1

BASES DU TRAITEMENT
D’IMAGES
3ème année LSE Elaboré par : Imen Charfi 2021-2022
 Chapitre 3
2

Transformations géométriques
et Filtrage
 Transformations géométriques
3

 Flip
 Transformations géométriques
4

 Changement d’échelle
 Transformations géométriques
5

 Rotation
 Changement d’échelle
6

 Agrandissement d’image par copie des pixels

 Changement d’échelle
7

 Homothétie de centre l’origine.

 Soient Sx et Sy les facteurs d’échelle suivant chaque axe :
x’ = Sx.x x = x’.1/Sx
y’ = Sy.y y = y’.1/Sy
 Algorithme :
W’ = W. Sx ; H’ = H.Sy ; R est l’image résultat de taille W’ et H’
for (y=0 ; y<H’ ; y++)
for (x=0 ; x<W’ ; x++)
R(x,y) = I(x/Sx , y/Sy)
 Changement d’échelle
8
 Transformations de voisinage
9

 Une transformation de voisinage est telle que la

nouvelle valeur d’un pixel tient compte des pixels
appartenant au voisinage du pixel considéré.
 Le voisinage peut avoir une forme régulière (carré,
rectangle, hexagone..) ou bien une forme
quelconque.
 Masques
10

 L’usage de régions de taille plus importante permet plus de

flexibilité et donne plus de puissance au prétraitement : notion
de masque de traitement
 Un masque est de forme carrée de taille impaire
 Transformations de voisinage
11

 Principe :
 Transformations de voisinage
12

 Les voisinages les plus utilisés en traitement

d’images (4-voisinage; voisinage 3x3; voisinage
5x5)
 Convolution
13

 Transformation locale : utilisation du voisinage de

chaque pixel

 Un filtre de convolution (ou masque ou noyau ou

fenêtre) est une matrice 2n+1 x 2n+1
 Somme de produits (filtre linéaire)

 La somme des coefficients du filtre doit être égale à

1 (pour ne pas modifier la luminance de l’image)
 Convolution
14
 Convolution
15
 Convolution
16
 Convolution
17
 Convolution
18
 Convolution
19
 Convolution
20

 Sur les bords de l’image on peut :

 Laisserinchangés
 Mettre les pixels à zéro

 Compléter les valeurs manquantes

en construisant le miroir de l’image

 Effectuer une convolution partielle

avec une portion du filtre

 Convolution
21

 Normalisation:
Soit S la somme des coefficients du masque
 Normalisation à1
On doit avoir S=1 si l’on veut conserver la luminance
de l’image
 Obtention de valeurs dans [0,255]

un décalage est parfois nécessaire pour obtenir des

valeurs entre 0 et 255 (255 si S<0 ; 0 si S>255 ; 128
si S=0 )
 Les filtres
22

 Filtre passe-bas ou de lissage :

 Élimineles petites fluctuations
 atténue le bruit

 Atténue les détails

 Filtre passe-haut ou de contours :

 accentue les détails
 Met en évidence les contours

 Accentue le bruit
 Bruits dans une image
23

 Principe:
 Le filtrage est une opération qui consiste à appliquer
une transformation à tout ou une partie d’une image
numérique.
 Les défauts liés à l’environnement, au capteur ou à
l’échantillonnage produisent des aberrations locales
dans l’image.
 La restauration d’image consiste à éliminer le bruit et
tenter de trouver l’image idéale, en utilisant notamment
les filtres de lissage.
 Les filtres
24

 Filtre moyenneur
 Lissel’image (effet de flou)
 Réduit le bruit

 Réduit les détails

 Tous ses coefficients sont égaux (chaque pixel est

remplacé par la moyenne de ses voisins)
 Les filtres
25

 Filtre moyenneur: le lissage augmente avec la taille

du masque et donc le flou s’accentue.
 Les filtres
26

 Filtre Gaussien : donne un meilleur lissage et une

meilleure réduction de bruit que le filtre moyenneur
 Les filtres
27

 Filtre Gaussien: donne un meilleur lissage et réduit

le bruit mieux que le moyenneur.
 Les filtres
28

 Filtre Médian : assure un nettoyage de bruit dans

une image mieux que le moyenneur et le Gaussien
 Filtre
non linéaire, ne peut pas s’implémenter comme
une convolution.
 On remplace la valeur d’un pixel par la valeur
médiane de son voisinage
 Les filtres
29

 Flitre Median: lissage en préservant les contours

 Les filtres
30
 Les filtres
31
 Les filtres
32

 Filtre Laplacien: met en valeur les détails qui ont

une variation rapide de luminosité (détection de
contours)
 Évaluation des algorithmes de filtrage
33

 PSNR (Peak Signal to Noise Ratio)

 Mesure objective chiffrant l’écart entre l’image
originale et l’image filtrée.
 Utilisé généralement pour comparer les performances
de deux algorithmes de filtrage
 PSNR= 10.log(Ng²/E)
avec Ng est le niveau de gris maximal de l’image
et E est l’erreur quadratique moyenne
 Transformée de Fourier
34

 C’est une représentation fréquentielle de l’image

 Les basses fréquences au centre, les hautes

fréquence en périphérie
 L’image fréquentielle est

plus difficile à interpréter

à l’œil nu.
 Transformée de Fourier
35

 Le filtrage passe-bas sur l’image de la TF permet

de conserver la partie centrale de l’image.
 La TF inverse permet d’obtenir l’image qui perd en
netteté de contours (on perd les détails du costume)
 La disparition des bords qui dépassent une certaine
fréquence
 Transformée de Fourier
36

 L’ espace fréquentiel est plus efficace pour séparer

l’information « utile » de l’information « inutile ».
 Isolerle signal du bruit qui est porté par des
composantes fréquentielles différentes (signal BF , bruit
HF)
Originale Bruitée Débruitée
 Transformée de Fourier
37

 Compression (représenter efficacement le signal)

 Les HF : énergie négligeable

 Garder uniquement les BF

Brute Compressée