Académique Documents
Professionnel Documents
Culture Documents
RECONNAISSANCE DE FORMES
MASTER PRO GL-1
AU 2020
HISTOGRAMME D’UNE IMAGE
HISTOGRAMME D’UNE IMAGE
3
LUMINANCE, CONTRASTE D’UNE IMAGE
4
LUMINANCE, CONTRASTE D’UNE IMAGE
5
HISTOGRAMME : ANALYSE ET
TRANSFORMATION
6
MODIFICATION DE L’HISTOGRAMME
On cherche à améliorer l’image en lui appliquant une
transformation ponctuelle d’intensité.
A tout pixel d’intensité as on associe une intensité
a’s= T(as)
La transformation T est choisie croissante de façon à
conserver les contrastes relatifs entre régions
L’image est considérée ici soit comme un signal
déterministe, soit comme un ensemble de
réalisations d’une variable aléatoire
Les méthodes de transformation d’histogramme
permettent de corriger le contraste et l'échelle des
couleurs
La modification de l’histogramme n'altère pas les
7
informations contenues dans l'image mais les rend
plus ou moins visibles.
MODIFICATION DE L’HISTOGRAMME
COURBE TONALE
La modification d'un histogramme est généralement
représentée sur une courbe : courbe tonale.
La courbe tonale indique la modification globale des
composantes de l'image avec :
en abscisse les valeurs initiales, et en ordonnées les valeurs après
modification.
La courbe tonale correspond à une fonction de transfert définie par
une table de transcodage appelé look up table, notée LUT. L
La diagonale indique la courbe telle que les valeurs initiales sont
égales aux valeurs finales (aucune modification n'a eu lieu). Les
valeurs à gauche de la valeur moyenne sur l'axe des abscisses
représentent les pixels "clairs" tandis que ceux à droite représentent
les pixels foncés.
8
MODIFICATION DE L’HISTOGRAMME
COURBE TONALE
9
EXPANSION DYNAMIQUE
• Transformation linéaire
• Transformation linéaire avec saturation
• Transformation linéaire par morceau
10
EXPANSION (ETIREMENT) DE DYNAMIQUE
11
TRANSFORMATION LINÉAIRE
- Une image à haut contraste a un histogramme bien réparti.
-Unhistogrammebienrépartipermettrad’obtenirunboncontraste!
12
13
TRANSFORMATION LINÉAIRE
14
Courbe tonale
correspondant à
Implémentation l’expansion de
l’histogramme
15
EXPANSION DE L’HISTOGRAMME : ILLUSTRATION
16
TRANSFORMATION LINÉAIRE AVEC
SATURATION
17
TRANSFORMATION LINÉAIRE AVEC
SATURATION
18
19
TRANSFORMATION NON LINÉAIRE : ILLUSTRATION
20
CORRECTION DYNAMIQUE DE L’IMAGE
21
CORRECTION DYNAMIQUE DE L’IMAGE
22
ÉGALISATION D’HISTOGRAMME
L'histogramme cumulé représente la distribution cumulé
des intensités des pixels d'une image, c'est-à-dire le
nombre de pixels ayant au moins une intensité
lumineuse donnée.
Cette transformation consiste à rendre le plus plat
possible l’histogramme des niveaux de gris de l’image.
L’image est associée à une modélisation probabiliste dont
l’histogramme représente la densité de probabilité de la
variable niveau de gris
Cette méthode permet de renforcer le contraste sur des
détails de l’image qui sont masqués par des variations
d’intensité de plus grande amplitude et à plus grande
échelle.
23
ÉGALISATION D’HISTOGRAMME
24
HISTOGRAMME: ÉGALISATION
25
Cas discret : Exemple
26
27
28
Correction de la dynamique de l’image:
Dans le cas où l’histogramme initial occupe toute la plage de dynamique
aucun changement n’est visible
29
EXEMPLE (1): EGALISATION DE L’HISTOGRAMME
30
EXEMPLE (2): EGALISATION DE
L’HISTOGRAMME
31
EXEMPLE (3): MODIFICATION DE L’HISTOGRAMME
32
CONCLUSION : HISTOGRAMME D’UNE IMAGE
33
SEUILLAGE (1)
I’(i,j)=0 sinon
Seuillage :
I’(i,j)=255 si I(i,j) > (seuil
:128)
I’(i,j)=0 sinon
Courbe tonale de
l’opération de
35
seuillage
SEUILLAGE (3)
I’(i,j)=0 sinon
38
OPÉRATIONS PONCTUELLES SUR LES IMAGES
39
3.1 OPÉRATIONS LOGIQUES
• Opérations réalisées bit par bit sur les images
• Appliqués à des images en niveaux de gris, les
opérations logiques s’effectuent sur des chaînes de bits:
40
OPÉRATIONS LOGIQUES SUR LES IMAGES
41
OPÉRATIONS LOGIQUES SUR LES IMAGES
42
OPÉRATIONS ARITHMÉTIQUES SUR LES IMAGES
43
ADDITION D’IMAGES
44
45
SOUSTRACTION D’IMAGES
46
SOUSTRACTION D’IMAGES
47
MULTIPLICATION D’IMAGES
48
49
MODIFICATION DES VALEURS D’UNE IMAGE
Analyse Spatiale
CONVOLUTION NUMÉRIQUE
Convolution : C'est l'opérateur de base du traitement linéaire des
images. Elle est apparue très tôt dans les premiers systèmes
d'analyse d'images et a fait le lien théorique avec les filtres et le
traitement du signal. Filtrer une image I consiste à convoluer sa
fonction d’intensité I(i,j) avec une fonction h(i,j)
52
CONVOLUTION NUMÉRIQUE
54
CONVOLUTION NUMÉRIQUE
55
CONVOLUTION NUMÉRIQUE : R=I*K
56
CONVOLUTION NUMÉRIQUE : R=I*K
LecentredecettedeKestdéplacéed’unpixelàl’autresurl’imageI
60
MASQUE DE CONVOLUTION
61
EXERCICE EFFECTUER LA CONVOLUTION
62
CORRTIN
63
64
Filtrage Spatial:
65
DEUX TYPES POUR LE FILTRAGE SPATIALE
66
FILTRES PASSE-BAS
But :
Lissage d’images
Élimination du bruit
67
FILTRES PASSE-BAS
69
70
EXEMPLE DE FILTRES MOYENNEUR
71
EXEMPLE DE FILTRES MOYENNEUR
72
FILTRES GAUSSIEN
74
EXEMPLE:
FLITRE GAUSSIEN DE TAILLE 5 ET SIGMA=1
75
EXEMPLE:
FLITRE GAUSSIEN DE TAILLE 5 ET SIGMA=1
76
EXEMPLE DE FILTRES GAUSSIEN
77
EXEMPLE DE FILTRES GAUSSIEN
78
Le bruit diminue, les faux contours diminuent.
79
Image originale
80
FILTRE MEDIAN : NON LINÉAIRE
81
EXEMPLE DE FILTRES MEDIAN
82
NETTOYAGE DU BRUIT DANS UNE IMAGE
83
84
Filtrage Spatial:
Détection de bruit
Détection de contours
85
Détection de contours
Détection de visages
Reconnaissance de
caractères : traitement
automatique de
chèques, de courrier, …
87
Détection de contours : Exemples
d’applications
Reconstruction 3D
des images
médicales à partir
d’images2D 88
Mise en correspondance
Plan
1. Modélisation du contour
1.1 Modèle de contours
1.2 Formulation du problème de détection
2. Filtrage
2.1 Filtrage du premier ordre
2.2 Filtrage du second ordre
3. Post-traitements
89
I. MODÈLES DE CONTOURS : QU’EST CE QU’UN
CONTOUR
90
I. Modèles de contours : Qu’est ce qu’un contour
Un profil d’intensité d’une ligne dans une image est représenté par des
signaux 1D.
91
I. Modèles de contours : Qu’est ce qu’un contour
93
MODÈLES DE CONTOURS AVEC BRUIT
94
DÉTECTION DES POINTS DE CONTOURS
Méthodes analytiques:
1) Approches par dérivées premières
2) Approches par dérivées secondes
95
FILTRES DIFFÉRENTIELS
FORMULATION DU PROBLÈME DE DÉTECTION
96
FILTRES DIFFÉRENTIELS
DÉRIVÉE PREMIÈRE
Version discrète
= 0 si aucun changement de tons
≠ 0 si changement de tons
Compare deux pixels 97
DÉRIVÉE D’UNE IMAGE ET CONTOURS
98
II. Détection des contours:
Opérateur gradient
f
Gx x
F
Gy f
y
100
GRADIENT : NORME ET DIRECTION
101
CALCUL SIMPLE DU GRADIENT
102
GRADIENT : NORME ET DIRECTION
103
DÉRIVÉE DISCRÈTE ET MASQUE
CORRESPONDANT
Approximationdeladérivéed’unefonctiondiscrète1D par
différences locales :
-1 +1 Ou -1 +1 ou 1/2 -1 0 +1
104
GRADIENT (VERSION ÉLÉMENTAIRE 3X3)
105
FILTRE DE ROBERTS
Filtre de Roberts
Filtre de Roberts
FILTRE DE PREWITT
FILTRE DE SOBEL
EXEMPLE (SOBEL)
EXEMPLES DE DÉTECTION DE CONTOURS
II. Détection des contours:
119
FILTRES DIFFÉRENTIELS
120
DÉRIVÉES DE L’IMAGE
121
EXEMPLE AVEC UN CONTOUR ‘RAMPE’
122
LE LAPLACIEN
Le Laplacien est le plus simple opérateur dérivatif
isotropique : c'est un scalaire
f f
2 2
f
2
2
x y 2
123
LE LAPLACIEN : VERSION DISCRÈTE
2 f [ f ( x 1, y ) f ( x 1, y )
f ( x , y 1) f ( x , y 1) ] 4 f ( x , y )
124
LE LAPLACIEN : FORMULATION D’UNE VERSION DISCRÈTE
LE LAPLACIEN : FORMULATION D’UNE VERSION DISCRÈTE
LE LAPLACIEN
Intensifie les discontinuité de tons
Amenuise les changements lents
127
COMPARAISON GRADIENT / LAPLACIEN
COMPARAISON GRADIENT / LAPLACIEN
DÉRIVÉES
Profil horizontal
Rampe
Point isolé
Ligne mince
Marche (escalier)
Plusieurs sections
constantes (plats)
130
DÉRIVÉES
Dérivé première
arêtes grossières
changements abruptes (escalier)
Dérivé seconde
131
détails fins tel lignes et points
double aux changements abruptes
LE LAPLACIEN
132
LE LAPLACIEN
0 -1 0 -1 -1 -1
-1 5 -1 -1 9 -1
0 -1 0 -1 -1 -1
133
II. DÉTECTION DES POINTS DE CONTOURS
Le contour se matérialise par une rupture d’intensité dans l’image selon
une direction donnée. Pour détecter les contours, la méthodologie
consiste en deux étapes principalement:
134
II. DÉTECTION DES POINTS DE CONTOURS
Etape 1 :
136
II.1 SEUILLAGE DU GRADIENT
(MÉTHODE 1)
138
II. DÉTECTION DES POINTS DE CONTOURS
II.2 SEUILLAGE DU GRADIENT
(MÉTHODE 2)
139
Extraction des maxima locaux de la norme du gradient
Extraction des maxima locaux de la norme du gradient
Seuillage par hystéresis
142
SEUILLAGE DU GRADIENT PAR HYSTÉRÉSIS (MÉTHODE 2)
143
144
145
III OPÉRATEURS GRADIENT : MÉHODE DE SEUILLAGE
146
III OPÉRATEURS GRADIENT : MÉHODE DE SEUILLAGE
147
III OPÉRATEURS GRADIENT : MÉHODE DE SEUILLAGE
148
DÉTECTION DE CONTOURS
LAPLACIEN
149