FR3042057A1 - Procede de detection de materiau par colorimetrie - Google Patents

Abstract

Procédé de détection d'un matériau ou de son degré de modification par colorimétrie comprenant : • définir une mire colorimétrique spécifique à un type de matériaux • positionner la mire colorimétrique de référence près du matériau ; • prendre une image en couleur dudit matériau et de la mire colorimétrique, • calibrer les couleurs de ladite image en prenant comme référence la mire colorimétrique, • comparer les couleurs calibrées dudit matériau avec les données colorimétrique d'une pluralité de matériaux ; • déterminer le matériau comme étant celui de la pluralité de matériaux ayant la couleur la plus proche.

Description

PROCÉDÉ DE DÉTECTION DE MATERIAU PAR COLORIMÉTRIE

DESCRIPTION

Domaine technique [01] La présente invention se rapporte au domaine de la détection de matériau ou de son degré de modification par colorimétrie.

Description de l’invention [02] CaliPhoto est une méthode d'analyse permettant d'obtenir une information compositionnelle, voire d'identifier un matériau ou son degrés de modification, uniquement à partir de sa couleur capturée avec un appareil photographique numérique standard, sansconditions particulières d'éclairage. L'originalité de la méthode repose sur l'utilisation (1) d'une mire de référence dédiée à placer à côté de l'objet à identifier, (2) d'un algorithme de traitement de l'image permettant d'étalonner lacouleur en utilisant une mire dédiée et (3) d'une base données permettant l'identification du produit, sans utiliser desource lumineuse standardisée et à partir d'une simple photographie numérique, réalisée avec un Smartphone parexemple.

[03] La méthode CaliPhoto permet d'obtenir des informations colorimétriques indépendantes des conditions d'éclairage à l'aide d'un simple capteur électroniquephotosensible (exemple : CCD) et d'une mire dédiée. Cette information est utilisée pour identifier unobjet ou un matériaux à partir d'une base de données.

Modes de réalisation [04] La grande portabilité des appareils photo en font des outils de choix pour l'exploration sur site. Leur fixation sur des robots, et plus récemment sur des drones, permet de plus à l'utilisateur de ne pas être présent physiquement sur les lieuxde prise de vue. Ces appareils sont ainsi utilisés lors des missions spatiales robotisées où pour l'exploration de sitesnucléaires irradiés par exemple. Cependant, les données fournies sont généralement très limitées sur le plan de l'analysecompositionnelle des objets observés. Les études sont donc généralement complétées par d'autres techniques plusconteuses et/ou volumineuses (spectromètres optiques, spectromètres de masse...) qui nécessitent parfois la présence del'utilisateur. Sur le plan pratique, cela peut se traduire par la mise en danger inutile de matériels coûteux et fragiles,voire de personnes. C'est pourquoi, la possibilité d'obtenir une première information compositionnelle sur un matériauuniquement à partir de l'analyse de photographies numériques serait un plus indéniable. Sur le plan technique, il existedéjà des algorithmes de reconnaissance de formes permettant d'identifier automatiquement un objet dans une scène. Cesalgorithmes se basent sur des caractéristiques morphologiques propres à l'objet et sur sa couleur. Ce deuxièmeparamètre permet dans certains cas de différencier des objets de même forme (e.g. un stylo vert d'un stylo bleu, unraisin vert d'un raisin noir...). La couleur est également une caractéristique qui peut renseigner sur l'état de l'objet (e.g.fruit mûr ou vert, roche altérée ou non...). Enfin, sur une photographie, la couleur est la seule donnée associée à desmatériaux informes (peintures, poudres fines, liquides...).

[05] La mesure de la couleur s'appelle la colorimétrie. C'est une technique utilisée dans de nombreux domaines. Cependant,pour réaliser des mesures colorimétriques précises, il est nécessaire de travailler avec des instruments étalonnés et unéclairage calibré. Ce type de mesures est donc délicat sur site et peut nécessiter l'utilisation d'instruments coûteux.

[06] La méthode CaliPhoto permet d'obtenir une information compositionnelle, voire d'identifier un matériau, uniquement àpartis de sa couleur capturée avec un appareil photographique numérique standard, sans conditions particulièresd'éclairage.

[07] Cet objectif apparaît simple à atteindre mais se révèle particulièrement complexe. En effet, la couleur d'un objet esttotalement dépendante des conditions de prises de vue et d'illumination. Ainsi, un même objet pris en photo dans unlaboratoire et en extérieur n'aura pas la même couleur sur les deux clichés. L'originalité de notre approche consiste enl'ajout d'une référence de couleur dans le champ de prise de vue, à côté du matériau à identifier. Un algorithme calculealors les corrections à apporter à l'image pour replacer les couleurs de l'image dans un référentiel unique. Les pixelsassociés à l'objet sont alors extraits afin d'obtenir des histogrammes rouge, vert et bleu indépendants des conditions deprises de vue. Ces histogrammes, propre à un matériau donné, sont alors transformés en un « vecteur couleur ». Contrairement aux méthodes classiques de colorimétrie, notre méthode utilise l'ensemble des pixels de l'objet et non lacouleur moyenne. Pour identifier le matériau, on utilise alors une base de données et un algorithme de comparaisonpermettant de classer les matériaux par correspondance décroissante.

[08] L'originalité de notre méthode repose sur l'utilisation (1) d'une mire de référence dédiée a placer à côté de l'objet àidentifier, (2) d'un algorithme de traitement de l'image permettant d'étalonner la couleur en utilisant la mire et (3)d'une base données permettant l'identification du produit, sans utiliser de source lumineuse standardisée et à partird'une simple photographie réalisée avec un détecteur CCD (Smartphone par exemple).

[09] Cette méthode apparaît comme innovante car elle propose d'obtenir un outil fiable, robuste et adaptable à denombreuses thématiques domestiques et scientifiques. Elle permet en particulier d'obtenir des données scientifiquesprécises dans des conditions difficiles ou extrêmes, où la présence humaine peut être délicate, mais aussi où l'envoid'équipement sophistiqués et coûteux peut être problématique et aboutir à la perte ou la destruction de l'équipement. Cenouvel outil pourrait s'avérer être un outil de base servant de socle à l'ensemble des autres techniques de caractérisationde produits ou matériaux (microscopie optique, spectroscopie infrarouge ou Raman, microscopie électronique, ...).

[10] Si cette méthode a été initialement développée pour l'exploration de Mars, elle présente des champs d'applicationbeaucoup plus large. En effet, avec l'explosion du marché des Smartphones depuis quelques années, les appareils photonumériques sont devenus des outils utilisés quotidiennement. La méthode pourrait trouver de nombreuses applicationspour le grand public comme pour la recherche scientifique en passant par l'industrie, l'agro-alimentaire ou la recherchemédicale par exemple. Quelques exemples simples d'applications grand public peuvent être évoqués: [11] - La mesure du degré de maturité des fruits et légumes. Par exemple, il serait possible de savoir si un melon ou unepèche est mure à point sur l'étale d'un primeur sans le toucher ou le couper.

[12] - Le contrôle de l'état de fraîcheur d'un produit. Par exemple, l'état d'une viande, si la chaîne du froid a été rompue.

[13] - Obtenir la couleur précise de la voiture pour repeindre un accroc de carrosserie. Ce travail est actuellement fait à l'œil par le carrossier et réserve parfois quelques surprises, liées au vieillissement anormal de la peinture sous l'effet du soleilpar exemple. Cette application est également valable pour le bâtiment ou la restauration d'oeuvres d'art.

[14] - La couleur de la peau. Il est possible par exemple d'imaginer une application permettant de choisir une crème solaireadaptée à sa couleur de peau ou de prévenir un début de coup de soleil.

[15] - Le suivi de l'altération de façades de monuments historiques. Ces monuments subissent des altérations liées auxintempéries et à la pollution et le suivi photographique pourrait permettre d'envisager des restaurations et réfectionsavant que les pierres ne soient à un stade avancé de pourrissement.

[16] - L'identification de produits stupéfiants ou explosifs à l'aide d'un Smartphone ou d'un drone.

[17] - Enfin, cette méthode pourrait être particulièrement utile pour les personnes atteintes de Daltonisme.

[18] Pour réaliser des mesures colorimétriques précises, il est nécessaire de travailler avec des instrumentsétalonnés et un éclairage calibré. Ce type de mesures est donc délicat sur site et peut nécessiter l'utilisationd'instruments coûteux (spectromètres). Notre méthode permet de s'affranchir de la source lumineuse. Elle peut doncêtre utilisée sur site, y compris dans des endroits inaccessibles pour l'homme (sur Mars par exemple). Elle sera utilisableavec un simple appareil photographique numérique, y compris un Smartphone. L'achat d'aucun appareil dédié est doncnécessaire ce qui permet un accès de la méthode au grand public. L'utilisation d'un simple capteur d’image numérique rend laméthode d'analyse ultra portable est compatible avec des drones par exemple.

[19] Les mesures colorimétriques sont utilisées dans de nombreux domaines. En particulier : [20] - Le domaine de Agroalimentaire, où la couleur est utilisée pour contrôler la qualité d'une production ou le degré dematurité des fruits et légumes par exemple. Ces contrôles sont effectués en illuminant les produits avec une sourcelumineuse calibrée et avec des instruments étalonnés en fonction (colorimètre). Le contrôle d'un fruit dans un verger se fait par contre à l'oeil. A noter que les vignerons utilisent un réfractomètre afin d'avoir une indication du degré potentielà partir du jus d'un raisin écrasé traversé par la lumière du soleil.

[21] Le domaine de l'imprimerie et de la peinture, où la couleur est bien évidement très importante. Dans ce domaine ilexiste plusieurs niveaux de mesure de la couleur. Pour retrouver rapidement une couleur parmi un choix de peintures onutilise des nuanciers composés des différents coloris disponibles (nuancier RAL K5 par exemple). L'identification sefait généralement à mais il existe maintenant des applications pour Smartphone permettant de retrouver la couleurla plus proche dans le nuancier à partir d'une photographie (ColorBlindC). Évidemment, en fonction des conditions deprises de vue et de l'observateur, l'identification de la couleur est plus ou moins précise. Pour la restauration de fresqueou de tableau, la mesure de la couleur doit être extrêmement précise afin de pouvoir doser les pigments. Celle-ci ne peutalors plus se faire à l'oeil du fait notamment du phénomène de métamérisme qui fait que deux couleurs peuventapparaitre similaires sous un éclairage donné mais différentes sous un autre éclairage. C'est particulièrement le cas pourles bleus. Il est alors nécessaire d'utiliser un spectromètre qui décompose la lumière issue de l'objet, et donc la couleur.Les pigments sont alors choisis de manière à reproduire le spectre de la peinture et non sa couleur sous une lumièredonnée.

[22] - Dans le domaine de la santé, on citera les nuanciers utilisés par les dermatologues pour définir les peaux à risques ouencore ceux fournis avec certains dentifrices pour contrôler, à l'oeil, l'effet du produit sur la blancheur des dents.

[23] - Enfin, dans le domaine de la recherche scientifique, la colorimétrie se fait généralement à l'aide de méthodesspectroscopiques. Elle est très utilisée en biophysique pour l'étude des agents de contrastes optiques et desfluorophores. D'autres applications utilisent la couleur à des fins de détermination comme la microscopie optique surdes préparations de roches ou de glaces par exemple.

[24] Au final, pour réaliser des mesures colorimétriques précises, il est nécessaire de travailler avec des instrumentsétalonnés et un éclairage calibré. Ce type de mesures est donc délicat sur site et peut nécessiter rutilisationd'instruments coûteux.

[25] 1-Le format RGB d'encodage des couleurs [26] Le système rouge, vert, bleu (RGB) est le système d'encodage utilisé par tous les systèmes d'imagerie optiques dans le visible, depuis la pellicule argentique à l'œil humain, en passant par lescapteurs CCD ou les téléviseurs. À partir de la synthèse additive des trois couleurs primaires il est possible de restituer l'ensemble des couleurs de chromaticité moindre. En informatique, chaque couleur est généralement encodée en 8 bits (256 niveaux de 0 à 255) ce qui permet d'avoir 2563 couleurs différentes, soit environ 16,78 millions de couleurs.

[27] Une image couleur peut être représentée par une matrice de dimension MxNx3 où M et N sont respectivement la longueur et la largeur de l'image en pixels et 3 représente le nombre de canaux : un rouge, un vert et un bleu. Les pixels sont donc repérés par leurs coordonnées (x,y,Z) ou Z = R, G ou B. La dynamique de l'image est représentée par trois histogrammes correspondant aux distributions des valeurs de R, G et B sur l'ensemble des pixels. Le maximum d'une distribution est ainsi la valeur de R, G ou B prise par le plus grand nombre de pixels dans l'image. On peut voir par exemple sur la figure 4 que le maximum pour le canal rouge est de 88.

[28] [29] Figure 4 : Histogramme du nombre de pixels en fonction de la valeur du canal rouge de la photo d'une poudre (14FR07). La valeur prise par le plus grand nombre de pixels est ici 88.

[30] On définit le paramètre de luminance d'une couleur en RGB par : p=(R+G+B)/3 (2.1) [31] Si le système RGB est le système le plus couramment utilisé, il est parfois utile de travailler avec d'autres formats d'encodage des couleurs obtenus à partir des valeurs RGB. Les principaux sont rgb, YCbCr, tsv, Yxy et L*a*b*. Ces différents formats sont présentés en Annexe 2.

[32] 2- Comparaison colorimétrique d'images [33] Les travaux réalisés dans le domaine de l'étalonnage des couleurs en photographie se concentrent principalement sur deux axes. Le premier s'intéresse à la calibration des systèmes optiques et numériques afin

d'avoir un rendu des couleurs qui soit le plus proche de ce que l'œil humain observe. Cette calibration du système se fait via l'utilisation de mires de couleurs dont la plus rependue est la mire Macbeth ColorChecker® (Pascale, 2006). Le second axe s'intéresse au recalage des couleurs entre deux photographies d'une même scène prises dans des conditions ou avec des appareils photos différents (Delon, 2004). Les travaux réalisés trouvent notamment des applications dans le domaine de la reprographie.

[34] Le but de cette étude est légèrement différent. Il ne s’agit pas d’obtenir de « jolies » couleurs ni de recaler deux images entre elles, mais de pouvoir associer des valeurs chromatiques identiques à un même objet pris en photo dans des conditions d’éclairage et/ou d’orientation pouvant différer, puis de comparer différents objets entre eux. Pour cette étude, il est essentiel d’avoir un objet commun dans toutes les photos pouvant servir de référence chromatique. L’objet choisi pour cette étude est une mire de calibration ColorChecker® composée de carrés de différentes couleurs. Les valeurs théoriques R,h, G,het Bthde chaque carré dans le système sRGB GMB (standard RGB GretagMacbeth) sont reportées sur la figure 5. On notera en particulier la ligne du bas dont les carrés représentent l’échelle de gris correspondant à une équiproportion des coefficients chromatiques. Pour des raisons pratique, j’ai numéroté ces carrés de 1 à 6 du blanc vers le noir, et noté leurs valeurs théoriques R,hi, Gthi et Bthi, avec i = 1 à 6. ^Ηπ Η ’ cl*.’ 9 ϋ^ΗΗ*1 . 'Æ

K -M W^ÊK

Rf'tj _ B Hj H H

[36] Figure 5 : Mire de calibration ColorChecker®. Les valeurs Rth, Gth et Bth de chaque carré sont reportées (de haut an bas). La ligne du bas (encadrée) correspond à l'échelle de gris dont les carrés sont numérotés de 1 à 6 du blanc vers le noir.

[37] 3-Prise d'images avec CLUPI

[38] CLUPI est équipé d'un détecteur Foveon X3 développé et fourni par la compagnie Sigma® Ce détecteur a une architecture originale qui lui permet de se rapprocher au mieux du principe des appareils photos argentiques (Fig. 6 a). En effet, il est constitué de trois couches de pixels à savoir, une pour le rouge, une pour le vert et enfin une pour le bleu (Fig. 6 jW ‘1 "jy a|p c).

[39] [40] Figure 6 : Illustration du système argentique (a), du détecteur numérique CCD contenant une unique couche de pixels agencés selon la matrice de Bayer (b) et du détecteur numérique Foveon X3 (c).

[41] Dans un premier temps, les images ont été réalisées avec un appareil photographique numérique Sigma SD15 commercial. Cependant, lors de la prise de vue, ce système applique différentes corrections au signal. Parmi celles-ci, les principales sont : [42] La linéarisation Look Up Table (LUT) : la fonction représentant le signal d'entré en fonction du signal de sortie n'est pas linéaire. Le but de la linéarisation LUT est donc de remplacer cette fonction par une application affine, [43] Le Dark Frame Substract : il permet de retirer du bruit à une image linéarisée en soustrayant à cette dernière une image du dark elle-même linéarisée, [44] Des corrections sont appliquées pour retirer du bruit ou de « mauvais pixels » ceux-ci étant remplacés par la valeur moyenne de leurs voisins. Ces corrections peuvent poser problème dans le cadre de nos recherches car les « mauvais pixels » peuvent être en fait dû à une particularité de la poudre, [45] Enfin, différentes opérations matricielles sont ensuite effectuées afin de modifier les couleurs sur chacun des trois canaux dans le but d'obtenir des couleurs proches de celles observées par l'œil humain et de compenser une luminosité trop faible ou trop forte.

[46] Ces algorithmes sont particulièrement gênants pour mon étude puisqu'ils vont induire des changements de couleurs difficiles à contrôler. Il était donc impératif de travailler sur le signal brut en sortie du détecteur. Pour ce faire, nous avons utiliisé un boîtier de test disponible au LPC2E. Ce boîtier est équipé d'un détecteur Foveon X3® semblable à celui qui équipera CLUPI. Il est fixé sur un statif vertical permettant de prendre les photos par le dessus. Des lampes réglables sont fixées de part et d'autre du champ d'observation. Le boîtier est équipé d'un objectif à focale fixe dont l'ouverture du diaphragme est réglée manuellement. Enfin, il est relié à un ordinateur muni du logiciel EPIX XCAP® permettant de traiter les informations brutes envoyées par le détecteur et de contrôler les paramètres d'acquisition dont le temps d'exposition (c'est-à-dire le temps durant lequel le détecteur compte les photons qui lui arrive), et le format d'enregistrement. Les images peuvent être enregistrées au format texte ou au format tif. Pour m'assurer que le format tif ne compressait pas l'image, j'ai enregistré un même cliché dans les deux formats puis j'ai calculé la différence en chacun des pixels pour les trois canaux à l'aide du logiciel Matlab. Aucune différence n'a été constatée. Par la suite, j'ai donc enregistré les images au format tif ceci allant 10 à 15 fois plus vite qu'au format texte. L'ensemble des données a alors été traité avec le logiciel Matlab 2010.

[47] Bien que la majeure partie de mon travail ait consisté à faire de l’analyse et du traitement d’image, je me suis également intéressée à la façon dont le détecteur convertissait l’information lumineuse en signal RGB et à l'influence du bruit sur les images.

[48] Pour cette étude, j'ai utilisé 21 poudres de roches volcaniques déjà utilisées par Etienne Marceau en 2014. Par contre, il a été décidé de travailler sur les poudres non tamisées après retrait des grains supérieurs à 2mm. J'ai posé les différentes poudres en tas de forme aléatoire à côté de la mire. J’ai réalisé alors des photos de différents tas de poudres dans différentes conditions d’éclairage, avec différents temps d’exposition et différentes ouvertures du diaphragme de l’objectif.

[49] lll-Résultats et discussion [50] A-Étalonnage des images couleurs [51] 1-Images brutes [52] J'ai commencé par vérifier si une différenciation des poudres étudiées était possible en utilisant les données brutes en sortie du détecteur et en utilisant différents formats d'encodage des couleurs. Pour cela, j'ai pris deux photos d'une même poudre avec des ouvertures du diaphragme différentes (Fig. 7 a colonne 1 et 2 ). On observe que ce réglage a un fort impact sur la luminosité. J'ai et ensuite converti ces deux images RGB dans les formats rgb, YcbCr, tsv, Yxy et L*a*b* (Cf Annexe 2). J'ai alors sélectionné les pixels associés à la poudre afin d'étudier la distribution statistique des paramètres associés à chaque format. Il est apparu que les distributions des valeurs de Cb et Cr et de a* et b* dans les formats YcbCr et L*a*b* respectivement, étaient identiques pour les deux images (Fig. 7 b, c, d et e colonne 1 et 2). Une troisième photo d'une autre poudre plus claire a alors été réalisée (Fig. 7 a colonne 3). Malheureusement, il s'est avéré que les distributions Cb, Cr et a*, b*, ne pouvaient être différenciées de celles observées pour la première poudre (Fig. 7 b, c, d et e colonne 3). Au final, même en utilisant les images brutes, les poudres étudiées ayant des couleurs très voisines, il est impossible de les différencier sans étalonner les images, quel que soit le format utilisé.

[53] Le format utilisé ne permettant pas de faire apparaître des paramètres particulièrement pertinents, j'ai choisi de travailler en RGB, ce format étant représentatif de la physique du détecteur. L'objectif premier était d'obtenir une méthode d'étalonnage permettant d'obtenir une même image à partir de deux images d'un même objet réalisées dans des conditions de prises de vue différentes. J'ai donc défini le paramètre de qualité d'étalonnage, Qe :

Qe = 100 - x 100 (3.A. 1 ) [54] où 11 et I2 sont deux images couleurs.

[55] Figure 7 : Photos de la mire ColorChecker® et de la poudre 14FR24 avec un temps d'exposition de 120ms pour une ouverture du diaphragme à 16 colonne 1, un temps d'exposition de 220ms et une ouverture du diaphragme à 22, colonne 2 et de la poudre 14FR05 avec un temps d'exposition de 375ms et une ouverture du diaphragme à 32 colonne 3.

[56] 2-Linéarisation

[57] Afin de réaliser l'étalonnage des images, ma première approche a consisté à appliquer une méthode classique d'étalement de la dynamique par linéarisation. J'ai pris deux photos de la mire de référence avec deux ouvertures de diaphragme différentes que j'ai recadré de façon à ne garder que la mire de calibration dans les images à traiter (Fig. 8 a et e). J'ai ensuite étendu la dynamique de chaque canal à la dynamique maximale en appliquant les transformations linéaires suivantes : [58] (3.A.2) [59] (3.A.3) [60] (3.A.4) [61] Où Rm (resp. Gm et Bm) la valeur minimale de la mire dans le canal R (resp. G et B), [62] RM (resp. GM et BM) la valeur maximale de la mire dans le canal R (resp. G et B).

[63] [64] Figure 8 : Photos prises par le capteur Foveon X3

[65] (a) image originale éclairage lumière du jour, temps d'exposition 1,2s, (e) image originale éclairage 2 spots, temps d'exposition 20ms ouverture du diaphragme 8 ouverture du diaphragme 11 [66] (b) histogramme dans le canal R de l'image (a) (f) histogramme dans le canal R de l'image (e) [67] (c) image (a) après recadrage (g) image (e) après recadrage [68] (d) histogramme dans le canal R de l'image (c) (h) histogramme dans le canal R de l'image (g) [69] [70] Le facteur Qe passe de Qe = 85,71% avant étalonnage à Qe= 89,78% après étalonnage. Cette valeur étant particulièrement élevée, les études se sont poursuivies sur les échantillons de roches en poudre. Ainsi, j'ai réalisé des photos de différentes poudres à côté de la mire de référence. J'ai alors constaté que certaines poudres étaient associées à des valeurs RGB inférieures au minimum ou supérieures au maximum de la mire. L'étalonnage par extension de la dynamique des pixels de la mire à la dynamique maximale conduit alors à des valeurs inférieures à 0 ou supérieures à 255 pour les poudres. Ces valeurs n'étant plus représentable en RGB, j'ai décidé de linéariser la dynamique de la mire sur un intervalle plus restreint.

[71] Sur la mire, les valeurs minimales et maximales de R, G et B sont associées respectivement au carré noir et au carré blanc (Fig. 8 b et f). Il m'est donc apparu pertinent de ré-étaler la dynamique de la mire en replaçant les valeurs moyennes de ces carrés à leur valeurs théoriques ( Cf Fig. 5) en utilisant les formules suivantes : [72] [73] [74]

[75] B1-B6 où : [76] R1 (resp. G1 et B1) la valeur moyenne mesurée du carré blanc dans le canal R (resp. G et B), [77] R6 (resp. G6 et B6) la valeur moyenne mesurée du carré noir dans le canal R (resp. G et B).

[78] [79] Avec cette méthode, le facteur Qe passe de Qe = 85,71% avant étalonnage à Qe = 95,27% après étalonnage. Les valeurs extrêmes après correction étant plus faible, il est logique que le facteur Qe obtenu soit plus faible que précédemment. Là encore, cette valeur étant particulièrement élevée, les études se sont poursuivies sur les échantillons de roches en poudre. J'ai pris 6 photos de chaque échantillon en faisant varier l'ouverture du diaphragme, le temps d'exposition et la forme du tas. Quelle que soit la photo, aucune des poudres n'est associée à une valeur RGB inférieure à 0 ou supérieure à 255 après étalonnage. Pour chaque poudre, j'ai extrait des différentes images le maximum de la distribution de chaque canal (Cf Fig. 4). Je considère alors ce paramètre comme représentatif d'une poudre. D'autres paramètres peuvent être pris en compte mais le but pour le moment est d'avoir une première approche qui nous permette de valider ou non la méthode. Les intervalles créés par ces valeurs pour chacune des poudres sont reportés sur la figure 9. Cette représentation permet de voir si les intervalles créés par les différentes valeurs se chevauchent d'une poudre à une autre. On observe sur la figure 9 deux groupes de poudres distincts au sein desquels il est impossible de différencier de manière unique les individus, même en croisant les résultats des différents canaux.

[80] Figure 9 : Représentation des intervalles créés par les 6 photos de toutes les poudres. Ils permettent la comparaison des différentes poudres dans le canal rouge, vert et bleu.

[81] Malgré l'étalonnage relativement précis obtenu avec cette méthode, le recouvrement des intervalles créés par le maximum des distributions dans les canaux rouge, vert et bleu obtenus par les différentes photos est trop important pour différencier les poudres et donc pour pouvoir éventuellement les identifier. Pour rendre possible la différentiation, il faut donc diminuer la largeur de ces intervalles. Pour ce faire, j'ai décidé d'utiliser plus de carrés de la mire pour l'étalonnage.

[82] 3-Correction polynomiale [83] Les couleurs des poudres formant un nuancier de gris, j'ai décidé d'utiliser l'échelle de gris de la mire pour étalonner les images (Cf Fig. 5). La figure 10 montre les valeurs théoriques des carrés de l'échelle de gris en fonction des valeurs moyennes mesurées sur une photo réalisée avec un temps d'exposition de 110 ms et une ouverture de 5,6.

[84] On observe que sur aucun canaux la réponse du détecteur n'est linéaire. Dans un premier temps, j'ai utilisé le logiciel Excel afin d'obtenir des équations polynomiales d'ordre 2 permettant d'étalonner les images. Cependant, les résultats se sont montrés décevants car moins bon que ceux obtenus avec la linéarisation précédente : le Qe passant de 85,71% avant correction à 94,89% après. Ce mauvais étalonnage s'explique par le fait que les polynômes proposés par Excel ne passent pas parfaitement par les points, pour le carré blanc notamment. Afin d'améliorer l'étalonnage, j'ai donc utilisé tous les carrés de l'échelle de gris et calculé moi-même le polynôme d'ordre 5 permettant de relier les valeurs moyennes mesurées pour chaque carré aux valeurs théoriques de la mire.

[85] Figure 10 : RGB de l'échelle de gris théorique en fonction des valeurs mesurées. Approximation par une courbe de tendance de forme polynomiale d'ordre 2

[86] L’obtention des polynômes ce fait en résolvant les 3 systèmes d’équations suivants :

(3.A.8) [87] où C1C6 représente les valeurs moyennes mesurées des carrés de l’échelle de gris, C = R, G ou [88] B. La résolution de ce système m’a permis d’obtenir les coefficients a, b, c, d, e et f sous la forme : [89] i.A.9) [90] avec : [91] [92] [93] [94] [95] [96] [97] [98] [99]

[111] J'ai ensuite appliqué les polynômes obtenus pour étalonner les deux images de la figure 8 et calculé le Qe. Les valeurs de Qe obtenues avec les différentes méthodes sont reportées dans le tableau 1.

[112]

d'améliorer encore cet étalonnage, différents paramètres ont dû être pris en compte.

[115] B-Amélioration de la méthode [116] 1-Acquisition en 12 bits [117] Les images prises par le capteur sont souvent très sombre et avec peu de contraste, par conséquent, lorsque l'on applique une correction, il y a des « trous » dans les histogrammes c'est-àdire que pour certaines valeurs entre 0 et 255 aucun pixels ne prend cette valeur (Fig. 11 a). Pour éviter ce problème, j'ai décidé d'acquérir les images en 12 bits au lieu de 8 bits puis d'utiliser la méthode des polynômes d'ordre 5 pour obtenir une image 8 bits étalonnée. On peut voir sur la figure 11 b qu'il n'y a alors plus de « trou » dans les histogrammes après correction.

[118] Figure 11 : Histogrammes dans le canal R de deux images de la poudre 14FR07 après recadrage par un polynôme d'ordre 5. (a) l'image était en 8 bits avant correction, (b) l'image était en 12 bits avant correction

[119] 2-Limites de validité [120] Il est évident que l'étalonnage aura des limites : une photographie prise dans le noir ou fortement surexposée ne pourra jamais être corrigée. J'ai donc fait des tests pour déterminer qu'elles sont les valeurs limites de la luminance (Eq. 2.1) pour lesquelles l'étalonnage n'est plus possible. J'ai commencé par prendre plusieurs photos de la mire en 12 bits avec différentes ouvertures du diaphragme et différents temps d'exposition. J'ai alors calculé la valeur moyenne de la luminance du carré blanc pour les différentes images et j'ai choisi l'image avec une valeur de luminance moyenne, c'est-à-dire ni trop sombre, ni trop claire. Enfin, j'ai corrigé toutes les images avec la méthode des polynômes d'ordre 5 et calculé leur Qe par rapport à l'image de référence. J'obtiens la figure 12.

[121] Figure 12 : Qe entre les images corrigées et l'image de référence en 8 bits en fonction de la luminance moyenne du carré blanc de l'image avant correction en 12 bits

[122] Lorsque la luminance dépasse 3200, les images sont surexposées. Les carrés 1 et 2 (Cf. Fig. 5) ont des valeurs RGB identiques, égales à 4096 et il n'est plus possible d'utiliser la méthode des polynômes d'ordre 5 pour étalonner les images puisque la matrice représentative du système n'est plus inversible. La figure 12 montre que le Qe doit être supérieur à 97% pour que l'étalonnage soit considéré comme optimale. Ceci correspond donc à des images dont la luminance du carré blanc est supérieure ou égale à 2200 (encadré rouge sur la figure 12). En deçà, les images sont qualifiées de sous-exposées.

[123] C-Vers une identification des poudres [124] 1-Résultats avec l'étalonnage optimal [125] La figure 13 montre les intervalles créés par le maximum des distributions dans les canaux rouge, vert et bleu, obtenus à partir de 6 photos 12 bits étalonnées avec la méthode des polynômes d’ordre 5 pour les différentes poudres, après vérification de leur niveau de luminance. On

observe que le chevauchement des intervalles est relativement limité. Il semble ainsi possible d’espérer pouvoir utiliser les images réalisées à des fins d’identification. Par ailleurs, même s'il est impossible de différencier une poudre de toutes les autres, un lien entre couleur et composition chimique pourrait expliquer le chevauchement des intervalles (Cf annexe 3)

[126] Figure 13 : Représentation en boite permettant de comparer les différentes poudres dans le canal rouge, vert et bleu après correction par un polynôme d'ordre 5 et pourcentage d'identification pour les 21 poudres.

[127] 2-Constitution d'une base de données Afin d'obtenir une méthode d'identification, l'idée était de constituer une base de données à partir des

images des poudres corrigées servant de références pour l'analyse de poudres inconnues. Afin de tenir compte, pour une même poudre, des variations après la correction ainsi que des trois canaux simultanément, j'ai extrait les histogrammes des différentes poudres après correction. J'ai ensuite créé pour chaque image un vecteur 1x768 contenant dans [0,255] les valeurs de l'histogramme dans le canal rouge, dans [256,512] les valeurs de l'histogramme dans le canal vert et dans [513,768] les valeurs de l'histogramme dans le canal bleu. Pour constituer la base de données j'ai utilisé pour chaque poudre la somme des vecteurs obtenus à partir des 6 images que j'ai normalisées par les maximas de distribution dans chaque canal afin de m'affranchir du nombre de pixels utilisés. Ainsi, si pour une poudre un canal est prédominant par rapport à un autre, il est possible de conserver cette information. On peut ainsi voir sur la figure 14 qu'il y a plus de pixels avec une même valeur dans le canal vert que dans le rouge ou le bleu.

[128] Figure 14 : Graphique du vecteur de la poudre 14FR27 pour la base

de donnée. Flistogrammes du canal R (a), du canal G (b) et du canal B (c) [129]

[130] Une fois ces vecteurs créés pour chacune des 21 poudres, j'ai testé la base de données. Pour cela, j'ai pris des photos des poudres dans différentes conditions (ouverture du diaphragme, temps d'exposition) et pour différentes forme de tas. J'ai corrigé les images et j'ai calculé le vecteur associé à chaque image. Afin de comparer les vecteurs obtenus avec ceux de la base de données j'ai appliqué la démarche suivante : [131] soient v le vecteur de la poudre à identifier, vi ie 1,21 les vecteurs des poudres de la base de données,

avec np le nombre de pixels de la poudre et nr, ng, nb les maximums de distribution utilisés précédemment pour la normalisation de la poudre à identifier et =

avec npi le nombre de pixels de la poudre i et nri, ngi, nbj les coefficients utilisés précédemment pour la normalisation de la poudre i, ie 1,21 [132] On obtient ainsi un pourcentage de correspondance pi donné par : [133]

[134] Pour une image donnée, on calcule le pourcentage de correspondance de son vecteur avec ceux contenus dans la base puis on les tris par valeur décroissante. On obtient ainsi une liste avec la roche la plus probable en premier (Fig. 15).

[135] En utilisant les 197 images réalisées lors de mon stage sur les 21 poudres, les tests réalisés donnent la bonne poudre comme étant celle avec le meilleur taux de correspondance dans 84% des cas. De plus, lorsque la bonne poudre n’apparaît pas en premier, le type de roche reste correct comme le montre la figure 15 dans le cas de la poudre 14FR24. Au final, les résultats sont plus que concluant.

136] Figure 15 : les 5 premières lignes et dernière ligne de deux tableaux de correspondance pour une poudre non correctement identifiée (14FR24) et une poudre correctement identifier (14FR07).

[137] Afin de mettre en évidence une éventuelle corrélation entre le pourcentage de poudres correctement identifiées et la proximité en composition des poudres, les valeurs ont été reportées dans un diagramme TAS (Cf annexe 4).

[138] Figure 16 : Diagramme représentant le taux d'identification en fonction des poudres de la base de données pour les poudres 14FR22 (a), 14FR08 (b), 14FR12 (c) [139] Afin de s'assurer que la méthode utilisée met bien en évidence un lien entre la couleur des roches et leur composition j'ai retiré une poudre

de la base de donnée. J'ai ensuite repris les 8 images de cette poudre, je les ai étalonnées puis j'ai testé ces images avec la base de données constituée des 20 autres poudres. J'ai ensuite relevé les poudres avec les cinq pourcentages d'identification les plus grand. J'ai utilisé cette méthode sur trois poudres choisies au hasard : la 14FR22 (Fig16 a), la 14FR08 (Fig. 16 b) et la 14FR12 (Fig. 16 c). La figure 16 représente les poudres identifiées lors des tests avec le pourcentage qui leur correspondent. On peut ainsi remarquer que pour la poudre 14FR22 c'est la poudre 14FR02 qui semble le plus proche. En se reportant à l'annexe 3 on peut ainsi voir que ces deux poudres ont un pourcentage massique de Na20+K2O similaire. Pour la poudre 14FR08, on peut remarquer que c'est la poudre 14FR11 qui est la plus proche. D'après l'annexe 3, il semble que c'est deux poudres ont la même teneur en silice.

[140] 3-Traitement des ombres [141] Dans le but d'améliorer l'identification des poudres, j'ai créé une seconde base de données comme précédemment mais cette fois-ci j'ai retiré les ombres présentes à la surface de la poudre. Pour cela, j'ai corrigé les images puis je les ai seuillées dans les trois canaux (Fig. 17), enfin j'ai créé les matrices représentatives de chaque poudre comme précédemment.

[142] Figure 17 : Poudre 14FR11 après correction (a), seuillage canal R (b), superposition de la poudre et du seuillage (c) [143] Dans le cas où on seuil les images afin de retirer les ombres relatives à la poudre, j'identifie la bonne poudre dans 80,8% des cas. Parmi les

19,2% restants 22,5% sont au moins quatrième lors de l'identification c'est-à-dire que 4,66% des images de poudres identifiées ne sont pas parmi les trois poudres ayant le plus grand pourcentage de confiance.

[144] On peut donc constater que lorsque l'on seuil les images, les tests d'identifications sont moins bon que lorsque l'on utilise toute l'image. Les poudres utilisées pour cette étude n'ayant pas été tamisées, leur granulométrie peut varier légèrement et induire des ombres plus ou moins importantes. La proportion d'ombre dans l'image de la poudre est alors directement dépendante de la poudre ce qui explique que le taux de reconnaissance est meilleur lorsqu'elles sont prises en compte dans le processus d'identification. Afin d'obtenir des mesures précise sur Mars, il sera nécessaire d'utiliser des poudres issues de tests de forage réalisés avec un prototype de la foreuse d'ExoMars.

[145] [146] IV-Conclusion et perspectives [147] Différentes approches ont été mises au point dans le but d'étalonner les images prises par ledétecteur. À partir de ces premiers résultats j'ai pu déduire une méthode d'étalonnage se basant sur la résolution d'un système à cinq équations et constituer une base de données regroupant lescaractéristiques des 21 poudres analysées lors de cette étude sous forme de vecteurs. À partir de cette base, il semble alors possible d'identifier une poudre de roche par sa couleur. Cependant, le lien entre les vecteurs de la base de données et la composition des roches (teneur en Si02, minéralogie...) reste encore largement à étudier. Au final, cette étude avait pour but de mettre au point un algorithme de traitement d'image permettant l'étalonnage des images prises par un détecteur Foveon X3 et ainsi de pouvoir identifier des poudres de roches observées par CLUPI dans le cadre de la mission ExoMars. Les résultats obtenus doivent être vu comme une information supplémentaire venant compléter les informations obtenues avec le spectromètre infrarouge Ma_Miss.

[148] Figure 18 : Diagramme représentant les différentes méthodes utilisées et les différents résultats obtenus d'abord sur la mire avec le paramètre de qualité d'étalonnage puis sur les poudres.

[149] [150] Le diagramme figure 18 permet de mettre en évidence les différentes corrections testées, ainsi que les résultats apportés par chacune. La méthode utilisée pour déterminer l'efficacité de la correction est toujours la même : un premier travail est effectué sur la mire de calibration et en fonction des résultats obtenus sur celle-ci, on applique ou non la méthode à la poudre dans le but d'en tirer une information constante. Un paramètre

de qualité d'étalonnage est défini de façon à déterminer si la méthode utilisée permet d'avoir un étalonnage plus précis qu'avec d'autres méthodes.

[151] Grâce à l'étalonnage couleur des images prises par le détecteur par un polynôme d'ordre 5, il semble possible d'identifier une poudre de roche par sa couleur. Cependant, afin d'améliorer cette méthode, il est encore nécessaire d'augmenter la taille de la base de données en ajoutant une plus grande variété de roches. De même, il pourrait être judicieux de créer une mire de référence dédiée comportant plus de carrés gris. Grâce à un critère basé sur la taille des intervalles constitués par les différentes images des poudres, il doit être possible de déterminer le nombre optimal de carrés et donc l'ordre optimal des polynômes utilisés pour l'étalonnage.

[152] Afin d'affiner ces résultats, d'autres méthodes de comparaison des couleurs peuvent être envisagées telle qu'une analyse en composante principale. Le but serait de corriger les images toujours de la même façon puis de les convertir dans les différents formats détaillés lors de cette étude et ainsi pouvoir extraire une ou plusieurs caractéristiques de chaque poudre.

[153] Une analyse des textures relatives à chaque poudre pourrait également permettre d'améliorer l'identification en prenant en compte la distribution granulométrique et les ombres induites. Pour ce faire, il serait nécessaire de sécher les poudres afin de s'affranchir de l'humidité présente sur Terre et qui n'existe pas sur Mars.

[154] Une autre approche permettant l'identification de roches à partir d'un détecteur d'appareil photo sur Mars a été utilisé pour l'instrument PanCam qui équipera lui aussi le rover de la mission ExoMars. L'idée est de placer une roue composée de 8 filtres de différentes couleurs devant la caméra (Fig. 19) et d'observer un échantillon (roche, sol...) à travers chacun des filtres (Cousins et al., 2012). en prenant la même photo à travers les différents filtres, on obtient ainsi un spectre d'absorbtion UV-Visible à 8 points. Une approche similaire couplée à la méthode mise au point lors de mon stage pourrait permettre une identification extrêmement fine des roches et des minéraux qui les composent.

[155] Figure 19 : PanCam prenant des photographies à travers une roue de filtres [156] [157] Enfin, à plus long terme, une généralisation de l'identification de poudres de roches pourrait être envisagée du fait notamment du marché des smartphones qui permettent d'avoir des images de bonnes qualité de façon abordable. Une étude a donc commencé à être réalisée sur des images prises par les appareils photographiques numériques Sigma SD15 et Olympus. Du fait des différents traitements réalisés au cours de la prise de vue par ces deux appareils l'étalonnage n'a pas été possible. Cependant, il semble possible sur certains appareils de modifier le logiciel du boîtier afin d'avoir accès aux données brutes du détecteur. Si une telle généralisation peut être menée, notre approche pourrait trouver des applications dans de nombreux domaines. L'utilisation d'un appareil photo commercial pour l'identification de roches ou d’autres matériaux intéresse particulièrement le CEMHTI où les chercheurs étudient les matériaux naturels et industriels en milieu hostile (volcans, zones irradiées...). Les appareils numériques étant facilement transportables et relativement peu coûteux, ils pourraient permettre de réaliser une première analyse avant

d’envoyer du matériel plus coûteux ou plus encombrants, voir même des hommes, sur la zone d’intérêt. Dans le cadre d’un projet scientifique, il est possible d’imaginer de monter sur un drone un instrument pour s’approcher au plus près d’un endroit particulier. Dans cette optique, il serait intéressant de travailler dans le format 8 bits, plus classique et moins gourmand en volume de données. On peut alors imaginer remplacer l'histogramme étalonné des poudres par une gaussienne asymétrique afin de s’affranchir des « trous » créés par la correction.

[158] L’invention a été illustrée et décrite en détail dans les dessins et la description précédente. Celle-ci doit être considérée comme illustrative et donnée à titre d’exemple et non comme limitant l’invention a cette seule description. De nombreuses variantes de réalisation sont possibles.

[159] Dans les revendications, le mot « comprenant » n’exclue pas d’autres éléments et l’article indéfini « un/une » n’exclue pas une pluralité.

Claims (3)

1. REVENDICATIONS

   1, Procédé de détection d’un matériau ou de son degré de modification par colorimétrie comprenant : • définir une mire colorimétrique spécifique à un type de matériaux • positionner la mire colorimétrique de référence près du matériau ; • prendre une image en couleur dudit matériau et de la mire colorimétrique, • calibrer les couleurs de ladite image en prenant comme référence la mire colorimétrique, • comparer les couleurs calibrées dudit matériau avec les données colorimétrique d’une pluralité de matériaux ; • déterminer le matériau comme étant celui de la pluralité de matériaux ayant la couleur la plus proche.
2. 2, Procédé selon la revendication 1, caractérisé en ce qu’on définit une distance dans l’espace colorimétrique et que la comparaison est réalisée par une recherche de la distance minimale.
3. 3, Produit programme d’ordinateur téléchargeable depuis un réseau de communication et/ou enregistré sur un support lisible par ordinateur et/ou exécutable par un processeur, caractérisé en ce qu’il comprend des instructions de code de programme pour la mise en œuvre du procédé de détection selon l’une au moins des revendications 1 à 2.