Qu'est-ce que le seuillage dans le traitement des images ?

En tant qu'êtres humains, nous voyons les images comme des tableaux cohérents et significatifs, alors 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 afin d'améliorer l'image et d'en extraire des informations utiles.

Le seuillage des images est une technique courante de traitement des images. 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'images, une technique qui divise une image en régions significatives pour en faciliter l'analyse. C'est généralement l'une des premières étapes pour aider les machines à interpréter les données visuelles. Dans cet article, nous verrons ce qu'est le seuillage, comment il fonctionne et où il est appliqué dans des scénarios réels. C'est parti !

Terminologie de base du seuillage d'images

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 manière dont il est utilisé dans le traitement des images.

Seuil de l'image binaire

Imaginons que vous travailliez sur une image et que vous souhaitiez séparer les objets qui s'y trouvent de l'arrière-plan. L'un des moyens d'y parvenir est le seuillage. Il simplifie l'image de manière à ce 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 255 (blanc). Cette étape est souvent utile dans le traitement des images, car elle permet de faire ressortir clairement les parties importantes de l'image.

‍

Histogramme

De même, si vous souhaitez comprendre comment les valeurs de luminosité sont réparties sur une image, un histogramme peut vous aider. Il s'agit d'un graphique qui montre la fréquence d'apparition de l'intensité de chaque pixel, du noir (0) au blanc (255). 

En regardant l'histogramme, vous pouvez voir si l'image est sombre, claire ou entre les deux. Il est ainsi plus facile de choisir une bonne valeur seuil lors de la conversion de l'image en noir et blanc, puisque vous pouvez repérer les motifs et les niveaux de contraste d'un seul 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 représenté en blanc, met en évidence les éléments importants, tels que le texte, les formes ou les objets que vous souhaitez détecter. L'arrière-plan, représenté en noir, représente tout le reste. Cette séparation permet aux machines de se concentrer sur les éléments importants de l'image.

Segmentation

Comme indiqué précédemment, la segmentation divise une image en régions significatives sur la base de 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 d'un pipeline de vision par ordinateur. 

La vision par ordinateur est une branche de l'intelligence artificielle qui permet aux machines de traiter et d'interpréter les données visuelles, comme le font les humains. En utilisant le seuillage dès le début du processus, les systèmes de vision par ordinateur peuvent séparer les objets de leur arrière-plan, ce qui facilite la précision des étapes ultérieures, telles que la détection ou la reconnaissance.

Seuil global

Maintenant que nous avons une meilleure compréhension de ce qu'est le seuillage, voyons comment seuiller une image et quels sont les différents types de seuillage dans le traitement d'images.

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 à l'ensemble de l'image. Les pixels plus lumineux que ce seuil deviennent blancs, tandis que les pixels plus sombres deviennent noirs. Cela permet de séparer l'objet de l'arrière-plan.

Il fonctionne mieux lorsque l'image bénéficie d'un éclairage homogène et d'un fort contraste. Mais en cas d'éclairage inégal ou de zones à faible contraste, un seuil unique peut masquer des détails ou rendre les contours flous.

Pour ce faire, des méthodes telles que le seuillage d'Otsu sont utilisées. Au lieu de fixer une valeur manuellement, la méthode de seuillage d'Otsu analyse l'histogramme de l'image et choisit un seuil qui sépare au mieux les intensités des pixels en avant-plan et en arrière-plan. 

‍

Seuil local (adaptatif)

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

Elle consiste à diviser l'image en petites régions et à calculer 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 d'un bout à l'autre de l'image.

Parmi les approches courantes du seuillage adaptatif dans le traitement des images, on peut citer le seuillage adaptatif moyen et le seuillage adaptatif gaussien. Dans le seuillage adaptatif moyen, l'intensité moyenne d'un pixel 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 les plus proches du centre.

Applications concrètes du seuillage dans le traitement des images

Ensuite, nous allons voir où le seuillage d'images est utilisé dans les applications du monde réel.

Seuil d'image pour la binarisation et l'OCR de documents

Les vieux livres et les lettres manuscrites sont souvent scannés pour les préserver ou les convertir en texte numérique à l'aide de l'OCR (Optical Character Recognition), 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, 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 en format binaire, ce qui permet 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 facilite grandement la lecture du texte par les systèmes de reconnaissance optique des caractères.

‍

Utilisation du seuillage dans le traitement des 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 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, le seuillage à plusieurs niveaux peut être appliqué pour diviser l'image en plusieurs régions distinctes, ce qui permet d'identifier simultanément différents types de tissus ou de structures.

‍

Avantages et inconvénients du seuillage dans le traitement des images

Voici quelques-uns des principaux avantages de l'utilisation du seuillage dans le traitement des images :

• Peu gourmand en ressources : Le seuillage fonctionne bien sur les appareils à faible consommation et ne nécessite pas d'accès au cloud ou de matériel haut de gamme, ce qui le rend adapté aux systèmes embarqués et aux installations hors ligne.
  ‍
• Facile à interpréter : sa logique simple rend les sorties de seuillage faciles à comprendre et à déboguer, ce qui est crucial dans des domaines tels que les soins de santé ou le traitement des documents, où la transparence est importante.
  ‍
• Tests rapides : Le seuillage permet aux équipes d'explorer rapidement les idées de segmentation dans les premières phases des projets avant de passer à des modèles plus complexes.

Bien que le seuillage d'images soit utile dans de nombreux cas, il présente 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'adapte pas aux nouvelles conditions d'éclairage ou aux variations des données sans un ajustement manuel.
  ‍
• Sensible au bruit : Les petites variations de luminosité dues aux ombres ou aux reflets peuvent fausser les résultats, en particulier lorsque l'on travaille avec des images détaillées ou texturées.
  ‍
• Statique et basé 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 étroites pour lesquelles il a été conçu.

Au-delà du seuillage des images : 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 se heurte souvent à des difficultés lorsqu'il s'agit de traiter des images complexes comportant plusieurs objets ou du bruit de fond. Comme il repose sur des règles fixes, le seuillage n'a pas la flexibilité nécessaire pour la plupart des applications du monde réel.

Pour dépasser ces limites, de nombreux systèmes de pointe utilisent désormais la vision artificielle. Contrairement au seuillage, les modèles de vision artificielle sont formés à la détection de modèles et de caractéristiques complexes, ce qui les rend beaucoup plus précis et adaptables.

Par exemple, les modèles de vision artificielle comme Ultralytics YOLO11 peuvent détecter des objets et segmenter des images en temps réel. Ils sont donc idéaux pour des tâches telles que le repérage des feux de signalisation dans les véhicules autonomes ou l'identification des problèmes de culture dans l'agriculture. 

YOLO11 prend notamment en charge une série de tâches de vision artificielle, telles que la segmentation d'instances, où chaque objet d'une image est segmenté séparément. Il peut également effectuer d'autres tâches basées sur la vision, notamment l'estimation de la pose (détermination de la position ou de la posture d'un objet) et le suivi d'objets (suivi d'un objet pendant qu'il se déplace dans les images vidéo).

Si le seuillage fonctionne bien pour les tâches simples ou pour tester les premières idées, les applications qui requièrent rapidité, précision et flexibilité sont généralement mieux gérées par la vision par ordinateur.

Principaux enseignements

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

Cependant, lorsque les images et les vidéos deviennent plus complexes, les méthodes de traitement d'image de base telles que le seuillage d'image peuvent s'avérer difficiles à mettre en œuvre. C'est là que les modèles avancés de vision par ordinateur peuvent intervenir. Les modèles tels que YOLO11 peuvent comprendre et exécuter davantage de tâches, repérer de nombreux objets à la fois et travailler 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 construire avec la vision par ordinateur dès aujourd'hui !