IMAGES ET RECONNAISSANCE DE

FORMES & IMAGES

OPÉRATION LOCALES

Asma Ben Abdallah

M. C. en Informatique

AU 2022
 PLAN DU COURS
Partie 1 : Bases du traitement d’image

Partie 2 : Amélioration d’image (1)

Opérations ponctuelles sur l’image

Transformations géométriques et radiométriques
Opérateurs logiques et arithmétiques
Histogramme et traitement à base d’histogramme

Opérations locales sur l’image

Convolution numérique discrète
Filtres passe bas usuels et lissage
Contour et types de contours
Filtres Passe haut et détections de contours

Opérations globales sur l’image

Partie 3 : Segmentation
2
TRANSFORMATIONS LOCALES
D’IMAGES

CONVOLUTION
FILTRAGE SPATIALE

3
Transformations Locales d’images
Filtrage Spatial:

Détection de bruit
Détection de contours

4
 Détection de contours
1. La détection de contours est une technique de
réduction d'information dans les images, qui consiste
à transformer l'image en un ensemble de courbes, pas
forcément fermées, formant les frontières
significatives de l'image.

2. Les applications en traitement d’images sont diverses,

citons : Reconnaissance d’objets, de formes,5
reconstruction 3D, Compression d’images, …
Détection de contours : Exemples
d’applications

Détection de visages

Reconnaissance de
caractères : traitement
automatique de
chèques, de courrier, …
6
 Détection de contours : Exemples
d’applications

Reconstruction 3D
des images
médicales à partir
d’images 2D 7

Mise en correspondance
 Plan
1. Modélisation du contour
1.1 Modèle de contours
1.2 Formulation du problème de détection
2. Filtrage
2.1 Filtrage du premier ordre
2.2 Filtrage du second ordre
3. Post-traitements
8
I. MODÈLES DE CONTOURS : QU’EST CE QU’UN
CONTOUR

9
I. Modèles de contours : Qu’est ce qu’un contour
Un profil d’intensité d’une ligne dans une image est représenté par des
signaux 1D.

10
I. Modèles de contours : Qu’est ce qu’un contour

Remarque : toute zone

de discontinuité ne
caractérise pas forcément
un contour.
11
MODÈLES DE CONTOURS

12
DÉTECTION DES POINTS DE CONTOURS

Il existe plusieurs méthodes pour détecter les points de

contours par exemple par dérivées premières et par
dérivées secondes.

Méthodes analytiques:
1) Approches par dérivées premières
2) Approches par dérivées secondes

13
FILTRES DIFFÉRENTIELS
FORMULATION DU PROBLÈME DE DÉTECTION

14
FORMULATION DU PROBLÈME DE DÉTECTION

53
FILTRES DIFFÉRENTIELS
DÉRIVÉE PREMIÈRE

 La première dérivée (gradient) de l’image est

l’opérateur de base pour mesurer les contours
dans l’image.

 Version discrète
= 0 si aucun changement de tons
≠ 0 si changement de tons
 Compare deux pixels

16
 II. Détection des contours:
Opérateur gradient

 Le gradient de  au point (x,y) est un vecteur à deux

dimensions

 Le filtrage est effectué selon les lignes de l’image

ensuite selon les colonnes.

 Pour chaque opérateur (Filtre), deux masques sont

utilisés de façon à déterminer le gradient de l’images
dans deux directions orthogonales.
GRADIENT : NORME ET DIRECTION

18
GRADIENT : NORME ET DIRECTION

19
CALCUL SIMPLE DU GRADIENT

20
GRADIENT : NORME ET DIRECTION

21
GRADIENT (VERSION ÉLÉMENTAIRE 3X3)

22
FILTRE DE ROBERTS

23
Filtre de Roberts

24
Filtre de Roberts

25
FILTRE DE PREWITT

26
27
28
FILTRE DE SOBEL

29
EXEMPLE (SOBEL)

30
31
32
En résumé :
Opérateur de Gradient
 II. Détection des contours:

DEUXIÈME DÉRIVÉE DE L’IMAGE:

OPÉRATEUR LAPLACIEN

34
FILTRES DIFFÉRENTIELS

35
DÉRIVÉES DE L’IMAGE

36
EXEMPLE AVEC UN CONTOUR ‘RAMPE’

37
LE LAPLACIEN

 Le Laplacien est le plus simple opérateur dérivatif

isotropique : c'est un scalaire

 Le Laplacien est un opérateur linéaire à deux

dimensions

 f  f
2 2

 f
2
2 
x y 2

38
LE LAPLACIEN : VERSION DISCRÈTE

 Dérivé partielle seconde de f(x,y) dans la direction

de x
 2f
2  f ( x  1, y )  f ( x  1, y )  2 f ( x , y )
x
 Dérivé partielle seconde de f(x,y) dans la direction
de y
 2f
2  f ( x , y  1)  f ( x , y  1)  2 f ( x , y )
y

 2 f  [ f ( x  1, y )  f ( x  1, y )
 f ( x , y  1)  f ( x , y  1) ]  4 f ( x , y )
39
LE LAPLACIEN : FORMULATION D’UNE VERSION DISCRÈTE
LE LAPLACIEN : FORMULATION D’UNE VERSION DISCRÈTE
LE LAPLACIEN
 Intensifie les discontinuité de tons
 Résulte en des images avec des arêtes et des
discontinuités grises sur fond noir sans détails

42
COMPARAISON GRADIENT / LAPLACIEN
DÉRIVÉES

 Profil horizontal
 Rampe
 Point isolé
 Ligne mince
 Marche (escalier)
 Plusieurs sections
constantes (plats)

44
ILLUSTRATIONS : DÉRIVÉES

 Dérivé première
 arêtes grossières
 changements abruptes (escalier)
 Dérivé seconde
45
 détails fins tel lignes et points
 double aux changements abruptes
EXERCICES
Appliquer les 2 masques
Quel est le masque le plus efficace pour la détection des contours ?
EXERCICES
Appliquer les 2 masques
Quel est le masque le plus efficace pour détecter les contours ?
EXERCICES
Appliquer les 2 masques
Quel est le masque le plus efficace pour détecter les contours ?
II. DÉTECTION DES POINTS DE CONTOURS
Le contour se matérialise par une rupture d’intensité dans l’image selon
une direction donnée. Pour détecter les contours, la méthodologie
consiste en deux étapes principalement:

49
II. DÉTECTION DES POINTS DE CONTOURS

Etape 1 :

* Localiser et quantifier les contours par un calcul de gradient

ou de Laplacien par exemple, dans des directions privilégiées. Il
repose sur l’étude des dérivées de la fonction d’intensité dans
l’image:
 Les extrema locaux du gradient de la fonction d’intensité
 Les passages par zéro du Laplacien.
* La difficulté réside dans la présence du bruit dans l’image.

50
II. DÉTECTION DE CONTOURS
II.1 LAPLACIEN
On calcule le laplacien en chaque point à l’aide d’un masque de convolution
puis théoriquement on sélectionne les points où le laplacien est nul comme
étant des points contour.
Cependant dans la mesure où il peut y avoir du bruit on peut préférer détecter
les changements de signe du laplacien

La laplacien : 51
Sensible au bruit
Problème de seuillage
II. DÉTECTION DES POINTS DE CONTOURS
II.2 SEUILLAGE DU GRADIENT
(MÉTHODE 1)

52
II.2 SEUILLAGE DU GRADIENT
(MÉTHODE 1)
Une approche pour extraire les contours est de faire le
seuillage pour l’amplitude du gradient.

1. Calculer la norme du gradient en chaque point de l’image,

2. Calculer le contour en utilisant un seuil S pour décider si

un pixel fait partie ou non d’un contour.

Tous les pixels possédant une norme supérieure à un seuil S

sont déclarés appartenir à un contour.

Tout le problème réside alors dans le choix du seuil :

- Un seuillage trop bas nous amène à une sur- détection : on
détecte beaucoup de bruit et des contours épais apparaissent
- Un seuillage trop haut amène à une sous-détection :
contours non fermés
53
EXEMPLE DE DÉTECTION DE CONTOURS PAR
SEUILLAGE DU GRADIENT

54
EXEMPLE DE DÉTECTION DE CONTOURS PAR
SEUILLAGE DU GRADIENT

 Le principal inconvénient du seuil avec un simple gradient c’est la

sensibilité au bruit.
 Cette méthode ne fonctionne bien que pour les images sans bruit et
avec de fortes discontinuités.

55
EXEMPLE DE DÉTECTION DE CONTOURS PAR
SEUILLAGE DU GRADIENT
Pour réduire l’effet du bruit: pré-filtrage
1. Filtrer l’image d’entrée avec un filtre Gaussien.
2. Calculer la norme du gradient
3. Calculer 𝒄(𝒙, 𝒚) en utilisant un seuil 𝒔:

56
II.2 SEUILLAGE DU GRADIENT
(MÉTHODE 2)

57
II.2 SEUILLAGE DU GRADIENT
(MÉTHODE 2 : SEUILLAGE DE L’AMPLITUDE DU GRADIENT )

58
II.2 SEUILLAGE DU GRADIENT
(MÉTHODE 2 : SEUILLAGE DE L’AMPLITUDE DU GRADIENT )

59
II.2 SEUILLAGE DU GRADIENT
(MÉTHODE 2)
Seuillage global de l’histogramme:

1. Calculer la norme du gradient en chaque point de l’image:

2. Fixer le pourcentage de contours à garder ( exemple 80%)
3. Déterminer le seuil S à partir de l’histogramme cumulé du
module du gradient

60
II. DÉTECTION DES POINTS DE CONTOURS
II.2 SEUILLAGE DU GRADIENT
(MÉTHODE 3 : ALGORITHME DE CANNY)

C’est un des algorithmes de détection de contours parmi les plus utilisés.

Cet algorithme possède cinq étapes:
1. Lissage: éliminer le bruit de l’image à l’aide d’un filtre Gaussian.
2. Calcul des gradients: Détecter les contours en utilisant la méthode des
gradients.
3. Suppression des non-maximums: pour détecter les contours filiformes.
4. Double seuillage: pour détecter les contour forts.
5. Seuillage par hystérésis: Éliminer les pixels de contours isolés et les
segments trop petits.

61
II.2 SEUILLAGE DU GRADIENT
(MÉTHODE 3 : ALGORITHME DE CANNY)

62
 Après lissage (Etape 1) de l’image et calcul du gradient (Etape 3), nous
opérons à l’extraction des non-maximum (Etape 3).

Extraction des maxima locaux de la norme du gradient dans la direction

du gradient
Suppression des non-maximums : il s’agit de supprimer de la norme du gradient
toutes les valeurs «faibles», les valeurs qui ne sont pas les plus grandes en
suivant l’angle de leur gradien
Extraction des maxima locaux de la norme du gradient dans la direction
du gradient

- Trouver les voisins du pixel en suivant l’angle du gradient.

Exemple : si l’angle est de 90 degrés, les pixels voisins seront le pixel juste au-
dessus et juste en dessous du pixel courant. Ces pixels auront les coordonnées
(x-1,y) et (x+1,y)
- Vérifier la valeur des voisins : si la valeur de l’un des voisins est plus grande
que la valeur du pixel courant, supprimer le pixel courant (lui aecter la valeur 0),
sinon le garder à sa valeur d’origine
En pratique
On garde le pixel s’il
est supérieur à ces
deux pixels voisins
dans la direction
64
considérée
Seuillage par hystéresis

65
SEUILLAGE DU GRADIENT PAR HYSTÉRÉSIS (MÉTHODE 3)
En résumé :

66
67
68