Cours 2

7.
Traitements de base d’une image
1
7. Traitements de base d’une image
Opérations ponctuelles
Définitions
Moyenne et contraste
Histogramme
Opérations ponctuelles linéaires
Décalage additif
Mise à l’échelle multiplicative
Inversion
Amélioration du contraste
Opération arithmétiques entre les images
Opérations de base
Réduction du bruit par moyennage
2
Moyenne
Image en tons de gris
Image couleur
Une moyenne par canal
3
Moyenne (Luminosité)
Intensité moyenne dans l’image
+1OO%
4
-1OO%
Contraste
Peut être défini de plusieurs façons
Écart type des variables de niveaux d’intensité
Variation entre valeurs maximale et minimale de niveaux d’intensité

(moins utile , plus rapide)
5
Contraste
Plage de valeurs utilisée : C = max - min
+1OO%
6
-1OO%
7
Amélioration des images basée sur les pixels
Histogramme des niveaux de gris
Transformation des niveaux de gris
8
Histogramme des niveaux de gris ( distribution des niveaux de gris)
Histogrammes pour différents types d’images
9
Histogramme des niveaux de gris ( distribution des niveaux de gris)
10
Caractérisation par Histogramme des niveaux de gris
Image sous-exposée
Image sur-exposée
11 Image mal quantifiée

SCÈNE DE FAIBLE RADIANCE SCÈNE DE FORTE RADIANCE
% %
niveaux de gris niveaux de gris
SCÈNE DE BAS CONTRASTE SCÈNE DE HAUT CONTRASTE
% %
niveaux de gris niveaux de gris

12
%
amélioration du
étirement de l’histogramme = ? contraste
niveau de gris après

transformation
GL’
niveau de gris avant

transformation transformation
GL des niveaux de gris
13
f(x,y)’
f ( x, y )' = m ⋅ f ( x, y ) + b
255
PIXMAX 255
m= =
max − min max − min
 PIXMAX ⋅ min 
b = − 
 max − min 
0 f(x,y) PIXMAX  PIXMAX ⋅ min 
f ( x, y )' = f ( x, y ) −  
min max max − min  max − min 
PIXMAX
f ( x, y )' = ( f ( x, y ) − min)
PIXMAX f ( x, y )' max − min
=
max − min f ( x, y ) − min
PIXMAX
f ( x, y )' = ( f ( x, y ) − min)
max − min
14
Expression de la dynamique (recadrage)
Recadrage d’histogramme
15
Transformation linéaire
Transformation linéaire avec saturation
Transformation linéaire par bout avec saturation
Égalisation de l’histogramme
16
PIXMAX
f ' ( x, y ) = ( f ( x, y ) − min)
max − min
( f ( x, y ) − min)
f ' ( x, y ) = PIXMAX
max − min
( f ( x, y ) − min)
∈ [0,1]
max − min
17
f(x,y)’
f(x,y)
min max
0 255
min max
18

PIXMAX
f '(x, y) = ( f ( x , y ) − S min )
S max − S min
( f ( x , y ) − S min )
f '(x, y) = PIXMAX
S max − S min
( f ( x , y ) − S min )
∈ [0 ,1 ]
S max − S min
min( f ( x , y )) ≤ S min < S max ≤ max( f ( x , y ))
19
GL’
%
GL GL’
min max
0 255
min
Smin Smax
max
20
Transformation linéaire par bout avec saturation
GL’
%
GL GL’
min max
0 255
Smin
min 1 Smax
max2
Smax1/Smin2
21
Transformation par égalisation d’histogramme
h[i ], i ∈ [0,255] Histogramme non-normalisé

h[i ]
hn [i ] = Histogramme normalisé
DIMX ⋅ DIMY
i
C [i ] = ∑ hn [ j ] Densité de probabilité cumulative
j =0
f ' ( x, y ) = C [ f ( x, y )]⋅ PIXMAX

C [ f ( x, y )]∈ [0,1]
22
Le but est de rendre l’histogramme le plus plat possible

Distribution uniforme des niveaux de gris
Maximisation de l’entropie de l’image
Image donnant une information maximale
23
HC ( f ( x, y ))
f ( x, y )' = (2 − 1)
D
wh
D: Dynamique
(w,h): Dimension de l’image
HC(.): Histogramme cumulé
24
Égalisation de l’histogramme [densité de probabilité cumulative]
GL’
%
GL GL’
min max
* C[i ]
0 255
min max
25
Forme générale
g(x,y)=Pf(x,y)+L
Il faut éviter g(x,y)<0 et g(x,y)>K-1
Où K-1= intensité maximale (255, souvent)
26
Décalage additif
Contrôle de la luminosité
Ici P=1 et –(K-1)<= L <= K-1
g(x,y)=f(x,y)+L
L=100
L=-100
27
28

Mise à l’échelle multiplicative
Ici L=0 et P>0
g(x,y)=Pf(x,y)
Modifie la luminosité et le contraste
P=O.5
P=1.5
29
30

Inversion
Ici P=-1 et L=255
g(x,y)= -f(x,y)+255
Inversion
31
32

On étire l’histogramme pour qu’il utilise toute la plage disponible
On pose A=min(f(x,y)) et B=max (f(x,y))
On veut que les nouvelles limites soient A’ et B’
On cherche PA+L=A’ et PB+L=B’
2 éq et 2 inconnues : P et L P=(B’-A’)/(B-A)
L=(A’B-AB’)/(B-A)
33
34
8. Opérations arithmétiques et logiques entre les images
Somme d’images
Ajout de bruit, fusion d’images,...
Soustraction d’images
Élimination de l’arrière-plan, dérivation par rapport au temps,…
Moyenne point à point d’images
Réduction du bruit
Produit point à point
Convolution (lissage, dérivation,…)
Seuillage
Donne une image binaire à partir d’une image en niveaux de gris
35
36
Les sources de bruit

Bruits liés aux conditions de prise de vues
Ce sont des événements vérifiant les conditions d’acquisition du
signal
Le bougé
Problèmes liés à l’éclairage de la scène observée
Bruits liés au capteur

Capteur mal réglé
Capteur de mauvaise qualité
37
Les sources de bruit
Bruits liés à l’échantillonnage
Ces bruits reflètent essentiellement des problèmes de
quantification (CCD)
Précision d’environ 1/512
Problèmes dans le cas d’applications de grande précision
Bruits liés à la nature de la scène

Nuage sur les images satellitaires
Poussières dans les scènes industrielles
Brouillard pour les scènes routières
38
Réduction du bruit par moyennage

Soit n images d’une même scène, chaque image peut
s’exprimer gi(x,y)=f(x,y)+bi(x,y)
f(x,y) est l’image non bruitée
bi (x, y) N(0, σ2 ) est un bruit blanc non corrélé
E{bi (x, y)b j (x, y)} = 0 pour i ≠ j

L’image moyenne
1 n
g(x, y) = ∑ gi (x, y)
n i =1
Différents types de bruit

Bruit additif ou multiplicatif
P’(i) = b(i) + P(i)
P’(i) = b(i) * P(i)
et
40
Différents types de bruit

Comment est généré b(i) ?
Loi gaussienne
Loi uniforme
Aléatoire
Principaux types de bruit

Gaussien
Poivre et sel
41
Comment réduire le bruit ?

Démarche générale :
Caractériser le bruit présent dans l’image
Choisir un algorithme approprié
Pour chaque pixel de l’image
o Étudier la valeur du pixel
o Étudier les valeurs des voisins
o Modifier la valeur du pixel
42
Filtre Moyenneur
On affecte à chaque pixel la valeur moyenne obtenue dans le
voisinage : avec j les voisins de i
43
Élimination du bruit par moyennage

L’image moyenne: 1 n
g(x, y) = ∑ (f (x, y) + bi (x, y))
n i =1
1 n
g(x, y) = f (x, y) + ∑ (bi (x, y)
n i =1
Signal inchangé et un nouveau bruit
Moyenne du nouveau bruit nulle, comme avant
1 n  1 n
E  ∑ (bi (x, y)  = ∑ E(bi (x, y)
 n i =1  n i =1
=0
Calcul de la variance du bruit/

{
Var(X) = E (X − E {X})2 }
1 n 2
σ = E{( ∑ bi (x, y))2 }
2 =E{X 2 } Si E{X}=0
n i =1
1 n n
= 2 ∑∑ E{bi (x, y)b j (x, y)}
n i =1 j≠ i

1 n n 
= 2 ∑  E{bi (x, y)bi (x, y)} + ∑ E{bi (x, y)b j (x, y) 
n i =1 j≠ i


1 n
= 2 ∑ E{b 2
i (x, y)} Car bruit non corrélé
n i =1
2
σ
=
n
Opérations locales
Filtres passe-bas
Filtre de moyenne
Filtre Gaussien
Triangle de Pascal
Autres filtres
Moyenne versus médiane
Filtre médian
Filtre adaptatif
Filtres passe-haut
Opérateurs mathématique
Masque de détection
Gradient
Laplacien
Kirsch
Marr-Hildreth
Marr-Hildreth versus sobel
46
Opérations locales
Transformation basée sur le voisinage d’un point (x,y):
transformation
0 0 0 0 0 0 0 0 0 0 0
0 0
0 0
⋅ → (x,y) 0 0
0 0
0 0
0 0
0 0
0 0
0 0 0 0 0 0 0 0 0 0 0
Image originale Image traitée
47
Opérations locales
Convolution discrète
La convolution discrète est un outil permettant la construction de
filtres linéaires ou de filtres de déplacements invariants
L ’équation de convolution, notée g(x), de la séquence f(x) avec une
fonction h(x) est :
h(x) est appelée masque de convolution, noyau de convolution,

filtre, fenêtre, kernel, …
En pratique, la convolution numérique d'une image se fera
simplement par une sommation de multiplications.
Opérations locales
Exemple de convolution 2D
Opérations locales
Exemple de convolution 2D
I * K
Noyau de convolution
Image
Opérations locales
Convolution numérique R = I*K

K
I R
R(1,1) = I(0,0) K(0,0) + I(1,0) K(1,0) + I(2,0) K(2,0)

+ I(0,1) K(0,1) + I(1,1) K(1,1) + I(2,1) K(2,1)
+ I(0,2) K(0,2) + I(1,2) K(1,2) + I(2,2) K(2,2)
Opérations locales

K
I R
R(2,1) = I(1,0) K(0,0) + I(2,0) K(1,0) + I(3,0) K(2,0)

+ I(1,1) K(0,1) + I(2,1) K(1,1) + I(3,1) K(2,1)
+ I(1,2) K(0,2) + I(2,2) K(1,2) + I(3,2) K(2,2)
Opérations locales
K
I R
R(x,y) = I(x-1,y-1) K(0,0) + I(x, y-1) K(1,0) + I(x+1, y-1) K(2,0)

+ I(x-1,y) K(0,1) + I(x,y) K(1,1) + I(x+1,y) K(2,1)
+ I(x-1,y+1) K(0,2) + I(x,y+1) K(1,2) + I(x+1,y+1) K(2,2)
Opérations locales
I R
R(N-2,M-2) = I(N-3,M-3) K(0,0) + I(N-2,M-3) K(0,1) + I(N-1,M-3) K(0,3)

+ I(N-3,M-2) K(1,0) + I(N-2,M-2) K(1,1) + I(N-1,M-2) K(1,2)
+ I(N-3,M-1) K(2,0) + I(N-2,M-1 )K(2,1) + I(N-1,M-1) K(2,2)
Opérations locales
Convolution numérique
Problème : Que faire avec les bords de l'image ?
Mettre à zéro (0)
? ? ? ? ? ? ? ? ? ?
Convolution partielle ? ?
Sur une portion du noyau
? ?
Miroir de l'image ? ?
f(x-1,y) = f(x+1,y) ? ?
… (pas de solution miracle) ? ?
? ?
? ?
? ?
? ? ? ? ? ? ? ? ? ?
Opérations locales
Masque de convolution
Le masque de convolution est le plus souvent
Carré
De taille 3x3 ou 5x5 (ou plus, mais impair)
Ce masque représente un filtre linéaire permettant de modifier l'image.
La plupart du temps, on divisera le résultat de la convolution par la

somme des coefficients du masque.
Pour éviter de modifier l'entropie de l'image, la somme des coefficients doit être
égale à 1.
Dans le cas du Laplacien (plus loin), la somme sera égale à zéro.
Opérations locales
Transformation par convolution
DF 2 DF 2
g ( x, y) = ∑ ∑ f ( x + m, y + n) ⋅ PSF ( DF
2 + m, 2 + n)
DF
m= − DF n= − DF
2 2
filtre normalisé
OU Point Spread Function
1/9
1 1/9
1 1/9
1 w1 w2 w3 
 DF ou
1/9 X 1/9
1 1/9
1 1/9
1 w4 w5 w6  Dimension
1/9
1 1/9
1 1/9
1 w7 w8 w9  Filtre : 3

résultat divisé par la somme
des poids [wx] du filtre (P-
(P-B)
ou son nombre de pixels (P-(P-H)
57
Opérations locales
Typologie des Filtres
Pour accélérer les traitements, il est possible de décomposer les filtres en sous-
filtres équivalents qu’on passe un après l’autre.
58
Opérations locales
Typologie des Filtres
59
Opérations locales
Typologie des Filtres : suite
La mise en cascade de filtres (associativité de la convolution) permet de

générer des filtres de grande taille à moindre coût de calculs
60
Opérations locales
Filtres passe-bas
Le filtre moyenne
Permet de lisser l'image (smoothing)
Remplace chaque pixel par la valeur moyenne de ses voisins
Réduit le bruit
Réduit les détails non-important
Rend floue l'image (blur edges)
Filtre dont tous les coefficients sont égaux.

Exemple de filtres moyennes : 1 1 1 1 1
1/9 1/9 1/9 1 1 1 1 1 1 1 1
1/9 1/9 1/9 ou 1/9 1 1 1 1 1 1 1 1

1 1 1 1 1
1/9 1/9 1/9 1 1 1
1 1 1 1 1
61
3x3
5x5
Opérations locales
Filtres passe-bas
Filtre de moyenne
Plus le filtre est grand, plus on coupe les hautes fréquences (les changements rapides)
1 1 1 1 1
1 1 1 1 1
1 1 1
1/9* 1 1 1 1/25* 1 1 1 1 1
1 1 1 1 1 1 1 1
1 1 1 1 1
Opérations locales
63
Opérations locales
Filtres passe-bas
Filtre de moyenne
Image originale Image filtrée

64
Opérations locales
Filtres passe-bas
Exemples de filtres moyennes
Original Moyenne 5x5 Moyenne 11x11
65
Source : monkey.geog.ucsb.edu/mh/115b/filter.pdf
Opérations locales
Filtres passe-bas
Filtre Gaussien 1 2 1
(1/16) 2 4 2
1 2 1
1 1 1 2 1
1 1
(1/4) * (1/4) = (1/16) 2 4 2
1 1 1 1
1 2 1
1
1 2 1
(1/4) 2 * (1/4) 1 2 1 = (1/16) 2 4 2
1
1 2 1
Opérations locales
Filtre gaussien (passe-bas)1 −( x 2 + y 2 )

2σ 2
gauss ( x, y) = PSF ( x, y) = ⋅e
2πσ 2
fonction gaussienne 2-D
w1 w2 w3 

w4 w5 w6  DimX = DimY = 8σ + 1
w7 w8 w9  où σ ∈ ]0,3[

67
Opérations locales
Filtre gaussien (passe-bas)
Image d'une gaussienne

Fonction gaussienne en 3D
Le filtre gaussien donnera un meilleure lissage et une meilleure

réduction du bruit que le filtre moyenne.
68
Opérations locales
Exemples de filtres gaussiens
Original Gauss 5x5 Gauss 11x11
69
Opérations locales
Filtres passe-bas
Triangle de Pascal
Chaque élément est la somme des éléments supérieur et supérieur gauche
On choisit une ligne impaire
On convolue un filtre horizontal avec un filtre vertical
On obtient un filtre carré
On normalise par la somme de tous les éléments du filtre
70
Opérations locales
Filtres passe-bas
Autres filtres passe-bas
1 4 6 4 1 1 2 3 2 1 0 0 1 0 0
4 16 24 16 4 2 4 6 4 2 0 2 2 2 0
1/256 6 1/81
24 36 24 6 3 6 9 8 3 1/25 1 2 5 2 1
4 16 24 16 4 2 4 6 4 2 0 2 2 2 0
1 4 6 4 1 1 2 3 2 1 0 0 1 0 0
Filtre Gaussien ou binomial Filtre pyramidal Filtre Conique
Obtenu par la convolution de deux filtres de moyenne 3X3

Opérations locales
Moyenne versus médiane

1 n
Moyenne d’une suite de x i : x = ∑ xi
Facile à calculer n i =1
Complexité O(n)
Permet de trouver le ’’centre’’ d’une distribution xi
Sensible aux valeurs extrêmes
Opérations locales
Filtre Médian
Filtre non linéaire (ce n’est pas une convolution)
Coûteux en temps de calcul
Complexité O(nlog(n))
On remplace le pixel central par la médiane du groupe
Sert à éliminer les points isolés sans filtrer par un filtre passe-bas
Plus robuste aux valeurs extrêmes
10
10 30
30 55
20
20 200
20 20
20 5 10 10 15 20 20 30 30 200
15
15 10
10 30
30
Valeurs d’intensité médiane
Opérations locales
Filtre Médian
On affecte à chaque pixel la valeur médiane
obtenue dans le voisinage
On évite ainsi les valeurs extrêmes
74
Opérations locales
Filtre Médian
75
Opérations locales
Filtre Médian
76
Opérations locales
Filtre médian
(a) image originale
(b) image bruitée
(c) filtre de moyenne
5x5
(d) filtre médian 5x5
ausilieu
le bruit
de laajouté
moyenne
à
du
l’image
filtre est
parsupérieur
voisinage,à
la
ondimension
utilise la médiane
du filtre,
celui-ci
(d’oùestson
inefficace
nom) !
77
Opérations locales
Choix du filtre
Bruit gaussien : filtre moyenneur
Bruit poivre et sel : filtre médian
78
Opérations locales
Filtres adaptatifs
79
Opérations locales
Filtres passe-haut: Détection de contours

Opérations mathématiques
- =
Image originale Image filtrée passe-bas Hautes fréquences
80
Caractéristiques des images obtenues
par filtrage spatial
− =
Lissage Rehaussement
(filtre passe-bas) (filtre passe-haut)
81
Opérations locales
Au niveau des pixels
Ex: filtre 3X3 (à partir du filtre de moyenne)
0 0 0 1 1 1  −1 −1 −1
1 1 1
δ(x, y) − h(x, y) =  0 9 0  − 1 1 1 =  −1 8 −1
9  9  9 
 0 0 0  1 1 1  −1 −1 −1
Ex: filtre 5X5  −1 −1 −1 −1 −1

 −1 −1 −1 −1 −1
1  
 −1 −1 24 −1 −1
25 
 −1 −1 −1 −1 −1
 −1 −1 −1 −1 −1
Opérations locales
83
Opérations locales
Masque de détection
Contour d’une ligne
Contour d’un objet

Filtre passe-haut: Détection de
contours
− =
Passe-bas Passe-haut
11 1 11 1 1 11 1 11 -1
-1-1-1-1 -1-1 -1
-1-1-1-1
11 1 11 1 111 1 11 -1
-1-1-1-1
-1-1-1-1
-1 -1 -1
11 1 11 1 1 1 1 1 -1
-1 -1 -1 -1 -1 -1-1-1-1
X 111 1 111 1
1 111 1 11 X -1
-1-1-1-1824
-1 48-1 -1-1-1-1
-1
1 1 1 1 1 1 1 -1 -1 -1 -1 -1 -1 -1
1 1 1
11 1 11 1 111 1 11 -1-1-1-1
-1
-1
-1 -1-1-1-1-1
-1 -1-1
11 1 11 1 1 11 1 11 -1-1-1-1 -1
-1 -1-1-1-1
-1 -1
85
Opérations locales
Détection de contours par gradient
Contour = gradient élevé
Technique en 2 étapes :
Estimer le gradient (convolution)
Localiser les valeurs élevées (seuillage)
86
Opérations locales
Détection de contours par gradient:Convolution
Multiplication locale par un masque
I’(x,y) = I(x,y) * M
87
Opérations locales
Estimation du Gradient
Soit un pixel f(x,y), le gradient y sera
Gx = f * Mx
Gy = f * My
La norme du gradient
La direction du gradient
88
Opérations locales
Filtres passe-haut: Détection de contours Différences
avant et
Approximation du gradient (en x –arêtes verticales) arrière
∂f f (x + ∆ x , y) − f (x, y) f (x, y) − f (x − ∆ x , y)
= lim = lim
∂x ∆ x → 0 ∆x ∆ x →0 ∆x
∆x = 1 Masque de convolution 1 -1 ou -1 1
∂f f (x + ∆ x , y) − f (x − ∆ x , y)
= lim Différence centrée
∂x ∆ x →0 2∆ x
∆x = 1 Masque de convolution -1 0 1
Approximation du gradient (en y –arêtes horizontales)

-1 1
Masque de convolution 1 ou -1 ou 0
ou 0
-1 1 -1
1
Opérations locales
Filtres différentiels
00 FF 00 Image
profil d’une
ligne
horizontale
(dérivée
première)
seconde)
(a) (b)
90
Opérations locales
Dérivée première (gradient)
| Gx | + | Gy |
-1
-1 -20 -1
1
0
-2 00 02 || G
Gyx ||
1
-1 20 11
91
Opérations locales
Sobel
Le passe-haut intensifie le bruit; on fait donc un passe-bas
pour le diminuer.
Composition d’un filtre gaussien et d’un gradient
 −1 −2 −1  −1 0 1 
0 0 0 et  −2 0 2 
   
 1 2 1   −1 0 1 
Opérations locales
Sobel (=Gaussien+Gradient)  −1 −2 −1  −1 0 1 
0 0 0  −2 0 2 
Deux masques de taille 3x3 :   et  
 1 2 1   −1 0 1 
Opérations locales
Filtres de Prewitt et Sobel
(a) (b)
(c)
(d)Roberts
Prewitt
Sobel cross-gradient
operators
operators
z1 z2 z3 -1 -1
-2 -1
∂∂ff ∂f ((zz77++2zz88++zz99))
z4 z5 z6 0 01 0 == ≈ ( z5 − z9 )
∂∂yy ∂y−−((zz11++2zz22++zz33))
z7 z8 z9 1 210 -1
1
où zx : valeur du
niveau de gris -1 0 1
∂∂ff ∂f ((zz33++2zz66++zz99))
-1 0 21
-2 == ≈ ( z6 − z8 )
∂∂xx ∂x−−((zz11++2zz44++zz77))
-1 -1
0 10
∂f ∂f
∇f ≈ G x + G y ≈ +
∂x ∂y
94
Opérations locales
Opérations locales
Amélioration des arêtes et des contours
(a) image originale
(b) image obtenue
à partir des valeurs
de magnitude du
gradient [‘masques’
de Prewitt]
(c) image originale
dont les pixels ayant
1 gradient > 25**
ont été mis à 255
∂f ∂f ∂f ∂f
* ou > 25 * et ≤ 25 (d) idem à c [sauf pour
∂x ∂y ∂x ∂y les pixels dont les
2 gradients ≤ 25**
qui ont été mis à 0
- image binaire]
96
Opérations locales
Roberts
et
Deux masques de taille 2x2 :
Opérations locales
Opérations locales
Opérations locales
Laplacien ∂ ∂
∇2 = ( 2
+ 2
)
Dérivée seconde ∂x ∂y
Différence centrée
∂ 2f (x, y)
= f ' (x + 1, y) − f ' (x, y)
∂x 2
=[f(x+1,y)-f(x,y)]-[f(x,y)-f(x-1,y)]
= f(x+1,y)-2f(x,y)+f(x-1,y)
Noyau de convolution
[1 −2 1]
Opérations locales
Laplacien (suite)
Hautes fréquences dans toutes les directions
 1  0 1 0
∂ ∂
[1 −2 1] +  −2 = 1 −4 1 
2
∇ =( 2
+ 2
)
∂x ∂y
Autres formes  1  0 1 0 
 0 −1 0   −1 −1 −1
 −1 4 −1 Ou  −1 8 −1
   
 0 −1 0   −1 −1 −1
Opérations locales
Laplacien (suite)
Dérivée seconde du signal image
Localisation des contours par le passage par 0
Différents masques :
 0 −1 0   −1 −1 −1
 −1 4 −1  −1 8 −1
   
 0 −1 0   −1 −1 −1
Opérations locales
Kirsch
8 masques, dans chaque direction (45°)
Opérations locales
Marr-Hildreth
Le Laplacien augmente encore plus le bruit
On filtre l’image avec une gaussienne
On prend le Laplacien de l’image filtrée
On peut donc filtrer directement avec le laplacien d’une
gaussienne!
g=(f*N)*L=f*(N*L)
104
Opérations locales
Marr-Hildreth
0 -1 -2 -1 0
-1 0 2 0 -1
-2 2 8 2 -2
-1 0 2 0 -1
0 -1 -2 -1 0
-1 -3 -4 -3 -1
-3 0 6 0 -3
-4 6 20 6 -4
-3 0 6 0 -3
-1 -3 -4 -3 -1
Opérations locales
Marr-Hildreth versus Sobel

Plus rapide
Une seule convolution pour toutes les directions
Pas de somme de valeurs absolues ou de racine
Moins robuste (plus sensible au bruit)
Non directionnel
Donne des contours plus « fermés »
106
Opérations locales
Filtres passe-haut
Sobel
Marr-Hildreth
Canny
…
107
Opérations locales
On utilise un filtre passe-haut et on compare la force du

contour avec un seuil
Image originale Sobel Laplacien

108
Opérations locales
Sobel
On applique le filtre horizontal, puis vertical
On somme les valeurs absolues, ou racine carrée des carrées
des valeurs
Seuillage: si la valeur est assez élevée, la dérivée est forte et il
y’a un contour
109
Opérations locales
Marr-Hildreth
On applique le filtre de Marr-Hildreth
On détecte les PPZ (Passages Par Zéro)
Seuillage particulier, sur un Kernel (souvent 3X3)
S’il y’a changement de signe entre la valeur centrale et un des huit voisins, alors il y’a
PPZ
Changer de signe n’est plus suffisant, il faut passer de −ε à +ε
Opérations locales
111
Opérations locales
Canny
Critères
Taux d’erreur bas
Points biens localisés
Réponse unique pour un contour
112
Opérations locales
Canny
113
Opérations locales
Seuillage
Différents types de seuillage
si ndg > sb alors ndg = 255
si ndg < sh alors ndg = 0
si ndg < s alors ndg = 0 sinon ndg = 255
Binarisation
114
Binarisation
Réduction du nombre de couleurs à 2 (N & B)
115
Binarisation
Comment trouver le bon seuil ?
Localisation des modes de l’histogramme
116
Opérations locales
Canny
Seuillage par Hystérésis
On utilise 2 seuils T1 et T2 (T1<T2)
Tous les pixels plus petits que T1 sont classés « non contours »
Tous les pixels entre T1 et T2 sont classés « peut-être »
Tous les pixels plus grand que T2 sont classés « contours »
Tous les pixels classés « peut-être » adjacents à des pixels contours sont classés «
contours »
On commence à suivre un contour avec un pixel >T2 et on termine par un pixel <T1
117
Opérations locales
Images couleur
Utilisation de R,G,B puis combinaison
Autres méthodes plus robustes
Opérations locales
Fermeture de contours
Problème des contours ouverts
Seuillage fermeture
Opérations locales
Fermeture de contours:
Codage de Freeman
Représentation discrète d’un contour
X0,Y0 01067744
Opérations locales
Filtrage fréquentiel
Une image peut être représentée par un signal 2D

Sa transformée de Fourier donne donc l’intensité en
fonction de la fréquence
On peut appliquer des filtres passe-bas et passe-haut sur
l’image pour faire ressortir certaines gammes de
fréquences
121
Opérations locales
Dans une image, les basses fréquences représentent les zones lisses, qui
varient peu
Les hautes fréquences sont les zones très variables: textures, arrêtes, coins
Un filtre passe-bas fait passer les basses fréquences
Élimine les hautes fréquences, diminue le bruit
Permet de lisser , d’adoucir les arêtes
Un filtre passe-haut fait passer les hautes fréquences
Met en évidence les arêtes, les contours, les ombres
Augmente le bruit dans l’image
122
Opérations locales
Transformée de Fourier
Représentation fréquentielle d’une fonction donnée
∞
F(ν) = ∫ f ( t ) e −i 2 πνt dt
−∞
∞
1
∫
i 2 πνt
f (t) = F( ν ) e dt
2π − ∞
Images = fonctions réelles Є L 2
2
∫
ℜ
f (t ) dt < ∞
Opérations locales
TF, Quelques définitions…

TF est imaginaire F (ν ) = R(ν ) + i I (ν ) = F (ν ) e iφ (ν )
Spectre de Fourier F (ν ) = R(ν ) + i I (ν ) = R 2 (ν ) + I 2 (ν )
Phase φ (ν ) = tan −1 (I (ν ) R(ν ) )
Spectre de Puissance (densité spectrale)

iφ (ν ) iφ (ν ) 2
P(ν ) = F (ν ) e ⋅ F (ν ) e = F (ν )
Opérations locales
Résultats rectangle 1D
125
Opérations locales
Résultat rectangle 2D
126
Opérations locales
Propriétés de la TF
Séparable
Propriétés de translation
Périodicité et symétrie (conjugué)
Rotation
Distributivité
Échelle
Valeur moyenne de l’intensité
Dérivée
Laplacien
127
Opérations locales
Propriétés de la TF suite
128
Opérations locales
Espace discret
Cas continu (image optique) peut s’exprimer pour le cas discret (image
numérique). En 1D, on a
{ f ( x0 ), f ( x0 + ∆x), f ( x0 + 2∆x), f ( x0 + 3∆x),K , f ( x0 + ( M − 1)∆x)}

f ( x) → 
{ f (0), f (1), f (2), f (3), K , f ( M − 1)}
M pas d’échantillonnage uniformes Δx

Pour les images, on a des pas Δx et Δy pour une fonction donnée par
f ( x, y ) → { f (0,0), f (1,0), f (0,1), f (2,0),K , f ( M − 1, N − 1)}

Opérations locales
TF discrète
M −1
1
F (µ ) =
M
∑
x =0
f ( x) e −i 2πxµ / M µ = 0 ,1, 2,K , M − 1
M −1
f ( x) = ∑ F ( µ ) ei 2πxµ / M x = 0 ,1, 2 ,K , M − 1
µ =0
On passe de l’espace discret aux fréquences discrètes

avec les pas d’échantillonnage reliés par:
1
∆µ =
M ∆x
Opérations locales
TF discrète 2D
soit M = N
1 N −1 N −1
F(µ, ν) = ∑∑ f ( x, y) e −i 2 π ( xµ + yν ) / N µ , ν = 0,1, 2 ,K , N − 1
N x =0 y =0
1 N −1 N −1
f ( x, y) = ∑∑ F(µ, ν) ei 2 π( xµ+ yν ) / N x , y = 0,1, 2 ,K , N − 1
N µ = 0 ν =0
Note: la normalisation a été répartie sur la paire de transformée…
131
Opérations locales
Pour appliquer un filtre:

On veut multiplier le signal de l’image par une fonction dans
le domaine fréquentiel
Reviens à convoluer dans le domaine spatial avec la
transformée de Fourier inverse du filtre
L’image est discrète: convolution discrète
On utilise donc un Kernel de convolution
132
Opérations locales
133
Module et phase de la transformée de Fourier
La transformée de Fourier d’1 image réelle est 1 image dont les valeurs sont des
nombres complexes :
c = x + i y = A e iφ
La phase contient
l’information de position
des structures de l’image
(contours)
Le module contient des informations sur :

- la répartition fréquentielle de l’image
- les valeurs (en niveaux de gris) de l’image
TFD
134 inverse :
135
Propriétés de la TF continue en 2D
Linéarité : F [ f(x,y) ] = F(u,v) et F [ g(x,y) ] = G(u,v) alors
F [ a f(x,y) + b g(x,y) ] = a F(u,v) + b G(u,v)
136
Propriétés de la TF continue en 2D (2)
: séparabilité
137
Propriétés de la TF continue en 2D (3)
Changement d’échelle : F [ f(ax,by) ] = 1/ab F( u/a , v/b )
138
Exemple : rotation de 45°
139
Filtrage passe-bas
r=128
r=64 r=32 r=16 r=8
140
Opérations locales
Filtrage passe-haut
r=128
r=8 r=16 r=32 r=64
141
Opérations locales
Filtrage passe-bande
On définit la bande de fréquence que l’on souhaite conserver
142

Cours 2

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

Cours 2

Transféré par

Droits d'auteur :

Formats disponibles

7.

Traitements de base d’une image

Variation entre valeurs maximale et minimale de niveaux d’intensité

Histogramme des niveaux de gris ( distribution des niveaux de gris)

Histogrammes pour différents types d’images

Histogramme des niveaux de gris ( distribution des niveaux de gris)

Caractérisation par Histogramme des niveaux de gris

11 Image mal quantifiée

SCÈNE DE FAIBLE RADIANCE SCÈNE DE FORTE RADIANCE

niveaux de gris niveaux de gris

SCÈNE DE BAS CONTRASTE SCÈNE DE HAUT CONTRASTE

niveaux de gris niveaux de gris

Transformation des niveaux de gris

niveau de gris après

niveau de gris avant

Transformation linéaire avec saturation

Transformation par égalisation d’histogramme

h[i ], i ∈ [0,255] Histogramme non-normalisé

f ' ( x, y ) = C [ f ( x, y )]⋅ PIXMAX

Le but est de rendre l’histogramme le plus plat possible

Il faut éviter g(x,y)<0 et g(x,y)>K-1

Où K-1= intensité maximale (255, souvent)

Opérations ponctuelles linéaires

Opérations ponctuelles linéaires

Opérations ponctuelles linéaires

Les sources de bruit

Bruits liés au capteur

Bruits liés à la nature de la scène

Réduction du bruit par moyennage

E{bi (x, y)b j (x, y)} = 0 pour i ≠ j

Différents types de bruit

Différents types de bruit

Principaux types de bruit

Comment réduire le bruit ?

Élimination du bruit par moyennage

Calcul de la variance du bruit/

Transformation basée sur le voisinage d’un point (x,y):

Image originale Image traitée

h(x) est appelée masque de convolution, noyau de convolution,

Convolution numérique R = I*K

R(1,1) = I(0,0) K(0,0) + I(1,0) K(1,0) + I(2,0) K(2,0)

Convolution numérique R = I*K

R(2,1) = I(1,0) K(0,0) + I(2,0) K(1,0) + I(3,0) K(2,0)

Convolution numérique R = I*K

R(x,y) = I(x-1,y-1) K(0,0) + I(x, y-1) K(1,0) + I(x+1, y-1) K(2,0)

Convolution numérique R = I*K

R(N-2,M-2) = I(N-3,M-3) K(0,0) + I(N-2,M-3) K(0,1) + I(N-1,M-3) K(0,3)

Ce masque représente un filtre linéaire permettant de modifier l'image.

La plupart du temps, on divisera le résultat de la convolution par la

Typologie des Filtres

Typologie des Filtres

La mise en cascade de filtres (associativité de la convolution) permet de

Filtre dont tous les coefficients sont égaux.

1/9 1/9 1/9 1 1 1 1 1 1 1 1

1/9 1/9 1/9 ou 1/9 1 1 1 1 1 1 1 1

Image originale Image filtrée

Original Moyenne 5x5 Moyenne 11x11

Filtre gaussien (passe-bas)1 −( x 2 + y 2 )

fonction gaussienne 2-D

Filtre gaussien (passe-bas)

Image d'une gaussienne

Le filtre gaussien donnera un meilleure lissage et une meilleure

Exemples de filtres gaussiens