Image processing and computer vision

lelec2885  2019-2020  Louvain-la-Neuve

Image processing and computer vision
Note du 29 juin 2020
Sans connaitre encore le temps que dureront les mesures de distances sociales liées à la pandémie de Covid-19, et quels que soient les changements qui ont dû être opérés dans l’évaluation de la session de juin 2020 par rapport à ce que prévoit la présente fiche descriptive, de nouvelles modalités d’évaluation des unités d’enseignement peuvent encore être adoptées par l’enseignant ; des précisions sur ces modalités ont été -ou seront-communiquées par les enseignant·es aux étudiant·es dans les plus brefs délais.
5 crédits
30.0 h + 30.0 h
Q1
Enseignants
De Vleeschouwer Christophe (coordinateur); Jacques Laurent;
Langue
d'enseignement
Anglais
Thèmes abordés
Ce cours s'inscrit dans l'offre de cours ELEC en traitement de l'information et du signal LELEC2885. Son objectif principal est d'introduire les notions indispensables pour appréhender des signaux d'images, depuis la capture jusqu'à son exploitation, en passant par les questions de représentation et d'approximation posées lors de sa transmission ou de son interprétation.
Acquis
d'apprentissage

A la fin de cette unité d’enseignement, l’étudiant est capable de :

1 Eu égard au référentiel AA du programme « Master ingénieur civil électriciens», ce cours contribue au développement, à l'acquisition et à l'évaluation des acquis d'apprentissage suivants :
  • AA1.1, AA1.2
  • AA3.1, AA3.3
  • AA5.5, AA5.6
À l'issue de ce cours, l'étudiant sera en mesure de :
  1. Manipuler des techniques de représentation et d'approximation d'images afin d'en extraire les composantes significatives au regard d'une application particulière, ayant trait par exemple à sa transmission ou à son interprétation ;
  2. Appliquer des opérations de filtrage linéaire et non-linéaire (par exemple morphologique) afin d'isoler certaines composantes fréquentielles ou éliminer certaines composantes de bruit ;
  3. Détecter des structures d'intérêt dans une image, telles que des contours, des points saillants, etc. ;
  4. Segmenter une image en régions de caractéristiques homogènes, en vue de son interprétation sémantique ;
  5. Restaurer des images altérées par l'ajout de bruit ou par un floutage ;
  6. Appréhender les principes de bases de la résolution de problèmes inverses en imagerie et en acquisition comprimée (Compressed Sensing) ;
  7. Gérer des bases de données d'images à l'aide d'outils de détection ou de classification ;
  8. Détecter et suivre un ou plusieurs objet(s) d'intérêt au sein de flux vidéos, en vue d'applications biomédicales ou d'interprétation de scène ;
  9. Comprimer des signaux d'images en tenant compte de la perception visuelle, et des modes d'accès au signal comprimé ;
  10. Fournir une solution à des problèmes complexes impliquant le traitement des images, comme le contrôle de qualité, la visiosurveillance, les interfaces multimodales homme-machine, l'imagerie médicale ou cellulaire.
 

La contribution de cette UE au développement et à la maîtrise des compétences et acquis du (des) programme(s) est accessible à la fin de cette fiche, dans la partie « Programmes/formations proposant cette unité d’enseignement (UE) ».
Contenu
  • Les différentes représentation d’une image: pixels, transformations de Fourier et multi-échelles.
  • La transformation en ondelettes.
  • Le principe de parcimonie et ses applications: des bases orthonormales aux systèmes redondants.
  • Système visuel humain et principales caractéristiques de l'image.
  • Classification des images et introduction à l'apprentissage profond.
  • Outils de base d’analyse d’images: morphologie mathématique et apparentés.
  • Segmentation d’image, regroupement (spectral), « watershed » et « levelsets »
  • Une introduction à l’imagerie computationnelle
  • Suivi (multi-) objet par détection, ou « detect-before-track »
  • Suivi récursif visual d’objet, ou “track-before-detect”
  • Principes de vision stéréoscopique
  • Du codage entropique à la compression d'image
  • Compression vidéo et « sparse approximation coding »
Méthodes d'enseignement
Le cours est organisé autour d'un ensemble de cours théoriques, traitant chacun d'une problématique spécifique communément rencontrée dans le monde du traitement d'images. Chaque cours introduit une sélection des principales solutions considérées dans la littérature et/ou l'industrie pour résoudre le problème étudié, et une liste de références bibliographiques est fournie pour approfondir chaque sujet.
L'étudiant est ensuite invité à lire et à critiquer un certain nombre de ces publications scientifiques. Le but est de lui permettre d'approfondir un sujet, mais aussi et surtout d'attirer son attention sur la manière dont une communication scientifique est construite.
A côté des cours théoriques, des séances d’exercices numériques sous Python sont organisées en salle informatique. Les étudiants sont amenés à programmer différents algorithmes associés à une sous-sélection cohérente des techniques enseignées. Ils exploitent pour cela des librairies Python existantes. L’apprentissage est assuré par résolution de problèmes, sur base d’images/signaux synthétiques ou réels, parfois associés à des bases de données externes.    
Le cours se donne en présentiel exclusivement.
Modes d'évaluation
des acquis des étudiants
L'évaluation comprend trois composantes :
  • Un examen oral évaluera les étudiants individuellement sur leur compréhension des méthodes présentées lors des cours magistraux. D'une part, l'étudiant sera amené à expliquer et à justifier le choix des méthodes mises en ouvre dans les systèmes de vision étudiés au cours. D'autre part, l'examen vérifiera la maîtrise des concepts mathématiques sous-jacents à ces méthodes.
  • Une évaluation des séances d'exercices numériques sous Python : les étudiants sont évalués sur ordinateur (en session ou hors session) sur base de problèmes similaires à ceux présentés pendant l’année.
  • Une analyse critique de 3 articles scientifiques du domaine permettra à l'étudiant de démontrer son aptitude à cerner les atouts et les faiblesses d'une communication scientifique, tant en terme d'organisation que de contenu.
Ces trois composantes sont respectivement pondérées à 50%, 30% et 20%, avec obligation de réussir l’examen oral. En cas d’échec à l’examen, seul le résultat de l’examen est pris en compte.
Autres infos
Ce cours suppose acquises les notions de base en traitement du signal, telles que dispensées dans le cours  « signaux et système » (LFSAB1106) ou « traitement numérique du signal » (LELEC2900).
Bibliographie
Support de cours :
Transparents, articles tutoriaux et parties de code Python.
Les documents du cours sont disponibles sur Moodle
Lectures conseillées :
Durant l'année, l'étudiant doit lire 3 articles sélectionnés dans une liste d’articles distribués sur le site Moodle du cours.
------------------
Course materials:
Slides, tutorials and parts of Python code.
Course documents are available on Moodle
Recommended reading:
During the year, each student must read 3 articles selected from a list of articles distributed on the Moodle site of the course.
Faculté ou entité
en charge
ELEC


Programmes / formations proposant cette unité d'enseignement (UE)

Intitulé du programme
Sigle
Crédits
Prérequis
Acquis
d'apprentissage
Master [120] : ingénieur civil en science des données

Master [120] : ingénieur civil biomédical

Master [120] : ingénieur civil en informatique

Master [120] : ingénieur civil en mathématiques appliquées

Master [120] en sciences informatiques

Master [120] : ingénieur civil électricien

Master [120] en science des données, orientation technologies de l'information