Vision par ordinateur

Couleur
Alain Boucher - IFI

Introduction

Pour voir une scne et ses objets, nous avons besoin de lumire. Sinon, tout est noir. Comment se comporte la lumire lorsquelle touche une surface ? Quelle est linfluence des proprits de la surface ? Notre premire perception de la lumire est la couleur. Mais pas la seule.
2

Introduction

Intrt de la couleur

segmentation et reconnaissance simplifli plusieurs informations par pixels au lieu dune seule Chaque pixel enregistre linformation issue dune bande spectrale. On obtient des images couleur partir, par exemple, des 3 bandes dans le spectre visible. On peut construire des appareils (exemple : spectromtre) pour voir les bandes hors du visible (rayons X, infrarouge, ondes radio).

Images multi-spectrales

Importance de la couleur

Lhumain et la couleur

Chez lhumain, la couleur est perue dans l'oeil via les cnes. Il y en a trois types : Low, Medium and Supra-Frequency.

Par abus, on parle de cnes Rouge, Vert et Bleu.

La transformation entre stimuli des cnes et perception de la couleur est un phnomme qui nest pas encore bien modlis. L M S

Source : Patrick Hbert, Vision numrique, Universit Laval (Qubec, Canada).

La camra et la couleur

KAF-1600 Kodak.

Rpartition des capteurs couleurs dans un capteur CCD

Source : Arnaud Baudry, L'Internaute. Dossier Domptez les couleurs de vos photos

Reprsentation Rouge-Vert-Bleu

Couleurs des scnes naturelles

Selon les conditions, les couleurs observes dans une scne peuvent varier beaucoup. Cela compliquera les traitements.

Violet

Indigo

Blue

Green

Yellow

Orange

Red

Source : Marc Pollefeys, Computer vision, University of North Carolina (USA).

Albdo et perception des couleurs

Lorsque nous percevons une couleur, en ralit cela correspond une fonction s'talant sur toutes les frquences. Cette fonction se nomme Albdo spectral.

Source : Marc Pollefeys, University of North Carolina at Chapel Hill (USA).

Reprsentation en couleurs primaires

Reprsentation en couleurs primaires Rouge-Vert-Bleu

Forme additive des couleurs (pour laffichage lcran) Pour une teinte de gris : R=V=B Forme soustractive des couleurs (impression sur papier) On soustrait du blanc plutt que dajouter au noir comme en RVB. CMJ = 1 - RVB

Reprsentation en couleurs primaires Cyan-Magenta-Jaune

10

Addition/soustraction de couleurs

Le modle additif (haut) est utilis pour laffichage lcran tandis que le modle soustractif (bas) sert surtout pour limprimerie sur papier.

Source : Gonzalez and Woods. Digital Image Processing. Prentice-Hall, 2002.

11

Segmentation couleur

La couleur est analyse comme trois composantes Lajout de composantes couleurs permet de complter et damliorer les rsultats

Exemple : seuillage seulement si les trois, ou 2 sur 3, composantes couleurs sont suprieures un seuil Exemple : ajout des contours dtects dans les trois plans couleurs

12

Traitement dune image couleur

Image originale Dcomposition RVB Histogramme

Profil dintensit

Gradient Sobel

Segmentation
13

Histogramme couleur 3D

On peut dtecter la couleur d'un objet en construisant un histogramme 3D RVB On alloue un tableau 3D de taille N (exemple : N=32) pour rduire la taille de l'histogramme Pour chaque pixel, on incrmente la case associe de l'histogramme
14

Source : James L. Crowley, Vision par ordinateur, INPG (France).

Reconnatre avec la couleur

L'humain reconnait facilement le contenu de l'image. En chantillonnant les couleurs automatiquement, c'est plus difficile.
Source : Marc Pollefeys, University of North Carolina at Chapel Hill (USA).
15

Couleurs et ombrage

Est-ce que les carreaux A et B sont de mme couleurs ou non ? Rponse : oui
Source : Arnaud Baudry, L'Internaute. Dossier Domptez les couleurs de vos photos
16

Espaces couleurs

Il existe de nombreux espaces pour reprsenter les couleurs RGB est le plus commun en informatique

Facilit d'implmentation matrielle pour l'affichage des couleurs Pas le meilleur pour le traitement des couleurs

Nous choisirons parfois un meilleur codage pour amliorer les rsultats

17

Diagramme de la C.I.E.
Les couleurs ont t codifies et standardises en 1931 par la Commission Internationale de l'Eclairage Ce standard est utilis pour comparer toutes les implmentations et reprsentations des couleurs qui existent

18

Reprsentation sur le diagramme CIE

Pour chaque appareil ou standard, on peut le reprsenter sur le diagramme de la CIE

Source : Arnaud Baudry, L'Internaute. Dossier Domptez les couleurs de vos photos Source : Marc Pollefeys, University of North Carolina at Chapel Hill (USA).

19

Espaces couleurs

Il existe trois manires de classer les couleurs :

Approche purement physique RVB, XYZ, ... Approche purement visuelle Munsell, TSV, ... Approche physique, mais corrige par la psychomtrie LAB, LUV, ...

Source : Jean-Marc Breteau. Cours de colorimtrie. Universit du Maine (France).

20

Teinte-Saturation-Valeur

La reprsentation Teinte-Saturation-Valeur (TSV) est une reprsentation utile pour la segmentation et la reconnaissance

Conversion non-linaire Reprsentation visuelle de la couleur En anglais : Hue-Saturation-Value (HSV)

On spare pour un pixel

Lintensit du pixel (valeur) La couleur du pixel (teinte + saturation)

On na pas cette sparation dans le codage RVB

En RVB, les trois informations ne sont pas entirement dcorrles

21

Reprsentation TSV (HSV)

V

Teinte

La Teinte (H) est code comme un angle entre 0 et 360 La Saturation (S) est code comme un rayon entre 0 et 1

S = 0 : gris S = 1 : couleur pure

Valeur (V) = MAX (Rouge, Vert, Bleu)

Formules de conversion : fr.wikipedia.org/wiki/Teinte_Saturation_Valeur Note : on trouve dans la littrature diffrentes dfinitions plus ou moins quivalentes de TSV
22

Diffrentes possibilits pour TSV (HSV)

23

Modles luminance/couleur

Autres exemples Il existe plusieurs modles de reprsentation (en cne, cylindrique, polygonale, ) sparant luminance et couleur dun pixel
Source : Gonzalez and Woods. Digital Image Processing. Prentice-Hall, 2002.
24

Effet de la saturation

Gauche : image originale Centre : diminution de 20% de la saturation Droite : augmentation de 20% de la saturation

Source : Patrick Hbert, Vision numrique, Universit Laval (Qubec, Canada).

25

Segmentation TSV

Si on connait la couleur de llment que lon recherche, il suffit de la modliser par un intervalle de Teinte Attention, c'est un angle (valeur priodique)

Teinte < 60 ne veut rien dire Est-ce que 350 est plus petit ou plus grand que 60 ? Mettre un intervalle : 350 < Teinte < 60 (par exemple)

Cet intervalle est valide si Saturation > seuil (sinon teinte de gris) Ceci est indpendant de la Valeur, qui est plus sensible aux conditions dclairage
26

Dcomposition couleurs

Source : Gonzalez and Woods. Digital Image Processing. Prentice-Hall, 2002.

27

Espace de couleurs Lab (La*b*)

Le systme CIE Lab (ou parfois La*b*) est fond sur une tude de la vision humaine

indpendant de tout procd de reproduction prsente les couleurs rellement perues par l'il humain

Les couleurs sont dfinies par 3 valeurs

L est la luminance, qui va de 0% (noir) 100% (blanc) a* reprsente un axe allant du vert (valeur ngative) au rouge (valeur positive) b* reprsente un axe allant du bleu (valeur ngative) au jaune (valeur positive)
28

Source : Wikipdia. CIE Lab.

Espace de couleurs Lab (La*b*)

L=25%

L=75%

Source :Benjamin Talmant et Xavier Lerouvreur. Les espaces de couleur RVB et Lab, ENST (Paris, France). 29 + Wikipdia. CIE Lab.

Exemple dutilisation de la couleur pour la vision robotique

Vision robotique : une camra sur un robot laide se dplacer dans un environnement connu/inconnu

Source : Wasik & Saffiotti. Robust Color Segmentation for the RoboCup Domain. 16th International Conference on Pattern Recognition (ICPR'02), Vol. 2, p. 20651, 2002.

30

Rfrences
(voir aussi la page web du cours)

Marc Pollefeys, Class 5 Color, Comp256 Computer Vision, University of North Carolina at Chapel Hill (USA).

http://www.cs.unc.edu/Research/vision/comp256/vision05.ppt http://www-prima.inrialpes.fr/Prima/jlc/Courses/Courses.html
http://prn1.univ-lemans.fr/prn1/siteheberge/optique/M7G5_JMBreteau/co/M7G5.html

James L. Crowley, Vision par ordinateur, INP Grenoble (France).

Jean-Marc Breteau. Cours de colorimtrie. Universit du Maine (France).

Benjamin Talmant et Xavier Lerouvreur. Les espaces de couleur RVB et Lab, de Nues dynamiques pour quantifier une image en couleur, dans l'espace RVB ou dans l'espace Lab?. Projet de MTI, ENST (Paris, France)

http://www.tsi.enst.fr/tsi/enseignement/ressources/mti/RVB_ou_LAB/html/colorspace.html

Wikipdia. CIE Lab.

http://fr.wikipedia.org/w/index.php?title=CIE_Lab&oldid=44525016

Arnaud Baudry, L'Internaute. Dossier Domptez les couleurs de vos photos (07/10/2008).

http://www.linternaute.com/photo_numerique/tirage-photo/test/domptez-lescouleurs-de-vos-photos/domptez-les-couleurs-de-vos-photos.shtml