Filtrage Optim

Plan
Filtrage spatial linaire
Filtrage spatial non linaire
Filtrage frquentiel
Bases du traitement des images

I Filtrage dimages J
Sverine Dubuisson
22 octobre 2010

1 / 62
Plan
Filtrage frquentiel
Plan du cours
Filtrage spatial linaire 2D
Cas des images en couleurs
Filtrage frquentiel (1D et 2D)

2 / 62
Plan
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

3 / 62
Plan
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)

4 / 62
Plan
Filtrage frquentiel
Exemples dimages bruites

5 / 62
Plan
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
6 / 62
Plan
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)

7 / 62
Plan
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

8 / 62
Plan
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
9 / 62
Plan
Filtrage frquentiel
Principe de la fentre glissante

10 / 62
Plan
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)

11 / 62
Plan
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

12 / 62
Plan
Filtrage frquentiel

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

13 / 62
Plan
Filtrage frquentiel

14 / 62
Plan
Filtrage frquentiel

15 / 62
Plan
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

16 / 62
Plan
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

17 / 62
Plan
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

18 / 62
Plan
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

19 / 62
Plan
Filtrage frquentiel
Lissage gaussien
1
Exemple pour = 0.625 ( 2
2 = 0.4)

20 / 62
Plan
Filtrage frquentiel
Lissage gaussien

21 / 62
Plan
Filtrage frquentiel
Lissage gaussien

22 / 62
Plan
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

23 / 62
Plan
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

24 / 62
Plan
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

25 / 62
Plan
Filtrage frquentiel
Filtrage par corrlation normalise
Exemple dapplication

26 / 62
Plan
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

27 / 62
Plan
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

28 / 62
Plan
Filtrage frquentiel
Le filtre mdian

29 / 62
Plan
Filtrage frquentiel
Le filtre mdian contre filtre gaussien

30 / 62
Plan
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

31 / 62
Plan
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

32 / 62
Plan
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).

33 / 62
Plan
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.

34 / 62
Plan
Filtrage frquentiel
Filtre moyenneur sur une image en

couleurs : illustration

35 / 62
Plan
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.

36 / 62
Plan
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)

37 / 62
Plan
Filtrage frquentiel
Filtrage frquentiel
Principe du filtrage frquentiel 2D

38 / 62
Plan
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

39 / 62
Plan
Filtrage frquentiel
Filtrage passe-bas 1D : un exemple

40 / 62
Plan
Filtrage frquentiel
Caractristiques frquentielles du bruit

Le bruit est une haute frquence

41 / 62
Plan
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

42 / 62
Plan
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

43 / 62
Plan
Filtrage frquentiel

44 / 62
Plan
Filtrage frquentiel

Interprtations
Les hautes frquences sont supprimes
Les basses frquences, dont la frquence fondamentale, sont

conserves
Limage reconstruite prsente du flou sur le contour

45 / 62
Plan
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

46 / 62
Plan
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

47 / 62
Plan
Filtrage frquentiel
Autres filtres passe-bas

I
Le filtre moyenneur
Le filtre gaussien

48 / 62
Plan
Filtrage frquentiel
Filtre passe-bas 2D : un exemple rel

49 / 62
Plan
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

50 / 62
Plan
Filtrage frquentiel
Filtrage passe-haut 1D : un exemple

51 / 62
Plan
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

52 / 62
Plan
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

53 / 62
Plan
Filtrage frquentiel

54 / 62
Plan
Filtrage frquentiel

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

55 / 62
Plan
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

56 / 62
Plan
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

57 / 62
Plan
Filtrage frquentiel
Filtre passe-haut 2D : un exemple rel

58 / 62
Plan
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

59 / 62
Plan
Filtrage frquentiel
Filtrage passe-bande 1D : un exemple

60 / 62
Plan
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)

61 / 62
Plan
Filtrage frquentiel
Filtre passe-bande 2D idal

62 / 62

Filtrage Optim

Transféré par

Informations du document

Description :

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Description :

Droits d'auteur :

Formats disponibles

Filtrage Optim

Titre original :

Transféré par

Description :

Droits d'auteur :

Formats disponibles

Plan

Filtrage spatial linaire

Filtrage spatial non linaire

Bases du traitement des images

Bases du traitement des images

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage spatial linaire 2D

Filtrage spatial non linaire

Cas des images en couleurs

Filtrage frquentiel (1D et 2D)

Bases du traitement des images

Filtrage spatial linaire

Filtrage spatial non linaire

Pourquoi filtrer une image ?

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

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

Opration de voisinage qui effectue une combinaison linaire (ou

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

Bases du traitement des images

Filtrage spatial linaire

Filtrage spatial non linaire

Phnomne parasite alatoire (suivant une distribution de

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

Exemples de bruits additifs : bruits gaussiens et impulsionnels

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

Filtrage spatial linaire

Filtrage spatial non linaire

Exemples dimages bruites

Bases du traitement des images

Filtrage spatial linaire

Filtrage spatial non linaire

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

Cette opration sappelle aussi filtrage linaire spatial

Proprits du produit de convolution :

Le produit de convolution dans le domaine spatial quivaut un

Filtrage spatial linaire

Filtrage spatial non linaire

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

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

Bases du traitement des images

Filtrage spatial linaire

Filtrage spatial non linaire

Filtrage par convolution

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

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

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

Bases du traitement des images

Filtrage spatial linaire

Filtrage spatial non linaire

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

Filtrage spatial linaire

Filtrage spatial non linaire

Principe de la fentre glissante

Bases du traitement des images

Filtrage spatial linaire