Traitement d'images : introduction au filtrage

Coursera Courses ↗ · Coursera

Open Course on Coursera

Free to audit · Opens on Coursera

Traitement d'images : introduction au filtrage

Coursera · Beginner ·🔍 RAG & Vector Search ·1mo ago
Skills: CV Basics70%
Ce MOOC sur le traitement d'images est à l’intersection de plusieurs domaines scientifiques et techniques : les mathématiques, la physique, l’informatique. De la ligne de fabrication jusqu’au scanner médical en passant par les satellites. Les images nous servent à extraire des informations omniprésentes aujourd’hui. Elles doivent être systématiquement traitées pour s’affranchir des mauvaises conditions d’acquisition, afin d’isoler les objets pertinents et de les analyser. Les traitements présentés (filtrage , rehaussement, suppression du bruit) sont le point de départ de la chaîne d’analyse. Ils permettent par exemple le relevé des diagnostics en imagerie médicale, la détection de pièce défectueuse sur une ligne de production ou encore la reconnaissance des plaques d’immatriculation sur les radars. Dans ce MOOC, vous prendrez connaissance des bases nécessaires en mathématiques et en informatique avec le langage Python. Vous apprendrez à manipuler les algorithmes et la programmation des opérations élémentaires du traitement d’images : charger et observer une image, analyser sa qualité, améliorer sa netteté et ses contrastes, ajouter du flou ou détecter des contours. Pour suivre ce cours, des bases du langage de programmation Python sont nécessaires : boucles, opérateur logique, vectorisation des opérations , définition de fonction, tableaux et numpy. Une attestation de suivi avec succès est attribuée par Coursera aux apprenants réussissant à obtenir une note supérieure à 50 %. Ce cours a été créé avec le soutien de la Fondation Patrick & Lina Drahi.
Watch on Coursera ↗ (saves to browser)
Sign in to unlock AI tutor explanation · ⚡30

Related AI Lessons

I Built GraphRAG From Scratch — Then a December 2025 Paper Made It Look Basic
Learn about HGMem, a new RAG architecture that overcomes limitations of binary graphs, and how it compares to GraphRAG
Medium · RAG
When Should You Use Text2Cypher in a GraphRAG Pipeline
Learn when to use Text2Cypher in a GraphRAG pipeline to retrieve precise graph results from natural language questions
Dev.to AI
How to build a production RAG pipeline in Python (without a vector database)
Learn to build a production-ready RAG pipeline in Python without relying on a vector database, and understand the key considerations for a scalable and efficient implementation
Dev.to · Ayi NEDJIMI
Architecting Sub-150ms Hybrid RAG for Voice Agents: Combining pgvector, BM25, and Async FastAPI…
Learn how to architect a sub-150ms hybrid RAG for voice agents using pgvector, BM25, and Async FastAPI to serve large industrial catalogs
Medium · Python
Up next
Watch this before applying for jobs as a developer.
Tech With Tim
Watch →