Chapitre 1

Introduction
1.1 Quest-ce quune image num erique ?
Une image num erique est compos ee dunit es el ementaires (appel ees pixels) qui repr e-
sentent chacun une portion de limage. Une image est d enie par :
le nombre de pixels qui la compose en largeur et en hauteur (qui peut varier presque
` a linni),
l etendue des teintes de gris ou des couleurs que peut prendre chaque pixel (on
parle de dynamique de limage).
1. Les images binaires (noir ou blanc)
Exemple, images les plus simples, un pixel peut prendre uniquement les valeurs
noir ou blanc. Cest typiquement le type dimage que lon utilise pour scanner du
texte quand celui ci est compos e dune seule couleur.
2. Les images en teintes de gris
En g en eral, les images en niveaux de gris renferment 256 teintes de gris. Image ` a
256 couleurs, simplement chacune de ces 256 couleurs est d enie dans la gamme
des gris. Par convention la valeur z ero repr esente le noir (intensit e lumineuse nulle)
et la valeur 255 le blanc (intensit e lumineuse maximale).
3. Les images couleurs
Sil existe plusieurs modes de repr esentation de la couleur, le plus utilis e pour le
maniement des images num eriques est lespace couleur Rouge, Vert, Bleu (R,V,B).
Cet espace couleur est bas e sur la synth` ese additive des couleurs, cest ` a dire que le
m elange des trois composantes (R, V, B) donne une couleur.
3
4 CHAPITRE 1. INTRODUCTION
1.1.1 Quelques d enitions
Pixels et niveaux de gris
Echantillonnage et quantication
1.1. QUEST-CE QUUNE IMAGE NUM

ERIQUE? 5
L echantillonnage est le proc ed e de discr etisation spatiale dune image consistant ` a
associer ` a chaque zone rectangulaire R(x, y) dune image continue une unique valeur
I(x, y). On parle de sous- echantillonnage lorsque limage est d ej ` a discr etis ee et quon
diminue le nombre d echantillons.
Une image num erique est une image echantillonn ee et quanti ee. La quantication
d esigne la limitation du nombre de valeurs diff erentes que peut prendre I(x, y).
L echantillonnage est une etape fondamentale qui doit tenir compte du contenu in-
formationnel pertinent de limage ` a analyser. Sur lexemple ci- dessous, en 1d, le signal
echantillonn e ressemble ` a une sinusode de fr equence 8 fois plus faible :
6 CHAPITRE 1. INTRODUCTION
Ce ph enom` ene appel e aliasing est encore pire en 2D, car il affecte la fr equence et la di-
rection des structures p eriodiques. Imaginons par exemple quon souhaite echantillonner
limage correspondant aux bandes noires ci-dessous :
Avec un echantillonnage adapt e, limage num erique fait apparatre des structures conformes
` a linformation pr esente dans limage :
Mais en consid erant seulement 1 echantillon sur 2, une structure diff erente apparat, dont
lanalyse (ici des bandes verticales, plus epaisses) ne sera pas conforme ` a la r ealit e de
lobjet :
1.1. QUEST-CE QUUNE IMAGE NUM

ERIQUE? 7
Image originale Image sous- echantillonn ee
La quantication peut egalement faire apparatre des distortions dans les images. Comme
pour l echantillonnage, il existe des r` egles pour d eterminer la bonne quantication (le
bon nombre de bits) pour coder les images num eriques. Lune d epend du capteur, et de
sa capacit e effective ` a observer des signaux de valeurs diff erentes : le rapport signal sur
bruit.
Le rapport signal sur bruit est d eni ` a partir du rapport entre lamplitude des niveaux de
gris mesurables par le capteur n
max
n
min
et le niveau du bruit, en gros l ecart-type
n
de la perturbation al eatoire qui affecte les niveaux de gris. En prenant le logarithme, on
a le nombre de bits utile au capteur pour coder les images.
Outre les capacit es du capteur, le nombre de bits r eellement n ecessaires pour coder
une image varie dune image ` a lautre, en fonction de leur contenu informationnel. Ce
nombre d epend de lentropie, d enie ` a partir de la distribution des niveaux de gris de
limage (statistique).
E =

iN
p
i
log
2
(p
i
) ,
o` u N est le nombre de niveaux de gris pr esents, p
i
est la proportion (0 < p
i
< 1) de points
de limage ayant pour niveau de gris i. Cette grandeur repr esente le nombre moyen de
bits par pixel n ecessaires pour coder toute linformation pr esente. Elle est utilis ee dans
les techniques de compression sans perte pour adapter le volume de donn ee des images
` a leur contenu informationnel.
8 CHAPITRE 1. INTRODUCTION
Prol - Histogramme
Il est possible de tracer un trait sur le anc du z` ebre de limage en niveaux de gris ci-
dessous et obtenir le prol correspondant, cest ` a dire le niveau de gris de chaque point
ou pixel travers e par la ligne :
Lhistogramme de limage en niveau de gris ci-dessous permet d etablir une stricte
corr elation entre les donn ees num eriques codant la nuance de gris et la position des pixels
de limage.
1.2 Quest-ce que le traitement dimage ?
Les pages qui suivent sont extraites des cours en ligne [BMT, M].
1.2. QUEST-CE QUE LE TRAITEMENT DIMAGE? 9
1.2.1 Quelques aspects du Traitement dImage
Filtrage / d econvolution (ou ltrage inverse)
Compression
Segmentation
Restauration / reconnaissance
Reconstruction tomographique
10 CHAPITRE 1. INTRODUCTION
1.2. QUEST-CE QUE LE TRAITEMENT DIMAGE? 11
Dans ce cours nous evoquerons successivement trois aspects fondamentaux :
Filtrage
Loutil math ematique essentiel pour le ltrage est la transformation de Fourier (ou
toute autre transformation du m eme type comme la transformation en ondelettes)
Segmentation
La segmentation fait intervenir des notions doptimisation, des outils g eom etriques
et des equations aux d eriv ees partielles
Restauration
Les mod` eles variationnels en restauration utilisent de loptimisation et de lanalyse
fonctionnelle ne (Banach, th eorie de la mesure).
12 CHAPITRE 1. INTRODUCTION
1.2.2 Applications
Robotique - Industrie
Assemblage, reconnaissance de pi` eces
Contr ole de qualit e
V ehicule autonome
etc ...
T el ed etection
M et eo
Cartographie
Analyse des ressources terrestres
Astronomie
Restauration
etc...
Applications militaires
Guidage de missile
Reconnaissance (a erienne, sous-marine, etc ...)
etc ...
Imagerie m edicale
Tomographie
Aide au diagnostic
Comptage (nombre de cellules)
Suivi de formes anatomiques
1.2. QUEST-CE QUE LE TRAITEMENT DIMAGE? 13
Restauration
etc...
S ecurit e
Reconnaissance (dempreintes, visages, signatures)
D etection de mouvement
etc...
14 CHAPITRE 1. INTRODUCTION
Chapitre 2
Filtrage
2.1 Traitement ponctuel des images num eriques
On sint eresse dabord aux traitements ponctuels qui consistent ` a faire subir ` a chaque
pixel une correction ne d ependant que de sa valeur. On trouve dans cette cat egorie, les
fonctions de recadrage ou d egalisation de dynamique, de binarisation ...
Sauf mention particuli` ere, nous supposerons dans ce qui suit des images comportant
N
2
pixels cod es sur 256 niveaux de gris diff erents.
2.1.1 Correction ponctuelle dune image
Il sagit dune transformation du type f

= t(f) qui permet de modier la dynamique

des niveaux de gris dans le but dam eliorer laspect visuel de limage.
`
A un niveau de
gris f de limage originale correspond le niveau t(f) dans limage transform ee. On fait
subir ` a chaque pixel un traitement ne d ependant que de sa valeur. La transformation
t(f) peut etre r ealis ee en temps r eel sur limage en cours dacquisition ` a laide dune
table de transcodage dans laquelle les valeurs de la transformation sont m emoris ees. Un
adressage de cette m emoire par une donn ee f fournit directement la valeur t(f).
2.1.2 Recadrage de dynamique
Transformation de recadrage
On suppose une image de d epart pr esentant un histogramme concentr e dans linter-
valle [a, b]. Les valeurs a, b correspondent aux niveaux de gris extr emes pr esents dans
cette image. Le recadrage de dynamique consiste ` a etendre la dynamique de limage
transform ee ` a l etendue totale [0, 255]. La transformation de recadrage est donc une ap-
plication afne qui s ecrit :
t(f) =
_

_
255
f a
b a
pour a < f < b
0 si f < a
255 si f > b
15
16 CHAPITRE 2. FILTRAGE
Variantes pour le rehaussement des contrastes
Les types de correction donn es ci-dessous permettent daccentuer le contraste dans
une plage pr ecise de niveau.
Dilatation de la dynamique des zones sombres Dilatation de la dynamique des zones claires
Fonction de rehaussement de contraste.

Egalisation de lhistogramme
Lhistogramme dune image est rarement plat ce qui traduit une entropie non maxi-
male. La transformation d egalisation est construite de telle facon que lhistogramme de
limage transform ee soit le plus plat possible. Cette technique am eliore le contraste et per-
met daugmenter articiellement la clart e dune image gr ace ` a une meilleure r epartition
des intensit es relatives.
Fonction daplatissement continue
Consid erons lhistogramme continu h(f) donn e ci-dessous. En notant f

= t(f), lhis-
logramme egalis e h(f

) doit sapprocher de la forme id eale d ecrite ci-dessous.

Deux surfaces el ementaires en correspondance dans les histogrammes initiaux et egalis es,
pr esentent le m eme nombre de points ce qui permet d ecrire :
f

= t(f) =
256
N
2
_
f
0
h(s) ds .
2.1. TRAITEMENT PONCTUEL DES IMAGES NUM

ERIQUES 17
Histogramme dorigine Histogramme plat id eal
Fonction id eale d egalisation dun histogramme
Fonction daplatissement discr` ete
En remplacant lint egration continue par une somme, on obtient la transformation
d egalisation discr` ete suivante :
f

= t(f) =
256
N
2
f

i=0
h(i) .
Binarisation
Le but de la binarisation dune image est daffecter un niveau uniforme au pixels
pertinents et d eliminer les autres.
Seuillage
Le seuillage consiste ` a affecter le niveau 255 aux pixels dont la valeur est sup erieure
` a un seuil S et 0 le niveau aux autres. Le graphe de la transformation correspondante est
le suivant
Fonction seuillage
Extraction dune fen etre dintensit e
Avec la transformation d ecrite ci-dessous, la nouvelle image ne visualise que les pixels
dont le e niveau dintensit e appartient ` a lintervalle [a, b]. Sous r eserve dune connais-
sance a priori de la distribution des niveaux de gris des objets de limage originale, cette
technique permet une segmentation dobjets particuliers de limage.
18 CHAPITRE 2. FILTRAGE
Fonction fen etre dintensit e
2.2 Filtrage lin eaire des signaux 1D
Lexemple le plus courant de signal 1D est le signal sonore.
D enition 2.2.1 (Filtre) Un ltre est un syst` eme lin eaire continu et invariant. En dautres
termes, on se donne deux espaces norm es X et Y ainsi quun op erateur lin eaire continu, invariant
par translation A : X Y.
Supposons qu on puisse d enir la transform ee de Fourier des signaux dentr ee f et
de sortie g (par exemple si ces fonctions sont dans L
1
(R) ou dans L
2
(R) et que le signal
de sortie le ltrage de f par un ltre lin eaire est tel que
g = H

f
o` u g d esigne la transform ee de Fourier de g. La fonction H est appel ee fonction de
transfert du ltre. Si la fonction de transfert H est dans L
2
(R) L

(R), elle admet une

transform ee de Fourier inverse h = F
1
H, born ee et ` a d ecroissance rapide, continue
(sauf peut- etre ` a lorigine) et la relation
g =

h

f
entrane
g = h f .
La r eponse ` a lentr ee f est donc un produit de convolution de lentr ee avec une fonction
xe h que lon appelle r eponse impulsionnelle.
D enition 2.2.2 On appelle r eponse indicielle dun ltre sa r eponse ` a l echelon unit e (fonction
de Heaviside) :
h
1
(t) =
_
t

h(s) ds .
2.2. FILTRAGE LIN

EAIRE DES SIGNAUX 1D 19

Notons que la plupart des ltres courants sont des ltres de convolution. Il est courant de
d enir un ltre par la facon dont il modie les fr equences du signal dentr ee, cest-` a-dire
par sa fonction de transfert H() puisque les fr equences de lentr ee f et de la sortie g sont
li ees par
g() = H()

f() .
Un ltre id eal est un ltre qui elimine totalement les bandes de fr equence ind esirables
sans transition et sans d ephasage dans les bandes conserv ees.
Selon la bande rejet ee, on rencontre 4 grandes cat egories de ltres.
La r egion o` u les fr equences sont coup ees est en gris ci-dessus. Par exemple le passe-bas
id eal est le ltre qui ne modie par les fr equences telles que
c
(fr equence de
coupure) et supprime les autres. Do` u
H() =
_
1 si ||
c
0 sinon
On reconnat h L
2
(R) telle que

h = H. Cest
h(t) =
sin2
c
t
t
.
Si on se limite ` a des signaux dentr ee d energie nie, f, h et H sont dans L
2
(R) et g = hf.
On sait que g est continue, born ee et nulle ` a linni. h f est dans L
2
(R) comme

f.
Toutefois un tel ltre nest pas r ealisable. On se contente de ltres passe-bas approch es
(voir ci-dessous un dispositif physique de r ealisation dun tel ltre) qui att enuent les
hautes fr equences au lieu de les supprimer (voir exercices) et qui entranent un d ephasage :
20 CHAPITRE 2. FILTRAGE
2.3 Filtrage 2D : convolution /m edian
Le c el` ebre format bitmap, qui tire son nom de langlais bitmap pour carte de
bits montre quune image est avant tout un domaine spatial sur lequel on peut se pro-
mener avec la souris de lordinateur : les distances en pixels dans limage I sont d` es lors
li ees aux distances r eelles en m` etres dans la sc` ene r eelle S.
La fr equence spatiale est un concept d elicat qui d ecoule du fait que les images ap-
partiennent au domaine spatial. Pour commencer on peut rappeler que la fr equence est
une grandeur qui caract erise le nombre de ph enom` enes qui se d eroulent au cours dun
temps donn e : en voiture le long dune route vous voyez 2 bandes blanches PAR se-
conde : cest une fr equence temporelle. Il est ensuite facile de comprendre que ce concept
de fr equence temporelle peut aussi se traduire en disant quil y a 200 bandes blanches
PAR kilom` etre : cest une fr equence spatiale.
Dans une image, les d etails se r ep` etent fr equemment sur un petit nombre de pixels,
on dit quils ont une fr equence elev ee : cest le cas pour les bords et les contours dans une
image.
Au contraire, les fr equences basses correspondent ` a des variations qui se r ep` etent peu
car, dilu ees sur de grandes parties de limage, par exemple des variations de fond de ciel.
Nous verrons dans la suite que la plupart des ltres agissent s electivement sur ces
fr equences pour les s electionner, en vue de les amplier ou de les r eduire.
2.3. FILTRAGE 2D : CONVOLUTION /M

EDIAN 21
2.3.1 Filtrage spatial
Filtres de convolution
Le ltrage spatial est essentiellement une op eration de convolution (2D). Si f est
limage ` a ltrer (ou ` a rehausser) et g le ltre spatial (ou PSF ou masque) on a :
f(x, y) g(x, y) = F
1
_

_
F(f(x, y)) F(g(x, y))}
. .
G(u,v)
_

_
.
G est la fonction de transfert du ltre. On peut distinguer trois types de ltrage :
Une image num erique etant essentiellement discr` ete (pixels et niveaux de gris) nous al-
lons pr esenter les ltres dans le cas discret. Dans tout ce qui suit x et y sont des entiers
(coordonn ees des pixels) et f est ` a valeurs enti` eres (dans {0, , 255}).
22 CHAPITRE 2. FILTRAGE
On ne fait pas en g en eral une convolution globale mais une transformation bas ee sur
le voisinage dun point (x, y) :
Le noyau de convolution du ltre est ` a support compact inclus dans [x
1
, x
2
] [y
1
, y
2
] :
g(x, y) = (f )(x, y) =
x
2

i=x
1
y
2

j=y
1
f(x i, y j)(i, j) .
G en eralement le ltre est de dimension d impaire et est sym etrique. Dans ce cas
[x
1
, x
2
] = [y
1
, y
2
] = [d/2, d/2] ,
(f )(x, y) =
(d1)/2

i=(d1)/2
(d1)/2

j=(d1)/2
f(x +i, y +j)(i, j) . (2.3.1)
Filtre(i,j)
w
1
w
2
w
3
y 1
w
4
w
5
w
6
y
w
7
w
8
w
9
y + 1

x 1 x x + 1
Ici d = 3. On ne ltre pas les bords pour eviter des distorsions ; donc (0, 0) = w
5
.
Sur cet exemple on a pr ecis ement
g(x, y) = w
1
f(x 1, y 1) +w
2
f(x, y 1) +w
3
f(x + 1, y 1)
+w
4
f(x 1, y) +w
5
f(x, y) +w
6
f(x + 1, y)
+w
7
f(x 1, y + 1) +w
8
f(x, y + 1) +w
9
f(x + 1, y + 1) .
An de conserver la moyenne de limage f, la somme des el ements du ltre est norma-
lis ee ` a 1 :

i
w
i
= 1.
Un ltre 2D est dit s eparable sil est possible de d ecomposer le noyau de convolution
2.3. FILTRAGE 2D : CONVOLUTION /M

EDIAN 23
h
2D
en deux ltres 1D appliqu es successivement en horizontal puis en vertical (ou inver-
sement) :
h
2D
= h
V
1D
h
H
1D
,
o` u le symbole d esigne le produit de convolution. On peut alors traiter s epar ement les
lignes et les colonnes de limage.
Pour quun ltre 2D soit s eparable il faut et il suft que les coefcients de ses lignes et
de ses colonnes soient proportionnels.
Exemple 2.3.1 (Filtres s eparables )
a b c

=
a b c
a b c
a b c
Exemple 2.3.2 (Filtre de moyenne passe -bas )
1
9

1 1 1
1 1 1
1 1 1
1
25

1 1 1 1 1
1 1 1 1 1
1 1 1 1 1
1 1 1 1 1
1 1 1 1 1
Filtre 3 x 3 Filtre 5 x 5
Ce sont des ltres s eparables.
24 CHAPITRE 2. FILTRAGE
Exemple 2.3.3 (Filtre gaussien)
1
16

1 2 1
2 4 2
1 2 1
Id ealement, on devrait pr evoir un ltre de taille (6 + 1) (6 + 1). En g en eral un ltre
gaussien avec < 1 est utilis e pour r eduire le bruit, et si > 1 cest dans le but de
fabriquer une image quon va utiliser pour faire un masque ou personnalis e. Il faut
noter que plus est grand, plus le ou appliqu e ` a limage sera marqu e.
Exemple 2.3.4 (Filtre bin omial)
Les coefcients de ce ltre sont obtenus par le bin ome de Newton. Un ltre 1Dbin omial dordre
4 est un ltre s eparable donn e par le vecteur v =
1
16
(1 4 6 4 1). Un ltre 2D bin omial dordre 4
est donn e par v

v :
1
256

1 4 6 4 1
4 16 24 15 4
6 24 36 24 6
4 16 24 15 4
1 4 6 4 1
Filtres m edians
Ce ne sont pas des ltres de convolution, ni des ltres lin eaires.
g(x, y) = m edian{f(n, m) | (n, m) S(x, y) } ,
o` u S(x, y) est un voisinage de (x, y).
2.3. FILTRAGE 2D : CONVOLUTION /M

EDIAN 25
Exemple :
30 10 20
10 250 25
20 25 30

bruit

10 10 20 20 25 25 30 30 250

m ediane
On remplace la valeur du pixel par la valeur m ediane ou la valeur moyenne. Ce ltre est
utile pour contrer leffet Poivre et Sel (P& S) cest-` a-dire des faux 0 et 255 dans
limage.
Si le bruit P& S est sup erieur ` a la moiti e de la dimension du ltre, le ltrage est inef-
cace.
26 CHAPITRE 2. FILTRAGE
Filtres passe-haut
Limage obtenue par un ltre passe-haut correspond en g en eral ` a ce qui reste apr` es
un ltrage passe-bas :
Passe-haut = K original - passe-bas(original)
2.3.2 Filtrage fr equentiel
On a vu quil est equivalent de multiplier la transform ee de Fourier par une fonction
de transfert et dagir sur la fonction dans la domaine spatial par convolution. Il est parfois
plus facile de mettre en uvre le ltrage en agissant dans le domaine fr equentiel (apr` es
transform ee de Fourier ).
Filtre passe-bas
Nous en avons d ej ` a parl e en 1D du ltre passe-bas id eal. Ici on d enit une fr equence
de coupure
c
au dessus de laquelle les fr equences sont annul ees (ltre id eal) . La fonc-
tion de transfert est alors
H(, ) =
_
1 si
_

2
+
2

c
0 sinon
2.3. FILTRAGE 2D : CONVOLUTION /M

EDIAN 27
Le cr eneau centr e H admet une transform ee de Fourier inverse qui est le sinus card-
nal qui pr esente dautant plus dondulations que la fr equence de coupure est petite. Cela
entrane un ou qui sera dautant plus r eduit que
c
est grand.
On a vu que le ltre passe-bas id eal nest pas r ealisable et on fait donc une approxi-
mation de la fonction H pr ec edente qui aura pour effet, non pas de couper les hautes
fr equences mais de les att enuer fortement. Le ltre suivant est le ltre passe-bas de But-
terworth La fonction de transfert est alors
H(, ) =
1
1 +
_

2
+
2
c
_
2n
o` u
c
est encore la fr equence de coupure.
28 CHAPITRE 2. FILTRAGE
En image un ltre passe-bas att enue les hautes fr equences : le r esultat obtenu apr` es un
tel ltrage est un adoucissement des d etails et une r eduction du bruit granuleux.
Filtres passe-haut
Le ltre passe-haut id eal est obtenu de mani` ere sym etrique au passe- bas par
H(, ) =
_
1 si
_

2
+
2

c
0 sinon
2.3. FILTRAGE 2D : CONVOLUTION /M

EDIAN 29
Le ltre passe-haut de Butterworth est donn e par
H(, ) =
1
1 +
_
c

2
+
2
_
2n
Un ltre passe haut favorise les hautes fr equences spatiales, comme les d etails, et de
ce fait, il am eliore le contraste. Toutefois, il produit des effets secondaires
Augmentation du bruit : dans les images avec un rapport Signal/ Bruit faible, le
ltre augmente le bruit granuleux dans limage.
Effet de bord : il est possible que sur les bords de limage apparaisse un cadre.
Mais cet effet est souvent n egligeable et peut s eliminer en tronquant les bords de
limage.
Filtres passe-bande
Ils permettent de ne garder que les fr equences comprises dans un certain intervalle :
H(, ) =
_
1 si
c

2

_

2
+
2

c
+

2
0 sinon
est la largeur de bande et
c
la fr equence de coupure.
30 CHAPITRE 2. FILTRAGE
2.4 Filtrage diff erentiel
Dans les mod` eles diff erentiels, on consid` ere limage comme une fonction continue
f : I I [0, 255] dont on etudie le comportement local ` a laide de ses d eriv ees. Une
telle etude na de sens que si la fonction f est assez r eguli` ere. Ce nest pas toujours le
cas ! ! une image noir et blanc sera discontinue (en fait continue par morceaux) les zones
de discontinuit e etant par essence les contours.
Au premier ordre on peut calculer en chaque point M(x, y), le gradient de limage :
f(x, y) = (
f
x
,
f
y
) .
Gr ace au plongement dans lespace continu, un grand nombre dop erations dana-
lyse peuvent sexprimer en termes d equations aux d eriv ees partielles. Ceci permet de
donner un fondement math ematique satisfaisant aux traitements et aussi de fournir des
m ethodes pour les calculer, par des sch emas num eriques de r esolution.
Les ltres diff erentiels permettent de mettre en evidence certaines variations spatiales
de limage . Ils sont utilis es comme traitements de base dans de nombreuses op erations
comme le r ehaussement de contraste ou la d etection de contours.
2.4.1 Calcul par convolution
En pratique, il faut approcher les gradients pour travailler avec des gradients discrets.
Les approximations les plus simples des d eriv ees directionnelles se font par diff erences
nies calcul ees par convolution avec des noyaux tr` es simples : par exemple, lapproxima-
tion de
f
x
se fait par convolution avec [0 1 1]. En effet, dans ce cas, la formule g en erale
de convolution discr` ete (2.3.1) donne (avec d
x
= 3 et d
y
= 0 )
g(x, y) =
1

i=1

j=0
f(x +i, y +j)(i, j) .
(i, j)
2.4. FILTRAGE DIFF

ERENTIEL 31
0 1 1 y

x 1 x x + 1
et
g(x, y) = f(x, y) +f(x + 1, y)
f
x
(x, y)
De m eme lapproximation de
f
y
se fait par convolution avec
_
_
0
1
1
_
_
:
(i, j)
0 y 1
1 y
1 y + 1

x
et
g(x, y) = f(x, y) +f(x, y + 1)
f
y
(x, y).
On utilise plus souvent [1 0 1] et
_
_
1
0
1
_
_
qui produisent des fronti` eres plus epaisses
mais qui sont bien centr ees. Ces op erations sont tr` es sensibles au bruit et on les combine
g en eralement avec un ltre lisseur dans la direction orthogonale ` a celle de d erivation,
par exemple par le noyau suivant (ou sa transpos ee) : [1 2 1]. Le calcul des d eriv ees direc-
tionnelles en x et y revient nalement ` a la convolution avec les noyaux suivants :
f
x
(x, y) (f h
x
)(x, y) et
f
y
(x, y) (f h
y
)(x, y)
avec
h
x
=
_
_
1 0 1
2 0 2
1 0 1
_
_
et h
y
=
_
_
1 1 1
0 0 0
1 2 1
_
_
Ce sont les masques de Sobel.
32 CHAPITRE 2. FILTRAGE
De la m eme facon , lapproximation par diff erences nies la plus simple de la d eriv ee
seconde est la convolution par le noyau [1 2 1] pour lapproximation de

2
f
x
2
et
_
_
1
2
1
_
_
pour lapproximation de

2
f
y
2
. Le laplacien
f =

2
f
x
2
+

2
f
y
2
peut donc etre approch e par lun des deux op erateurs lin eaires suivant
_
_
0 1 0
1 4 1
0 1 0
_
_
ou
_
_
1 1 1
1 8 1
1 1 1
_
_
2.4. FILTRAGE DIFF

ERENTIEL 33
Laplacien 4-connexe Laplacien 8-connexe
D etection de contours par une convolution de type Sobel
2.4.2 Equation de la chaleur
Consid erons un ltrage gaussien dans le cadre continu. On sait que si limage de
d epart est une fonction u
o
d enie sur R
2
(mais L

` a support compact), limage ltr ee est

la convol ee de u
o
avec un noyau gaussien
G

(x) = G

(x
1
, x
2
) =
1
2
2
exp
_

x
2
1
+x
2
2
2
2
_
=
1
2
2
exp
_

x
2
2
2
_
.
On pose u(t, x) = (h(t, ) u
o
)(x) o` u h(t, x) = G

2t
(x) =
1
4t
exp
_

x
2
4t
_
. Comme
h(t, ) C

(R
2
) a ses d eriv ees born ees et u
o
L
1
(R
2
), la convol ee u(t, ) est aussi C

34 CHAPITRE 2. FILTRAGE
et on peut calculer u :
t > 0, x R
2
u(t, x) =

2
u
x
2
1
(t, x) +

2
u
x
2
2
(t, x) = (h(t, ) u
o
)(x) .
Un rapide calcul montre que
h(t, x) =
_

1
4t
2
+
x
2
16t
3
_
exp
_

x
2
4t
_
=
_

1
4t
+
x
2
4t
2
_
h(t, x) ,
et on obtient
u(t, x) =
_

1
4t
+
x
2
4t
2
_
u(t, x) .
Dautre part, pour t > 0 on peut d eriver directement u par rapport ` a t :
u
t
(t, x) =
__
R
h
t
(t, y)u
o
(x y) dy
et on obtient nalement
u
t
(t, x) u(t, x) = 0 sur ]0, t[R
2
.
Dautre part, avec
u(t, x) =
__
R
1
4t
exp
_

y
2
4t
_
u
o
(x y) dy
on obtient
lim
t0
u(t, x) =<
x
, u
o
>= u
o
(x) ,
car la famille de Gaussiennes converge au sens des distributions vers la mesure de Dirac.
2.4. FILTRAGE DIFF

ERENTIEL 35
La fonction ltr ee u v erie l equation aux d eriv ees partielles suivante ( equation
de la chaleur) :
_
u
t
(t, x) u(t, x) = 0 dans ]0, T[
u(0, x) = u
o
(x) x
(2.4.2)
o` u est le cadre de limage, i.e. louvert de R
2
o` u la fonction u est d enie . On peut
alors imposer soit des conditions aux limites au bord de (niveau de gris x e) soit des
conditions aux limites p eriodiques en p eriodisant la fonction u si le cadre est rectangle
par exemple.
On peut alors utiliser un sch ema aux diff erences nies pour calculer la solution de
lEDP. Suivant le temps d evolution, on obtient une version plus ou moins liss ee de
limage de d epart.
Mod` ele de Peronna-Malik
Sur une image liss ee, on peut plus facilement essayer de d etecter les bords (ou con-
tours). On peut utiliser le d etecteur de Hildrett-Marr : on cherche les z eros du Laplacien
dune image u. Si en un point x, u change de signe et si u est non nul, on consid` ere
alors que limage u poss` ede un bord en x.
Pour am eliorer les r esultats obtenus par lEDP de la chaleur, Peronna et Malik ont
propos e de modier l equation en y int egrant le processus de d etection des bords :
_

_
u
t
(t, x) = div (c(|u|)u)(t, x) dans ]0, T[
u
n
= 0 sur ]0, T[
u(0, x) = u
o
(x) x
(2.4.3)
o` u c est une fonction d ecroissante de R
+
dans R
+
.
Si c = 1, on retrouve l equation de la chaleur. On impose souvent lim
t+
c(t) = 0 et
c(0) = 1. Ainsi, dans les r egions de faible gradient, l equation agit essentiellement comme
lEDP de la chaleur, et dans les r egions de fort gradient, la r egularisation est stopp ee ce
qui permet de pr eserver les bords.
36 CHAPITRE 2. FILTRAGE
Image originale Bords donn es par Hildrett-Marr
(apr` es ltrage)
Filtrage (EDP Chaleur) Filtrage de Peronna-Malik
2.5 Exercices
1. La cellule RC - R eponse dun syst` eme lin eaire invariant ` a un signal p eriodique.
Consid erons le circuit RC suivant :
x(t) et v(t) sont li es par l equation diff erentielle
RC v

(t) +v(t) = x(t) ; (2.5.4)

(a) On effectue le changement de variable : v(t) = w(t)e

t
RC
.
i. Quelle est l equation v eri ee par w?
ii. On suppose que les signaux dentr ee x sont tels que le second membre est
int egrable sur ] , t]. R esoudre l equation diff erentielle. On suppose que
la r eponse (sortie ) v ` a une entr ee nulle est nulle.
iii. Montrer que la r eponse du syst` eme ` a lentr ee x est de la forme v(t) =
Ax(t). D eterminer A et montrer quil est lin eaire, causal et invariant.