🖼️ Rôle d'OpenCV : Du Traitement d'Image au Machine Learning

1. OpenCV : La Bibliothèque de Vision Par Ordinateur

**OpenCV (Open Source Computer Vision Library)** est une bibliothèque essentielle pour toutes les tâches liées à la **vision par ordinateur**, au **traitement d'image** et à l'**analyse vidéo**.
**Fonction principale :** Elle permet de lire, manipuler et analyser des données visuelles pour extraire des informations exploitables.
**Langages :** Bien qu'elle soit écrite en C++, elle est très populaire pour son utilisation avec **Python** (via le module `cv2`), facilitant son intégration avec les frameworks de Machine Learning.
**Domaines d'application :** Reconnaissance d'objets, suivi de mouvement, calibration de caméras et, crucialement, **préparation des données** pour le ML.

OpenCV sert de **prétraiteur** indispensable, transformant les images brutes en données numériques prêtes à être analysées par un algorithme de ML.

**Langage de Base :** Python (connecteur idéal entre les bibliothèques).
**Outils Clés :**
- **OpenCV (cv2)** : **Préparation** des données (lecture, redimensionnement, filtres, extraction de caractéristiques).
- NumPy : Manipulation des tableaux de pixels et des vecteurs de caractéristiques extraites.
- Scikit-learn (sklearn) ou TensorFlow/PyTorch : **Apprentissage** et **classification** des données préparées.
Rôle : OpenCV assure la **qualité** et la **pertinence** des données d'entrée fournies au modèle ML.

Avant d'entraîner un modèle ML, les images doivent être standardisées et simplifiées.

**Lecture et Redimensionnement :** Uniformiser la taille des images (cv2.resize) pour que toutes les entrées du modèle ML aient les mêmes dimensions.
**Normalisation des Couleurs :** Conversion en niveaux de gris (cv2.cvtColor) ou normalisation des valeurs de pixels (division par 255) pour accélérer le traitement et réduire la complexité.

OpenCV aide à isoler ce qui est important dans l'image.

**Filtrage :** Application de filtres (e.g., flou gaussien cv2.GaussianBlur) pour réduire le bruit, ou détection de contours (cv2.Canny) pour ne garder que la structure de la forme.
**Sélection de Région (ROI) :** Utilisation de la détection d'objets ou de la segmentation pour isoler la **Région d'Intérêt (ROI)**, garantissant que le ML ne traite que les informations utiles.