Comment une photo devient une toile numérotée : dans les coulisses de l’algorithme

Lorsque vous téléversez une photo, elle devient une peinture par numéros en quelques secondes : aucun artiste ne la redessine et, malgré ce que l’on pourrait supposer en 2026, aucun modèle d’image par IA n’intervient. C’est une suite d’étapes de traitement d’image délibérées et reproductibles : lire les couleurs, les réduire à une palette fixe, trouver les régions, nettoyer le bruit, puis tracer les contours et les numéros. Voici ce que fait réellement chaque étape, en langage simple.

Étape 1 : lire les couleurs de votre photo

Une photo peut contenir des dizaines de milliers de couleurs distinctes : chaque dégradé subtil d’un ciel représente des dizaines de bleus presque identiques. Cela ne se peint pas, et vous ne le voudriez pas non plus. La première tâche est donc de comprendre les couleurs réellement présentes dans votre image : quelles teintes apparaissent, à quelle fréquence et comment elles se regroupent. Rien n’est inventé ici ; la palette provient entièrement de vos propres pixels.

Étape 2 : réduire à une palette fixe (quantification)

Vient ensuite la quantification des couleurs : le cœur de tout le dispositif. L’immense ensemble de couleurs de l’image est réduit à une palette réduite et fixe : 16 pour une peinture Croquis, jusqu’à 128 pour une peinture Extrême. L’algorithme choisit la palette qui représente le mieux la photo, puis associe chaque pixel à la couleur de palette la plus proche. C’est pourquoi un coucher de soleil reçoit des oranges chauds et une scène enneigée des gris froids : la palette est ajustée à l’image, elle n’est pas puisée dans un pot.

C’est une technique classique et bien comprise : la même famille d’algorithmes qui, autrefois, compressait les photos en GIF de 256 couleurs. Elle est déterministe : la même photo avec les mêmes réglages produit la même palette à chaque fois. Il n’y a ni hasard ni conjecture sur ce à quoi l’image « devrait » ressembler.

Étape 3 : trouver les régions

Une fois que chaque pixel porte l’une d’une poignée de couleurs, les pixels voisins de même couleur forment des formes contiguës. Détecter ces formes — des parcelles connexes d’une seule couleur — transforme une carte de couleurs plate en régions : les zones numérotées que vous allez réellement peindre. Une photo simple peut en donner quelques centaines ; une photo détaillée, plusieurs milliers.

Étape 4 : nettoyer le bruit

Les vraies photos sont granuleuses, et une passe naïve laisse un confetti de mouchetures d’un seul pixel qu’il serait impossible de peindre. Le pipeline nettoie donc : les régions minuscules sont absorbées par le plus grand voisin auquel elles ressemblent le plus, les bords sont maintenus nets plutôt que d’être maculés, et le moucheté le long des limites est lissé. L’objectif est une toile où chaque région est assez grande pour être vue et remplie, sans perdre les détails qui rendent l’image reconnaissable : un fin reflet dans un œil, le bord d’une mâchoire, la ligne d’un horizon.

Étape 5 : tracer les contours et les numéros

Enfin, les limites entre les régions deviennent les contours que vous voyez, chaque région est étiquetée avec son numéro de palette et la palette elle-même devient votre clé de couleurs. Le résultat est stocké sous la forme d’une carte compacte des régions accompagnée de la palette et d’une miniature : tout ce qu’il faut pour afficher et jouer la peinture, et pour produire une toile vierge imprimable si vous préférez la peindre à la main.

Ce que cela signifie pour vous

Parce qu’il s’agit d’un traitement d’image déterministe et non d’un modèle génératif, trois conséquences en découlent. C’est rapide : des secondes, pas des minutes. C’est fidèle : le résultat est construit à partir de vos couleurs et de vos formes réelles, et non d’une réinterprétation qu’en ferait une machine. Et c’est privé : votre photo sert uniquement à construire la scène, elle est supprimée des serveurs sous sept jours, et elle n’est jamais utilisée pour entraîner le moindre modèle d’IA. Vous pouvez lire les détails précis dans notre Politique de confidentialité.

Cela explique aussi pourquoi la photo de départ compte autant. L’algorithme ne peut travailler qu’avec la couleur et le détail réellement présents dans votre image — c’est précisément le sujet du guide sur le choix de la photo — et pourquoi choisir un niveau de détail revient en réalité à décider du nombre de régions et de couleurs que vous voulez, thème abordé dans le guide sur la façon dont le nombre de couleurs modifie la difficulté.