Cours L3

Cours de traitement d’images
(C. Achard)
Cours de traitement d’images– Catherine Achard 1

Introduction
Applications

Application : Détection de défauts sur des bouteilles
Cassure
Cheveux d ’anges
Inclusions

Application : Imagerie industrielle

Application : Robotique autonome

Application : Robotique mobile

Et quand on passe aux séquences …

Application : Guidage latéral de véhicules

Surveillance de tunnels
Overview of MediaTunnel
MediaTunnel is a video-based Automatic Incident Detection (AID)
System for road tunnels. It provides Automatic Incident Detection
and Traffic Data in real time in tunnels, through video image
processing.
Slow vehicles
Pedestrians
Wrong way travelers
Debris
Loss of visibility and smoke detection
http://www.citilog.fr/products/mediatunnel.html

Analyse de crash test
La vision appliquée à l'analyse de mouvement.

- Création de marqueurs vectoriels et suivi sur une séquence d'images.
- Tracking automatique par reconnaissance de forme (pattern matching).
- Possibilité de prédictions des mouvements par calculthéorique.
- Possibilité de sauver la séquence et les marqueurs au format AVI.
- Affichage des résultats sous forme graphique et tableurs Excel
(vitesse de déplacement, accélération, trajectoire...).
- Support de caméras rapides
http://www.alliancevision.com

Détecter des mouvements

Détecter des mouvements

Reconnaître des mouvements

Ré-identifier des personnes

Reconnaître des mouvements

Suivre des objets

Suivre des gestes …

Détecter des visages

Reconnaître des visages

Biométrie : reconnaissance du visage
Le composant Uraface extrait en temps réel les contours des

éléments mobiles et déformables du visage (bouche, nez, yeux, tête,
etc.) en éliminant ceux du fond et en restituant les différents signaux
correspondant à chaque élément.
http://www.uratek.fr

Application : reconnaissances d’empreintes digitales
http://www.biometrie-online.net/
techno/empreintes/empreintes-digitales.php

Application : Traitement de l’écrit

Application : aériennes et satellitaires
Imagerie classique (visible) Imagerie radar (SAR)

Application : Imagerie Bio-médicale
Microscopie optique Radiologie

http://www.med.univ-rennes1.fr/
DV_940103151033_com.html
Mammographie
cerf/iconocerf/DV/

Application : Imagerie Bio-médicale
Imagerie cardiaque
IRM 4D flux
Echographie du cœur
avec les deux
ventricules en haut et
les oreillettes droites
et gauches en bas
IRM aorte
Rétrécissement de
l’aorte
Robotique
Chirurgicale
Assistance
Monitoring

Surveillance anti-noyade : le système poseidon
Le Système Poséidon™ est composé d'un réseau de caméras

hautes performances qui scrutent en permanence le volume d'eau
des bassins, et d'un système expert qui analyse en temps réel les
trajectoires des nageurs : Poséidon™ est ainsi capable de
transmettre une alerte aux surveillants dès les premières
secondes d'une possible noyade
http://www.poseidon-tech.com/
fr/system.html

Création d’images panoramique en 2D ou 3D

Correction d’exposition en fusionnant plusieurs expositions

Morphing

Télécommunication : compression d’images, de vidéo, tatouage
Un tatouage (signature) est caché dans

tif ? jpeg ? les données de l'image. Cette approche a
l'avantage de ne pas gêner la lecture de
l'image par le simple spectateur tout en
ppm ? permettant une facile identification.
wmf ?
bmp ? avi ?
gif ?
mpeg4 ? Png ?

Renforcement de contraste

Photographie
Filtre anti-yeux rouge

Renforcement de contraste

Présentation des images

Représentation des images
-Représentation des images

-Histogramme et histogramme cumulé
-Images couleur
-Convention and topologie

Une image numérique est associée à :

- un échantillonnage spatial
- une quantification de l’intensité lumineuse
Image = matrice de dimension Nblignes x Nbcolonne

Chaque élément de la matrice contient la luminance du
pixel codée en niveau de gris variant de 1 à N
Souvent, on utilise 8 bits pour représenter les pixels, soit 256

niveau de gris

Effet de l’échantillonnage spatial
183x275 pixels 92x138 pixels 46x69 pixels
23x35 pixels 12x18 pixels

Effet de la quantification de la luminance en niveaux de gris
8 bits (256 ndg) 6 bits (64 ndg) 5 bits ( 32 ndg)
4 bits (16 ndg) 3 bits (8 ndg) 2 bits (4 ndg) 1 bit (2 ndg)

Importance de l’échantillonnage
En 1D
Attention quand on
échantillonne sans
En 2D
vérifier Shannon !

3 façons de représenter les images 5
10
 manière usuelle
15
20
 Comme une surface

25
30
35
 Visualiser les valeurs de la matrice 40
45
50
55
10 20 30 40 50 60 70 80

NB : Pour lire des images sous Matlab,

on utilise la commande imread() :
I=imread(‘chromosome.tif’);
Pour afficher une image en niveau de gris :
imagesc(I); colormap(gray)
Pour afficher des images comme des surfaces :
surf(I)


-Images couleur

Histogramme et histogramme cumulé
Histogramme
 C’est un vecteur de dimension 256.
 Chaque élément h(i) représente le nombre de pixels de l’image

possédant le niveau de gris i.
 Analogie avec la densité de probabilité des intensités lumineuses

(à un facteur de normalisation près).
Sous matlab, on calcule l’histogramme avec :

hist(I( :),[0 :255])

Histogramme et histogramme cumulé
Histogramme cumulé
C’est un vecteur de dimension 256.
Chaque élément hc(i) représente le nombre de pixels de l’image

possédant un niveau de gris inférieur ou égal à i.
Analogie avec la fonction de répartition des niveaux de gris.
Il peut être estimé à partir de l’histogramme en faisant une somme

discrète :
i
hc(i )   h( j )
j 0


-Images couleur

Image couleur
Image couleur = 3 plans couleur.

Pour la plupart des caméras : Rouge, Vert, Bleu (R,V,B).
Chaque plan est codé comme une image niveaux de gris, avec des
valeurs allant de 0 à 255.
Lorsque R=V=B, la couleur associé est un niveau de gris.
Pour passer d’une image couleur à une image niveau de gris, on
réalise :
R( y, x)  V ( y, x)  B( y, x)
I ( y, x) 
3

Image couleur
Synthèse additive des couleurs Synthèse soustractive des

utilisée pour les sources couleurs utilisée pour les
lumineuses chromatiques pigments colorés

Image couleur
H : teinte ( varie entre 0 et 2π)

S : saturation (varie entre 0 et 1)
une couleur très saturée qui
possède une faible proportion
de blanc se trouvera loin de
l’axe des intensités
V : intensité lumineuse(varie entre 0 et 1).
Plus la valeur est faible, plus la couleur est
sombre
Image couleur

Image couleur
La teinte (Hue) se lit sur un cercle: elle est codée par un angle
entre 0 et 360°.
En fixant la saturation et la luminosité (Value) à leurs valeurs
maximales, on a les correspondances suivantes

Image couleur
Dans les mêmes conditions (S = V = 1), en faisant varier

H de 0 à 360° on obtient un gradient de
couleurs
En prenant comme exemple la couleur rouge (H = 0), en

fixant V = 1 (luminosité maximale) et en faisant varier S
de 0 à 1 on obtient un gradient qui va du blanc jusqu'au
rouge vif

Image couleur
En gardant la couleur rouge (H = 0), en fixant S = 1

(saturation maximale) et en faisant varier V de 0 à 1 on
obtient un gradient qui va du noir jusqu'au rouge vi
Si maintenant on se place au centre du cercle (S = 0 et

H quelconque) et que l'on fasse varier V de 0 à 1 on
obtient une échelle de gris

Image couleur
Autres systèmes couleur
Système Lab
-un paramètre d'intensité (L) et de deux paramètres de chrominance.
-spécialement étudié pour que les distances calculées entre couleurs
correspondent aux différences perçues par l'œil humain.
Système YUV
- La première représente la luminance et les deux autres représentent
la chrominance
- YUV est utilisé dans les systèmes de diffusion télévisuelle PAL et
NTSC
-Le modèle YUV se rapproche beaucoup plus de la perception
humaine des couleurs que le standard RGB,
Et les autres …

Image couleur
Couleurs indexées
Chaque pixel est caractérisé par une valeur qui pointe vers un tableau
R V B R V B
0 0 0 0 0 0 0 144
Lut niveaux Lut JET
1 1 1 1 1 0 0 160
de gris utilisée par
2 0 0 176
2 2 2 2 défaut par
3 3 3 3 Matlab 3 0 0 192
4 4 4 4 4 0 0 208
5 5 5 5 5 0 0 224
254 254 254 254 254 144 0 0
255 255 255 255 255 128 0 0

Image couleur
Couleurs indexées
Niveaux de gris Jet
Hot Pink


-Images couleur
-Convention et topologie

Convention et topologie
Le système de convention des axes est le suivant :

En analogique : En discret :
y
x
y
x
la ligne 0 d’une image est celle située en haut.

Notions de topologie
L’image est représentée par un ensemble de pixels disposés sous

la forme d’une grille.
Quels sont les voisins du pixel de coordonnées (x,y) ?
Selon les applications, on prendra :
 V4 : Voisinage en 4 connexité
 V8 : Voisinage en 8 connexité
x

Notions de topologie
Contour
Une région ou
deux régions ?
On conserve la 8-connexité des contours pour garder une 4-

connexité des régions lors des opérations de traitement d’images

Amélioration d’images
Diminution du bruit dans les images
http://www.techno-science.net/?onglet=news&news=3493

Amélioration d’images : Modifier l’apparence d’une image pour qu’un
observateur puisse plus facilement extraire des informations.
Diminution du bruit dans les images : Le but est de réduire le bruit présent
dans les images sans avoir de connaissance a priori sur celui-ci (aucun modèle).
Ce pré-traitement a pour but de faciliter les traitements ultérieurs dans la
chaîne.

Amélioration, diminution du bruit dans les images
Filtrage
Amélioration d’images
-Extension de dynamique
-Correction d’exposition
-Egalisation d’histogramme
-Renforcement de la netteté
Reduction du bruit
-Filtre moyenneur
-Filtre gaussien
-Filtre médian

Filtrage
Rappel de traitement du signal
La convolution 2D de l’image I avec un filtre F est donnée par :

+∞ +∞
𝐼 𝑥, 𝑦 ∗ 𝐹 𝑥, 𝑦 = 𝐼𝐹 𝑥, 𝑦 = 𝐼 𝑥 − 𝑛, 𝑦 − 𝑚 . 𝐹(𝑛, 𝑚)
𝑛=−∞ 𝑚=−∞
a b c
F  d e f
où F(n,m) est la réponse impulsionnelle du filtre.  
 g h i 
i h g Cette convolution est le cumul des produits terme à

f e d terme à condition de tourner les coefficients du filtre de
c b a 180° :
𝐼 𝑥 − 1, 𝑦 − 1 𝑖 + 𝐼 𝑥, 𝑦 − 1 ℎ + 𝐼 𝑥 + 1, 𝑦 − 1 𝑔 +
𝐼𝐹 𝑥, 𝑦 = 𝐼 𝑥 − 1, 𝑦 𝑓 + 𝐼 𝑥, 𝑦 𝑒 + 𝐼 𝑥 + 1, 𝑦 𝑑 +
𝐼 𝑥 − 1, 𝑦 + 1 𝑐 + 𝐼 𝑥, 𝑦 + 1 𝑏 + 𝐼 𝑥 + 1, 𝑦 + 1 𝑎

Filtrage
Rappel de traitement du signal
Attention aux effets de bord de 1 pixel pour un filtre 3x3

L’image convoluée est plus grande que l’image initiale
NB : sous Matlab, la convolution se fait avec :

IF=conv2(I,F,’same’) ;
Des zéros sont ajoutés sur les bords de l’image,
L’option ‘same’ permet à l’image IF d’avoir la même dimension que

l’image I
Plusieurs méthodes existent pour agrandir

l’image et mieux gérer les bords :
Ajouter des zéros
Faire un miroir de l’image au niveau des
bords
Reproduire les derniers pixels contour

-filtrage
-Amélioration d’images
Reduction du bruit
-Filtre moyenneur
-Filtre gaussien
-Filtre médian

Extension de dynamique
Luminances bornées à (Gmin, Gmax)  Ajustement linéaire à (0, 255).
Cette étendue réduite de niveaux de gris peut survenir suite à un temps de pose
incorrecte ou à un éclairage de la scène trop faible.
La transformation mise en place est :
I ( x, y )  G min
I '( x, y )  * 255
G max  G min
G’
255
0 G
Gmin Gmax

Extension de dynamique
Exemple

-filtrage
Reduction du bruit
-Filtre moyenneur
-Filtre gaussien
-Filtre médian

Correction d’exposition
On peut aussi être amené à vouloir renforcer certaine plage de niveaux de gris,
au détriment d’autres plages pour mettre certains objets en valeur.
Dans ce cas, la transformation des luminances n’est plus linéaire.
Exemple pour renforcer la présence des éléments d’un circuit électrique, on
décide de renforcer la gamme des niveaux de gris sombres :

-filtrage
Reduction du bruit
-Filtre moyenneur
-Filtre gaussien
-Filtre médian

Egalisation d’histogramme
Cette opération à pour but de rendre l’histogramme le plus plat possible.

On souhaite ainsi que chaque niveau de gris soit également représenté
dans l’image.
hc(Inew)
hc(I)
NbPix NbPix
hc(G)
Gnew G 255
255
255
Gnew  hc (G )
NbPix


Zone d’intérêt
Ajustement de dynamique

Histogramme de l’image originale

Zone d’intérêt
Égalisation d’histogramme

Histogramme de l’image originale
Histogramme de l’image ‘égalisée’

-filtrage
Reduction du bruit
-Filtre moyenneur
-Filtre gaussien
-Filtre médian

Renforcement de la netteté
Ce traitement est utile pour supprimer les effets de flou dus, par exemple, à un
bougé
Le traitement local prend en compte le voisinage de chaque pixel
Le renforcement de la nettetéest basé sur un calcul de laplacien

Exemple en 1D
Signal
Dérivée première
Dérivée seconde

Exemple en 1D
Signal
Dérivée première
Dérivée seconde
Signal – K* dérivée seconde

Exemple en 1D
K petit
Selon les valeurs du
paramètres K, on peut
K moyen
accentuer plus ou
moins le phénomène
K grand

Considérons un signal discret monodimensionnel I(x). Sa dérivée

première s’exprime par :
 
I ' x  1  I ( x )  I ( x  1)
2
et
 
I ' x  1  I ( x  1)  I ( x )
2
Sa dérivée seconde s’exprime par :

I ''( x )  I ' x  1
2   I '  x  1   I ( x  1)  2 I ( x )  I ( x  1)
2

Dans le cas d’un signal à deux dimensions, on utilise le Laplacien défini par :
𝜕𝐼2(𝑥,𝑦) 𝜕𝐼2(𝑥,𝑦)
∆𝐼 𝑥, 𝑦 = + = 𝐼 𝑥 − 1, 𝑦 + 𝐼 𝑥 + 1, 𝑦 + 𝐼 𝑥, 𝑦 + 1 − 4𝐼(𝑥, 𝑦)
𝜕𝑥2 𝜕𝑦2
Ce qui correspond à une convolution avec le masque :
0 1 0
1 4 1
0 1 0

Modification du profil de l'échelon (section)
K=1
Exemple sur un profil bruité avec K=0.5
Si le signal est bruité, le bruit est amplifié
--> Grande sensibilité au bruit


Réduction du bruit dans les images

-filtrage
Reduction du bruit
-Filtre moyenneur
-Filtre gaussien
-Filtre médian

Filtre linéaire - Moyenne
Le moyen le plus simple de réaliser un lissage consiste à faire un

moyennage de zone. Cette opération est réalisée grâce à une
convolution de l’image avec un masque moyenneur :
𝑰𝑭(𝒙, 𝒚) = 𝑰(𝒙, 𝒚) ∗ 𝑴(𝒙, 𝒚)
On peut ainsi décider de lisser faiblement avec le masque 3x3 suivant :

1 1 1
𝑀 𝑥, 𝑦 = 1/9 1 1 1
1 1 1
ou de lisser plus fortement avec la masque 5x5 suivant :
1 1 1 1 1
1 1 1 1 1
𝑀 𝑥, 𝑦 = 1/25 1 1 1 1 1
1 1 1 1 1
1 1 1 1 1

Filtre linéaire - Moyenne
Effet de flou

-filtrage
Reduction du bruit
-Filtre moyenneur
-Filtre gaussien
-Filtre médian

Filtre linéaire– Filtre gaussien
Le filtrage gaussien consiste à convoluer l’image avec un masque
gaussien :
𝐼𝐹 𝑥, 𝑦 = 𝐼 𝑥, 𝑦 ∗ 𝐺(𝑥, 𝑦)
L’expression de la gaussienne en deux dimensions est donnée par :

1 𝑥2 + 𝑦2
𝐺 𝑥, 𝑦 = 2
𝑒𝑥𝑝 −
2𝜋𝜎 2𝜎2
L’intérêt du filtre gaussien est que l’on règle très facilement le degré de
filtrage à travers le paramètre σ.
Exemple de masque gaussien :
σ=1 σ=2 σ=3

Tous ces masques ont été calculés sur un voisinage de taille 41x41 mais
on voit sur les figures précédentes que la taille du masque peut-être
réduite ou augmentée en fonction de σ .
En théorie, la gaussienne a une étendue infinie, mais en pratique, on

limite cette étendue [–3σ,3σ] car la plupart de la puissance est dans cette
zone (on trouve parfois [–4σ,4σ] ).
Par rapport au filtre moyenneur, le filtre gaussien accorde une grande

importance aux pixels proches du pixel central, et diminue cette
importance au fur et à mesure que l’on s’éloigne de celui-ci.
Même effet de flou que le filtre moyenneur

σ=1 σ=2 σ=3
Masque 7x7 Masque 13x13 Masque 19x19
x= ? y= ? σ= ?
1 𝑥2 + 𝑦2
G(x,y)= 2
𝑒𝑥𝑝 − 2
=? ? ?
2𝜋𝜎 2𝜎
Rmq : plus σ augmente, plus le flou augmente, On utilise beaucoup le filtre

gaussien dans un contexte de multi-résolution :
50 50 50
100 100 100
150 150 150
200 200 200
250 250 250
300 300 300
350 350 350
50 100 150 200 250 300 350 400 450 500 50 100 150 200 250
σ=1
300 350 400 450 500 50 100 150 200 250
σ=2
300 350 400 450 500
50 50 50
100 100 100
150 150 150
200 200 200
250 250 250
300 300 300
350 350 350
50 100 150
σ=3
200 250 300 350 400 450 500 50 100 150 200
σ=4
250 300 350 400 450 500 50 100 150 200
σ=5
250 300 350 400 450 500

Amélioration, restauration et diminution du bruit dans les images
-filtrage
Reduction du bruit
-Filtre moyenneur
-Filtre gaussien
-Filtre médian

Filtre d’ordre - Médiane
Ce filtre étant non linéaire, il ne peut pas être réalisé avec une convolution 2D
de l’image. Considérons un voisinage rectangulaire autour du pixel d’intérêt.
Le filtre médian consiste à prendre la valeur de niveaux de gris séparant la
population en deux effectifs égaux.
Exemple :
10 10 7
9 12 10
12 10 7
7-7-9-10-10-10-10-12-12
 median value : 10
Ce filtre donne de très bons résultats de part son principe sur le bruit
impulsionnel (type poivre et sel).

Problèmes de la médiane
Problème de la médiane :
La médiane
- elle supprime
supprime les points isolés
les détails
- elle enlève les points isolés

--> Opérateur optimal pour le bruit
-Elle est impulsionnel
coûteuse en temps
de calcul
--> Supprime les détails fins
--> Impose un tri (temps de calcul)

On va rechercher un opérateur qui remédie à ces inconvénients
sans détériorer les contours

Contour
Les contours

Approche gradient
Signal
Dérivée
 Recherche des maxima locaux du gradient

Approche gradient
Dans le cas 2D des images, le vecteur gradient est défini au

point de coordonnées (x,y) par :
𝜕𝐼(𝑥, 𝑦)
𝜕𝑥 𝐼𝑥 (𝑥, 𝑦)
𝛻𝐼 𝑥, 𝑦 = 𝜕𝐼(𝑥, 𝑦) =
𝐼𝑦(𝑥, 𝑦)
𝜕𝑦
Le module du gradient est défini par :
𝛻𝐼 𝑥, 𝑦 = 𝐼𝑥 𝑥, 𝑦 2 + 𝐼𝑦 𝑥, 𝑦 2
tandis que son orientation est définie par :
𝐼𝑦 𝑥, 𝑦
Φ 𝑥, 𝑦 = 𝑎𝑟𝑐𝑡𝑎𝑛
𝐼𝑥 𝑥, 𝑦

Approche gradient
Image originale Image originale

sous forme surfacique
Gradient et
orientation
Gradient

Approche gradient
Calcul direct des dérivées
Il est réalisé de la façon la plus simple qu’il soit :

𝐼𝑥(𝑦, 𝑥) = 𝐼(𝑦, 𝑥 + 1) − 𝐼(𝑦, 𝑥) = 𝐼(𝑥, 𝑦) ∗ 𝑑𝑥(𝑦, 𝑥)
𝐼𝑦(𝑦, 𝑥) = 𝐼(𝑦 + 1, 𝑥) − 𝐼(𝑦, 𝑥) = 𝐼(𝑥, 𝑦) ∗ 𝑑𝑦(𝑦, 𝑥)
−1
Ce qui correspond à une convolution avec : 𝑑𝑥(𝑥, 𝑦) = −1 1 et 𝑑𝑦(𝑥, 𝑦) =
1
Problème du point central
−1
 𝑑𝑥(𝑥, 𝑦) = −1 0 1 et 𝑑𝑦(𝑥, 𝑦) = 0
1
Problème du bruit:
Les dérivées sont très sensibles au bruit:
Signal Dérivée

Approche gradient
Masque de Prewitt (1970)
Les masques dérivateur sont maintenant :

−1 0 1 1 Lissage des lignes
𝑑𝑥(𝑥, 𝑦) = −1 0 1 = 1 ∗ −1 0 1 et dérivée des colonnes
−1 0 1 1
−1 −1 −1 −1 Dérivée des lignes

𝑑𝑦(𝑥, 𝑦) = 0 0 0 = 0 ∗ 1 1 1 et lissage des colonnes
1 1 1 1
On combine à la fois un filtrage et une dérivée

 moins sensible au bruit que le calcul direct des dérivées.

Approche gradient
Masque de Sobel (1968)
Même principe mais autre filtrage préalable
−1 0 1 1
𝑑𝑥(𝑥, 𝑦) = −2 0 2 = 2 ∗ −1 0 1
−1 0 1 1
−1 −2 −1 −1
𝑑𝑦(𝑥, 𝑦) = 0 0 0 = 0 ∗ 1 2 1
1 2 1 1

Approche gradient
Comparaison
Gradient simple
Gradient de
Sobel

Approche gradient
Dérivée de gaussienne
Le filtrage précédent la dérivation peut être réalisé grâce à un masque gaussien
G. Dans ce cas, le calcul de la dérivée en x se fait par :
𝜕 𝐼 𝑥, 𝑦 ∗ 𝐺 𝑥, 𝑦
𝐼𝑥 𝑥, 𝑦 =
𝜕𝑥
𝜕𝐺(𝑥,𝑦)
=I(x,y)*
𝜕𝑥
= 𝐼 𝑥, 𝑦 ∗ 𝐺 𝑥, 𝑦 ∗ 𝑑𝑥 𝑥, 𝑦
= 𝐼(𝑥, 𝑦) ∗ 𝐺𝑥 (𝑥, 𝑦)
Mais on peut aussi calculer la dérivée de la gaussienne de manière analytique :
1 𝑥2 + 𝑦2
𝐺 𝑥, 𝑦 = 2
𝑒𝑥𝑝 −
2𝜋𝜎 2𝜎 2
𝜕𝐺 𝑥,𝑦 𝑥 𝑥 2 +𝑦 2
Et donc 𝐺𝑥(𝑥, 𝑦) = = − 𝑒𝑥𝑝 −
𝜕𝑥 2𝜋𝜎 4 2𝜎 2
Le paramètre σ règle le degré de lissage.

Approche gradient
Connaissant l’expression analytique, on calcule les coefficients du masque
𝜕𝐺 𝑥, 𝑦 𝑥 𝑥2 + 𝑦2
Gx(x,y)= =− 𝑒𝑥𝑝 −
𝜕𝑥 2𝜋𝜎 4 2𝜎 2
Le paramètre σ règle le degré de lissage et la taille du masque.

Approche gradient
Dualité filtrage / raideur de la transition :

Faible lissage Fort lissage
gradient
Faible lissage = pic de haute amplitude et étroit

 contours fins, beaucoup de bruit dans la dérivée.
Fort lissage = pic de plus faible amplitude et beaucoup plus large
contour épais, gradient moins perturbé par le bruit.

Approche gradient
Seuillage
Une fois la norme du gradient calculée en chaque point de l’image, il faut

seuiller cette norme pour décider si un pixel fait partie ou non d’un contour.
Tous les pixels possédant une norme supérieure à un seuil S sont déclarés
appartenir à un contour.
Tout le problème réside alors dans le choix du seuil :
- un seuillage trop bas nous amène à une sur- détection : on détecte beaucoup
de bruit et des contours épais apparaissent
- Un seuillage trop haut amène à une sous-détection : contours non fermés

Approche gradient
Exemple de seuillage

Approche gradient
Exemple de seuillage
Gradient Seuillage à 10
50
50
100
100
150
150
200
200
20 40 60 80 100 120 140 160 180 200 220

20 40 60 80 100 120 140 160 180 200 220
Seuillage à 15 Seuillage à 20
50
50
100
100
150
150
200
200
20 40 60 80 100 120 140 160 180 200 220

20 40 60 80 100 120 140 160 180 200 220

Approche gradient
Exemple de seuillage Sobel

seuil = 15
 contours épais
seuil = 25
 lacunes
mais tjrs épais

Approche gradient
Ce seuillage simple donne des contours souvent épais

 ne conserver que les maxima locaux
 Lignes de crêtes
seuil Max local dans une des 8 directions:

• Max strict sur 3 pts :
y(i-1) < y(i) > y(i+1)
1 égalités accidentelles  tolérance, sinon rupture de 8-
0 connexité
• max local non strict sur 4 pts:
1 y(i-1) < y(i) ≥ y(i+1) > y(i+2)
0
 lignes de crêtes de la détection

Approche gradient
Sobel
seuil = 15
 contours épais
seuil = 25
 lacunes
mais tjrs épais
seuil = 15
+ lignes de crête
 contours fins

Approche gradient
Sobel seuil 15 puis lignes de crêtes

Morphologie mathématique

Binarisation d’images
Notions de morphologie mathématique

Images bimodales : binarisation
Cas particulier important par ses applications : Vision industrielle, temps réel
 Choix du seuil

Binarisation : utilisation de l’histogramme

Binarisation : minimisation de l’erreur
Hypothèse :
 2 classes C0 et C1
 N0 et N1 : effectifs
 m0 et m1 : moyennes des gaussiennes
 Vb : Variance des gaussiennes : même variance car bruit stationnaire
On recherche le seuil S0 qui minimise la probabilité d’erreur :


1  ( S  m0 ) 2 
Pe0 
2  Vb
S 0 exp   2 Vb  dS
C0
Pe0
1
S0
 ( S  m1 ) 2 
Pe1 
2  Vb  exp   2 Vb  dS
C1
m0 m1
S0
Perreur  Pe0 . P (C0 )  Pe1 . P (C1 )

dPerreur 1   ( S0  m0 ) 2   ( S0  m1 ) 2  
   P (C0 ) exp     P (C1 ) exp     0
dS 2  Vb   2 Vb   2 Vb  
( S0  m0 ) 2 ( S0  m1 ) 2
ln( P (C0 ))   ln( P (C1 )) 
2 Vb 2 Vb
m0  m1 Vb  P (C0 ) 
 S0   ln  
2 m1  m0  P (C1 
)

m0  m1 Vb  P (C0 ) 
S0   ln  
2 m1  m0  P (C1 ) 
S0 = moy. Des ndg
Deux classes C0 et C1
Calcul de m0, m1, P(C0),P(C1) et Vb
Estimation de S0
Jusqu’à stabilisation

Binarisation d’images
Notions de morphologie mathématique

C’est une théorie ensembliste

Sx
Notations et définitions
x
 Objets : X = { x / x = 1 }
 Fonds : ~X = { x / x = 0 }
 Élément structurant :
Sx caractérisé par ses dimensions et sa forme
Son centre x est le point d’application de l’opération locale
0
01

Dilatation morphologique
X ⊕S = { x / Sx  X   }
Exercice :
Dilater l’objet ci-contre avec
l’élément structurant :

Érosion morphologique
X⊖S = { x / Sx  X }
Exercice :
Eroder l’objet ci-contre avec
l’élément structurant :

Interprétation avec un élément structurant particulier
Sx : disque centré au point d’application, de rayon 1

2 formes :  Sx8 si 8-connexité V8
 Sx4 si 4-connexité V4
dilatation :  x = 0, si  1 point de VN = 1  x = 1
Croissance de 1 pixel
érosion :  x = 1, si  1 point de VN = 0  x = 0
 contraction de 1 pixel

Algorithme basé sur la convolution
Dilatation
X ⊕ S = { x / Sx  X   }
 X ⊕ S = ( S * Image)  0
Erosion
X ⊖ S = { x / Sx  X }
 X⊖S = ( S * Image) = Card(S)

Cascade d’opérations
Ouverture : X○S = (X⊖S)⊕S

Fermeture : X ● S = ( X ⊕ S ) ⊖ S
Exercice : A quoi ca sert ??

Exemple
Binarisation
Image source

Exemple
Image
source
Dilatation
Érosion

Exemple
Image
source
Fermeture
Ouverture (érosion
(dilatation puis
puis dilatation)
érosion)

Exemple : détection des composants
Érosion de l ’image
L ’élément structurant
est de taille 40x30
Dilatation avec le
même élément
structurant
Report sur l’image initiale

Sélection d’objets de petite taille face à S
X- (X○S)

Contours intérieurs ou extérieurs :
X - ( X ⊖ S )  Contour intérieur
( X ⊕ S ) – X  Contour extérieur
Image binaire Contours extérieurs

Etiquetage en composantes connexes
Etiquetage de chaque
région par un numéro
7 régions
Image des attributs
Image des étiquettes

On veut regrouper tous les pixels connexes appartenant aux objets.
Pour cela, on balaye l’image et donne une étiquette à chaque nouveau pixel C.
Pixels A et B déjà étiquetés
A
B C Pixel C à étiqueter

Etiquette = numéro identique attribué à chaque pixel d’une

A même composante connexe. La visualisation de l’image des
BC étiquettes attribue donc une couleur par région.
 procédure d’étiquetage ou de coloriage des régions
Principe : balayage de l’image par un motif 3 pixels ( A,B,C )
Si C = 0 : pixel du fond, il reste invariant

Si C ≠ 0 : les étiquettes de A et B déjà fixées
imposent l’étiquette du pixel C
=1
=2
NB : initialiser bordures haute / gauche à 0
=3  N = Nbre étiquettes ( initialisé à 0 )
C1 C2
C3 C4
C5 C6 C7
C1 C2 C3 C4 C5 C6 C7
A=0,B=0 A=0,B=1 A=1,B=0 A=B=1 A=0,B=0 A=1,B=2 A=0,B=0
N=N+1 C=B=1 C=A=1 C=A=1 N=N+1 C=min(A,B)=1 N=N+1

C=N=1 C=N=2 et équivalence C=N=3
max(A,B) ~ C
2~1

Gestion des équivalences =1

=2
En cas d’équivalence ( exemple 2 ~ 1 ), deux solutions: =3
 retour en arrière et ré-écriture de tous les « 2 » … lent !
 mémorisation dans table puis second balayage : étiquette  équivalent ( étiquette )
Chaque ligne de la table d’équivalence est initialisée par son numéro :
EQ EQ EQ
0 0 0
1 1 1
2 1 renumérotation pour 1
3 2~1 numéros consécutifs 2
3
re-étiquetage
pix = EQ( pix )

RUPTURE DE CHAÎNE D’EQUIVALENCES

=1
Rupture de la chaîne d’équivalence : =2
=3
en C1 : 3 ~ 2 puis en C2 : 3 ~ 1  avec l’algorithme C = min(A,B); EQ( max(A,B) ) = C
EQ
0 0 0
1 1 1 Pb : « 2 » reste isolé
C1 2 2 2 or 2 ~ 1 !
C2 C1 C2
3 2 1
Solution : avec une nouvelle formulation complétée:

si A≠0, B≠0  A = EQ(A); C = min( A,B ); EQ(A) = EQ(B) = C
EQ
0 0 0
1 1 1
La connexité de « 2 » et « 1 » est résolue
2 2 1
reste le chaînage 3 ~ 2 sans problème
3 C1 2 C2 2
c’est la forme finale de l’algorithme
A=2, B=3 A=3, B=1

A=EQ(A)=2 A=EQ(A)=2
Cours de traitement d’images– Catherine Achard Images binaires - 143

Algorithme évolué d’étiquetage
Mise à jour de la table de correspondance :

Vraies régions tq EQ(i)=i. On les numérote par ordre croissant.
Pour les autres régions EQ(i) = EQ(EQ(i))
Deuxième balayage :
A chaque pixel d’étiquette i, on affecte l’étiquette EQ(i).

Exemple
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Exemple
1
2
3
4
5
6
7
8
Mise à jour de la table de correspondance 9
10
11
12
13
14
15
16
17
18
19
20
Exemple
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Le mouvement

Applications
La détection du mouvement est utilisée dans de nombreuses

applications :
-la télésurveillance : trafic routier, intrusion dans une zone,
analyse du comportement de personnes, surveillance à
distance de personnes âgées, étude du geste sportif,…
-La robotique: détection d’obstacle, analyse du mouvement
d’un robot, suivi de cibles
-La compression : détecter les zones immobiles dans une
séquence pour les coder une seule fois
-Imagerie biomédicale : guidage d'actes médicaux (suivi
d'aiguille lors de biopsie par exemple), aide au diagnostic
(détection de nécroses dans le cœur par ex,...)

Le mouvement
Application
Détection par différence d’images successives
Détection avec une image de référence
Filtrage temporel
 Modélisation gaussienne

Détection du mouvement par différences successives
Comment détecter les zones en mouvement dans une scène ?
Par différence d’images entre deux images successives :
0 si I t ( x ) - I t 1 ( x )  seuil
Dt ( x )   avec x =  x, y 
1 sinon
Où It(x) est l’image à l’instant t

temps t temps t+1

Image de différence Image de différence seuillée
Problème :
si le mouvement est de faible amplitude, on détecte
seulement les contours de l’objet en mouvement
Si le mouvement a une forte amplitude, on détecte deux

fois la forme : là où elle a disparue et là où elle est apparue

Le mouvement
Application
Modélisation gaussienne

Détection avec une image de référence
0 si I t ( x ) - F ( x )  seuil
Dt ( x )   avec x =  x, y 
1 sinon
Où F(x) est l’image de référence

Détection avec une image de référence
Image de différence Image de différence seuillée
Meilleurs résultats.
Problèmes lorsque l’objet a une couleur similaire au fond
Problèmes lorsque le fond évolue

Le mouvement
Application

Filtrage temporel médian
L’image de référence F(x) est composée de la médiane des N

dernières images
Pb: nécessite de stocker les N dernières images en mémoire

Filtrage temporel
 L’image de référence est initialisée avec la première image
 Puis, mise à jour de l’image de référence :
Ft+1 (x )= I t ( x )  (1   ) Ft ( x )
Où α est le paramètre d’apprentissage (généralement entre 0.01 et 0.1)
Pb : quelle valeur de α choisir ? Quel seuil choisir pour la

détection ?

Le mouvement
Application

Modélisation gaussienne
Chaque pixel est modélisé par une gaussienne (t(x), t(x))
 Mise à jour des paramètres par :
t ( x )   I t ( x )  (1   ) t 1 ( x )
 t ( x )    I t ( x )  t ( x )   (1   ) t21 ( x )
2
Un pixel est détecté comme un objet si
I t ( x )   t ( x )  k t
k est un paramètre (typiquement 2,5)

Modélisation gaussienne
Avantages:
-Peu de place mémoire (t(x), t(x))
-Seuil adaptatif en fonction des pixels
Inconvénient:
- Hypothèse gaussienne valide ?

Langue

Cours L3

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

Cours L3

Titre original :

Transféré par

Description :

Droits d'auteur :

Formats disponibles

Cours de traitement d’images

Cours de traitement d’images– Catherine Achard 1

Cours de traitement d’images– Catherine Achard 2

Cours de traitement d’images– Catherine Achard 3

Cours de traitement d’images– Catherine Achard 4

Cours de traitement d’images– Catherine Achard 5

Cours de traitement d’images– Catherine Achard 6

Cours de traitement d’images– Catherine Achard 7

Cours de traitement d’images– Catherine Achard 8

Cours de traitement d’images– Catherine Achard 9

La vision appliquée à l'analyse de mouvement.

Cours de traitement d’images– Catherine Achard 10

Cours de traitement d’images– Catherine Achard 11

Cours de traitement d’images– Catherine Achard 12

Cours de traitement d’images– Catherine Achard 13

Cours de traitement d’images– Catherine Achard 14

Cours de traitement d’images– Catherine Achard 15

Cours de traitement d’images– Catherine Achard 16

Cours de traitement d’images– Catherine Achard 17

Cours de traitement d’images– Catherine Achard 18

Cours de traitement d’images– Catherine Achard 19

Le composant Uraface extrait en temps réel les contours des

Cours de traitement d’images– Catherine Achard 20

Cours de traitement d’images– Catherine Achard 21

Cours de traitement d’images– Catherine Achard 22

Imagerie classique (visible) Imagerie radar (SAR)

Cours de traitement d’images– Catherine Achard 23

Microscopie optique Radiologie

Cours de traitement d’images– Catherine Achard 24

Cours de traitement d’images– Catherine Achard 26

Le Système Poséidon™ est composé d'un réseau de caméras

Cours de traitement d’images– Catherine Achard 27

Cours de traitement d’images– Catherine Achard 28

Cours de traitement d’images– Catherine Achard 29

Cours de traitement d’images– Catherine Achard 30

Un tatouage (signature) est caché dans

Cours de traitement d’images– Catherine Achard 31

Cours de traitement d’images– Catherine Achard 32

Filtre anti-yeux rouge

Cours de traitement d’images– Catherine Achard 33

Cours de traitement d’images– Catherine Achard 34

Présentation des images

-Représentation des images

Cours de traitement d’images– Catherine Achard 35

Une image numérique est associée à :

Image = matrice de dimension Nblignes x Nbcolonne

Souvent, on utilise 8 bits pour représenter les pixels, soit 256

Cours de traitement d’images– Catherine Achard 36

Effet de l’échantillonnage spatial

183x275 pixels 92x138 pixels 46x69 pixels

23x35 pixels 12x18 pixels

Cours de traitement d’images– Catherine Achard 37

Effet de la quantification de la luminance en niveaux de gris

8 bits (256 ndg) 6 bits (64 ndg) 5 bits ( 32 ndg)

4 bits (16 ndg) 3 bits (8 ndg) 2 bits (4 ndg) 1 bit (2 ndg)

Cours de traitement d’images– Catherine Achard 38

Cours de traitement d’images– Catherine Achard 39

3 façons de représenter les images 5