Traitement d’images

Chapitre I
Prétraitements

1
2

Introduction
Les prétraitements d’une image consiste à effectuer des opérations
Amélioration

visant à :
∗ améliorer sa qualité visuelle
∗ restaurer l’image en éliminant les défauts et les bruits et en
renforçant l’information utile qu’elle contienne.
∗ Compresser l’image afin de réduire l'espace nécessaire à son
stockage et diminuer le temps de sa transmission

Prétraitement
Restauration

Amélioration Compression

Restauration
3

Amélioration I. Amélioration
Les opérations d’amélioration ont pour but de rendre l’image
plus lisible.
Les techniques d’amélioration cherchent essentiellement à
augmenter les contrastes afin de rendre les régions et les objets
composants l’images bien distinctes et bien séparées les uns des
autres.
En effet L'oeil humain est particulièrement sensible aux
contrastes assez forts.
Les différentes approches :
∗ Transformations de l’intensité
Restauration

∗ Traitements à base d’histogramme

∗ Techniques de Rehaussement de contraste : Laplacien,
filtrage d'ordre adaptatif, opérateurs morphologiques
∗ Autres méthodes
4

I.1 Transformations des niveaux d’intensité

a. Introduction :
Amélioration

Soit une image f(x,y). On appliquant une transformation T sur les valeurs d’intensité de
f(x,y), on obtient une image « améliorée » g(x,y).

,    , 
(0,0)
N
y
Dans le cas d’une image numérique :
Voisinage 3x3
f et g sont des matrices 2D de dimensions MxN du pixel (x,y)

(M lignes, N colonnes)
T : une matrice de dimensions plus petites mxn M
Restauration

(3x3 par exemple) x

Si mxn =1x1 : Transformation d’intensité
Sinon : filtrage spatial

Dans la suite nous supposons que l’intensité du pixel varie entre 0 (noir) et 255 (blanc)
5

Amélioration I.1 Transformations des niveaux d’intensité

Une transformation permet de modifier la valeur de chaque pixel afin d’obtenir une
nouvelle image de même taille mais ayant des propriétés plus intéressantes.

On distingue trois types de transformations :

- Ponctuelle : pixel à pixel : la nouvelle valeur g(x,y) est fonction de f(x,y) seulement
Exemples : correction gamma, inversion, manipulations d’histogramme, ajustement
luminosité/contraste, recadrage dynamique
- Locales : de voisinage : g(x,y) est obtenue à partir de l’ensemble des valeurs f(V(x,y))
dans un voisinage autour du pixel (x,y)
Restauration

Exemple : filtrage
- Globale : la nouvelle valeur de chaque pixel g(x,y) dépend de l’image initiale
- Exemple : transformation dans l’espace de Fourier
 6

Amélioration I.1 Transformations des niveaux d’intensité

b. Inversion Dynamique :
Amélioration

On inverse les extrêmes noir et blanc.

Parfois, on distingue mieux certains détails en blanc sur fond noir qu’en noir
sur fond blanc :

,  

   ,     , 
Restauration

g(x,y)
Restauration

f(x,y)
 7

Amélioration I.1 Transformations des niveaux d’intensité

c. Transformation logarithmique:
Amélioration


g(x,y)

,   ∙    , 
 


Cette transformation de l’intensité permet de
dilater les intensités faibles et de compresser
Restauration



   : pour une Image 8bits)
les niveaux d’intensités élevées.

f(x,y)
Restauration
8

I.1 Transformations des niveaux d’intensité

d. Correction gamma: Niveau d’intensité transformé

Luminance
Luminance corrigéeluminance
corrigéeluminance



Amélioration

L-1 : valeur maximale



,   ,  
de l’intensité (=255)

 
g(x,y)

∗ Lorsque    : Cette transformation

augmente la plage dynamique des
intensités élevées : dilatation des zones
claires

∗ Lorsque    : elle augmente la plage

Restauration

dynamique des intensités faibles :

dilatation de zones sombres.



   : pour une Image 8bits)
f(x,y)
Niveau d’intensité original
9

Amélioration I.1 Transformations des niveaux d’intensité

  .    %. '

   %. 
Restauration

(   %.
10

I.1 Transformations des niveaux d’intensité

g(x,y)
e. Dilatations linéaires :
Amélioration

255

,   ) ∙  ,   *
b

6
f(x,y)

5
+,-. 0 ≤ 1 ≤ 2 ∶ 4 2
a 255

70
g(x,y)
255  6
5
255

+,-. 2 ≤ 1 ≤ 255 ∶ : 255  2

62
b
Restauration

7  255
255  2

f(x,y)
a 255
11

Amélioration I.1 Transformations des niveaux d’intensité

Dilatation des zones claires : a=60, b=20

Restauration

Dilatation des zones sombres : a=150, b=220

12

I.1 Transformations des niveaux d’intensité

e. Transformations linéaires par morceaux:
Amélioration

Ces fonctions peuvent êtres plus ou moins complexes g(x,y)

,   ) ∙  ,   *
255
b2

a1=120; b1=30
a2=160; b2=230
b1
f(x,y)
a1 a2 255
Restauration

Réduire Augmenter
l’intensité l’intensité
13

I.2 Améliorations par manipulation d’histogramme

a. Définition:
Amélioration

L’histogramme H(x) d’une image représente la distribution des intensités des

pixels .
Un histogramme est une fonction qui donne, pour chaque intensité lumineuse, le
nombre de pixels ayants cette valeur.
Convention : l’abscisse d’un histogramme représente les niveaux d’intensité
allant du plus foncé à gauche au plus clair à droite.

57
Restauration

14
6 10 5
4 4

Pour tracer l’histogramme d’une image :

>> I=imread(‘image.jpg’)
>> imhist(I)
14

I.2 Améliorations par manipulation d’histogramme

Histogramme normalisé Hn(x) :
Amélioration

Hn(x) est le taux de pixels ayant un niveau de gris égal à x :

;  
;
<
avec N le nombre de pixels ;

Histogramme cumulé (fonction de distribution cumulative FDC)


HC (x) est le nombre de pixels dont le niveau de gris est inférieur à x

;=   > ;
?@%
;= %  ;%
Il est défini récursivement par : A
;=   ;=     ;
Restauration

Histogramme cumulé normalisé

;= ∑?@% ;


HCn (x) est le taux de pixels dont le niveau de gris est inférieur à x :

;=    ;=  ∈ %, 
< <
Exercice : tracer le HC et HCn de l’image précédente (diapo 13)
15

I.2 Améliorations par manipulation d’histogramme

b. Histogramme d’une image d’intensités
Amélioration

Pour une image d’intensités, un histogramme possède 2d valeurs en abscisses (256

pour 8bits; 16 pour 4bits, etc..) et représente, le nombre de pixels en ordonnées.
Exemple :
…

4000

3500

3000

2500

2000

1500

1000
Restauration

500

0
…

0 50 100 150 200 250

566x354=200364

Dans cet exemple, les tons clairs sont plus présents que les tons foncé
D’après l’histogramme le niveau de gris le plus présent est : 231
16

Amélioration I.2 Améliorations par manipulation d’histogramme

Histogramme

Histogramme Cumulé normalisé

L’application la plus connue de
Restauration

l’histogramme cumulé est

l’égalisation d’histogramme.

Pour Calculer l’histogramme cumulé normalisé :

utiliser les fonctions « imhist » et « cumsum »
Pour tracer : fonction « bar »
17

I.2 Améliorations par manipulation d’histogramme

c. Histogrammes d’une image en couleur
Amélioration

Plusieurs histogrammes sont nécessaires (selon l’espace colorimétrique).

Pour une image couleur en RVB; 4 histogrammes sont nécessaires : distribution
de la luminance Y et distributions respectives des composantes rouge, Verte et
bleu Histogramme de luminance
Exemple :
Restauration

Histogramme du rouge Histogramme du Vert Histogramme du Bleu

1500

1200 1200

1000 1000

1000
800 800

600 600

500
400 400

200 200

0 0
0
18

I.2 Améliorations par manipulation d’histogramme

d. Effet des conditions d’acquisition sur l’histogramme:

Amélioration

L’exposition représente la
quantité de lumière reçue par
le capteur :
H=E.t
Exposition (lux.seconde) =
Eclairement lumineux (lux) *
Temps de pose(seconde)
Restauration

Image
Normale
Image sous-exposée Image surexposée
Histogramme décalé à Histogramme décalé à droite
gauche
19

I.2 Améliorations par manipulation d’histogramme

e. Recadrage Dynamique :
Amélioration

Cette technique est utilisé lorsque l’image est trop claire, trop foncée ou peu
contrastée :

On appelle dynamique : l'intervalle [a,b]

Restauration

Où a et b sont respectivement les niveaux de

gris minimal et maximal présents dans l’image.
La dynamique maximale est [0,255].
Le but du recadrage dynamique est de
redistribuer les niveaux de gris de l’image pour
qu’ils occupent toute la bande de nuances
possible, c.-à-d. la dynamique maximale. a b
20

I.2 Améliorations par manipulation d’histogramme

Le recadrage de la dynamique consiste à utiliser une transformation linéaire
Amélioration

permettant d’obtenir un nouvel histogramme ayant la dynamique maximale :

D: 2, 6 → 0,255
255 ∙ 1 G, H  2
1 G, H → I G, H 
62 g(x,y)

1(G
G,H
H) : l’image originale
g(x,y) : l’image améliorée

f(x,y)
Restauration

I5∙17
a 0
IJKL  IJMN
b 255

5
62
IJMN ∙ 6  IJKL ∙ 2
7
62
Pour le recadrage de la dynamique : imadjust
21

I.2 Améliorations par manipulation d’histogramme

Exemple de recadrage dynamique :
Amélioration

I G, H  5.1 ∗ 1 G, H  40
40 90
Restauration
22

I.1 Améliorations par manipulation d’histogramme

f. Egalisation (ou linéarisation) de l’histogramme :
Amélioration

L’égalisation de l’histogramme consiste à équilibrer le mieux possible la distribution des

pixels dans la dynamique.
L’idéal est d’obtenir un histogramme plat où l’on affecte le même nombre de pixels pour
chaque niveau de gris (ceci étant impossible à réaliser pour les images numérique à cause
de la nature discrète de l'histogramme et de la quantification des niveaux de gris (qui
nous limite à un nombre fini de niveaux).

∑?@% ;

on utilise l’histogramme cumulé normalisé comme fonction de transformation :
;= ∶ ;?RST
U

VWX
Xé TU
?Ré
;=   avec 4 ; ∶ TWS?T Y?RST
U

V
< < ∶ <T
ZUV STS [V \?VR

Le niveaux de gris f(x,y) de chaque pixel (x,y) est transformé en g(x,y) en appliquant
la transformation suivante :
Restauration


∑?]% ;

,   UTX[

 ∗ ;=  ,   UTX[

 ∗
<
)

Valeur entière Valeur maximale : gmax=255 (8bits)

histeq
23

I.2 Améliorations par manipulation d’histogramme

Exemple:
Amélioration

Avant égalisation de l’histogramme)

HCn(f)

Après égalisation de l’histogramme)

Restauration

Cette linéarisation de l’histogramme est une amélioration artificielle qui permet

d'augmenter la clarté de l'image grâce à un choix plus judicieux des intensités relatives.
24

I.2 Améliorations par manipulation d’histogramme

Exemple d’une image couleur :
Amélioration

Traiter chaque
canal à part
Restauration

Le résultat
n’est pas
satisfaisant
25

I.2 Améliorations par manipulation d’histogramme

Exemple d’une image couleur :
Amélioration

Luminance Y Hist. cumulé

Egalisation des
trois canaux
Restauration
26

I.3 Rehaussement de contraste

a. Position du problème
Amélioration

Le contraste (ou brillance) est une propriété intrinsèque d'une image qui quantifie la
différence entre les zones claires et foncées.

Contraste Bas

Rehaussement
Contraste Haut
Restauration

de Contraste
27

Amélioration I.3 Rehaussement de contraste

Le but du rehaussement de contraste est de diminuer

l’étendu de la zone de transition sans affecter l’intensité
moyenne des régions situées de part et d’autre de cette
transition.

Méthodes de rehaussement de contraste :

• Convolution de l’image avec un filtre rehausseur
• Laplacien
• Opérateurs morphologiques
Restauration

• Filtrage homomorphique

• Filtrage d’ordre adaptatif

• Multi résolution
28

I.3 Rehaussement de contraste

b. Convolution de l’image avec un filtre rehausseur :
Amélioration

Rappels sur la convolution:

Soit f une image numérique et soit h une fonction de  ,  ^  , 

 
La convolution de I par h est donnée par:

 ∗ Y ,   > > Y?, _ ∙   ?,   _

?@ _@

La fonction h est dite noyau de convolution.

noyau de convolution
Propriétés :

1. Commutativité :  ∗ Y  Y ∗ 
Restauration

2. Associativité :  ∗
∗ Y   ∗
∗ Y   ∗
∗ Y

3. Distributivité :  
∗ Y   ∗ Y  
∗ Y
29

I.3 Rehaussement de contraste

Filtrage d’une image :
Amélioration

Contrairement aux manipulations d’histogramme (opérations ponctuelles sur le pixel), le

filtrage est un produit de convolution qui fait intervenir le voisinage du pixel.
Filtrer une image c’est modifier la valeur d’un pixel en lui appliquant
une fonction mathématique.

Ce filtre est appelé linéaire si cette fonction est algébriquement linéaire.

Un filtre d’image est défini par une fenêtre carrée de dimension impaire (souvent 3 ou 5)
qui se déplace sur l’image en remplaçant la valeur de chaque pixel de l’image par le
résultat d’une transformation portant sur le pixel et ses voisins.
y-1 y y+1
Exemple : soit un filtre défini par un masque 3x3 de coefficients : a11 a12 a13 x-1
Restauration

a21 a22 a23 x

I G, H
La nouvelle valeur du pixel : a31 a32 a33 x+1

 2`` ∙ 1G  1, H  1 +2`a ∙ 1 G  1, H  2`b ∙ 1 G  1, H  1  2a` ∙ 1 G, H  1 +2aa

∙ 1G, H +2ab ∙ 1 G, H  1  2b` ∙ 1G  1, H  1 +2ba ∙ 1G  1, H +2bb ∙ 1 G  1, H  1
30

Amélioration I.3 Rehaussement de contraste

h
-1/6 -1/3 -1/6

* -1/3 26/6 -1/3

=
-1/6 -1/3 -1/6
Restauration

Filtre rehausseur
31

I.3 Rehaussement de contraste

c. Rehaussement de contraste par Laplacien :
Amélioration

Un contour dans une image correspond au maximum du gradient dans la direction

orthogonale au contour, ce qui correspond à un passage par zéro de la dérivée seconde.

d ,  d , 
La dérivée seconde est déterminée par le calcul du Laplacien :

c  ,  

d d

c  ,  ≅    ,      ,    ,      ,     f, 
Qu’on peut écrire :

Cette opérateur peut être appliquée à une image par l’intermédiaire d’un filtrage ayant le
masque 3x3 suivant :

1 1 1 -1 2 -1
Restauration

Autres approximations du Laplacien : 1 -8 1 2 -4 2

1 1 1 -1 2 -1
Principe de rehaussement par Laplacien : Soustraire de l’image traitée une proportion de

,    ,   g ∙ c  , 
son Laplacien :

Avec g XV WTRSSV

32

I.3 Rehaussement de contraste

g
Exemple de calcul :
Amélioration

,    ,   g ∙ c  , 
Restauration
33

Exemple :
I.3 Rehaussement de contraste

,    ,   g ∙ c  , 
Amélioration

g  %. & 1 1 1
1 -8 1
1 1 1

Différence des 2 images

Restauration

Interpréter?!
 34

Restauration Amélioration
 35

II.1 Objet de la Restauration

La restauration des images a pour but de palier les défauts et de réduire les distorsions
Amélioration

(bruits) introduites par les systèmes d’acquisition.

Elle cherche a retrouver l’image idéale qui aurait pu être obtenue avec un système
d’acquisition parfait

Il existe plusieurs approches :

∗ Filtre de Wiener
∗ Filtres à moyenne géométrique
∗ Filtres de lissage :
∗ filtrage fréquentiel
∗ filtrage linéaire
Restauration
Restauration

∗ filtrage non-linéaire
 36

Amélioration II.2 Le bruit

Le bruit est une information parasite qui s’ajoute aléatoirement à

une image numérique causant la perte de la netteté dans les
détails.

Ce bruit peut être d’origines diverses :

∗ Bruits d’acquisition : flou, poussière, bougé

∗ Bruits lié au système d’acquisition (capteur) : mauvaise mise

au point, bruit thermique, bruit de grenaille
Restauration
Restauration

∗ Bruits d’échantillonnage et de quantification : bruit poivre et

sel

∗ Bruits lié à la transmission: Bruit sel et poivre Flou de bougé

 37

II.2 Le bruit
∗ Bruit Sel et poivre ou bruit impulsionnel :
Amélioration

Ce bruit apparait sous la formes de points noirs et blancs

réparties arbitrairement sur une image. Il peut être causé par un
capteur comportant des pixels défectueux, ou lors de la
transmission de l’images ou la conversion analogique
numérique.
∗ Bruit thermique :
Ce bruit provient des courants parasites dus à l’agitation
brownienne des électrons. Ce bruit augmente avec la
température du capteur.
∗ Bruit des photons (ou de grenaille) :
Le bruit des photons est la principale source de bruit dans les
Restauration
Restauration

images prises par les appareils photo numériques actuels.

∗ Bruit gaussien
 38

II.3 Filtres de Lissage

Les filtres de lissages sont des opérateurs qui permettent de réduire le bruit et
Amélioration

les éléments perturbateurs et non significatifs dans une image numérique.

Il existes plusieurs types de filtres que nous classons comme suit :

- Filtrage linéaire par convolution
- Filtre moyenneur

- Filtre gaussien

- Filtre exponentiel

- Filtrage non linéaire

Restauration
Restauration

- Filtres d’ordre, filtre médian

- NL-means

- Filtre de Nagao

- Filtrage fréquentiel
 39

II.3 Filtres de Lissage

a. Filtrage linéaire par convolution de masque:
Amélioration

Plusieurs filtres de lissage sont obtenus à partir de noyaux de convolution symétriques et

normalisés (∑   . Les plus utilisés sont :
Moyenne Gauss Exponentiel
ℎ G, H 1  Ga  Ha ra
1 j1 j1 ℎ G, H  exp ℎ G, H  exp r G  H
klG, H ∈  , 2no a 2o a 4
 ija 2 2
0 klm,m
1 1 1 1 1 11 23 29 23 11 1 1 3 1 1
1 1 1 1 1 1 1 23 48 62 48 23 1 1 3 7 3 1
1 1  1 1 29 62 w% 62 29 3 7 y 7 3
25 864 80
1 1 1 1 1 23 48 62 48 23 1 3 7 3 1
1 1 1 1 1 11 23 29 23 11 1 1 3 1 1
Filtre gaussien z=1.41 Filtre exponentiel =0.8
Restauration
Restauration

Filtre moyenneur 5x5

Exercice : Déterminer le noyau de convolution

- d’un filtre moyenneur 3x3
- un filtre gaussien 3x3
- un filtre exponentiel 3x3
 40

Restauration
Restauration Amélioration II.3 Filtres de Lissage
 41

Restauration
Restauration Amélioration II.3 Filtres de Lissage
 42

Amélioration
Restauration
Restauration II.3 Filtres de Lissage

L’effet de flou est

d’autant plus
marqué que la taille
Du masque est plus
grande

Filtres non linéaire
 43

II.3 Filtres de Lissage

b Filtrage non linéaire :
Amélioration

Les techniques de filtrage non linéaire sont particulièrement utilisés pour

- réduire le bruit « sel et poivre » (mal éliminé par les filtres linéaires).

- Conserver l’intégrité des frontières : éliminer le bruit sans les rendre floues.

Plusieurs types de filtres existent :

- Le filtre médian

- Les filtres d’ordre (généralisation du filtre médian)

Restauration
Restauration

- Filtres de Nagao

- NLMeans

- Filtres morphologiques
 44

II.3 Filtres de Lissage

i) Filtre médian :
Amélioration

Le principe du filtre médian consiste à :

1. Choisir une fenêtre de taille impaire (3x3; 5x5; etc..)
2. Centrer la fenêtre sur chaque pixel et trier les valeurs des pixels
voisins qui se trouvent à l’intérieur de la fenêtre :

Voisinage  ,  , ⋯ , 
| Tri  ,  , ⋯ , 
 

3. Remplacer la valeur du pixel courant par le niveau de gris médian des valeurs
ainsi ordonnées. ( la valeur médiane = valeur qui se trouve au milieu = celle qui
Restauration
Restauration

partage la série en deux séries de même effectif) :

  ≤  ≤ ⋯ ≤ 
  ≤ 
≤ 
  … ≤ 
 

m valeurs m valeurs
 45

II.3 Filtres de Lissage

Exemple illustratif :
Amélioration

Valeur médiane

1,1,3,5, ', 10,12,50,82

1 10 82
1 10 82
Voisinage 7 50 12 Tri
7 50 12
5 3 1
5 3 1

Propriétés : 1 10 82
Restauration
Restauration

• Efficace vis-à-vis du bruit de type poivre et sel 7 7 12

• Préservation des contours (marche, rampe)
• Destruction des angles et détails fins 5 3 1
• Local, non linéaire

Avec un filtre moyenneur :

Fonction : >> medfilt2 on affecterait la valeur moyenne du voisinage, soit 19
 46

Restauration
Restauration Amélioration II.3 Filtres de Lissage
 47

Amélioration II.3 Filtres de Lissage

Bruit Sel & Poivre

Restauration
Restauration
 48

II.3 Filtres de Lissage

Bruit Poivre et Sel
Amélioration

Bruit Gaussien
Restauration
Restauration

Bruit de Poisson
 49

Amélioration
Restauration
Restauration II.3 Filtres de Lissage

Ecrire un programme Matlab pour :

1. Générer l’image synthétique ci-
dessus
2. Appliquer un filtre moyenneur et un
autre médian
 50

II.3 Filtres de Lissage

ii) Filtre d’ordre:
Amélioration

Le filtre d’ordre est une généralisation du filtre médian.

Après avoir trier les valeurs au voisinage du pixel, le filtre d’ordre procède par remplacer la
valeur du pixel par celle qui occupe un certain rang

  ≤  ≤ ⋯ ≤  ~ ≤ ⋯ ≤ 
 
le filtre d'ordre de rang k est défini par :

,    ~
Cas particuliers :
∗ k=m : Filtre médian
Restauration
Restauration

∗ k=1 : l’érosion morphologique ( la valeur minimale)

∗ K=2m+1 : la dilatation morphologique (la valeur maximale)

Variante : le filtre du milieu :
,  

  |
|
Fonction : >> ordfilt2
 51

Restauration
Restauration Amélioration II.3 Filtres de Lissage
 52

Amélioration
Erosion morphologique
II.3 Filtres de Lissage

Filtre médian
Restauration
Restauration

Dilatation morphologique
 53

Avec une fenêtre 5x5

II.3 Filtres de Lissage
1 3 5
Le bruit poivre et sel affecte 20%de
Amélioration

cette image

11 13 15
Restauration
Restauration

21 23 25
 54

Erosion et dilatation
II.3 Filtres de Lissage
Erosion morphologique
Amélioration
Restauration
Restauration

Dilatation morphologique
 55

II.3 Filtres de Lissage

iii) Filtre de Nagao:
Amélioration

Le principe de ce filtre consiste à*

1. centrer une fenêtre 5X5 sur chaque pixel

2. Définir les 9 domaines ci-contre ? ?@,…,€

3. Calculer pour chaque domaine la moyenne ? et la

variance z ? .

 
?  > ?~ VS z? 

> ?~  ?
< ? < ?
Restauration

~ ~
Restauration

<? : Nombre de pixels dans le domaine ?

4. Attribuer au pixel la moyenne du domaine ayant la

plus faible variance.
 56

Restauration
Restauration Amélioration II.3 Filtres de Lissage
 57

II.3 Filtres de Lissage

c. Filtrage fréquentiel :
Amélioration
Amélioration

i. Rappels sur la transformée de Fourier discrète bidimensionnelle :

La TF est un outil fondamental dans le traitement d’images.
La TF est utilisée pour décomposer un signal ou une image f en une combinaison linéaire de
sinusoïdes complexes.
La transformée de Fourier d’une image est une représentation de cette image dans le
domaine de Fourier ou fréquentiel.
Transformée de Fourier discrète 2D :
†„ <„
 
‚ X, ƒ  > > ,  ∙ V „_ …X†
∙ V „_ …ƒ< M : nombre de lignes
@% @%
avec X ∈ %, †   VS ƒ ∈ %, <  
N : nombre de colonnes
Restauration
Restauration

(x,y) : coordonnées du
Transformée de Fourier inverse :
domaine spatial
†„ <„
  
 ,   > > ‚X, ƒ ∙ V ∙ V
(u,v) : coordonnées du
_ …X† _ …ƒ<
†<
X@% ƒ@%
domaine fréquentiel
 58

II.3 Filtres de Lissage

propriétés de la transformée de Fourier discrète bidimensionnelle :
‚ 
Linéarité :  ∙  ,   Z ∙  ,   ∙ ‚ X, ƒ  Z ∙ ‚ X, ƒ
Amélioration
Amélioration

Périodicité : ‚ X, ƒ  ‚ X  †, ƒ  < Module/Phase : ‚ X, ƒ  ‚ X, ƒ ∙ V_‡X,ƒ

‚ X, ƒ  ‚ X, ƒ
Symétrie : si f une fonction réelle : ‚ X, ƒ  ‚X, ƒ ∗
A
‡ X, ƒ  ‡X, ƒ
‚ 
 ,  ∗  ,  ‚ X, ƒ ∙ ‚ X, ƒ
Convolution : 4  ‚ 
 ,  ∙  ,  ‚ X, ƒ ∗ ‚ X, ƒ

d , ‚  d , ‚ 

Dérivation : d
_X‚X, ƒ et d
_ƒ‚X, ƒ
Restauration
Restauration

‚ 
  % ,   % ‚X, ƒ ∙ V ∙V
 
„_ …X †% „_ …ƒ <%
Translation spatiale/fréquentielle : 4
„_ … % ‚ 
 ,  ∙ V † ∙V < ‚X  X% , ƒ  ƒ%
X ƒ
„_ … %

Théorème de Parseval : ∑†„

@% ∑@% ,   †< ∑†„
X@% ∑ƒ@% ‚X, ƒ
<„  <„
 59

Amélioration
Restauration
Restauration
Exemples :
II.3 Filtres de Lissage

Transformée de Fourier : >> fft2 et Transformée inverse : >> ifft2

 60

Amélioration
Exemples : sinusoides
II.3 Filtres de Lissage

Période : M/2 Période : M/32

Restauration
Restauration
 61

Amélioration
ii) Filtres passe bas :
II.3 Filtres de Lissage

TFD 2D

Un filtre passe bas met en

évidence les zones
homogènes dans l’image où
il y a peu de variation des
niveaux

Filtre Passe-bas :
multiplication dans le do
Restauration
Restauration

maine fréquentiel par

une fonction porte
(fenêtre 81x81)

TFD inverse
 62

Amélioration Iii) Filtres passe haut : II.3 Filtres de Lissage

TFD 2D

Un filtre passe-haut met

en évidence les zones
hétérogènes où les
variations locales des
niveaux sont importantes.

Filtre passe-haut :
Restauration
Restauration

multiplication dans le
domaine fréquentiel
par le complément
d’une fonction porte
(fenêtre 31x31)

TFD inverse
 63

Amélioration
Iv) Filtres passe bande :
II.3 Filtres de Lissage

TFD 2D

Filtres Passe bande,

passe-haut, de
synthèse : sélection
de fréquences
particulières.

Filtre Passe-bande :
multiplication dans le do
Restauration
Restauration

maine fréquentiel par

une fonction bande
symétrique

TFD inverse
 64

Amélioration
Restauration
Restauration
v) Autre Exemple :
II.3 Filtres de Lissage
 65

Amélioration
Restauration
Restauration
v) Autre Exemple :
II.3 Filtres de Lissage