Outil polyvalent conçu pour analyser et traiter des images à l'aide de filtres et d'algorithmes avancés. Il permet d'extraire des données visuelles, d'améliorer la qualité des images ou de détecter des éléments spécifiques. Idéal pour les professionnels de l'imagerie, la recherche ou l'automatisation de processus visuels.

Le projet pycode-quality fournit des images Docker pour l'analyse de la qualité de code Python, y compris des linters tels que flake8 et pylint. Il permet une automatisation facile de l'analyse de code dans un environnement Docker.

Ce projet permet de reconstruire des images à partir de données photoacoustiques, notamment pour des applications médicales. Il offre des outils pour traiter des signaux ultrasonores et améliorer la qualité des images obtenues, facilitant ainsi l'analyse et le diagnostic par les professionnels de santé.

Ce microservice analyse des fichiers pour en évaluer la qualité, en se concentrant principalement sur la détection d'images floues. Il écoute une file d'attente RabbitMQ pour recevoir des tâches d'analyse. Une fois un fichier reçu, il est téléchargé, préparé (conversion PDF en images si nécessaire), puis analysé pour déterminer son niveau de netteté. Les résultats sont ensuite enregistrés dans une base de données.

Ce projet est une extension de la méthode d'estimation de bruit de Ponomarenko, spécialement conçue pour analyser des séquences d'images. Il permet de calculer des métriques de bruit sur des ensembles d'images, facilitant ainsi l'évaluation de la qualité visuelle et la comparaison entre différentes méthodes de traitement. Utilisé principalement dans le domaine de la vision par ordinateur et de l'imagerie numérique.

Ce package Python fournit des outils pour renforcer le signal d'images 3D d'intensité. Il s'intègre à la plateforme de calcul scientifique Gnomon et utilise des bibliothèques spécialisées comme anifilters et lsm3d. Il permet d'améliorer la qualité des données visuelles pour des applications en recherche ou en analyse scientifique.

Extension pour le logiciel d'analyse d'images biologiques Icy, développée par l'unité d'analyse d'images biologiques de l'Institut Pasteur. Cet outil comble automatiquement les trous présents dans les régions d'intérêt (ROI) des séquences d'images, améliorant ainsi la qualité des analyses et des résultats obtenus. Il s'intègre directement dans le flux de travail des chercheurs et biologistes utilisant Icy pour leurs études en imagerie cellulaire ou moléculaire.

Extension dédiée à la création, la manipulation et l'analyse de régions d'intérêt (ROI) en 3D pour l'imagerie biologique. Elle permet aux chercheurs et biologistes de définir des zones spécifiques sur des maillages polygonaux ou polyédriques, d'extraire des masques binaires, et de visualiser des données médicales complexes. Intégrée à Icy, elle facilite l'analyse quantitative et qualitative des images 3D dans un contexte de recherche biomédicale.

Ce projet automatise la production du fichier Fiqual pour le recensement de la population, en générant une seconde mesure de qualité indépendante du Ficod existant. Il utilise des modèles d'apprentissage pour analyser les images de questionnaires et appliquer des règles déterministes issues des consignes officielles. L'objectif est d'améliorer la fiabilité des données tout en permettant une comparaison objective entre les deux fichiers.

Plugin pour le logiciel Icy dédié à l'analyse d'images biologiques. Il applique un filtre médian pour éliminer le bruit de type 'sel et poivre' sur des images 2D, 3D et 4D, en niveaux de gris ou en couleur. Utilisé principalement en imagerie médicale et scientifique, il permet d'améliorer la qualité des séquences d'images pour des analyses plus précises et fiables.