Chapitre 3

Restauration des images par

filtrage Spatial et Fréquentiel

Traitement d'images 1

Restauration des images

 Caractérisation des images multiniveaux

Image

Bruit Information (signal)

Contour Texture

Traitement d'images 2

1
 Modélisation

 Modèle de dégradation
 distorsions spatiales (capteur)
 flou (bougé, mise au point)
 bruit

 Modèle de signal image

 Contour : séparation entre deux régions voisines de l’image
caractérisée par une variation de niveau de gris

 Texture : région de l ’image caractérisée par des propriétés

d ’homogénéité statistiques ou structurelles (motifs)

Traitement d'images 3

Modèles de bruit

 Origine du bruit:
 capteur défectueux , numérisation, erreur sur le canal
de transmission…..

 bruit additif et non corrélé avec le signal image

caractérisé par ses propriétés statistiques
 bruit blanc gaussien, impulsif….
 L'hypothèse selon laquelle le bruit est additif est une
hypothèse simplificatrice : elle permet des
développements mathématiques qui sont impossibles si
le bruit n'est pas combiné linéairement ;

Traitement d'images 4

2
 Modèles de bruit

 Dans l'ensemble des dégradations possibles d'une image :

les transformations linéaires. on suppose les dégradations
invariantes spatialement ce qui permet d'écrire le modèle
suivant :
 g(x,y) = [h * f](x,y)

* : l'opérateur produit de convolution,

g : l'image à restaurer,
f : l'image initiale,
h : la réponse impulsionnelle du système linéaire modèle
de la source de dégradation

Traitement d'images 5

Filtrage

Image FFT TF de l’image

Filtrage Fréquentiel
Filtrage Spatial

FFT-1
Image rehaussée Image Filtrée

Traitement d'images 6

3
 Filtrage Spatial

 Un pixel de l ’image transformée (filtrée) est calculé à

partir d ’un voisinage défini autour du pixel
correspondant dans l ’image originale

i i
x x
Transformation
j j

y y
Image originale Image filtrée
Traitement d'images 7

Convolution 2D

 entre 2 fonctions f(a,b) et h(x,y) :

 
g ( x, y)    f (a, b).h( x  a, y  b)da db
 
   f ( x  a, y  b).h(a, b)da db
 
 ( f  h) ( x, y)  ( f  h) ( x, y)

 Transformation linéaire invariante par translation

 ---> filtrage linéaire de l ’image f(x,y) à l ’aide du
filtre h(x,y)
Traitement d'images 8

4
 Transformation sur les images

 Convolution dans le cas discret 2D :

 Produit scalaire entre le noyau de convolution et le voisinage
du pixel m q n  p
L' (i, j )    L(i  m, j  n).H (m, n)
m q n  p

 L(i,j) image numérique

 H(i,j) masque de convolution de dimension (2p+1)x(2q+1)
 Exemple: 2p+1
h1 h2 h3
H(i,j)= h4 h5 h6 2q+1
h7 h8 h9

Traitement d'images 9

Exemple de convolution 2D

Traitement d'images 10

5
Convolution numérique discrète

Traitement d'images 11

Convolution Numérique

Traitement d'images 12

6
Convolution Numérique

Traitement d'images 13

Convolution Numérique

Traitement d'images 14

7
 Filtrage spatial

 Filtre passe-bas
 Filtre Moyenne
 But: lisser l ’image pour supprimer le bruit
 Inconvénient: on lisse aussi les contours (l’image devient floue)

1 1 1 1 1
1 1 1 1 1
1 1 1
1/9 * 1 1 1 1/25 * 1 1 1 1 1
1 1 1 1 1 1 1 1
1 1 1 1 1
Filtre 3x3
Filtre 5x5

Traitement d'images 15

Exemple de filtrage moyenneur

Traitement d'images 16

8
 Exemple de filtre moyenneur

Traitement d'images 17

Filtrage spatial

 Filtre Gaussien (filtre

passe-bas)
G ( x, y )  exp(  (( x 2  y 2 ) s 2 )) 1 2 1
 Exemple de masque gaussien 1/16 2 4 2
3x3 : 1 2 1

 Choix du support en fonction de

s:

6.s  1 6.s  1
 Intérêt : le filtre gaussien
préserve mieux les contours que
le filtre de moyenne

Traitement d'images 18

9
Exemple de filtrage Gaussien

Traitement d'images 19

Filtrage gaussien (lissage du bruit et

des contours)

gaussien

riviere.rast image traitée par filtre

spatial gaussien

10
 Filtrage adaptatif

 Filtrage adaptatif
 Hypothèse: cas d ’un bruit non corrélé avec le signal image et qui se
produit aléatoirement en un certain nombre de points (points brillants)
 Méthode: seuiller chaque pixel si sa valeur est trop élevée par rapport
à celle de ses voisins

O1 O2 O3
 1 8 
O4 X O5
IF  X   Oi   Seuil
O6 O7 O8
 8 i 1 
1 8
THEN X   Oi
8 i 1

Traitement d'images 21

Filtrage adaptatif (Frost et al.)

 Estimation du degré d’homogénéité

 Surfaces homogènes: surfaces dont la fonction
de luminance est constante
 Surfaces hétérogènes: surfaces dont la
fonction de luminance rencontrent de fortes
variations (zones texturées, arêtes, contours,
cibles ponctuelles)
 Le coefficient de variation (CV= s/) est donc une
mesure du degré d’homogénéité des surfaces

Traitement d'images 22

11
 Filtrage adaptatif (Frost et al.)

 Estimation du degré d’homogénéité

CV = s/
 Transformation
Si CV  CVMAX Alors Pas de filtrage
Sinon Filtrage de moyenne

Traitement d'images 23

Filtrage adaptatif (Frost et al.)

 Estimation du degré d’homogénéité

 Le coefficient de variation (CV= s/) est calculé
sur de petites fenêtres (ex: 5X5, 7X7, 9X9)
 Une surface est dite homogène si:

0.523 u Pour N=7

CV 
N 0.523
CV 
CV  CVMIN 7
CV  0.1977
Traitement d'images 24

12
 Filtrage adaptatif (Frost et al.)

 Estimation du degré d’homogénéité

 Une surface est dite hétérogène si:

u CVMAX peut être estimé par la

valeur maximale du CV sur des
CV  CVMAX surfaces homogènes

Traitement d'images 25

Filtrage adaptatif (Frost et al.)

 Transformations
 CV  CVMAX
 Le pixel considéré se trouve dans une zone hétérogène
et fort probablement sur un contour (une transition de
la fonction de luminance)
 Pour conserver les arêtes et contours le plus intactes
possibles il ne faut pas lisser ces pixels
 La valeur numérique de ces pixel reste alors inchangée

Traitement d'images 26

13
 Filtrage adaptatif (Frost et al.)

 Transformations
 CV  CVMIN
 Le pixel considéré se trouve dans une zone homogène
 Nous lissons alors ces pixels pour éliminer le bruit
 La valeur de  calculées au voisinage du pixel devient
alors sa valeur de niveau de gris lissée

Traitement d'images 27

Travail pratique #3 (3b)

gaussien
filtrage _Frost

riviere.rast image traitée par filtre

spatial
spatial adaptatif (s x1.5)
gaussien (13 13)
Traitement d'images 28

14
 Filtrage (non-linéaire)

Traitement d'images 29

Filtrage spatial

 Filtre Médian
 Intérêt:
 efficace pour supprimer un bruit dû à des impulsions parasites

 ne lisse pas l ’image

 Inconvénient:
 mais peut introduire des artefacts sur les lignes et les coins

 ---> utilisation de voisinages non-rectangulaire

 exemple:

Traitement d'images 30

15
Exemple de Filtre Médian

Traitement d'images 31

Traitement d'images 32

16
 Filtrage Spatial

 Filtre Passe-haut
 But: améliorer la qualité visuelle de l ’image en accentuant les contours
(obtention d ’une image plus contrastée)
 Première méthode: on part de 2 images : l ’image originale L(i,j) et
une image filtrée par un filtre passe bas(filtre High boost)

HIGH BOOST = Original – Passe bas

Traitement d'images 33

Filtre passe haut

 le réhaussement de contour peut être réalisé à l ’aide de
masques de convolution ayant la forme suivante :

 0 1 0   1  1  1  1 2 1 
 1 5  1  1 9  1   2 5  2
     
 0  1 0   1  1  1  1  2 1 
    
g1 ( k ,l ) g 2 ( k ,l ) g 3 ( k ,l )

 Afin de préserver la moyenne, la somme des termes est

égale à 1

Traitement d'images 34

17
 Transformation sur les images

 Filtrage dans le domaine fréquentiel:

 Le filtrage de l ’image f(x,y) par le filtre H(u,v) est réalisé de la
façon suivante:

TF Produit TF-1
f(x,y) F(u,v) F’(u,v) f’(k,l)
H(u,v)
image
image
originale
filtrée

Traitement d'images 35

Traitement d'images 36

18
Traitement d'images 37

Traitement d'images 38

19
 Traitement d'images 39

Transformation sur les images

 Transformée de Fourier bidimensionnelle :

 
F (u, v)    f ( x, y).e  j 2 ( x.u  y.v ) dx dy
 

 Transformée de Fourier inverse :

 
f ( x, y)    F (u, v).e j 2 ( x.u  y.v ) du dv
 

 (x,y) coordonnées image

 (u,v) fréquences spatiales

Traitement d'images 40

20
 Transformation sur les images

 Propriétés :
 c ’est une fonction complexe:
F (u, v)  R(u, v)  jI (u, v)

 qui peut se représenter sous la forme d ’une

amplitude |F(u,v)| et d ’un spectre de phase
 spectre de fréquence
 
1
F (u, v)  R 2 (u, v)  I 2 (u, v) 2
spectre de phase
 (u, v)  tan 1 I (u, v) R(u, v)


Traitement d'images 41

Transformation sur les images

 Transformée de Fourier discrète d ’une image NxN:

N 1 N 1 k .u  l .v
 j 2 (
  f (k , l ).e
)
F (u, v)  1
N
N

k 0 l 0
 Transformée de Fourier inverse :

N 1 N 1 k .u  l .v
j 2 (
  F (u, v).e
)
f (k , l )  1
N
N

u 0 v 0

Traitement d'images 42

21
 Transformation sur les images

 Interprétation :
N 1 N 1 k .u  l .v
j 2 (
  F (u, v).e
)
f (k , l )  1
N
N

u 0 v 0

 cette équation est une combinaison linéaire de fonctions

périodiques :
k .u l .v
j 2 ( ) uk  lv uk  lv
e N
 sin( 2 )  j cos(2 )
N N
 où u et v sont les 2 fréquences spatiales et F(u,v) le poids attribué
à chaque fréquence.

Traitement d'images 43

Transformation sur les images

 Cas d ’une fonction sinusoïdale dans le plan image

 Relation entre les fréquences spatiales u et v et la longueur d ’onde
l:

1/v 1/u est la longueur d’onde suivant x

l x 1/v est la longueur d’onde suivant y
1/u
l
et on a : l 1
u 2  v2

Traitement d'images 44

22
 Transformation sur les images

 Propriétés de la TF :
 linéarité:

TF(a f1 ( x, y)  b f 2 ( x, y))  aF1 (u, v)  bF2 (u, v)

 Changement d ’origine:
TF( f(x  a, y  b))  F (u, v) e 2 ( au bv )
 Symétrie: si f(x,y) est une fonction réelle, on a:

F (u,v)  F * (u, v) * complexe conjuguée

 L ’image étant une fonction réelle, on peut utiliser sa
transformée de Fourier dans le 1er quadrant ( u  0 v  0 )
uniquement

Traitement d'images 45

Transformation sur les images

 Théorème de convolution:
 La convolution et la transformée de Fourier sont liées par l’équation :

TF (( f  g )( x, y ))  F (u, v).G(u, v)
 Application au filtrage:
 En prenant la transformée de Fourier inverse à gauche et à droite de
l ’équation, on en déduit :
( f * g )( x, y )  TF 1F (u, v).G (u, v)
 donc, le filtrage peut être effectué soit dans le domaine spatial, soit
dans le domaine fréquentiel

Traitement d'images 46

23
 Transformation sur les images

 Trois types de filtre H(u,v):

v
u

Passe-bas Passe-haut Passe-bande

 filtre passe-bas: réduit le bruit, mais lisse les détails

 filtre passe haut: accentue les contours, mais augmente le bruit
 filtre passe-bande: utilisé pour éliminer certaines fréquences
indésirables
Traitement d'images 47

Traitement d'images 48

24
Traitement d'images 49

Traitement d'images 50

25
Traitement d'images 51

Traitement d'images 52

26
Traitement d'images 53

Traitement d'images 54

27
Traitement d'images 55

Traitement d'images 56

28
Traitement d'images 57

Traitement d'images 58

29
 Transformation sur les images

Image et son spectre de fréquences |F(u,v)|

(M. Sonka)

Traitement d'images 59

Transformation sur les images

Exemple de filtrage passe-bas dans le domaine fréquentiel

(M. Sonka)
a) spectre de l’image filtrée : élimination
des fréquences moyennes et hautes
b) image obtenue par filtrage inverse

c) spectre de l’image filtrée : élimination

des très hautes fréquences uniquement

d) image obtenue par filtrage inverse

Traitement d'images 60

30
 Transformation sur les images

 Filtrage fréquentiel :
 Exemple: élimination d’un bruit périodique

Recherche
Image FFT fréquence
du bruit

Image
FFT inverse Filtrage
débruitée

Traitement d'images 61

Transformation sur les images



a) image dégradée par un bruit sinusoïdal

b) spectre de fréquence utilisé pour la
restauration de l ’image
c) résultat après filtrage (M. Sonka)

Traitement d'images 62

31