Académique Documents
Professionnel Documents
Culture Documents
reconnaissance d'images
Cours Master 2 IAD
Isabelle Bloch - ENST / Département Signal & Images
Florence Tupin - ENST / Département Signal & Images
Antoine Manzanera – ENSTA / Unité d'Électronique et d'Informatique
Filtrage et Restauration
Ce cours s'intéresse aux techniques d'amélioration des images numériques, pour augmenter la qualité
de leur rendu visuel, ou pour faciliter leur analyse. On cherche donc à atténuer, sinon supprimer une
certaine dégradation. Celle-ci n'est pas forcément connue a priori, mais elle peut parfois être estimée
a posteriori. On distinguera ici :
- les dégradations liées au bruit : g(x) = f(x)+b(x) ou g(x) = f(x)b(x) liées au capteur, à la
quantification, à la transmission... On les traite en tirant parti des informations locales par le filtrage.
Par différenciation, les techniques de filtrage permettent en outre de calculer ou amplifier les
contrastes locaux.
- les dégradations convolutives : g(x) = f(x)∗b(x) liées à un mouvement du capteur ou un défaut de
mise au point. On les traite en inversant un opérateur linéaire, donc supposé connu : ce sont les
techniques dites de restauration.
TF
TF-1
Passe-
bas
(ℝ2 \ [-umax,umax]×[-vmax,vmax])
∪ [-umin,umin]×[-vmin,vmin] TF TF-1
Notons que dans ce cas
comme le précédent, la
valeur de la fréquence
origine F[0,0] est
inchangée. Or :
Coupe-
w h
bande
F [0,0]=∑ ∑ f [ x , y ]
x=0 y=0
1 1 1 1 1 11 23 29 23 11 1 1 3 1 1
1 1 1 1 1 23 48 62 48 23 1 3 7 3 1
1 1 1
⋅1 1 1 1 1 ⋅ 29 62 80 62 29 ⋅3 7 16 7 3
25 864 80
1 1 1 1 1 23 48 62 48 23 1 3 7 3 1
1 1 1 1 1 11 23 29 23 11 1 1 3 1 1
Image originale
Échelon bruité filtré
* Coefficients de dispersion :
2
1 1
= 2
= 2
=
4 16
La complexité de l'implantation par multiplication dans le domaine fréquentiel est celle de 2 calculs
de TF (1 direct + 1 inverse), plus 1 multiplication. Pour une image de taille N×N, le coût de la
multiplication est en O(N2), et en utilisant la transformée de Fourier rapide (FFT), le coût de la TF est
en O(N.log2(N)).
Dans ce cas, la complexité est indépendante de la taille K×Κ du noyau de convolution. Ce type
d'implantation peut être intéressant pour des gros noyaux, (K2 >> log2(N)). Il nécessite cependant une
grande précision dans les valeurs de la TF (représentation en complexes flottants).
1 1 3 1 1
1 3 7 3 1 représenté par un noyau fini (éventuellement tronqué) peut être calculé
1
80
⋅3 7 16 7 3 directement par balayage des pixels de f et calcul de la somme des
1 3 7 3 1
1 1 3 1 1
valeurs des voisins de chaque pixel pondérées par les valeurs du noyau
de convolution.
La complexité de l'implantation directe pour une image de taille N×N et pour un noyau de
convolution de taille K×Κ, est en O(K2N2). Le coût par pixel est donc quadratique en fonction du
rayon du noyau.
Filtres séparables :
Lorsque la matrice de convolution peut s'écrire comme produit d'un vecteur colonne et d'un vecteur
ligne : t
〚 h 〛 =[h col ]⋅[h lig ]
Alors : h [ x , y ]=hcol [ x ]⋅hlig [ y ]
x2 y2 x2 y2
La complexité de l'implantation pour une image de taille N×N et pour un noyau de convolution de
taille K×Κ, devient O(KN2). Le coût par pixel est donc linéaire en fonction du rayon du noyau.
Les filtres moyenneur, gaussien, exponentiel sont des filtres séparables.
Certains filtres IIR possèdent la propriété de pouvoir être calculés de manière récursive (cf
transformée en Z). C'est la cas du filtre exponentiel, ou de certaines approximation du noyau
gaussien. Le filtrage est en général obtenu par un filtre causal, calculé par balayage direct, suivi d'un
filtre anti-causal, calculé par un balayage rétrograde :
La complexité de cette implantation est en O(N2), elle est en général indépendante des paramètres du
noyau de convolution. Elle a de plus donné lieu à des implantations matérielles (circuits spécialisés).
Cependant les problèmes de précision nécessitent en général un passage en nombre flottant et donc
une augmentation de la dynamique.
g h=log g H H ×T k
f =e k
logarithme TF Filtrage TF inverse exponentiel
aberrantes.
● L'intégrité des frontières : on souhaiterait éliminer le bruit sans rendre
pour k=N/2, on parle de filtre médian, pour k=1, d'érosion morphologique, pour k=N, de dilatation morphologique.
voisinage : élément
structurant
Implantations du médian :
● calcul d'histogrammes locaux
● tri des valeurs dans le voisinage (Quick Sort)
● tri incrémental
● .../...
original Nagao
D1 D2 D3
D4 D5 D6
D7 D8 D9
Filtre
Original Alterné
Séquentiel
B= B ° B
∀ X Y B X B Y
∀ X B B X =B X
B B B
La fermeture morphologique est
l'opération duale de l'ouverture :
Elle est égale à la composition B
d'une dilatation suivie d'une
érosion. C'est aussi un filtre
morphologique.
B
B X c = B X c
B= B ° B
X B X B X
B X B X
X B X B X
1= 1 1 1=1 1
n = n n n−1 n = n n n −1
Ξ1 Ξ2 Ξ5 Ξ8
Somme f(x)+E(x)
Bruit E(x)
Application directe
du filtre alterné φ5 γ5
Θ2 Θ3 Θ4 Θ5
ouverture par
reconstruction
E X (γ B ( X ))
X
fermeture par
reconstruction
La fermeture par reconstruction
est définie par dualité : ( E ( (ϕ ( X ) ) ) )
Xc
B
c c
élément structurant
de l’ouverture
morphologique :
2 2
∂ f ∂ f
[i , j ] [i , j]
∂f ∂x
2
∂ x∂ y
[i , j ] H f [i , j ]= 2 2
∂x ∂ f ∂ f
[i , j ] [i , j ]
∂ x∂ y ∂y
2
Le problème du calcul des filtres dérivateurs dans les images numériques est l'approximation de ces
grandeurs différentielles dans notre espace discret ; on s'intéresse aussi à leur utilisation :
réhaussement, détection de contours,...
TF-1 TF-1
TF
[ ]
−1
On utilise plus souvent [−1 0 1 ] , respectivement 0 qui produisent des frontières plus épaisses,
1
mais bien centrées (phase nulle).
Ces opérations étant très sensibles au bruit, on les combine en géneral avec un filtre lisseur dans la
direction orthogonale à celle de dérivation, par ex par le noyau suivant (ou sa transposée) : [1 2 1]
Le calcul des dérivées directionnelles en x et en y revient finalement à la convolution avec les noyaux
suivants, respectivement :
[ ] [ ]
−1 0 1 −1 −2 −1
f x [i , j ]= f ∗h x [i , j] , avec : h x = −2 0 2 h y = 0 0 0 (Masques de Sobel)
f y [i , j ]= f ∗h y [i , j ] −1 0 1 1 2 1
[ ]
2 1 2
[1−2 1] , pour l'approximation de ∂ f , et : −2 , pour l'approximation de ∂ f
∂ x2 1 ∂ y2
∂2 f ∂2 f
Le laplacien f = peut donc être approximé par l'opérateur linéaire suivant :
∂ x2 ∂ y2
[ ] [ ]
1 1 1 1
Laplacien en Laplacien en
1 −4 1 4-connexité , ou encore 1 −8 1 8-connexité
1 1 1 1
B X B X
B X B X
X B X = X − B X
B
X = B X − X
Il faut donc des mécanismes pour adapter la portée des opérateurs (voir cours espaces d'échelle).
Laplaciens calculés par
dérivées secondes de
noyaux gaussiens, pour
= 1, puis 5, puis 15 :
g = f ∗d
Image dégradée (observation) Défaut : opérateur supposé linéaire
et invariant spatialement :
Convolution
Image originale (inconnue)
g x = y ∈Supp d f x− y. d y
g x = y ∈Supp d f x− y. d y
TF TF
Dans le domaine fréquentiel :
G u = F u × Du
G u
F u=
D u
Précision de la représentation
{ ]
0 si D u
F u=G u × Ru Avec : Ru= 1
sinon
Du
g = f ∗d b
Le filtrage de Wiener propose une solution sous la forme d'une minimisation d'une expression
quadratique comportant un terme de régularisation :
2
K Q − DD ' = D ' G Conjuguée de D
D'
D'où K= 2
×G
DD ' Q
Terme de régularisation
Filtre de Wiener
●Le principe du filtrage de Wiener est de fixer Q2 en fonction d'une estimation de la puissance
relative du bruit par rapport au signal image :
●
● Lorsque D est très faible, c'est le terme Q2 qui devient prépondérant, et qui permet de réaliser un
A gauche : un défaut de bougé à vitesse constante dans le domaine fréquentiel (sinus cardinal), et
le filtre inverse correspondant.
A droite : le même défaut et les filtres de Wiener de correction pour deux valeurs différentes de Q2
supposé constant.
D'après [Maître 2003]
image avec un flou de bougé spectre de l'image flou avec le filtrage inverse
horizontal (byte) bruit de quantification
Antoine MANZANERA – Cours TERI – Master 2 IAD page 44
III-1(b) Filtrage pseudo-inverse
image avec un flou de bougé spectre de l'image flou avec le filtrage pseudo-inverse
horizontal (byte) bruit de quantification
Antoine MANZANERA – Cours TERI – Master 2 IAD page 45
III-2 Filtrage de Wiener
image avec un flou de bougé spectre de l'image flou avec bruit filtrage pseudo-inverse
horizontal (byte) de quantification
FILTRAGE RESTAURATION
additif multiplicatif
g x = f x ∗d x g x= f x∗d xb x
g x = f x . b x
g x = f x b x TF TF + LMS
TF
Log
G u = F u Bu 1 D ' u
F u= . G u F u= . G u
D u D u D ' u
Supp B∩Supp F =∅
2
OUI 〈∣Bu∣ 〉
≃
NON 〈∣F u ∣2 〉
G×1 Supp B ≡G− B
c