Logo ÉTS
Session
Cours
Responsable(s) Matthew Toews

Se connecter
 

Sauvegarde réussie
Echec de sauvegarde
Avertissement
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).



Plagiat et fraude
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, 2e 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: L*a*b*

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