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

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

En tant qu’humains, nous voyons les images comme des représentations cohérentes et porteuses de sens, tandis que les ordinateurs les perçoivent comme des grilles de minuscules pixels, les plus petits éléments d’une image numérique. Dans un processus appelé traitement d’image, ces pixels peuvent être modifiés ou analysés pour améliorer l’image et en extraire des informations utiles.

Une technique courante de traitement d’image s’appelle le seuillage. 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 en segmentation d’image, une technique qui divise une image en régions pertinentes pour en faciliter l’analyse. C’est généralement l’une des premières étapes qui aident les machines à interpréter les données visuelles. Dans cet article, nous allons voir ce qu’est le seuillage, comment il fonctionne et dans quels scénarios réels il est utilisé. C’est parti !

Terminologie de base du seuillage d’image#

Avant d’examiner le fonctionnement du seuillage, regardons d’abord de plus près ses principes de base et son utilisation dans le traitement d’image.

Seuil binaire de l’image#

Supposons que tu travailles avec une image et que tu veuilles séparer les objets de l’arrière-plan. Le seuillage est une façon d’y parvenir. Il simplifie l’image afin que chaque pixel soit entièrement noir ou 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 ressortir clairement les éléments importants.

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. C’est 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. Cela facilite le choix d’une bonne valeur de seuil pour convertir l’image en noir et blanc, puisque tu peux repérer d’un coup d’œil les motifs et les niveaux de contraste.

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 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 mentionné précédemment, la segmentation divise une image en régions pertinentes en fonction de 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, comme le font les humains. En appliquant le seuillage tôt dans le processus, les systèmes de vision par ordinateur peuvent séparer les objets de leur arrière-plan, ce qui permet aux étapes suivantes, comme la détection ou la reconnaissance, de fonctionner avec précision.

Seuillage global#

Maintenant que nous comprenons mieux ce qu’est le seuillage, voyons comment seuiller une image et quels sont les différents types de seuillage utilisés 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 toute l’image. Les pixels plus clairs que ce seuil deviennent blancs, tandis que les plus sombres deviennent noirs. Cela aide à séparer l’objet de l’arrière-plan.

Cette méthode fonctionne mieux lorsque l’image bénéficie d’un éclairage uniforme et d’un contraste marqué. En revanche, en cas d’éclairage irrégulier ou de faible contraste, un seuil unique peut faire disparaître des détails ou brouiller les contours.

Pour remédier à cela, on utilise des méthodes comme le seuillage d’Otsu. 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. Il est donc plus efficace pour les images à l’éclairage irrégulier, comme les documents numérisés avec des ombres ou les surfaces texturées.

Cette méthode divise l’image en petites régions et calcule un seuil local pour chaque bloc, ce qui aide à préserver le contraste entre le premier plan et l’arrière-plan. Elle est largement utilisée dans des tâches comme la reconnaissance de texte, l’imagerie médicale et l’inspection de surface, où l’éclairage varie dans l’image.

Parmi les méthodes courantes de seuillage adaptatif en traitement d’image, on trouve le seuillage adaptatif par moyenne et le seuillage adaptatif gaussien. Avec le seuillage adaptatif par moyenne, l’intensité moyenne des pixels dans un voisinage local sert de seuil pour le pixel central. Le seuillage adaptatif gaussien, quant à lui, utilise une moyenne pondérée par une fenêtre gaussienne, qui accorde davantage d’importance aux pixels les plus proches du centre.

Applications concrètes du seuillage en traitement d’image#

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

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

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

Pour améliorer la lisibilité, le seuillage convertit les images en niveaux de gris au 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.

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 précises sur les images, comme les os ou les poumons sur des radiographies. En convertissant les images en niveaux de gris au format binaire, on peut plus facilement séparer les régions d’intérêt des tissus environnants et préparer l’image à une analyse plus poussée. Dans les cas plus complexes, on peut appliquer un seuillage à plusieurs niveaux pour diviser l’image en plusieurs régions distinctes et ainsi identifier simultanément différents types de tissus ou de structures.

Fig. 4. Utilisation de méthodes de seuillage à plusieurs niveaux sur des radiographies thoraciques. (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 à faible puissance et ne nécessite ni accès au cloud ni matériel haut de gamme, ce qui le rend adapté aux systèmes embarqués et aux environnements 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 nombreuses situations, il présente aussi certaines limites. Voici quelques difficultés à prendre en compte :

• Manque d’adaptabilité : le seuillage suit des règles fixes et ne s’adapte pas aux nouvelles conditions d’éclairage ni aux variations des données sans ajustements manuels.
• Sensible au bruit : de légères variations de luminosité dues aux ombres ou aux reflets peuvent fausser les résultats, surtout 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 avec le temps. Il ne fonctionne que dans les conditions restreintes pour lesquelles il a été conçu.

Au-delà du seuillage d’image : quand choisir la vision par ordinateur#

Le seuillage fonctionne bien pour les tâches simples de segmentation dans des environnements contrôlés. Cependant, il a souvent du mal à traiter des images complexes comportant plusieurs objets ou du bruit de fond. Comme il repose sur des règles fixes, le seuillage n’offre pas la flexibilité nécessaire à la plupart des applications concrètes.

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 ainsi parfaitement adaptés à des tâches comme le repérage des feux de circulation dans les véhicules autonomes ou l’identification de problèmes sur les cultures.

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 de 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 à mesure qu’il se déplace dans les images vidéo).

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

Le seuillage convient bien aux tâches simples ou à l’évaluation préliminaire d’idées, mais la vision par ordinateur est généralement mieux adaptée aux applications qui nécessitent rapidité, précision et flexibilité.

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 se complexifient, les méthodes de traitement d’image de base comme le seuillage peuvent atteindre leurs limites. C’est là que les modèles avancés de vision par ordinateur peuvent intervenir. Des modèles comme Ultralytics YOLO11 peuvent comprendre et effectuer davantage de tâches, détecter simultanément de nombreux objets et fonctionner en temps réel, ce qui les rend utiles dans de nombreux cas d’usage.

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