Logo ÉTS
Session
Cours
Responsable(s) Ismail Ben Ayed

Se connecter
 

Sauvegarde réussie
Echec de sauvegarde
Avertissement
École de technologie supérieure

Responsable(s) de cours : Ismail Ben Ayed


PLAN DE COURS

Automne 2024
GPA659 : Vision artificielle (4 crédits)





Préalables
Aucun préalable requis
Unités d'agrément
Total d'unités d'agrément : 64,8 25,0 % 75,0 %




Qualités de l'ingénieur

Qn
 Qualité visée dans ce cours  
Qn
   Qualité visée dans un autre cours  
  Indicateur enseigné
  Indicateur évalué
  Indicateur enseigné et évalué



Descriptif du cours
Au terme de ce cours, l’étudiante ou l’étudiant sera en mesure : d’expérimenter les concepts de base du domaine de la vision par ordinateur; d’appliquer ces concepts à la formation, au traitement et à la reconnaissance des objets présents dans des images numériques.

Introduction au domaine de la vision par ordinateur : techniques, logiciels et matériels. Fondements du traitement numérique des images. Principes de la formation d’images, du traitement d’images, de la segmentation des objets, de l’extraction des caractéristiques de ces objets. Reconnaissance et classification des objets.

Séances de laboratoire : utiliser des outils logiciels et matériels pour réaliser l’analyse d’images; réaliser et appliquer des algorithmes de traitement par la programmation et l’utilisation d’un ensemble d’outils logiciels.



Objectifs du cours

Ce cours est une introduction au domaine de la vision par ordinateur. Il aborde les fondements du traitement numérique des images et les principes élémentaires de la formation d’images, du traitement d’images, de la segmentation, de l’extraction de caractéristiques et finalement de la reconnaissance d’objets. Les concepts abordés seront mis en pratique en laboratoire grâce à l’utilisation d’un progiciel évolué d’analyse et de traitement d’images et à la programmation.

 

Objectifs spécifiques

 

L’objectif principal est de maîtriser les concepts importants relatifs à la vision numérique.

À la fin du cours, l’étudiant devrait pouvoir:

 

  • Comprendre les divers phénomènes qui se produisent lors de la formation d’une image.
  • Maîtriser l’appareil mathématique et informatique servant au traitement numérique d’images et aux principales transformées d’images.
  • Maîtriser l’appareil mathématique et informatique servant à la segmentation d’images, à l’extraction de caractéristiques de ces images et à la reconnaissance d’objets.
  • Choisir l’approche d’analyse  la mieux appropriée au type d’image à l’étude et au problème à résoudre.



Stratégies pédagogiques

39    heures de cours magistral (enseignement théorique)

36    heures de laboratoire (traitement d’images)

6      heures de travail personnel (en moyenne) par semaine

3      heures / semaine de cours magistral (enseignement théorique)

3      heures /semaine de laboratoires (traitement d’images)

 

Les étudiants utiliseront le logiciel MATLAB pour faire l’essai des algorithmes les plus répandus en vision et pour programmer des solutions à des problèmes de vision.



Utilisation d’appareils électroniques

Le progiciel MATLAB (avec Image Processing Toolbox et Computer Vision Toolbox) sera utilisé sur ordinateurs personnels.

 



Horaire
Groupe Jour Heure Activité
01 Jeudi 13:30 - 17:00 Activité de cours
Vendredi 13:30 - 16:30 Laboratoire



Coordonnées du personnel enseignant le cours
Groupe Nom Activité Courriel Local Disponibilité
01 Ismail Ben Ayed Activité de cours Ismail.BenAyed@etsmtl.ca A-3596
01 Ghassen Baklouti Laboratoire ghassen.baklouti.1@ens.etsmtl.ca



Cours

Note : La description suivante est une tentative et il est possible que l’ordre de présentation soit modifié et / ou que certains sujets soient retirés ou ajoutés pour permettre l’amélioration de la compréhension et de la pertinence du contenu.

 

COURS

ACTIVITÉS DES COURS

Séance 01- 

05 SEPT

(B-3408)

 
  • Introduction à la vision artificielle
  • La vision humaine
  • Acquisition d’images, échantillonnage et quantification
  • Représentation d’images, résolution et interpolation  

Lire: Gonzalez et Woods, Chapitre 1 (pages 1 à  31) et  Chapitre 2 (pages 35 à 68)

Séance 02-

19 SEPT

(B-3408)
  • Relations entre les pixels
  • Opérations arithmétiques et logiques
  • Transformations
  • Manipulation d’histogrammes

Lire: Gonzalez et Woods, Chapitre 2 (pages 68 à 92) et Chapitre 3 (pages 104 à 128) 

Séance 03-

26 SEPT

(B-3408)
  • Analyse spatiale
    • Procédé par masque, filtrage spatial
    • Dérivés de premier et second ordre, le Laplacien, le gradient

Lire: Gonzalez et Woods, Chapitre 3 (pages 144 à 172)

Séance 04-

03 OCT

(Virtuel)
  • Analyse fréquentielle
    • Série de Fourier, transformé de Fourier, théorème d’échantillonnage, théorème de convolution 

Lire: Gonzalez et Woods, Chapitre 4 (pages 199 à 255)

Séance 05-

10 OCT

(Virtuel)

 

  • Filtrage dans le domaine fréquentiel 
    • Filtre passe-bas, passe-haut
    • Idéal, Butterworth, Gaussien
  • Restauration d’images
    • Fonctions de densité de probabilité de bruit
    • Réduction du bruit additif, réduction du bruit cyclique

Lire: Gonzalez et Woods, Chapitre 4 (pages 255 à 286) et Chapitre 5 (pages 311 à 338)

Séance 06-

17 OCT

(B-3408)

 

  • Morphologie
    • Opérations : dilatation, érosion, ouverture, fermeture, opérateur « tout-ou-rien »
  • Algorithmes morphologiques
    • Limites, amincissement, épaississement
  • Extension des opérations morphologiques aux tons de gris

Lire: Gonzalez et Woods, Chapitre 9 (pages 627 à 651 et 665 à 675)

Séance 07-

24 OCT

(B-3408)

   Examen de mi-trimestre

Séance 08-

31 OCT

(B-3408)
  • Modèles de couleur, diagramme de chromaticité 
  • Traitement en pseudo-couleur
  • Traitement en pleine couleur
    • Transformations
    • Tranches de couleurs
    • Filtres

Lire: Gonzalez et Woods, Chapitre 6 (pages 394 à 443)

Séance 09-

07 NOV

(B-3408)

 
  • Méthodes basiques de segmentation d’images 
    • Détection d’arrêtes
    • Seuillage global, seuillage par région, K-means
  • Méthodes par minimisation de fonctions    
    • Maximum de vraisemblance
    • Régularisation MRF 
    • Courbes actives

Lire: Gonzalez et Woods, Chapitre 10 (pages 700 à 714, 738 à 742 et 763 à 769); Szeliski, Chapitre 5 (pages 237 à 268) 

Séance 10-

14 NOV

(B-3408)
  • Représentation & Description 
    • Codage du contour, signatures et squelettes  
    • Descripteurs géométriques des régions
    • Descripteurs de Fourier
    • Moments invariants
    • Composantes principales 

Lire: Gonzalez et Woods, Chapitre 11 (pages 796 à 823, 827 à 836 et 839 à 852)

Séance 11-

21 NOV

(B-3408)
  • Reconnaissance 
    • Formes et classes de formes
    • Fonctions de décision, classificateur à distance minimum
    • Corrélation, classificateurs statistiques 

Lire: Gonzalez et Woods, Chapitre 12 (pages 861 à 881) 

Séance 12-

28 NOV

(B-3408)

 
  • Reconnaissance 
    • Introduction aux réseaux de neurones

Séance 13-

05 DEC

(B-3408)
  • Reconnaissance 
    •  Réseaux de neurones à convolution



Laboratoires et travaux pratiques

 

Des séances de laboratoire dirigées sont prévues pour que l’étudiant puisse se familiariser avec l’utilisation et la programmation d'un progiciel très versatile d’analyse et de traitement d’images (MATLAB). La théorie exposée au cours sera illustrée grâce aux diverses séances de laboratoire.

 

 

 

 

Date

Description

Lab 01

13 SEPT 

(A-3566)
  • Introduction au progiciel MATLAB
    • Matrices (termes et définitions)
    • Operations et commandes
    • Programmation, M-files et fonctions

Lab 02

20 SEPT 

(A-3566)
  • Résolution, interpolation et changement d’échelle
  • Opérations arithmétiques et transformations
  • Manipulation d’histogrammes

Lab 03

27 SEPT 

(A-3566)
  • Filtrage spatial et filtrage dans le domaine fréquentiel (Semaine 1) 

Lab 04

04 OCT 

(A-3566)
  • Filtrage spatial et filtrage dans le domaine fréquentiel (Semaine 2)

Lab 05

18 OCT

(A-3566)
  • Filtrage spatial et filtrage dans le domaine fréquentiel  (Semaine 3)

Lab 06

25 OCT 

(A-3566)
  • Opérations logiques et morphologiques

Lab 07

01 NOV

(A-3566)

  
  • Manipulation d’images couleurs

Lab 08

08 NOV

(A-3566)
  • Seuillage automatique (couleurs), régions connectées (Semaine 1) 

Lab 09

15 NOV

(A-3566)
  • Seuillage automatique (couleurs), régions connectées (Semaine 2) 

Lab 10

22 NOV

(A-3566)
  • Programmation guidée d’un algorithme avancé de segmentation d’images (Semaine 1)

Lab 11

29 NOV

(A-3566)
  • Programmation guidée d’un algorithme avancé de segmentation d’images (Semaine 2)

Lab 12

06 DEC

(A-3566)
  • Programmation guidée d’un algorithme avancé de segmentation d’images (Semaine 3)

 

Les rapports de laboratoire doivent être remis 14 jours  après le laboratoire (à moins d’avis contraire) et cela au DÉBUT du laboratoire.

 

 Un maximum de 10 % du total des notes des divers travaux sera attribué à la présentation et à la qualité du français.  Chaque rapport devra être présenté selon les normes reconnues (voir guide de rédaction de projet de synthèse de l’ÉTS).  Il devra comprendre une introduction, une présentation du problème, l’exposition des méthodes de solution, les résultats et une conclusion.  L’utilisation des outils informatiques pour la rédaction (traitement de textes) ainsi que pour la présentation des données (tabulateurs, graphiques, dessins) est requise.



Utilisation d'outils d'ingénierie

 

  • Ordinateurs pour traitement d'images
  • Progiciel MATLAB avec Image Processing Toolbox et Computer Vision Toolbox

 


Évaluation

ACTIVITÉ

DESCRIPTION

%

Travaux pratiques

Laboratoires (4 devoirs)

35% (total) -- 8.75%  chacun 

Intra

Examen de mi-trimestre (24 OCT)

30%

Final

Examen final

35%



Dates des examens intra
Groupe(s) Date
1 24 octobre 2024



Date de l'examen final
Votre examen final aura lieu pendant la période des examens finaux, veuillez consulter l'horaire à l'adresse suivante : https://www.etsmtl.ca/programmes-et-formations/horaire-des-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 7.2.5/ cycles supérieurs, article 6.5.2) se verra attribuer la note zéro, à moins que d’autres dispositions ne soient communiquées par écrit par l’enseignante ou l’enseignant dans les consignes de chaque travail à remettre ou dans le plan de cours pour l’ensemble des travaux.

Dispositions additionnelles

* Aucun retard ne sera permis pour la remise des travaux.  Une pénalité de 10 % par jour sera imposée.  Les règlements concernant le plagiat, tentative de plagiat et situations connexes seront appliquées.



Absence à une évaluation

Afin de faire valider une absence à une évaluation en vue d’obtenir un examen de compensation, l’étudiante ou l’étudiant doit utiliser le formulaire prévu à cet effet dans son portail MonÉTS pour un examen final qui se déroule durant la période des examens finaux ou pour tout autre élément d’évaluation surveillé de 15% et plus durant la session. Si l’absence concerne un élément d’évaluation de moins de 15% durant la session, l’étudiant ou l’étudiante doit soumettre une demande par écrit à son enseignante ou enseignant.

Toute demande de validation d’absence doit se faire dans les cinq (5) jours ouvrables suivant la tenue de l’évaluation, sauf dans les cas d’une absence pour participation à une activité prévue aux règlements des études où la demande doit être soumise dans les cinq (5) jours ouvrables avant le jour de départ de l’ÉTS pour se rendre à l’activité.

Toute absence non justifiée par un motif majeur (voir articles 7.2.6.1 du RÉPC et 6.5.2 du RÉCS) entraînera l’attribution de la note zéro (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 étudiantes et les étudiants doivent consulter le Règlement sur les infractions de nature académique (www.etsmtl.ca/a-propos/gouvernance/secretariat-general/cadre-reglementaire/reglement-sur-les-infractions-de-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 tous les membres de la communauté étudiante sont invités à consulter la page Citer, pas plagier ! (www.etsmtl.ca/Etudiants-actuels/Baccalaureat/Citer-pas-plagier).

Systèmes d’intelligence artificielle générative (SIAG)
L’utilisation des systèmes d’intelligence artificielle générative (SIAG) dans les activités d’évaluation constitue une infraction de nature académique au sens du Règlement sur les infractions de nature académique, sauf si elle est explicitement autorisée par l’enseignante ou l’enseignant du cours.



Documentation obligatoire

 

  • C. G. Gonzalez et R. E. Wood, Digital Image Processing, 3e éd., Prentice Hall, 2008.
  • R. Szeliski, Computer Vision – Algorithms and Applications, Springer, 2011. Springer eBook Collection de la bibliothèque de l’ÉTS.
  • Notes de cours préparées par le professeur et documents sur le site Internet: https://ena.etsmtl.ca



Ouvrages de références
  • D. A. Forsyth et J. Ponce, Computer Vision: A Modern Approach, 2e éd., Prentice Hall, 2011. 
  • C. G. Gonzalez, R. E. Woods et S. L. Eddins, Digital Image Processing Using MATLAB, 2e éd., Gatesmark Publishing, 2009.
  • D. Lingrand, Introduction au traitement d’images, 2e éd., Vuibert (Paris), 2008.
  • M. Sonka, V. Hlavac et R. Boyle, Image processing, analysis and machine vision, 3e éd., CL Engineering, 2007
  • L. G. Shapiro et G. C. Stockman, Computer Vision, Prentice Hall, 2001.
  • J.-P. Cocquerez et S. Philipp, Analyse d'images: filtrage et segmentation, Masson, 1995.
  • R. Horaud et O. Monga, Vision par ordinateur: outils fondamentaux, 2e éd., Hermès-Lavoisier, 1995.



Adresse internet du site de cours et autres liens utiles

https://ena.etsmtl.ca



Autres informations

Coordonnées de l'enseignant

Local : A-3596

Disponibilité : sur rendez-vous, par courriel (ismail.benayed@etsmtl.ca)

Laboratoires: Ghassen Baklouti (ghassen.baklouti.1@ens.etsmtl.ca)