Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Séance de cours

Techniques de segmentation

Dans cours

BIO-695: Image Processing for Life Science

Registration details will be announced via email. It takes place yearly from Sept./October to December & intends to teach image processing with a strong emphasis of applications in life sciences. The idea is to enable the participants to solve image-proces ...

Description

Cette séance de cours couvre diverses techniques de segmentation utilisées dans l'analyse d'images, y compris le seuillage, le clustering, la croissance régionale et l'apprentissage automatique. Il explique le fonctionnement de ces méthodes, leurs avantages, leurs limites et leurs applications pratiques dans l'analyse d'images scientifiques.

Dans MOOC

Traitement et analyse d'images pour les scientifiques du vivant

Enseignant·e·s (4)

Romain Guiet

Olivier Burri

Nicolas René Chiaruttini

Arne Seitz

04/1996-06/2000 Scientific co-worker at Philipps-University of Marburg, Dep. of Physical Chemistry 07/2000-10/2002 Post Doc at Max-Planck Unit for Structural Molecular Biology in Hamburg 11/2002-11/2005 Post Doc at European Molecular Biolohy Laboratory (EMBL), Cell Biology and Cell Biophysics Programme 11/2005-03/2009 Staff Scientist at Advanced Light Microscopy Facility, EMBL 04/2009- Head of Bioimaging and Optics platforme (BIOP), Ecole Polytechnique Fédérale de Lausanne (EPFL)

Source officielle

Concepts associés (16)

Segmentation d'image

La segmentation d'image est une opération de s consistant à détecter et rassembler les pixels suivant des critères, notamment d'intensité ou spatiaux, l'image apparaissant ainsi formée de régions uniformes. La segmentation peut par exemple montrer les objets en les distinguant du fond avec netteté. Dans les cas où les critères divisent les pixels en deux ensembles, le traitement est une binarisation. Des algorithmes sont écrits comme substitut aux connaissances de haut niveau que l'homme mobilise dans son identification des objets et structures.

Medical image computing

Medical image computing (MIC) is an interdisciplinary field at the intersection of computer science, information engineering, electrical engineering, physics, mathematics and medicine. This field develops computational and mathematical methods for solving problems pertaining to medical images and their use for biomedical research and clinical care. The main goal of MIC is to extract clinically relevant information or knowledge from medical images.

Analyse d'image

L'analyse d'image est la reconnaissance des éléments et des informations contenus dans une . Elle peut être automatisée lorsque l'image est enregistrée sous forme numérique, au moyen d'outils informatiques. Les tâches relevant de l'analyse d'image sont multiples, depuis la lecture de codes-barres, jusqu'à la reconnaissance faciale. L'analyse d'image intervient également dans le domaine de l'art et du graphisme, pour l'interprétation des compositions et signifiants.

Partitionnement de données

vignette|upright=1.2|Exemple de clustering hiérarchique. Le partitionnement de données (ou data clustering en anglais) est une méthode en analyse des données. Elle vise à diviser un ensemble de données en différents « paquets » homogènes, en ce sens que les données de chaque sous-ensemble partagent des caractéristiques communes, qui correspondent le plus souvent à des critères de proximité (similarité informatique) que l'on définit en introduisant des mesures et classes de distance entre objets.

Digital image processing

Digital image processing is the use of a digital computer to process s through an algorithm. As a subcategory or field of digital signal processing, digital image processing has many advantages over . It allows a much wider range of algorithms to be applied to the input data and can avoid problems such as the build-up of noise and distortion during processing. Since images are defined over two dimensions (perhaps more) digital image processing may be modeled in the form of multidimensional systems.

Afficher plus

Séances de cours associées (53)

Introduction à l'apprentissage automatique

Couvre les bases de l'apprentissage automatique pour les physiciens et les chimistes, en mettant l'accent sur la classification des images et l'étiquetage des ensembles de données.

K-Means Clustering : bases et applications

Présentation de K-Means Clustering, un algorithme simple mais efficace pour regrouper des points de données en clusters.

L'apprentissage automatique : fondamentaux et applications

Introduit des bases d'apprentissage automatique, couvrant la segmentation des données, le regroupement, la classification, et des applications pratiques comme la classification d'image et la similarité du visage.

Clustering: Théorie et pratique

Couvre la théorie et la pratique des algorithmes de regroupement, y compris PCA, K-means, Fisher LDA, groupement spectral et réduction de dimensionnalité.

Fondements de l'apprentissage automatique

Couvre les principes fondamentaux et les méthodes de l'apprentissage automatique, y compris les techniques d'apprentissage supervisé et non supervisé.

Afficher plus

Concepts associés (16)

Segmentation d'image

Medical image computing

Analyse d'image

Partitionnement de données

Digital image processing

Afficher plus