Ressources numériques en sciences humaines et sociales OpenEdition Nos plateformes OpenEdition Books OpenEdition Journals Hypothèses Calenda Bibliothèques OpenEdition Freemium Suivez-nous

Lexique : vision par ordinateur

Liste des outils de segmentation d’Alice Truc
https://perception.inrialpes.fr/people/Horaud/livre-fichiersPS/VO-HoraudMonga.pdf

Prétraitement d’images (Image processing)

  • Traitement d’images (Image processing)
    ensemble des techniques permettant de préparer et d’améliorer les images numériques avant leur analyse et interprétation par les algorithmes. Le traitement d’image utilise des algorithmes pour modifier les images, notamment la netteté, le lissage, le filtrage ou l’amélioration.

Extraction de caractéristiques (Feature extraction)

  • Détection de contour
    La détection de contour en vision par ordinateur est une technique utilisée pour identifier les points dans une image numérique où il y a des discontinuités brusques, qui correspondent généralement aux frontières des objets. Ces discontinuités peuvent être des changements de couleur, de luminosité ou de texture. La détection de contour est une étape cruciale dans de nombreuses applications de traitement d’images et de vision par ordinateur. Elle permet de simplifier l’analyse de l’image en réduisant la quantité de données à traiter, tout en préservant les caractéristiques structurelles importantes de l’image. Elle est utilisée dans divers domaines tels que la reconnaissance de formes, la détection d’objets, le suivi de mouvement, la segmentation d’images, etc.

Classification d’image (Image classification)

  • Classification d’image (Image classification)
    La classification des images permet aux ordinateurs de voir une image et de classer avec précision la classe à laquelle elle appartient. La vision par ordinateur comprend les classes et les étiquette, par exemple des arbres, des avions ou des bâtiments. Par exemple, un appareil photo peut reconnaître des visages sur une photo et effectuer la mise au point sur eux.

Détection et reconnaissance de formes (Pattern recognition)

  • Détection d’objets (Object detection)
    La détection d’objets est une tâche de vision par ordinateur qui permet de détecter et de localiser des images. Elle utilise la classification pour identifier, trier et organiser les images.
  • Reconnaissance faciale (Facial recognition)
  • Suivi d’objets (Object tracking)
    Le suivi d’objets utilise des modèles de deep learning pour identifier et suivre les éléments appartenant à des catégories. Il a plusieurs applications réelles dans de nombreux secteurs. Le premier élément du suivi d’objets est la détection des objets ; un cadre de délimitation est créé autour de l’objet, un ID d’objet lui est attribué et peut être suivi à travers des cadres. Par exemple, le suivi d’objets peut être utilisé pour la surveillance du trafic en milieu urbain, la surveillance humaine et l’imagerie médicale.
  • Interprétation de scène (Scene understanding)
    L’objectif principal est de permettre à un système de vision par ordinateur de comprendre la scène représentée au-delà de la simple détection d’objets individuels. Segmenter la scène en régions sémantiques (routes, bâtiments, végétation, etc.) Détecter et classer les objets présents (voitures, piétons, mobilier, etc.). Comprendre les relations spatiales et contextuelles entre les objets. Reconnaître les activités et événements en cours

  • Reconstruction 3D (3D reconstruction)
    La reconstruction 3D en vision par ordinateur est le processus de création d’une représentation 3D d’un objet ou d’une scène à partir d’images 2D. Le processus de reconstruction 3D implique généralement plusieurs étapes. Tout d’abord, des caractéristiques distinctives (comme les coins, les bords ou les textures) sont extraites des images 2D. Ensuite, ces caractéristiques sont mises en correspondance entre les différentes images pour identifier les points qui représentent la même partie de l’objet ou de la scène.
    Une fois les correspondances établies, des techniques de géométrie projective sont utilisées pour estimer la position et l’orientation des caméras qui ont capturé les images. Cette étape est connue sous le nom de calibration de la caméra.
    Ensuite, à l’aide des correspondances et des paramètres de la caméra, la profondeur de chaque point par rapport à la caméra peut être estimée. Cela permet de créer un nuage de points 3D, qui est une collection de points dans l’espace 3D, chacun avec ses coordonnées x, y et z.
  • Analyse de mouvement : Motion analysis
  • Vision stéréoscopique (Stereo vision)
    Un des objectifs de la vision par ordinateur est de reconstruire la structure tridimensionnelle de l’espace à partir d’une ou plusieurs images La vision stéréoscopique utilise deux images prises avec deux camera. Connaissant le modèle de projection de chaque camera et la relation spatiale entre les deux cameras, il s’agit de calculer les coordonnées D d’un point a partir de ses deux projections dans les deux images.
  • Calibration de caméra (Camera calibration)
    La calibration de caméra en vision par ordinateur est le processus d’estimation des paramètres intrinsèques et extrinsèques d’une caméra. Ces paramètres sont nécessaires pour établir une relation entre les coordonnées 2D d’un point dans une image et ses coordonnées 3D dans le monde réel. Les paramètres intrinsèques d’une caméra comprennent des informations telles que la distance focale, le centre optique, et la distorsion radiale et tangentielle. Ces paramètres décrivent les caractéristiques géométriques de la caméra elle-même et sont utilisés pour corriger les distorsions dans les images capturées par la caméra. Les paramètres extrinsèques d’une caméra, quant à eux, décrivent la position et l’orientation de la caméra par rapport au monde réel. Ils comprennent les informations de rotation et de translation de la caméra.
  • Détection de points d’intérêt (Interest point detection)
    La détection de points d’intérêt en vision par ordinateur est le processus d’identification automatique des points distinctifs dans une image. Ces points, également appelés points de repère ou points clés, sont des caractéristiques locales qui peuvent être utilisées pour décrire l’image de manière compacte et robuste. Les points d’intérêt sont souvent définis comme des régions locales dans une image qui présentent des variations significatives de l’intensité des pixels, telles que les coins, les jonctions de lignes, les centres de cercles, etc. Ils sont généralement sélectionnés pour être stables sous différentes transformations géométriques et photométriques, telles que la rotation, la mise à l’échelle, la translation, et les changements d’éclairage.
  • Mise en correspondance stéréo : Stereo matching
  • Reconstruction de surface : Surface reconstruction
  • Récupération d’images basée sur le contenu
    La récupération d’images basée sur le contenu est une application de techniques de vision par ordinateur qui permet de rechercher des images numériques spécifiques dans de grandes bases de données. Il analyse les métadonnées telles que les balises, les descriptions, les étiquettes et les mots-clés. La recherche sémantique utilise des commandes telles que « rechercher des images de bâtiments » pour récupérer le contenu approprié.

Outils

  • OpenCV
  • TensorFlow
  • PyTorch
  • Keras
  • MATLAB
  • SimpleCV

Services Cloud et APIs


OpenEdition vous propose de citer ce billet de la manière suivante :
Jean-Christophe Carius (3 octobre 2025). Lexique : vision par ordinateur. Consortium-HN pictorIA. Consulté le 11 novembre 2025 à l’adresse https://pictoria.hypotheses.org/2185


Jean-Christophe Carius

Ingénieur de recherche pour l'édition numérique de sources enrichies

Vous aimerez aussi...