Image Registration

Le recalage d’images consiste à aligner deux images ou plus afin qu’un même endroit de la scène corresponde aux mêmes coordonnées. Imagine que tu superposes une image satellite prise en juin à une autre prise en janvier : si l’angle ou la position de la caméra a changé, une route peut sembler s’être déplacée alors qu’elle n’a pas bougé. Le recalage corrige cette différence géométrique avant qu’un système de vision par ordinateur compare les images ou combine leurs informations.

Fonctionnement du recalage d’images#

Un processus de recalage désigne une image comme image fixe, qui définit le système de coordonnées cible, et une autre comme image mobile, qui doit être alignée sur la première. Le système estime une transformation spatiale, puis rééchantillonne l’image mobile en calculant les valeurs des pixels à leurs nouvelles positions. Tu peux inspecter le résultat sous forme de superposition : les structures stables doivent coïncider, tandis que les changements réels restent visibles. La présentation du recalage dans ImageJ illustre cette relation entre points correspondants, transformations et images alignées.

Il existe deux méthodes courantes pour estimer la transformation. Le recalage fondé sur les caractéristiques repère des éléments reconnaissables, comme des coins, dans les deux images et associe les points qui représentent le même endroit. Il ajuste ensuite une transformation à partir de ces correspondances, en écartant si possible les associations erronées ; le guide d’OpenCV sur la mise en correspondance des caractéristiques et l’homographie montre comment procéder. Le recalage fondé sur l’intensité ajuste plutôt la transformation afin d’améliorer une mesure de similarité entre les valeurs des pixels des images. Cette mesure et la méthode de recherche, appelée optimiseur, sont au cœur du processus de recalage fondé sur l’intensité.

Choisir une transformation#

La transformation appropriée dépend de la raison pour laquelle les images diffèrent. Une translation corrige un simple décalage horizontal ou vertical. Une transformation rigide permet aussi une rotation tout en préservant les distances. Le recalage affine prend également en charge la mise à l’échelle et le cisaillement, mais applique une seule transformation à toute l’image. Une transformation projective, ou homographie, peut tenir compte des différences de perspective lorsque la scène correspondante est approximativement plane. Les types de transformations géométriques expliqués par MathWorks présentent des distinctions visuelles utiles.

Certaines scènes nécessitent un recalage déformable, qui permet à différentes régions de se déplacer de manière distincte, par exemple lorsque la forme d’une structure anatomique change entre deux examens. Cette flexibilité peut améliorer l’alignement local, mais une déformation peu plausible risque de masquer une différence réelle. Les outils d’imagerie médicale, tels que le cadre de recalage de SimpleITK, rendent donc explicites la transformation, la mesure de similarité, l’optimiseur et la méthode d’interpolation.

Recalage et tâches de vision connexes#

Le recalage vise à établir un système de coordonnées commun, et non une simple ressemblance visuelle. La mise en correspondance d’images repère des éléments visuels correspondants et peut fournir les paires de points nécessaires au recalage ; le recalage va plus loin en estimant et en appliquant l’alignement spatial. Les points clés peuvent servir de correspondances, même si les points situés sur des personnes ou des véhicules en mouvement constituent généralement de mauvais repères pour aligner un arrière-plan immobile.

De même, le flux optique estime le mouvement apparent entre des images successives. Ses estimations de mouvement peuvent contribuer au recalage d’images, comme le montre l’exemple de recalage par flux optique de scikit-image, mais le flux ne garantit pas à lui seul un alignement précis. Le suivi d’objets a un autre objectif : préserver l’identité d’un objet au fil du temps. Un traqueur peut utiliser des estimations du mouvement de l’arrière-plan pour éviter de confondre les mouvements de la caméra et ceux de l’objet.

Importance dans les applications d’IA#

Pour la détection des changements par satellite, un analyste peut comparer des images de terres agricoles prises à plusieurs mois d’intervalle afin de repérer des zones récemment défrichées. Le recalage place les champs, les routes et les limites aux mêmes coordonnées de pixels avant qu’un modèle de détection des changements ne les compare. Sinon, une limite de champ décalée peut ressembler à un changement de couverture terrestre. Les différences de saison, d’éclairage ou de type de capteur nécessitent toujours une attention particulière après l’alignement. C’est une difficulté fréquente en analyse d’images satellite.

En analyse d’images médicales, un clinicien peut comparer des examens réalisés lors de visites distinctes pour évaluer l’évolution d’une lésion. L’alignement des examens facilite la comparaison de la même région anatomique ou son traitement par un modèle de segmentation. Comme l’anatomie peut se déformer et que les méthodes d’imagerie peuvent produire des profils de luminosité différents, un bon recalage doit préserver les différences pertinentes sur le plan clinique plutôt que de forcer toutes les régions à se ressembler.

Recalage pratique et validation#

Commence par la transformation la plus simple qui peut expliquer de façon plausible le décalage. Vérifie que les images partagent suffisamment de contenu visible, tiens compte des différences de résolution et inspecte l’alignement à plusieurs endroits, pas seulement là où la correspondance est la plus forte. Enregistre la transformation estimée si tu dois ensuite ramener des prédictions ou des annotations à l’image d’origine. Le guide d’OpenCV sur les transformations géométriques explique comment le gauchissement d’image positionne les pixels transformés.

L’exemple autonome suivant utilise le processus de corrélation de phase de scikit-image pour estimer une translation. Installe ses dépendances avec pip install scikit-image scipy.

import numpy as np
from scipy.ndimage import shift
from skimage import data
from skimage.io import imsave
from skimage.registration import phase_cross_correlation

# Créer une image de référence et une copie décalée de cette même image.
fixed = data.camera()
moving = np.roll(fixed, shift=(12, -8), axis=(0, 1))

# Estimer le décalage nécessaire pour aligner l’image mobile sur l’image fixe.
estimated_shift, _, _ = phase_cross_correlation(fixed, moving)
aligned = shift(moving, estimated_shift, order=0, mode="grid-wrap")

imsave("registered.png", aligned)
print(estimated_shift)

Les valeurs affichées indiquent la correction, tandis que registered.png montre l’image alignée. Cet exemple se limite à une translation ; il ne traite ni la rotation, ni la déformation, ni les images issues de capteurs différents. Dans un pipeline vidéo à caméra mobile, le suivi avec Ultralytics YOLO offre une application connexe : sa compensation du mouvement de la caméra estime une déformation entre les images successives afin de contribuer à la cohérence des positions des objets suivis. Cette opération du traqueur facilite l’association entre les images successives, mais ne produit pas une image recalée à usage général.