Académique Documents
Professionnel Documents
Culture Documents
0327 Traitement Numerique Images PDF
0327 Traitement Numerique Images PDF
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
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
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
Plein écran
Fermer
Quitter
Prétraitements
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
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
◭ ◮
Page 7 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Analyse spatiale
Introduction
Prétraitements
f (x, y)
Page de Titre
◭◭ ◮◮
◭ ◮
Page 8 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Analyse spatiale
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
– f : image d’entrée
– T : opérateur sur f ou sur un ensemble d’images Page 9 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Analyse spatiale
Introduction
Prétraitements
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
calcul de la transformation.
◭◭ ◮◮
La forme la plus simple est d’utiliser une région de 1 × 1
pixel ◭ ◮
Retour
⇒ analyse point à point
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Analyse spatiale>Point à point
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Analyse spatiale>Point à point
Introduction
Prétraitements
Segmentation
Quantification
Page de Titre
◭◭ ◮◮
◭ ◮
Page 13 de 252
Retour
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Analyse spatiale>Point à point
Introduction
Prétraitements
Segmentation
Quantification
Page de Titre
◭◭ ◮◮
◭ ◮
Page 14 de 252
Retour
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Analyse spatiale>Point à point
Introduction
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Analyse spatiale>Point à point
Introduction
Prétraitements
Transformées linéaires, exponentielles, logarith- Segmentation
miques Quantification
ǫ : offset
– exponentielle : g(x, y) = c.f (x, y)γ , c > 0 Page de Titre
◭ ◮
Page 16 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Analyse spatiale>Point à point
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 17 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Analyse spatiale>Point à point
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 18 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Analyse spatiale>Point à point
Introduction
Prétraitements
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 19 de 252
Retour
Plein écran
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Analyse spatiale>Point à point
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
◭◭ ◮◮
⇒ Notion de masque de traitement
◭ ◮
Retour
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
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
◭ ◮
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
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
Prétraitements>Traitements photométriques et colorimétriques>Analyse d’histogramme>Etirement
Introduction
Prétraitements
Segmentation
Quantification
◭ ◮
Page 27 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Analyse d’histogramme>Etirement
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
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)] ◭ ◮
– 2 octets → m=0,M=65535
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Analyse d’histogramme>Etirement
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Etirement
Page de Titre
◭◭ ◮◮
◭ ◮
Page 29 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Analyse d’histogramme>Etirement
Introduction
Prétraitements
Segmentation
Quantification
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
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
Page de Titre
◭◭ ◮◮
◭ ◮
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
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
Prétraitements>Traitements photométriques et colorimétriques>Analyse d’histogramme>Egalisation
Introduction
Prétraitements
Segmentation
F admettant
– une densité de probabilité h non nulle sur Retour
cumulé)
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Analyse d’histogramme>Egalisation
Introduction
Prétraitements
Segmentation
Quantification
Egalisation d’histogramme
Page d’accueil
h(r) 1
g(rg ) = = , gmin < rg < gmax Page 37 de 252
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
Prétraitements>Traitements photométriques et colorimétriques>Analyse d’histogramme>Spécification
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
Prétraitements>Traitements photométriques et colorimétriques>Analyse d’histogramme>Spécification
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
Page de Titre
Soustraction ⇒ : visualisation du changement (images
superposables)
◭◭ ◮◮
◭ ◮
Page 41 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Opérations arithmétiques
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Opérations arithmétiques
Introduction
Prétraitements
Segmentation
Moyenne d’un ensemble d’images Quantification
N images gi = f + ni
Page d’accueil
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
Prétraitements>Traitements photométriques et colorimétriques>Opérations arithmétiques
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
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réhaussement de contraste
Introduction
Prétraitements
floue
– bougé (objets et caméras mobiles) ◭◭ ◮◮
– défocalisation
– diffraction
– volume partiel ◭ ◮
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réhaussement de contraste>Méthodes linéaires
Introduction
2.5.1 Méthodes linéaires Prétraitements
Segmentation
Quantification
◭ ◮
′
Netteté du contour : pente à l’origine en x = 0 : f (0) = 1.
La méthode de rehaussement consiste à calculer : Page 47 de 252
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
c(x) = Arctan(x)
◭ ◮
Par filtrage :
g(x) = c(x) − λc′′(x) + B(x) − λB ′′(x) Page 48 de 252
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réhaussement de contraste>Méthodes morphologiques
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page 49 de 252
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réhaussement de contraste>Méthodes morphologiques
Introduction
Prétraitements
Segmentation
Quantification
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
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réhaussement de contraste>Méthodes morphologiques
Introduction
Prétraitements
Eléments de morphologie mathématique Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 51 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réhaussement de contraste>Méthodes morphologiques
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
◭◭ ◮◮
◭ ◮
Page 52 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réhaussement de contraste>Méthodes morphologiques
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
Prétraitements>Traitements photométriques et colorimétriques>Réhaussement de contraste>Méthodes morphologiques
Introduction
Prétraitements
Segmentation
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.
◭◭ ◮◮
Page 54 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réhaussement de contraste>Méthodes morphologiques
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
Prétraitements>Traitements photométriques et colorimétriques>Réhaussement de contraste>Méthodes morphologiques
Introduction
Prétraitements
Segmentation
Quantification
1
M (x, y) = [(f ⊖ b)(x, y) + (f ⊕ b)(x, y)]
2 ◭◭ ◮◮
N
1 X
g(x, y) = gi(x, y) Plein écran
N i=1
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réhaussement de contraste>Méthodes morphologiques
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
(f ⊕ b′ )(x, y) si(f ⊕ b)(x, y) − f (x, y) ≤ αM (x, y) Page 57 de 252
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réhaussement de contraste
Introduction
Prétraitements
Segmentation
Quantification
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
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Objectifs ◭ ◮
– réduire l’amplitude des variations d’intensité dans cha-
cune des régions Page 60 de 252
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit
Introduction
Prétraitements
Segmentation
Quantification
Modèles de bruit ◭◭ ◮◮
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
◭◭ ◮◮
◭ ◮
Page 62 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit
Introduction
Prétraitements
Segmentation
Quantification
Page de Titre
Gaussien Rayleigh
◭◭ ◮◮
◭ ◮
Page 63 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit
Introduction
Prétraitements
Segmentation
Quantification
Page de Titre
Erlang Exponentiel
◭◭ ◮◮
◭ ◮
Page 64 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit
Introduction
Prétraitements
Segmentation
Quantification
Page de Titre
Uniforme Sel et poivre
◭◭ ◮◮
◭ ◮
Page 65 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit
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
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
◭◭ ◮◮
◭ ◮
Page 67 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
Introduction
Prétraitements
Segmentation
2.6.1 Domaine spatial Quantification
◭◭ ◮◮
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
lution.
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 69 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
Filtres de lissage
◭◭ ◮◮
– filtre moyenneur
– réduit le bruit ◭ ◮
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
Introduction
Prétraitements
Segmentation
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
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 72 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 73 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Exemple
g=U+B, U échelon vertical, B bruit blanc stationnaire Page de Titre
= h ∗ U (x, y) + h ∗ B(x, y)
= D(x, y) + N (x, y) Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
Introduction
Prétraitements
Segmentation
Quantification
variance.
IE(g(x, y)) = D(x, y) Page de Titre
Z Z
Retour
V ar(N ) = N02 h2(x, y)dxdy
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
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
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
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
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
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
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
Introduction
M
X N
X
g(x, y) = h(i, j)f (x − i, y − j) ◭◭ ◮◮
i=−M j=−N
◭ ◮
M
X N
X Retour
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
Introduction
Prétraitements
Segmentation
Quantification
Correspondance entre filtrage spatial et filtrage
fréquentiel : théorème de convolution. Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 80 de 252
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
◭◭ ◮◮
◭ ◮
Page 81 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 82 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
– admirer le résultat
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
Introduction
Prétraitements
Segmentation
Rappels : la transformée de Fourier Quantification
∞
X ◭◭ ◮◮
f (x) = ancos(nx) + bnsin(nx)
n=0
◭ ◮
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
Introduction
Prétraitements
Rappels : la transformée de Fourier Segmentation
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
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
Introduction
Prétraitements
Rappels : la transformée de Fourier Segmentation
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
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
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
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
Introduction
Prétraitements
◭ ◮
Page 88 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
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 ◭◭ ◮◮
nulle
Fermer
– Plus on s’éloigne du centre, plus la fréquence augmente
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
Introduction
Prétraitements
Segmentation
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Page 90 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Rappels : la transformée de Fourier
Page de Titre
◭◭ ◮◮
◭ ◮
Page 91 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
◭◭ ◮◮
◭ ◮
Page 92 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
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
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
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
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
◭◭ ◮◮
◭ ◮
Page 95 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
avec D(u, v) = u− 2 + v− 2
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
◭◭ ◮◮
◭ ◮
Page 97 de 252
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
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
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
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
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
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 ◭ ◮
Retour
Plein écran
Fermer
Introduction
Prétraitements
Segmentation
Filtre Butterworth passe-bas Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
Introduction
Prétraitements
Segmentation
Quantification
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
Introduction
Prétraitements
Segmentation
Quantification
2
− D 2σ(u,v)
H(u, v) = e 2 Page de Titre
σ = D0 ◭◭ ◮◮
◭ ◮
Retour
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
Introduction
Prétraitements
Filtre Gaussien passe-bas Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage linéaire stationnaire
Introduction
Prétraitements
Segmentation
Quantification
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage non linéaire
Introduction
Prétraitements
Segmentation
Quantification
promis.
◭◭ ◮◮
– filtres d’ordre
– filtres homomorphiques Retour
– filtres morphologiques
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage non linéaire
Introduction
Prétraitements
Segmentation
d’ordre.
⇒ Les données sont prises en compte selon leur rang dans Plein écran
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage non linéaire
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
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage non linéaire
Introduction
Prétraitements
L-Filtre Segmentation
Quantification
Un des L-filtres les plus utilisés : filtre médian.
Page d’accueil
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage non linéaire
Introduction
Prétraitements
Segmentation
Filtrage homomorphique Quantification
g et de B.
Le filtre linéaire à employer doit atténuer les basses Plein écran
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage non linéaire
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
– p = 1 : filtre moyenneur
– p = −1 : moyenne harmonique. Plein écran
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage non linéaire
Introduction
Prétraitements
Segmentation
Quantification
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage non linéaire
Introduction
Prétraitements
Segmentation
Quantification
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage non linéaire
Page d’accueil
Page de Titre
◭◭ ◮◮
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage non linéaire
Introduction
Prétraitements
Segmentation
Quantification
Filtrage morphologique
Page d’accueil
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
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage non linéaire
Introduction
Prétraitements
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
Prétraitements>Traitements photométriques et colorimétriques>Réduction de bruit>Filtrage non linéaire
Introduction
Prétraitements
Segmentation
Quantification
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Restauration d’images>Modèle
Introduction
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Restauration d’images>Modèle
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Restauration d’images>Modèle
Introduction
Prétraitements
Segmentation
Quantification
tuelle
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Restauration d’images>Modèle
Introduction
Prétraitements
Segmentation
Quantification
XX
f (i, j) = g(m, n)h(i − m, j − n) ◭◭ ◮◮
m n
f = Hg ◭ ◮
Méthodes algébriques
Retour
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Restauration d’images>Modèle
Introduction
Prétraitements
Segmentation
Quantification
⇒ g k2
M inkf − Hb Page de Titre
Q opérateur linéaire en gb
→ utilisation d’un multiplicateur de Lagrange α Retour
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
Prétraitements>Traitements photométriques et colorimétriques>Restauration d’images>Filtrage
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
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Restauration d’images>Filtrage
Introduction
Prétraitements
Segmentation
Quantification
Filtrage de Wiener
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
W (u, v) = Pn (u,v)
Pg (u, v) + H(u,v) 2 Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Restauration d’images>Filtrage
Introduction
Prétraitements
Segmentation
Quantification
Filtrage de Wiener
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Restauration d’images>Méthodes itératives
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
– gb1 = f ◭◭ ◮◮
– fbk = gbk ∗ h
– gbk+1 = gbk + (f − fbk ) ◭ ◮
Tichonov-Miller
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Restauration d’images>Méthodes itératives
Introduction
Prétraitements
Segmentation
Quantification
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Restauration d’images>Méthodes itératives
Introduction
Prétraitements
Segmentation
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Prétraitements>Traitements photométriques et colorimétriques>Restauration d’images>Méthodes itératives
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
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
3 Segmentation
Page de Titre
Introduction
Prétraitements
3.1 Préambule : notion de connexité Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Problèmes de connexité
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Problèmes de connexité
Introduction
Prétraitements
Segmentation
Quantification
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches région>Analyse de l’histogramme>Seuillage avec apprentissage
Page de Titre
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
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
◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches région>Analyse de l’histogramme>Seuillage automatique
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches région>Analyse de l’histogramme>Seuillage automatique
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches région>Analyse de l’histogramme>Seuillage automatique
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches région>Analyse de l’histogramme>Seuillage automatique
Introduction
Prétraitements
Exemple : méthodes de Niblack et de Sauvola Segmentation
Idée : faire varier le seuil dans l’image en fonction des va- Quantification
– 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
Quitter
Segmentation>Approches région>Analyse de l’histogramme>Seuillage automatique
Introduction
Prétraitements
Segmentation
Quantification
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches région>Analyse de l’histogramme>Seuillage automatique
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches région>Analyse de l’histogramme>Seuillage automatique
Introduction
Prétraitements
Méthode d’Otsu Segmentation
Quantification
1≤i≤L
σT 2
Plein écran
– σBi2
: variance inter classe
2
– σT : variance totale Fermer
Quitter
Segmentation>Approches région>Analyse de l’histogramme>Seuillage automatique
Introduction
Prétraitements
Segmentation
Quantification
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
La méthode fonctionne si le fond est uniforme et si la
résolution spatiale est suffisante Plein écran
Fermer
Quitter
Segmentation>Approches région>Analyse de l’histogramme>Seuillage automatique
Introduction
Prétraitements
Segmentation
Quantification
Méthode d’Otsu
Lignes de faible contraste supprimées Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Fermer
Quitter
Segmentation>Approches région>Analyse de l’histogramme>Seuillage automatique
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
Fermer
Quitter
Segmentation>Approches région>Analyse de l’histogramme>Seuillage automatique
Introduction
Prétraitements
Segmentation
Quantification
◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches région>Analyse de l’histogramme>Méthodes de classification
Introduction
– 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 ◭ ◮
Quitter
Segmentation>Approches région>Analyse de l’histogramme>Méthodes de classification
Introduction
Prétraitements
Segmentation
Quantification
Information image :
– niveau de gris ou espace de représentation Page de Titre
→ Système de cliques C
Plein écran
Fermer
Quitter
Segmentation>Approches région>Analyse de l’histogramme>Méthodes de classification
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
P (X = x)
◭ ◮
Plein écran
Fermer
Quitter
Segmentation>Approches région>Analyse de l’histogramme>Méthodes de classification
Introduction
Prétraitements
Segmentation
Quantification
Exemple : approche par champs de Markov
Théorème d’Hammersley-Clifford Page d’accueil
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
Segmentation>Approches région>Analyse de l’histogramme>Méthodes de classification
Introduction
Prétraitements
Segmentation
Quantification
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
Segmentation>Approches région>Analyse de l’histogramme>Méthodes de classification
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
L’expression obtenue ne fait intervenir que les potentiels Page 156 de 252
Plein écran
Fermer
Quitter
Segmentation>Approches région>Analyse de l’histogramme>Méthodes de classification
Introduction
Prétraitements
Segmentation
Quantification
ration
◭ ◮
– algorithme de Métropolis
Plein écran
Fermer
Quitter
Segmentation>Approches région>Analyse de l’histogramme>Méthodes de classification
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Plein écran
Fermer
Quitter
Segmentation>Approches région>Analyse de l’histogramme>Méthodes de classification
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Exemple : approche par champs de Markov
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
Plein écran
Fermer
Quitter
Segmentation>Approches région>Analyse de l’histogramme>Méthodes de classification
Introduction
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
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
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
◭◭ ◮◮
On ne sait pas choisir quelle est la ”bonne” partition.
Choix empiriques : ◭ ◮
Plein écran
Fermer
Quitter
Segmentation>Approches région>Transformation de régions>Croissance de régions
Introduction
Prétraitements
Croissance de région Segmentation
◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches région>Transformation de régions>Partage de régions
Introduction
Prétraitements
Segmentation
Quantification
Partage de régions
Page d’accueil
Stratégies δ nombreuses
– divisions par triangulation Retour
– décomposition en quadtree
– bipartitions régulières verticale et horizontale Plein écran
Fermer
Quitter
Segmentation>Approches région>Transformation de régions>Partage de régions
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches région>Transformation de régions>Partage de régions
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Film triangulation
Plein écran
Fermer
Quitter
Segmentation>Approches région>Transformation de régions>Partage de régions
Introduction
Prétraitements
Segmentation
Quantification
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches région>Transformation de régions>Partage de régions
Introduction
Prétraitements
Segmentation
Quantification
Page de Titre
◭◭ ◮◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches région>Transformation de régions>Partage de régions
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches région>Transformation de régions>Fusion de régions
Introduction
Prétraitements
Quitter
Segmentation>Approches région>Transformation de régions>Fusion de régions
Introduction
Approches Split and Merge Prétraitements
◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour
Introduction
Prétraitements
Segmentation
Quantification
∂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
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage spatial>Gradient
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage spatial>Gradient
Introduction
Prétraitements
Segmentation
Quantification
– ∂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 ◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage spatial>Gradient
Introduction
Prétraitements
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage spatial>Gradient
Introduction
Prétraitements
Segmentation
Quantification
Page de Titre
◭◭ ◮◮
◭ ◮
⇒ Importance du lissage
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage spatial>Gradient
Introduction
Prétraitements
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage spatial>Gradient
Introduction
Opérateurs à arêtes orientées Prétraitements
Kirsh :
◭◭ ◮◮
◭ ◮
Robinson : Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage spatial>Gradient
Introduction
Opérateurs à arêtes orientées Prétraitements
Kirsh :
◭◭ ◮◮
◭ ◮
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
∂ 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
Segmentation>Approches contour>Approches classiques>Filtrage spatial>Laplacien
Introduction
Prétraitements
Segmentation
Quantification
Page de Titre
◭◭ ◮◮
◭ ◮
⇒ masque isotrope pour des rotations de π/4
Page 182 de 252
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage spatial>Laplacien
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage spatial>Laplacien
Introduction
Prétraitements
L’estimation de la dérivée seconde étant par nature très Segmentation
∂ 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
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage spatial>Laplacien
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage spatial>Laplacien
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage spatial>Laplacien
Introduction
Prétraitements
Segmentation
Quantification
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage spatial>Laplacien
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage spatial
Introduction
Récapitulatif Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage fréquentiel
Introduction
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage fréquentiel
Introduction
Prétraitements
Segmentation
Quantification
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage fréquentiel
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
avec D(u, v) = u− 2 + v− 2
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage fréquentiel
Introduction
Prétraitements
Segmentation
Quantification
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage fréquentiel
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage fréquentiel
Introduction
Prétraitements
v"
u
u 2 2 # ◭◭ ◮◮
M N
D(u, v) = t u − + v−
2 2 ◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage fréquentiel
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Filtre Butterworth passe-haut
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage fréquentiel
Introduction
Prétraitements
Segmentation
Quantification
◭◭ ◮◮
σ = D0
◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage fréquentiel
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Filtre Gaussien passe-haut
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage fréquentiel
Introduction
Prétraitements
Segmentation
Quantification
Réverbération (aliasing)
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches analytiques>Filtre de Canny
Introduction
Prétraitements
Segmentation
Quantification
Le filtre de Canny est obtenu en exprimant ces trois Page 200 de 252
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)
◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches analytiques>Filtres de Deriche
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Approches analytiques>Filtres analytiques
Introduction
Prétraitements
Segmentation
Plus généralement, dans une approche moderne de la Quantification
Quitter
Segmentation>Approches contour>Approches analytiques>Filtres analytiques
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
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
aux données)
– une énergie externe, produite par l’utilisateur pour tra- Retour
Quitter
Segmentation>Approches contour>Contours et surfaces actives
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
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
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
⇒ Eimage ∝ −∇f ◭ ◮
Fermer
Quitter
Segmentation>Approches contour>Contours et surfaces actives
Introduction
Prétraitements
Segmentation
Quantification
Résolution : approche variationnelle : en supposant que le
contour évolue vers un minimum d’énergie, et en désignant Page d’accueil
∂P (s) ′ ′ ′′ ′′ ∂ | ∇f |2
γ(s) + (α(s)P ) − (β(s)P ) = ◭◭ ◮◮
∂s dP
Discrétisations : ◭ ◮
Fermer
Quitter
Segmentation>Approches contour>Contours et surfaces actives
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Level Sets
Introduction
Prétraitements
Segmentation
Quantification
Fermer
Quitter
Segmentation>Approches contour>Level Sets
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
Segmentation>Approches contour>Level Sets
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
Petits films... ◭ ◮
Retour
Plein écran
Fermer
Quitter
Segmentation>Approches contour>Level Sets
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Plein écran
Fermer
Quitter
Quantification
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Quantification
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
4 Quantification ◭ ◮
– quantification géométrique
Plein écran
– quantification radiométrique
Fermer
Quitter
Quantification>Quantification géométrique
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Plein écran
Fermer
Quitter
Quantification>Quantification géométrique>Codage de contour
d’orientation spécifiques
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Quantification>Quantification géométrique>Codage de contour
Introduction
Quitter
Quantification>Quantification géométrique>Signatures
Introduction
Prétraitements
4.1.2 Signatures Segmentation
Quantification
◭ ◮
Retour
Plein écran
Fermer
Quitter
Quantification>Quantification géométrique>Signatures
Introduction
Prétraitements
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Quantification>Quantification géométrique>Signatures
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Quantification>Quantification géométrique>Signatures
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
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
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Quantification>Quantification géométrique>Caractéristiques géométriques
Introduction
Prétraitements
Segmentation
jet
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Quantification>Quantification géométrique>Caractéristiques géométriques
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Quantification>Quantification géométrique>Caractéristiques géométriques
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Quantification>Quantification géométrique>Caractéristiques géométriques
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Quantification>Quantification géométrique>Caractéristiques géométriques
Introduction
Prétraitements
Segmentation
Quantification
Z Z
cmn =
M (x − xc)m(y − y − c)nf (x, y)dxdy
Retour
Plein écran
Fermer
Quitter
Quantification>Quantification géométrique>Caractéristiques géométriques
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
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
Quitter
Quantification>Quantification géométrique>Polygones de Guzman
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Quantification>Quantification géométrique>Descripteurs de Fourier
Introduction
Prétraitements
Segmentation
– 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
∞
X
Φ(t) = azk e−ikt Page 232 de 252
k=0
Retour
ak : descripteur de Fourier
– invariants par transformation affine Plein écran
Quitter
Quantification>Quantification géométrique>Descripteurs de Fourier
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Quantification>Quantification géométrique>Approximations polynomiales
Introduction
la corde
Page d’accueil
Retour
Plein écran
Fermer
Quitter
Quantification>Quantification géométrique>Approximations polynomiales
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
Quitter
Quantification>Quantification géométrique>Approximations polynomiales
Introduction
Prétraitements
Segmentation
Quantification
Fermer
Quitter
Quantification>Quantification géométrique>Approximations polynomiales
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
– de l’interpolation
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Quantification>Quantification géométrique>Transformée de Hough
Introduction
Prétraitements
Segmentation
H
Fermer
Quitter
Quantification>Quantification géométrique>Transformée de Hough
Introduction
Transformation de 1 à m Prétraitements
Segmentation
On associe Quantification
Retour
Plein écran
Fermer
Quitter
Quantification>Quantification géométrique>Transformée de Hough
Introduction
Transformation de m à 1 Prétraitements
Segmentation
Quantification
Retour
Plein écran
Fermer
Quitter
Quantification>Quantification géométrique>Transformée de Hough
Introduction
Dans la pratique, H est discrétisé. Chaque cellule (ai, bi) Prétraitements
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
Quantification>Quantification géométrique>Transformée de Hough
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Quantification>Quantification géométrique>Transformée de Hough
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Quantification>Quantification radiométrique
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
Plein écran
Fermer
Quitter
Quantification>Quantification radiométrique
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
– du premier ordre
– du second ordre Retour
Plein écran
Fermer
Quitter
Quantification>Quantification radiométrique
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
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 ◭◭ ◮◮
Plein écran
Fermer
Quitter
Quantification>Quantification radiométrique>Texture>Haralick
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
Retour
Plein écran
Fermer
Quitter
Quantification>Quantification radiométrique>Texture>Haralick
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
Quantification>Quantification radiométrique>Texture>Haralick
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
Retour
Plein écran
Fermer
Quitter
Quantification>Quantification radiométrique>Texture>Haralick
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter
Quantification>Quantification radiométrique>Texture>Haralick
Introduction
Prétraitements
Segmentation
Quantification
Page d’accueil
Page de Titre
◭◭ ◮◮
◭ ◮
Retour
Plein écran
Fermer
Quitter