Académique Documents
Professionnel Documents
Culture Documents
Chapitre III
Filtrage et Prétraitement
III.1 INTRODUCTION
L’image à traiter comporte une grande quantité de données qui est généralement
bruitée par des pixels indésirables qui pourraient modifier l’information utile.
Généralement, le bruit d’image est considéré comme un champ aléatoire centré additif qui
peut provenir soit du dispositif d’acquisition (influences magnétiques…) soit de la scène elle-
même (lumière parasite…) [11], [12].
Le filtrage (ou lissage local) consiste à diminuer ou supprimer le bruit de manière
indépendante du dispositif d’acquisition en étudiant, pour chaque pixel, les valeurs d’intensité
sur son voisinage. Cette première étape a pour but d’améliorer au maximum l’image afin que
le traitement suivant soit optimal en temps de calcul et en qualité. [13]
L’étape de prétraitement a deux objectifs :
1
Université de Béchar Dr BELADGHAM Mohammed
Cours de traitement d’images
a - Bruit uniforme
Il varie entre 2 valeurs a et b
1 /(b − a ) si a ≤ z ≤ b
pv ( z ) = III.1
0 sinon
Pv(z)
z
a b
Pa si z= a
p v ( z ) = Pb si z =b III.2
0 sinon
Pv(z)
z
a b
2
Université de Béchar Dr BELADGHAM Mohammed
Cours de traitement d’images
c- Bruit gaussien
pv (z )
1
σ 2π
0,607
σ 2π
µ −σ µ µ +σ z
3
Université de Béchar Dr BELADGHAM Mohammed
Cours de traitement d’images
ae − az si z ≥ 0
pv ( z ) = III.4
0 sinon
pv(z)
a
e- Bruit de Rayleigh
2
2
( z −a )
−
( z − a) e b si z ≥ a
pv ( z ) = b III.5
0 sinon
pv(z)
2
0,607
b
a b z
a+
2
4
Université de Béchar Dr BELADGHAM Mohammed
Cours de traitement d’images
v v v
-a-
Domaine spectral
-b-
Domaine spatial
1. Le filtre Passe-bas diminue le bruit mais atténue les détails de l’image (flou plus prononcé).
2. Le filtre Passe-haut accentue les contours et les détails de l’mage mais amplifie le bruit.
5
Université de Béchar Dr BELADGHAM Mohammed
Cours de traitement d’images
x2 y2
g ( x, y ) = ( f * M )( x, y ) = ∑ ∑ f ( x − i, y − j ) M (i, j ) III.6
i = x1 j = y1
On ne fait pas en général une convolution globale mais une transformation locale, basée sur le
voisinage d’un point x, y :
Transformation
(x,y)
Le noyau de convolution (ou masque) du filtre M est à support compact inclus dans
[x1, x2]x [y1, y2] :
6
Université de Béchar Dr BELADGHAM Mohammed
Cours de traitement d’images
( d1 −1) / 2 ( d 2 −1) / 2
( f * M )( x, y ) = ∑ ∑ f ( x − i, y − j ) M (i, j )
i = − ( d1 −1) / 2 j = − ( d 2 −1) / 2
III.7
x-1 x x+1
(x-1,y+1) (x,y+1) (x+1,y+1)
Ici d1= d2= d=3. On ne filtre pas les bords pour éviter des distorsions ; donc M (0,0) = m5
g ( x, y ) = m1 f ( x − 1, y − 1) + m2 f ( x, y − 1) + m3 f ( x + 1, y − 1)
+ m4 f ( x − 1, y ) + m5 f ( x, y ) + m6 f ( x + 1, y ) III.8
+ m7 f ( x − 1, y + 1) + m8 f ( x, y + 1) + m9 f ( x + 1, y + 1)
Afin de conserver la moyenne de l’image f, la somme des éléments du filtre est normalisée à
1: ∑m
i
i =1
Un filtre 2D est dit séparable s’il est possible de décomposer le noyau de convolution
h2D en deux filtres 1D appliqués successivement en horizontal puis en vertical (ou
inversement) :
Où le symbole ⊗ désigne le produit tensoriel. On peut alors traiter séparément les lignes et les
colonnes de l’image.
Pour qu’un filtre 2D soit séparable il faut et il suffit que les coefficients de ses lignes et de ses
colonnes soient proportionnels.
7
Université de Béchar Dr BELADGHAM Mohammed
Cours de traitement d’images
α aα bα cα α
a b c ⊗ β = aβ bβ cβ = β x a b c
γ aγ bγ cγ γ
a- Filtre moyenneur
Ce filtre calcule la moyenne de niveaux de gris situés dans une fenêtre carrée. Puis, il
remplace la valeur du pixel central par cette moyenne.
1 1 1 1 1
1 1 1 1 1 1 1 1
1 1
× 1 1 1 × 1 1 1 1 1
9 1 1 1 25 1 1 1 1 1
1 1 1 1 1
Figure III.10 : Filtres moyenneur 3x3 et 5x5 respectivement
Exemple 1 :
Nouvelle valeur
Nouvelle image de pixel
8
Université de Béchar Dr BELADGHAM Mohammed
Cours de traitement d’images
1
M = (2a + 1,2a + 1) , a∈ N * III.10
(2a + 1) 2
Exemple 2 :
Image originale
Il est basé sur le même principe que celui du filtre moyenneur mais dans ce cas il
s’agit d’une opération de lissage en 5 points, 9 points etc…
9
Université de Béchar Dr BELADGHAM Mohammed
Cours de traitement d’images
0 1 0
1
Le masque de lissage en 5 points : M = × 1 2 1
6
0 1 0
1 1 1
1
Le masque de lissage en 9 points : M = × 1 2 1
10
1 1 1
Les filtres linéaires sont simples mais ils introduisent le phénomène de flou qui altère
parfois de façon dramatique les informations utiles. C’est pourquoi les algorithmes non
linéaires ont été développés.
c- Filtre gaussien
i2 + j2
1 −( )
gσ (i, j ) = e 2σ 2 III.11
(σ 2π ) 2
σ 2 = 0,25
σ 2 =1
σ 2 =4
Exemple 2:
Si par exemple σ = 0.8 , N= 3 ; on a le filtre 3x3 suivant :
11
Université de Béchar Dr BELADGHAM Mohammed
Cours de traitement d’images
Remarque : Il faut noter que plus σ est grand, plus le flou appliqué à l’image sera marqué.
Exemple 3:
Avantages :
12
Université de Béchar Dr BELADGHAM Mohammed
Cours de traitement d’images
a- Filtre médian
Exemple 1:
bruit
30 10 20
10 250 25 10 10 20 20 25 25 30 30 250
20 25 30
La médiane
30 10 20
10 25 25
20 25 30
Exemple2 :
3 3 2
19 2
3
3
10 5 4 10 5 4 10 5
4
3 25 3 3 25 3 3 25
5 Valeur Médiane
19 18 2 19 18
19 18 2 10
10 5 4 10 5 4 10 10 5 18
3 25 3 3 25 3 3 3 25 19
19 18 2 19 18 2 19 19 18 25
5
On remplace la valeur du pixel central par la valeur médiane. Ce filtre est utile pour contrer
l’effet «Sel et Poivre » (P& S) c’est-à-dire des faux « 0 » et « 255 » dans l’image.
b- Filtre maxmédian
13
Université de Béchar Dr BELADGHAM Mohammed
Cours de traitement d’images
c- Filtre minmédian
{
D( x, y ) = ( x, y ) + b ; b∈{ − 2 , + 2}
2
} III.12
D1 D2 D3
D4 D5 D6
D7 D8 D9
14
Université de Béchar Dr BELADGHAM Mohammed
Cours de traitement d’images
Le résultat du filtre de Nagao consiste à remplacer la valeur du pixel central par la moyenne
moyi ( x, y ) du domaine Di ( x, y ) qui présente la variance vari ( x, y ) la plus faible.
Exemple :
Prenons comme exemple le filtre h1 avec :
−1−1−1
h1 = − 1 + 8 − 1
−1−1−1
15
Université de Béchar Dr BELADGHAM Mohammed
Cours de traitement d’images
La figure suivante nous montre les réponses fréquentielle des filtres précédents.
12 15
10
8 10
Magnitude
Magnitude
4 5
0 0
1 1
0.5 1 0.5 1
0.5 0 0.5
0
0 0
-0.5 -0.5 -0.5
-0.5
-1 Fy -1 -1
Fy -1 Fx
Fx
-a- -b-
Réponse fréquentielle du filtre h1 Réponse fréquentielle du filtre h2
Exercice :
Déterminer les réponses fréquentielle des filtres suivants:
1 1 1 1 1 1
1 1
h3 = × 1 1 1 , h4 = × 1 2 1
9 10
1 1 1 1 1 1
III.5.1 Principe
Le principe du filtrage en fréquences d’une image est simple : prendre la TF de
l’image à filtrer, multiplier le spectre obtenu par la fonction de transfert du filtre, puis prendre
la TF inverse pour produire l’image filtrée. Le lissage par réduction du contenu hautes
fréquences ou le rehaussement de contours par augmentation des composantes hautes
fréquences vis à vis des basses fréquences proviennent de concept directement reliés à la
transformée de Fourier [4].
En fait, l’idée de filtrage linéaire est beaucoup plus intuitive dans le domaine
fréquentiel. En pratique, les masques spatiaux sont utilisés beaucoup plus que la TF du fait de
16
Université de Béchar Dr BELADGHAM Mohammed
Cours de traitement d’images
f(x,y) F(u,v)
u
Transformée de Fourier
a- Série de Fourier
Toute fonction f périodique peut être représentée par la sommation de fonctions sinus et
cosinus de fréquences diverses, chacune multipliée par un coefficient différent.
∞
f ( x) = ∑ a n cos(nx) + bn sin(nx) III.14
n =0
En imagerie : on n’a pas des fonctions périodiques, mais des fonctions finies, donc d’aires
finies ce qui implique que la transformée de Fourier peut être représentée par l’intégrale de
fonctions sinus et cosinus, chacune multipliée par un coefficient différent.
b- Transformée de Fourier d'un signal 1D continue
Un signal peut être, en théorie, décomposé par un nombre fini de sinusoïdes de
déférentes fréquences.
La transformée de Fourier donne une représentation fréquentielle d'un signal temporel.
17
Université de Béchar Dr BELADGHAM Mohammed
Cours de traitement d’images
Si on considère un signal continu f(x), alors sa transformée de Fourier F(u) est donnée par :
+∞
F (u ) = ∫ f ( x) e −2 jπ ux dx III.15
−∞
+∞
f ( x) = ∫ F (u ) e 2 jπ ux du III.16
−∞
d- Versions discrètes
M −1 ux
1 − 2 jπ
F (u ) = ∑ f ( x) e M
, u ∈{ 0 ... M − 1 } III.17
M x =0
M −1 ux
1 2 jπ
f ( x) = ∑ F (u) e M
, x∈{ 0 ... M − 1 } III.18
M u =0
e- Transformée de Fourier 2D
+∞ +∞
F (u, v) = ∫ ∫ f ( x, y ) e −2 jπ (ux + vy ) dxdy III.19
−∞ −∞
+∞ +∞
f ( x, y ) = ∫ ∫ F (u, v) e 2 jπ (ux + vy ) dudv III.20
−∞ −∞
g- Versions discrètes
M −1 N −1 ux vy
1 − 2 jπ ( + )
F (u, v) =
MN
∑ ∑ f ( x, y ) e
x = 0 y =0
M N
III.21
Où
u ∈{ 0 ... M − 1 } , v ∈{ 0 ... N − 1 }
18
Université de Béchar Dr BELADGHAM Mohammed
Cours de traitement d’images
M −1 N −1 ux vy
1 2 jπ ( + )
f ( x, y ) =
MN
∑ ∑ F (u, v) e
u =0 v =0
M N III.22
où
x ∈{ 0 ... M − 1 } , y ∈{ 0 ... N − 1 }
En général, on multiplie la fonction d’entrée par (−1)x+y pour centrer la fonction transformée.
Selon les propriétés des exposants :
M N
TF [(−1) x + y f ( x, y )] = F (u − ,v − ) III.23
2 2
19
Université de Béchar Dr BELADGHAM Mohammed
Cours de traitement d’images
F(u,v) H(u,v).F(u,v)
Image d’entrée Image améliorée
f(x,y) g(x,y)
Avec
k ( x, y ) = h(− x,− y ) ⇒ K (u, v) = H * (u , v)
Alors
Exemple :
La figure suivante nous donne les résultats obtenus en appliquant les différents types
de filtre sur une image en niveaux de gris.
20
Université de Béchar Dr BELADGHAM Mohammed
Cours de traitement d’images
21
Université de Béchar Dr BELADGHAM Mohammed
Cours de traitement d’images
Filtre de Nagao
Nous constatons d’après ces résultats que le filtre médian est mieux adapté au bruit
impulsionnel.
( )
M N
1
M×N ∑ ∑ I (i, j) − Iˆ(i, j)
MSE =
i =1 j =1
III.26
22
Université de Béchar Dr BELADGHAM Mohammed
Cours de traitement d’images
Avec I (i, j ) : représente l’image originale, Iˆ(i, j ) : représente l’image dégradée . M et N sont
le nombre de lignes et de colonnes.
Rapport signal sur bruit crête (PSNR)
La faible valeur du PSNR signifie que l'image est de mauvaise qualité. Le PSNR est défini
comme suit:
Généralement une image est codée sur 8 bits. Elle est représentée par 256 niveaux de gris qui
varient entre 0 et 255, l’étendu ou la dynamique de l’image est alors 255.
23
Université de Béchar Dr BELADGHAM Mohammed