Version PDF

Afficher les cours préalables

Afficher les qualités de l'ingénieur

École de technologie supérieure

Responsable(s) de cours :

Matthew Toews

PLAN DE COURS

Hiver 2022
SYS809 : Vision par ordinateur (4 crédits)

Modalités de la session d’hiver 2022

Pour assurer la tenue de la session d’hiver 2022, les modalités suivantes seront appliquées :

Les activités d’enseignement de la session d’hiver 2022 comprendront des activités en présence et à distance, lesquelles seront ajustées en fonction de l’évolution de la situation socio-sanitaire.

Pour les cours (ou séances de cours) donnés à distance, l’étudiant ou l'étudiante doit avoir accès à un ordinateur, un micro, une caméra et un accès à internet, idéalement de 10Mb/s ou plus. Il ou elle doit ouvrir sa caméra et/ou son micro lorsque requis, notamment pour des fins d’identification ou d’évaluation.

Les cours (ou séances de cours) donnés à distance pourraient être enregistrés afin de les rendre disponibles aux personnes inscrites au cours.

La notation des cours sera la notation régulière prévue aux règlements des études de l’ÉTS.

Les examens (intra, finaux) se feront en présence, si la situation socio-sanitaire le permet.

Le contexte actuel oblige bien sûr l’ÉTS à suivre de près l’évolution de la pandémie de COVID-19, laquelle pourrait entraîner, avant ou après le début de la session d’hiver 2022, un resserrement des directives et recommandations gouvernementales. Nous vous assurons que l’ÉTS se conformera aux règles en vigueur afin de préserver la santé publique et, si requis, qu'elle pourrait aller jusqu’à interdire l’accès physique au campus universitaire et ordonner que toutes les activités d’enseignement et d’évaluation soient exclusivement données à distance pour toute ou pour une partie de la session d’hiver 2022. Ainsi, si les examens (intra, finaux) devaient se faire à distance, leur surveillance se fera à l’aide de la caméra et du micro de l’ordinateur et pourrait être enregistrée. Ceci est nécessaire pour se conformer aux exigences du Bureau canadien d’agrément des programmes de génie (BCAPG) afin d’assurer la validité des évaluations.

Des exigences additionnelles pourraient être spécifiées par l’ÉTS ou votre département, suivant les particularités propres à votre programme.

En vous inscrivant ou en demeurant inscrit à la session d'hiver 2022, vous acceptez les modalités particulières de la session d’hiver 2022.

Nous vous rappelons que vous avez jusqu’au 18 janvier 2022 pour vous désinscrire de vos cours et être remboursé.

Pour les nouveaux étudiants inscrits au programme de baccalauréat uniquement, vous avez jusqu’au 1er février 2022 pour vous désinscrire de vos cours et être remboursé.

Préalables
Aucun préalable requis

Descriptif du cours

Comprendre les divers phénomènes qui se produisent lors de la formation d’une image. Maîtriser l’appareil mathématique servant à poser les problèmes de vision de façon analytique. Choisir l’approche de segmentation la mieux appropriée au type d’image à l’étude. Apprendre à se faire une idée globale du vaste domaine que représente la vision par ordinateur et à progresser de façon autonome par la suite.

Introduction : vue d’ensemble de la vision artificielle. Formation des images : géométrie, coordonnées homogènes, transformation de coordonnées; photométrie, luminance d’un rayon lumineux, illuminance d’une image; numérisation, projection de la scène tridimensionnelle sur le plan image. Prétraitement des images: filtration linéaire et non linéaire, égalisation d’histogramme, rehaussement de l’image. Extraction des primitives: détecteurs d’arêtes, analyse multirésolution, détection des lignes, des courbes et des contours. Segmentation : séparer - réunir, croissance de régions, fermeture de contours. Reconnaissance : les géons.

Séances de laboratoire visant à se familiariser avec l'utilisation et la programmation de divers progiciels. Projet de développement d’un algorithme de vision artificielle au choix de l’équipe.

Objectifs du cours

À la fin du cours, l’étudiant devrait :

Comprendre les divers phénomènes qui se produisent lors de la formation d’une image;
Maîtriser l’appareil mathématique servant à poser les problèmes de vision de façon analytique;
Choisir l’approche d’analyse la mieux appropriée au type d’image à l’étude;
Avoir une idée globale du vaste domaine que représente la vision par ordinateur et pouvoir progresser par lui-même par la suite.
Identifier et mettre en œuvre les processus nécessaires pour identifier et localiser les divers objets présents sur une ou plusieurs images de la scène sous observation.

Stratégies pédagogiques

Pour atteindre les objectifs, l’étudiant assistera à des exposés magistraux à raison de 3h30 par semaine et à des séances de laboratoire (2h par semaine) durant lesquelles il pourra expérimenter les principaux algorithmes utilisés en vision par ordinateur. Les 6 dernières semaines sont consacrées à la programmation et à l’évaluation d’un algorithme de vision artificielle au moyen d’un projet de session.

Utilisation d’appareils électroniques

PCs
Logiciels de traitement et de compréhension de l'image : MATLAB, Python et/ou C++, OpenCV

Horaire

Groupe	Jour	Heure	Activité
01	Mardi	08:30 - 12:00	Activité de cours
	Mercredi	13:30 - 16:30	Laboratoire

Coordonnées de l’enseignant

Groupe	Nom	Activité	Courriel	Local	Disponibilité
01	Matthew Toews	Activité de cours	Matthew.Toews@etsmtl.ca	A-3595
01	Étienne Pépin	Laboratoire	etienne.pepin.1@ens.etsmtl.ca

Cours

Le cours se veut une introduction au domaine de la vision informatique. Il couvre les fondements de la vision numérique et aborde les principes élémentaires de la formation d’images, de l’extraction des primitives des images et de la segmentation et description des objets présents sur les images. Une approche de traitement local est favorisée. Une approche numérique de réalisation sera illustrée en laboratoire à l’aide de progiciels évolués d’analyse, de compréhension et de traitement d’image.

Semaine	Activités	Heures
1	1. INTRODUCTION : Vue d’ensemble de la vision artificielle	3
2	2. FORMATION DES IMAGES : Géométrie	3

3	Radiométrie	3

4	Photométrie et couleur	3

5	3. PRÉTRAITEMENT : Rehaussement des images	3

6	Filtrage	3

7	Morphologie et espaces couleur	3

8	4. EXTRACTION DES DESCRIPTEURS : Gradient	3

9	Détection basée sur la dérivée seconde	3

10	Points singuliers invariants et texture	3

11	5. SEGMENTATION	3

12	6. EXTRACTION DES ÉLÉMENTS SYMBOLIQUES	3

13	7. RECONNAISSANCE 8. LOCALISATION	3

Laboratoires et travaux pratiques

Quelques séances de laboratoire dirigées sont prévues pour que l’étudiant puisse se familiariser avec l’utilisation et la programmation des logiciels d’analyse et de traitement d’images MATLAB et Python. Il pourra également utiliser et programmer des algorithmes de traitement d’images et de vidéos en languages Python et C++ à partir de la bibliothèque OpenCV en code source libre.

Un projet de session est réalisé en équipe et consiste à réaliser un algorithme de vision artificielle parmi un choix d’articles fourni aux équipes ou relié au projet d’application des membres de l’équipe. Le projet est mené durant la session et conclu par une présentation orale et un rapport.

Semaines	Description	Heures
2 - 3	Labo 1 - Introduction à MATLAB	4
4 - 5	Labo 2 - Introduction à OpenCV, C++, Python	4
6 - 7	Labo 3 - OpenCV, C++, Python	4
8 - 13	Projet de session	12
	Total	24

Évaluation

Activité	Description	%
Laboratoires	3 x travaux pratiques, développement de logiciel	15
Quiz	3 x quiz en format de réponse courte, en classe	10
Projet de session	6 dernières semaines	35
Final	Examen	40

Date de l'examen final
Votre examen final aura lieu pendant la période des examens finaux, veuillez consulter l'horaire à l'adresse suivante : http://etsmtl.ca/Etudiants-actuels/Baccalaureat/Examens-finaux

Politique de retard des travaux
Tout travail (devoir pratique, rapport de laboratoire, rapport de projet, etc.) remis en retard sans motif valable, c’est-à-dire autre que ceux mentionnés dans le Règlement des études (1er cycle, article 7.2.7 b / cycles supérieurs, article 6.5.4 b) se verra attribuer la note zéro, à moins que d’autres dispositions ne soient communiquées par écrit par l’enseignant dans les consignes de chaque travail à remettre ou dans le plan de cours pour l’ensemble des travaux.

Dispositions additionnelles

Rapports de laboratoire (2) : 20% par journée ouvrable de retard

Rapport technique du projet de session : Remise lors de la séance d'affiches. 20% par journée ouvrable de retard.

Absence à un examen
Dans les cinq (5) jours ouvrables suivant la tenue de son examen, l’étudiant devra justifier son absence d’un examen durant le trimestre auprès de la coordonnatrice – Affaires départementales qui en référera au directeur de département. Pour un examen final, l’étudiant devra justifier son absence auprès du Bureau du registraire. Toute absence non justifiée par un motif majeur (maladie certifiée par un billet de médecin, décès d’un parent immédiat ou autre) à un examen entraînera l’attribution de la note (0).

Infractions de nature académique
Les clauses du « Règlement sur les infractions de nature académique de l’ÉTS » s’appliquent dans ce cours ainsi que dans tous les cours du département. Les étudiants doivent consulter le Règlement sur les infractions de nature académique (https://www.etsmtl.ca/docs/ETS/Gouvernance/Secretariat-general/Cadre-reglementaire/Documents/Infractions-nature-academique ) pour identifier les actes considérés comme étant des infractions de nature académique ainsi que prendre connaissance des sanctions prévues à cet effet. À l’ÉTS, le respect de la propriété intellectuelle est une valeur essentielle et les étudiants sont invités à consulter la page Citer, pas plagier ! (https://www.etsmtl.ca/Etudiants-actuels/Baccalaureat/Citer-pas-plagier).

Documentation obligatoire

R. Lepage, La vision par ordinateur. Notes de cours, École de technologie supérieure, 2005.

Site web du cours :

https://ena.etsmtl.ca

R. Szeliski, Computer Vision – Algorithms and Applications, Springer, 2011.

Collection Springer eBook Collection de la bibliothèque de l’ÉTS

Ouvrages de références

Forsyth, D. A. & Ponce, J, Computer Vision: A Modern Approach. Upper Saddle, NJ: Prentice Hall, 2003.

E. Trucco and A. Verri, Introductory Techniques for 3-D Computer Vision, Prentice Hall, 1998.

D. Lingrand, Introduction au traitement d’images, Vuibert (Paris), 2004.

L. G. Shapiro et G. C. Stockman, Computer Vision, Prentice Hall, 2001.

Jain, R., Kasturi, R, Schunck, B. G., Machine Vision, McGraw-Hill, 1995.

P. Bolon, J.-M. Chassery, J.-P. Cocquerez, D. Demigny, C. Graffigne, A. Montanvert, S. Philipp, R. Zéboudj, et J. Zérubia, Analyse d'images: filtrage et segmentation, Masson, 1995.

H. Maître, Le traitement des images, Hermes Science, 2003.

M. Bennamoun et G. J. Mamic, Object Recognition: Fundamentals and Case Studies, Springer, 2002.

Horn, H. K. P., Robot Vision, MIT Press, 1986.

Marr, D., Vision, Freeman, 1982.

Tisserand, E., Pautex, J.-F. et Schweitzer, P., Analyse et traitement des signaux – Méthodes et applications au son et à l’image, Dunod, 2004.

Trémeau, A., Fernandez-Maloigne, C. et Bonton, P., Image numérique couleur: de l’acquisition au traitement, Dunod, 2004.

Horaud, R., Monga, O., Vision par ordinateur: outils fondamentaux, 2^e édition, Hermes, 1995.

Haralick, R. M., Shapiro, L. G., Computer and Robot Vision, Volume I and II, Addison Wesley, 1992 et 1993.

Adresse internet du site de cours et autres liens utiles

https://ena.etsmtl.ca/course/view.php?id=1763

Autres informations

SYS-809 VISION PAR ORDINATEUR

Plan détaillé - Hiver 2022

Cours	Semaine du	Théorie (A-3450) Mardi 8:30h-12:00h	Laboratoire (A-3450) Mercredi 13:30h-16:30h	Lecture	Évaluation
1	10 janvier	Introduction Organisation, laboratoires, formation des équipes Aperçu général de la vision par ordinateur Les différentes approches Niveaux de représentation	Laboratoire 1: Introduction à MATLAB Interface graphique Visualisation des images Algorithmes de traitement d'image	Notes: Chap. 1 Szeliski : Ch. 1
2	17 janvier	Formation des images Processus impliqués Géométrie Équations de perspective projection inverse stéréo	Laboratoire 1 semaine 2 Transformations linéaires de coordonnées Mise à l’échelle linéaire Égalisation d’histogramme Filtrage linéaire Filtrage médian Préservation d’arête	Szeliski : *2.1* - *2.2* Capsule 1: MATLAB Document PDF: MATLAB/Introduction à MATLAB
3	24 janvier	Radiométrie: principaux termes équation de formation des images carte de réflectance	Laboratoire 2: OpenCV Programmation C++, Python http://opencv-srf.blogspot.ca/p/opencv-c-tutorials.html	Notes: Chap. 2 Szeliski : *2.2*
4	31 janvier	Photométrie caméra numérique lentilles minces paramètres pour la prise d’images autres capteurs types d’images: E, IR, 3D, couleur, satellitaire, etc. Traitement de la couleur la couleur? perception de la couleur modèles de représentation Échantillonnage théorème de Nyquist quantification tesselation (pavage) Connectivité 4 et 8 voisins régions connectées	Laboratoire 2: semaine 2	Szeliski : *2.3* Capsule 3: Photo numérique Document PDF: Principes fondamentaux de la photographie numérique Document PDF: Comprendre la couleur (anglais)
5	7 février	Reconnaissance de formes Prétraitement Descripteurs Segmentation Classification Localisation Prétraitement des images Réduction du bruit Rehaussement des primitives arêtes, contraste, etc. mise à l’échelle Histogramme calcul égalisation	Laboratoire 3: semaine 1 Réseaux profonds Programmation C++, Python	Szeliski : *3.1* Documentation Web: OpenCV	Remise du labo 1
6	14 février	Filtrage convolution moyenneur rehaussement d’arêtes domaine fréquentiel (TFD et TFR) gaussien pyramidal Rehaussement non-linéaire filtre médian préservation des arêtes	Laboratoire 3: semaine 2	Notes: Chap. 3 Szeliski : *3.2 Linéaire* *3.3.1 Non-linéaire* *3.4 Fourier* *3.5 Pyramide*
7	21 février	Morphologie érosion, dilatation ouverture, fermeture opérations élémentaires Espaces couleur base: RVB CMJN standardisé: sRVB CIE: XYZ perceptuel: Lab*	Choix du projet Projet de session	Szeliski : *3.3.2 Morphologie* *2.3.2 Couleur*
	28 février	Relâche	Projet de session		Remise du choix de projet
8	7 mars	Extraction des descripteurs Notion de discontinuité 3D et 2D Primitives de base: arêtes Détection des arêtes basée sur le gradient masques 1x2 masques moyenneurs arêtes orientées amincissement Canny-Deriche	Projet de session	Notes: Chap. 4, Szeliski : 4.2 L1: H. Maître Détection des contours2.1 - 2.3 L2: R. Deriche Détecteur de Canny-Deriche	Remise du labo 2 10 mars: dernier jour pour abandon sans mention
9	14 mars	Détection des arêtes basée sur la dérivée seconde gaussienne passage par zéro (Marr-Hildreth) Détection multirésolution des arêtes Texture	Projet de session	Szeliski : *4.1* L3: D. Lowe SIFT
10	21 mars	Détection invariante de points singuliers : Coins de Harris Algorithme SIFT	Projet de session	Szeliski : *5.2 Split-Merge* *5.3 Mean shift*	État de projet
11	28 mars	Segmentation Définition et vue d’ensemble des méthodes Seuillage Croissance de région Partition de région Regroupement de régions Séparer - regrouper Morphologie - ligne de partage des eaux Mean shift Segmentation d’une image satellitaire	Projet de session	Szeliski : *4.3 Arêtes* *5.1 Snakes* L1: H. Maître Détection des contours 2.4 Contours actifs
12	4 avril	Extraction des éléments symboliques Transformée de Hough Détection de lignes Détection de frontières Détection des crêtes et des vallées Contours actifs Représentation des éléments symboliques - Objets	Projet de session
	12 avril	Révision	Examens finaux Examen écrit		Examen final Projet : Évaluation Rapport technique