Vous êtes sur la page 1sur 87

Traitement d’images

Prétraitements

Traitement
d’images

1
On entend par prétraitements des opérations effectuées
sur l’image pour soit l’améliorer, soit la restaurer, i.e.
restituer aussi fidèlement que possible le signal d’origine.

• Amélioration visuelle
• Réduction de l’information inutile (bruit)
• Renforcement de l’information utile

Prétraitements

Traitement
d’images

Restauration Amélioration
(débruitage par ex.) (modification de la
dynamique par ex.) 2
Amélioration

Traitement
d’images

3
Amélioration

Problème de l'amélioration : un problème subjectif.


Quand pourra-t-on dire qu'une image est améliorée ?

Œil humain : essentiellement sensible aux forts contrastes.


➠Techniques d'amélioration tentent d'augmenter
ceux-ci pour accroître la séparabilité des
régions composant une scène.

Traitement
d’images

4
Amélioration

• Il existe 2 grandes familles de méthodes :

- Les méthodes globales ou ponctuelles


- Les méthodes locales  ou dites de voisinage

• Les méthodes globales modifient chaque point de


l'image en fonction d'une information globale
– La modification de l'histogramme : égalisation,
spécification
Traitement
– La modification de l'échelle des niveaux :
d’images contrastage, négatif, extraction de bits, découpage
de l'intensité, troncature, seuillage

5
Amélioration

• Conditions d’acquisition et conséquences

Images

Histogrammes

Traitement
d’images Correcte Sous-exposée Sur-exposée

6
Amélioration

Modification des niveaux de gris


Chaque niveau de gris est modifié dans le but d'accroître le
contraste (en contrôle qualité, où on a un ou plusieurs objets sur un
fond continu uniforme, on s'attache à accroître les transitions objet-
fond) ✦opération ponctuelle

Type de correction adapté lorsqu'une majeure partie des niveaux de


gris présents dans l'image est concentrée dans un faible intervalle
sur l'échelle des intensités lumineuses.

Traitement
d’images
Fonction prédéfinie
ex.: linéarisation
Image = discrète, donc transformation par table de correspondance
7
(LUT)
Amélioration

Modification des niveaux de gris

Traitement
d’images

8
Amélioration

Modification des niveaux de gris

Traitement
d’images

Histogramme
Histogramme 9
Amélioration

Recadrage dynamique

f g
fmin fmax gmin=0 gmax

Traitement
d’images

10
Amélioration

Egalisation de l’histogramme
Pour améliorer l'information contenue dans l'image, on utilise une technique
appelée égalisation de l'histogramme.
La transformation est construite de telle façon que le nouvel histogramme
soit plat (distribution uniforme des niveaux de gris).
Cette opération est équivalente à maximiser l'entropie de l'image,
on obtient alors théoriquement, une image ayant une information maximale.

FDC de g
Traitement
d’images Une linéarisation exacte est pratiquement
f(x,y)
impossible du fait de la nature discrète de
l'histogramme des niveaux de gris.
Le plus souvent, la dynamique du nouvel
Fonction de histogramme est plus faible. 11
distribution cumulative
Amélioration

Egalisation de l’histogramme

La linéarisation de l'histogramme présente plusieurs avantages :


1. entropie maximum
2. les non-linéarités monotones sont compensées
3. on obtient une image normalisée ce qui permet éventuellement des
comparaisons visuelles avec d'autres images (également normalisées).
4. cet algorithme regroupe les classes à faible population et étale les
classes à fort effectif. De ce fait, de faibles variations au sein de ces
classes vont se retrouver amplifiées, d'où une mise en évidence de
détails noyés dans une surface quasi uniforme, mais on perd en définition
dans les classes à faible effectif.

Traitement Transformation de la luminance visant à obtenir un


d’images
histogramme uniforme
 Modification de la répartition statistique des luminances

12
Amélioration

Transformation de la distribution
gmax
g1+dg
g1
g
f1 f1+df g1 gmax
fmax

Traitement
d’images

f
f1 fmax
13
Amélioration

Transformation de la distribution

g
gmax

g1 g1+dg
g1

h’(g)
f1
fmax

h(f)

Traitement
d’images

Egalité des surfaces :


f
f1 f1+df 14
Amélioration

Histogramme et Probabilités

Histogramme H(f): estimation


de la densité de probabilité p(f)
dP  f 
p  f =
df
f
f1 fmax

Histogramme cumulé:
Probabilité P(f) qu'un niveau de gris
Traitement
d’images
soit inférieur à f.
f f

Histogramme cumulé de f P  f =∑ H  f 


i =0
15
Amélioration
Démonstration
gmax
g1+dg
g1

f g
f1 fmax f1 f1+df fmax g1 gmax

Pente en f1
Traitement
d’images 1

φ fonction monotone croissante 


16
Amélioration

Transformation de la distribution
gmax
g1+dg
g1

f g
f1 fmax f1 f1+df fmax g1 gmax

Pente en f1
Traitement
d’images p 1

17
Amélioration

Egalisation d’histogramme
gmax
g1+dg
g1

f g
f1 fmax f1 f1+df fmax g1 gmax

1
Traitement
d’images dg
Densité de probabilité uniforme pour g  ' = = p f 
df

18
Amélioration

Egalisation d’histogramme
gmax
g1+dg
g1

f g
f1 fmax f1 f1+df fmax g1 gmax

Traitement
d’images f g
Histogramme cumulé de f Histogramme cumulé de g

19
Amélioration
Egalisation d’histogramme
 histogramme résultat plat : distribution uniforme des niveaux de gris
– tous les niveaux de gris ont le même nombre de pixels après
égalisation

N(f)
 Regroupement des classes
à faible effectif
 Etalement des classes
à forte population f
mise en évidence de détails 0 1 2 3 4 5 6 7 8 9 10
noyés dans les surfaces
Linéarisation
quasi-uniformes
N(g)
 Image normalisée
Traitement  Amélioration artificielle :
d’images
Augmente la clarté de l'image
par choix plus judicieux des g
intensités relatives 0 1 2 3 4 5 6 7 8 9 10

20
Amélioration

Egalisation d’histogramme

Image discrète :

Histogramme cumulé (FDC)  Probabilités

Fréquence statistique

Niveau de gris f transformé en g 


Traitement
d’images

Loi de transformation 

21
Attention: en discret  valeur entière
Amélioration

Traitement
d’images

22
Amélioration
Egalisation d’histogramme

Image originale Histogramme original

Traitement
d’images Transformation
(non-linéaire)

Image après Histogramme égalisé


23
égalisation
Amélioration

Histogramme « plat » ?

Traitement
d’images

24
Amélioration

Egalisation d’histogramme

Traitement
d’images Image originale Image après égalisation

25
Amélioration

Réhaussement de contraste

Traitement
d’images

26
Amélioration

Réhaussement de contraste

Traitement
d’images

27
Amélioration
Réhaussement de contraste
• But du réhaussement de contraste :
– Diminuer l’étendue de la zone de transition sans affecter l’intensité
moyenne des régions situées de part et d’autre de cette transition
f(x)

Contour rehaussé
Contour flou

– Limite le risque de fusions intempestives de régions distinctes lors


de la phase de segmentation
 Réduire le bruit dans les zones stationnaires, et éviter les
Traitement
phénomènes de dépassement
d’images • Méthodes utilisées :
 Laplacien, filtrage d'ordre adaptatif, opérateurs
morphologiques

28
Convolution d'images numériques

Traitement
d’images

29
Amélioration
Réhaussement de contraste par Laplacien

• Approximations du Laplacien
0 1 0 1 1 1
Laplacien : dérivée seconde
1/4 . 1 -4 1 1/8 . 1 -8 1

0 1 0 1 1 1

• Principe du rehaussement
– Soustraction à l’image initiale d’une proportion de son Laplacien

– Si images bruitées, tendance à amplifier le bruit, alors :


 utilisation d’un opérateur Laplacien filtré Φ

Traitement
(Φ : différenciation de 2 filtres passe-bas)
d’images

30
Amélioration
Exemple de réhaussement
-1 -1

-1 5 -1 = 1 + -1 4 -1

-1 -1

3 5 3 3 5 3
7 6 5 7 8 5
6 5 4 6 5 4
Traitement
d’images
Image originale Image rehaussée
(5x6)-7-5-5-5=8

31
Amélioration
Exemple de réhaussement

Image originale Image rehaussée

Traitement
d’images

32
Image des différences
Amélioration
Réhaussement par filtrage d’ordre adaptatif
• Principe
CV
QL QL
CC

Contour flou et bruité Contour net sans bruit


• Filtrage différent selon le sens de la concavité de f
– si zone convexe (CV), filtre d'ordre Φ1 qui accentue les
statistiques d’ordre faible
– si zone concave (CC), filtre d'ordre Φ2 qui accentue les
statistiques d’ordre élevé
– si zone quasi-linéaire (QL), filtre d'ordre Φ3 de type lissage

Traitement • Caractérisation des zones concaves et convexes de la


d’images
fonction intensité
– zone concave si Vmil < Vmed avec : Vmil = f(K+1) / 2
– zone convexe si Vmil > Vmed et : Vmed = f((K+1)/2)
33
– zone quasi-linéaire si Vmil ≈ Vmed
Amélioration
Réhaussement par filtrage morphologique
• Principe fa
g f ⊕g

x f

f g

x
– Mesure en chaque pixel de la proximité relative de la fonction initiale
d’intensité avec sa dilatée et son érodée; on a :

– Affectation de la dilatée ou de l’érodée selon cette proximité


Traitement – calcul de M(p,q)
d’images

– affectation : si f(p,q) ≤ M(p,q)


alors
sinon 34
Amélioration
Exemples de réhaussement de contraste

Image originale Rehaussement Rehaussement


de contraste de contraste
par le laplacien par morphologie
Traitement
d’images

35
Restauration

Traitement
d’images

36
Restauration

Objet : la réduction, voire l'élimination des distorsions introduites


(bruits) par le système ayant servi à acquérir l'image.

But : obtenir une image qui soit la plus proche possible de l'image
idéale qui aurait été obtenue si le système d'acquisition était
parfait.

Traitement
d’images

37
Restauration

A propos du bruit
Bruit lié au contexte de l'acquisition
Bruit lié au capteur
Bruit lié à l'échantillonnage
Bruit lié à la nature de la scène

Traitement
d’images

38
Restauration
Dégradations subies par l’image
Plusieurs types de bruit :

• bruit "poivre-et-sel" (de type impulsionnel) ;


• bruit de "speckle " (bruit granulaire de type multiplicatif);
• bruit gaussien;

Traitement
d’images

Salt and pepper Gaussien Speckle

39
Restauration
Dégradations subies par l’image
Dans l'ensemble des dégradations possibles d'une image, il existe
une classe intéressante : les transformations linéaires. Dans ce cas,
on suppose les dégradations invariantes spatialement ce qui permet
d'écrire le modèle suivant :
b(x,y)

fi(x,y) fd(x,y) fr(x,y)


Dégradation Restauration
Image g Image Image
idéale dégradée restaurée

Traitement
d’images
Image dégradée Image initiale Bruit additif
à restaurer

réponse impulsionnelle du système linéaire 40


modèle de la source de dégradation
Restauration
Modèle de dégradation

Les méthodes de restauration sont alors basées sur la recherche de


la fonction fi , l’opérateur g et le bruit b étant connus.

Remarque :
Si g est l’identité, alors fd est une version bruitée de fi
 la restauration consiste alors à supprimer le bruit contenu
dans l’image

Traitement
Si bruit et signal sans forme analytique, caractérisation par leurs
d’images propriétés statistiques :
• Filtre de Wiener : estimation par les moindres carrés
• Filtre de Hunt : variante du filtre de Wiener
• Filtre à moyenne géométrique
41
Restauration
Filtre de Wiener
Solution optimale au sens des moindres carrés

Fonction de transfert du filtre


Fonction de transfert théorique
Spectre de puissance du bruit
Remarque :
(approximation)
Spectre de puissance du signal
→ Filtre inverse
Traitement
Contraintes :
d’images • Connaître K constante proportionnelle à la variance du
bruit
• Connaître G réponse en fréquence du système.
Inconvénients :
• Variance du bruit pas toujours facile à estimer
• Pas toujours satisfaisant visuellement 42
Restauration
Filtre à moyenne géométrique

Remarque :

Donc :
• Plus s voisin de 1, plus on fait confiance au modèle théorique

Traitement
d’images

43
Restauration

Filtres de lissage

Le principal problème est le choix de l'opérateur de lissage qui doit


être lié à la nature du bruit.

Souvent, le bruit introduit des hautes fréquences et un simple filtre


passe-bas peut quelquefois fortement l'atténuer.
Dans ce cas, l'opérateur h sera par exemple un filtre moyenneur.

Traitement
d’images

44
Restauration
Filtres de lissage

Principe
Lissage : atténuer le bruit dans l’image
Utilisation d’opérateurs destinés à éliminer le bruit ou des éléments
non significatifs.
Différentes approches :
• Le filtrage fréquentiel
• Le filtrage linéaire par convolution de masque
• Le filtrage non-linéaire (e.g. médian)

Traitement
d’images

45
Restauration

Filtrage fréquentiel

Traitement
d’images

46
Restauration

Filtrage fréquentiel

TF

Filtrage fréquentiel

Traitement
d’images

TF-1

47
Restauration
Filtrage fréquentiel
• Transformée de Fourier d’une image numérique

– On peut représenter la partie réelle, la partie imaginaire et le


module appelé spectre de Fourier

• Filtrage fréquentiel :
– On multiplie f(u,v) par une fonction de fenêtrage
– Calcul de la transformée inverse

Traitement • Propriété :
d’images
– multiplier dans le domaine fréquentiel revient à convoluer
dans le domaine temporel

48
Restauration
Filtrage fréquentiel

Dans l'équation :

La transformée de Fourier représente le degré de ressemblance


entre la fonction I les fonctions cosinus et sinus à différentes
fréquences.
Traitement
d’images
Les images qui sont de purs cosinus ou de purs sinus ont des
transformées de Fourier particulièrement simples.
 49
Restauration

Filtrage linéaire

Traitement
d’images

50
Restauration
Filtrage linéaire

Origine
Méthodes issues du traitement du signal

Opérateur h

Extension au cas bidimensionnel

Traitement
d’images

51
Restauration
Filtrage linéaire
Propriétés
 Linéarité :

 Produit de convolution dans le domaine spatial :

En continu :

En discret :

 Séparabilité :
 rép. impulsionnelle séparable
Pour une image à convoluer avec h :

Avantages des filtres séparables :


Traitement • Filtrage 2D → filtrage 1D
d’images • Complexité algorithmique 2n au lieu de n2
• Implantation récursive possible
 Isotropie/anisotropie :
isotrope si filtrage réalisé = indépendant de l’orientation des structures de
l’image. 52
Restauration

Filtrage linéaire

Réalisation des filtres linéaires

• Masques de convolution
• Approches optimales

Traitement
d’images

53
Restauration

Filtrage linéaire par convolution 

Multiplication dans le domaine fréquentiel correspond à convolution


dans le domaine spatial.
Nombreux filtres de lissage peuvent être obtenus à partir de noyaux
de convolution symétriques et normalisés (somme = 1).
 réponse impulsionnelle à support borné

h noyau avec voisinage de taille

Traitement
d’images
Image restaurée (lissée) Image dégradée

Coefficients de l’opérateur de lissage


54
Restauration
Principe du lissage discret Exemples de filtres passe-bas
Niveau de gris 1 1 1
II
1/9 . 1 1 1
4
3 1 1 1

2
1
0 x 1 1 1

01 2 34 56 7 8 9 1/10 . 1 2 1
Niveau de gris
IF Filtrage
1 1 1

4
3 1 2 1
2 1/16 . 2 4 2
1
0 x 1 2 1
0 1 2 3 4 génère
Remarque: 5 6 7 8un9 effet de flou

Traitement Pour limiter l’effet de flou  Lissage adaptatif (plus coûteuse en temps)
d’images

1 d ( m, n, i, j ) 1 1
g ( m, n, i, j ) = ⋅ i= + k j = + l et d ( p, q , i , j ) = et g ( p, q,0,0 ) =
2 f ( p − i, q − j ) − f ( p, q ) 2
∑ ∑ d ( m, n, i, j )
i= − k j = − l
d d
55
1 1 1 Restauration
1 1 1
1/9
1 1 1 Filtre moyenneur
0 5 7 6 5 4 3 2 1 1
1 5 0 77 6 5 2 3 2 0
2 3 4 0 5 3 3 5 2 2
5 7 6 0 6 6 6 4 3 3
1 7 5 0 4 5 6 5 4 5
0 2 1 5 0 0 7 6 5 6
1 3 1 2 7 0 0 0 0 1
1 2 3 2 4 6 7 5 4 7
2 1 2 3 5 1 1 5 2 6
1 0 1 1 2 2 3 6 4 4

0 5 7 6 5 4 3 2 1 1
1 3 4 4 5 4 3 3 2 0
2 4 4 4 4 4 4 3 2 2 Bords non traités
Nouvelle valeur
Nouvelle valeur du
du pixel
pixel central
central 5 4 4 3 4 5 4 4 4 3
1 4 4 3 3 4 5 5 5 5
Traitement == (7+6+5+0+7+6+4+0+5)/9
(0+5+7+1+5+0+2+3+4)/9 == 43
(5+7+6+5+0+7+3+4+0)/9 0 2 3 3 4 5 3 5 5 6
d’images 1 3 2 3 5 4 4 3 3 1
1 2 2 3 3 4 4 4 4 7
2 2 2 3 5 3 3 5 4 6
1 0 1 1 2 2 3 6 4 4
56
D’après M. Dai, Univ. Bordeaux 3
Restauration
Filtre moyenneur

Image originale Image moyennée (9x9)


Traitement
d’images

Effet de flou d’autant plus marqué


que la taille du filtre est grande
57
Restauration
Filtre moyenneur

Image originale Image moyennée (3x3)


Traitement
d’images

58
Restauration
Filtre moyenneur

Image originale Image moyennée (5x5)


Traitement
d’images

59
Restauration
Filtre moyenneur

Image originale Image moyennée (7x7)


Traitement
d’images

60
Restauration
Filtre moyenneur

Image originale Image moyennée (9x9)


Traitement
d’images

61
Restauration

Filtres binomiaux et gaussiens

Filtrage gaussien 2D :

Réponse impulsionnelle
du filtre gaussien en 2D
Propriétés :
• Approche optimale
Traitement • Séparable (gaussienne 2D=produit de 2 gaussiennes 1D)
d’images
• Isotrope
• Approximation par masque de convolution
• σ facteur d’échelle spatiale → taille du filtre
62
Remarque : filtrage de type passe-bas
Restauration

Filtres binomiaux et gaussiens


Filtre binomiaux → approximations de filtres gaussiens finis discrets

Triangle Niveau Somme Variance


de Pascal (n)
1 0 1 0
11 1 2 1/4
121 2 4 1/2
1331 3 8 3/4
14641 4 16 1
1 5 10 10 5 1 5 32 5/4

Traitement Construction des filtres :


d’images
n convolutions

h2 ( p ) = [1 2 1]
63
Restauration

Filtres binomiaux et gaussiens


Exemples en 2D
 1  1 2 1 1 2 1 Approximation de
h2 ( p, q) = [1 2 1] ∗  2 =  2 4 2 1/16 2 4 2
1 2 1
 1  1 2 1

Fonction de transfert du filtre binomial 3x3

 1  1 4 6 4 1 1 4 6 4 1
 4  4 16 24 16 4 4 16 24 16 4
   
Traitement h ( p, q ) = [1 4 6 4 1] ∗  6 =  6 24 36 24 6 1/256 6 24 36 24 6
4
d’images     4 16 24 16 4
 4  4 16 24 16 4 1 4 6 4 1
 1  1 4 6 4 1

Approximation de
64
Restauration

Filtres binomiaux et gaussiens

Traitement
d’images (1) Binomial α2h2 et filtre gaussien
(2) Binomial α4h4 et filtre gaussien
(3) Binomial α8h8 et filtre gaussien
(4) Binomial α16h16 et filtre gaussien
65
Restauration

Filtres binomiaux et gaussiens

Image originale

Image originale
Traitement
d’images bruitée

66
Restauration

Filtres binomiaux et gaussiens

Image originale bruitée


Image filtrée

Traitement
d’images

67
Image filtrée Image filtrée
Restauration

Filtres binomiaux et gaussiens

Image filtrée Image filtrée

Traitement
d’images

68
Image de la différence
Restauration

Remarque
Hautes fréquences

Fonction de transfert Fonction de transfert


du filtre binomial 3x3 du filtre moyenneur 3x3
D’après P.-Y. Coulon, ENSERG

Traitement
TF :
d’images

Complexité (n taille du filtre):


• Moyenneur : O(n)
• Médian : O(n log n) 69
Restauration

Filtrage non linéaire

Traitement
d’images

70
Restauration
Filtres non linéaires
Intérêt

Vis-àvis du bruit impulsionnel : mauvais comportement des filtres


linéaires.

Préservation des frontières des objets : on veut éliminer le bruit sans


introduire de distorsion sur les frontières des objets.

Solutions
• Filtre médian
• Filtres d’ordre
• Filtre de type Nagao
Traitement
• Filtres morphologiques
d’images

71
Restauration
Filtre médian
Principe :
• choisir une fenêtre de taille impaire,
• pour chaque pixel de l’image
centrer la fenêtre sur le pixel courant,
déterminer le niveau de gris médian sur la fenêtre
attribuer le niveau de gris médian au pixel courant

Voisinage Tri Sélection

Voisinage :
Niveaux ordonnés :
Traitement
d’images

72
Restauration
Filtre médian
Exemple :
3 5 3 3 5 3
7 6 5 7 5 5
6 5 4 6 5 4

3, 5, 3, 7, 5, 4, 6, 5, 4 3, 3, 4, 4, 5, 5, 5, 6, 7

Propriétés :
• Efficace vis-à-vis du bruit impulsionnel (type poivre et sel)
• Préservation des contours (marche, rampe)
• Destruction des angles et détails fins
• Local, non linéaire
• Croissant , autodual, idempotent lorsque le filtrage conduit à une
Traitement image totalement ordonnée (cas qui ne peut s'obtenir que par un
d’images très grand nombre de passages successifs)
• Respecte l'union et l'intersection
• Ne respecte pas l’addition
73
Restauration
Filtre médian

Original Moyenneur Médian

Traitement
d’images

74
Restauration
Filtre médian
Propriétés
Bon comportement :

créneau rampe

Traitement Défauts :
d’images

75
Restauration
Filtre médian
■ POUR i allant de 1 à largeur- 1 FAIRE
■ POUR j allant de 1 à hauteur - 1 FAIRE
index = 0
POUR k allant de –1 à 1 FAIRE
POUR l allant de –1 à 1 FAIRE
Tab[index] = pixel(i+ k, j+ l)
FIN
Trier les valeurs
median.pixel(i, j) = tab[5]
■ FIN

■ TANT QUE pas trié


■ POUR i allant de 1 à nbre_valeurs FAIRE
•trié = vrai
•SI tab(i - 1) > tab(i) ALORS « échanger les valeurs »
Traitement tampon = tab(i)
d’images tab(i)= tab(i - 1)
tab(i - 1)= tampon
trié = faux
■ FIN
■ FIN
76
Restauration
Filtre d’ordre
(Rank order filter)

Le Filtre d’ordre (Rank Order Filter )est une généralisation du filtrage


médian par choix de la fonction de sélection de l'élément :
• élément minimum ou maximum  donne filtres morphologiques.
• élément médian

Les filtres d'ordres procèdent en remplaçant les valeurs de chaque


pixel par la valeur qui occupe un certain rang lorsqu'on trie les
valeurs observées dans un certain voisinage du pixel.
Traitement
d’images

77
Restauration
Filtre d’ordre

Remarque : N impair
Fonction de sélection de la forme :

Médian :
Moyenneur :
Milieu :

Traitement On démontre que  minimisation du critère


d’images

Médian :
Moyenneur :
Milieu : 78
Restauration
Filtre de Nagao

4 rotations de 90° 4 rotations de 90°


4 fenêtres 4 fenêtres

Total : 9 fenêtres
Traitement
d’images

9 moyennes µ k et 9 variances σ k2 des niveaux de gris


 on remplace le pixel central par µ k t.q. σ k2 la plus faible.
79
Restauration
Filtre de Nagao
Autre version:
 9 domaines 3x3 identiques

4 rotations de 90° 4 rotations de 90°


4 fenêtres 4 fenêtres
Traitement
d’images Total : 9 fenêtres

80
Restauration
Filtre de Kuwahara

4 régions
4 moyennes et 4 variances

Principe :
NdG du pixel central remplacé par la moyenne de la région de
variance minimale
Traitement
d’images Propriété :
Lissage avec préservation des contours

81
Restauration
Filtre de Kuwahara
1 2 3 6 8

1 2 3 6 8

2 2 5 6 8

2 3 4 6 8

4 5 5 6 8

Nouvelle valeur du pixel central= 2

1 2 3 6 8

Traitement 1 2 3 6 8
d’images 2 2 2 6 8

2 3 4 6 8

4 5 5 6 8

82
Restauration
Filtre de Kuwahara

Image originale Image filtrée


Traitement
d’images

83
Restauration
Exemples

Bruit gaussien Moyenneur 3x3 Filtre adaptatif 3x3 Médian 3x3


(Wiener)

Traitement
d’images

Bruit Moyenneur 3x3 Filtre adaptatif 3x3 Médian 3x3


salt and pepper (Wiener) 84
Restauration
Exemples

Bruit Moyenneur 3x3 Filtre adaptatif 3x3 Médian 3x3


speckle (Wiener)

Traitement
d’images

Bruit
salt and pepper Médian 3x3 Médian 7x7 85
Amélioration

Filtrage

Une ch’tite démo?

Traitement
d’images

86
This is the end…of this part !

Traitement
d’images

87