Comprendre la détection des contours en traitement d’image

En tant qu’êtres humains, nous reconnaissons naturellement les contours des objets, suivons leurs courbes et remarquons les textures de leurs surfaces lorsque nous regardons une image. Pour un ordinateur, toutefois, 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 donné. En suivant les variations de ces valeurs de pixels dans une image, un ordinateur peut détecter des motifs qui révèlent des détails essentiels.

En particulier, le traitement d’images utilise les données des pixels pour mettre en évidence les caractéristiques essentielles et éliminer les éléments parasites. Une technique courante de traitement d’images est la détection des contours, qui identifie les points où la luminosité ou la couleur change brusquement afin de délimiter les objets, marquer les frontières et structurer l’image.

Cela permet aux ordinateurs de séparer les formes, de mesurer les dimensions et d’interpréter la manière dont les parties d’une scène sont reliées. La détection des contours constitue souvent la première étape de l’analyse d’images avancée.

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

Dans cet article, nous allons examiner ce qu’est la détection des contours, comment elle fonctionne et quelles sont ses applications concrètes. C’est parti !

Concepts liés à la détection des contours#

La détection des contours consiste à rechercher dans une image les endroits où la luminosité ou la couleur varie sensiblement d’un point au suivant. Si la variation est faible, la zone semble lisse. Si elle est brusque, elle marque souvent la frontière entre deux régions différentes.

Voici quelques raisons pour lesquelles ces variations de pixels se produisent :

• Discontinuités de la normale de surface : Lorsque deux surfaces se rencontrent selon un angle, comme l’angle d’un mur ou le bord d’une boîte, cette variation brusque d’orientation produit une frontière nette dans l’image.
• Discontinuités de profondeur : Elles apparaissent lorsque des objets se trouvent à des distances différentes de la caméra, produisant une séparation visible qui aide le système à les distinguer.
• Variations de couleur ou de texture de surface : Cela se produit lorsqu’une zone présente une couleur ou une texture différente de celle de la zone adjacente, créant une séparation visible.
• Variations d’éclairage : Elles résultent de 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 les images. (Source)

Comment fonctionne la détection des contours#

La détection des contours commence généralement par la conversion d’une image couleur en image en niveaux de gris, afin que chaque point n’affiche plus que la luminosité. L’algorithme peut ainsi se concentrer plus facilement sur les différences entre clair et sombre plutôt que sur la couleur.

Ensuite, des filtres spéciaux peuvent parcourir l’image pour trouver les endroits où la luminosité change soudainement. Ces filtres calculent la rapidité de variation de la luminosité, appelée le gradient. Un gradient plus élevé est causé par une différence plus importante entre des points proches, ce qui signale souvent un contour.

L’algorithme affine ensuite progressivement l’image, en supprimant les petits détails et en conservant uniquement les lignes et les formes les plus importantes. Le résultat est un contour net et une image de sortie qui peuvent être utilisés pour une analyse ultérieure.

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

Avant d’examiner plus en détail la détection des contours, voyons comment elle a évolué au fil du temps.

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

Des techniques comme l’ajustement du contraste, la réduction du bruit, le réglage de l’intensité de l’image et la détection basique 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 satellitaire.

Dans les années 1980 et 1990, des ordinateurs plus rapides ont permis de traiter des tâches plus complexes, comme l’extraction de caractéristiques, la détection de formes et la reconnaissance basique d’objets. Des algorithmes comme l’opérateur de Sobel et Canny ont fourni une détection des contours plus précise, tandis que la reconnaissance des 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 permis le développement de la vision par ordinateur. L’IA visuelle, ou vision par ordinateur, est une branche de l’IA qui vise à apprendre aux machines à interpréter et à comprendre les informations visuelles.

Alors que le traitement d’images traditionnel, comme le double seuillage (qui clarifie les images en conservant les contours forts et en supprimant les contours faibles) et la détection des contours, suivait des règles fixes et ne pouvait gérer 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 l’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 techniques essentielles qui rendent cela possible. Une opération de convolution consiste à faire parcourir une image par de petits filtres (également appelés noyaux) afin d’y trouver des motifs importants comme des contours, des angles et des textures. Ces motifs deviennent les éléments de base utilisés par les modèles de vision par ordinateur 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 comme la segmentation d’instances. Cette tâche est étroitement liée à la détection des contours, car la segmentation d’instances nécessite de délimiter précisément les frontières de chaque objet dans une image.

Alors que la détection des contours se concentre sur la recherche de variations d’intensité au niveau des pixels de contour pour marquer les bords des objets, la segmentation d’instances s’appuie sur cette idée pour détecter les contours, classer les objets et séparer chacun d’eux dans sa propre région.

Fig. 3. Aperçu de l’utilisation d’Ultralytics YOLO11 et de la segmentation d’instances. (Source)

Algorithmes et approches de détection des contours#

Même avec le développement de la vision par ordinateur, le traitement d’images reste un élément important de nombreuses applications. En effet, la vision par ordinateur s’appuie souvent sur des étapes basiques de prétraitement des images.

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 essentiels. Ces étapes rendent les modèles avancés plus précis et plus efficaces.

Examinons maintenant certains des algorithmes de traitement d’images les plus courants utilisés pour détecter les contours et voyons comment ils fonctionnent.

Détection des contours par Sobel#

La détection des contours par Sobel est une méthode essentielle pour trouver les contours des objets dans une image. Plutôt que 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 suivant.

Ces variations soudaines indiquent généralement le point où un objet se termine et où un autre commence, ou l’endroit où un objet rencontre l’arrière-plan. En isolant ces contours, Sobel transforme une image complexe en un contour plus net, plus facile à traiter par d’autres systèmes pour des tâches comme le suivi des mouvements, la détection des formes ou la reconnaissance des objets.

Tu peux considérer la détection des contours par Sobel comme un détecteur de gradients qui mesure la variation d’intensité dans une image. À la base, elle fonctionne grâce à 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 accentuer les variations de luminosité dans les directions horizontale et verticale. Contrairement aux modèles de deep learning, dont les noyaux sont appris à partir des données, Sobel utilise des noyaux fixes pour mettre efficacement les contours en évidence sans nécessiter d’entraînement.

Voici un aperçu plus détaillé du fonctionnement de la méthode de détection des contours par 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 dans les directions horizontale (direction x) et verticale (direction y). Une grille est conçue pour trouver les contours horizontaux et l’autre les contours verticaux.
• Calcul du gradient : Chaque filtre détermine la rapidité de variation de la luminosité ainsi que la direction du gradient. Une variation importante indique un contour potentiel.
• Combinaison des résultats : Les résultats horizontaux et verticaux sont combinés pour déterminer la force et la direction globales du contour au niveau de chaque pixel.
• Détection des contours : Les pixels présentant une forte amplitude de gradient sont marqués comme des contours forts.
• Délimitation des frontières : Ces contours aident à définir les formes des objets et à séparer les différentes régions de l’image.

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

Détection des contours par Canny#

La détection des contours par Canny est une autre méthode populaire pour trouver les contours dans une image. Elle est connue pour produire des contours nets et précis. Contrairement aux techniques basiques de détection des contours, elle suit une série d’étapes soigneusement conçues pour filtrer le bruit, accentuer les frontières et se concentrer sur les contours les plus importants.

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

• Lissage de l’image : L’image est d’abord floutée avec un filtre gaussien, une technique de lissage qui réduit le bruit et les petits détails susceptibles d’être pris pour des contours.
• Détection des variations de luminosité : L’algorithme recherche ensuite les variations brusques de luminosité et utilise des calculs de gradient pour mesurer la force et la direction de ces variations.
• Amincissement des contours : Seuls les points les plus forts 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 classé comme contour fort, contour faible ou absence de contour, en fonction de valeurs seuils de variation de luminosité.
• Nettoyage final : Les contours faibles reliés à des contours forts sont conservés ; tous les autres sont supprimés, ne laissant que des frontières claires et connectées.

Fig. 5. Image originale et image de sortie correspondante après l’utilisation du détecteur de contours de Canny. (Source)

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

Détection des contours fondée sur le gradient ou sur le gaussien#

Jusqu’à présent, les deux exemples de détection des contours que nous avons étudiés sont Sobel et Canny. Bien que tous deux visent à trouver les contours, ils 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 gradient. Elles parcourent l’image et marquent les endroits où cette variation est la plus forte. Ces méthodes sont simples, rapides et fonctionnent bien lorsque les images sont nettes. Toutefois, elles sont sensibles au bruit : de minuscules variations de luminosité peuvent être prises pour des contours.

Les méthodes fondées sur le gaussien (comme Canny ou le laplacien du gaussien) ajoutent une étape supplémentaire pour résoudre ce problème : elles commencent par flouter l’image. Ce lissage, souvent effectué avec 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 faible qualité.

Fig. 6. Détection des contours fondée sur le gradient ou sur le gaussien. Image réalisée par l’auteur.

Applications concrètes de la détection des contours#

Maintenant que tu comprends mieux le fonctionnement de la détection des contours, voyons comment elle est appliquée dans des situations concrètes.

Utiliser la détection des contours pour identifier 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 également généralement des échafaudages, un accès sur corde, des mesures manuelles rapprochées ou des photographies.

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 des surfaces en béton. Ces images ont ensuite été traitées avec différentes techniques de détection des contours afin d’identifier automatiquement les fissures.

L’étude a montré que cette méthode réduisait considérablement le besoin d’accès humain direct aux zones dangereuses et accélérait les inspections. Toutefois, sa précision dépendait encore de facteurs comme les conditions d’éclairage, la netteté des images et la stabilité du fonctionnement du drone. Dans certains cas, une vérification humaine restait 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 voir. Cela complique la tâche des médecins lorsqu’ils cherchent à repérer les contours d’une tumeur, à suivre le contour d’un organe ou à surveiller des changements subtils au fil du temps.

Une étude d’imagerie médicale récente a évalué la capacité de méthodes courantes de détection des contours, comme Sobel, Canny, Prewitt et Laplacian, 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 lorsque le bruit était 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) fournit des contours plus nets que Sobel (g–i) lorsque 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 aller au-delà de la simple détection des contours pour 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’images :

• Meilleure compression des données : La détection des contours permet de représenter les images en utilisant uniquement les caractéristiques essentielles, ce qui réduit la taille des fichiers tout en conservant les informations importantes. Le stockage et la transmission sont ainsi plus efficaces.
• Localisation plus précise des objets : En identifiant précisément les frontières des objets, la détection des contours améliore la capacité des systèmes à localiser et à suivre les objets, ce qui profite à des applications comme l’IA en robotique et les véhicules autonomes.
• Détection de caractéristiques multi-échelle : Les techniques de détection des contours peuvent analyser les images à différentes échelles, en capturant à la fois les petits détails et les formes plus grandes. Cette flexibilité est utile pour diverses tâches, de l’analyse des textures à la compréhension des scènes.

Limites de l’utilisation du traitement d’images pour la détection des contours#

Bien que la détection des contours dans le traitement d’images présente de nombreux avantages, elle comporte aussi quelques difficultés. Voici certaines des principales limites à prendre en compte :

• Problèmes liés aux textures complexes : Dans les images présentant des motifs complexes ou répétitifs, la détection des contours produit souvent de nombreux contours faux ou non pertinents, ce qui complique l’analyse ultérieure 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 frontières d’objets, ce qui entraîne des résultats irréguliers.
• Aucune identification des objets : Les contours indiquent où les objets commencent et se terminent, mais ils ne montrent pas ce que sont ces objets. Un traitement supplémentaire est nécessaire pour attribuer une signification ou des étiquettes aux contours détectés.

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

La détection des contours s’inspire de la manière dont nos yeux et notre cerveau travaillent ensemble pour donner un sens au monde. Dans la vision humaine, des neurones spécialisés du cortex visuel sont très sensibles aux contours, aux lignes et aux frontières.

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

La vision par ordinateur cherche à reproduire cette capacité, mais va plus loin. Des modèles comme Ultralytics YOLO11 dépassent la simple mise en évidence des contours et l’amélioration des images. Ils peuvent détecter les objets, les délimiter avec précision et suivre les mouvements en temps réel. Ce niveau de compréhension plus approfondi les rend essentiels dans les situations où la seule détection des contours ne suffit pas.

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

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

• Détection d’objets : Elle identifie et localise plusieurs objets dans une image ou une vidéo en traçant des boîtes englobantes autour de chacun d’eux, ce qui donne une vue claire de ce qui est présent et de la position de chaque objet.
• Segmentation d’instances : Elle consiste à décomposer les objets au niveau des pixels afin de produire des contours nets et précis, même lorsque les objets se chevauchent ou présentent des formes irrégulières.
• Estimation de pose : L’objectif est ici de déterminer la position, l’orientation ou la posture d’un objet ou d’une personne, ce qui aide à surveiller les mouvements ou à détecter les changements structurels au fil du temps.
• Suivi d’objets : Cette tâche suit un objet lorsqu’il se déplace d’une image à l’autre dans une vidéo, afin de garantir une identification cohérente pour une observation précise à long terme.
• 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 ensembles de données.

Détection des contours des infrastructures avec la vision par ordinateur#

Un bon exemple d’amélioration d’une application reposant traditionnellement sur la détection des contours par la vision par ordinateur est la détection des fissures dans les infrastructures et les actifs industriels. Des modèles de vision par ordinateur comme Ultralytics YOLO11 peuvent être entraînés à identifier précisément les fissures sur les routes, les ponts et les pipelines. Cette même technique peut également être appliquée à la maintenance des avions, à l’inspection des bâtiments et au contrôle qualité dans l’industrie manufacturière, ce qui contribue à accélérer les inspections et à améliorer la sécurité.

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

Points clés à retenir#

La détection des contours a considérablement évolué, passant de simples méthodes initiales à des techniques avancées capables de repérer même les limites subtiles 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 essentiel du traitement d’image.

Dans la 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, afin de fournir une compréhension visuelle précise et fiable.

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