Qu’est-ce que le seuillage en traitement d’image ?

Pour découvrir visuellement les concepts abordés dans cet article, regarde la vidéo ci-dessous.

Nous, les humains, percevons les images comme des représentations cohérentes et porteuses de sens, tandis que les ordinateurs les voient comme des grilles de minuscules pixels, les plus petits éléments d’une image numérique. Lors d’un processus appelé traitement d’image, ces pixels peuvent être ajustés ou analysés afin d’améliorer l’image et d’en extraire des informations utiles.

Une technique courante de traitement d’image est appelée seuillage d’image. Cette méthode convertit les images en niveaux de gris (où chaque pixel représente une nuance de gris) en images en noir et blanc en comparant chaque pixel à une valeur définie. Elle crée une séparation nette entre les régions importantes et l’arrière-plan.

Le seuillage est souvent utilisé dans la segmentation d’image, une technique qui divise une image en régions porteuses de sens afin d’en faciliter l’analyse. Il s’agit généralement de l’une des premières étapes pour aider les machines à interpréter les données visuelles. Dans cet article, nous allons voir ce qu’est le seuillage, comment il fonctionne et dans quels cas il est utilisé dans le monde réel. C’est parti !

Terminologie de base du seuillage d’image#

Avant d’examiner le fonctionnement du seuillage, commençons par étudier de plus près les concepts de base qui le sous-tendent et la manière dont il est utilisé en traitement d’image.

Seuillage d’une image binaire#

Supposons que tu travailles avec une image et que tu veuilles séparer les objets de l’arrière-plan. Le seuillage est une solution possible. Il simplifie l’image afin que chaque pixel soit soit entièrement noir, soit entièrement blanc. On obtient ainsi une image binaire, où chaque pixel a une valeur de 0 (noir) ou de 255 (blanc). Cette étape est souvent utile en traitement d’image, car elle fait clairement ressortir les parties importantes de l’image.

Fig. 1. Une image en niveaux de gris et son résultat binaire après seuillage. (Source : blog.devops.dev)

Histogramme#

De même, si tu veux comprendre comment les valeurs de luminosité sont réparties dans une image, un histogramme peut t’aider. Il s’agit d’un graphique qui indique la fréquence d’apparition de chaque intensité de pixel, du noir (0) au blanc (255).

En observant l’histogramme, tu peux voir si l’image est sombre, claire ou entre les deux. Il est ainsi plus facile de choisir une bonne valeur de seuillage pour convertir l’image en noir et blanc, car tu peux repérer les motifs et les niveaux de contraste en un coup d’œil.

Premier plan et arrière-plan#

Une fois le seuillage appliqué à une image, celle-ci est divisée en deux parties : le premier plan et l’arrière-plan. Le premier plan, généralement affiché en blanc, met en évidence les éléments importants, comme le texte, les formes ou les objets que tu veux détecter. L’arrière-plan, affiché en noir, correspond à tout le reste. Cette séparation aide les machines à se concentrer sur ce qui compte dans l’image.

Segmentation#

Comme indiqué précédemment, la segmentation divise une image en régions porteuses de sens selon des caractéristiques comme la luminosité ou la texture. Le seuillage est une façon simple d’y parvenir et constitue souvent l’une des premières étapes d’un pipeline de vision par ordinateur.

La vision par ordinateur est une branche de l’IA qui permet aux machines de traiter et d’interpréter les données visuelles, à la manière des humains. En utilisant le seuillage au début du processus, les systèmes de vision par ordinateur peuvent séparer les objets de leur arrière-plan, ce qui facilite l’exécution précise des étapes suivantes, comme la détection ou la reconnaissance.

Seuillage global#

Maintenant que tu comprends mieux ce qu’est le seuillage, voyons comment seuiller une image et quels sont les différents types de seuillage en traitement d’image.

Par exemple, le seuillage global est l’un des moyens les plus simples de créer une image binaire. Il applique une seule valeur d’intensité à l’ensemble de l’image. Les pixels plus clairs que ce seuil deviennent blancs, tandis que les pixels plus sombres deviennent noirs. Cela aide à séparer l’objet de l’arrière-plan.

Cette méthode fonctionne mieux lorsque l’image présente un éclairage uniforme et un contraste marqué. En revanche, dans les zones à éclairage irrégulier ou à faible contraste, un seuil unique peut laisser échapper des détails ou estomper les contours.

Pour y remédier, on utilise des méthodes comme le seuillage d’Otsu. Au lieu de définir manuellement une valeur, la méthode de seuillage d’Otsu analyse l’histogramme de l’image et choisit le seuil qui sépare le mieux les intensités des pixels entre le premier plan et l’arrière-plan.

Fig. 2. Une image de Saturne avant et après l’application du seuillage d’Otsu. (Source)

Seuillage local (adaptatif)#

Contrairement au seuillage global, le seuillage adaptatif ou local calcule la valeur de seuil séparément pour différentes parties de l’image. Il est donc plus efficace pour les images présentant un éclairage irrégulier, comme les documents numérisés avec des ombres ou les surfaces texturées.

Cette méthode consiste à diviser l’image en petites régions et à calculer un seuil local pour chaque bloc, ce qui aide à maintenir le contraste entre le premier plan et l’arrière-plan. Cette approche est largement utilisée dans des tâches comme la reconnaissance de texte, l’imagerie médicale et l’inspection de surfaces, lorsque l’éclairage varie dans l’image.

Parmi les approches courantes du seuillage adaptatif en traitement d’image figurent le seuillage adaptatif par moyenne et le seuillage adaptatif gaussien. Dans le seuillage adaptatif par moyenne, l’intensité moyenne des pixels d’un voisinage local est utilisée comme seuil pour le pixel central. Le seuillage adaptatif gaussien, quant à lui, utilise une moyenne pondérée avec une fenêtre gaussienne, en accordant plus d’importance aux pixels proches du centre.

Applications concrètes du seuillage en traitement d’image#

Voyons maintenant dans quelles applications concrètes le seuillage d’image est utilisé.

Seuillage d’image pour la binarisation de documents et l’OCR#

Les livres anciens et les lettres manuscrites sont souvent numérisés afin d’être conservés ou convertis en texte numérique à l’aide de l’OCR (reconnaissance optique de caractères), une technologie qui lit les caractères imprimés ou manuscrits. Avant de pouvoir extraire le texte, le document doit généralement être nettoyé ou prétraité. Les images numérisées présentent souvent des ombres, une encre délavée ou un éclairage irrégulier, ce qui peut compliquer la reconnaissance des caractères.

Pour améliorer la netteté, le seuillage est utilisé afin de convertir les images en niveaux de gris au format binaire et d’isoler le texte de l’arrière-plan. Les zones sombres, comme les lettres, deviennent noires, tandis que l’arrière-plan plus clair devient blanc, ce qui permet aux systèmes d’OCR de lire le texte beaucoup plus facilement.

Fig. 3. Exemple d’un document historique et de son image seuillée. (Source)

Utilisation du seuillage en traitement d’images médicales#

De même, en imagerie médicale, le seuillage est couramment utilisé pour isoler des structures particulières dans les examens, comme les os ou les poumons sur des radiographies. En convertissant les images en niveaux de gris au format binaire, il devient plus facile de séparer les régions d’intérêt des tissus environnants et de préparer l’image pour une analyse ultérieure. Dans les cas plus complexes, un seuillage multiniveau peut être appliqué pour diviser l’image en plusieurs régions distinctes et identifier simultanément différents types de tissus ou de structures.

Fig. 4. Utilisation de méthodes de seuillage multiniveau sur des radiographies du thorax. (Source : sciencedirect.com)

Avantages et inconvénients du seuillage en traitement d’image#

Voici quelques-uns des principaux avantages du seuillage en traitement d’image :

• Peu gourmand en ressources : Le seuillage fonctionne bien sur les appareils peu puissants et ne nécessite ni accès au cloud ni matériel haut de gamme, ce qui le rend adapté aux systèmes embarqués et aux configurations hors ligne.
• Facile à interpréter : Sa logique simple rend les résultats du seuillage faciles à comprendre et à déboguer, ce qui est essentiel dans des domaines comme les soins de santé ou le traitement de documents, où la transparence est importante.
• Tests rapides : Le seuillage permet aux équipes d’explorer rapidement des idées de segmentation dans les premières phases des projets, avant de passer à des modèles plus complexes.

Bien que le seuillage d’image soit utile dans de nombreux cas, il présente également certaines limites. Voici quelques difficultés liées au seuillage à prendre en compte :

• Manque d’adaptabilité : Le seuillage suit des règles fixes et ne s’adapte pas aux nouvelles conditions d’éclairage ou aux variations des données sans réglage manuel.
• Sensible au bruit : De petites variations de luminosité dues aux ombres ou aux reflets peuvent fausser les résultats, en particulier avec des images détaillées ou texturées.
• Statique et fondé sur des règles : Contrairement aux modèles d’IA, le seuillage n’apprend pas à partir des données et ne s’améliore pas au fil du temps. Il ne fonctionne que dans les conditions limitées pour lesquelles il a été conçu.

Au-delà du seuillage d’image : quand la vision par ordinateur est le bon outil#

Le seuillage fonctionne bien pour les tâches de segmentation simples dans des environnements contrôlés. Cependant, il rencontre souvent des difficultés avec les images complexes comportant plusieurs objets ou du bruit d’arrière-plan. Comme il repose sur des règles fixes, le seuillage manque de la flexibilité nécessaire à la plupart des applications du monde réel.

Pour dépasser ces limites, de nombreux systèmes de pointe utilisent désormais la vision par ordinateur. Contrairement au seuillage, les modèles d’IA visuelle sont entraînés à détecter des motifs et des caractéristiques complexes, ce qui les rend bien plus précis et adaptables.

Par exemple, les modèles de vision par ordinateur comme Ultralytics YOLO11 peuvent détecter des objets et segmenter des images en temps réel. Ils sont donc parfaitement adaptés à des tâches comme la détection des feux de signalisation dans les véhicules autonomes ou l’identification de problèmes sur les cultures agricoles.

En particulier, Ultralytics YOLO11 prend en charge un éventail de tâches de vision par ordinateur, comme la segmentation d’instances, où chaque objet d’une image est segmenté séparément. Il peut également effectuer d’autres tâches fondées sur la vision, notamment l’estimation de pose (détermination de la position ou de la posture d’un objet) et le suivi d’objets (suivi d’un objet lorsqu’il se déplace d’une image vidéo à l’autre).

Fig. 5. YOLO11 simplifie la détection et la segmentation des objets. (Source)

Si le seuillage convient bien aux tâches simples ou à l’évaluation d’idées préliminaires, les applications qui nécessitent rapidité, précision et flexibilité sont généralement mieux prises en charge par la vision par ordinateur.

Points clés à retenir#

Le seuillage est un outil essentiel du traitement d’image, car il permet de séparer rapidement et facilement les objets de l’arrière-plan. Il fonctionne bien avec les documents numérisés, les images médicales et le contrôle des défauts de produits en usine.

Cependant, à mesure que les images et les vidéos gagnent en complexité, les méthodes élémentaires de traitement d’image comme le seuillage peuvent montrer leurs limites. C’est là que les modèles avancés de vision par ordinateur peuvent intervenir. Des modèles comme Ultralytics YOLO11 peuvent comprendre et exécuter davantage de tâches, détecter de nombreux objets simultanément et fonctionner en temps réel, ce qui les rend utiles dans de nombreux cas d’usage.

Tu veux en savoir plus sur l’AI ? Consulte notre communauté et notre dépôt GitHub. Explore nos pages consacrées aux solutions pour en savoir plus sur l’AI en robotique et la vision par ordinateur dans l’agriculture. Découvre nos options de licence et commence dès aujourd’hui à développer avec la vision par ordinateur !