Bloc 3 : Imagerie

Voir la page complète

Méthodes interférométriques et démodulation de franges  

L'objectif est de connaître les principes qui sous-tendent les différents systèmes imageurs à base d’optique cohérente. Dans chaque domaine, l'étudiant doit être capable d'établir le lien entre une figure d’interférences, en niveau de gris, la grandeur physique à la base de cette figure. On insiste notamment sur les artefacts d'origines physiques dans les systèmes d’optique cohérente, tel que par exemple le bruit de décorrélation de speckle.  

On étudiera la relation entre phase des interférences et grandeur physique d’intérêt. En particulier, il sera abordé les différentes étapes de traitement des images interférométriques et les problèmes liés au déroulement de phase et le traitement du bruit dans la mesure.  

La mesure interférométrique introduira le concept de démodulation de phase. On étudiera les méthodes de d’extraction de phase dans un signal d'interférences par des techniques dites « temporelles » (décalage de phase temporel, détection hétérodyne) et par celles dites « spatiale » (transformée de Fourier, détection synchrone spatiale). Les erreurs de mesure sous-jacentes aux différentes méthodes seront abordées.  

Une partie expérimentale abordera le traitement numériques d’interférogrammes et l’implantation d’une partie des techniques abordées dans le cours. Le traitement numérique sera mené avec le logiciel MATLAB. 

Notion de cohérence spatiale. Théorie de la formation de l’image d’un objet plan à travers un microscope. Simulation numérique. Cas de l’éclairage cohérent, incohérent et de l’éclairage partiellement cohérent. Imagerie et caractérisations de matériaux dans un système imageur type 4f ou interférentiel type Mach-Zehnder.  

Trois séances de TP sont réalisées autour de système d'imagerie de pointe tels que l'IRM, la microscopie électronique et AFM/STM.  

Voir la page complète

Voir la page complète

Vision industrielle, vision par ordinateur, éclairage, systèmes optiques, capteur, caméra, image.  

Voir la page complète

Voir la page complète

Descriptif :  

1 - Images numériques – Généralités - Constitution, formats, structure d'une chaîne de traitement d'images. 

2 - Caractérisation des images numériques - Intensités, histogramme, profils, Transformation de Fourier, transformation en cosinus. 

3 - Prétraitement des images - Table de conversion des intensités, transformation d'histogramme, égalisation - Filtrage linéaire, convolution - Filtrage non linéaire, filtre médian - Opérateurs morphologiques, dilatation, érosion, squelettisation. 

4 - Segmentation des images - Segmentation par les contours, gradient, laplacien - Contours actifs. Transformée de Hough - Segmentation en régions homogènes, caractérisation des textures. 

5 - Les images couleurs - Synthèses additives et soustractives - Principaux espaces couleurs. 

6 - Analyse d'images - Reconnaissance de formes - Attributs morphométriques - Analyse en composantes principales - Reconnaissance dans l'espace des attributs - Techniques neuromimétiques. 

7 - Compression des images - Mesures : entropie, redondance, taux de compression, écart quadratique, PSNR - Compression sans pertes, avec pertes - Codage différentiel, codage prédictif - Quantification vectorielle - Codage par transformation : DCT, ondelettes. 

Un TP permet de mettre en œuvre des traitements de base principalement sur la filtrage, la segmentation et la reconnaissance de formes.

Voir la page complète

Voir la page complète

Il s’agit de prendre en compte les évolutions de l’imagerie qui est de plus en plus couplée au traitement de façon conjointe de telle façon que la formation de l’image inclut également le traitement et la correction des défauts. 

Le module abordera les systèmes d’imagerie computationnelle les plus courants : Tomographie, Spectro-imagerie, Imagerie epsilon, Apprentissage comprimé. Les principes de ces imageries ainsi que leur mise en œuvre à la fois matérielle et logicielle seront proposés. Des approches de traitement de l’information pilotée par le modèle physique ou par les données (apprentissage machine) seront abordées. Une initiation aux réseaux de neurone profond  (deep learning) est proposée. 

Le travail est abordé sous la forme d’études de cas bibliographiques et de mise en œuvre logiciel qui servent pour l’évaluation. 

Voir la page complète