Vous êtes sur la page 1sur 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Bases du traitement des images


I Filtrage dimages J

Sverine Dubuisson

22 octobre 2010

Bases du traitement des images


1 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Plan du cours

Filtrage spatial linaire 2D

Filtrage spatial non linaire

Cas des images en couleurs

Filtrage frquentiel (1D et 2D)

Bases du traitement des images


2 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtrage spatial

Pourquoi filtrer une image ?


I

Pour rduire le bruit dans limage (sujet de ce chapitre)

Pour dtecter les contours dune image (sujet dun autre chapitre)

Convolution entre une image f et un filtre h, appel aussi masque


de convolution

Opration de voisinage qui effectue une combinaison linaire (ou


non) de pixels de limage f , produisant une nouvelle image f 0

h est un oprateur sur f dfini en chaque pixel f (i, j) et sur son


voisinage

Bases du traitement des images


3 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Rduction du bruit
Dfinition du bruit
I

Phnomne parasite alatoire (suivant une distribution de


probabilit connue ou non) dont les origines sont diverses (capteur,
acquisition, lumire, ...)

Dans le cas du filtrage linaire, on considre que le bruit est additif

Pour le cas du bruit additif, si fb est limage alors on peut lcrire de


la forme :
fb (i, j) = f (i, j) + b(i, j)

Exemples de bruits additifs : bruits gaussiens et impulsionnels

Autres types de bruits : flou (convolutif), grain (multiplicatif)


Bases du traitement des images
4 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Exemples dimages bruites

Bases du traitement des images


5 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtrage spatial
Produit de convolution 1D
I

Le produit de convolution dun signal x(n) avec un filtre h(n) est


donn par :
+
X
(x ? h)(n) =
x(k)h(n k)
k=

Cette opration sappelle aussi filtrage linaire spatial

Proprits du produit de convolution :


Commutativit : (f ? g )(n) = (g ? f )(n)
Distributivit : (f ? (g + h))(n) = (f ? g )(n) + (f ? h)(n)
Associativit : ((f ? g ) ? h))(n) = (f ? (g ? h))(n)

Le produit de convolution dans le domaine spatial quivaut un


produit dans le domaine frquentiel
Bases du traitement des images
6 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtrage spatial
Produit de convolution 2D
I

Le produit de convolution dun signal 2D f (i, j) (une image) avec


un filtre h(i, j) est donn par :
f 0 (i, j) = (f ? h)(i, j) =

N X
M
X

f (i, j)h(n i, m j)

n=1 m=1

En gnral, h est un masque carr de taille d impaire, et on a alors :


0

f (i, j) = (f ? h)(i, j) =

d 1

d 1

2
X

2
X

n= d 1
2

m= d 1
2

f (i, j)h(n i, m j)

Bases du traitement des images


7 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtrage par convolution

Principe de calcul de la convolution au pixel p = f (i, j)


1

Faire une rotation de du noyau par rapport son centre

Centrer le filtre sur p en le superposant limage

Effectuer la somme pondre entre les pixels de limage et les


coefficients du filtre

Le pixel p dans limage but (filtre) aura comme valeur cette


somme pondre

Bases du traitement des images


8 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Exemple de convolution
Cas avec un filtre de taille d = 3

w1 w2 w3
h = w4 w5 w6
w7 w8 w9
I

La convolution au pixel (i, j) de f par le noyaux h est donne par :


f 0 (i, j)

= w1 f (i 1, j 1) + w2 f (i 1, j) + w3 f (i 1, j + 1)
+ w4 f (i, j 1) + w5 f (i, j) + w6 f (i, j + 1)
+ w7 f (i + 1, j 1) + w8 f (i + 1, j) + w9 f (i + 1, j + 1)

0
Pour conserver la moyenne originale
les
Pt de f dans f , on normalise
coefficients du filtre, donc on a i=1 wi = 1, o t = d 2 est le
nombre de coefficients du filtre
Bases du traitement des images
9 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Principe de la fentre glissante

Bases du traitement des images


10 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Convolution 2D

Types de convolution
I

Comment faire quand le masque recouvre des zones en dehors de


limage ?

Convolution linaire : on considre que limage est entoure de noir,


donc de valeurs nulles

Convolution circulante : on considre que limage est entoure delle


mme (i.e. support infini de limage)

Bases du traitement des images


11 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Lissage par moyennage


Dfinition
I

Proprit : la valeur dun pixel est relativement similaire celle de


ses voisins

Dans le cas o limage contient un bruit et que la proprit


prcdente est prserve, un moyennage local peut attnuer ce bruit
, Cette opration est appele lissage (smoothing)

Pour effectuer un moyennage dans un bloc voisinage de taille d d ,


on obtient la sortie f 0 :
f 0 (i, j)

1
d2

d 1

d 1

2
X

2
X

f (i + n, j + m)

n= d 1
m= d 1
2
2

Bases du traitement des images


12 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Lissage par moyennage


Exemple
I

Le filtre de taille d = 3 :
h

1
1
1
9
1

1 1
1 1
1 1

Dune manire gnrale, si on a un filtre de taille d , tous les


coefficients du filtre ont comme valeur wi = d12

Plus d est grand, plus le lissage sera important, et plus limage


filtre perd les dtails de limage originale

Bases du traitement des images


13 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Lissage par moyennage

Bases du traitement des images


14 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Lissage par moyennage

Bases du traitement des images


15 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Lissage gaussien
Dfinition
I

Le noyau gaussien centr et dcart-type est dfini par :


i 2 +j 2
1
g (i, j) =
e 22
2
2

Lissage par moyennage pondr de limage en fonction de la


distance du pixel voisin

Bases du traitement des images


16 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Lissage gaussien
Du continu au discret
I

Le noyau gaussien est dfini par un ensemble de coefficients qui sont


des chantillons de la gaussienne 2D

Bases du traitement des images


17 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Lissage gaussien
Calcul des coefficients du filtre
I

La largeur du filtre est donne par son cart-type :


Largeur du filtre de part et dautre du point central : Ent+ (3)
(Ent+ (.) est lentier suprieur)
Largeur totale du filtre : 2Ent+ (3) + 1

Si est plus petit quun pixel le lissage na presque pas deffet

Plus est grand, plus on rduit le bruit, mais plus limage filtre est
floue

Si est choisi trop grand, tous les dtails de limage sont perdus

, On doit trouver un compromis entre la quantit de bruit


enlever et la qualit de limage en sortie disparaissent

Bases du traitement des images


18 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Lissage gaussien
1
Exemple pour = 0.625 ( 2
2 = 0.4)
I

Largeur du filtre de part et dautre du point central : Ent+ (3) = 2

Largeur totale du filtre : 2Ent+ (3) + 1 = 5

On obtient le filtre suivant :

= 0.4 10

0.03
0.16
5.98
0.16
0.03

0.16
7.7
27.8
7.7
0.16

5.98 0.16 0.03


27.8 7.7 0.16

100 27.8 5.98

27.8 7.7 0.16


5.98 0.16 0.03

Bases du traitement des images


19 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Lissage gaussien

1
Exemple pour = 0.625 ( 2
2 = 0.4)

Bases du traitement des images


20 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Lissage gaussien

Bases du traitement des images


21 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Lissage gaussien

Bases du traitement des images


22 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Autres filtres
Filtre binomial
I

Coefficients obtenus par le binme de

1 4
4 16
1
6 24
h =
256
4 16
1 4

Newton
6
24
36
24
6

4
16
24
16
4

1
4
6
4
1

Bases du traitement des images


23 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Autres filtres

Filtre pyramidal, filtre conique

hp =
81

1
2
3
2
1

2
4
6
4
2

3
6
9
6
3

2
4
6
4
2

1
2
3
2
1

hc = 1

25

0
0
1
0
0

0
2
2
2
0

1
2
5
2
1

0
2
2
2
0

0
0
1
0
0

Bases du traitement des images


24 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtrage par corrlation normalise


Dfinition
I

Application la dtection de caractristiques (feature detection)

But : localiser la zone de limage ressemblant le plus au filtre


(appel aussi template)

Principe : calculer la corrlation normalise en chaque pixel de


limage
La corrlation normalise est galement une opration de filtrage
On divise le rsultat du calcul de la corrlation par la norme de la
zone de limage recouverte par le filtre
Le pixel dintensit maximale dans cette image filtre dtermine la
position centrale la plus vraisemblable pour le filtre dans limage

Bases du traitement des images


25 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtrage par corrlation normalise

Exemple dapplication

Bases du traitement des images


26 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Le filtre mdian
Dfinition
I

Soit une squence discrte a1 , a2 , . . . , aN (N impair). ai est la valeur


mdiane de la squence si :
Il existe
Il existe

N1
2
N1
2

lments de valeur infrieure


lments de valeur suprieure

Trs adapt au bruit type "poivre et sel" (faux "blanc" et "noir"


dans limage)

Prserve les contours

Rduit le bruit additif uniforme ou gaussien (lissage de limage)

Si le bruit est suprieur la moiti de la taille du filtre, alors le filtre


est inefficace

Bases du traitement des images


27 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Le filtre mdian
Dfinition
I

Dplacer une fentre de taille impaire sur le support image

Remplacer le pixel central (sur lequel est positionne la fentre) par


la valeur mdiane des pixels inclus dans la fentre

Bases du traitement des images


28 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Le filtre mdian

Bases du traitement des images


29 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Le filtre mdian contre filtre gaussien

Bases du traitement des images


30 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtrage par le maximum

Dfinition
I

Filtre supprimant le bruit poivre et sel

Pour chaque pixel (i, j) :


Calculer les niveaux de gris minimum fmin et maximum fmax sur
lensemble de ses voisins
Si fmin f (x, y ) fmax , f (x, y ) reste inchang
Sinon f (x, y ) = fmax

Bases du traitement des images


31 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtrage de Nagao
Dfinition
I

Fentre 5 5 centre sur chaque pixel, 9 domaines dfinis

On calcule pour chaque domaine Di la moyenne i et la variance i2

Le pixel est remplac par la moyenne du domaine de plus faible


variance

Bases du traitement des images


32 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Cas des images en couleurs


Filtrage linaire
I

Le filtrage spatial dune image f en couleur par un filtre h seffectue


de la manire suivante :
f 0 (i, j) = (f ? h)(i, j) =

N X
M
X

f (i, j)h(n i, m j)

n=1 m=1

Pour le cas dune image couleur, on a deux solutions :


1 h est une matrice diagonale : le filtrage se fait plan par plan ;
2 h nest pas une matrice diagonale : il y a des termes croiss

(dpendances entre composantes).

Bases du traitement des images


33 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtrage linaire dimages couleur : un


exemple

Filtre moyenneur
I

Trois moyenneurs scalaires

Possibilit dutiliser des masques diffrents sur chaque composante.

Risque dengendrer des phnomnes de fausses couleurs.

Bases du traitement des images


34 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtre moyenneur sur une image en


couleurs : illustration

Bases du traitement des images


35 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtrage frquentiel
Dfinitions
I

On suppose que le signal dont on dispose a t discrtis

Garder/supprimer des frquences du signal laide dun filtre

Deux manires de procder :


dans le domaine spatial : produit de convolution entre le signal et le
filtre ;
dans le domaine frquentiel : produit entre les spectres du signal et
du filtre.

Trois familles :
filtrage passe-bas ;
filtrage passe-haut ;
filtrage passe-bande (et aussi coupe-bande).

Filtre idal : coefficients gaux 0 ou 1.


Bases du traitement des images
36 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtrage frquentiel

Principe gnral du filtrage frquentiel


1

Calculer la tranforme de Fourier X (f ) du signal x(t) filtrer

Calculer la transforme de Fourier F (f ) du filtre f (t)

Multiplier les spectres Xfiltr (f ) = X (f )F (f )

Calculer la transforme de Fourier inverse du spectre obtenu pour


obtenir le signal filtr xfiltr (t)

Bases du traitement des images


37 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtrage frquentiel
Principe du filtrage frquentiel 2D

Bases du traitement des images


38 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtrage passe-bas 1D

Principe
I

Garder les basses frquences du spectre de Fourier du signal

Le signal est reconstruit par DFT inverse sans ses hautes


frquences, mais avec sa frquence fondamentale

Bases du traitement des images


39 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtrage passe-bas 1D : un exemple

Bases du traitement des images


40 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Caractristiques frquentielles du bruit


Le bruit est une haute frquence

Bases du traitement des images


41 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtre passe-bas 2D

Dfinition
I

Un filtre passe-bas idal est un systme linaire ne modifiant pas ou


peu les basses frquences de limage dentre

La taille du voisinage caractrise la bande passante du filtre

Basses frquences et frquence fondamentale conserves


, Linformation dintensit est restitue lors de la reconstruction de
limage (IDFT)

Hautes frquences limines : les changements brusques dintensit


(bruit, frontires, ...) sont attnus voire limins
, talement des frontires

Bases du traitement des images


42 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtre passe-bas 2D idal


Dfinition
I

La fonction de transfert H(u, v ) du filtre passe-bas idal de


frquence de coupure D0 est donne par :


1
si u 2 + v 2 D0
H(u, v ) =
si
u 2 + v 2 > D0
0

Ce filtre supprimeles composantes frquentielles ayant une


frquence radiale u 2 + v 2 suprieure D0

Bases du traitement des images


43 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtre passe-bas 2D idal

Bases du traitement des images


44 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtre passe-bas 2D idal


Interprtations

Les hautes frquences sont supprimes

Les basses frquences, dont la frquence fondamentale, sont


conserves

Limage reconstruite prsente du flou sur le contour


Bases du traitement des images
45 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtre passe-bas 2D de Butterworth dordre n


Dfinition
I

Le filtre passe-bas de Butterworth dordre n est dfini par :


H(u, v )

=
1+

u 2 +v 2
D0

2n

Bases du traitement des images


46 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtre passe-bas 2D de Butterworth dordre n

Caractristiques
I

Les composantes frquentielles sont dautant plus attnues que le


couple (u, v ) est loin de lorigine

Plus n est grand, plus lattnuation des hautes frquences est


importante

Moins de flou (contours moins lisss) quavec un filtre passe-bas


idal

Bases du traitement des images


47 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Autres filtres passe-bas


I

Le filtre moyenneur

Le filtre gaussien

Bases du traitement des images


48 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtre passe-bas 2D : un exemple rel

Bases du traitement des images


49 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtrage passe-haut 1D

Principe
I

Garder les hautes frquences du spectre de Fourier du signal

Le signal est reconstruit par DFT inverse sans ses basses frquences,
donc sans sa frquence fondamentale

Bases du traitement des images


50 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtrage passe-haut 1D : un exemple

Bases du traitement des images


51 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtre passe-haut 2D

Dfinition
I

Un filtre passe-haut est un systme linaire ne modifiant pas ou peu


les hautes frquences de limage dentre

Basses frquences et frquence fondamentale limines


, Linformation dintensit est enleve lors de la reconstruction de
limage (IDFT)

Hautes frquences prserves


, Les changements brusques dintensit (bruit, frontires, ...) sont
mis en vidence

Bases du traitement des images


52 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtre passe-haut 2D idal


Dfinition
I

La fonction de transfert H(u, v ) du filtre passe-haut de frquence de


coupour D0 idal est donne par :


1
si u 2 + v 2 D0
H(u, v ) =
0
si
u 2 + v 2 < D0

Ce filtre supprimeles composantes frquentielles ayant une


frquence radiale u 2 + v 2 infrieure D0

Bases du traitement des images


53 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtre passe-haut 2D idal

Bases du traitement des images


54 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtre passe-haut 2D idal


Interprtations

Les hautes frquences sont conserves

Les basses frquences, dont la frquence fondamentale, sont


limines

Limage reconstruite na plus ses couleurs, mais le contour est net


Bases du traitement des images
55 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtre passe-haut 2D de Butterworth dordre


n
Dfinition
I

Le filtre passe-haut de Butterworth dordre n est dfini par :


H(u, v )

=
1+

D0
u 2 +v 2

2n

Bases du traitement des images


56 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtre passe-haut 2D de Butterworth dordre


n

Caractristiques
I

Les composantes frquentielles sont dautant plus attnues que le


couple (u, v ) est proche de lorigine

n fixe la pente de transition entre les hautes et les basses frquences

Le filtrage passe-haut a un effet drivateur

Bases du traitement des images


57 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtre passe-haut 2D : un exemple rel

Bases du traitement des images


58 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtrage passe-bande 1D

Principe
I

Garder une bande de frquences du spectre de Fourier du signal

Le signal est reconstruit par DFT inverse sans cette bande de


frquences

Bases du traitement des images


59 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtrage passe-bande 1D : un exemple

Bases du traitement des images


60 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtre passe-bande 2D

Dfinition
I

Un filtre passe-bande est complmentaire dun filtre passe-bas et


dun filtre passe-haut

Un filtre passe-bande est un systme linaire qui prserve une plage


de frquences

Limage reconstruite est une combinaison dun nombre rduit


dimages de base (sinusodes)

Bases du traitement des images


61 / 62

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage frquentiel

Filtre passe-bande 2D idal

Bases du traitement des images


62 / 62