de fissures dans les infrastructures et les équipements industriels illustre bien comment la vision par ordinateur peut améliorer une application qui reposait traditionnellement sur la détection de contours. Les modèles de vision par ordinateur comme Ultralytics YOLO11 peuvent être entraînés sur des jeux de données comme Crack-Seg pour identifier avec précision les fissures sur les routes, les ponts et les pipelines. La même technique peut aussi servir à la maintenance des avions, à l’inspection des bâtiments et au contrôle qualité industriel, afin d’accélérer les inspections et d’améliorer la sécurité.

Fig. 8. Exemple d’utilisation de YOLO11 pour la segmentation des fissures. (Source)

Points clés à retenir#

La détection des contours a beaucoup évolué, passant de méthodes simples des débuts à des techniques avancées capables de repérer même les contours subtils dans des images complexes. Elle contribue à faire ressortir les détails importants, à mettre en évidence les zones clés et à préparer les images pour une analyse plus approfondie, ce qui en fait un élément central du traitement d’image.

En vision par ordinateur, la détection des contours joue un rôle important dans la définition des formes, la séparation des objets et l’extraction d’informations utiles. Elle est utilisée dans de nombreux domaines, comme l’imagerie médicale, les inspections industrielles, la conduite autonome et la sécurité, pour fournir une compréhension visuelle précise et fiable.

Rejoins notre communauté et consulte notre dépôt GitHub pour en savoir plus sur l’IA. Si tu souhaites lancer ton propre projet d’IA visuelle, découvre nos options de licence. Découvre des applications comme l’IA dans le secteur de la santé et l’IA visuelle dans le commerce de détail sur nos pages consacrées aux solutions.