Bases de l’imagerie Spécialité IMAgerie

BIMA - Examen session 1

6 janvier 2014

Le barème, sur 40, donné à titre indicatif, est susceptible d’être modifié. Aucun document ni
machine électronique ne sont autorisés. Durée de l’examen : 2h.

Exercice 1 Questions de cours (10 points)

1. Qu’est-ce qu’un signal à bande limité ? En donner un exemple. En quoi ceci est-il important
pour l’échantillonnage des signaux et des images ?
2. Quelle est la différence essentielle entre la LDA et la PCA ? (3 lignes max)
3. Quel est le critère optimisé dans le SVM ? Est-il identique dans la LDA ? (3 lignes max)
4. En utilisant l’algorithme du K-Means avec K = 10 pour la segmentation d’une image
couleur, peut-on obtenir seulement 5 régions à l’issue de la segmentation ? (5 lignes max)
5. Que détecte un LoG (Laplacian-of-Gaussian) dans une image ? (1 ligne max)
6. En appliquant le détecteur de Harris sur une même scène sur laquelle on a simplement
fait un zoom (par 2), détecte-t-on : –exactement les mêmes points ? 40% des points ? 0%
des points ? Expliquer et proposer une solution (5 lignes max).

Exercice 2 Traitement d’images (8 points)

Soit l’image I de taille 5 × 5 suivante :
 
1 1 2 8 8

 1 1 2 8 8 

I=
 2 2 2 8 8 

 8 8 8 8 8 
8 8 8 8 7
1. Quel est le nombre de pixels P de l’image I ? Quelle est sa dynamique ?
2. Calculer et tracer l’ histogramme h et l’histogramme cumulé Hc de I, sur l’intervalle [0, 8].
Rappeler leurs interprétations.
3. On souhaite réaliser un traitement d’image par égalisation d’histogramme de l’image I.
On rappelle que l’égalisation d’histogramme transforme un niveau de gris k en k 0 =
k0 0
Int max P Hc (k) , où kmax est la valeur maximale souhaitée après traitement. Int est la
fonction qui arrondit à l’entier le plus proche.
(a) Calculer la correspondance k ↔ k 0 avec kmax 0
= 8.
(b) Appliquer l’égalisation d’histogramme sur l’image I pour former l’image I 0 . Interpréter
le résultat du traitement.
(c) Calculer et tracer l’ histogramme h0 et l’histogramme cumulé Hc0 de I 0 . Quelle est la
forme théorique attendue pour h0 et Hc0 ? Est-ce le cas ici ? Expliquer.

Université Pierre et Marie Curie 1 Master 1 Informatique

 Exercice 3 Détecteur Hessien (12 points)
I: R2 −→ R
On considère une image I comme une fonction 2d : .
(x, y) 7−→ I(x, y)
Le matrice Hessienne H(x, y) en chaque pixel (x, y) de I s’écrit de la manière suivante :
" 2
∂2I
# 
∂ I 
∂x 2 ∂x∂y Ixx Ixy
H= ∂2I ∂2I
=
2
Ixy Iyy
∂x∂y ∂y

Les vecteurs propres de H avec leurs valeurs propres associées définissent les directions de
variations principales de la fonction I(x, y) (i.e. courbures principales de I en (x, y))
Rappels :
 
a c
— Pour une matrice 2×2 symétrique M = , le déterminant s’écrit det(M ) = ab−c2 .
c b
— Le déterminant est invariant par changement de base orthonormée. Il en suit immédiatement
que le déterminant de M est le produit de ses valeurs propres.
1. Détecteur Hessien
(a) Quelle est la valeur attendue pour les valeurs propres de H dans le cas d’un coin ?
D’une région homogène ? D’un contour ?
(b) Le détecteur Hessien propose comme critère de détection Ch (x, y) = |det(M )|. Expli-
quer comment utiliser Ch (x, y) pour détecter les coins.
— Ch (x, y) permet-il de séparer coins, contours et régions homogènes comme le détecteur
de Harris ? Justifier.
(c) Algorithme de détection. Donner le code matlab :
— D’une fonction Ch = calculeH(I) qui calcule le critère de détection Hessien Ch (x, y)
en chaque pixel (x, y) d’une image I. N.B. : on dispose d’une fonction de If =
convolution(I,M) qui effectue la convolution de l’image I avec le masque M .
— D’un script detectionHessien effectue la détection globale de points d’interêts à
partir du critère de détection Hessien. En particulier, préciser les étapes de post-
traitement mises en place.
2. Invariance du détecteur Hessien
(a) Le détecteur Hessien est-il invariant à la rotation ? Justifier.
(b) On considère une transformation affine d’illumination : I 0 (x, y) = a · I(x, y) + b.
i. Soit H 0 (x, y) la matrice Hessienne de I 0 (x, y). Exprimer H 0 (x, y) en fonction de
H(x, y).
ii. Le critère de détection Hessien Ch (x, y) est-il invariant aux transformations affines
d’illumination ? Justifier.
iii. Les maxima locaux de Ch (x, y) sont-ils invariants aux transformations affines d’illu-
mination ? Si oui, proposer comment adapter le seuil de détection entre I et I 0 .
Sinon, justifier.

2
 Exercice 4 Transformée de Fourier Rapide (10 points)

Rappel : en 1d, la Transformée de Fourier Discrète (TFD) X(h) d’un signal numérique x(n) de
N échantillons s’écrit :
N −1
2iπhk
X
h ∈ {0; N − 1} X(h) = xk e− N (1)
k=0

1. Quel est le nombre de multiplications et d’additions nécessaires pour calculer un X(h)

donné par l’équation 1 ? En déduire la complexité du calcul de la TFD.
2iπhk
2. On note WNhk = e− N . Montrer que si N est pair (i.e. N = 2M ), la TFD peut s’écrire :

M
X −1 M
X −1
hk h hk
X(h) = x2k WM + W2M x2k+1 WM (2)
k=0 k=0
2hk hk
Indication : on utilisera le fait que W2M = WM .

3. On considère maintenant le signal discret constitué des échantillons pairs du signal de

départ, signal de taille M = N
2 . On note Eh la transformée de Fourier de ce signal, i.e. :

M
X −1
hk
h ∈ {0; M − 1} Eh = x2k WM (3)
k=0

De manière identique, si Oh est la transformée de Fourier pour les échantillons impairs,

on a :
M
X −1
hk
h ∈ {0; M − 1} Oh = x2k+1 WM (4)
k=0

Montrer alors que la TFD du signal de départ (à N échantillons) peut s’écrire :
h
(a) h ∈ {0; M − 1}, on a X(h) = Eh + W2M · Oh en utilisant directement l’équation 2.
h
(b) h ∈ {M ; 2M − 1} : X(h) = Eh − W2M · Oh .
Indication : on utilisera les propriétés suivantes pour h ∈ {0; M − 1} :
(h+M )k hk h+M h
WM = WM , et W2M = −W2M .
4. La décomposition précédente du calcul de la TFD, connue sous le nom d’algorithme de
Cooley-Tukey, permet de calculer la TFD d’un signal de taille N en calculant
2 TFD sur des sigaux de taille M = N 2 (+ une addition/soustraction et une multi-
plication). Dans le cas où le signal de départ est une puissance de 2, i.e. N = 2M , il est
possible d’appliquer la décomposition précédente de manière récursive.
— Montrer que le schéma de récursion pour le nombre d’opérations élémentaires T (N ) à
effectuer pour calculer la TFD sur un signal de dimension N s’écrit :

T (1) = b
(5)
T (N ) = 2 · T ( N2 ) + a · N

— Donnez les valeurs de a et b dans notre cas. En déduire que T (N ) = N (b + a · log2 (N )).
— Quelle est alors la complexité du calcul de la TFD ?