Discussion :

[polo42]

bonjour,

Je débute avec PIL et en traitement d'image en général.

Je souhaiterais savoir, si il existe une méthode pour tester si un fragment d'image est présent dans une autre image.
Si cette méthode n'existe pas sous PIL, je suis quand même intéressé pour connaître une bibliothèque qui implémenterait cette fonction.

Merci

[Matthieu Brucher]

Un fragment ou une image ? Si c'est une image, tu passes par la cross-corrélation et voilà.

[polo42]

non, ce serait plutôt un fragment d'image. C'est à dire que je cherche à tester si un morceau d'une image est bien dans cette même image, donc les deux images ne font pas la même taille.

[Matthieu Brucher]

non, ce serait plutôt un fragment d'image. C'est à dire que je cherche à tester si un morceau d'une image est bien dans cette même image, donc les deux images ne font pas la même taille.

Ca commence à être compliqué, là... Il n'y a rien dans la plupart des outils scientifiques, il me semble. Ca devient un problème très complexe, là.

[polo42]

En réfléchissant à une manière de résoudre le problème, je me demande si transformer les deux images en chaines de caractères puis de faire une recherche d'une chaine dans une autre ne simplifierait pas les choses.

[Matthieu Brucher]

Non, puisque c'est du 2D. Une recherche de chaîne fera du 1D, et tu seras toujours embêté par la taille de la chaîne à choisir.
La corrélation croisée est la solution, mais tu dois en faire une pour tout fragment de l'image 1. Un problème assez coûteux.

[polo42]

Je ne connais pas la corrélation croisée, et d'après Wikipédia, je crois que je ne vais rien y comprendre...
Je pensais quand même à quelque chose :
Faire un algo, qui balaye toute l'image et qui découpe un morceau de la taille du fragment à chaque déplacement. Les morceaux sont ensuite soustrais au fragment, si un des résultat de cette opération n'a que des valeurs Null alors nous avons localisé l'image.
Quand pensez vous mathieu ? Je pense que ça doit être assez coûteux...

[Matthieu Brucher]

C'est coûteux, oui.
Ce que tu cherches à faire, c'est une cross corrélation à bas prix. Ca ne marchera pas. Tu dois passer par là. Si tu ne sais pas comment l'implémenter, essaie tout de même. C'est un algorithme basique.

[polo42]

Ok merci, je vais essayer

Avant de mettre le sujet en résolu, est il possible d'avoir des liens vers un site qui expliquerait un peu tout ça ?

merci

[polo42]

Avant de mettre le sujet en résolu, est il possible d'avoir des liens vers un site qui expliquerait un peu tout ça ?
Existe t'il des bibliothèques python qui implémentent la cross corrélation?

Merci pour les compléments de réponses

[Matthieu Brucher]

Oui, scipy te le propose, dans ndimage il me semble.
Mais tu devrais réussir à faire un essai sans, la cross-corrélation, c'est juste une somme de multiplications.

[rambc]

Un exemple ici serait aussi une bonne idée...

[polo42]

Merci matthieu,

comme le fait remarquer rambc, un exemple sommaire serait apprécié.

[Matthieu Brucher]

En fait, il te demandait à toi, je crois...
Je en vois pas ce que je peux te donner comme exemple, puisque c'est une bête formule mathématique à utiliser. Commence par la tester sur un exemple simple (recherche d'une image dans une autre), puis utilise la fonction de scipy pour aller plus vite et finis par faire la grosse boucle for qui teste toutes les solutions.

[rambc]

En fait, il te demandait à toi, je crois...

Oui, histoire que tu nous fasses partager ton expérience polo42.

[polo42]

Pour l'instant je n'ai pas d'expérience. Je cherche.....

[rambc]

Tu vas y arriver quitte à te casser un peu la tête. Un peu d'effort... .

[polo42]

bonjour,

Je fait donc le suivi de ce topic. Voici mon code

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
class cherche_image():
    def __init__(self, image1, image2):
        self.image1 = image1
        self.image2 = image2
        self.objetim1 = Image.open(self.image1)
        self.objetim2 = Image.open(self.image2).convert("L")
    def get_contenu_image(self):
        self.listepix1 = list(self.objetim1.getdata())
        return self.listepix1
    def comparaison_images(self):
        self.objetim3 = self.objetim2.crop((291, 378, 335, 403))
        self.resultat = ndimage.correlate(self.objetim3, self.objetim1)
        print self.resultat

cherche_image("E:\\perso\\siege_vide.png", "E:\\perso\\image2.png").comparaison_images()

Le but de mon bout de code est de tester la fameuse fonction correlate de Ndimage (scipy).
Le fonction correlate marche comme ceci:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
correlate(input, weights, output=None, mode='reflect', cval=0.0, origin=0)
	source code 
 
Multi-dimensional correlation.
 
The array is correlated with the given kernel.
 
The mode parameter determines how the array borders are handled, where cval is the value when mode is equal to 'constant'. Other modes are 'nearest', 'mirror', 'reflect' and 'wrap'.
 
The origin parameter controls the placement of the filter.

Je passe en argument à ndimage.correlate mes deux images qui sont converties en noir et blanc pour raccourcir les temps de calculs.
Au final j'obtient un tableau :

[[0 0 0 ..., 0 0 0]
[0 0 0 ..., 0 0 0]
[0 0 0 ..., 0 0 0]
...,
[0 0 0 ..., 0 0 0]
[0 0 0 ..., 0 0 0]
[0 0 0 ..., 0 0 0]]

Mais je ne sais pas trop quoi en faire et surtout ce qu'il signifie (enfin je crois savoir mais je ne suis pas sur)

Est ce que quelqu'un a une idée?

[polo42]

En faisant la même chose sur deux listes plus simples.

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

self.resultat = ndimage.correlate([1,2,3,4,5,6], [1,2,3])

J'obtiens le résultat suivant mais je ne sais pas comment l'interpréter:
[ 9 14 20 26 32 35]

merci d'avance

[Matthieu Brucher]

Tu te demandes où la corrélation (affine) entre tes signaux est la plus importante, en considérant que les bords réfléchissent ton signal (ce qui est faux, tu veux plutôt le mode "constant", ce qui me fait dire que tu n'as pas cherché à programmer la corrélation à la main et ce qui implique que tu ne peux pas comprendre ce que tu fais).
Le maximum indique là où les signaux sont les plus semblables. Mais attention, comme tu ne divises pas par l'amplitude de ton signal, tu peux avoir des surprises (1, 2, 3 plus corrélé avec 5, 4, 3 qu'avec 1, 2, 3)..