Académique Documents
Professionnel Documents
Culture Documents
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
7. Traitements de base d’une image
Opérations ponctuelles
Moyenne
Image en tons de gris
Image couleur
Une moyenne par canal
3
7. Traitements de base d’une image
Opérations ponctuelles
Moyenne (Luminosité)
Intensité moyenne dans l’image
+1OO%
4
-1OO%
7. Traitements de base d’une image
Opérations ponctuelles
Contraste
Peut être défini de plusieurs façons
Écart type des variables de niveaux d’intensité
5
7. Traitements de base d’une image
Opérations ponctuelles
Contraste
Plage de valeurs utilisée : C = max - min
+1OO%
6
-1OO%
7. Traitements de base d’une image
Opérations ponctuelles
7
7. Traitements de base d’une image
Opérations ponctuelles
Amélioration des images basée sur les pixels
Histogramme des niveaux de gris
Transformation des niveaux de gris
Amélioration du contraste
8
7. Traitements de base d’une image
Opérations ponctuelles
9
7. Traitements de base d’une image
Opérations ponctuelles
10
7. Traitements de base d’une image
Opérations ponctuelles
Image sous-exposée
Image sur-exposée
% %
% %
%
amélioration du
étirement de l’histogramme = ? contraste
13
7. Traitements de base d’une image
Opérations ponctuelles
Transformation des niveaux de gris
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
7. Traitements de base d’une image
Opérations ponctuelles
Transformation des niveaux de gris
Expression de la dynamique (recadrage)
Recadrage d’histogramme
15
7. Traitements de base d’une image
Opérations ponctuelles
Amélioration du contraste
Transformation linéaire
Transformation linéaire avec saturation
Transformation linéaire par bout avec saturation
Égalisation de l’histogramme
16
7. Traitements de base d’une image
Opérations ponctuelles
Amélioration du contraste
Transformation linéaire
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
7. Traitements de base d’une image
Opérations ponctuelles
Transformation linéaire
f(x,y)’
f(x,y)
min max
0 255
min max
18
7. Traitements de base d’une image
Opérations ponctuelles
Amélioration du contraste
GL GL’
min max
0 255
min
Smin Smax
max
20
7. Traitements de base d’une image
Opérations ponctuelles
Amélioration du contraste
Transformation linéaire par bout avec saturation
GL’
%
GL GL’
min max
0 255
Smin
min 1 Smax
max2
Smax1/Smin2
21
7. Traitements de base d’une image
Opérations ponctuelles
Amélioration du contraste
23
7. Traitements de base d’une image
Opérations ponctuelles
Amélioration du contraste
Égalisation de l’histogramme
HC ( f ( x, y ))
f ( x, y )' = (2 − 1)
D
wh
D: Dynamique
(w,h): Dimension de l’image
HC(.): Histogramme cumulé
24
7. Traitements de base d’une image
Opérations ponctuelles
Amélioration du contraste
Égalisation de l’histogramme [densité de probabilité cumulative]
GL’
%
GL GL’
min max
* C[i ]
0 255
min max
25
7. Traitements de base d’une image
Opérations ponctuelles
Opérations ponctuelles linéaires
Forme générale
g(x,y)=Pf(x,y)+L
26
7. Traitements de base d’une image
Opérations ponctuelles
Opérations ponctuelles linéaires
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
7. Traitements de base d’une image
Opérations ponctuelles
28
7. Traitements de base d’une image
Opérations ponctuelles
P=O.5
P=1.5
29
7. Traitements de base d’une image
Opérations ponctuelles
30
7. Traitements de base d’une image
Opérations ponctuelles
Inversion
31
7. Traitements de base d’une image
Opérations ponctuelles
32
7. Traitements de base d’une image
Opérations ponctuelles
33
7. Traitements de base d’une image
Opérations ponctuelles
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
8. Opérations arithmétiques et logiques entre les images
36
8. Opérations arithmétiques et logiques entre les images
37
8. Opérations arithmétiques et logiques entre les images
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
38
8. Opérations arithmétiques et logiques entre les images
1 n
g(x, y) = ∑ gi (x, y)
n i =1
8. Opérations arithmétiques et logiques entre les images
et
40
8. Opérations arithmétiques et logiques entre les images
41
8. Opérations arithmétiques et logiques entre les images
42
8. Opérations arithmétiques et logiques entre les images
Filtre Moyenneur
On affecte à chaque pixel la valeur moyenne obtenue dans le
voisinage : avec j les voisins de i
43
8. Opérations arithmétiques et logiques entre les images
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
8. Opérations arithmétiques et logiques entre les images
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
9. Traitements de base d’une image
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
9. Traitements de base d’une image
Opérations locales
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
47
9. Traitements de base d’une image
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 :
Exemple de convolution 2D
9. Traitements de base d’une image
Opérations locales
Exemple de convolution 2D
I * K
Noyau de convolution
Image
9. Traitements de base d’une image
Opérations locales
I R
I R
K
I R
I R
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) ? ?
? ?
? ?
? ?
? ? ? ? ? ? ? ? ? ?
9. Traitements de base d’une image
Opérations locales
Masque de convolution
Le masque de convolution est le plus souvent
Carré
De taille 3x3 ou 5x5 (ou plus, mais impair)
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
9. Traitements de base d’une image
Opérations locales
Pour accélérer les traitements, il est possible de décomposer les filtres en sous-
filtres équivalents qu’on passe un après l’autre.
58
9. Traitements de base d’une image
Opérations locales
59
9. Traitements de base d’une image
Opérations locales
Typologie des Filtres : suite
60
9. Traitements de base d’une image
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)
61
3x3
5x5
9. Traitements de base d’une image
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
9. Traitements de base d’une image
Opérations locales
63
9. Traitements de base d’une image
Opérations locales
Filtres passe-bas
Filtre de moyenne
65
Source : monkey.geog.ucsb.edu/mh/115b/filter.pdf
9. Traitements de base d’une image
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
9. Traitements de base d’une image
Opérations locales
w1 w2 w3
w4 w5 w6 DimX = DimY = 8σ + 1
w7 w8 w9 où σ ∈ ]0,3[
67
9. Traitements de base d’une image
Opérations locales
68
9. Traitements de base d’une image
Opérations locales
69
9. Traitements de base d’une image
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
9. Traitements de base d’une image
Opérations locales
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
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
9. Traitements de base d’une image
Opérations locales
Filtre Médian
On affecte à chaque pixel la valeur médiane
obtenue dans le voisinage
On évite ainsi les valeurs extrêmes
74
9. Traitements de base d’une image
Opérations locales
Filtre Médian
75
9. Traitements de base d’une image
Opérations locales
Filtre Médian
76
9. Traitements de base d’une image
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
9. Traitements de base d’une image
Opérations locales
Choix du filtre
Bruit gaussien : filtre moyenneur
78
9. Traitements de base d’une image
Opérations locales
Filtres adaptatifs
79
9. Traitements de base d’une image
Opérations locales
- =
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
9. Traitements de base d’une image
Opérations locales
Filtres passe-haut: Détection de contours
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
83
9. Traitements de base d’une image
Opérations locales
Filtres passe-haut: Détection de contours
Masque de détection
Contour d’une ligne
− =
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
9. Traitements de base d’une image
Opérations locales
Filtres passe-haut: Détection de contours
Détection de contours par gradient
Contour = gradient élevé
Technique en 2 étapes :
Estimer le gradient (convolution)
Localiser les valeurs élevées (seuillage)
86
9. Traitements de base d’une image
Opérations locales
Filtres passe-haut: Détection de contours
Détection de contours par gradient:Convolution
Multiplication locale par un masque
I’(x,y) = I(x,y) * M
87
9. Traitements de base d’une image
Opérations locales
Filtres passe-haut: Détection de contours
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
9. Traitements de base d’une image
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
00 FF 00 Image
profil d’une
ligne
horizontale
(dérivée
première)
seconde)
(a) (b)
90
9. Traitements de base d’une image
Opérations locales
Filtres passe-haut: Détection de contours
Dérivée première (gradient)
| Gx | + | Gy |
-1
-1 -20 -1
1
0
-2 00 02 || G
Gyx ||
1
-1 20 11
91
9. Traitements de base d’une image
Opérations locales
Filtres passe-haut: Détection de contours
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
9. Traitements de base d’une image
Opérations locales
Filtres passe-haut: Détection de contours
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
9. Traitements de base d’une image
Opérations locales
Filtres passe-haut: Détection de contours
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
9. Traitements de base d’une image
Opérations locales
9. Traitements de base d’une image
Opérations locales
Filtres passe-haut: Détection de contours
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
9. Traitements de base d’une image
Opérations locales
Filtres passe-haut: Détection de contours
Roberts
et
Deux masques de taille 2x2 :
9. Traitements de base d’une image
Opérations locales
9. Traitements de base d’une image
Opérations locales
9. Traitements de base d’une image
Opérations locales
Filtres passe-haut: Détection de contours
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]
9. Traitements de base d’une image
Opérations locales
Filtres passe-haut: Détection de contours
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
9. Traitements de base d’une image
Opérations locales
Filtres passe-haut: Détection de contours
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
9. Traitements de base d’une image
Opérations locales
Filtres passe-haut: Détection de contours
Kirsch
8 masques, dans chaque direction (45°)
9. Traitements de base d’une image
Opérations locales
Filtres passe-haut: Détection de contours
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
9. Traitements de base d’une image
Opérations locales
Filtres passe-haut: Détection de contours
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
9. Traitements de base d’une image
Opérations locales
Filtres passe-haut: Détection de contours
106
9. Traitements de base d’une image
Opérations locales
Filtres passe-haut: Détection de contours
Filtres passe-haut
Sobel
Marr-Hildreth
Canny
…
107
9. Traitements de base d’une image
Opérations locales
Filtres passe-haut: Détection de contours
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
9. Traitements de base d’une image
Opérations locales
Filtres passe-haut: Détection de contours
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
9. Traitements de base d’une image
Opérations locales
Filtres passe-haut: Détection de contours
111
9. Traitements de base d’une image
Opérations locales
Filtres passe-haut: Détection de contours
Canny
Critères
Taux d’erreur bas
Points biens localisés
Réponse unique pour un contour
112
9. Traitements de base d’une image
Opérations locales
Filtres passe-haut: Détection de contours
Canny
113
9. Traitements de base d’une image
Opérations locales
Filtres passe-haut: Détection de contours
Seuillage
Différents types de seuillage
si ndg > sb alors ndg = 255
si ndg < sh alors ndg = 0
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
9. Traitements de base d’une image
Opérations locales
Filtres passe-haut: Détection de contours
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
9. Traitements de base d’une image
Opérations locales
Filtres passe-haut: Détection de contours
Images couleur
Utilisation de R,G,B puis combinaison
Autres méthodes plus robustes
9. Traitements de base d’une image
Opérations locales
Filtres passe-haut: Détection de contours
Fermeture de contours
Problème des contours ouverts
Seuillage fermeture
9. Traitements de base d’une image
Opérations locales
Filtres passe-haut: Détection de contours
Fermeture de contours:
Codage de Freeman
Représentation discrète d’un contour
X0,Y0 01067744
9. Traitements de base d’une image
Opérations locales
Filtrage fréquentiel
121
9. Traitements de base d’une image
Opérations locales
Filtrage fréquentiel
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
9. Traitements de base d’une image
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 < ∞
9. Traitements de base d’une image
Opérations locales
Résultats rectangle 1D
125
9. Traitements de base d’une image
Opérations locales
Résultat rectangle 2D
126
9. Traitements de base d’une image
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
9. Traitements de base d’une image
Opérations locales
Propriétés de la TF suite
128
9. Traitements de base d’une image
Opérations locales
Espace discret
Cas continu (image optique) peut s’exprimer pour le cas discret (image
numérique). En 1D, on a
M −1
f ( x) = ∑ F ( µ ) ei 2πxµ / M x = 0 ,1, 2 ,K , M − 1
µ =0
1
∆µ =
M ∆x
9. Traitements de base d’une image
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
9. Traitements de base d’une image
Opérations locales
Filtrage fréquentiel
132
9. Traitements de base d’une image
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)
TFD
134 inverse :
135
Propriétés de la TF continue en 2D
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 fréquentiel
Filtrage passe-bas
r=128
140
9. Traitements de base d’une image
Opérations locales
Filtrage fréquentiel
Filtrage passe-haut
r=128
141
9. Traitements de base d’une image
Opérations locales
Filtrage fréquentiel
Filtrage passe-bande
On définit la bande de fréquence que l’on souhaite conserver
142