Informatique visuelle - Vision par ordinateur

Pré-traitement d’images

Elise Arnaud
elise.arnaud@imag.fr

cours inspiré par X. Descombes, J. Ros, A. Boucher, A. Manzanera, E. Boyer, M Black, V. Gouet-Brunet

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Pré-traitement d’images

Le prétraitement regroupe l’ensemble des processus visant à

améliorer les caractéristiques d’une image

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Pré-traitement d’images

I Le lissage local : il s’agit de supprimer le bruit, ou les petites

variations, présent dans une image. L’intensité d’un pixel est
transformée en fonction des intensités sur un petit voisinage
du pixel.
I L’amélioration d’images consiste à modifier les
caractéristiques visuelles de l’image (contraste, ...) pour
faciliter son interprétation par l’œil humain
I La restauration d’images a pour but de supprimer les
dégradations subies par une image à l’aide de connaissance a
priori sur ces dégradations.

Rappel : le bruit est une altération de l’image, pouvant être causé par les
processus d’acquisition, de transmission ou de stockage

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Filtrage

Familles de filtres
I Passe-haut : élimine les fréquences basses
I Passe-bas : élimine les fréquences hautes
I Passe-bande : ne laisse passer qu’une gamme de fréquences

I Lissage de l’image
I Filtres passe-bas
I Pour quoi faire ? élimination du bruit (pré-traitement)
I Dérivation de l’image
I Filtres passe-haut
I Pour quoi faire ? Extraction de contours, points d’intérêt, etc.

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Filtrage
le filtrage est une opération de voisinage : la valeur d’un pixel est
remplacée par la valeur d’une fonction appliquée à ce pixel et à ses
voisins.

I filtres linéaires : la fonction appliquée est une combinaison

linéaire
→ utilisation de masques de convolution
I filtres non linéaires
Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA
Implémentation des filtres linéaires : convolution
soit I une image numérique ; soit h une fonction de
[x1 , x2 ] × [y1 , y2 ] à valeurs réelles (noyau de convolution)
La convolution de I par h est définie par :
y2
x2 X
X
(I ∗ h)(x, y) = h(i, j)I(x − i, y − j)
i=x1 j=y1

Les nouvelles valeurs sont calculées par le produit scalaire entre le noyau
de convolution et le voisinage du pixel
Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA
filtres linéaires séparables
I Une réponse impulsionnelle h est séparable selon x et y ssi :

h(x, y) = hx (x).hy (y)

I En terme de filtrage d’une image par convolution :

g(x, y) = h(x, y) ∗ f (x, y) = hy (y) ∗ (hx (x) ∗ f (x, y))

I Avantages d’un filtre séparable

I Le filtrage d’un signal 2D est ramené au filtrage d’un signal 1D
I réduction du temps de calcul : pour une convolution par un
masque de filtrage de dimension H, la complexité est de 2H
au lieu de H 2
I Possibilité d’implémenter récursivement le filtrage

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Filtrage isotropes / anisotropes

En 2D : un filtre est isotrope si le filtrage réalisé est indépendant

de l’orientation des structures de l’image.

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Filtrage linéaire
filtre moyenneur  
1 1 1
masque de convolution de taille 3 × 3 : h = 91  1 1 1 
1 1 1

I filtre passe-bas
I rend l’image floue, en particulier les contours
I élimine les dégradations locales de faibles dimensions
I peut être appliqué itérativement
Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA
Filtrage linéaire
amélioration du filtre moyenneur : filtre gaussien
I approximation discrète d’un noyau Gaussien 2D
 
1 x2 +y 2
G(x, y) = 2πσ 2
exp − 2σ 2

I donne plus d’importance aux pixels du centre

 
  1 4 6 4 1
1 2 1  4 16 24 16 4 
1  1  
h3×3 = 2 4 2  h5×5 =  6 24 36 24 6 
16 246  
1 2 1  4 16 24 16 4 
1 4 6 4 1

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Filtrage linéaire
comparaison filtre moyenneur vs filtre gaussien

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Filtrage non linéaire
filtre non linéaire le plus utilisé : le filtre médian
remplace la valeur d’un pixel par la médiane des valeurs de ses
voisins

I supprime le bruit impulsionnel

I préserve l’information de contour
I peut être appliqué itérativement

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Filtrage non linéaire

filtre non linéaire le plus utilisé : le filtre médian

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Filtre faisant intervenir les variations d’intensité

Toujours dans l’objectif d’améliorer les caractéristiques du filtre et

en particulier la préservation des contours dans l’image, on peut
utiliser un filtre faisant intervenir des variations d’intensité.

soit d(i, j, k, l) la variation d’intensité entre les pixels (i, j) et (k, l)


|I(i, j) − I(k, l)| si I(i, j) 6= I(k, l)
d(i, j, k, l) =
5 sinon
alors les coefficients du masque sont déterminés par :

1/d(i, j, i + m, j + m)
h(m, n) = P
(k,l)∈V 1/d(i, j, i + k, j + l)

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Filtre faisant intervenir les variations d’intensité

1/d(i, j, i + m, j + m)
h(m, n) = P
(k,l)∈V 1/d(i, j, i + k, j + l)

I La distance est plus importante sur un contour que dans une

région homogène.
I Les points fortement bruitées ont peu d’influence (h(m, n)
petit)
I Si le pixel est sur un contour, les pixels voisins de même
région auront un poids important alors que les pixels voisins
de région différente auront peu de poids. Le contour est de
cette manière préservé.

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Histogramme d’une image
L’histogramme d’une image h(x) est la fonction qui associe à une
valeur d’intensité x le nombre de pixels dans l’image ayant cette
valeur.

(Pour une image couleur, il y a un histogramme par composante)

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA
Histogramme d’une image

I brillance d’un histogramme : moyenne d’intensité des pixels de

l’image
décalage de l’histogramme ⇒ augmentation de la brillance

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Histogramme d’une image

I histogramme normalisé : proportion de pixel en fonction du

niveau de gris (densité de probabilité)

h(x)
x → hn (x) =
nb pixels

I dynamique de l’image : [min, max]

min : valeur minimale des niveaux de gris de l’image
max : valeur maximale des niveaux de gris de l’image

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Histogramme d’une image
I expension de dynamique : transformation des niveaux de gris
de telle sorte que l’image utilise toute la dynamique (entre 0
et 255)

255
IExp (i, j) = (I(i, j) − min)
max − min

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Histogramme d’une image
I égalisation d’un histogramme : transformation des niveaux de
gris dont le but est d’équilibrer le mieux possible la
distribution de pixels dans la dynamique
P
I l’histogramme cumulé hc (x) = z≤x hn (z) doit être le plus
linéaire possible

IEga (i, j) = 255 × hc (I(i, j))

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Histogramme d’une image

La normalisation et l’égalisation sont des transformations

d’histogramme

Principe algorithmique :

I parcourir les pixels de l’image

I pour chaque pixel (i, j)
1. lire la valeur x
2. remplacer x par T (x)

La fonction T (.) est représenté par son tracé. Le choix de T (.)

permet de modifier les caractéristiques d’une image (contraste,
brillance, etc.)

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Histogramme d’une image
transformations d’histogramme

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA