Académique Documents
Professionnel Documents
Culture Documents
AU 2022
PLAN DU COURS
Partie 1 : Bases du traitement d’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.
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
12
DÉTECTION DES POINTS DE CONTOURS
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
Version discrète
= 0 si aucun changement de tons
≠ 0 si changement de tons
Compare deux pixels
16
II. Détection des contours:
Opérateur gradient
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:
34
FILTRES DIFFÉRENTIELS
35
DÉRIVÉES DE L’IMAGE
36
EXEMPLE AVEC UN CONTOUR ‘RAMPE’
37
LE LAPLACIEN
f f
2 2
f
2
2
x y 2
38
LE LAPLACIEN : VERSION DISCRÈTE
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 :
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.
54
EXEMPLE DE DÉTECTION DE CONTOURS PAR
SEUILLAGE DU GRADIENT
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:
60
II. DÉTECTION DES POINTS DE CONTOURS
II.2 SEUILLAGE DU GRADIENT
(MÉTHODE 3 : ALGORITHME DE CANNY)
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).
65
SEUILLAGE DU GRADIENT PAR HYSTÉRÉSIS (MÉTHODE 3)
En résumé :
66
67
68