Filtrage d’Images

Hakim El Boustani
ENSAS - 2020
 Filtrage linéaire: Fonction transfert
Systèmes Linéaires Invariants par Translation (LIT)
 Filtrage linéaire: Fonction transfert
Systèmes Linéaires Invariants par Translation (LIT)

Le système LIT est entièrement caractérisé par sa

réponse impulsionnelle h(n,m):
La sortie est la convolution de l’entrée avec la RI h
 Filtrage linéaire: Fonction transfert
Systèmes Linéaires Invariants par Translation (LIT)

La transformée de Fourier (FT) de la RI h est

appelée: Fonction Transfert du filtre

H(u,v) = FT [(h(n,m)]

Or
FT [(x*h(n,m)] = X(u,v).H(u,v)
Donc
Y(u,v) = X(u,v).H(u,v)
 Filtrage linéaire: Fonction transfert
Systèmes LIT
x(n,m)
y(n,m) = x*h(n,m)
h(n,m)]

FT
X(u,v) Y(u,v) = X(u,v).H(u,v)
H(u,v)]

Spatial Fréquentiel

y(n,m) = x*h(n,m) y(n,m) = IFT[X(u,v).H(u,v)]

Filtrage linéaire spatial
 Filtrage spatial linéaire
Exemple de filtre FIF: d = 3

La Rotation par 180° donne

Si l’origine est au centre de l’image, alors:

Filtrage spatial linéaire

La Rotation par 180° donne

Filtrage spatial linéaire: Filtre Moyenneur
Filtrage spatial linéaire: Filtre moyenneur
Filtrage spatial linéaire: Filtre Gaussien
Filtrage spatial linéaire: Filtre Gaussien
 Filtrage spatial linéaire: Filtres Différentiels
Les filtres différentiels permettent de mettre en évidence certaines
variations spatiales de l’image. Ils sont utilisés comme traitements de
base dans de nombreuses opérations comme le rehaussement de contraste
ou la détection de contours.

En pratique, il faut approcher les gradients pour travailler avec des

gradients discrets. Les approximations les plus simples des dérivées
directionnelles se font par différences finies.
y

Pour une image f = de gradient

x

Et
 Filtrage spatial linéaire: Filtres Différentiels (2)
Ces 2 opérateurs peuvent ainsi être calculés à l’aide de convolution avec
des noyaux très simples: 0 0 0 0 0 0
0 -1 0 0 -1 1
0 1 0 0 0 0

 Le gradient centré calcule la différence de part et d’autre du point

considéré opérateur symétrique par rapport au pixel central
 Le gradient a 2 inconvénients: il noircit l’image et en ajoute du bruit
 Les gradients de Prewitt & Sobel réduisent le bruit tout en restant
symétriques

Opérateur Laplacien: Utilise la dérivée seconde de l’image. détecte

également les transitions moins marquées
 Filtrage spatial linéaire: Filtres Différentiels (3)
0 0 0 0 -1 0 Détection
• Gradient simple 0 1 -1 0 1 0 bords
Différence calculée entre 2 points 0 0 0 0 0 0 horizontaux et
contigus verticaux
0 0 0 0 -1 0
• Gradient centré 1 0 -1 0 0 0
différence calculée de part et d’autre du
0 0 0 0 1 0
point considéré
• Prewitt 1 0 -1 -1 -1 -1
idem gradient centré mais en tenant 1/3 1 0 -1 1/3 0 0 0
compte des points contigus 1 0 -1 1 1 1
• Sobel 1 0 -1 -1 -2 -1
Idem Prewitt mais l’importance des lignes 1/4 2 0 -2 1/4 0 0 0
et des colonnes est renforcée 1 0 -1 1 2 1

• Laplacien 0 -1 0 -1 -1 -1
Laplacien négatif 4 et Lapalcien négatif 8 -1 4 -1 -1 8 -1
0 -1 0 -1 -1 -1
 Filtrage Fréquentiel

Types de filtrage
Passe-bas (ou lissage) amélioration S/B
Passe-haut détection de contours
Passe bande (combinaison passe-haut et passe-bas)
Coupe-bande
Filtrage Fréquentiel: Filtre passe-bas idéal
Filtrage Fréquentiel: Filtre passe-bas idéal
 Filtrage Fréquentiel: Filtre passe-bas idéal
 Les hautes fréquences sont supprimées
 Les basses fréquences, dont la fréquence fondamentale,
sont conservées
 L’image reconstruite présente du flou sur le contour

 Phénomène d’oscillations (rebonds) (Artifacts, Ringing)

La TF inverse d’une fonction porte est un sinus cardinal

 H est non dérivable à la fréquence de coupure: Le filtre passe-bas

idéal n’est pas réalisable

Solution ne pas couper les hautes fréquences mais les

atténuer seulement
Filtrage Fréquentiel: Filtre passe-bas de Butterworth
Filtrage Fréquentiel: Filtre de Butterworth
Filtrage Fréquentiel: Filtre passe-haut idéal
Filtrage Fréquentiel: Filtre passe-haut idéal
Filtrage Fréquentiel: Filtre passe-haut de Butterworth
Filtrage Fréquentiel: Filtre passe-haut de Butterworth
Filtrage spatial non-linéaire: Filtre Médian
Pour nettoyer le bruit dans une image, il existe mieux que le filtre
moyenneur ou le filtre gaussien : le filtre médian.
• C’est un filtre non-linéaire, qui ne peut pas s’implémenter comme une
convolution
• On remplace la valeur d’un pixel par la valeur médiane de son
voisinage (2n + 1) X (2n + 1)

Ce filtre induit cependant un lissage puisque même des pixels

corrects peuvent être modifiés.

Le filtre médian permet d’obtenir de bon résultats sur du bruit

poivre et sel mais est aussi peu performant pour le bruit gaussien
Filtrage spatial non-linéaire: Filtres de Rang

Les filtres médian, min et max sont appelés filtres de rang