Explorez le seuillage dans le traitement d'image avec ce guide. Découvrez ce qu'est le seuillage, les différentes techniques de seuillage d'image, y compris le seuillage d'Otsu.
En tant qu'humains, nous voyons 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 en noir et blanc en comparant chaque pixel à une valeur définie. Elle crée une séparation claire 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 significatives pour faciliter son analyse. C'est généralement l'une des premières étapes pour aider les machines à interpréter les données visuelles. Dans cet article, nous allons examiner ce qu'est le seuillage, comment il fonctionne et où il est appliqué dans des scénarios réels. Commençons !
Avant de nous plonger dans le fonctionnement du seuillage, examinons d'abord de plus près les idées de base qui le sous-tendent et la façon dont il est utilisé dans le traitement d'image.
Supposons que vous travaillez avec une image et que vous voulez séparer les objets qu'elle contient de l'arrière-plan. Une façon de le faire est par seuillage. Il simplifie l'image de sorte que chaque pixel soit complètement noir ou complètement blanc. Le résultat est une image binaire, où chaque pixel a une valeur de 0 (noir) ou de 255 (blanc). Cette étape est souvent utile dans le traitement d'images, car elle permet de faire ressortir clairement les parties importantes de l'image.
De même, si vous voulez comprendre comment les valeurs de luminosité sont distribuées dans une image, un histogramme peut vous aider. C'est un graphique qui montre la fréquence d'apparition de chaque intensité de pixel, du noir (0) au blanc (255).
En regardant l'histogramme, vous pouvez voir si l'image est sombre, claire ou entre les deux. Cela facilite le choix d'une bonne valeur de seuil lors de la transformation de l'image en noir et blanc, car vous pouvez repérer les motifs et les niveaux de contraste en un coup d'œil.
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 vous voulez détecter. L'arrière-plan, affiché en noir, est tout le reste. Cette séparation aide les machines à se concentrer sur ce qui compte dans l'image.
Comme mentionné précédemment, la segmentation divise une image en régions significatives en fonction de caractéristiques telles que la luminosité ou la texture. Le seuillage est un moyen simple de le faire et est 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, un peu comme le font les 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 le travail des étapes ultérieures, telles que la détection ou la reconnaissance, avec précision.
Maintenant que nous avons une meilleure compréhension de ce qu'est le seuillage, voyons comment seuiller une image et les différents types de seuillage dans le traitement d'image.
Par exemple, le seuillage global est l'un des moyens les plus faciles de créer une image binaire. Il applique une seule valeur d'intensité à l'ensemble de l'image. Les pixels plus lumineux que ce seuil deviennent blancs, tandis que les plus sombres deviennent noirs. Cela permet de séparer l'objet de l'arrière-plan.
Il fonctionne mieux lorsque l'image a un éclairage uniforme et un contraste élevé. Mais dans les zones d'éclairage inégal ou de faible contraste, un seul seuil peut manquer des détails ou estomper les bords.
Pour gérer cela, des méthodes comme la seuillage d'Otsu sont utilisées. Au lieu de définir une valeur manuellement, la méthode de seuillage d'Otsu analyse l'histogramme de l'image et choisit un seuil qui sépare le mieux les intensités de pixels en premier plan et en arrière-plan.
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, telles que les documents numérisés avec des ombres ou les surfaces texturées.
Il fonctionne en divisant l'image en petites régions et en calculant un seuil local pour chaque bloc, ce qui permet de maintenir le contraste entre le premier plan et l'arrière-plan. Cette approche est largement utilisée dans des tâches telles que la reconnaissance de texte, l'imagerie médicale et l'inspection de surface, où l'éclairage varie sur l'ensemble de l'image.
Les approches courantes du seuillage adaptatif dans le traitement d'image incluent le seuillage adaptatif de la moyenne et le seuillage adaptatif gaussien. Dans le seuillage adaptatif de la moyenne, l'intensité moyenne des pixels dans 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, donnant plus d'importance aux pixels proches du centre.
Ensuite, explorons où le seuillage d'image est utilisé dans les applications du monde réel.
Les vieux livres et les lettres manuscrites sont souvent numérisés pour les préserver ou les convertir en texte numérique à l'aide de la ROC (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 présentent souvent des ombres, une encre décolorée 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 en format binaire, ce qui permet d'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.
De même, en imagerie médicale, le seuillage est couramment utilisé pour isoler des structures spécifiques dans les scans, telles que les os ou les poumons dans les images radiographiques. En convertissant les images en niveaux de gris en format binaire, il devient plus facile de séparer les régions d'intérêt des tissus environnants et de préparer l'image pour une analyse plus approfondie. Dans les cas plus complexes, un seuillage multi-niveaux peut être appliqué pour diviser l'image en plusieurs régions distinctes, permettant d'identifier différents types de tissus ou de structures en même temps.
Voici quelques-uns des principaux avantages de l'utilisation du seuillage dans le traitement d'images :
Bien que le seuillage d'image soit utile dans de nombreux scénarios, il présente également certaines limites. Voici quelques défis liés au seuillage à prendre en compte :
Le seuillage fonctionne bien pour les tâches de segmentation simples dans des environnements contrôlés. Cependant, il a souvent du mal à gérer les images complexes qui comportent 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 du monde réel.
Pour dépasser ces limites, de nombreux systèmes de pointe utilisent désormais la vision par ordinateur. Contrairement à la seuillage, les modèles d'IA de vision sont entraînés pour détecter des motifs et des caractéristiques complexes, ce qui les rend beaucoup 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. Cela les rend idéaux pour des tâches telles que le repérage des feux de circulation dans les véhicules autonomes ou l'identification des problèmes de cultures dans l'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 (détermination de la position ou de la posture d'un objet) et le suivi d'objet (suivi d'un objet lorsqu'il se déplace dans des images vidéo).
Bien que la segmentation par seuillage fonctionne bien pour les tâches simples ou pour tester des idées préliminaires, les applications qui nécessitent rapidité, précision et flexibilité sont généralement mieux gérées par la vision par ordinateur.
Le seuillage est un outil essentiel dans le 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 d'image peuvent être mises à rude épreuve. C'est là que des modèles de vision par ordinateur avancés peuvent intervenir. Les modèles comme YOLO11 peuvent comprendre et effectuer davantage de tâches, repérer de nombreux objets à la fois et fonctionner en temps réel, ce qui les rend utiles pour de nombreux cas d'utilisation.
Vous voulez en savoir plus sur l'IA ? Consultez notre communauté et notre dépôt GitHub. Explorez nos pages de solutions pour en savoir plus sur l'IA dans la robotique et la vision par ordinateur dans l'agriculture. Découvrez nos options de licence et commencez à créer avec la vision par ordinateur dès aujourd'hui !
