Académique Documents
Professionnel Documents
Culture Documents
Kenitra
Traitement d’images
Tarik BOUJIHA
Travaux dirigés:
Travaux pratiques:
Evaluation:
Domaines d’applications
Définitions
Formats d’images
Images couleurs
4
Domaines d’applications
5
Domaines d’applications
Retouche d’image
6
Domaines d’applications
Création de panoramas
7
Domaines d’applications
Imagerie médicale
Rehaussement du
contraste
8
Domaines d’applications
Imagerie médicale
9
Domaines d’applications
Imagerie médicale
Objectifs du PACS
Améliorer l’accessibilité
10
Domaines d’applications
Imagerie médicale
Aide au diagnostic
Examen
Route intelligente
Reconnaissance des
panneaux routiers
12
Domaines d’applications
Télédétection
• Météo
• Cartographie
• Analyse des ressources terrestres
• Etc.
13
Domaines d’applications
Analyse d’images de documents
14
Domaines d’applications
15
Domaines d’applications
16
Domaines d’applications
Sécurité:
Reconnaissance d’empreintes
Détection de mouvement
Vidéosurveillance
17
Domaines d’applications
Sécurité:
Reconnaissance de visage
18
Domaines d’applications
Multimédia:
19
Traitement d’images et les autres disciplines
Analyse numérique
Analyse des Théorie de
données l’information
Traitement
Programmation Statistique
d’images
Optique
20
Définitions
Rôle du cerveau :
Intègre les vues gauche et droite (stéréovision) pour recréer
l’information de profondeur
22
Définitions
Concevoir un système de vision
Trois étapes:
Définition du cahier de charges
Etude de la faisabilité:
Conception de l’éclairage.
Choix du capteur.
Conception logicielle.
tests
Mise en production
Un capteur est un semi conducteur qui convertit la lumière en tension
électrique en fonction du degré de luminosité
Traitement:
24
Définitions
Étape 1
Étape 2
Étape 3
Résolution
La résolution d'une image est définie par un nombre de pixels par unité de
longueur de la structure à numériser en dpi (dots per inch) ou ppp (points par
pouce)
1 inch= 1 pouce = 2,54 cm
Définition
La définition est le nombre de pixels que comporte une image
numérique en longueur et en hauteur.
29
Définitions
Exemple:
30
Schéma d’un système de traitement d’images
Monde réel
Stockage
Visualisation
ou/et
Transmission
31
Schéma d’un système de traitement d’images
32
Différents types d’image
Image Binaire: les pixels sont représentés par deux états logiques 0
(noir) et 1 (blanc). C’est un codage de l’image sur 1 bit.
Image en niveaux de gris : chaque pixel est codé sur N bits, ce qui lui
affecte des valeurs entières comprises entre 0 (noir) et 2N-1 (blanc).
35
Différents types d’image
4-voisins 8-voisins
6-voisins
37
Voisinage d’un pixel
j l
Tour d'échiquier
i
Euclidienne
Manhattan
k
38
Taille d’un pixel
14" soit 35,56 cm 17" soit 43,18 cm 19" soit 48,26 cm 21" soit 53,34 cm
39
Images Couleur
41
Images Couleur
les objets qui ne sont visibles que s'ils sont éclairés (invisibles
dans l'obscurité).
42
Images Couleur
43
Images Couleur
Le système visuel de l’observateur :
L’œil humain est constitué de trois types de photorécepteur (les cônes),
chacun particulièrement sensible à une longueur d’onde du domaine
visible :
Les Cônes L sensibles au rouge (ondes longues : 700 nm)
Les Cônes M sensibles au vert (ondes moyennes : 546.1 nm)
Pas de couleur sans lumière : la nuit tous les chats sont gris 44
Images Couleur
Colorimétrie:
Trichromie:
45
Espace colorimétriques
46
Espace colorimétriques
Espace RGB :
Espace XYZ :
L'espace XYZ (CIE 1931) est défini à diagramme CIE
partir d'une transformation linéaire sur Triangle XYZ (spectre visible)
l'espace RGB telle que toutes les
couleurs du spectre visible soient
contenues dans le triangle xyz.
Triangle de maxwell
48
Espace colorimétriques
49
Espace colorimétriques
Image couleur
50
Composante Valeur Composante Teinte Composante Saturation
Modèles et outils fondamentaux
Le modèle linéaire
Le modèle fréquentiel
Le modèle statistique
…
51
Modèles et outils fondamentaux
Le modèle linéaire
f (I J ) f (I ) f ( J )
f (aI ) af ( I )
52
Modèles et outils fondamentaux
La convolution
( I * h)( x, y ) h(i, j ) f ( x i, y j )
i j
Propriétés de la convolution
Commutativité f *g = g * f
Associativité (f *g) * h = f * (g* h)
Distributivité f * (g+ h) = (f *g) + (f*h)
53
Modèles et outils fondamentaux
Le modèle fréquentiel
La transformée de Fourier
54
Modèles et outils fondamentaux
Le modèle statistique
55
Modèles et outils fondamentaux
Histogramme
L’histogramme est une fonction H(x) permettant de
donner la fréquence d’apparition des différents
niveaux de gris x qui composent l’image.
En abscisse on représente les niveaux de gris et en
ordonnée leurs fréquences d’apparition.
L’histogramme des niveaux de gris nous informe sur
la concentration de l’image.
Pour une image couleur, il y a un histogramme par
composante
Histogramme cumulé
57
Modèles et outils fondamentaux
quelques traitement d’analyse effectués à partir de l’histogramme :
Normalisation
1
D
2
f (i, j ) [ f (i, j ) _ N g min ]
N g max N g min
58
Modèles et outils fondamentaux
Egalisation d’histogramme
HC[ f (i, j )]
f (i, j ) [2 _ 1]
D
nl * nc
59
Modèles et outils fondamentaux
60
Modèles et outils fondamentaux
61
Modèles et outils fondamentaux
Segmentation
– Le seuillage
– La détection de frontières
– La recherche de régions
– L’approche de la classification
62
Modèles et outils fondamentaux
+ =
63
Modèles et outils fondamentaux
Soustraction d’images
• On peut définir la soustraction S pixel à pixel de deux images f et
g par :
S(x,y) = f(x,y) - g(x,y)
• La soustraction d’images peut permettre:
– Détection de défauts
– Détection de mouvements
64
Modèles et outils fondamentaux
Multiplication d’images
La multiplication M d’une image f par un ratio (facteur) peut se définir
par :
M(x,y) = f(x,y) * ratio
La multiplication d’images peut permettre d’améliorer le contraste ou
la luminosité
x 1.5 =
x 1.2 =
65
Modèles et outils fondamentaux
Opérations logiques ET, OU et Ou exclusif
Images Binaires
66
Modèles et outils fondamentaux
Changement d’échelle
Interpolation du plus proche voisin par copie des pixels
12 12 20 20
12 20 Zoom
12 12 20 20
18 14 18 18 14 14
18 18 14 14
Interpolation bilinéaire :
Plus complexe
Offre de bien meilleur résultats
P(1,1) n1 P(1,2)
n1 = (p(1,1)+p(1,2))/2
n2 = (p(1,1)+p(2,1))/2 n2 n3 n4
n3 = (p(1,1)+p(1,2)+p(2,1)+p(2,2))/4
n4 = (p(1,2)+p(2,2))/2 P(2,1) n5 P(2,2)
n5 = (p(2,1)+p(2,2))/2
67
Modèles et outils fondamentaux
Changement d’échelle
Image originale
Interpolation bilinéaire 68
Filtrage et détection de contour
69
Pourquoi filtrer une image?
70
Filtrage
Le bruit d’image:
71
Filtrage
Les sources de bruit
Flou de bougé
72
Filtrage
Les sources de bruit
73
Filtrage
Modèles de bruit
Définition
Le principe du filtrage est de modifier la valeur des pixels d'une image, généralement
dans le but de:
En pratique, il s'agit de créer une nouvelle image en se servant des valeurs des pixels
de l'image d'origine, i.e obtenir une image qui soit la plus proche possible de l’image
idéale qui aurait était obtenue si le système d’acquisition était parfait.
Il ne faut pas confondre le filtrage avec toutes les transformations de l'image d'origine :
zoom, découpage, …
75
Filtrage
Objectif :
Le lissage: il s’agit de supprimer le bruit, ou les petites variations, présent dans une
image.
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.
76
Filtrage
Type :
Filtrage global: chaque pixel de la nouvelle image est calculé en prenant en compte
la totalité des pixels de l’image de départ. Le passage du domaine spatial au domaine
fréquentiel .
Filtrage local: chaque pixel de la nouvelle image est calculé en prenant en compte
Seulement un voisinage du pixel correspondant dans l'image d'origine.
77
Filtrage
catégories :
Deux catégories de filtres locaux :
Filtres linéaires exprimés sous forme de convolution
Filtres non linéaires: une forme non linéaire
généralité :
Il est d'usage de choisir un voisinage carré et symétrique autour du pixel considéré.
Le filtrage de l’image I par le filtre h est une image F dont les luminances sont
données par :
F ( x, y ) h ( a , b ) I ( x a , y b )
a ,b
79
Filtrage
Exemple:
Image originale
Les nouvelles valeurs sont calculées par le produit scalaire entre le noyau de convolution
et le voisinage du pixel.
La nouvelle valeur = (1×12 + 2×20 + 1×8 + 2×13 + 5×4 + 2×10 + 1×16 + 8×2 + 1×22) = 180
81
Filtrage
Exemple:
1 1 1
h1 1 8 1 H(w1, w2) 9 (2 cosw1 1)(2 cosw2 1)
1 1 1
1 1 1
h2 1 9 1 H2(w1, w2) 10 (2 cosw1 1)(2 cosw2 1)
1 1 1
82
Filtrage
Problèmes:
Effets de bords: On ne peut pas calculer
directement la nouvelle valeur d’un pixel situé sur le
bord de l’image.
Solution:
Plusieurs méthodes existent pour traiter les bords
d’une image :
83
Filtrage
Passe-bas:
Réduit le bruit
Réduit les faibles détails de l’images
Créé du flou (haute fréquence)
Propriété :
1. la valeur d’un pixel est relativement similaire à celle de ses voisins
2. La somme des coefficients du filtre =1 (Luminance conservée)
3. Plus d est grand, plus le lissage sera important, et plus l’image filtrée
perd les détails de l’image originale
84
Filtrage
1 x2 y2
h ( x, y ) . exp( )
2 2
2 2
86
Filtrage
Exemple 2: Filtres Gaussien
4 18 29 18 4 2 7 12 14 12 7 2
18 80 132 80 18 7 18 32 38 32 18 7
1
1 12 32 57 69 57 32 12
29 132 218 132 29 14 38 14
1344
1279 12
38 69 84 69
18 80 132 80 18 32 57 69 57 32 12
4 18 29 18 4
7 18 32 38 32 18 7
2 7 2
7 12 14 12
Avantage :
limite l’effet de flou (contours mieux conservés)
Filtre séparable: possibilité d'obtenir le même résultat en filtrant les lignes
puis les colonnes avec un même masque 1D
87
Filtrage
Exemple 3: Filtre médian (non linéaire)
Les filtres moyenneurs ont tendance à rendre l'image floue et donc à perdre de
l'informations sur les contours caractérisés par des fortes variations d'intensité.
Pour diminuer cet effet, on ne moyenne plus sur le voisinage mais on prend la valeur
médiane sur ce voisinage.
Valeurs triées dans un tableau
12 13 14 15 18 19 21 27 29
Valeur médiane
15 18 14
29 27 13 18
12 19 21
Zone de l’image avant filtrage Zone de l’image après filtrage
88
Filtrage
Exemple 3: Filtre médian (non linéaire)
Filtre non-linéaire.
Élimine le bruit impulsionnel.
Préserve l'information de contour
peut être appliqué itérativement.
89
Filtrage
Passe-haut:
Exemple 1:
0 -1 0 Si le noyau contient des coefficients positifs et
négatifs. Le filtre correspondant a en partie ou
-1 5 -1 totalement un comportement de type passe-haut
0 -1 0
90
Filtrage
Exemple 1: Laplacien
Principe : Le Laplacien mesure la rapidité des changements d'intensité sur le voisinage
afin de rendre les contours visible
91
Pourquoi filtrer une image?
92
Détection de contour
Définition de contour
L’image est représentée par son intensité lumineuse (la fonction d’intensité de
l’image).
Les contours d’une image correspondent aux plus importantes variations de sa
fonction d’intensité.
Les contours représentent la partie la plus informative de l’image.
A B
A B profil
93
Détection de contour
Rôle
94
Détection de contour
Détection de contour
95
Détection de contour
Détection de contour
Profile de l’image
Dérivée première
(Gradient)
Dérivée seconde
(Laplacien)
96
Détection de contour
Approche gradient
t
I I
I ( x, y ) ( x, y ), ( x, y )
x y
I ( x, y ) 2 I ( x, y )
2
I ( x, y ) I ( x, y )
m
y
arctan( )
x y x
Gradients couleur
97
Détection de contour
Roberts:
0 0 0 0 0 0
hx 0 1 0 hy 0 0 1
0 0 1 0 1 0
99
Détection de contour
Prewitt:
-1 0 1 1 1 1
hx= -1 0 1 hy= 0 0 0
-1 0 1 -1 -1 -1
1 0 1 1 2 1
hx 14 2 0 2 hy 4 0 0 0
1
1 0 1 1 2 1
101
Détection de contour
Kirsch:
3 3 3 3 3 5
hx 15 3 0 3
1
hy 15 3 0 5
1
5 5 5 3 3 5
Image originale
Gradients couleur
• Approches scalaires
• Approches perceptuelles
• Approches vectorielles
103
Détection de contour
Approches scalaires
104
Détection de contour
Approches perceptuelles
3. Calcul de :
105
Détection de contour
Approches vectorielles
106
Détection de contour
107
Mini-Projets
1. Tatouage d’images.
6. Détecteur Harris
7. Contours actifs
8. Transformée de Hough
108