0327 Traitement Numerique Images PDF

Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
Cours de traitement d’images
◭ ◮
Vincent BARRA
Page 1 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Introduction
Prétraitements
Segmentation
Quantification
1 Introduction Page d’accueil
Image = représentation d’une scène 3D Page de Titre

Information = grandeur physique liée à la nature du cap-
teur ◭◭ ◮◮
Traitement d’images
– amélioration des images pour l’interprétation par un ob- ◭ ◮
servateur humain
– traitement de scènes en temps réel pour la perception Page 2 de 252
par des automates

Retour
Traitements de bas niveau : données de nature

Plein écran
numérique
Traitements de haut niveau : entités de nature sym-
Fermer
bolique associées à une représentation de la réalité extraite
de l’image
Quitter
Introduction
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 3 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 4 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Traitement d’images envisagé en trois phases :

– Prétraitements Page de Titre
– permettre une meilleure visualisation de l’image

– faciliter les traitements ultérieurs ◭◭ ◮◮
– Segmentation : créer une partition de l’image en

régions. ◭ ◮
– Quantification : fournir des indices quantitatifs ou

géométriques. Page 5 de 252
On ne traite pas ici du traitement d’images couleur. Retour
Plein écran
Fermer
Quitter
Prétraitements
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
2 Prétraitements Page 6 de 252
– Traitements photométriques et colorimétriques Retour

– Réduction de bruit
– Restauration d’images Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Analyse spatiale
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
2.1 Traitements photométriques et colo-
rimétriques Page de Titre
Rappel : échantillonnage et quantification

◭◭ ◮◮
◭ ◮
Page 7 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
2.1.1 Analyse spatiale Segmentation

Quantification
Rappel : échantillonnage et quantification

Image = matrice de M × N éléments, ou une fonction Page d’accueil
f (x, y)
Page de Titre
◭◭ ◮◮
◭ ◮
Page 8 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
Analyse spatiale : transformation sur les pixels de l’image

◭◭ ◮◮
g(x, y) = T [f (x, y))]
– g : image de sortie ◭ ◮
– f : image d’entrée
– T : opérateur sur f ou sur un ensemble d’images Page 9 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
L’approche principale des méthodes d’analyse est d’utiliser Segmentation

Quantification
une région carrée centrée sur (x, y)
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 10 de 252
Retour
Plein écran
Le centre de cette région est déplacée d’un pixel à l’autre
sur l’image d’entrée
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Analyse spatiale>Point à point
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
L’opérateur T est appliqué à chaque pixel (x, y)

L’opérateur T n’utilise que les pixels sous la région pour le Page de Titre
calcul de la transformation.
◭◭ ◮◮
La forme la plus simple est d’utiliser une région de 1 × 1
pixel ◭ ◮
g(x, y) = T (f (x, y)) Page 11 de 252
Retour
⇒ analyse point à point
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
– Utilisation d’une table de référence (lookup table) ◭◭ ◮◮

– pour une image codée en 8 bits, la table des valeurs de
T aura 256 entrées ◭ ◮
– L’indice de la table correspond à la valeur de f (x, y) et
la valeur lue à g(x, y) Page 12 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Extension du contraste Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 13 de 252
Retour
⇒ image avec plus de contrastes

Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Seuillage : cas limite de l’extension de contraste Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 14 de 252
Retour
⇒ image avec plus de contrastes

Plein écran
Fermer
Quitter
Introduction
Transformées linéaires, exponentielles, logarith- Prétraitements

Segmentation
miques Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Exemple : négatif d’une image Page 15 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Transformées linéaires, exponentielles, logarith- Segmentation
miques Quantification
– logarithmique : g(x, y) = c.log(1 + f (x, y)), c > 0

– exponentielle gamma : g(x, y) = c.(f (x, y) + ǫ)γ, c > 0, Page d’accueil
ǫ : offset
– exponentielle : g(x, y) = c.f (x, y)γ , c > 0 Page de Titre
– γ < 1 : étire les faibles valeurs, compresse les valeurs foncées

– γ < 1 : compresse les faibles valeurs, étire les valeurs foncées ◭◭ ◮◮
◭ ◮
Page 16 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 17 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 18 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Transformation par morceaux Segmentation

Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 19 de 252
Retour
Plein écran
Nécessite la définition de variables Fermer
Quitter
Introduction
Prétraitements
Segmentation
Transformation par morceaux Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 20 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Analyse spatiale>Masque
Introduction
Prétraitements
Segmentation
Quantification
2.1.2 Masques
Page d’accueil
L’usage de régions de taille plus importante permet plus

de flexibilité et donne plus de puissance au prétraitement. Page de Titre
◭◭ ◮◮
⇒ Notion de masque de traitement
◭ ◮
Définition de la taille du masque : carrée, impaire. Page 21 de 252
Retour
Relation à la notion de convolution...

Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Analyse spatiale>Masque
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 22 de 252
1 X
X 1
Retour
g(x, y) = w(i, j)f (x + i, y + j)

i=−1 j=−1 Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Masque
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
Définition d’une valeur pour chaque élément du masque
◭ ◮
On en reparle plus tard...
Page 23 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Analyse d’histogramme
Introduction
Prétraitements
Segmentation
Quantification
2.2 Analyse d’histogramme

Page d’accueil
Définition :
– distribution des niveaux de gris Page de Titre
– comptage de l’occurrence de chaque niveau de gris dans
l’image ◭◭ ◮◮
◭ ◮
Page 24 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Analyse d’histogramme
Introduction
Prétraitements
Segmentation
Quantification
Plus formellement :
h : [0, L − 1] → IN Page d’accueil
rk → h(rk ) = nk
Page de Titre
◭◭ ◮◮
avec :
– rk : k ème niveau de gris
◭ ◮
– nk : nombre de pixels de niveau de gris rk
Histogramme normalisé : Page 25 de 252
nk
p(rk ) =
n Retour
n : nombre total de pixels ⇒ p(rk ) ≈ probabilité d’observer Plein écran

rk
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Analyse d’histogramme>Etirement
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 26 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Etirement Page d’accueil
– Une image à haut contraste aura un histogramme bien

réparti Page de Titre
– Un histogramme bien réparti permettra d’obtenir un bon

contraste ! ◭◭ ◮◮
◭ ◮
Page 27 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Etirement Page de Titre
Formellement
f (x, y) − M in[f (x, y)] ◭◭ ◮◮
g(x, y) = (M − m) + m
M ax[f (x, y)] − M in[f (x, y)] ◭ ◮
[m, M ] intervalle de codage des niveaux de gris

– 1 octet → m=0,M=255 Page 28 de 252
– 2 octets → m=0,M=65535
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Etirement
Page de Titre
◭◭ ◮◮
◭ ◮
Page 29 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Etirement : élimination des tons extrêmes

Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 30 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Analyse d’histogramme>Compression
Introduction
Prétraitements
Segmentation
Quantification
Etirement : élimination des tons extrêmes

Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 31 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Analyse d’histogramme>Compression
Introduction
Prétraitements
Segmentation
Quantification
Compression Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Formellement Page 32 de 252
M −m
g(x, y) = (f (x, y) − M in[f (x, y)]) + m
M ax[f (x, y)] − M in[f (x, y)] Retour
[m, M ] intervalle de codage des niveaux de gris

Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Analyse d’histogramme>Glissement
Introduction
Compression Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 33 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Analyse d’histogramme>Glissement
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Glissement
Page de Titre
◭◭ ◮◮
◭ ◮
Page 34 de 252
Formellement
g(x, y) = f (x, y) + compensation Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Analyse d’histogramme>Egalisation
Introduction
Prétraitements
Segmentation
Glissement Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 35 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Egalisation d’histogramme Quantification
Consiste à rendre le plus plat possible, l’histogramme des

niveaux de gris de l’image. Page d’accueil
L’image est associée à une modélisation probabiliste dont

l’histogramme représente la densité de probabilité de la va- Page de Titre
riable niveau de gris.

Permet de renforcer le contraste sur des détails qui sont ◭◭ ◮◮
masqués par des variations d’intensité de plus grande am-

plitude et à plus grande échelle ◭ ◮
f (x, y) : ensemble de réalisations d’une variable aléatoire Page 36 de 252
F admettant
– une densité de probabilité h non nulle sur Retour
]M inf (x, y), M axf (x, y)[

– une fonction de répartition H (histogramme normalisé Plein écran
cumulé)
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Egalisation d’histogramme
Page d’accueil
Problème : chercher T continue, dérivable au moins par

morceaux et strictement croissante, telle que la variable Page de Titre
aléatoire G=T(F) soit uniformément répartie dans l’inter-

valle [gmin, gmax]. ◭◭ ◮◮
Soit g la densité de probabilité de G et T ′ la fonction

dérivée de T . ◭ ◮
h(r) 1
g(rg ) = = , gmin < rg < gmax Page 37 de 252
T ′(r) gmax − gmin

Retour
avec rg = T (r), r niveau de gris observé sur f et donc
T (r) = (gmax − gmin )H(r) + gmin , M inf (x, y) < r < M axf (x, y) Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Analyse d’histogramme>Spécification
Introduction
Prétraitements
Segmentation
Quantification
Egalisation d’histogramme
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 38 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Spécification d’histogramme
Rendre la distribution d’intensité de l’image voisine d’une
Page de Titre
distribution spécifiée à l’avance.
– Conservation des position et sens des transitions ◭◭ ◮◮
⇒ transformation F → G croissante.
– Distribution de référence = image ou région d’une image ◭ ◮
R
F →T C →T0−1 G Page 39 de 252
où
– T = HR−1 ◦ H, HR fonction de répartition de R Retour
– T0 est la transformation d’égalisation de R
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Spécification d’histogramme
Page de Titre
◭◭ ◮◮
◭ ◮
Page 40 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Opérations arithmétiques
Introduction
Prétraitements
2.3 Opérations arithmétiques Segmentation

Quantification
– Opérations point à point

– les plus utilisées : combinaisons linéaires Page d’accueil
Page de Titre
Soustraction ⇒ : visualisation du changement (images
superposables)
◭◭ ◮◮
◭ ◮
Page 41 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
Dans certains cas, l’opération arithmétique peut produire ◭◭ ◮◮

des valeurs non compatibles avec l’espace de représentation
des niveaux de gris ◭ ◮
– glissement
– étirement Page 42 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Moyenne d’un ensemble d’images Quantification
N images gi = f + ni
Page d’accueil
– ni : bruit = phénomène aléatoire

Page de Titre
– s : signal = phénomène reproductible

⇒ moyenneur transitoire : ◭◭ ◮◮
N N
1 X 1 X ◭ ◮
I= (s + ni) = s + ni
N i=1 N i=1
Page 43 de 252
Si N ”suffisamment” grand :
Retour
IE(ḡ) = f
1 Plein écran
σḡ2 = σn2
N
Fermer
Quitter
Introduction
Prétraitements
Moyenne d’un ensemble d’images Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 44 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Opérations logiques
Introduction
Prétraitements
Segmentation
Quantification
2.4 Opérations logiques

Page d’accueil
– procédé point à point

– Opétareurs ET, OU, NON Page de Titre
– opérateurs fonctionnellement complets (→ min, max...)

Appliqués à des images en niveaux de gris, les opérations ◭◭ ◮◮
logiques s’effectuent sur des chaı̂nes de bits.
◭ ◮
a = 131 → 10000011
ā → 01111100 → 124
Page 45 de 252
124 + 131 = 255
Retour
a = 109 → 01101101, b = 89 → 01011001

a&&b → 01001001 → 73 Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réhaussement de contraste
Introduction
Prétraitements
2.5 Réhaussement de contraste Segmentation

Quantification
But des opérateurs précédents :

– réduire les fluctuations d’intensité à l’intérieur d’une même région Page d’accueil
– ne pas perturber par élargissement, la zone de transition marquant la tran-
sition entre régions
Il arrive que la transition entre régions soit initialement Page de Titre
floue
– bougé (objets et caméras mobiles) ◭◭ ◮◮
– défocalisation
– diffraction
– volume partiel ◭ ◮
⇒ Rehausser le contraste de l’image consiste à diminuer Page 46 de 252
l’étendue de la zone de transition sans affecter l’intensité

moyenne des régions situées de part et d’autre. Retour
⇒ On limite ainsi le risque de fusion intempestive de Plein écran
régions distinctes lors de la phase de segmentation.

Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réhaussement de contraste>Méthodes linéaires
Introduction
2.5.1 Méthodes linéaires Prétraitements
Segmentation
Quantification
g(x, y) = f (x, y) − λ∆f (x, y)) Page d’accueil
Cas d’un signal monodimensionnel continu décrivant un Page de Titre
contour flou : après les changements d’origine et d’échelle

adéquats, contour : f (x) = arctan(x). ◭◭ ◮◮
◭ ◮
′
Netteté du contour : pente à l’origine en x = 0 : f (0) = 1.
La méthode de rehaussement consiste à calculer : Page 47 de 252
g(x) = f (x) − f ′′(x), λ > 0 Retour
La pente en x=0 devient :

Plein écran
′ ′
g (0) = 1 + 2λ > f (0)
Fermer
⇒ La zone de transition a donc été resserrée.

Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réhaussement de contraste>Méthodes linéaires
Introduction
Prétraitements
Segmentation
Dans le cas d’images bruitées : amplification du bruit Quantification
Page d’accueil
modèle monodimensionnel de contour flou bruité
f (x) = c(x) + B(x) : Page de Titre
B(x) : bruit centré stationnaire indépendant. ◭◭ ◮◮
c(x) = Arctan(x)
◭ ◮
Par filtrage :
g(x) = c(x) − λc′′(x) + B(x) − λB ′′(x) Page 48 de 252
avec N (x) = B(x) − λB ′′(x) centré, et donc :

Retour
′′ ′′
var(g) = var(N ) = var(B) + 2var(B ) − 2cov(B, B )
⇒La dérivation tend à amplifier les hautes fréquences Plein écran
(bruit) et ce phénomène est d’autant plus accentué que

la valeur de λ est forte. Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réhaussement de contraste>Méthodes morphologiques
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
2.5.2 Méthodes morphologiques

Page de Titre
Les transformations morphologiques de rehaussement de ◭◭ ◮◮

contraste exploitent l’information de proximité relative de
la fonction initiale avec sa dilatée et son érodée. ◭ ◮
Page 49 de 252
Effet recherché : affecter à un pixel la valeur, soit de l’image

dilatée, soit de l’image érodée pour créer des discontinuités. Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Eléments de morphologie mathématique Page d’accueil
Page de Titre
2
A, B : ensembles de Z .
a = (a1, a2) ∈ A, b = (b1, b2) ∈ B ◭◭ ◮◮
Ax = {c = a + x, a ∈ A}, translation de A par x
B̂ = {x = −b, b ∈ B}, réflexion de B ◭ ◮
Ac = {x ∈ / A}, complément de A
A − B = {x, x ∈ A, x ∈ / B}, différence ensembliste. Page 50 de 252
Retour
A ⊕ B = {x, (B̂)x ∩ A 6= ∅}, dilatation.

A ⊖ B = {x, (B)x ⊆ A}, érosion. Plein écran
Fermer
Quitter
Introduction
Prétraitements
Eléments de morphologie mathématique Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 51 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Eléments de morphologie mathématique Page de Titre
◭◭ ◮◮
◭ ◮
Page 52 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Eléments de morphologie mathématique
Page de Titre
A ◦ B = (A ⊖ B) ⊕ B, ouverture de A par B.
A • B = (A ⊕ B) ⊖ B, fermeture de A par B. ◭◭ ◮◮
◭ ◮
Page 53 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Et en niveaux de gris ... Quantification
f : image.
b(x, y), élément structurant Page d’accueil
Page de Titre
(f ⊕ b)(s, t) = max{f (s − x, t − y) + b(x, y)/(s − x), (t − y) ∈ Df , (x, y) ∈ Db },
dilatation.
◭◭ ◮◮
(f ⊕ b)(s, t) = min{f (s + x, t + y) − b(x, y)/(s + x), (t + y) ∈ Df , (x, y) ∈ Db },

◭ ◮
érosion.
Page 54 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Et en niveaux de gris ...
Mêmes opérations pour l’ouverture et la fermeture
Page de Titre
◭◭ ◮◮
◭ ◮
Page 55 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Revenons à nos moutons...

Réhaussement simple de Kramer et Bruckner. Page d’accueil
pour tout pixel (x, y) :

Page de Titre
1
M (x, y) = [(f ⊖ b)(x, y) + (f ⊕ b)(x, y)]
2 ◭◭ ◮◮
– Si f (x, y) ≤ M (x, y) g(x, y) = (f ⊖ b)(x, y) ◭ ◮

– Sinon g(x, y) = (f ⊕ b)(x, y)
De meilleurs résultats sont obtenus en combinant les sorties Page 56 de 252
d’opérateurs de contraste associés à des éléments structu-
rants de différentes tailles : Retour
N
1 X
g(x, y) = gi(x, y) Plein écran
N i=1
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
D’une façon générale, pour exploiter au mieux l’informa- Page de Titre
tion a priori des images, on introduit le contraste simple

généralisé défini pour deux éléments structurants b et b′ ◭◭ ◮◮
tels que 0 appartienne aux supports des deux fonctions et
des deux scalaires α, β ∈ [0, 0.5].
Si M (x, y) = (f ⊕ b)(x, y) − (f ⊖ b′)(x, y),
◭ ◮

 (f ⊕ b′ )(x, y) si(f ⊕ b)(x, y) − f (x, y) ≤ αM (x, y) Page 57 de 252
g(x, y) = (f ⊖ b′ )(x, y) sif (x, y) − (f ⊕ b)(x, y) ≤ βM (x, y)


f (x, y) sinon
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réhaussement de contraste
Introduction
Prétraitements
Segmentation
Quantification
Le choix d’une méthode de rehaussement de contraste Page d’accueil
dépend des informations a priori disponibles.

– Les méthodes de type laplacien ont l’avantage d’être Page de Titre
simples. Elles sont néanmoins sensibles au bruit d’image.

De plus, des dépassements peuvent se produire si le ◭◭ ◮◮
phénomène de dégradation n’est pas stationnaire sur

toute l’image. ◭ ◮
– Les autres méthodes présentées ici sont plus complexes

à mettre en oeuvre, par leur non linéarité ou par la dif- Page 58 de 252
ficulté du choix d’un jeu de paramètres adaptés. Elles

permettent toutefois d’obtenir des résultats sensiblement Retour
meilleurs.
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit
Introduction
Prétraitements
Segmentation
2.6 Réduction de bruit Quantification
Les régions formant l’image sont caractérisées par leur in- Page d’accueil
tensité moyenne. Les fluctuations autour de cette intensité
moyenne proviennent Page de Titre
– du dispositif d’acquisition (caméra, amplificateur, quan-
tification...) ◭◭ ◮◮
– de la scène elle-même (poussières, rayures...)
⇒ Perturbations affectant la qualité des traitements = ◭ ◮
bruit.
Echelle spatiale des fluctuations relativement faible par Page 59 de 252
rapport aux dimensions des régions ⇒ haute fréquence.

Retour
Dans la plupart des cas, le bruit d’image est considéré

comme étant aléatoire, centré et additif. Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Le prétraitement se ramène alors à un problème de traite- Page de Titre
ment du signal : retrouver par filtrage les niveaux d’inten-

sité nominaux de chacune des régions. ◭◭ ◮◮
Objectifs ◭ ◮
– réduire l’amplitude des variations d’intensité dans cha-
cune des régions Page 60 de 252
– conserver les transitions entre régions adjacentes

Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Bruit d’image ≈champ aléatoire. Page d’accueil
Caractérisation au premier ordre : densité de probabilité

ou fonction de répartition. Page de Titre
Modèles de bruit ◭◭ ◮◮
f : image, g : information utile ; B : champ aléatoire.

◭ ◮
– bruit additif.
f=g+B
Page 61 de 252
– bruit multiplicatif :
f = g.B
Retour
– bruit convolutif :
f = g*B
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Image sans bruit Page de Titre
◭◭ ◮◮
◭ ◮
Page 62 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Fonction de densité de probabilité du bruit Page d’accueil
Page de Titre
Gaussien Rayleigh
◭◭ ◮◮
◭ ◮
Page 63 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page de Titre
Erlang Exponentiel
◭◭ ◮◮
◭ ◮
Page 64 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page de Titre
Uniforme Sel et poivre
◭◭ ◮◮
◭ ◮
Page 65 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Peut-on utiliser un filtre gaussien pour corriger un bruit Quantification
gaussien ?
Page d’accueil
Page de Titre
1 − (z−µ)
2
p(z) = √ e 2σ 2
2πσ ◭◭ ◮◮
⇒ estimation de µ et σ. ◭ ◮
Page 66 de 252
Ici, on envisage la réduction de bruit comme l’application
d’un filtre, qui doit être choisi pour être le plus efficace Retour
possible, en fonction du bruit observé.
– filtrage dans le domaine spatial Plein écran
– filtrage dans le domaine fréquentiel

Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
Caractérisation spatiale : réponse impulsionnelle Introduction

Prétraitements
Caractérisation spectrale : fonction de transfert. Segmentation
Quantification
Passe-bas : atténuation des hautes fréquences ⇒ lissage
Passe-haut : atténuation des basses fréquences ⇒ renforcement des
Page d’accueil
contours.
Passe-bande : atténuation des composantes de fréquences intermédiaires⇒
Page de Titre
restauration.
◭◭ ◮◮
◭ ◮
Page 67 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
2.6.1 Domaine spatial Quantification
f(x,y) : image d’entrée Page d’accueil

g(x,y) : image de sortie du filtre linéaire
h(x,y) : réponse impulsionnelle du filtre. Page de Titre
◭◭ ◮◮
Z Z
g(x, y) = f (x, y)∗h(x, y) = f (α, β)h(x−α, y−β)dαdβ ◭ ◮
Page 68 de 252
XX
g(x, y) = h[x − m, y − n]A[m, n] Retour
m n
Réalisation pratique : application d’un masque de convo- Plein écran
lution.
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 69 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
Filtres de lissage
◭◭ ◮◮
– filtre moyenneur
– réduit le bruit ◭ ◮
– réduit les faibles détails

– créé du flou Page 70 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Dans le cas d’un masque 3 × 3 : Quantification
1
– h(x, y) = 9
: moyenne standard Page d’accueil
– Page de Titre
1
– h(1, 1) = h(3, 1) = h(1, 3) = h(3, 3) = 16
1
h(2, 1) = h(2, 3) = h(1, 2) = h(3, 2) = 8 ◭◭ ◮◮
h(2, 2) = 14 : moyenne pondérée
◭ ◮
Page 71 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 72 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 73 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Exemple
g=U+B, U échelon vertical, B bruit blanc stationnaire Page de Titre
centré de densité spectrale N20

◭◭ ◮◮
0 si x < 0
U (x, y) =
1 sinon ◭ ◮
g(x, y) = h ∗ f (x, y) Page 74 de 252
= h ∗ U (x, y) + h ∗ B(x, y)
= D(x, y) + N (x, y) Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
N(x,y) : perturbation aléatoire dont on veut minimiser la Page d’accueil
variance.
IE(g(x, y)) = D(x, y) Page de Titre
D(x,y) : composante déterministe que l’on veut proche de

◭◭ ◮◮
l’échelon initial U(x,y).
On choisit h telle que : ◭ ◮
ZZ
h(x, y)dxdy = 1 Page 75 de 252
Z Z
Retour
V ar(N ) = N02 h2(x, y)dxdy
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Filtre moyenneur :
Page de Titre
1
t2
(x, y) ∈ [ −t , t
] × [ −t t
, ]
h(x, y) = 2 2 2 2
0 sinon ◭◭ ◮◮
N02
var(N ) = 2 ◭ ◮
 t
 0 si x ≤ −t 2
Page 76 de 252
t
D(x, y) = 1 si x ≥ 2
 1 + x sinon Retour
2 t
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Filtre gaussien :
2 2
1 − x 2σ+y2 N02 Page de Titre
h(x, y) = 2πσ2 e ,V ar(N ) = 4πσ 2
,D(x, y) = erf ( σx )
◭◭ ◮◮
◭ ◮
Page 77 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
Filtre exponentiel :
β 2 −β(x+y) β 2 N02 ◭◭ ◮◮
h(x, y) = 4 e , V ar(N ) = 16
1 βx ◭ ◮
e si x ≤ 0
D(x, y) = 2
1 −βx
1 − 2e sinon Page 78 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Volume important des données ⇒ on cherche à implanter Prétraitements

Segmentation
les opérateurs de manière peu coûteuse en temps de calcul Quantification
et taille mémoire et si possible de façon parallélisable.

Page d’accueil
Pour un filtre (2M + 1) × (2N + 1) : Page de Titre
M
X N
X
g(x, y) = h(i, j)f (x − i, y − j) ◭◭ ◮◮
i=−M j=−N
◭ ◮
⇒ Pour chaque pixel de g : (2M + 1)(2N + 1) opérations.

Si : h(i, j) = h1(i)h2(j), Page 79 de 252
M
X N
X Retour
g(x, y) = h1(i) h2(j)f (x − i, y − j)

i=−M j=−N Plein écran
⇒ g s’obtient par filtrage linéaire selon h2, puis filtrage

linéaire selon h1 ⇒ Filtrage séparable. Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Correspondance entre filtrage spatial et filtrage
fréquentiel : théorème de convolution. Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 80 de 252
⇒ Connaissant une fonction filtre dans le domaine

Retour
fréquentiel, on peut obtenir un filtre correspondant dans
le domaine spatial en calculant la transformée de Fourier
Plein écran
inverse de cette fonction filtre. Et réciproquement.
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
2.6.2 Domaine fréquentiel

Page de Titre
◭◭ ◮◮
◭ ◮
Page 81 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 82 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
La recette : Page de Titre
– multiplier f (x, y) par (−1)x+y

– calculer la transformée de Fourier de f ⇒ F (u, v) ◭◭ ◮◮
– multiplier F (u, v) par un filtre

– calculer la transformée de Fourier inverse du résultat ◭ ◮
– extraire la partie réelle

– multiplier cette partie réelle par (−1)x+y Page 83 de 252
– admirer le résultat
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Rappels : la transformée de Fourier Quantification
Série de Fourier : toute fonction f périodique peut être

représentée par la sommation de fonctions sinus et cosinus Page d’accueil
de fréquences diverses, chacune multipliée par un coeffi-

cient différent Page de Titre
∞
X ◭◭ ◮◮
f (x) = ancos(nx) + bnsin(nx)
n=0
◭ ◮
En imagerie : pas de fonction périodique, mais fonctions

Page 84 de 252
finies, donc d’aires finies
⇒ Transformée de Fourier : toute fonction, même non- Retour
périodique, mais dont l’aire sous la courbe est finie, peut

être représentée par l’intégrale de fonctions sinus et cosinus, Plein écran
chacune multipliée par un coefficient différent

Fermer
Quitter
Introduction
Prétraitements
Rappels : la transformée de Fourier Segmentation
Transformée de Fourier 1D : Quantification
Z +∞
F (u) = f (x)e−2jπuxdx Page d’accueil
−∞
Page de Titre
Transformée de Fourier inverse 1D :
Z +∞ ◭◭ ◮◮
f (x) = F (u)e2jπuxdu
−∞
◭ ◮
Versions discrètes :
Page 85 de 252
M
X −1
1 ux
F (u) = f (x)e−2jπ M u ∈ {0 · · · M − 1}
M x=0
Retour
M −1
1 X
Plein écran
ux
f (x) = F (u)e2jπ M x ∈ {0 · · · M − 1}
M u=0 Fermer
Quitter
Introduction
Prétraitements
L’analyse de la transformée F (u) est souvent réalisée en Quantification
polaires :p
Page d’accueil
– F(u) = R2(u) 2
h + Ii (u) : magnitude ou spectre
I(u)
– Φ(u) = Atan R(u) : phase Page de Titre
◭◭ ◮◮
◭ ◮
Page 86 de 252
Retour
Plein écran
Fermer
Quitter
Rappels : la transformée de Fourier Introduction
Transformée de Fourier 2D : Prétraitements

Segmentation
Z +∞ Z +∞ Quantification
F (u, v) = f (x, y)e−2jπ(ux+vy)dxdy

−∞ −∞ Page d’accueil
Transformée de Fourier inverse 2D : Page de Titre

Z +∞ Z +∞
f (x, y) = F (u, v)e2jπ(ux+vy)dudv ◭◭ ◮◮
−∞ −∞
Versions discrètes : ◭ ◮
M −1 N −1
1 XX
f (x, y)e−2jπ( M + N )
ux vy Page 87 de 252
F (u, v) =
M N x=0 y=0
Retour
u ∈ {0 · · · M − 1}, v ∈ {0 · · · N − 1}
Plein écran
M −1 N −1
1 X X
F (u, v)e2jπ( M + N )
ux vy
f (x, y) =
MN
u=0 v=0 Fermer
x ∈ {0 · · · M − 1}, y ∈ {0 · · · N − 1}
Quitter
Introduction
Prétraitements

Quantification
En général, on multiplie la fonction d’entrée par (−1)x+y
pour centrer la fonction transformée. Page d’accueil
Selon les propriétés des exposants :
x+y M N Page de Titre
T F [(−1) f (x, y)] = F (u − , v − )

2 2
◭◭ ◮◮
◭ ◮
Page 88 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Rappels : la transformée de Fourier Prétraitements
Segmentation
Quantification
Echantillonnage dans le domaine spatial et dans le domaine
fréquentiel : Page d’accueil
1 1
∆u = , ∆v = Page de Titre
M ∆x N ∆y
Interprétation intuitive du spectre ◭◭ ◮◮
– Chaque terme de F (u, v) est fonction de TOUTES les

valeurs de f (x, y) pondérées par l’exposant ◭ ◮
– Impossible de faire une relation entre les éléments de

chaque fonction Page 89 de 252
– Les fréquences décrites par le spectre de la transformée de

Fourier sont reliées directement aux taux de changements Retour
de niveaux de gris dans l’image

– La valeur de F (0, 0) est la moyenne, à une fréquence Plein écran
nulle
Fermer
– Plus on s’éloigne du centre, plus la fréquence augmente
Quitter
Introduction
Prétraitements
Segmentation
Rappels : la transformée de Fourier Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 90 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Rappels : la transformée de Fourier
Page de Titre
◭◭ ◮◮
◭ ◮
Page 91 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Rappels : la transformée de Fourier

Page de Titre
◭◭ ◮◮
◭ ◮
Page 92 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
Revenons à nos moutons...
Suivant le type de filtre utilisé, on aboutit à différents ◭◭ ◮◮
résultats :
– coupe bande : élimination ponctuelle ◭ ◮
– passe-bas
– passe-haut Page 93 de 252
On s’intéresse ici aux deuxième type.
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
filtre passe-bas idéal Quantification
– Coupe toutes les hautes fréquences après une distance Page d’accueil
D0 du centre
Page de Titre
1 siD(u, v) ≤ D0
H(u, v) =
0 sinon ◭◭ ◮◮
rh

M 2
i
N 2
avec D(u, v) = u− 2 + v− 2 ◭ ◮
Page 94 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
filtre passe-bas idéal

Page de Titre
◭◭ ◮◮
◭ ◮
Page 95 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
filtre passe-bas idéal 1 ou 1/2 Page de Titre
– Coupe 1/2 hautes fréquences après une distance D0 du ◭◭ ◮◮

centre
1 siD(u, v) ≤ D0
H(u, v) = 1 ◭ ◮
2
sinon
rh

M 2
i
N 2
Page 96 de 252
avec D(u, v) = u− 2 + v− 2
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
filtre passe-bas idéal 1 ou 1/2

Page de Titre
◭◭ ◮◮
◭ ◮
Page 97 de 252
Retour
Plein écran
Fermer
Quitter
Effet de la fréquence de coupure D0 Introduction

Prétraitements
Evalué en fonction de l’énergie comprise dans le cercle de Segmentation
M
X N −1
−1 X Quantification
rayon D0 P (u, v) = F(u,v)2, PT = P (u, v)

Page d’accueil
u=0 v=0
X X P (u, v)
% puissance = 100 (u, v) ∈ cercle Page de Titre
u v
PT
◭◭ ◮◮
◭ ◮
Page 98 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Effet de la fréquence de coupure D0
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 99 de 252
Retour
Plein écran
Fermer
Quitter
Effet de la fréquence de coupure D0 Introduction

Prétraitements
Phénomène de réverbération Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 100 de 252
Retour
Plein écran
Fermer
Quitter
Filtre Butterworth passe-bas Introduction

Prétraitements
Coupe graduellement les hautes fréquences selon D0 et n Segmentation
Quantification
1
H(u, v) = h i2n Page d’accueil
D(u,v)
1+ D0
Page de Titre
avec
v"
u
u 2 2 # ◭◭ ◮◮
M N
D(u, v) = t u − + v−
2 2 ◭ ◮
Page 101 de 252
Retour
Plein écran
Fermer
D0 est choisie pour H(u, v) = 0.5

Quitter
Introduction
Prétraitements
Segmentation
Filtre Butterworth passe-bas Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 102 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Filtre Butterworth passe-bas

Phénomène de réverbération Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 103 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Filtre Gaussien passe-bas

Coupe graduellement les hautes fréquences selon σ Page d’accueil
2
− D 2σ(u,v)
H(u, v) = e 2 Page de Titre
σ = D0 ◭◭ ◮◮
◭ ◮
Page 104 de 252
Retour
D(u, v) = D0 quand H(u, v) = 0.607 Plein écran
Fermer
Quitter
Introduction
Prétraitements
Filtre Gaussien passe-bas Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 105 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
Filtre Gaussien passe-bas ◭◭ ◮◮
– Pas de phénomène de réverbération ◭ ◮

– Moins agressif que le filtre idéal ou le filtre Butterworth
– Moins de contrôle sur la sélection précise de D0 Page 106 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Filtre Gaussien passe-bas

Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 107 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage non linéaire
Introduction
Prétraitements
Segmentation
Quantification
Inconvénient des filtres linéaires : la réduction de bruit s’ac- Page d’accueil
compagne d’un étalement des transitions entre régions.

⇒ La détermination de leurs coefficients résulte d’un com- Page de Titre
promis.
◭◭ ◮◮
⇒ Utilisation de filtres non linéaires.

◭ ◮
filtrage non linéaire ⇒ modifications irréversibles
Opérateurs les plus courants : Page 108 de 252
– filtres d’ordre
– filtres homomorphiques Retour
– filtres morphologiques
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Filtre d’ordre Quantification
– On considère une fenêtre rectangulaire de taille Page d’accueil
(2M + 1) × (2N + 1) pixels, centrée sur (x, y) de

f . En numérotant de 1 à L = (2M + 1) × (2N + 1) Page de Titre
les pixels de cette fenêtre, l’ensemble des données dispo-

nibles est : F = {fk , 1 ≤ k ≤ L} ◭◭ ◮◮
– On trie les éléments par ordre croissant. ◭ ◮
– On appelle j ème statistique d’ordre f (j) la valeur de rang

j dans F trié. Page 109 de 252
⇒ la sortie est définie comme une fonction des statistiques Retour
d’ordre.
⇒ Les données sont prises en compte selon leur rang dans Plein écran
la fenêtre d’analyse et non selon leur disposition spatiale.

Fermer
Quitter
Introduction
Prétraitements
Segmentation
L-Filtre Quantification
L
X L
X Page d’accueil
g(x, y) = gk f (k) gk = 1
k=1 k=1
Page de Titre
Dans le cas où l’image est homogène sans transition et lo-

calement modélisable par un bruit blanc de densité b, il est ◭◭ ◮◮
possible d’optimiser le choix des coefficients au sens d’un
critère d’erreur quadratique. ◭ ◮
La puissance du bruit en sortie d’un L-filtre optimal est
toujours inférieure ou au pire égale à celle du meilleur filtre Page 110 de 252
linéaire (filtre moyenneur). Les valeurs des coefficients op-

timaux dépendent de b : Retour
2 1
– bruit gaussien de variance
1 N 0 : (∀k) gk = L
sik = 1 ou k = L Plein écran
– bruit uniforme : gk = 2
0 sinon
Fermer
Quitter
Introduction
Prétraitements
L-Filtre Segmentation
Quantification
Un des L-filtres les plus utilisés : filtre médian.
Page d’accueil
– insensible à la présence de valeurs aberrantes si leur

nombre est inférieur à L2 Page de Titre
⇒ utile dans le cas de perturbations à caractère impul-

sionnel, ou ayant une densité s’étalant vers l’infini ◭◭ ◮◮
– ne change pas les transitions monotones entre régions
◭ ◮
Inconvénients :
– Pour des bruits à distribution peut concentrées (gaussien,
Page 111 de 252
uniforme), ses performances sont faibles par rapport au
filtre d’ordre optimal
Retour
– Peut affecter la géométrie des régions de l’image. Les
zones présentant un angle aigu ont tendance à être arron-
Plein écran
dies par le filtrage. On perd l’information sur les points
anguleux
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Filtrage homomorphique Quantification
L’effet de flou peut être créé par des variations locales de

l’éclairement qui, se traduisant de manière multiplicative Page d’accueil
dans l’image, modifient l’aspect des frontières entre régions.

Page de Titre
Image observée : f (x, y) = g(x, y).B(x, y) ◭◭ ◮◮

– g : image contenant des détails nets
– B image de l’éclairement dont les fluctuations sont à ◭ ◮
échelle spatiale larges vis à vis des détails de l’image g
⇒ B : bruit multiplicatif basse fréquence. Page 112 de 252
Filtrage homomorphique : séparation des contributions de Retour
g et de B.
Le filtre linéaire à employer doit atténuer les basses Plein écran
fréquences et amplifier les hautes fréquences.

Fermer
Quitter
Introduction
Prétraitements
Segmentation
Filtrage homomorphique Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
phi et P hi : opérateurs non linéaires réciproques.
h : réponse impulsionnelle d’un filtre linéaire généralement
◭ ◮
passe-bas.
Page 113 de 252
Moyennes non linéaires :

– a ≥ 0, p 6= 0, φ(a) = ap, Φ(a) = a1/p, h filtre moyenneur Retour
– p = 1 : filtre moyenneur
– p = −1 : moyenne harmonique. Plein écran
– φ = ln, Φ = exp : moyenne géométrique.

Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Filtrage homomorphique Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 114 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Filtrage morphologique Page d’accueil
Lorsqu’on dispose d’informations a priori sur la taille et la Page de Titre
dimension des structures à localiser, ainsi que sur le ”signe”

◭◭ ◮◮
du bruit (impulsions positives ou négatives), on peut cher-
cher à renforcer cette caractéristique par un traitement dis-
◭ ◮
symétrique (en terme de voisinage et d’intensité) fondé sur
les techniques de la morphologie mathématique.
Page 115 de 252
– Ouverture morphologique : supprime les impulsions po- Retour

sitives et préserve les impulsions négatives.
– Effet inverse : fermeture Plein écran
Fermer
Quitter
Filtrage morphologique Introduction

Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
Filtre morphologique = transformation idempotente et

croissante. ◭ ◮
L’ouverture et la fermeture s’obtiennent par combinaisons

de filtres de rang : Page 116 de 252
– Erosion : filtre minimum

– Dilatation : filtre maximum Retour
Ouverture et la fermeture induisent donc une modification

de la moyenne des intensités, d’autant plus importante Plein écran
que la taille de l’élément structurant est grande et que

l’amplitude du bruit est forte. Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Filtrage morphologique
Page d’accueil
→ Pour pallier cet inconvénient : filtrage alterné

séquentiel : Page de Titre
– {Oi} famille d’ouvertures

– {Fi} famille de fermetures ◭◭ ◮◮
associées à des éléments structurants convexes {Ki} de

◭ ◮
même forme et de taille croissante
Page 117 de 252
Filtre séquentiel :
Retour
g = Oi ◦ Fi ◦ Oi−1 ◦ Fi−1 · · · ◦ O1 ◦ F1
Plein écran
g = Fi ◦ Oi ◦ Fi−1 ◦ Oi−1 · · · ◦ F1 ◦ O1
Fermer
Quitter
Introduction
Prétraitements
Filtrage adaptatif : coefficients Segmentation

Quantification
– filtre moyenneur pondéré : chaque coefficient décroı̂t avec Page d’accueil
la similarité entre le pixel considéré et le pixel du centre

de la fenêtre Page de Titre
– gradient inverse (filtre σ)

◭◭ ◮◮
M X
X N
1 f (x + i, y + j)
g(x, y) =
MN 1 + kf (x, y) − f (x + i, y + j)k ◭ ◮
i=1 j=1
M X
X N
k
– Filtre de Saint-Marc : I ( k + 1)(x, y) = 1
MN I k (x + i, y + j)e−βk∇I k Page 118 de 252
i=1 j=1
– Tobogan de Fairfield : creuse l’histogramme de l’image en attribuant à
Retour
chaque pixel le niveau de gris du point de minimum de gradient le plus
proche dans un voisinage. Tous les points du chemin reliant ce pixel au
pixel de minimum de gradient se voient de plus affectés cette valeur, Plein écran
marqués pour ne plus être traités, et le processus est itéré jusqu’à ce que
tous les points soient marqués.
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Filtrage adaptatif : fenêtres Page d’accueil
On recherche autour de chaque pixel la fenêtre la plus

adaptée au filtrage Page de Titre
– en sélectionnant parmi une famille de fenêtres celle qui

convient le mieux (Nagao) ◭◭ ◮◮
– en faisant croı̂tre une fenêtre et en contrôlant sa crois-
sance (Wu : prédicat d’homogénéité). ◭ ◮
Page 119 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Restauration d’images>Modèle
Introduction
2.7 Restauration d’images Prétraitements

Segmentation
Quantification
La restauration essaie de reconstruire ou de retrouver une
image qui a été dégradée en utilisant une connaissance a Page d’accueil
priori sur le processus de dégradation. Il s’agit donc dans
un premier temps de modéliser le processus de dégradation Page de Titre
et d’appliquer l’inverse pour retrouver l’image originale.

◭◭ ◮◮
Processus de dégradation modélisé comme un opérateur H
qui, couplé à un bruit additif η(x,y) opère sur une image ◭ ◮
g(x, y) pour produire une image dégradée f (x, y).
Restauration = moyen d’obtenir une approximation de Page 120 de 252
g(x, y), étant donnés f (x, y) et H.

Retour
Hypothèse : connaissance de η(x,y) limitée à une informa-

tion de nature statistique. Plein écran
Relation d’entrée-sortie f (x, y) = H[g(x, y)] + η(x, y) Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
η(x,y)=0 ⇒ g(x,y) = H[f(x,y)]

Page de Titre
Relation spatialement invariante si : ◭◭ ◮◮
∀g(x, y), (α, β)H[g(x − α, y − β)] = f (x − α, y − β) ◭ ◮
∀g(x, y)h(x, y) ∗ g(x, y) = f (x, y) Page 121 de 252
→ comment trouver h ? Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
– réponse du système à une impulsion de Dirac (PSF)

– identification de la réponse du système à une source ponc- Page d’accueil
tuelle
Page de Titre
◭◭ ◮◮
◭ ◮
Page 122 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Modèle de dégradation classique :

Z Z Page d’accueil
f (x, y) = g(α, β)h(x − α, y − β)dαdβ Page de Titre
XX
f (i, j) = g(m, n)h(i − m, j − n) ◭◭ ◮◮
m n
f = Hg ◭ ◮
⇒ Utilisation des outils de résolution de systèmes linéaires

Page 123 de 252
Méthodes algébriques
Retour
– Restauration sans contraintes

– Restauration avec contraintes Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
– Restauration sans contraintes : on recherche gb telle que

Hbg approche f au sens des moindres carrés Page d’accueil
⇒ g k2
M inkf − Hb Page de Titre
– Restauration avec contraintes : ◭◭ ◮◮


 M inkQb g k2
s.c. ◭ ◮
 kf − Hb g k2 = knk2
Page 124 de 252
Q opérateur linéaire en gb
→ utilisation d’un multiplicateur de Lagrange α Retour
→ gb = (H T H + α1 QT Q)−1H T g Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Restauration d’images>Filtrage
Introduction
Prétraitements
Segmentation
Quantification
Filtrage inverse
Page d’accueil
b v) =
G(u, F (u,v)
Page de Titre
H(u,v)
b v))
Image restaurée : gb(x, y) = T F −1(G(u, ◭◭ ◮◮
◭ ◮
→ Problèmes numériques si H(u, v) petit.
Page 125 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Filtrage inverse Segmentation
b v) = 0 si H(u, v) petit → fréquence de
Solution : G(u, Quantification
coupure D0
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 126 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Filtrage de Wiener
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
g (x, y) − g(x, y)k2

On cherche à minimiser arg mingb kb
Page 127 de 252
Pg : DSP du signal ; Pn : DSP du bruit
Pg (u, v) Retour
W (u, v) = Pn (u,v)
Pg (u, v) + H(u,v) 2 Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Filtrage de Wiener
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 128 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Restauration d’images>Méthodes itératives
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Méthodes itératives Page de Titre
– gb1 = f ◭◭ ◮◮
– fbk = gbk ∗ h
– gbk+1 = gbk + (f − fbk ) ◭ ◮
→ Lucy-Richardson, Van Cittert, Maximum d’entropie, Page 129 de 252
Tichonov-Miller
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Exemples - van Cittert

Arg ming (kf (x, y) − h(x, y) ∗ gb(x, y)k2) Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 130 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Exemples - Landweber Quantification
Arg ming (kf (x, y) − h(x, y) ∗ gb(x, y)k2)

Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 131 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Exemples : Tichonov-Miller
Arg ming (kf (x, y) − h(x, y) ∗ g(x, y)k2 + αk∇(x, y) ∗ gb(x, y)k2) Page de Titre
◭◭ ◮◮
◭ ◮
Page 132 de 252
Retour
Plein écran
Fermer
Quitter
Segmentation
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
3 Segmentation
Page de Titre
Identifier et définir des objets dans l’image

Image : un ensemble de régions disjointes. Idéalement, ◭◭ ◮◮
les régions ont un sens en dehors de leurs propres ca-

ractéristiques picturales ◭ ◮
Deux approches : Page 133 de 252

– région : regroupement des pixels présentant une ca-
ractéristique commune, dérivée par exemple de l’inten- Retour
sité des pixels

– contour : mise en place des frontières aux positions qui Plein écran
rendent localement maximale la variation d’un critère

Ces deux conceptions sont duales : une région définit son Fermer
contour, un contour définit une région.

Quitter
Segmentation>Problèmes de connexité
Introduction
Prétraitements
3.1 Préambule : notion de connexité Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 134 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 135 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Théorème de Jordan Page d’accueil
– Le complémentaire de toute courbe 4-connexe fermée est

formée de deux composantes 8-connexes Page de Titre
– Le complémentaire de toute courbe 8-connexe fermée est

◭◭ ◮◮
formée de deux composantes 4-connexes
◭ ◮
Page 136 de 252
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches région>Analyse de l’histogramme>Seuillage avec apprentissage
3.2 Approches région Introduction

Prétraitements
3.2.1 Méthodes fondées sur l’histogramme Segmentation

Quantification
Idée : trouver les différents modes de l’histogramme,

représentatifs d’autant de classes d’objets dans l’image. Page d’accueil
Page de Titre
Seuillage avec apprentissage bayésien

Hypothèses : ◭◭ ◮◮
– connaissance sur les régions → cadre bayésien
◭ ◮
– stationnarité de l’image
Pour deux populations X et Y , le seuil optimal de Page 137 de 252
séparation est :
Z Z !
N S Retour
s/min CX P (X)P (n | X)dn + CY P (Y )P (n | T )dn

s 0
Plein écran
– P (n | X)(P (n | Y )) : probabilité conditionnelle qu’un

pixel de X (Y ) ait pour niveau de gris n. Fermer
– CX (CY ) : coût des mauvaises classifications de X (Y ).

Quitter
Segmentation>Approches région>Analyse de l’histogramme>Seuillage avec apprentissage
Introduction
Prétraitements
Segmentation
Seuillage de Neyman-Pearson Quantification
Probabilité de fausse alarme pour une classe X :
Z s Page d’accueil
Pf (X) = P (Y )P (n | Y )dn
0
Page de Titre
Probabilité de détection pour Pf donnée :
Z s
◭◭ ◮◮
Pd (X) = P (X)P (n | X)dn
0
◭ ◮

Seuil de Neyman-Pearson : s/M in Pd − λ(Pf − α) La décision Page 138 de 252
se fait en comparant le rapport de vraisemblance à α

Ce type de seuillage est moins sensible au choix des proba- Retour
bilités a priori et conduit en particulier à des décisions

plus proches de choix humains intuitifs que la décision Plein écran
bayésienne, dans le cas d’un événement rare.

Fermer
Quitter
Segmentation>Approches région>Analyse de l’histogramme>Seuillage automatique
Introduction
Prétraitements
Seuillage automatique par calculs sur l’histo- Segmentation
gramme Quantification
Pas d’apprentissage.
On recherche généralement le(s) seuil(s)à partir d’une Page d’accueil
analyse de l’histogramme.
Page de Titre
Calculs sur l’histogramme : critères statistiques globaux ◭◭ ◮◮
◭ ◮
Page 139 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 140 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 141 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
Seuillage adaptatif : étude locale des critères

◭◭ ◮◮
◭ ◮
Page 142 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Exemple : méthodes de Niblack et de Sauvola Segmentation
Idée : faire varier le seuil dans l’image en fonction des va- Quantification
leurs de la moyenne locale µ(x, y) et de l’écart type local

Page d’accueil
σ(x, y) calculés dans un voisinage de (x, y)
T (x, y) = µ(x, y) + k.σ(x, y) Page de Titre
– taille du voisinage ◭◭ ◮◮
– valeur de k : détermine la position du seuil par rapport
à m(x, y) ◭ ◮
Dans le cas de fonds clairs texturés, Niblack ne donne pas Page 143 de 252
de bons résultats
⇒ modification de Sauvola : Retour
σ(x, y)
T (x, y) = µ(x, y) + [1 + k. ]
R−1 Plein écran
R : domaine dynamique de la variance Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Exemple : méthodes de Niblack et de Sauvola Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 144 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Exemple : méthode de Sauvola Page de Titre
◭◭ ◮◮
◭ ◮
Page 145 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Méthode d’Otsu Segmentation
Quantification
– Otsu formule le problème comme une analyse discrimi-

Page d’accueil
nante, pour laquelle il utilise une fonction critère parti-
culière comme mesure de séparation statistique
Page de Titre
– Des statistiques sont calculées pour les deux classes de
valeurs d’intensité séparées par un seuil intensité ◭◭ ◮◮
– statistiques calculées pour chaque niveau d’intensité i
(tous les seuils possibles) ◭ ◮
– le niveau qui optimise la fonction critère est choisi comme
seuil. Page 146 de 252
Mesure du critère discriminant
σBi2 Retour
1≤i≤L
σT 2
Plein écran
– σBi2
: variance inter classe
2
– σT : variance totale Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Méthode d’Otsu Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 147 de 252
Retour
La méthode fonctionne si le fond est uniforme et si la
résolution spatiale est suffisante Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Méthode d’Otsu
Lignes de faible contraste supprimées Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Améliorations possibles : Page 148 de 252
– ajustemement du seuil manuel (limite des méthodes glo-

bales) Retour
– pré traitement : filtrage passe-bas (connexions possibles

de lignes) Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Seuillage optimal
On suppose que l’image contient deux régions de niveaux Page d’accueil
de gris différents.
⇒ : l’histogramme est bimodal : Page de Titre
p(rk ) = P1p1(rk ) + P2p2(rk ) ◭◭ ◮◮
– pi densité de probabilité des niveaux de gris dans la ◭ ◮

région i
– Pi constante proportionnelle à l’aire de la région i Page 149 de 252
Hypothèse : on connaı̂t (ou on suppose connaı̂tre) p1 et p2 Retour
⇒ il est possible de trouver un seuil optimal de séparation

des deux régions Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Seuillage par hystérésis Page d’accueil
S1-S2 : pixels rejetés Page de Titre
S2-S3 : pixels candidats

S3-S4 : pixels acceptés ◭◭ ◮◮
◭ ◮
Page 150 de 252
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches région>Analyse de l’histogramme>Méthodes de classification
Introduction
Méthodes de classification Prétraitements

Segmentation
Foultitude de méthodes, dont : Quantification
– techniques de nuées dynamiques

– réseaux de neurones Page d’accueil
– hyperplans/hypersurfaces séparateurs
Page de Titre
Il est possible de classer une image même lorsqu’elle est
acquise
◭◭ ◮◮
– à plusieurs longueurs d’onde
– avec différentes modalités ◭ ◮
⇒ histogramme et classification multispectral(e).

Page 151 de 252
Principe :
– Définition d’un espace de représentation Retour
– définition d’une métrique
– {apprentissage} et classification Plein écran
Dans les espaces de grandes dimension, réduction de di-

mension possible (ACP, ACI, analyse de Karhunen-Loeve) Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Exemple : approche par champs de Markov Page d’accueil
Information image :
– niveau de gris ou espace de représentation Page de Titre
– relations spatiales → voisinage

◭◭ ◮◮
Voisinage → contexte markovien

◭ ◮
topologie V :

s∈/ Vs Page 152 de 252
Vs = t tels que :
t ∈ Vs ⇔ s ∈ Vt
Retour
→ Système de cliques C
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Exemple : approche par champs de Markov

Modélisation probabiliste de l’image : vecteur aléatoire Page de Titre
X = (X1, · · · , XCard(S)) ∈ Ω = E Card(S)

Image x observée : réalisation observée avec la probabilité ◭◭ ◮◮
P (X = x)
◭ ◮
Hypothèse markovienne : Page 153 de 252
P (Xs = xs | xr , r 6= s) = P (Xs = xs | xr , r ∈ Vs) Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Théorème d’Hammersley-Clifford Page d’accueil
S : ensemble fini ou dénombrable ; V topologie sur S ; E

espace d’états discret. Page de Titre
X : processus aléatoire à valeurs dans E Card(S)

(X champ de Markov relativement à V et P (X = x) > 0 ◭◭ ◮◮
pour tout x ∈ Ω) ⇔ (X est un champ de Gibbs de potentiel
associé à V ) ◭ ◮
P (X = x)
P (Xs = xs | Xr = xr , r 6= s) = Page 154 de 252
P (Xr = xr , r 6= s)
e−U (xs,xr ,r6=s) Retour
=X
e−U (e,xr ,r6=s)
Plein écran
e∈E
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Energie locale du site s :

X Page de Titre
Us(Xs = xs | Xr = xr , r ∈ Vs) = Uc(xs, Xr = xr , r ∈ Vs)

c∈C/s∈C ◭◭ ◮◮
Energie globale : ◭ ◮
X X
U (x) = Uc(x) + Uc(x) Page 155 de 252
c∈C/s∈C
/ c∈C/s∈C
X
= Uc(x) + Us(Xs = xs | Xr = xr , r ∈ Vs) Retour
c∈C/s∈C
/
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Exemple : approche par champs de Markov Page de Titre
e−Us(Xs=xs|Xr =xr ,r∈Vs) ◭◭ ◮◮

P (Xs = xs | Xr = xr , r =
6 s) = X
e−Us(Xs=xs|Xr =xr ,r∈Vs) ◭ ◮
xs ∈E
L’expression obtenue ne fait intervenir que les potentiels Page 156 de 252
de cliques dans lesquelles est impliqué s

Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Il suffit de définir séquentiellement une topologie, un

système de cliques, des potentiels de clique Uc et une Page de Titre
fonction d’énergie U pour préciser le processus de Markov

attaché à l’image → Accès à la probabilité d’une configu- ◭◭ ◮◮
ration
◭ ◮
Problème : réalisation du tirage d’une configuration donnée Page 157 de 252
suivant la loi de Gibbs du champ de Markov défini.

– échantillonneur de Gibbs Retour
– algorithme de Métropolis
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil

Page de Titre
Itération → réalisation → configuration suivant la loi de
Gibbs.
◭◭ ◮◮
Recherche des configurations les plus probables qui corres-
pondent à des états d’énergie minimale : recuit simulé. ◭ ◮
– Simulation par échantillonneur de Gibbs ou par
Métropolis d’une configuration xn pour la loi de Gibbs Page 158 de 252
d’énergie UT(x) à partir de la configuration (n − 1).
– Mise à jour de T Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Modèle de Potts : E = {1, ...n}, topologie 4- ou la 8-
Page de Titre
connexité dans une image 2D.

−β si xs = xt ◭◭ ◮◮
Uc={s,t}(xs, xt) = −βxsxt =
β sinon
◭ ◮
β > 0 → configurations les plus probables = sites voisins
de ng égaux Page 159 de 252
⇒ zones homogènes de taille gouvernée par la valeur de

la constante de couplage. Retour
Plein écran
Fermer
Quitter
Introduction
Exemple : approche par champs de Markov Prétraitements

Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 160 de 252
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches région>Transformation de régions
Introduction
Prétraitements
Segmentation
Quantification
3.2.2 Transformations de régions
Prédicat P(Ri) : ”La région Ri est homogène” Page d’accueil
– contraste : P(Ri) vrai ⇔ max

sRX(f (x, y) − minR (f (x, y) < σ
i i Page de Titre
– écart-type : P(Ri) vrai ⇔ N1 (f (x, y) − m)2 < σ

Ri
◭◭ ◮◮
– distance interquartile
– différences limitées : P(R
X i ) vrai ⇔ (∀k, l) voisins | f (k) − f (j) |< σ
◭ ◮
– entropie : P(Ri) vrai ⇔ − p(f )log(p(f )) < σ
R i
– ··· Page 161 de 252
Partition
S : Ensemble de régions Ri telles que :
Retour
– Ri = f
– (∀i 6= j) Ri ∩ Rj = ∅ Plein écran
– (∀i) Ri 6= ∅
Fermer
Quitter
Segmentation>Approches région>Transformation de régions
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Il existe un très grand nombre de partitions d’une image

f , vérifiant les prédicats de région. Page de Titre
◭◭ ◮◮
On ne sait pas choisir quelle est la ”bonne” partition.
Choix empiriques : ◭ ◮
– minimiser le cardinal de la partition

– maximiser la taille de la plus petite région Page 162 de 252
– maximiser une ”distance” entre régions

– rechercher les partitions tq : (∀k, l adjacents)P(Ri ∪ Rj ) = faux Retour
Plein écran
Fermer
Quitter
Segmentation>Approches région>Transformation de régions>Croissance de régions
Introduction
Prétraitements
Croissance de région Segmentation
Partant de germes (seeds), on applique successivement à Quantification
l’image des prédicats plus sévères que P. Ainsi, on com-

Page d’accueil
mence à associer aux germes les seuls pixels qui sont en
très bon accord avec le prédicat. On réduit cette sévérité
Page de Titre
progressivement, et on se rapproche petit à petit de P.
Film croissance ◭◭ ◮◮
◭ ◮
Page 163 de 252
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches région>Transformation de régions>Partage de régions
Introduction
Prétraitements
Segmentation
Quantification
Partage de régions
Page d’accueil
– Image = R, à laquelle on applique plusieurs divisions δ

produisant des ragions Riδ Page de Titre
– On teste P sur les Riδ et on retient la meilleure subdivi-

sion ◭◭ ◮◮
– le plus possible de régions satisfont P

– la meilleure valeur à un critère d’échec (mesure de va- ◭ ◮
riance testés dans les prédicats)

Page 164 de 252
Stratégies δ nombreuses
– divisions par triangulation Retour
– décomposition en quadtree
– bipartitions régulières verticale et horizontale Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 165 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 166 de 252
Retour
Film triangulation
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Exemple : l’algorithme des watersheds

Page d’accueil
Image = surface topographique

Page de Titre
En inondant depuis le bas, et en enpêchant l’eau de se
mélanger depuis différentes sources, on définit :
◭◭ ◮◮
– les bassins versants
– la ligne de partage des eaux
◭ ◮
Page 167 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
– Les niveaux de gris sont des altitudes Page d’accueil
Page de Titre
◭◭ ◮◮
– Infiltration des cavités ◭ ◮
Page 168 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Sur les profils

Page de Titre
◭◭ ◮◮
◭ ◮
Page 169 de 252
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches région>Transformation de régions>Fusion de régions
Introduction
Prétraitements
Fusion de régions Segmentation

Quantification
Inverse des méthodes de partition.
Page d’accueil
Méthodes ascendantes pendant lesquelles tous les pixels

sont visités. Page de Titre
– Pour chaque voisinage de pixel, P est testé

– s’il est vérifié les pixels correspondants sont regroupés ◭◭ ◮◮
dans une région

Après le parcours de toute l’image, les groupes de voisi- ◭ ◮
nages se voient appliquer le même test, et se voient réunir

si P est vérifié. Le processus itère jusqu’à stabilité. Page 170 de 252
Tests de réunion de région ≈ tests statistiques. Retour
On se place souvent dans l’hypothèse de bruit gaussien sur

des fonctions à valeur moyenne constante, et dans ce cas Plein écran
les tests statistiques usuels sont le χ2, le test de Wilcoxon,

le test de Student ou de Fisher-Snedecor. Fermer
Quitter
Segmentation>Approches région>Transformation de régions>Fusion de régions
Introduction
Approches Split and Merge Prétraitements
Combiner des deux techniques précédentes Segmentation

Quantification
1. sur-segmentation de l’image selon un prédicat très

strict Page d’accueil
2. regroupement les régions adjacentes selon un prédicat

Page de Titre
plus lâche
◭◭ ◮◮
◭ ◮
Page 171 de 252
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour
Introduction
Prétraitements
Segmentation
Quantification
3.3 Approches contour

Page d’accueil
Image supposée continue f (x, y). Contour =
– lieu des points de fortes variations de f Page de Titre
– lieu des maxima du module du gradient | ∇f | dans la

direction ∇f ◭◭ ◮◮
( ∂|∇f |
∂g
=0 ∂ ∇f
(x0, y0) ∈ coutour ⇒ ∂ 2|∇f | , ∂g = |∇f |
.∇ ◭ ◮
∂g 2 < 0
Equation obtenue fortement non linéaire : Page 172 de 252
s  s 
2 2 2 2
∂f ∂  ∂f ∂f  ∂f ∂  ∂f ∂f  Retour
+ + + =0
∂x ∂x ∂x ∂y ∂y ∂y ∂x ∂y
Plein écran
Fermer
Quitter
Segmentation>Approches contour
Introduction
Prétraitements
Segmentation
Quantification
Sauf en de rares cas particuliers, l’équation n’admet pas de

solution explicite. Page d’accueil
⇒ Résolution en deux étapes :

1. calcul de | ∇f | Page de Titre
2. recherche des maxima de sa norme dans la direction ◭◭ ◮◮

∇f
◭ ◮
Afin de garantir la classe C 2 de f même en présence de
discontinuités dans l’image, on prétraite f par convolution Page 173 de 252
avec une fonction type gaussienne.
Retour
On montre alors que si la courbure est faible, trouver les

points du contour revient à annuler ∆f Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage spatial>Gradient
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
3.3.1 Approches classiques

Les détecteurs de gradient par filtrage se proposent de re- ◭◭ ◮◮
chercher un extremum de la dérivée première de f , calculée

◭ ◮
de diverses manières, par exemple à l’aide d’un filtrage
passe-bas qui élimine les bruits suivi d’un filtrage passe-
Page 174 de 252
haut. Généralement, le filtrage reste linéaire.
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
– Approximation de la dérivée première :

– ∂f
∂x
≈ Z6 − Z5 Page d’accueil
– ∂f
∂y
≈ Z8 − Z5
– Roberts (cross differences) : Page de Titre
– ∂f
∂x
≈ Z8 − Z6
– ∂f
◭◭ ◮◮
∂y
≈ Z9 − Z5
p
– gradient | ∇f |= (Z9 − Z5)2 + (Z8 − Z6)2 ◭ ◮
Page 175 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Filtrage spatial de Prewitt et Sobel Segmentation

Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Isotropie horizontale et verticale : modification pour dia-

gonales Page 176 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Filtrage de Prewitt Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 177 de 252
Sans lissage Avec lissage Retour
⇒ Importance du lissage
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Filtrage de Sobel Segmentation

Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 178 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Opérateurs à arêtes orientées Prétraitements
– On utilise 8 masques orientés (”Compass masks”) Segmentation
– Amplitude de l’arête : valeur maximale trouvée en appli- Quantification
quant chacun des masques

Page d’accueil
– Orientation : multiple de 45˚qui dépend du masque qui
produit le maximum Page de Titre
Kirsh :
◭◭ ◮◮
◭ ◮
Page 179 de 252
Robinson : Retour
Plein écran
Fermer
Quitter
Introduction
Opérateurs à arêtes orientées Prétraitements
– On utilise 8 masques orientés (”Compass masks”) Segmentation
– Amplitude de l’arête : valeur maximale trouvée en appli- Quantification
quant chacun des masques

Page d’accueil
– Orientation : multiple de 45˚qui dépend du masque qui
produit le maximum Page de Titre
Kirsh :
◭◭ ◮◮
◭ ◮
Page 180 de 252
Robinson : Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage spatial>Laplacien
Introduction
Prétraitements
Segmentation
Quantification
Approche Laplacien
– Approximation de la dérivée seconde Page d’accueil
– Définition d’un masque

Page de Titre
– Problème de l’invariance à la rotation
Le laplacien est le plus simple opérateur dérivatif linéaire ◭◭ ◮◮
isotrope
Dans sa version discrète, on utilise les différences centrées : ◭ ◮
∂ 2f
(x, y) = f (x + 1, y) + f (x − 1, y) − 2f (x, y) Page 181 de 252
∂x2
∂ 2f Retour
(x, y) = f (x, y + 1) + f (x, y − 1) − 2f (x, y)
∂y 2
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
⇒ masque isotrope pour des rotations de π/2

Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
⇒ masque isotrope pour des rotations de π/4
Page 182 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 183 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
L’estimation de la dérivée seconde étant par nature très Segmentation
sensible aux bruit, il convient d’effectuer un prétraitement Quantification
de filtrage fort de l’image, conduisant pour un filtre passe-

bas φ à Page d’accueil
∂ 2f ∂ 2f
φ ∗ ( 2 (x, y) + 2 (x, y)) Page de Titre
∂x ∂y
φ gaussien → filtre LOG (Laplacian Of Gaussian). ◭◭ ◮◮
D’autres variantes existent, dont DOG (Difference Of
Gaussian) qui procède par différence de deux gaussiennes ◭ ◮
dont les écart types sont dans un rapport de 1.6 (simu-
lation du système visuel), et DOB (Difference Of Box), Page 184 de 252
approximation de DOG pour les filtres de grande taille.

Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 185 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 186 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Le laplacien peut servir de prétraitement pour la segmen-

tation de contours : Page d’accueil
Soustraire l’image transformée par le Laplacien de l’image

originale résulte en une image aux détails rehaussés Page de Titre
◭◭ ◮◮
◭ ◮
Page 187 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 188 de 252
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage spatial
Introduction
Récapitulatif Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 189 de 252
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage fréquentiel
Introduction
Contour : information haute fréquence Prétraitements

Segmentation
⇒ filtrage passe-haut Quantification
filtre passe-haut idéal

Page d’accueil
– Coupe toutes les basses fréquences avant une distance

Page de Titre
D0 du centre

0 siD(u, v) ≤ D0 ◭◭ ◮◮
H(u, v) =
1 sinon
◭ ◮
rh

M 2
i
N 2
avec D(u, v) = u− 2 + v− 2 Page 190 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
filtre passe-haut idéal Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 191 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
filtre passe-haut idéal 1 ou 1/2 Page de Titre
– Coupe 1/2 basses fréquences avant une distance D0 du ◭◭ ◮◮

centre 1
siD(u, v) ≤ D0
H(u, v) = 2 ◭ ◮
1 sinon
rh

M 2
i
N 2
Page 192 de 252
avec D(u, v) = u− 2 + v− 2
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
filtre passe-haut idéal 1 ou 1/2

Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 193 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Effet de la fréquence de coupure D0

Page de Titre
◭◭ ◮◮
◭ ◮
Page 194 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Filtre Butterworth passe-haut Segmentation

Quantification
Coupe graduellement les basses fréquences selon D0 et n
1 Page d’accueil
H(u, v) = h i2n
D0
1+ D(u,v) Page de Titre
v"
u
u 2 2 # ◭◭ ◮◮
M N
D(u, v) = t u − + v−
2 2 ◭ ◮
Page 195 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Filtre Butterworth passe-haut
Page de Titre
◭◭ ◮◮
◭ ◮
Page 196 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Filtre Gaussien passe-haut Page d’accueil
Coupe graduellement les basses fréquences selon σ

Page de Titre
2
− D 2σ(u,v)
H(u, v) = 1 − e 2
◭◭ ◮◮
σ = D0
◭ ◮
Page 197 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Filtre Gaussien passe-haut
Page de Titre
◭◭ ◮◮
◭ ◮
Page 198 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Réverbération (aliasing)
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 199 de 252
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches analytiques>Filtre de Canny
Introduction
Prétraitements
Segmentation
Quantification
3.3.2 Approches analytiques

Page d’accueil
En 1986, Canny a proposé un filtre calculé à partir de trois

critères non antagonistes Page de Titre
– garantir une bonne détection de contour, même à des

niveaux faibles ◭◭ ◮◮
– garantir une bonne localisation des contours
– assurer une et une seule détection par contour ◭ ◮
Le filtre de Canny est obtenu en exprimant ces trois Page 200 de 252
critères sous la forme de l’optimisation conjointe de trois

fonctionnelles, et l’auteur a démontré qu’il était linéaire Retour
et optimal pour la détection d’une marche d’escalier sous

l’hypothèse d’un bruit additif indépendant du signal. Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches analytiques>Filtre de Canny
φ : réponse impulsionnelle du
R ∞ filtre 1D Introduction
φ(x)dx
– bonne détection : f1 = √R0∞ 2 Prétraitements
−∞ φ (x)dx Segmentation
Quantification
φ′ (0)
– bonne localisation : f2 = √R ∞
−∞ φ (x)dx
′2
|φ (0)|
′
– réponse unique : f3 = √R ∞
Page d’accueil
−∞ φ (x)dx
′′2
Page de Titre
Résolution : maximiser f1 et f2 sous la contrainte f3 L’ap-
plication en 2D est effectuée par action de deux filtres
◭◭ ◮◮
croisés en x et y. (idem nD)
◭ ◮
Page 201 de 252
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches analytiques>Filtres de Deriche
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Le filtre de Deriche répond aux mêmes exigences que le Page de Titre

filtre de Canny, mais possède en plus une réponse impul-
sionnelle infinie. Il a donc pu être synthétisé de manière ◭◭ ◮◮
récursive, et a pour expression générale
2 ◭ ◮
(1 − e−α ) −α|x|
φ(x) = − e
e−α Page 202 de 252
√
π
avec α = σ
relié à une notion d’échelle de contour.
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches analytiques>Filtres analytiques
Introduction
Prétraitements
Segmentation
Plus généralement, dans une approche moderne de la Quantification
détection des contours, un filtre de détection se compose

de deux estimateurs de dérivées, l’un selon x , l’autre selon Page d’accueil
y . L’un de ces détecteurs (choisissons celui selon x ) se

compose du produit de 2 fonctions : Page de Titre
– selon y c’est une fonction passe-bas, symétrique (la fonc- ◭◭ ◮◮

tion de prolongement), dont l’étendue est fonction de
l’importance du bruit et de la distance que l’on souhaite ◭ ◮
respecter entre deux contours
– selon x, c’est une fonction passe-haut (anti-symétrique), Page 203 de 252
souvent égale à la dérivée de la précédente.
Les couples ”fonctions de prolongement - dérivées” sont Retour
typiquement issus de la gaussienne (Canny), de l’exponen-

tielle décroissante (Shen et Castan) ou du produit de l’ex- Plein écran
ponentielle par x (Deriche)

Fermer
Quitter
Segmentation>Approches contour>Approches analytiques>Filtres analytiques
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 204 de 252
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Contours et surfaces actives
Introduction
Prétraitements
3.3.3 Approches physiques Segmentation
Quantification
Une approche très différente des méthodes vues jusqu’ici a
été proposée à la fin des années 80 par Dmitri Terzopoulos, Page d’accueil
sous la forme de contours pouvant se déplacer dans l’image

pour aller rejoindre les vallées de niveaux de gris, et donc Page de Titre
les contours. Ces contours actifs, ou snakes, se déforment

sous l’action de plusieurs forces : ◭◭ ◮◮
– une énergie propre, assimilée à l’énergie mécanique de
tension et de torsion d’une ligne matérielle ◭ ◮
– une énergie potentielle, imposée par l’image qui vise à
amener la courbe sur les contours (on parle d’attache Page 205 de 252
aux données)
– une énergie externe, produite par l’utilisateur pour tra- Retour
duire les contraintes spécifiques au problème de segmen-

tation qu’il se pose. Plein écran
Sous ces énergies, le contour actif va rechercher la position

d’énergie minimale. Fermer
Quitter
Définition paramétrique du contour, en fonction d’une va- Introduction

Prétraitements
riable sdans [0, 1] (abscisse curviligne par exemple) : Segmentation
x(s) Quantification
P (s) = .
y(s)
L’énergie totale du contour C s’exprime sous la forme : Page d’accueil
Z 1
Page de Titre
E(c) = (Einterne(P (s)) + Eimage(P (s)) + Eexterne(P (s))) ds ◭◭ ◮◮

0
où ◭ ◮

2 2 2
dP (s) d P (s)
Einterne(P (s)) = α(s) + β(s) Page 206 de 252
ds ds2
= tension + variation de courbure Retour
Plein écran
et
– α(s) : coefficient d’élasticité Fermer
– β(s) : constante de raideur

Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
– Eimage = terme d’attache aux données : caractérise les

contours que l’on souhaite approcher. Dans le cas de la Page de Titre
détection simple de contours, ce sont par exemple les

lignes de fort gradient, ◭◭ ◮◮
⇒ Eimage ∝ −∇f ◭ ◮
– Eexterne : énergie externe : permet par exemple de

contraindre le contour à ressembler à un profil de contour Page 207 de 252
type, à s’approcher d’un contour déjà détecté dans une

Retour
séquence temporelle,...
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Résolution : approche variationnelle : en supposant que le
contour évolue vers un minimum d’énergie, et en désignant Page d’accueil
par P ′ et P ′′ les dérivées de P le long de la courbe, on

obtient une équation différentielle vectorielle du type Page de Titre
∂P (s) ′ ′ ′′ ′′ ∂ | ∇f |2
γ(s) + (α(s)P ) − (β(s)P ) = ◭◭ ◮◮
∂s dP
Discrétisations : ◭ ◮
– par différences finies : les éléments de la courbe sont

réduits en des points auxquels sont attachés les éléments Page 208 de 252
mécaniques (masse, raideur...)

– par éléments finis : la courbe est discrétisée en segments Retour
auxquels sont attachés les éléments mécaniques (masse,

raideur...) moyens des points du segment Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 209 de 252
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Level Sets
Introduction
Prétraitements
Segmentation
Quantification
Level sets (ensembles de niveaux) : représentations varia- Page d’accueil
tionnelles de contours qui évoluent dans le temps, mais

diffèrent des contours actifs en ce que le contour cal- Page de Titre
culé peut changer de topologie et, par exemple, changer

de connexité (un contour simple peut par exemple don- ◭◭ ◮◮
ner naissance à plusieurs contours fils qui vont évoluer
séparément). ◭ ◮
Principe général : plonger l’espace de représentation de

Page 210 de 252
l’image (de dimension n=2 ou 3) dans un espace de di-
mension n+1.
Retour
→ contour défini comme l’ensemble de niveau 0 de la fonc-
tion représentant le contour dans ce nouvel espace.
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
En dimension 2, P (s) est une ligne de niveau z = 0 de la
surface z = f (x, y), souvent prise comme la distance au Page de Titre
contour.
Sur le contour, on a : ◭◭ ◮◮
dz ∂z ∂x ∂z ∂y
= + ◭ ◮
ds ∂x ∂s ∂y ∂s
et la courbe de niveau évolue selon Page 211 de 252
∂z dP
= k∇zk.N ∧ Retour
∂t dt
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
Petits films... ◭ ◮
Page 212 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Attention au problème de fermeture de contours

Page de Titre
La plupart des méthodes de détection de contour (contours ◭◭ ◮◮

actifs et zéros du laplacien à part), fournissent des contours
ouverts, qu’il convient de fermer par un post traitement ◭ ◮
pour avoir une segmentation interprétable.
– programmation dynamique à partir de graphes (re- Page 213 de 252
cherche d’un chemin reliant deux extrémités)

– automates Retour
Plein écran
Fermer
Quitter
Quantification
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 214 de 252
Retour
Plein écran
Fermer
Quitter
Quantification
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
4 Quantification ◭ ◮
Objectif final du processus de traitement d’images :propo- Page 215 de 252
ser à l’utilisateur un certain nombre d’indices et d’infor-

mations sur les objets qui ont été segmentés. Retour
– quantification géométrique
Plein écran
– quantification radiométrique
Fermer
Quitter
Quantification>Quantification géométrique
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
4.1 Quantification géométrique

Page de Titre
Les opérations et algorithmes morphologiques, ainsi que
les procédés de segmentation, permettent de séparer les ◭◭ ◮◮
objets d’intérêt dans l’image.
◭ ◮
Il s’agit maintenant de décrire géométriquement ces objets

– description de forme Page 216 de 252
– caractéristiques géométriques d’un objet

– approximation de forme Retour
Plein écran
Fermer
Quitter
Quantification>Quantification géométrique>Codage de contour
4.1.1 Codage de contour Introduction

Prétraitements
Segmentation
contour = petits segments connectés de longueur et Quantification
d’orientation spécifiques
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 217 de 252
Retour
Plein écran
Fermer
Quitter
Quantification>Quantification géométrique>Codage de contour
Introduction
Codage de contour Prétraitements

Segmentation
Codage de Freeman (1961) : encore utilisé (transmission Quantification
d’images par zones dans le standard MPEG). Ceci tient en

particulier aux bonnes propriétés de ce système, parmi les Page d’accueil
lesquelles on peut citer :

– rapidité de codage d’une courbe par transformation affine Page de Titre
(un changement d’échelle isotrope de facteur k est codé

en répétant k fois chaque descripteur, et une rotation de ◭◭ ◮◮
k.π/2 est obtenue en ajoutant ou retranchant k modulo

4 (ou 8 en 8 connexité) au code initial) ; ◭ ◮
– longueur d ’une courbe = nombre de descripteurs en 4

connexité, ou nombre de descripteurs pairs + 2. nombre Page 218 de 252
de descripteurs impairs en 8-connexité) ;

– bonne capacité de compression : remplaçement de Retour
séquences de p descripteurs consécutifs par un descrip-

teur équivalent ; Plein écran
– bonne capacité à intégrer un schéma de reconnaissance

des formes Fermer
Quitter
Quantification>Quantification géométrique>Signatures
Introduction
Prétraitements
4.1.2 Signatures Segmentation
Quantification
Représentation en une dimension du contour de l’objet

Page d’accueil
Peut être la distance du centre versus l’angle de rotation Page de Titre

de l’axes des x
◭◭ ◮◮
◭ ◮
Page 219 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Prise en compte de l’invariance affine Segmentation

Quantification
– par translation
– par rotation Page d’accueil
– par mise à l’échelle

Page de Titre
◭◭ ◮◮
◭ ◮
Page 220 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 221 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 222 de 252
Retour
Plein écran
Fermer
Quitter
Quantification>Quantification géométrique>Caractéristiques géométriques
Introduction
Prétraitements
Segmentation
Quantification
Caractéristiques géométriques d’un objet
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 223 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
4.1.3 Caractéristiques géométriques d’un ob- Quantification
jet
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 224 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 225 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 226 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 227 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Moments Page d’accueil
Connaissant l’objet binaire, une représentation

géométrique classique de sa forme consiste à en mesu- Page de Titre
rer les divers moments :

Z Z ◭◭ ◮◮
Mmn = xmy nf (x, y)dxdy

◭ ◮
En particulier, les moments centrés par rapport au centre

d’inertie (xc, yc) sont invariants par translation Page 228 de 252
Z Z
cmn =
M (x − xc)m(y − y − c)nf (x, y)dxdy
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
Propriétés
– Les moments d’inertie (valeurs propres de la matrice
◭◭ ◮◮
d’inertie, de termes M cmn avec m + n = 2) sont inva-
riants par rotation. ◭ ◮
– Les moments d’inertie normés par la plus grande valeur
propre sont invariant par similitude Page 229 de 252
– ils décrivent bien l’allongement de formes régulières

Retour
Plein écran
Fermer
Quitter
Quantification>Quantification géométrique>Polygones de Guzman
Introduction
Prétraitements
Segmentation
4.1.4 Polygones de Guzman Quantification
Principe : envelopper l’objet dans des boı̂tes de plus en plus Page d’accueil
petites, et de plus en plus adaptées à la forme de l’objet.
Formes prototype construits sur un maillage carré de Page de Titre
manière systématique et se classent en niveaux en fonc-
tion de la longueur de leur périmètre. ◭◭ ◮◮
Dans chaque niveau, les divers prototypes sont identifiés
par un indice, et la forme la plus simple (le carré de côté ◭ ◮
1) a une longueur 4 (et donc appartient au niveau 2).
Afin de tenir compte des symétries et des rotations de π/2, Page 230 de 252
toutes les formes identiques par rotation modulo π/2 et

toutes les formes identiques par symétrie droite sont rap- Retour
portées à un même prototype d’un dictionnaire des formes

⇒ Un objet quelconque est donc décrit par une suite d’in- Plein écran
dices le décrivant à différents niveaux de résolution.

Fermer
Quitter
Quantification>Quantification géométrique>Polygones de Guzman
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 231 de 252
Retour
Plein écran
Fermer
Quitter
Quantification>Quantification géométrique>Descripteurs de Fourier
Introduction
Prétraitements
Segmentation
4.1.5 descripteurs de Fourier Quantification
– contour : courbe continue décrite par son abscisse curvi- Page d’accueil
ligne s
– paramétrage : φ(s) : angle fait par le vecteur tangent en Page de Titre
chaque point et celui au pointorigine

– construction de Φ(t) = φ 2πs L
− 2πs
L
◭◭ ◮◮
Φ : fonction 2π périodique ⇒ admet un développement en
série de Fourier ◭ ◮
∞
X
Φ(t) = azk e−ikt Page 232 de 252
k=0
Retour
ak : descripteur de Fourier
– invariants par transformation affine Plein écran
– invariants par changement d’origine

Fermer
Quitter
Quantification>Quantification géométrique>Descripteurs de Fourier
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 233 de 252
Retour
Plein écran
Fermer
Quitter
Quantification>Quantification géométrique>Approximations polynomiales
Introduction
4.1.6 Approximations polynomiales Prétraitements

Segmentation
Simplification de contours - exemple de l’algorithme de Quantification
la corde
Page d’accueil
processus de division récursive ou itérative de la courbe : Page de Titre
les sommets du polygone sont choisis successivement

comme les points de la courbe les plus éloignés des cordes ◭◭ ◮◮
précédemment tirées. Le processus stoppe lorsque la nou-

velle distance candidate est inférieure à un seuil fixé. ◭ ◮
Page 234 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Utilisation de splines
L’approximation d’un contour par des polynômes de degré Page d’accueil
n est en soit une bonne idée, mais il faut bien choisir ce
degré : Page de Titre
– le degré 1 assure la continuité du contour mais aucune

flexibilité ◭◭ ◮◮
– le degré 2 permet d’avoir des dérivées continues
– le degré 3 permet d’avoir des courbures continues ◭ ◮
Au delà, le polynôme a trop de degrés de libertés et la
convergence uniforme du polynôme vers la courbe n’est Page 235 de 252
plus nécessairement assurée.

Retour
Les fonctions splines permettent d’approcher (ou d’inter-

Plein écran
poler) un contour de manière satisfaisante.
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Spline d’ordre k définie par morceaux en fonction

– d’une variable continue t ∈ [0, 1] Page d’accueil
– d’un décopupage de [0, 1] en r+k sous intervalles [tj , tj+1]

– de m points de contrôle Pi Page de Titre
Le morceau i est défini par :

◭◭ ◮◮
k−1
X
Qi(t) = Pj Nrk (t) ◭ ◮
j=0
Page 236 de 252

où les Nrk sont les polynômes de Cox de Boor définis de
manière récursive par Retour
1 si tt ≤ t ≤ ur+1
Nr1 (t) =
0 sinon
k t−tr k−1 tr+k−t k−1
Nr (t) = tr+k−1 −tr Nr (t) + tr+k −tr+1 Nr+1 (t) Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Avec une telle définition, il est possible de faire

– de l’approximation Page de Titre
– de l’interpolation
◭◭ ◮◮
◭ ◮
Page 237 de 252
Retour
Plein écran
Fermer
Quitter
Quantification>Quantification géométrique>Transformée de Hough
Introduction
Prétraitements
Segmentation
4.1.7 Transformée de Hough Quantification
Outil très puissant pour le traitement d’images et la re- Page d’accueil
connaissance des formes.

Ici : on l’utilise uniquement pour répondre à la question : Page de Titre
Connaissant un ensemble de N pixels P (potentiellement ◭◭ ◮◮

bruité) appartenant à une frontière que l’on sait poly-
gonale, comment déterminer le nombre de segments im- ◭ ◮
pliqués dans cette ligne polygonale et leur position ?
Page 238 de 252
Solution de Hough : transformer un problème inconnu (re-
trouver des droites) en un problème mieux connu : retrou- Retour
ver des nuages de points.
→ On associe à l’espace image I un espace de paramètres Plein écran
H
Fermer
Quitter
Introduction
Transformation de 1 à m Prétraitements
Segmentation
On associe Quantification
1. à tout point Mi = (xi, yi) de P toutes les droites du

plan. Elles sont définies dans H par un couple (a, b) tel Page d’accueil
que b = −axi + yi.

Page de Titre
2. Lorsque l’on transforme tous les points de P par la
transformation, on associe à I un ensemble de droites ◭◭ ◮◮
qui, idéalement, se coupent en des points Hk .
◭ ◮
3. Les transformés des Hk sont les droites cherchées dans
I. Page 239 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Transformation de m à 1 Prétraitements
Segmentation
Quantification
1. On associe à tout bipoint (Mi, Mj ) une droite ∆ij de

I qui se transforme en un unique point Qij de H. Page d’accueil
2. En recombinant tous les couples de points de P, on Page de Titre
obtient tous les points Q de H.

◭◭ ◮◮
3. L’espace de Hough est alors constitué de N (N − 1)/2

points que l’on identifie immédiatement aux intersec- ◭ ◮
tions des droites obtenues par la transformation de 1 à

m. Page 240 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Dans la pratique, H est discrétisé. Chaque cellule (ai, bi) Prétraitements
est un accumulateur. Segmentation

Quantification
Elle contiendra un nombre d’autant plus important que la
droite y = aix + bi sera plus probable dans I Page d’accueil
1. Les points sont visités individuellement : Chaque hy- Page de Titre
pothèse donne naissance à des votes pour des cellules

particulières. Pour chaque vote, l’accumulateur de la ◭◭ ◮◮
cellule est incrémenté de 1.

◭ ◮
2. Lorsque tous les candidats ont voté, on recherche les
accumulateurs de H localement maximaux Page 241 de 252
Rem : Retour
– pour la détection de droite, on prefère travailler en po-
laires (paramètres bornés) Plein écran
– toute forme paramétrisable par un nombre réduit de
paramètres peut faire l’objet d’une transformation de Fermer
Hough (nombre de paramètres = dimension de H).
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 242 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 243 de 252
Retour
Plein écran
Fermer
Quitter
Quantification>Quantification radiométrique
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
4.2 Quantification radiométrique

Par de là la forme des objets, il est intéressant de quantifier ◭◭ ◮◮
l’ensemble des niveaux de gris les constituant :

◭ ◮
– activité fonctionnelle d’un organe en imagerie médicale
– expression d’un gène sur des images de puces à ADN
Page 244 de 252
– caractérisation de régions sur des images satellite.
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Par de là la forme des objets, il est intéressant de quantifier

l’ensemble des niveaux de gris les constituant : Page de Titre
– activité fonctionnelle d’un organe en imagerie médicale

– expression d’un gène sur des images de puces à ADN ◭◭ ◮◮
– caractérisation de régions sur des images satellite.

◭ ◮
Essentiellement, la mesure est effectuée par des indices sta-

tistiques Page 245 de 252
– du premier ordre
– du second ordre Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
4.2.1 Indices du premier ordre

Page de Titre
– moyenne
– écart-type ◭◭ ◮◮
– skewness
– .. ◭ ◮
en bref, moments du premier ordre sur l’histogramme
Page 246 de 252
Les moments de l’histogramme sont utiles mais ne

considèrent pas la position relative des tons de gris Retour
Plein écran
Fermer
Quitter
Quantification>Quantification radiométrique>Texture
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
4.2.2 Indices du second ordre
On peut ”dénombrer” les pixels dans une position relative ◭◭ ◮◮
qui ont une valeur de gris similaire ou non ⇒ Analyse de

coocurrence ◭ ◮
Nombreuses applications, dont voici un exemple : analyse Page 247 de 252

de texture par les critères d’Haralick
Retour
Plein écran
Fermer
Quitter
Quantification>Quantification radiométrique>Texture>Haralick
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
Caractérisation de textures : Haralick

◭◭ ◮◮
2
C(m, n) = {(M, N ) ∈ I /I(M ) = m, I(N ) = n, N = M +T }
Probabilité jointe de l’amplitude d’un point M et de N = ◭ ◮
M +T , obtenue en décomptant les occurrences des niveaux

de gris m de M et n de N Page 248 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
PP
C(m, n)2
Segmentation
Energie : E = Quantification
m Pn P
Entropie : S = − C(m, n) log(C(m, n))
Page d’accueil
m n
P P (mnC(m,n)−µmµn)
Corrélation : c = σm σn
avec :
1
P m n Page de Titre
µm = N C(m, n)
Pn ◭◭ ◮◮
µn = N1 C(m, n)
m
1
P 2
σm = N (C(m, n) − µm) ◭ ◮
n
1
P 2
σn = N (C(m, n) − µn) Page 249 de 252
m
PP Retour
Contraste C = (m − n)2C(m, n)
m n
P P C(m,n) Plein écran
Homogénéité H = − 1+|m−n|
m n
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
L’analyse de texture est un domaine vaste dans lequel de ◭◭ ◮◮
nombreuses méthodes existent

– analyse spectrale (spectres de Fourier, de Mellin) ◭ ◮
– analyse par bancs de filtre (Gabor, ...)

Page 250 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 251 de 252
Retour
Plein écran
Fermer
Quitter
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 252 de 252
Retour
Plein écran
Fermer
Quitter

0327 Traitement Numerique Images PDF

Transféré par

Informations du document

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 ?

Droits d'auteur :

Formats disponibles

0327 Traitement Numerique Images PDF

Transféré par

Droits d'auteur :

Formats disponibles

Introduction

1 Introduction Page d’accueil

Image = représentation d’une scène 3D Page de Titre

par des automates

Traitements de bas niveau : données de nature

Traitement d’images envisagé en trois phases :

– permettre une meilleure visualisation de l’image

– Segmentation : créer une partition de l’image en

– Quantification : fournir des indices quantitatifs ou

On ne traite pas ici du traitement d’images couleur. Retour

2 Prétraitements Page 6 de 252

– Traitements photométriques et colorimétriques Retour

Rappel : échantillonnage et quantification

2.1.1 Analyse spatiale Segmentation

Rappel : échantillonnage et quantification

Analyse spatiale : transformation sur les pixels de l’image

L’approche principale des méthodes d’analyse est d’utiliser Segmentation

L’opérateur T est appliqué à chaque pixel (x, y)

g(x, y) = T (f (x, y)) Page 11 de 252

– Utilisation d’une table de référence (lookup table) ◭◭ ◮◮

Extension du contraste Page d’accueil

⇒ image avec plus de contrastes

Seuillage : cas limite de l’extension de contraste Page d’accueil

⇒ image avec plus de contrastes

Transformées linéaires, exponentielles, logarith- Prétraitements

Exemple : négatif d’une image Page 15 de 252

– logarithmique : g(x, y) = c.log(1 + f (x, y)), c > 0

– γ < 1 : étire les faibles valeurs, compresse les valeurs foncées

Transformation par morceaux Segmentation

Nécessite la définition de variables Fermer

L’usage de régions de taille plus importante permet plus

Définition de la taille du masque : carrée, impaire. Page 21 de 252

Relation à la notion de convolution...

g(x, y) = w(i, j)f (x + i, y + j)

2.2 Analyse d’histogramme

n : nombre total de pixels ⇒ p(rk ) ≈ probabilité d’observer Plein écran

Etirement Page d’accueil

– Une image à haut contraste aura un histogramme bien

– Un histogramme bien réparti permettra d’obtenir un bon

Etirement Page de Titre

[m, M ] intervalle de codage des niveaux de gris

Etirement : élimination des tons extrêmes

Etirement : élimination des tons extrêmes

Compression Page d’accueil

Formellement Page 32 de 252

[m, M ] intervalle de codage des niveaux de gris

Egalisation d’histogramme Quantification

Consiste à rendre le plus plat possible, l’histogramme des

L’image est associée à une modélisation probabiliste dont

riable niveau de gris.

masqués par des variations d’intensité de plus grande am-

f (x, y) : ensemble de réalisations d’une variable aléatoire Page 36 de 252

]M inf (x, y), M axf (x, y)[

Problème : chercher T continue, dérivable au moins par

aléatoire G=T(F) soit uniformément répartie dans l’inter-

Soit g la densité de probabilité de G et T ′ la fonction

T ′(r) gmax − gmin

2.3 Opérations arithmétiques Segmentation

– Opérations point à point

Dans certains cas, l’opération arithmétique peut produire ◭◭ ◮◮

– ni : bruit = phénomène aléatoire

– s : signal = phénomène reproductible

2.4 Opérations logiques