Version classiqueVersion mobile

Manuel de sclérochronologie des poissons

 | 
Jacques Panfili
, 
Hélène de Pontual
, 
Hervé Troadec
, 
et al.

Chapitre VI. Estimation de l’âge assistée par ordinateur

H.Troadec et A. Benzinou

Texte intégral

1L’estimation de l’âge à partir de pièces calcifiées est, avant tout, basée sur un processus répétitif d’interprétation de zones de croissance associant des mécanismes de perception visuelle et des connaissances biologiques. Devant la multiplicité des sources de biais et la subjectivité de certains critères d’interprétation, les sclérochronologues ont cherché à introduire une certaine objectivité à la fois dans l’acquisition des informations de base, essentiellement visuelles, et dans les schémas logiques de leur interprétation. L’apparition dans les années soixante d’ordinateurs couplés à des systèmes micro-densitométriques marqua le début d’une série d’études visant à explorer diverses voies d’objectivation. L’objectif premier de ce chapitre est de présenter les différentes manières d’assister ce processus d’interprétation à l’aide d’un ordinateur.

2Force est de constater en préambule que la « machine » humaine excelle dans l’identification des formes et que les résultats des tentatives d’automatisation sont restés bien souvent en deçà des espoirs suscités par les techniques de reconnaissance de formes. Leur application au traitement des pièces calcifiées n’a pas dérogé à la règle et les premières tentatives d’automatisation se sont rapidement heurtées à la complexité du problème. En fait, l’ordinateur a du mal à faire ce qu’un jeune enfant est en mesure de réaliser. La plupart des systèmes d’estimation de l’âge et de la croissance assistée par ordinateur (eacao) ont en commun d’être essentiellement basés sur des outils de traitement d’images reposant sur des concepts mathématiques de théorie du signal. L’objectif second de ce chapitre est d’amener le lecteur à une meilleure compréhension de ces concepts et surtout d’analyser les effets de leur application à du matériel biologique.

3La multiplicité des équipements d’eacao actuellement utilisés dans les laboratoires spécialisés est le reflet à la fois (1) de la complexité inhérente aux pièces calcifiées (perception de la continuité, modulation du signal, qualité des images, etc.), (2) de la diversité des situations rencontrées (macrostructures, microstructures, travail en routine, espèce, etc.), (3) de la multiplicité des objectifs (confort visuel, automatisation ou aide au comptage, à la prise de mesures ou à l’interprétation) et (4) des solutions techniques disponibles (analyse d’images, intelligence artificielle, réseaux de neurones, formes 2D ou 3D, analyse spectrale). Notre troisième objectif est ainsi de venir en aide au lecteur dans son choix de l’outil adapté à ses besoins.

A. Qu’est-ce qu’un système d’estimation de l’âge et de la croissance assistée par ordinateur (EACAO) ?

4Un système d’eacao idéal serait un ordinateur muni d’un système logiciel et matériel pouvant assurer (1) une assistance à la quantification des images de pc, (2) une assistance au processus d’interprétation des données et (3) une gestion efficace du stockage et de diffusion de ces données. Pour autant, parmi les systèmes d’eacao disponibles actuellement, on trouve essentiellement des systèmes basés sur un noyau logiciel d’analyse d’images, apportant donc principalement une aide à la quantification des données. Certains d’entre eux présentent des fonctionnalités spécialisées (rétro-calcul, profils courbés, mémorisation des positions des zones de croissance, introduction de contraintes biologiques, etc.) mais pratiquement aucun n’offre une réelle assistance à l’interprétation malgré quelques tentatives clairsemées. C’est pourquoi nous détaillerons essentiellement le traitement des informations visuelles. Un système d’eacao est composé essentiellement de trois unités (fig. VI.1) :

  • une unité d’acquisition d’image (caméra, scanner, tablette numérique, meb, microsonde, etc.) ;
  • une unité centrale de traitement, de stockage et de visualisation ;
  • une unité logicielle qui caractérise le degré d’assistance fourni par le système d’eacao en apportant une fonctionnalité spécialisée pour l’identification des caractéristiques de base, la morphométrie et, si possible, l’interprétation.

1. Traitement de l’information visuelle

5La rapide évolution des technologies numériques rend périlleux l’exercice qui consiste à décrire, avec nombre détails, la composition d’un système d’analyse d’images. Il y a quelques années nous aurions pu vanter les performances offertes par les cartes de traitement d’images procurant mémoire de trame et fonctions spécialisées temps réel (processeurs image, processeurs morphologiques, etc.) mais l’accroissement des fréquences d’horloge et des capacités de mémoire vive des micro-ordinateurs les a rendus aujourd’hui presque obsolètes. C’est pourquoi nous focaliserons notre présentation sur ce que nous considérons être les composants fondamentaux d’un système d’analyse d’images.

1.1. Unité d’acquisition

1.1.1. Formation de l’image numérique : échantillonnage 2D

6D’une simple représentation de phénomènes optiques visibles, l’image est devenue progressivement le support de visualisation de rayonnements provenant du spectre invisible (infrarouge, uv) puis de toutes sortes de quantités physiques mesurées (imagerie radar, microscope électronique à balayage, tomographie, analyse microchimique, etc.). Le terme « numérique » fait quant à lui référence à la nature discrétisée de l’information constituant l’image par opposition à la structure continue des signaux analogiques. Le monde qui nous environne étant tridimensionnel et dynamique, l’image formée sera bien évidemment une vue instantanée d’une projection de la scène observée sur la surface du capteur.

Figure VI.1 - Structure d’un système typique d’eacao (Estimation de l’âge et de la croissance assistée par ordinateur). Les images numériques peuvent aussi bien provenir d’une caméra classique qu’être des images chimiques générées par des microsondes (e.g. Casselman, 1983). La rapide évolution de la puissance des ordinateurs et des capacités de mémoire permet aujourd’hui de manipuler des images de plus grande taille et d’utiliser des algorithmes plus sophistiqués. Le support logiciel détermine le degré d’assistance fourni au lecteur par des systèmes allant de la simple localisation interactive d’anneaux jusqu’au système d’interprétation entièrement automatisé.

7Le capteur conditionne la nature de l’information que va représenter l’image. Pour des informations de type photonique, le capteur est un dispositif sensible à l’énergie lumineuse et se charge de transformer l’image de nature optique en signaux électriques. Les capteurs d’images peuvent alors être une caméra vidéo analogique à tube à vide, bien que les caméras modernes soient basées sur des matrices de composants à semi-conducteurs appelés « capteurs à transfert de charges : Charge-coupled devices » (ccds). Les éléments d’un capteur ccd sont des photodiodes de quelques microns de diamètre qui réagissent à l’excitation photonique et produisent des charges d’électrons, collectées à travers les matrices et converties sous forme de tension électrique. Ce processus de « collecte » produit un signal vidéo analogique pour chaque rangée d’éléments photosensibles, ce qui implique que (1) le signal doit encore être échantillonné même si on utilise un capteur numérique et que (2) la résolution horizontale de l’image numérique ne dépend pas directement du nombre de colonnes ccd.

8La discrétisation du signal vidéo analogique est assurée au moyen d’un convertisseur analogique-numérique (can) suite aux trois étapes suivantes (fig. VI.2) :

  • L’amplification qui adapte la dynamique du signal analogique à numériser en vue d’avoir des niveaux convenables à l’entrée du dispositif de conversion analogique-numérique. À ce stade, la plupart des numériseurs offrent la possibilité de pouvoir moduler le gain et la composante continue du signal ;
  • L’échantillonnage qui transforme le signal vidéo continu analogique, provenant de la caméra, en une suite discrète de données. À ce stade, la fréquence d’échantillonnage détermine la résolution spatiale de l’image ;
  • La quantification qui arrondit les échantillons analogiques en valeurs numériques afin qu’ils puissent être codés en un nombre fini de bits. Ceci détermine la résolution de brillance (ou profondeur de l’image en niveaux de gris). Le codage de ces mesures sur 8 bits fournit une amplitude de 256 nuances de gris. Le fait que l’œil humain ne puisse en distinguer qu’une soixantaine souligne l’importance des opérations de modification de la dynamique de l’image et de rehaussement du contraste. Avec des capteurs standards, la résolution peut varier de 5122 pixels à 20482 pixels, représentant donc une taille de fichier comprise entre 262 Koctets et 4,2 Moctets.

Figure VI.2 - Présentation schématique d’un procédé de numérisation d’image. Le signal électrique produit par le capteur est amplifié, échantillonné et quantifié par le numériseur. Ces étapes de numérisation détermineront les propriétés de la dynamique de l’image numérique résultante, sa résolution spatiale et sa profondeur. L’image est temporairement enregistrée dans la mémoire de l’ordinateur ou dans la mémoire vive (RAM) de la carte de numérisation. Elle peut être alors affichée sur un écran vidéo ou écrite sur le disque dur ou sur un CD-ROM pour le stockage à long terme.

9Les effets de différentes résolutions spatiales et de brillance sont présentés dans la figure VI.3.

Figure VI.3 - Effets de la variation de la profondeur et de la résolution spatiale sur la qualité d’une image numérique. La résolution de l’image passe de 642 à 5122 pixels et la profondeur des niveaux de gris de 3 à 8 bits.

10Les images couleurs, quant à elles, sont formées soit par un seul capteur et avec l’aide de 3 filtres colorés rvb (rouge, vert, bleu), soit à partir de trois capteurs différents comme c’est le cas pour les caméras tri-ccd. La plupart des numériseurs actuels fournissent des pixels carrés, i.e. des images au format 1 :1. Cependant, l’électronique régulant la fréquence d’échantillonnage est susceptible d’une dérive, et c’est la raison pour laquelle les images standards de télévision sont au format vidéo 4 :3. Cela signifie que l’échantillonnage le long d’une ligne vidéo sera différent de celui entre les lignes, donnant lieu à des images numériques de pixels rectangulaires. Ignorer ce facteur de déformation géométrique conduirait à introduire des biais de manière systématique lors des mesures. Pour cette raison, la plupart des logiciels scientifiques de traitement d’images permettent d’intégrer des facteurs de correction métrique.

11Chaque point (pixel) d’une image I est caractérisé par ses coordonnées spatiales (x,y) et son niveau de gris donné par la valeur I(x,y). Afin d’être récupérée et visualisée, l’image numérique stockée dans la mémoire ram est retransformée en un signal vidéo continu par le convertisseur numérique-analogique cna (fig. VI.2).

12Il convient de noter que l’échantillonnage au format 4 :3 peut être particulièrement pernicieux car, au moment de l’affichage sur l’écran vidéo, le can peut apporter une modification géométrique de l’image. Cela peut être facilement vérifié en numérisant un objet circulaire, et en le mesurant horizontalement et verticalement par le calcul simple de la distance euclidienne à partir des coordonnées (x,y). Si vous notez une différence significative, vous devez alors la prendre en compte dans vos mesures, notamment s’il s’agit de mesures relatives à la caractérisation des formes.

1.1.2. Acquisition d’images de PC

13Conformément à l’idée selon laquelle « une bonne image évite de longs traitements », on veillera à utiliser le meilleur matériel disponible ainsi qu’à standardiser et à optimiser les conditions d’éclairement. Les pièces calcifiées résultent d’un processus de calcification par couches concentriques plus ou moins cristallines, orientées dans diverses directions et présentant des contrastes très variables. Les techniques combinées de microscopie en polarisation, d’intégration d’images et les outils de construction de mosaïque peuvent, pour cela, vous aider à obtenir les images dont vous avez besoin.

1.1.2.1. Microscopie en polarisation

14D’une manière plus générale, l’éclairage des loupes binoculaires et, dans une moindre mesure, celui des microscopes seront soumis à des perturbations soit ambiantes sous la forme de reflets, soit générées par le matériel observé lui même (biréfringence de certains cristaux). De par leur nature, ces mêmes éclairages peuvent également générer une multitude de rayons incidents (cas des éclairages à fond noir). Dans tous ces cas, l’utilisation d’un filtre polarisant permettra de sélectionner certaines sources et, en particulier, dans le cas d’éclairage transmis à fond noir, d’éliminer totalement les imperfections du fond (Macy, 1995 ; Welleman & Storbeck, 1995 ; Troadec et al., 2000) (fig. VI.4).

Figure VI.4 - Numérisation d’image de PC : image d’otolithe de plie (Pleuronectes platessa) (a) en lumière normale et (b) en lumière polarisée. Effet du moyennage d’images sur la distribution du bruit : (c) représentation en fausse couleur de la différence entre deux images consécutives saisies avec une caméra standard CCIR. Un profil d’intensité (d) montre une différence d’amplitude significative de la valeur du pixel pour une numérisation simple (ligne bleue) par rapport au moyennage de plusieurs images successives (ligne rouge, N=10). Construction d’une mosaïque d’images de PC permettant le traitement de l’ensemble de la PC en haute résolution sur (e) un otolithe de merlan (Merlangius merlangus) (4 images), (f) une image au MEB d’un otolithe d’hoplostèthe (Hoplostethus atlanticus) (3 images).

1.1.2.2. Moyennage d’images

15Le bruit généré lors de l’étape d’acquisition (défauts d’éclairage, bruit électronique, etc.) peut être perçu comme une variabilité de la réponse d’un simple pixel sous éclairage constant. La figure VI.4c montre une fausse image couleur représentant la différence entre deux prises de vue consécutives obtenues par une caméra standard ccir. Le profil d’intensité tiré le long de cette image (fig. VI.4d) montre que la valeur d’un pixel peut varier de plus ou moins 50 niveaux de gris pour une même scène. Pour réduire les effets de cette dispersion, plusieurs prises de vue successives peuvent être moyennées afin d’éliminer ce bruit aléatoire. Quand on travaille avec des images microscopiques statiques, comme dans notre cas, le moyennage de trames successives peut s’avérer très efficace. Il peut être réalisé par logiciel ou même par traitement « câblé » sur certaines cartes (ex : Matrox Metéor, Scion AG-5, etc.). De nos jours la qualité du matériel (caméra, numériseur, etc.) améliore constamment le rapport signal/bruit. Cependant, le profil d’intensité représentant la différence entre images moyennées (fig. VI.4d) montre que la variabilité d’acquisition peut être considérablement réduite par simple moyennage de prises consécutives. Par ailleurs, le réglage du paramètre « temps d’exposition » disponible sur certaines caméras numériques est une autre manière de moyenner cette variabilité.

1.1.2.3. Mosaïque d’images

16Le rapport entre la dimension des zones de croissance et celle de la pièce calcifiée ne permet que très rarement de visualiser la PC dans sa totalité au travers d’un oculaire de microscope. De plus, lorsque la résolution le permet, l’adaptation du cadrage à chaque échantillon à l’aide d’un zoom est en pratique très lourde du fait de la nécessité de disposer d’une calibration pour chaque image. On remarquera également que certains traitements, tels que les méthodes de rétro-calcul de type proportionnel, exigent de disposer de l’ensemble de la pièce calcifiée. L’acquisition d’image champ par champ est alors souvent inévitable et pose le problème de mise en correspondance des informations disponibles dans chacun d’eux.

17Une solution satisfaisante consiste à construire une vue panoramique de la pièce calcifiée au moyen d’une mosaïque d’images (fig. VI.4e, f). Cette construction peut être réalisée soit manuellement (Macy, 1995), soit automatiquement comme le proposent certains logiciels actuels, moyennant un recouvrement entre deux champs consécutifs. Ces outils sont maintenant relativement fiables pour peu que l’on veille à ne pas provoquer des changements brusques de mise au point ou d’éclairement, ce qui peut être difficile sur certaines pièces calcifiées dont les zones de croissance ne sont pas visibles dans un même plan focal et pour lesquelles les zones marginales sont plus claires. Ces images de mosaïque peuvent représenter plusieurs dizaines de Moctets. Ainsi, leur manipulation nécessitera de disposer d’une mémoire ram en conséquence et leur stockage l’emploi de formats procurant des taux de compression d’image importants (e.g. jpeg).

1.2. Traitement d’images numériques

18L’image que l’on voit s’afficher instantanément sur l’écran est une représentation complète ou partielle d’une pièce calcifiée (1) résultant d’un processus de calcification induisant une alternance de zones protéiques et hypercalcifiées, (2) observée en général sur une lame mince obtenue par un processus de découpe, rodage et polissage (excepté les écailles), (3) numérisée au travers d’une série de processus optiques, électroniques et numériques qui sont chacun générateurs de différents types de bruit. Comme on peut le noter, les sources de dégradation de l’information pertinente sont nombreuses et la diversité du matériel ne permet pas toujours d’extrapoler les solutions mises au point sur une espèce et un type de préparation donnés. Ainsi, Welleman & Storbeck (1995) considèrent que le rehaussement du contraste de l’image n’est pas nécessaire alors que Macy (1995) utilise Légalisation d’histogramme et itère deux fois un filtre de détection de bord directionnel. Il est vrai que les premiers travaillent sur des otolithes de plie (Pleuronectes platessa), otolithes présentant des macrostructures très contrastées et observés in toto et le deuxième sur des statolithes d’encornet (Loligo pealei) avec des microstructures peu contrastées et fortement bruitées par du matériel cristallin radiaire.

19En général, une image numérique ne sera pas exploitée sous sa forme brute mais nécessitera au préalable des traitements de réhaussement du contraste et de filtrage de certaines composantes considérées comme du bruit. L’utilisation d’algorithmes de filtrage appropriés peut considérablement améliorer la « lisibilité » d’une pc mais toute utilisation non conforme, comme par exemple un mauvais paramétrage de l’opérateur employé, l’ignorance de ses propriétés intrinsèques ou encore un processus d’itération abusif, peut avoir des effets non négligeables sur les résultats obtenus, allant du simple déplacement d’une marque de croissance à l’introduction de marques supplémentaires. Nombre de logiciels actuels de retouche d’images présentent des algorithmes de rehaussement de contraste qui produisent des images flatteuses pour l’œil mais dont les possibilités de paramétrage de la résolution spatiale restent limitées. Notons aussi que l’application de certains filtres à l’image peut inévitablement biaiser les mesures quantitatives. Cette partie a pour objectif de présenter uniquement les algorithmes à effets spatiaux clairement énoncés et réputés contrôlables.

20La mise au point d’une chaîne de traitement efficace nécessite non seulement de connaître les principes de base des filtres utilisés, mais aussi de savoir faire intervenir le bon filtre au bon endroit dans la chaîne de traitement. Une chaîne classique de traitement d’images numériques va comporter trois étapes fondamentales (fig. VI.5) :

  • le prétraitement (optimisation de la dynamique, rehaussement du contraste, réduction du bruit, détection de bords) ;
  • l’analyse (mesure d’objets et traitement de l’information symbolique) ;
  • l’interprétation (compréhension de la scène).

21Pour de plus amples détails, le lecteur pourra se reporter à la littérature (González & Wintz, 1987 ; Coster & Chermant, 1989 ; Haralick & Shapiro, 1992 ; Cocquerez & Philipp, 1995 ; Davies, 2000).

Figure VI.5
Classification des principales techniques de traitement d’images, présentées en structure d’arborescence avec les résultats les plus importants produits par chaque classe.

1.2.1. Rehaussement du contraste avec des opérations point à point

22L’une des erreurs les plus communément commises par les nouveaux utilisateurs de systèmes de traitement d’images est de « ne croire que ce qu’ils voient ». Comme cela a été évoqué précédemment (voir chap. VI.A.1.1.1), les capacités humaines de discernement des nuances de gris sont bien inférieures aux capacités de rendu des capteurs. Ainsi, selon les conditions d’acquisition, une image pourra présenter toute l’information pertinente dans une plage dynamique réduite mais imperceptible à l’œil de l’observateur. L’opérateur gradient en donne un parfait exemple (voir chap. VI.A. 1.2.3) ; en calculant son amplitude, nous obtenons une image avec des valeurs positives et négatives de faible amplitude, puisqu’il s’agit d’une dérivée du 1er ordre. Si on n’améliore pas la dynamique de cette image, il est probable que l’on ne notera jamais qu’elle contient en fait toute l’information disponible concernant les contours d’objets. La concentration de l’information sur peu de niveaux de gris engendrera, d’une part :

  • une lisibilité moins agréable pour l’observateur, du fait d’un manque de contraste et, d’autre part ;
  • une imprécision des calculs, du fait des erreurs d’arrondi.

23Une image bien contrastée est une image dont la distribution des niveaux de gris, appelée aussi histogramme, s’étire sur l’ensemble de la dynamique disponible. On modifiera cette distribution en transformant l’histogramme au moyen de translations, d’étirements et de compressions locaux de l’histogramme, obtenus à l’aide d’une fonction d’anamorphose linéaire ou non. La figure VI.6 illustre diverses modifications d’histogrammes et leurs impacts sur la lisibilité des images.

24Le résultat visé n’est pas toujours un équilibrage de la dynamique mais peut être aussi la mise en évidence de certaines caractéristiques de l’image ou l’extraction de certaines zones d’intérêt particulier. On pourra réaliser ainsi des fonctions de transformation d’histogramme opérant des seuillages simples ou des transformations plus complexes telles que la normalisation ou l’égalisation. Il est cependant important de remarquer que le choix du type de transformation dépend à la fois du type d’image et de l’objectif poursuivi, esthétique ou fonctionnel, et que certaines anamorphoses, faisant croître le contraste des détails, peuvent avoir le défaut majeur d’amplifier aussi le bruit.

25Les images peuvent également être combinées pixel par pixel par des opérations arithmétiques (+,-, ∙, ÷, min, max) ou logiques (and, or, xor, not). Grâce à ces opérateurs, on peut par exemple réaliser l’image de la moyenne, superposer deux images, extraire une forme du fond de l’image ou même détecter le mouvement d’objets d’une image à l’autre. Ces opérations dites point à point sont fréquemment utilisées lors du filtrage spatial afin de soustraire certaines composantes fréquentielles de l’image ou dans des filtres morphologiques dans le but de réaliser des tests logiques.

1.2.2. Réduction du bruit avec des opérations de voisinage

26Opérant pixel par pixel, quels que soient la localisation et le voisinage, les opérations point à point ne permettent pas la modification spatiale des détails de l’image. Or, comparer une valeur de pixel avec ses valeurs voisines fournit une information sur les tendances de brillance locale. Les opérations de voisinage se basent, quant à elles, sur des transformations prenant en compte l’environnement de chaque pixel. Les techniques les plus couramment utilisées pour cela sont :

  • le filtrage linéaire, fondé sur l’analyse fréquentielle, agissant par modification de la transformée de Fourier de l’image ou par l’utilisation d’opérateurs de convolution ;
  • le filtrage non linéaire dont les fonctions de traitement d’images usuelles sont basées sur les transformations morphologiques ou les statistiques d’ordre (filtre médian).

27Ces techniques, extrêmement nombreuses et variées, constituent l’essentiel des algorithmes proposés par les logiciels de traitement d’images ; leur description nous a donc semblé indispensable. La présentation qui suit ne met en lumière que quelques techniques mais devrait constituer une introduction utile à leur utilisation.

Figure VI.6 - Exemples d’amélioration du contraste d’une image par transformation d’histogramme, c’est-à-dire sur une base de pixel par pixel. Chaque colonne présente respectivement l’image anamorphosée, la fonction d’anamorphose et l’histogramme résultant de l’image anamorphosée. Le calcul de la valeur anamorphosée d’un pixel se fait par projection de l’axe « entrée » sur l’axe « sortie » via la fonction d’anamorphose qui agit comme une fonction de manipulation de table de correspondance.

1.2.2.1. Profil d’image de PC : un signal multi-composante

28Lorsque l’on utilise des opérations de voisinage, il est fondamental de garder à l’esprit la manière dont les images numériques sont traitées, dans le domaine spatial ou fréquentiel, et que, dans un cas comme dans l’autre, il s’agit bien de représentations du même phénomène. Le passage de la représentation spatiale à la représentation fréquentielle s’effectue au moyen de la transformation de Fourier. Elle consiste à convertir l’image en une somme pondérée de sinus et cosinus, des composantes simples périodiques mono-fréquentielles qui représentent le contenu fréquentiel de l’image (ou son spectre). Chaque valeur de pixel du spectre correspond au poids de chaque composante fréquentielle sur l’ensemble du signal. Cette transformation, bien connue depuis sa découverte par Jean Baptiste Joseph Fourier en 1807, doit son succès en matière de traitement numérique du signal au développement en 1965 d’un algorithme de calcul rapide appelé fft (fast Fourier transform). Notons que les images compressées au format jpeg, le sont au moyen d’une variante de la fft, nommée dct (transformation de cosinus discrète), utilisant uniquement les fonctions de base de type cosinus. Cette compression jpeg consistera essentiellement à éliminer les hautes fréquences, considérant qu’elles ne sont pas perçues par l’œil humain. De plus, l’élimination de ces hautes fréquences peut affecter l’analyse ultérieure de l’image par l’ordinateur.

29Avec une représentation spatiale, l’unité de base étant le pixel, il est possible de venir modifier l’image localement. Inversement, en utilisant une représentation fréquentielle, l’unité de base étant la fréquence, un filtre altérera l’ensemble de l’image. Le choix d’une représentation plutôt qu’une autre dépend de la nature de l’information recherchée (structurale ou fréquentielle) mais l’efficacité d’un filtre, développé pour et opérant dans un domaine de représentation spécifique, peut être évaluée dans l’autre domaine de représentation.

30L’alternance des zones claires et sombres sur une image de pc peut être considérée comme un ensemble d’anneaux concentriques placés côte à côte (ou juxtaposés) ou une forme oscillante centrée. Dans une représentation fréquentielle, un profil le long d’une image de pc peut être modélisé sous la forme d’un signal monodimensionnel multi-composante ; c’est-à-dire un signal intégrant plusieurs composantes fréquentielles de base, comme par exemple la composante périodique, les tendances de brillance et de contraste ou le bruit généré par le processus d’acquisition. Dans le profil d’image d’otolithe de plie présenté dans la figure VI.7, on peut voir que le signal présente schématiquement :

  • une composante basse fréquence correspondant à l’évolution spatiale de la luminance moyenne de la pc ;
  • une composante haute fréquence correspondant au bruit électronique et à la texture fine de la pc ;
  • une composante « anneau » correspondant à la périodicité temporelle des zones de croissance observées ;
  • une composante de croissance correspondant à la modulation dans le temps de la largeur des zones de croissance.

31Globalement, on retrouve, de façon plus ou moins claire, chacune de ces composantes dans tout signal de pc. Négliger l’une de ces composantes, quand elle est fortement représentée, réduit sensiblement l’efficacité de détection. Selon nos objectifs et le matériel biologique disponible, nous cherchons à réduire le bruit en supprimant les composantes hautes fréquences de l’image, à homogénéiser la luminance de l’image en atténuant les basses fréquences ou à améliorer le contraste de la pc en rehaussant la composante périodique relative aux anneaux de croissance.

Figure VI.7
Modélisation d’un signal de pc : décomposition du profil d’une image d’otolithe de plie (Pleuronectes platessa) en composantes principales du signal. Le symbole i se rapporte à la valeur d’intensité (niveau de gris) et v à la fréquence.

1.2.2.2. Convolution spatiale : de la moyenne mobile au filtrage gaussien

32Le filtrage spectral est basé sur l’opération de convolution d’une image par une fenêtre de coefficients appelée noyau de convolution. Il s’agit de déplacer ce noyau à travers l’image et de recalculer la valeur de chaque pixel comme la somme pondérée des pixels dans un voisinage donné par la taille de ce même noyau (fig. VI.8). Ainsi, selon la distribution de ces coefficients, on pourra choisir de sélectionner dans l’image les transitions lentes de niveaux de gris, qui correspondent à des fréquences basses, en utilisant un ensemble de coefficients passe-bas ou, au contraire, de sélectionner les transitions rapides correspondant aux fréquences hautes et donc de réaliser un filtre passe-haut.

Figure VI.8 - Filtres linéaires : filtres de lissage conçus à partir d’un noyau de convolution et à partir de fonctions de transfert, a) Le filtre moyenneur est un bon filtre de lissage mais, dans le domaine fréquentiel, il affiche des lobes qui le rendent peu sélectif vis-à-vis des fréquences, ce qui entraîne un flou des contours des petites stries, b) Le filtre gaussien produit de meilleurs résultats : un noyau gaussien est difficile à paramétrer et est une fonction gaussienne tronquée. c) Une version de ce filtre gaussien conçue pour être appliquée dans le domaine fréquentiel produira des résultats plus précis et plus sélectifs.

33Pour mieux comprendre ce principe, observons comment opère une moyenne mobile. Cette opération de lissage, bien connue, consiste à remplacer la valeur d’un pixel par l’intensité moyenne sur un voisinage donné. L’efficacité d’un filtrage de ce type, c’est-à-dire l’augmentation du rapport signal sur bruit, est fortement proportionnelle à la taille du noyau de convolution utilisé. Toutefois, plus la taille de ce noyau augmente et plus les transitions associées aux frontières entre zones de différentes intensités s’élargissent. Ceci a tendance à délocaliser les contours dans l’image qui devient, par conséquent, un peu plus floue (fig. VI.8a). Une meilleure préservation de la localisation de ces contours implique nécessairement un noyau de petite taille, mais l’image sera très peu lissée. Dès lors, ces considérations nous mettent face à deux propriétés antagonistes du filtre, c’est-à-dire son efficacité dans le domaine spatial et dans le domaine fréquentiel. La réponse en fréquence du filtre moyenneur représentée dans la figure VI.8a montre clairement que ce dernier ne permet pas de séparer une bande de fréquences d’une autre. En fait, la moyenne mobile est un excellent filtre de lissage mais, en même temps, elle est un filtre passe-bas relativement médiocre, dans le sens où l’atténuation du bruit implique simultanément une perte de précision dans la localisation des objets. Il faut donc trouver un compromis ; c’est effectivement possible en modifiant la forme du filtre : ce sera le filtre gaussien.

34La modification des coefficients du noyau permet d’équilibrer l’influence de certains pixels sur la moyenne globale et d’être ainsi plus sélectif dans le choix des composantes fréquentielles. Au lieu d’avoir une réponse impulsionnelle en forme de porte (cas du moyenneur), cette réponse est en forme de cloche avec le filtre gaussien. Ce dernier réalise le meilleur compromis entre le rapport signal sur bruit et l’erreur de localisation. Les fondements théoriques de cet outil fréquemment utilisé sont largement traités dans la littérature scientifique depuis les travaux de Marr basés sur l’étude du système visuel humain (Marr & Hildreth, 1980 ; Marr, 1982).

1.2.2.3. Filtrage spectral : la transformée de Fourier

35Le filtrage spectral est fondé sur la modification du signal dans le domaine fréquentiel. La représentation fréquentielle d’un signal spatial est obtenue en employant la transformée de Fourier. Comme nous l’avons vu précédemment, la convolution spatiale opère à la fois dans le domaine spatial et fréquentiel. Parmi les différentes raisons qui justifient l’emploi du filtrage spectral, citons que :

  • il s’avère plus efficace lorsque le problème original peut être exprimé en termes de fréquences ;
  • la convolution de deux signaux se simplifie en un produit de leurs transformées de Fourier, ce qui permet d’accélérer considérablement le traitement de la convolution ;
  • il permet de développer des filtres relativement plus efficaces, avec un support plus large, diminuant ainsi les effets de troncation imposée dans le domaine spatial par l’approximation d’une forme de filtre sur un noyau réduit.

36Comment concevoir un filtre dans le domaine des fréquences ? La première approche consiste à appliquer une fonction porte bidimensionnelle à la transformée de Fourier de l’image. Cette manière brutale de limiter le nombre de coefficients de la transformée de Fourier engendre des oscillations et des dépassements dans le domaine spatial au niveau des discontinuités de l’image (contours et points anguleux), phénomène connu sous le nom d’« effet de Gibbs ». Là encore, dans le domaine fréquentiel, nous sommes confrontés au problème classique de la recherche d’un compromis sur la localisation en fréquence et la localisation en espace. Il peut être trouvé en modifiant la forme du filtre (voir figure VI.8) ou en utilisant une implémentation récursive des filtres analogues, implémentation qui permet d’éviter l’effet de Gibbs en simulant un support infini.

1.2.2.4. Filtrage linéaire des images de PC

37L’apparition d’une composante de tendance dans l’image d’une pièce calcifiée (voir chap. VI.A.1.2.2.1), se traduisant par une évolution spatiale de la luminance moyenne, peut avoir pour origine de manière non exclusive :

  • un éclairage non homogène ;
  • une variabilité spatiale des propriétés optiques du matériel déposé (resserrement des zones de croissance avec l’âge rapprochant les zones translucides) ;
  • une variabilité de l’épaisseur de l’échantillon.

38Ce phénomène se manifeste souvent par un éclaircissement de la pièce calcifiée vers le bord. Ceci signifie que les caractéristiques de luminance d’une zone de croissance, translucide ou opaque, ne seront pas constantes spatialement. On imagine très bien la difficulté à appliquer des techniques de seuillage simple à des images de ce type puisque aucune valeur ne pourra séparer convenablement les différentes zones de croissance. Les techniques classiques de filtrage linéaire présupposent une stationnarité du signal, c’est-à-dire que sa moyenne et son écart type soient spatialement constants. De même, l’efficacité de filtres réputés adaptatifs, c’est-à-dire robustes à ce genre de phénomène, sera néanmoins accrue par une élimination ou du moins par une atténuation de cette tendance. Pour cela, on utilisera des filtres de type « passe-bas » afin de récupérer la composante basse fréquence et de l’éliminer de l’image d’origine. Ce raisonnement pourra être appliqué au moyen d’un filtre linéaire gaussien, présentant un bon compromis entre localisation spatiale et localisation fréquentielle (fig. VI.9), ou d’un filtre morphologique de type « ouverture » (fig. VI.12).

Figure VI.9
Élimination de la tendance de luminance sur une image de pc et profil associé : a-b) image brute d’otolithe de plie (Pleuronectes platessa), c-d) image de la tendance estimée, e-f) image sans tendance. Un tel traitement facilite la détection des marques de croissance.

1.2.3. Détection de contours par opérations dérivatives

39Envisageons maintenant l’image, non plus comme une somme de composantes fréquentielles mais comme un relief dont les niveaux de gris représenteront l’altitude. L’image est alors constituée d’une succession de collines et de vallées dont les pentes sont plus ou moins abruptes. Un objet fortement contrasté présentera sur son contour une forte pente de niveaux de gris alors que, au contraire, une faible pente caractérisera une zone de luminance homogène. La détection de discontinuités locales au moyen de calculs de pentes par des opérateurs dérivatifs permettra ainsi la localisation des bords des objets (fig. VI.10).

Figure VI.10 - Détection de bords par opérateurs dérivatifs : traitement d’une section d’otolithe de lieu jaune (Pollachius pollachius) par différents opérateurs dérivatifs du 1er et du 2e ordre (logiciel Visilog, Noesis).

40Dans le cas monodimensionnel, le point de pente maximale d’une transition correspond au maximum de sa dérivée première, c’est-à-dire son gradient. Le système de perception visuelle humain applique, lui, un rehaussement de type dérivée seconde ou laplacien.

41Le gradient en 2D peut être approché au moyen des opérateurs de convolution de Robert, Prewitt ou Sobel présentés dans la figure VI.10. Cependant, l’utilisation de masques de petite taille va rendre difficile la distinction entre des variations locales correspondant à des bords et celles correspondant à du bruit. L’augmentation de la fenêtre de calcul permet d’obtenir un opérateur plus robuste au bruit, robustesse obtenue aux dépens de la précision. En fait, tous les opérateurs dérivatifs opèrent un lissage et imposent encore une fois la contrainte d’un compromis entre une bonne localisation de bords bruitée et une mauvaise localisation sans bruit. Le meilleur compromis sera obtenu par l’opérateur de Marr & Hildreth (1980), le « laplacien d’une gaussienne », permettant d’associer au laplacien les avantages du filtre gaussien. Dans le même ordre d’idée, le détecteur de contours de Canny-Deriche est un algorithme récursif basé sur la détermination du gradient. Pour minimiser les effets du bruit, cet opérateur procède à une opération de lissage de l’image avant de calculer le gradient. Un paramètre d’échelle permet de jouer sur la taille du filtre et donc de régler l’intensité du lissage. Si sa valeur est grande, le bruit sera réduit davantage mais les bords seront moins abrupts, seuls les plus significatifs demeureront. Il importe alors de choisir le bon coefficient afin de diminuer le bruit de manière suffisante sans pour autant altérer la position des contours.

42Pour rehausser une image de pc, l’une des méthodes est de transformer son histogramme par anamorphose. Comme nous l’avons mentionné au paragraphe 1.2.1, il existe différentes façons de le faire, bien que l’étirement linéaire (ou normalisation) et Légalisation soient les techniques le plus fréquemment utilisées. Cette dernière est vraisemblablement une des plus efficaces puisqu’elle tente de répartir équitablement les niveaux de gris sur toute la plage disponible, bien qu’elle ait tendance à amplifier le bruit. Une autre méthode plus performante consiste à utiliser des algorithmes d’accentuation des bords des objets constituant l’image. En fait, les images floues sont caractérisées par un faible contraste dû plus particulièrement à des transitions de bord adoucies. L’opération inverse rehausse le contraste en diminuant l’étendue des transitions. Comme le flou provient en grande partie d’une opération de moyennage ou d’intégration, l’opération inverse utilisera un opérateur calculant la dérivée. Le rehaussement d’une image I(x, y) s’obtient à l’aide de (fig. VI.11) :

43(VI.1) D(x,y) = I(x,y)-k ∙ ΔI(x,y)

44où Δ est l’opérateur laplacien (dérivée seconde) et k une constante.

1.2.4. Détection d’information structurelle par opérations morphologiques

45Contrairement aux méthodes linéaires qui considèrent l’image comme une somme de composantes fréquentielles, la morphologie mathématique (Matheron, 1975 ; Serra, 1982, 1988) traite l’image comme un ensemble d’objets opaques au sein duquel la superposition se traduit par un masquage et non pas par une addition. Dire qu’un objet A cache un objet B revient à dire que le contour de B est inclus dans A. Ainsi, la morphologie mathématique examinera, à l’aide d’opérateurs sur les ensembles (∩, ∪, ⊆), la structure géométrique d’une image au moyen d’un objet de référence de taille et de forme connues : l’élément structurant.

Figure VI.11
Rehaussement d’image par soustraction de son laplacien (dérivée du second ordre) (logiciel Visilog, Noesis).

46L’érosion et la dilatation constituent les opérations de base de la morphologie mathématique. Au lieu de recalculer un point au moyen d’un ensemble de coefficients comme dans la convolution, on testera en chaque point de l’image l’inclusion ou l’intersection de l’élément structurant. Sur une image binaire, codée sous forme d’une série de 0 et de 1, une érosion consistera à conserver les zones dans lesquelles l’élément structurant est entièrement inclus. Une dilatation, au contraire, consistera à ajouter à un objet tous les points pour lesquels l’élément structurant est en intersection avec lui. Une érosion supprimera les points isolés et les petits objets et en déconnectera certains, alors qu’une dilatation bouchera les trous et connectera les objets (fig. VI.12). Ces opérations sont applicables également aux images en niveaux de gris : l’érosion sera la fonction min des pixels du voisinage défini par l’élément structurant, alors que la dilatation en sera le max. À partir de ces opérateurs de base, on peut construire des opérations présentant des propriétés similaires mais moins destructrices, en préservant mieux les formes originales. L’ouverture d’une image est la combinaison d’une érosion suivie d’une dilatation et la fermeture est une dilatation suivie d’une érosion. Toutes ces transformations ont la propriété d’être croissantes, c’est-à-dire que, si un objet O1 est inclus dans un autre objet O2, alors la transformation de O1 par une transformation T est incluse dans T(O2). Par contre, les propriétés topologiques (trous, nombre de composantes connexes, etc.) ne sont pas préservées.

47Ces opérations de base fournissent un détecteur très efficace d’anneaux de croissance de PC : l’opérateur « chapeau haut-de-forme » (Top-Hat). Il consiste en la soustraction à l’image originale de son ouverture, lorsque l’on recherche des anneaux translucides ou de l’image originale à sa fermeture dans le cas d’anneaux opaques (fig. VI.12f).

Figure VI.12 - Extraction du contour d’un otolithe de plie (Pleuronectes platessa) (a) par des opérateurs morphologiques : à partir d’une image seuillée (b), un opérateur de fermeture procédant par dilatation de l’image puis érosion fermera le contour (c). Les trous à l’intérieur de l’objet sont bouchés par un algorithme de remplissage de trous (d) basé sur la dilatation géodésique du complément de l’image. Le contour de l’objet le plus grand correspondra au contour de l’otolithe (e). Le filtre « chapeau haut-de-forme » (Top-Hat) est un opérateur adaptatif permettant de seuiller les objets d’une taille définie (f).

48D’autres transformations permettent de préserver les propriétés topologiques des images. Elles consistent à rechercher, sur des images binaires, des configurations de voisinage particulières et à enlever les pixels correspondants dans le cas d’une opération d’amincissement, ou à les ajouter dans le cas d’une opération d’épaississement.

1.2.5. Patron de croissance : la limite des filtres classiques

49Une des principales propriétés des filtres numériques classiques linéaires et non linéaires est qu’ils sont invariants par translation. Ceci permet de détecter le même objet quel que soit son emplacement dans l’image. Lorsque l’image représente une scène en perspective, par exemple une autoroute vue d’un pont, on ne peut pas détecter les objets du premier plan en utilisant les mêmes paramètres de filtre que ceux adoptés pour détecter les objets du fond. Avec des filtres classiques, nous serons amenés à élargir les critères sur la plage de taille, ce qui conduit finalement à détecter les objets du premier plan correspondant à du bruit. Dans le cas des PC, le modèle de croissance agit comme une perspective, faisant varier la largeur des anneaux, permettant d’assouplir les critères de taille et de récupérer le bruit.

50Lorsque l’on a une idée approximative du modèle de croissance, une solution possible serait d’adapter le paramètre du filtre à la fonction de perspective ou de modèle de croissance. La solution opposée consiste à remodeler le signal, toujours sur la base de la connaissance a priori du modèle de croissance, afin de soustraire, ou tout au moins atténuer, la variation d’amplitude des pics et des vallées. En théorie du signal, ceci est connu comme la démodulation de fréquence (fig. VI. 13).

Figure VI.13 - Élimination de la tendance due à la croissance : illustration graphique de l’algorithme de démodulation sur un profil d’image d’otolithe de plie (Pleuronectes platessa) (a) en utilisant un modèle de croissance a priori de type von Bertalanffy (b). Le profil démodulé (ou anamorphosé) (c) présente des anneaux de même largeur, à la différence des anneaux d’origine.

51Cette démodulation a été appliquée aux otolithes de larves de Solea solea (Troadec, 1991 ; Lagardère & Troadec, 1997) avec une fonction de croissance exponentielle, aux otolithes de Pollachius virens adultes (Troadec, 1991) ainsi qu’à des sections de rayons de nageoire dorsale de Thunnus alalunga (Troadec & Antoine, données non publiées) avec une fonction de croissance de von Bertalanffy. Le but premier était d’améliorer la détection des anneaux et, en même temps, d’estimer le nombre d’anneaux peu contrastés ou manquants, à cause de l’altération osseuse par exemple. La démodulation a été suivie d’une transformation de Fourier et les fréquences présentant les énergies les plus élevées ont été utilisées pour estimer par extrapolation le nombre d’anneaux manquants.

1.3. Analyse quantitative des PC : du 1D au 3D

52Alors que le traitement d’images transforme une image en une autre, l’analyse quantitative produit des mesures à partir d’une image. Ces mesures sont généralement calculées sur des images binaires bien que, dans certains cas, une pondération avec une échelle de gris puisse être introduite. La figure VI.14 présente et illustre les paramètres de base, notre but étant d’attirer l’attention du lecteur sur l’existence de diverses méthodes de traitement d’un même paramètre.

1.3.1. Dénombrement de structures : du profil d’image 1D au profil synthétique (1,5D)

53Avant l’apparition des systèmes de traitement d’images, les sclérochronologues réduisaient leur localisation d’anneau à un axe simple, notamment lorsque des mesures de croissance d’anneau étaient nécessaires. Aujourd’hui, mis à part certains travaux prospectifs (Welleman & Storbeck, 1995 ; Troadec et al., 2000), les outils disponibles se limitent encore à l’utilisation des profils simples pour détecter des zones de croissance sur des images numériques. Pourquoi existe-t-il de telles différences dans leurs performances respectives ?

54L’une des raisons essentielles est que le lecteur humain détecte les anneaux en 2D et les localise en 1D alors que la plupart des logiciels actuels de détection d’anneaux effectuent la totalité du traitement en s’appuyant uniquement sur l’information 1D. Néanmoins, si la taille des zones de croissance ne varie pas beaucoup, si leur contraste est suffisant et si les paramètres du filtre peuvent être convenablement ajustés, on peut s’attendre à un bon taux de détection, de l’ordre de 80 %. En général, on peut dire que si l’on peut facilement compter les anneaux sur une image, alors les systèmes automatiques ne seront pas « trop mauvais ».

55En travaillant sur un seul profil d’image, on perd de façon certaine toute information relative à la continuité des anneaux. Le signal sera par conséquent très sensible aux défauts locaux pouvant être interprétés à tort comme des pics ou des vallées. Afin d’améliorer ce signal de profil d’image et de se rapprocher d’une perception de la continuité locale, certains logiciels permettent maintenant d’intégrer les données à partir de plusieurs profils pour les combiner. Cela peut être réalisé de deux manières (fig. VI.15) :

  • rang par rang, ce qui implique que tous les pixels à équidistance de l’origine sont combinés. Cette manière simple ne peut être appliquée que lorsque l’ensemble des profils est parfaitement perpendiculaire aux zones de croissance et lorsque les points de données ne présentent pas de courbure trop prononcée, de sorte que les données ne soient pas combinées de façon incorrecte ;
  • après synchronisation de deux points de repère, par exemple le nucleus et le bord. Dans ce cas, tous les profils sont redimensionnés (remis à l’échelle) et les données peuvent être combinées de manière plus sûre. La combinaison des données des différents profils peut être réalisée en calculant des estimateurs statistiques comme la moyenne (Cailliet et al., 1996) mais l’estimateur médian, plus robuste aux points aberrants, lui est généralement préféré (Troadec, 1991 ; Welleman & Storbeck, 1995).

Figure VI.14 - Analyse d’images : illustration graphique de quelques paramètres de base employés pour mesurer et caractériser les objets sur des images numériques.

Figure VI.15 - Acquisition de profils d’image : comparaison de différents procédés de calcul sur une image d’otolithe de tacaud (Trisopterus luscus) (a) : profil simple (flèche bleue), multiples profils parallèles moyennés (cadre vert) et médiane de multiples profils radiaires synchronisés (lignes de points rouges). Représentation graphique (b) de chaque type de procédé montrant que les profils simples manqueront quelques anneaux tandis que les profils multiples tendront à déplacer des anneaux ou à surestimer leur largeur (logiciel TNPC, Noesis).

56Dans un profil 1D, les anneaux sont assimilés à des maxima ou minima (pics ou vallées). Des filtres linéaires de lissage sont utilisés pour sélectionner les pics ou les vallées les plus significatifs, et ceci à partir d’un simple algorithme de moyenne mobile (Cook & Guthrie, 1987 ; McGowan et al., 1987 ; Szedlmayer et al., 1991), puis, ultérieurement, à l’aide de filtres de Fourier plus sélectifs (Troadec, 1991 ; Cailliet et al., 1996 ; Morales-Nin et al., 1998) ou de transformations « chapeau haut-de-forme » (Top-Hat) adaptatives (Troadec, 1991) (fig. VI.12f).

57Lorsque l’on considère un pic (ou une vallée), on peut localiser la zone de croissance comme étant :

  • la valeur de niveaux de gris maximale dans le pic (ou minimale pour une vallée) ;
  • le centre géométrique du pic ;
  • le début du pic ;
  • la fin du pic.

58La méthode de la valeur extrême est la plus utilisée mais il est essentiel de vérifier si la localisation automatique de l’anneau correspond à la perception de l’opérateur. En fait, lorsque l’on est devant une zone homogène, on a plutôt tendance à localiser l’anneau au centre géométrique du pic mais, s’il y a un maximum de luminance, ce dernier attire l’attention et l’anneau est localisé à cette extrémité. De façon générale, la localisation des début et fin de pics reste considérablement influencée par les paramètres des filtres.

59Toutes ces méthodes qui opèrent anneau par anneau peuvent être considérées comme « locales », par opposition aux méthodes « globales » qui sont basées sur une estimation spectrale dans laquelle le nombre d’anneaux est estimé sur le signal tout entier et donc sur une base globale. Ces méthodes peuvent être utilisées dans certains cas où le modèle de croissance ne varie pas beaucoup, ou lorsqu’un prétraitement approprié a été effectué en vue de l’enlever (Troadec, 1991 ; Lagardère & Troadec, 1997).

1.3.2. Formes 2D et 3D des PC

60Les formes des PC peuvent être utilisées pour l’analyse de la croissance d’une surface ou d’un volume, simplement en étant considérées comme une signature spécifique ou comme une marque qui intègre l’historique de croissance du poisson caractérisant un stock donné et permettant d’identifier l’origine de ses individus. Cela a été appliqué, par exemple, aux écailles afin de distinguer le Salmo salar nord-américain du Salmo salar européen (Pontual & Prouzet, 1987 ; Reddin & Pontual, 1992) ainsi que les individus d’origine sauvage de ceux issus de l’aquaculture (Ross & Picard, 1990). Ce procédé fut également appliqué aux otolithes pour la discrimination des stocks (Messieh et al., 1989 ; Campana & Casselman, 1993 ; Friedland & Reddin, 1994). Les formes peuvent être numérisées à l’aide d’une tablette de numérisation mais l’utilisation d’une caméra est généralement préférable afin d’éviter les erreurs de traçage manuel. Par ailleurs, l’éclairage des pc doit être optimisé afin de limiter la segmentation (séparation de la pc du fond de l’image) à un simple seuillage qui fournira une image binaire.

61Pour les pc, deux types de caractéristiques de forme sont principalement calculés (fig. VI.14) :

  • des facteurs de forme simples comme la compacité (largeur/longueur) et les rapports périmètre/longueur, périmètre/largeur, périmètre/surface1/2, etc. ;
  • des coefficients de Fourier, par lesquels le bord est décomposé en une somme de composantes sinus et cosinus dont les fréquences augmentent avec les harmoniques. En fait, la forme grossière de la pc est décrite par les basses fréquences alors que l’addition des harmoniques les plus élevées raffine cette description. Le bord de la pc peut être déterminé par un algorithme de suivi de contours et par les coefficients de Fourier calculés à partir d’une représentation en coordonnées polaires du contour (Younker & Ehrlich, 1977), ou à partir des coordonnées cartésiennes mais avec des coefficients elliptiques (Giardina & Kuhl, 1977). La dernière approche doit être logiquement préférée puisqu’elle évite le problème de l’identification du point centre de la représentation polaire et peut être appliquée, contrairement à la première approche, à des formes complexes présentant des convexités prononcées.

62L’information 3D est généralement utilisée par un lecteur confronté à une nouvelle espèce. Le choix du meilleur plan de coupe nécessite l’observation de la pc à partir de différents stades de croissance, dans différents plans et suite à une série d’étapes de rodage. Ceci est fait jusqu’à ce que le lecteur puisse reconstruire mentalement une dynamique de forme tridimensionnelle de la pc. En attendant que des méthodes non destructives comme la tomographie informatisée soient disponibles pour être appliquées aux pc (Hamrin et al., 1999), la représentation 3D est aujourd’hui réalisée par alignement de coupes successives. Ces méthodes demeurent fastidieuses et, par conséquent, peu répandues dans les laboratoires d’estimation d’âge.

63Le point critique dans ces techniques (fig. VI.16) est leur capacité à aligner les différents éléments de l’ensemble des tranches. Les différentes étapes impliquées sont :

  • enrobage de la pc dans de la résine ;
  • découpe avec une scie lente ou une scie à fil. Cette étape détermine la résolution sur l’axe des z ;
  • alignement réalisé par logiciel par rapport à une référence qui peut être obtenue en perçant des trous perpendiculaires au plan de rodage (Bailey et al., 1995) ou à l’aide d’un carré noyé dans la résine avec la pc (Troadec & Fichou, données non publiées) ;
  • numérisation de la tranche à l’aide d’un numériseur.

64L’ensemble des images peut alors être visualisé comme suit :

  • une représentation 3D approximative comme image de volume, les pixels deviennent des points 3D appelés voxels. Certains logiciels permettent de faire des mesures de distance en 3D ;
  • une vue reconstruite du bord extérieur et/ou des bords d’anneaux après numérisation manuelle ou automatique, comme décrit ci-dessus, pour les formes 2D. Le logiciel de reconstruction peut alors fournir des caractéristiques de formes 3D.

Figure VI.16 - Reconstruction 3D de pc : description du procédé de préparation pour la reconstruction 3D de la pc à partir de coupes successives. (a) Inclusion dans une boîte en plastique et enrobage dans un moule en silicone, (b) découpe séquentielle avec une scie à fil diamanté. (c) Numérisation de la 1ère tranche de pc sur un microscope équipé d’une platine motorisée (MMS). Quatre points de référence (fp) sont saisis et l’orientation de l’échantillon est calculée. Puis, toutes les autres tranches sont alignées suivant la même translation et la même rotation que le référentiel. (d) Visualisation du jeu d’images en perspective avec un logiciel rendant compte des volumes 3D (logiciel bob (Brick of bytes) ahpcrc).

2. Traitement de l’information cognitive : vous lisez ou vous interprétez ?

65Demander à un ordinateur de simuler, entièrement ou même partiellement, une estimation d’âge suppose de disposer d’un cadre conceptuel clair fondé sur une terminologie précise. Mettant le doigt sur la confusion sémantique entretenue encore aujourd’hui par les sclérochronologues dans l’usage indifférencié des termes « lecture » et « interprétation », Sych (1974) propose de distinguer deux composantes dans une opération d’estimation de l’âge :

  • la lecture, qui est la reconnaissance de certaines marques avec un alphabet maître ou une clé ;
  • l’interprétation, qui est la mise en relation de structures avec des événements du cycle de vie.

66Cette simple distinction, évidente à première vue, a permis à Sych d’être le premier à proposer un cadre logique et statistique pour l’analyse des pièces calcifiées basé sur des arbres décisionnels rigoureux, permettant de gérer des incertitudes sur les règles de décision. Selon la même démarche, Casselman (1987) propose que les deux étapes, acquisition de données et interprétation, soient clairement séparées et ajoute que « ... dans les approches précédentes, le mauvais raisonnement a été de considérer que les deux composantes - extraction des données et interprétation - pouvaient être traitées simultanément... ». En effet, la localisation d’un anneau de croissance dans une pièce calcifiée ne préjuge en rien de sa périodicité. Il s’agit donc là d’une perception visuelle qui peut nécessiter un apprentissage plus ou moins long. Cet anneau de croissance peut être alors classé comme étant d’une périodicité donnée (annuel, journalier, faux anneau, etc.). C’est alors la phase d’interprétation qui fait appel aux connaissances acquises lors de l’étape de validation et durant les multiples interprétations précédentes. La première phase est basée sur des critères d’identification purement visuels (anneau de croissance, nucleus, primordia, discontinuité, etc.), dont on peut s’acquitter en général très rapidement pour une pièce calcifiée et une méthode de préparation données. La deuxième repose sur des schémas logiques plus ou moins complexes, intégrant des informations liées entre autres à l’espèce concernée, au stock ou à la population et/ou à la zone de capture et ce, de manière à la fois instantanée (ou individuelle) et historique (fig. VI.17).

67Bien qu’ils puissent être parfois intimement liés, ces deux processus font appel à des informations de nature tout à fait différente (Troadec, 1992). Leur manipulation à l’aide d’un ordinateur relèvera de deux domaines scientifiques distincts :

  • la reconnaissance de forme pour la perception visuelle ;
  • les sciences cognitives pour l’interprétation.

68Bien que les systèmes d’eacao disponibles actuellement soient presque exclusivement basés sur des systèmes d’analyse d’images, on voit apparaître de plus en plus le souci de prendre en compte la phase d’interprétation qui constitue probablement la plus forte source de variabilité (Morison et al., 1998).

Figure VI.17
Schéma conceptuel décrivant l’estimation de l’âge des poissons comme un processus à deux niveaux : (1) un niveau de lecture basé sur la perception visuelle et (2) un niveau d’interprétation qui combine la connaissance des données de base et l’expérience du lecteur.

69Une première approche a été l’utilisation de critères objectifs pour attribuer une zone de croissance à une périodicité donnée. Small & Hirschhorn (1987) notent que les zones de croissance se déposent selon un modèle de croissance relativement régulier et proposent un système fondé sur l’ajustement d’un modèle de croissance. Pour chaque pièce calcifiée, un modèle de croissance du type von Bertalanffy est ajusté à un ensemble de positions de zones de croissance acquises par digitalisation manuelle. L’analyse des résidus de cet ajustement donne une indication sur la validité des anneaux de croissance. Cette approche a été ensuite étendue par l’introduction d’une contrainte dans le processus de lecture, en démodulant le profil de l’image par un modèle de croissance (Troadec, 1991 ; Lagardère & Troadec, 1997).

70Une autre approche consiste à ne confier à l’ordinateur que le soin de gérer le niveau d’interprétation du processus d’estimation de l’âge. Casselman (1987, 1996) a proposé un système d’interprétation de pièces calcifiées csais (Calcified structure age interpretation System), puis a développé et optimisé un logiciel csages (Calcified structure age-growth data extraction software ; Casselman & Scott, 2000), intégrant le système et découplant les phases d’acquisition et d’interprétation des données. Le logiciel est architecture autour :

  • d’un module d’acquisition de données, csas (Calcified structure analysis software), utilisant un numériseur intégré à un ordinateur via un clavier ;
  • d’un module d’interprétation, csages, Version 5.2, manipulant un jeu important de données associées à la pièce calcifiée (paramètres environnementaux, variables morphométriques, conditions d’acquisition de données, etc.). La volonté est de laisser entièrement à l’opérateur humain la tâche de perception visuelle, pour laquelle il est censé être plus performant que les systèmes actuels d’analyse d’images par ordinateur. Il est demandé à l’opérateur de localiser et de classifier les discontinuités et zones de croissance (annulus, pseudo-annulus, annulus partiel) et de caractériser le bord de la pièce calcifiée.

3. Un peu de théorie : perception visuelle et estimation d’âge

71En 1992, dans un article intitulé « Why progress in machine vision is so slow ? », Théo Pavlidis souligne, entre autres causes, le désintérêt vis-à-vis des principes fonctionnels de base de notre système visuel. L’application des techniques de vision artificielle à l’interprétation des pièces calcifiées ne fait pas exception et un petit retour sur les théories sous-jacentes permet de mieux évaluer la complexité du problème.

Différentes théories...

72Au long des trois dernières décennies, s’est construite l’ambition de reproduire sur ordinateur des mécanismes de perception visuelle similaires à ceux de l’être humain. Cette tâche, trivialement résolue par un observateur humain quelconque et qui semble simple et évidente, est en réalité particulièrement complexe, contrairement aux apparences, et pose d’énormes problèmes loin d’être tous entièrement résolus en psychologie cognitive, physiologie et neurophysiologie expérimentale. Pour simplifier, trois théories correspondant à trois écoles de pensée s’affrontent (Benzinou, 2000) :

  • la théorie de la « perception directe » avancée par Gibson entre 1950 et 1979, selon laquelle la structure spatio-temporelle du système sensoriel impliqué dans la vision, ou « réseau optique », suffit au processus perceptif. Toute interprétation, construction ou représentation est alors considérée comme post-perceptive ;
  • la théorie « gestaltiste » associant deux processus, l’un primaire, qualifié de « bottom-up », transformant et organisant l’image rétinienne en unités discrètes selon leurs caractéristiques géométriques et dynamiques, l’autre secondaire, non visuel, dirigé par concepts et pour cela qualifié de « top-down », consistant à associer, par ajustements progressifs, ces « composantes objectives » à des informations cognitives préexistant dans la mémoire (fig. VI. 18a) ;
  • enfin, la théorie « constructiviste », pour laquelle la perception est une sorte de construction inconsciente de la signification à partir d’informations incomplètes fournies par l’image rétinienne.

Figure VI.18 - Perception visuelle. (a) Influence du contexte et de la connaissance a priori sur la perception et la complétude des formes. (b) Le système perceptif a rassemblé les éléments fragmentés de chaque cercle en une seule unité bien que ceux-ci soient noyés dans un fond bruité. En (c) émerge une figure composée de trois disques complets et interposés l’un derrière l’autre, plutôt que celle d’un seul disque en contact avec deux formes contiguës incomplètes. (d) Par interpolation perceptive, les parties manquantes d’un triangle sont perçues comme si elles étaient aussi présentes.

L’appoint des neurosciences...

73Ainsi, la perception visuelle apparaît comme un processus complexe pour lequel la disponibilité d’une image rétinienne incomplète n’est cependant nullement un obstacle. Pour identifier un objet, le système visuel humain est souvent amené à ignorer des données, à rechercher des significations, à regrouper des éléments, à séparer des entités, à continuer des contours, à compléter des formes et à combler des lacunes.

74La conception gestaltiste, selon laquelle notre système visuel est une machine à construction de formes, a reçu récemment le soutien des neurosciences en montrant que certaines cellules rétiniennes réagissent à un stade très précoce sélectivement à des discontinuités de l’intensité lumineuse. La perception globale des formes met ensuite en jeu des groupements cellulaires des corps genouillés et du cortex visuel (colonnes corticales) chargés pour certains de coder les alignements locaux et de prolonger les contours dans un voisinage donné, et pour d’autres, de coder les polarités du contraste et les discontinuités. Des connexions entre ces groupements permettent de faire émerger les formes dans notre perception (fig. VI.18b-d).

Et les pièces calcifiées...

75La perception de formes primaires sur les pièces calcifiées met en jeu des processus d’identification de contours concentriques plus ou moins fermés, présentant des contrastes variables et des interruptions dans leur continuité et dans leur densité optique, tous ces paramètres variant ensuite selon l’individu, le stade de développement, le secteur géographique et l’espèce concernée. À cela s’ajoute la perception de formes secondaires tels les annuli des écailles, formés par des resserrements de circuit ou le nucleus des otolithes, contour englobant un ensemble de primordia, ou encore le patron de croissance, constitué de la disposition relative des marques de croissance.

76En conclusion, nous pouvons dire que l’estimation d’âge à partir des pièces calcifiées est un processus complexe impliquant des informations de différentes natures (visuelle, logique et biologique) (Troadec, 1992) et à différents niveaux de perception. En outre, il faut ajouter que les techniques et concepts de la vision artificielle sont, d’une part, très nombreux et variés et, d’autre part, difficilement compréhensibles par des non-spécialistes et parfois même inappropriés au but pour lequel ils sont employés (Benzinou, 2000). Ainsi, nous pensons que seule une analyse interdisciplinaire, associant des concepts biologiques et de traitement du signal, permettra de développer des systèmes d’eacao efficaces.

B. En quoi et comment l’ordinateur peut-il aider à l’analyse d’une pièce calcifiée ?

77L’ordinateur est peu à peu devenu une composante nécessaire dans l’équipement des laboratoires d’estimation de l’âge mais n’a pas toujours été considéré par tous comme indispensable. Ce débat sur l’utilité des ordinateurs, maintes fois entendu lors de rencontres, faisait en fait « s’opposer » les collègues de différents « métiers » de la sclérochronologie, les plus éloignés étant souvent ceux impliqués dans l’analyse des microstructures et ceux spécialisés dans l’interprétation des macrostructures d’otolithes en routine. De fait, les arguments des uns perdaient leur pertinence une fois replacés dans le contexte de travail des autres. Aujourd’hui, un système d’eacao permet l’accès à toute une palette d’outils que tout lecteur d’âge doit connaître. Outre ses fonctions propres d’acquisition, de manipulation, de traitement et de stockage de données, l’ordinateur est également une porte ouverte vers d’autres méthodes d’analyse puissantes, telles les techniques de traitement du signal ou les sciences cognitives (c’est-à-dire l’étude des processus cognitifs naturels et artificiels, y compris l’intelligence artificielle, la psychologie cognitive...) qui sont, elles-mêmes, en pleine évolution.

1. Que peut-on attendre d’un système d’EACAO ?

78Si les systèmes d’eacao sont souvent parés de nombreuses vertus (objectivité, justesse, précision, productivité, mémorisation), beaucoup d’entre elles sont tout simplement l’apanage de n’importe quel système d’assistance par ordinateur. Mais, qu’en est-il réellement de leur application à la problématique de l’estimation de l’âge ? En mettant en avant la notion discutable d’objectivité, n’a-t-on pas occulté d’autres qualités tout aussi essentielles à l’analyse des pièces calcifiées ? L’utilisation systématique des ordinateurs en sclérochronologie s’est amorcée dans les années quatre-vingt afin de faciliter les prises de mesures répétitives (analyse des microstructures) ainsi que l’extraction de facteurs de forme. Les fonctionnalités d’assistance morphométrique ont bien été, en pratique, les premières motivations des sclérochronologues dans leur recours aux systèmes d’eacao. Leurs autres potentialités de standardisation, de précision, de productivité ou de mémorisation, exploitées de manière éparse, ne semblent s’imposer que très lentement dans les laboratoires travaillant en routine pour l’évaluation de stocks.

1.1. Aide à la quantification

79Les premiers systèmes d’eacao sont nés de l’association d’un ordinateur et d’un microdensitomètre (Ichiara, 1963 ; Van Utrecht & Schenkkan, 1972) permettant l’enregistrement et l’analyse de profils optiques. Puis, l’apparition des caméras a permis la prise en compte de l’information bidimensionnelle (Mason, 1974), bien que l’analyse quantitative ait continué, à quelques exceptions près, à se limiter à des profils d’image. Parmi les informations quantitatives aujourd’hui disponibles sur les pièces calcifiées, on distinguera :

  • les informations de contraste directement liées aux variations de densité optique (zones de croissance, discontinuités, circuli, patrons de croissance) ;
  • les informations structurelles relatives à des événements particuliers (nucleus, primordia, sites de renucléation), l’agencement particulier de structures (« crossing-over », marques de résorption, etc.) ou de repères de positionnement (axe de lecture) ;
  • les informations de forme.

80Si les systèmes d’eacao offrent une assistance très efficace dans l’acquisition des informations de contraste, voire indispensable pour la quantification des formes, il en va tout autrement pour les informations structurelles qui sont pour la plupart des constructions psycho-visuelles plus complexes où l’opérateur humain reste encore le plus performant.

81Un système d’eacao permet de :

  • fournir une image de bonne qualité, avec une bonne résolution, présentant un bon rapport signal/bruit ;
  • d’en améliorer, si besoin, la qualité (rehaussement de contraste, élimination de bruit) ; le traitement d’images numériques offre pour cela de nombreuses solutions (voir chap. VI.A.1.2).

82Puis, partant de cette image, il permet également de localiser les zones de croissance d’une manière plus ou moins automatisée et donc d’en faire le dénombrement. Cette localisation des zones de croissance, associée à celles d’informations structurelles telles que le nucleus, ouvre ensuite un accès immédiat aux données morphométriques de distances inter-accroissements ainsi qu’à d’autres caractérisations fines des zones de croissance (intensité, contraste, fréquence, etc.). L’analyse de ces données par des méthodes spectrales permet d’identifier des phénomènes périodiques (Vasil’kov, 1977, 1979 ; Geffen & Nash, 1995) et la connaissance a priori de l’une des composantes du signal permet d’introduire des contraintes dans le processus d’estimation de l’âge (Small & Hirschhorn, 1987 ; Lagardère & Troadec, 1997). De même, l’analyse de signatures temporelles associée à des méthodes bayésiennes permet l’exploitation d’historiques de croissance incomplets (Ogle et al., 1996).

83La manipulation des contrastes de l’image permet également d’obtenir un contour 2D de pièces calcifiées et conduit ainsi à une quantification de leurs formes, à l’automatisation de leurs mesures et de leur classification (Campana, 1987). Cette approche a suscité de nombreux travaux de discrimination de stocks - tant sur les écailles que sur les otolithes (Pontual & Prouzet, 1987 ; Campana & Casselman, 1993 ; Richards & Esteves, 1997) - basés sur les contours externes des pièces calcifiées, limitation qui devrait disparaître avec le développement récent d’algorithmes à base de modèles déformables (Benzinou et al., 1997 ; Troadec et al., 2000).

1.2. Objectivité ou standardisation ?

84L’objectivité est la qualité la plus fréquemment mentionnée concernant les systèmes d’eacao (Fawel, 1974 ; Planes & Laval, 1990 ; Welleman & Storbeck, 1995 ; Cailliet et al., 1996 ; Lagardère & Troadec, 1997). Cependant, il s’agit là d’une notion ambiguë qui cache bien souvent une méconnaissance des mécanismes profonds mis en jeu au niveau des ordinateurs en vision artificielle et qui nécessite d’être éclaircie. Par définition, si l’on se réfère au Cambridge International Dictionary of English, l’objectivité n’est « ...pas influencée par des convictions ou sentiments personnels, mais se fonde sur des faits réels... ».

85Où réside en fait l’objectivité de l’ordinateur ? dans la subjectivité du programmeur ?

86Selon l’algorithme retenu, l’ordinateur va détecter objectivement, mais plus ou moins bien, des maxima ou des minima sur un profil d’image, ou des anneaux si l’algorithme a été conçu en 2D (plus rare), et, enfin, détectera d’éventuels faux anneaux si une définition claire est disponible. La plupart des algorithmes produiront alors, en présence des mêmes données, les mêmes résultats, qu’ils soient valides ou non. L’objectivité de l’ordinateur est ainsi structurée par la conjonction de notre capacité à lui décrire correctement une réalité et la disponibilité de concepts mathématiques adaptés.

87En fait, le caractère « objectif » des ordinateurs réside :

  • dans la reproductibilité et la constance des résultats produits, limitant les dérives mais également les capacités d’adaptation souvent nécessaires sur du matériel biologique ;
  • dans notre aptitude à définir les informations introduites dans le processus d’interprétation, soit par masquage d’informations (Morison et al., 1998), soit par l’introduction contrôlée d’informations et de contraintes (Lagardère & Troadec, 1997).

88Ainsi, l’objectivité des méthodes de vision par ordinateur est toute relative ; face à un désaccord de diagnostic, un expert ne devra pas abdiquer son jugement et, de même, un novice devra, pour longtemps encore, faire son apprentissage auprès d’opérateurs humains confirmés.

1.3. Justesse et précision

89La notion de justesse ou d’exactitude revêt un caractère absolu et n’a de sens en sclérochronologie qu’en référence à du matériel d’âge connu ou à des expériences de validation qui auront permis d’estimer la périodicité d’apparition des marques de croissance. La justesse d’un système d’eacao dépendra très directement (1) de la qualité des images et (2) de la qualité et de la disponibilité de critères d’identification des zones de croissance ainsi que de leur implémentation sous forme d’algorithmes. Ainsi, certains travaux sur les méthodes automatisées concluent soit à une tendance à la sous-estimation (Troadec, 1991 ; Cailliet et al., 1996), soit à une surestimation pour certains groupes d’âge (Welleman & Storbeck, 1995 ; Troadec et al., 2000), voire à une meilleure justesse que l’expert (Lagardère & Troadec, 1997). Le doublement de la résolution des images ne fournit pas forcément un accroissement des performances (Troadec et al., 2000). Tout dépend en fait de l’adéquation de l’algorithme retenu ; une sous-estimation du nombre de zones de croissance sur les individus âgés est souvent liée à une mauvaise prise en compte de la décroissance dans le temps de la largeur des zones de croissance marginales ; une surestimation peut être liée à une implémentation réductrice des schémas d’interprétation empêchant le recours à des critères habituels de validation des anneaux (continuité, largeur/position sur le patron de croissance, etc.). De même, la focalisation de l’analyse des opérateurs humains sur certaines zones de la pièce calcifiée (Troadec et al., 2000) ou son adaptation à des cas particuliers est encore très mal modélisée par les systèmes actuels. On remarquera cependant la capacité des systèmes d’eacao à limiter les dérives d’interprétation (Morison et al., 1998) en guidant les opérateurs dans un processus standardisé qui est en soit un facteur essentiel d’amélioration de la justesse des estimations d’âge. Accessoirement, le recours à l’ordinateur aura pour effet de limiter de manière appréciable les erreurs accidentelles telles que les erreurs de retranscription ou de calibration (Fawel, 1974 ; Morison et al., 1998). Il faut néanmoins reconnaître qu’actuellement, malgré l’amélioration continuelle de leurs performances, les systèmes d’eacao ne s’approchent de la justesse des experts que dans le cas de pièces calcifiées présentant des anneaux bien contrastés (Jearld, 1995) et restent en général très en deçà lorsque les experts eux-mêmes éprouvent des difficultés d’interprétation.

90La notion de précision est considérée comme étant la capacité d’un système à produire des mesures répétées (voir glossaire). Par nature, l’utilisation d’une procédure fortement standardisée, codée sous forme de programme informatique, doit permettre d’accroître la précision des estimations. La précision d’un système d’eacao peut se définir à deux niveaux :

  • au niveau de la localisation des zones de croissance et donc de leurs mesures. Bien que peu évaluée par les utilisateurs, la reproductibilité des positionnements, lorsqu’ils sont réalisés par un algorithme, est très élevée comparée à celle d’un opérateur humain ;
  • au niveau de l’estimation de l’âge ou du nombre de zones de croissance. En permettant d’appliquer de manière rigoureusement identique des traitements, il favorise la production d’estimations moins variables à la fois dans le temps et entre différents échantillons. En comparant des résultats produits par des systèmes d’eacao avec des méthodes manuelles, Cailliet et al. (1996) ont conclu à un ordre de précision comparable alors que d’autres auteurs ont noté un léger avantage en faveur des opérateurs humains (Szedlmayer et al., 1991 ; Lagardère & Troadec, 1997).

1.4. Productivité

91La productivité des systèmes d’eacao peut s’apprécier à différentes échelles du processus d’estimation d’âge, soit au niveau d’une tâche spécifique telle que la localisation des zones de croissance, soit au niveau de l’ensemble du processus d’analyse de la pièce calcifiée, ou à l’échelle de l’organisation d’un laboratoire d’évaluation de stocks, en prenant en compte la capacité de conservation, d’échange et de révision des interprétations. Les systèmes d’eacao permettent-ils de réels gains de productivité ? Et, si oui, de quelle manière ?

92L’obtention d’un gain de temps est évoquée par différents auteurs (Cailliet et al., 1996). Planes & Laval (1990) trouvent un gain de 50 % sur des microstructures d’otolithes, Watarai & Igarashi (1990, 1992) trouvent un gain de 30 % sur des écailles de saumon, Szedlmayer et al. (1991) un gain d’un facteur 3,3 mais aucun ne semble inclure le temps de contrôle des détections. Or, dans l’état actuel, les algorithmes développés sont essentiellement basés sur l’analyse des profils d’image. Sur peu d’espèces, ils permettent un comptage entièrement automatisé, c’est-à-dire suffisamment fiable pour se passer d’un contrôle a posteriori systématique pouvant être fastidieux et coûteux en temps dans le cas de microstructures. En fait, tous ces auteurs travaillent dans des contextes différents : macrostructures ou microstructures, otolithes ou écailles, échantillons en lames minces ou in toto, etc. Nous touchons là au cœur du problème qui sera évoqué par la suite : quel type d’étude réalisons-nous ? Ainsi, Cailliet et al. (1996) considèrent que les systèmes d’eacao ne permettent pas de traiter des échantillons préparés au moyen de méthodes rapides (brûlage, in toto) alors que Welleman & Storbeck (1995) et Troadec et al. (2000) évaluent des algorithmes entièrement automatisés sur des otolithes in toto. Contradictoires en apparence, ces comparaisons montrent que, bien que travaillant tous dans des contextes bien standardisés, les uns travaillent sur un sébaste profond, Sebastes rufus, à forte longévité et les autres sur un poisson plat, Pleuronectes platessa, à faible longévité et forte croissance.

93Si les technologies numériques renferment un fort potentiel de gain de productivité, particulièrement dans le cadre des analyses en routine et de l’analyse des microstructures (numérisation par lots, travail en continu), celles-ci ne trouveront leur pleine expression que dans le développement d’algorithmes automatisés plus fiables permettant de limiter les interventions humaines et donc d’opérer en continu si nécessaire. Ce développement aura cependant pour corollaire un besoin accru en standardisation des préparations et des procédures de lecture, phénomène qui sera une des tendances lourdes en sclérochronologie dans les dix prochaines années.

1.5. Mémorisation

94Qu’elle soit momentanée ou à long terme, la mémorisation des informations est un avantage certain des systèmes d’eacao, allant de la simple possibilité de commenter en groupe sur un écran une image de la pièce calcifiée (Morison et al., 1998), au lieu de se succéder sur les oculaires d’un microscope, jusqu’au stockage direct des mesures (Cailliet et al., 1996) ou d’images interprétées (efan, 1998).

95Cette capacité d’archiver des informations, brutes ou élaborées, est essentielle à toute activité à long terme et/ou à tout travail s’inscrivant dans un cadre d’échanges, en facilitant l’apprentissage des lecteurs novices, en permettant d’intensifier les échanges inter-lecteurs, en accroissant la stabilité dans le temps des interprétations et, enfin, en permettant d’éventuelles révisions de ces interprétations. Toutes ces vertus sont indispensables, notamment à qui veut s’inscrire dans une démarche d’« assurance qualité ».

96Cet archivage présente cependant encore quelques défauts :

  • l’image numérique, avec des moyens de numérisation conventionnels (caméra ccir), ne permet pas d’atteindre la qualité de résolution d’un microscope moyen. Cette limitation tendra à s’estomper avec l’amélioration des matériels d’acquisition d’images ; les caméras numériques haute-définition (10242 pixels) fournissent déjà des images d’une qualité proche pour l’œil humain de celle des microscopes ;
  • la disponibilité d’images figées (Morison et al., 1998) qui ne permettent plus les effets dynamiques en cours d’observation, comme des variations d’éclairage, des changements d’orientation de l’échantillon ou de sa focalisation. De telles opérations sont cependant indispensables dans de nombreux cas de figures où l’information, tridimensionnelle par nature, doit souvent être exploitée dans l’épaisseur de l’échantillon. La plupart de ces limitations peuvent être partiellement résolues par l’acquisition de séquences d’images ou par la combinaison de données de différents plans focaux. Cela représente une quantité considérable de données, même stockées avec un taux de compression élevé, et signifie de toute façon la perte de l’interactivité. L’observation directe au microscope est encore souvent nécessaire ;
  • la longévité des formats d’archivage d’images n’est pas connue, contrairement à celle des médias conventionnels. Les formats sont nombreux, depuis le célèbre format tiff jusqu’au format jpeg, un des plus performants au niveau du taux de compression. Le rapport d’une table ronde de l’efan (efan, 1999) recommande, pour le stockage à long terme des images, l’utilisation de formats non compressés et, pour leurs données associées, le recours à un format ascii. En fait, il s’agira de définir exactement la nature des informations à stocker et la durée nécessaire. La cellule « Traitement de l’information » de l’efan (efan, 1998, 2000) a suggéré un protocole utilisant un format propriétaire (PaintShopPro, Jasc™) qui permettrait de gérer des « overlays » graphiques pour constituer une base de données d’images annotées accessible via Internet à toute la communauté scientifique (http://www.efan.no/​tro/​refdbin.htm).

97Cette procédure a déjà été reprise par certains ateliers de lecture (Anon., 1998). Les solutions de stockage doivent s’adapter à l’utilisation.

2. Pour quel type d’étude ?

98Nous venons de voir que les raisons de recourir à un système d’eacao sont nombreuses et, bien que ces systèmes présentent encore quelques défauts, leur coût n’est plus réellement un obstacle. Néanmoins, les divers critères impliqués n’auront pas le même poids selon les objectifs de l’étude. Avons-nous besoin d’automatiser le comptage des zones de croissance, de mémoriser les interprétations, d’avoir un support d’échange avec d’autres lecteurs ? On distingue habituellement les estimations d’âge liées à des études ponctuelles de celles liées à des évaluations de ressources, qui sont par essence récurrentes (Morison et al., 1998).

2.1. Études « ponctuelles »

99Ces études visent à répondre à des questions ponctuelles sur l’âge et la croissance de certaines populations ou utilisent les pièces calcifiées comme enregistreurs afin d’analyser et de resituer temporellement certains paramètres (salinité, signature environnementale, etc.) ou certains événements (éclosion, migration, reproduction, métamorphose, etc.). Les échantillons sont alors collectés pendant quelques années puis sont traités au fur et à mesure ou regroupés pour un traitement en fin d’étude, bien souvent par une seule et même personne.

100Dans ce type d’étude, le besoin de préservation à très long terme est moins évident et concerne souvent des analyses de microstructures, analyses qui nécessitent des outils permettant une bonne productivité. Si l’expérience en estimation de l’âge sur l’espèce cible est inexistante, on réalisera alors une étude de validation, sinon on cherchera à s’inter-calibrer avec d’autres lecteurs. Les études de validation peuvent être regroupées dans les études ponctuelles puisque leur but est de répondre à une question ponctuelle, c’est-à-dire celle de définir la périodicité d’apparition de certaines structures de pc. Dans ce cas, la préservation des résultats sous une forme arbitraire s’avère fondamentale.

2.2. Analyses en routine

101Ces analyses consistent à établir sur une longue durée l’évolution de la structure démographique d’une population exploitée. C’est probablement le type d’activité le plus exigeant concernant la justesse, la précision et la stabilité des schémas interprétatifs inter et intra-lecteurs. Il exige évidemment une forte productivité pour faire face au volume important des échantillons. En général, les analyses en routine mettent en œuvre de multiples intervenants : échantillonneurs, préparateurs, lecteurs et dynamiciens. Elles devraient donc faire appel massivement aux systèmes d’eacao. Il n’en est pourtant rien et la pénétration de ces systèmes s’avère plus forte parmi les experts impliqués dans les études de recherche ponctuelle que dans les laboratoires réalisant des estimations d’âge en routine. Bien que possédant la plupart des qualités requises, leurs performances sont encore jugées en deçà de celles des opérateurs humains, notamment lorsqu’il ne s’agit que du comptage de quelques stries de croissance saisonnières. De plus, l’introduction de tels systèmes pourrait amener à une réfection des protocoles d’interprétation, d’une part, et nécessitera, d’autre part, de disposer de logiciels d’eacao intégrant toute la chaîne d’analyse (acquisition, interprétation, mémorisation). Ces systèmes constitueront probablement l’ossature des laboratoires d’analyse en routine de demain, mais ils restent encore à développer.

Table des illustrations

Légende Figure VI.1 - Structure d’un système typique d’eacao (Estimation de l’âge et de la croissance assistée par ordinateur). Les images numériques peuvent aussi bien provenir d’une caméra classique qu’être des images chimiques générées par des microsondes (e.g. Casselman, 1983). La rapide évolution de la puissance des ordinateurs et des capacités de mémoire permet aujourd’hui de manipuler des images de plus grande taille et d’utiliser des algorithmes plus sophistiqués. Le support logiciel détermine le degré d’assistance fourni au lecteur par des systèmes allant de la simple localisation interactive d’anneaux jusqu’au système d’interprétation entièrement automatisé.
URL http://books.openedition.org/irdeditions/docannexe/image/21000/img-1.jpg
Fichier image/jpeg, 431k
Légende Figure VI.2 - Présentation schématique d’un procédé de numérisation d’image. Le signal électrique produit par le capteur est amplifié, échantillonné et quantifié par le numériseur. Ces étapes de numérisation détermineront les propriétés de la dynamique de l’image numérique résultante, sa résolution spatiale et sa profondeur. L’image est temporairement enregistrée dans la mémoire de l’ordinateur ou dans la mémoire vive (RAM) de la carte de numérisation. Elle peut être alors affichée sur un écran vidéo ou écrite sur le disque dur ou sur un CD-ROM pour le stockage à long terme.
URL http://books.openedition.org/irdeditions/docannexe/image/21000/img-2.jpg
Fichier image/jpeg, 176k
Légende Figure VI.3 - Effets de la variation de la profondeur et de la résolution spatiale sur la qualité d’une image numérique. La résolution de l’image passe de 642 à 5122 pixels et la profondeur des niveaux de gris de 3 à 8 bits.
URL http://books.openedition.org/irdeditions/docannexe/image/21000/img-3.jpg
Fichier image/jpeg, 376k
Légende Figure VI.4 - Numérisation d’image de PC : image d’otolithe de plie (Pleuronectes platessa) (a) en lumière normale et (b) en lumière polarisée. Effet du moyennage d’images sur la distribution du bruit : (c) représentation en fausse couleur de la différence entre deux images consécutives saisies avec une caméra standard CCIR. Un profil d’intensité (d) montre une différence d’amplitude significative de la valeur du pixel pour une numérisation simple (ligne bleue) par rapport au moyennage de plusieurs images successives (ligne rouge, N=10). Construction d’une mosaïque d’images de PC permettant le traitement de l’ensemble de la PC en haute résolution sur (e) un otolithe de merlan (Merlangius merlangus) (4 images), (f) une image au MEB d’un otolithe d’hoplostèthe (Hoplostethus atlanticus) (3 images).
URL http://books.openedition.org/irdeditions/docannexe/image/21000/img-4.jpg
Fichier image/jpeg, 391k
Légende Figure VI.5Classification des principales techniques de traitement d’images, présentées en structure d’arborescence avec les résultats les plus importants produits par chaque classe.
URL http://books.openedition.org/irdeditions/docannexe/image/21000/img-5.jpg
Fichier image/jpeg, 202k
Légende Figure VI.6 - Exemples d’amélioration du contraste d’une image par transformation d’histogramme, c’est-à-dire sur une base de pixel par pixel. Chaque colonne présente respectivement l’image anamorphosée, la fonction d’anamorphose et l’histogramme résultant de l’image anamorphosée. Le calcul de la valeur anamorphosée d’un pixel se fait par projection de l’axe « entrée » sur l’axe « sortie » via la fonction d’anamorphose qui agit comme une fonction de manipulation de table de correspondance.
URL http://books.openedition.org/irdeditions/docannexe/image/21000/img-6.jpg
Fichier image/jpeg, 379k
Légende Figure VI.7Modélisation d’un signal de pc : décomposition du profil d’une image d’otolithe de plie (Pleuronectes platessa) en composantes principales du signal. Le symbole i se rapporte à la valeur d’intensité (niveau de gris) et v à la fréquence.
URL http://books.openedition.org/irdeditions/docannexe/image/21000/img-7.jpg
Fichier image/jpeg, 191k
Légende Figure VI.8 - Filtres linéaires : filtres de lissage conçus à partir d’un noyau de convolution et à partir de fonctions de transfert, a) Le filtre moyenneur est un bon filtre de lissage mais, dans le domaine fréquentiel, il affiche des lobes qui le rendent peu sélectif vis-à-vis des fréquences, ce qui entraîne un flou des contours des petites stries, b) Le filtre gaussien produit de meilleurs résultats : un noyau gaussien est difficile à paramétrer et est une fonction gaussienne tronquée. c) Une version de ce filtre gaussien conçue pour être appliquée dans le domaine fréquentiel produira des résultats plus précis et plus sélectifs.
URL http://books.openedition.org/irdeditions/docannexe/image/21000/img-8.jpg
Fichier image/jpeg, 333k
Légende Figure VI.9Élimination de la tendance de luminance sur une image de pc et profil associé : a-b) image brute d’otolithe de plie (Pleuronectes platessa), c-d) image de la tendance estimée, e-f) image sans tendance. Un tel traitement facilite la détection des marques de croissance.
URL http://books.openedition.org/irdeditions/docannexe/image/21000/img-9.jpg
Fichier image/jpeg, 313k
Légende Figure VI.10 - Détection de bords par opérateurs dérivatifs : traitement d’une section d’otolithe de lieu jaune (Pollachius pollachius) par différents opérateurs dérivatifs du 1er et du 2e ordre (logiciel Visilog, Noesis).
URL http://books.openedition.org/irdeditions/docannexe/image/21000/img-10.jpg
Fichier image/jpeg, 416k
Légende Figure VI.11Rehaussement d’image par soustraction de son laplacien (dérivée du second ordre) (logiciel Visilog, Noesis).
URL http://books.openedition.org/irdeditions/docannexe/image/21000/img-11.jpg
Fichier image/jpeg, 138k
Légende Figure VI.12 - Extraction du contour d’un otolithe de plie (Pleuronectes platessa) (a) par des opérateurs morphologiques : à partir d’une image seuillée (b), un opérateur de fermeture procédant par dilatation de l’image puis érosion fermera le contour (c). Les trous à l’intérieur de l’objet sont bouchés par un algorithme de remplissage de trous (d) basé sur la dilatation géodésique du complément de l’image. Le contour de l’objet le plus grand correspondra au contour de l’otolithe (e). Le filtre « chapeau haut-de-forme » (Top-Hat) est un opérateur adaptatif permettant de seuiller les objets d’une taille définie (f).
URL http://books.openedition.org/irdeditions/docannexe/image/21000/img-12.jpg
Fichier image/jpeg, 297k
Légende Figure VI.13 - Élimination de la tendance due à la croissance : illustration graphique de l’algorithme de démodulation sur un profil d’image d’otolithe de plie (Pleuronectes platessa) (a) en utilisant un modèle de croissance a priori de type von Bertalanffy (b). Le profil démodulé (ou anamorphosé) (c) présente des anneaux de même largeur, à la différence des anneaux d’origine.
URL http://books.openedition.org/irdeditions/docannexe/image/21000/img-13.jpg
Fichier image/jpeg, 283k
Légende Figure VI.14 - Analyse d’images : illustration graphique de quelques paramètres de base employés pour mesurer et caractériser les objets sur des images numériques.
URL http://books.openedition.org/irdeditions/docannexe/image/21000/img-14.jpg
Fichier image/jpeg, 325k
Légende Figure VI.15 - Acquisition de profils d’image : comparaison de différents procédés de calcul sur une image d’otolithe de tacaud (Trisopterus luscus) (a) : profil simple (flèche bleue), multiples profils parallèles moyennés (cadre vert) et médiane de multiples profils radiaires synchronisés (lignes de points rouges). Représentation graphique (b) de chaque type de procédé montrant que les profils simples manqueront quelques anneaux tandis que les profils multiples tendront à déplacer des anneaux ou à surestimer leur largeur (logiciel TNPC, Noesis).
URL http://books.openedition.org/irdeditions/docannexe/image/21000/img-15.jpg
Fichier image/jpeg, 151k
Légende Figure VI.16 - Reconstruction 3D de pc : description du procédé de préparation pour la reconstruction 3D de la pc à partir de coupes successives. (a) Inclusion dans une boîte en plastique et enrobage dans un moule en silicone, (b) découpe séquentielle avec une scie à fil diamanté. (c) Numérisation de la 1ère tranche de pc sur un microscope équipé d’une platine motorisée (MMS). Quatre points de référence (fp) sont saisis et l’orientation de l’échantillon est calculée. Puis, toutes les autres tranches sont alignées suivant la même translation et la même rotation que le référentiel. (d) Visualisation du jeu d’images en perspective avec un logiciel rendant compte des volumes 3D (logiciel bob (Brick of bytes) ahpcrc).
URL http://books.openedition.org/irdeditions/docannexe/image/21000/img-16.jpg
Fichier image/jpeg, 307k
Légende Figure VI.17Schéma conceptuel décrivant l’estimation de l’âge des poissons comme un processus à deux niveaux : (1) un niveau de lecture basé sur la perception visuelle et (2) un niveau d’interprétation qui combine la connaissance des données de base et l’expérience du lecteur.
URL http://books.openedition.org/irdeditions/docannexe/image/21000/img-17.jpg
Fichier image/jpeg, 110k
Légende Figure VI.18 - Perception visuelle. (a) Influence du contexte et de la connaissance a priori sur la perception et la complétude des formes. (b) Le système perceptif a rassemblé les éléments fragmentés de chaque cercle en une seule unité bien que ceux-ci soient noyés dans un fond bruité. En (c) émerge une figure composée de trois disques complets et interposés l’un derrière l’autre, plutôt que celle d’un seul disque en contact avec deux formes contiguës incomplètes. (d) Par interpolation perceptive, les parties manquantes d’un triangle sont perçues comme si elles étaient aussi présentes.
URL http://books.openedition.org/irdeditions/docannexe/image/21000/img-18.jpg
Fichier image/jpeg, 70k

Auteurs

enib, laboratoire reso, Technopole Brest-Iroise, Site de la Pointe du Diable, BP 30815, 29608 Brest Cedex, France
Tel : +33 2 98 05 66 92 - Fax : +33 2 98 05 66 89
E-mail : benzinou@enib.fr

© IRD Éditions, 2002

Conditions d’utilisation : http://www.openedition.org/6540

Cette publication numérique est issue d’un traitement automatique par reconnaissance optique de caractères.
Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search