École supérieure des sciences et de la technologie de Hammam
Sousse
Département Electronique et informatique
Niveau 3ème année LI : GLSI
Matière : Vision par ordinateur
Travaux Pratiques N°2
Objectifs :
Ce TP vise à se familiariser avec les principales techniques d’extraction de descripteurs en vision par ordinateur.
Il s’agit d’apprendre à analyser la texture d’une image, à détecter des points d’intérêt stables, à extraire des
descripteurs locaux robustes tels que SIFT, puis à réaliser le matching entre différentes images.
Exercice 1 :
Explication :
L’analyse de texture permet de caractériser la répartition spatiale des niveaux de gris dans une image.
Une approche courante repose sur la matrice de cooccurrence des niveaux de gris (GLCM), qui décrit la
fréquence à laquelle deux pixels de valeurs données apparaissent à une certaine distance et orientation l’un de
l’autre.
À partir de cette matrice, plusieurs descripteurs peuvent être calculés pour quantifier la texture :
• Contraste : mesure la variation locale d’intensité.
• Homogénéité : mesure la proximité de la distribution par rapport à la diagonale de la GLCM.
• Énergie : reflète la répétitivité des motifs.
• Corrélation : mesure la dépendance linéaire entre les pixels voisins.
Ces mesures sont utiles pour distinguer les surfaces homogènes (texture régulière) des surfaces hétérogènes
(texture complexe ou irrégulière).
Consignes :
1. Charger une image de [Link] (par exemple [Link]() ou [Link]()), puis la convertir en
niveaux de gris
2. Calculer la matrice de cooccurrence
3. Extraire les paramètres de texture : contraste, homogénéité, énergie et corrélation.
Exemple pour le contraste :
4. Sélectionner deux régions dans l’image (une homogène et une hétérogène), recalculer les paramètres,
et comparer les résultats. Exemple : utiliser un crop avec image[y1:y2, x1:x2] pour deux zones différentes.
Exercice 2 :
Explication :
Les points d’intérêt (ou features points) sont des zones locales d’une image qui présentent une forte variation
d’intensité dans plusieurs directions, typiquement des coins, intersections, ou textures riches.
Ils sont utilisés pour la correspondance entre images, la reconstruction 3D, ou la suivi de mouvement. Différents
algorithmes permettent de détecter ces points :
• Harris : basé sur la matrice des gradients, robuste mais sensible au changement d’échelle.
Dr. Imen Jegham 2025/2026
• Shi-Tomasi : amélioration du Harris, sélectionne les points les plus stables.
• FAST ou ORB : plus rapides, adaptés aux applications temps réel.
Consignes :
1. Charger une image depuis [Link] (ex : [Link](), ou [Link]()) et la convertir en
niveaux de gris
2. Détecter et visualiser les points d’intérêt avec Shi-Tomasi
3. Détecter et visualiser les points d’intérêt avec le détecteur de Harris
4. Détecter et visualiser les points d’intérêt le détecteur ORB
5. Visualiser les résultats côte à côte
6. Tester plusieurs images de votre choix de préférence de [Link]
7. Faire varier les paramètres et observer les différences :
a. qualityLevel et minDistance pour Shi-Tomasi.
b. Seuil pour harris > 0.01 * [Link]().
c. Nombre de points pour ORB_create(nfeatures=...).
d.
Exercice 3 :
Explication :
Le descripteur SIFT (Scale-Invariant Feature Transform) est l’un des descripteurs les plus célèbres en vision par
ordinateur. Il détecte des points d’intérêt (appelés keypoints) et en extrait un vecteur de caractéristiques local qui
décrit leur voisinage. Les propriétés clés du SIFT sont :
• Invariance à l’échelle : il détecte les points stables même si l’image est agrandie ou réduite.
• Invariance à la rotation : la direction dominante du gradient est utilisée pour orienter chaque descripteur.
• Robustesse à la luminosité et au bruit : la normalisation des gradients rend SIFT stable face aux variations
d’éclairage.
Chaque descripteur SIFT est représenté par un vecteur de 128 dimensions, qui capture la distribution locale des
gradients autour du point d’intérêt.
Consignes :
1. Créer un objet SIFT : cv2.SIFT_create()
2. Détecter les points clés et extraire leurs descripteurs. afficher le nombre de points détectés et la taille du
descripteur
3. Visualiser les keypoints détectés
4. Tester SIFT sur diffrentes images :
a. Comparer le nombre de keypoints détectés selon le contenu (zones riches en texture vs
homogènes).
b. Observer la taille et la direction des keypoints (représentées par les cercles et les flèches).
c. Faire varier les paramètres de cv2.SIFT_create() (ex : contrastThreshold, edgeThreshold, etc.)
et analyser leur effet.
Exercice 4 :
Explication :
Le matching de descripteurs consiste à comparer les signatures locales extraites des points d’intérêt de deux
images pour identifier les régions similaires.
Chaque point est décrit par un vecteur SIFT (ou autre descripteur), et la correspondance est recherchée en
minimisant la distance entre descripteurs.
Deux méthodes principales sont utilisées :
• BFMatcher (Brute-Force Matcher) : compare chaque descripteur de la première image avec tous ceux
de la seconde, en utilisant une distance (souvent euclidienne).
• FlannBasedMatcher : utilise une structure d’indexation rapide (KD-tree, KMeans tree) adaptée aux
grandes bases de descripteurs.
Ces méthodes permettent d’établir des paires de points correspondants entre deux images, étape essentielle
pour la reconnaissance d’objets, la mosaïque d’images, ou la reconstruction 3D.
Dr. Imen Jegham 2025/2026
Consignes :
1. Charger une image et préparer deux images (par exemple, une image originale et une version après
rotation ou une image originale et une partie de la même image)
2. Créer un objet SIFT et extraire les points clés + descripteurs
3. Utiliser un matcher :
a. Brute-Force Matcher
b. FLANN Based Matcher
c. Comparer les résultats entre BFMatcher et FLANNBasedMatcher.
4. Appliquer la règle du ratio test de Lowe pour filtrer les correspondances fiables
5. Afficher les correspondances trouvées
6. Modifier le seuil du ratio test (0.75) et observer son effet sur le nombre de correspondances.
Dr. Imen Jegham 2025/2026