Les algorithmes de traitement d'images, et en particulier les méthodes d'extraction des caractéristiques des médias sont très consommatrices en mémoire et en temps de calcul lors de l'utilisation de grandes bases d'images volumineuses. L'exploitation d'unités de calcul des processeurs graphiques (GPU) a permis de contourner ce problème. Cependant, cette solution ne profite pas des coeurs CPU multiples dont disposent la majorité des ordinateurs. De plus, cette approche est sérieusement entravée par les coûts de transfert de données entre les mémoires CPU et GPU. Pour faire face à ces contraintes, nous proposons une implémentation hybride et efficace de méthodes de détection des coins et contours, basée essentiellement sur l'exploitation de l'intégralité des ressources de calcul hétérogènes (Multi-CPU/Multi-GPU). Cette implémentation permet aussi de concevoir des stratégies d'ordonnancement portables et efficaces, avec une meilleure gestion des données. Des résultats expérimentaux ont été obtenus en utilisant des ensembles d'images (images médicales, images HD), montrant une accélération allant d'un facteur de 6 à 20 par rapport à une implémentation séquentielle sur CPU.