Qu'est-ce que le seuillage en traitement d'image ?
Explore le seuillage en traitement d'image avec ce guide. Apprends ce qu'est le seuillage et les différentes techniques de seuillage d'image, y compris le seuillage d'Otsu.
Pour une présentation visuelle des concepts abordés dans cet article, regarde la vidéo ci-dessous.
En tant qu'humains, nous voyons les images comme des photos cohérentes et significatives, tandis que les ordinateurs les perçoivent comme des grilles de minuscules pixels, les plus petits composants d'une image numérique. Dans un processus appelé image processing, 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 image segmentation, 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 voir ce qu'est le seuillage, comment il fonctionne et où il est appliqué dans des scénarios réels. C'est parti !
Terminologie 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.
Seuil 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)
Histogramme#
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.
Premier 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.
Segmentation#
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.
Computer vision est une branche de l'IA qui permet aux machines de traiter et d'interpréter des données visuelles, un peu comme le font les humains. En utilisant le seuillage tôt dans le processus, les systèmes de computer vision peuvent séparer les objets de leur arrière-plan, ce qui facilite le travail des étapes ultérieures, telles que la détection ou la reconnaissance, pour qu'il soit précis.
Seuillage 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 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. 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 de 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 telles que la reconnaissance de texte, medical imaging 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.
Applications réelles du seuillage en traitement d'image#
Ensuite, explorons où le seuillage d'image est utilisé dans des applications réelles.
Seuillage d'image pour la binarisation de documents et l'OCR#
Les vieux livres et les lettres manuscrites sont souvent numérisés pour être préservés ou convertis en texte numérique à l'aide de OCR (Optical Character Recognition), une technologie qui lit les caractères imprimés ou manuscrits. Avant que le texte ne puisse être extrait, le document a généralement besoin d'être nettoyé ou prétraité. Les images numérisées présentent souvent des ombres, de l'encre effacée 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 de son image seuillée. (Source)
Utilisation 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)
Avantages 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 résultats du seuillage faciles à comprendre et à déboguer, ce qui est crucial dans des domaines comme healthcare ou le traitement de documents où la transparence compte.
- 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.
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 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 computer vision. Contrairement au seuillage, les vision AI models sont entraînés à détecter des motifs et des caractéristiques complexes, ce qui les rend beaucoup plus précis et adaptables.
Par exemple, les modèles de computer vision tels que Ultralytics YOLO11 peuvent détecter des objets et segmenter des images en temps réel. Cela les rend idéaux pour des tâches telles que repérer des feux de circulation dans des véhicules autonomes ou identifier des problèmes de culture en agriculture.
En particulier, Ultralytics YOLO11 prend en charge une gamme de computer vision tasks, telle que la segmentation d'instances, ochaque objet d'une image est segment sparment. Il peut aussi excuter d'autres tches lies la vision, notamment l'estimation de pose (dtermination de la position ou de la posture d'un objet) et le suivi d'objets (suivi d'un objet au fil de son dplacement dans les trames vido).
Fig 5. YOLO11 simplifie la détection et la segmentation des objets. (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.
Points 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, mesure que les images et les vidos deviennent plus complexes, les mthodes de traitement d'image de base comme le seuillage d'image peuvent connatre des difficults. C'est l que des modles de vision par ordinateur avancs interviennent. Des modles tels qu'Ultralytics YOLO11 peuvent comprendre et excuter davantage de tches, dtecter de nombreux objets en mme temps et fonctionner en temps rel, ce qui les rend utiles pour de nombreux cas d'utilisation.
Tu veux en savoir plus sur l'IA ? Fais un tour sur notre communauté et notre répertoire GitHub. Explore nos pages de solutions pour en savoir plus sur l'IA en robotique et la computer vision en agriculture. Découvre nos options de licence et commence à créer dès aujourd'hui avec la computer vision !
