Trait Image

DIRO
IFT 6150
TRAITEMENT D’IMAGES
BINARISATION ET MORPHOLOGIE
MATHÉMATIQUE
Max Mignotte
Département d’Informatique et de Recherche Opérationnelle.
Http : //www.iro.umontreal.ca/∼mignotte/ift6150
E-mail : mignotte@iro.umontreal.ca
BINARISATION ET MORPHOLOGIE
MATHÉMATIQUE
SOMMAIRE
Seuillage
Seuillage par Inspection . . . . . . . . . . . . . . . . . . . . 2
Seuillage Optimale . . . . . . . . . . . . . . . . . . . . . . . . . 4
Seuillage Locale . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Seuillage & Filtrage . . . . . . . . . . . . . . . . . . . . . . . . 9
Morphologie Mathématique
Théorie des Ensembles . . . . . . . . . . . . . . . . . . . . . 10
Translation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Dilatation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Érosion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Détection des Contours . . . . . . . . . . . . . . . . . . . . 17
Estimation de Squelette . . . . . . . . . . . . . . . . . . . . 18
Remplissage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
Détection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
Ouverture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
Fermeture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
Propriétés de l’Ouverture/Fermeture . . . . . . . . 23
Filtrage Morphologique . . . . . . . . . . . . . . . . . . . . . 24
Autres Applications . . . . . . . . . . . . . . . . . . . . . . . . 25
Morphologie en Niveaux de Gris . . . . . . . . . . . . . 26
Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1
BINARISATION
SEUILLAGE PAR INSPECTION (1)
Seuillage par inspection de l’histogramme
2
BINARISATION
SEUILLAGE PAR INSPECTION (2)
Seuillage par inspection de l’histogramme
3
BINARISATION
SEUILLAGE OPTIMAL (1)
Seuillage optimal
Soit deux régions (arrière-plan et objet)

présent dans une image
La probabilité P (z) d’avoir une valeur de niveau de gris

z (z ∈ [0, 255] par ex.) dans l’image est donnée par
p(z) = P1 p1(z) + P2 p2(z)
Pi : prop. de pixels appartenant à la région i (P1 +P2 = 1)

p(z) : Histogramme de l’image
pi(z) : proba. d’un pixel ∈ région i d’avoir un ng = z
Si nous supposons que p1(z) et p2(z) sont distribués

selon une loi normale, nous obtenons
(z − µ1)2

1
p1(z) = √ exp −
2πσ1 2σ12
(z − µ2)2

1
p2(z) = √ exp −
2πσ2 2σ22
4
BINARISATION
p(z) devient alors
(z − µ1 )2 (z − µ2 )2

1 1
p(z) = P1 √ exp − 2
+ P2 √ exp −
2πσ1 2σ 1 2πσ2 2σ22
Soit E1 , la probabilité de classer un pixel dans la classe 1

lorsqu’il appartient à la classe 2 et E2 , la proba. de clas-
ser un pixel dans la classe 2 lorsque celui-ci appartient
à la classe 1.
Les probabilités d’erreur sont données par

Z T Z ∞
E1(T ) = p2 (z) dz et E2 (T ) = p1(z) dz
−∞ T
La probabilité d’erreur totale est alors donnée par
E(T ) = P2E1 (T ) + P1 E2(T )
Cherchons une valeur de T qui minimise E(T )
E ′ (T ) = −P1 p1(T ) + P2 p2(T ) = 0

P1 p1(T ) = P2 p2(T )
5
BINARISATION
Après simplification, nous obtenons une expression de la

forme
AT 2 + BT + C = 0
Avec
A = σ12 − σ22
B = 2 (µ1 σ22 − µ2 σ12)

σ 2 P1
C = µ22 σ12 − µ21 σ22 + 2σ12 σ22 ln
σ 1 P2
• Lorsque les variances sont égales
σ12 = σ22 = σ 2
σ2

µ1 + µ2 P2
T = + ln
2 µ1 − µ2 P1
• Lorsque les variances et les proportions sont égales
P1 = P2
µ1 + µ2
T =
2
6
BINARISATION
SEUILLAGE LOCALE (1)
7
BINARISATION
SEUILLAGE LOCALE (2)
8
BINARISATION
SEUILLAGE & FILTRAGE
Le bruit complique la sélection d’un seuil

◮ Filtrage passe-bas
9
MORPHOLOGIE MATHÉMATIQUE
THÉORIE DES ENSEMBLES
◮ Traitement d’image basé sur la théorie des ensembles
Quelques images binaires
A, B = Ens. des pixels = Ens. des coordonnées
A∪B = { x | x ∈ A ou x ∈ B } Union
A∩B = { x | x ∈ A et x ∈ B } Intersection
AC = { x | x 6∈ A } Complément
A−B = { x | x ∈ A, x 6∈ B } Différence
(A)C = { x | x = a + c, a ∈ A} Translation
Â = { x | − x ∈ A} Inversion
10
TRANSLATION
Translation
11
DILATATION (1)
Dilatation
B : Élément structurant
12
DILATATION (2)
13
DILATATION (3)
Propriétés de la dilatation
Érosion
14
ÉROSION (2)
15
ÉROSION (3)
Propriétés de l’érosion
16
DÉTECTION DE CONTOURS
17
ESTIMATION DE SQUELETTE
Squelette d’un objet
◮ Estimation de l’axe intermédiaire d’un objet

(Méthode des feux de prairies ou des disques circulaires)
Si on conserve les derniers résultats juste avant

la disparition du point ou du segment
18
REMPLISSAGE
• Répéter jusqu’à xk = xk−1

• Contour rempli : xk ∪ A
• Germe x0 : point à l’intérieur
19
DÉTECTION (HIT OR MISS)
W : fenêtre englobant l’objet X à détecter
20
OUVERTURE
21
FERMETURE
22
PROPRIÉTÉS DE L’OUVERTURE ET FERMETURE
23
FILTRAGE MORPHOLOGIQUE (BRUIT)
24
AUTRES APPLICATIONS
Segmentation
• Ouverture avec un élément structurant qui fait dis-

paraître les petits disques noirs
• Fermeture qui fusionne les gros disques
• Détection du contour
Granulométrie
• Ouverture avec des éléments structurant de taille

croissante pour faire disparaître les granules blancs
successivement en fonction de leur taille
• Moyenne de la différence avec l’image précédente
pour obtenir le nombre d’occurence
25
MORPHOLOGIE EN NIVEAUX DE GRIS
26
EXEMPLES (1)
27
EXEMPLES (2- FILTRAGE PASSE-BAS)
Bruit Poivre & Sel
28
EXEMPLES (3)
Restauration de documents imprimés
A◦B•B
Segmentation de Circuit imprimés
Circuit Imprimé A◦B Squelette
29
EXEMPLES (4)
Segmentation
L
A B − AΘB
Original
L
A B AΘB
30
EXEMPLES (5)
Original A◦B A•B
Original
L
A◦B•B A B − AΘB
31

Trait Image

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

Trait Image

Transféré par

Droits d'auteur :

Formats disponibles

DIRO

Seuillage par inspection de l’histogramme

Seuillage par inspection de l’histogramme

Soit deux régions (arrière-plan et objet)

La probabilité P (z) d’avoir une valeur de niveau de gris

p(z) = P1 p1(z) + P2 p2(z)

Pi : prop. de pixels appartenant à la région i (P1 +P2 = 1)

Si nous supposons que p1(z) et p2(z) sont distribués

p(z) devient alors

Soit E1 , la probabilité de classer un pixel dans la classe 1

Les probabilités d’erreur sont données par

La probabilité d’erreur totale est alors donnée par

E(T ) = P2E1 (T ) + P1 E2(T )

Cherchons une valeur de T qui minimise E(T )

E ′ (T ) = −P1 p1(T ) + P2 p2(T ) = 0

Après simplification, nous obtenons une expression de la

• Lorsque les variances sont égales

• Lorsque les variances et les proportions sont égales

Le bruit complique la sélection d’un seuil

◮ Traitement d’image basé sur la théorie des ensembles

Quelques images binaires

A, B = Ens. des pixels = Ens. des coordonnées

Squelette d’un objet

◮ Estimation de l’axe intermédiaire d’un objet

Si on conserve les derniers résultats juste avant

• Répéter jusqu’à xk = xk−1

W : fenêtre englobant l’objet X à détecter

• Ouverture avec un élément structurant qui fait dis-

• Ouverture avec des éléments structurant de taille

Bruit Poivre & Sel

Restauration de documents imprimés

Segmentation de Circuit imprimés

Circuit Imprimé A◦B Squelette

Original A◦B A•B

Vous aimerez peut-être aussi