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

Pour une présentation visuelle des concepts abordés dans cet article, regarde la vidéo ci-dessous.

En tant qu'humains, nous percevons les images comme des images cohérentes et significatives, tandis que les ordinateurs les voient comme des grilles de minuscules pixels, les plus petits composants d'une image numérique. Dans un processus appelé traitement d'image, ces pixels peuvent être ajustés ou analysés pour améliorer l'image et 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 noir et blanc en comparant chaque pixel à une valeur définie. Cela crée une séparation claire entre les zones importantes et l'arrière-plan.

Le seuillage est souvent utilisé dans la segmentation d'image, une technique qui divise une image en zones significatives pour faciliter l'analyse. C'est généralement l'une des premières étapes pour aider les machines à interpréter les données visuelles. Dans cet article, nous examinerons ce qu'est le seuillage, comment il fonctionne et où il est appliqué dans des scénarios réels. Commençons !

Link to this sectionTerminologie de base dans le seuillage d'image#

Avant de plonger dans le fonctionnement du seuillage, examinons d'abord de plus près les idées fondamentales qui le sous-tendent et la façon dont il est utilisé dans le traitement d'image.

Link to this sectionSeuil d'image binaire#

Disons que tu travailles avec une image et que tu souhaites séparer les objets de l'arrière-plan. Une façon de faire est le seuillage. Il simplifie l'image afin que chaque pixel soit soit complètement noir, soit complètement blanc. Le résultat est une image binaire, où chaque pixel a une valeur de 0 (noir) ou 255 (blanc). Cette étape est souvent utile en traitement d'image car elle permet aux parties importantes de l'image de ressortir clairement.

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

Link to this sectionHistogramme#

De même, si tu veux comprendre comment les valeurs de luminosité sont distribuées dans une image, un histogramme peut t'aider. C'est un graphique qui montre à quelle fréquence chaque intensité de pixel apparaît, du noir (0) au blanc (255).

En regardant l'histogramme, tu peux voir si l'image est sombre, lumineuse ou entre les deux. Cela facilite le choix d'une bonne valeur de seuil lors de la conversion de l'image en noir et blanc, car tu peux repérer les motifs et les niveaux de contraste en un coup d'œil.

Link to this sectionPremier plan et arrière-plan#

Une fois qu'une image a été seuillée, elle 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 souhaites 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.

Link to this sectionSegmentation#

Comme mentionné précédemment, la segmentation divise une image en zones significatives basées sur des caractéristiques telles que la luminosité ou la texture. Le seuillage est un moyen simple d'y parvenir et constitue souvent l'une des premières étapes dans 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 des données visuelles, tout comme le font les humains. En utilisant le seuillage tôt dans le processus, les systèmes de vision par ordinateur peuvent séparer les objets de leur arrière-plan, facilitant ainsi la précision des étapes ultérieures, telles que la détection ou la reconnaissance.

Link to this sectionSeuillage global#

Maintenant que tu as une meilleure compréhension de 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 valeur d'intensité unique sur toute l'image. Les pixels plus lumineux que ce seuil deviennent blancs, tandis que les plus sombres deviennent noirs. Cela aide à séparer l'objet de l'arrière-plan.

Cela fonctionne mieux lorsque l'image a un éclairage uniforme et un contraste élevé. Mais en cas d'éclairage inégal ou de zones à faible contraste, un seuil unique peut manquer des détails ou flouter les bords.

Pour gérer cela, des méthodes comme le seuillage d'Otsu sont utilisées. Au lieu de définir une valeur manuellement, la méthode d'Otsu analyse l'histogramme de l'image et choisit un seuil qui sépare au mieux les intensités des pixels entre le premier plan et l'arrière-plan.

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

Link to this sectionSeuillage local (adaptatif)#

Contrairement au seuillage global, le seuillage adaptatif ou local calcule la valeur de seuil séparément pour différentes parties de l'image. Cela le rend plus efficace pour les images avec un éclairage inégal, comme les documents numérisés avec des ombres ou des surfaces texturées.

Il fonctionne en divisant l'image en petites régions et en calculant 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 surface, où l'éclairage varie à travers l'image.

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

Link to this sectionApplications réelles du seuillage en traitement d'image#

Ensuite, explorons où le seuillage d'image est utilisé dans des applications réelles.

Link to this sectionSeuillage d'image pour la binarisation de documents et l'OCR#

Les vieux livres et les lettres manuscrites sont souvent numérisés pour les préserver ou les convertir en texte numérique à l'aide de l'OCR (Reconnaissance Optique de Caractères), une technologie qui lit les caractères imprimés ou manuscrits. Avant que le texte puisse être extrait, le document doit généralement être nettoyé ou prétraité. Les images numérisées ont souvent des ombres, de l'encre délavée ou un éclairage inégal, ce qui peut rendre la reconnaissance des caractères difficile.

Pour améliorer la clarté, le seuillage est utilisé pour convertir les images en niveaux de gris au format binaire, aidant à isoler le texte de l'arrière-plan. Les zones plus sombres, comme les lettres, deviennent noires, tandis que l'arrière-plan plus clair devient blanc, ce qui facilite grandement la lecture du texte par les systèmes OCR.

Fig 3. Un exemple de document historique et son image seuillée. (Source)

Link to this sectionUtilisation du seuillage dans le traitement d'images médicales#

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

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

Link to this sectionAvantages et inconvénients du seuillage en traitement d'image#

Voici quelques-uns des principaux avantages de l'utilisation du seuillage en traitement d'image :

• Léger en ressources : Le seuillage fonctionne bien sur les appareils à faible puissance et ne nécessite pas d'accès au cloud ou de 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 sorties du seuillage faciles à comprendre et à déboguer, ce qui est crucial dans des domaines comme la santé ou le traitement de documents où la transparence est importante.
• Test rapide : Le seuillage permet aux équipes d'explorer rapidement des idées de segmentation dans les projets en phase initiale avant de passer à des modèles plus complexes.

Bien que le seuillage d'image soit utile dans de nombreux scénarios, il comporte également certaines limites. Voici quelques défis liés au seuillage à prendre en compte :

• Manque d'adaptabilité : Le seuillage suit des règles fixes et ne s'ajuste pas aux nouvelles conditions d'éclairage ou aux variations des données sans ajustements manuels.
• Sensible au bruit : De petits changements de luminosité dus aux ombres ou aux reflets peuvent fausser les résultats, surtout lorsque tu travailles avec des images détaillées ou texturées.
• Statique et basé sur des règles : Contrairement aux modèles d'IA, le seuillage n'apprend pas des données et ne s'améliore pas avec le temps. Il ne fonctionne que dans les conditions étroites pour lesquelles il a été conçu.

Link to this sectionAu-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 peine souvent à gérer des images complexes comportant plusieurs objets ou du bruit de fond. Puisqu'il repose sur des règles fixes, le seuillage manque de la flexibilité nécessaire pour la plupart des applications réelles.

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

Par exemple, des modèles de vision par ordinateur comme Ultralytics YOLO11 peuvent détecter des objets et segmenter des images en temps réel. Cela les rend idéaux pour des tâches comme repérer des feux de signalisation dans les véhicules autonomes ou identifier les problèmes de culture en agriculture.

En particulier, YOLO11 prend en charge une gamme de tâches de vision par ordinateur, telles que la segmentation d'instance, où chaque objet dans une image est segmenté séparément. Il peut également effectuer d'autres tâches basées sur la vision, notamment l'estimation de pose (déterminer la position ou la posture d'un objet) et le suivi d'objet (suivre un objet au fur et à mesure qu'il se déplace dans les images vidéo).

Fig 5. YOLO11 rend la détection et la segmentation d'objets faciles. (Source)

Bien que le seuillage fonctionne bien pour les tâches simples ou pour tester des idées initiales, les applications qui nécessitent de la vitesse, de la précision et de la flexibilité sont généralement mieux gérées avec la vision par ordinateur.

Link to this sectionPoints clés#

Le seuillage est un outil crucial en traitement d'image car il est rapide et facile à utiliser pour séparer les objets de l'arrière-plan. Il fonctionne bien avec les documents numérisés, les images médicales et la vérification des défauts de produits dans les usines.

Cependant, à mesure que les images et les vidéos deviennent plus complexes, les méthodes de traitement d'image de base comme le seuillage peuvent rencontrer des difficultés. C'est là que les modèles avancés de vision par ordinateur peuvent intervenir. Des modèles comme YOLO11 peuvent comprendre et effectuer davantage de tâches, repérer plusieurs objets à la fois et travailler en temps réel, ce qui les rend utiles pour de nombreux cas d'utilisation.

Tu veux en savoir plus sur l'IA ? Jette un œil à notre communauté et notre dépôt GitHub. Explore nos pages de solutions pour en apprendre davantage sur l'IA dans la robotique et la vision par ordinateur en agriculture. Découvre nos options de licence et commence à construire avec la vision par ordinateur dès aujourd'hui !