Académique Documents
Professionnel Documents
Culture Documents
Année 2023/2024
Introduction
1/49
Définition du bruit
4/49
Bruit gaussien
5/49
Objectifs
6/49
Les techniques du domaine spatial
▶ Le filtrage est exprimé par une transformation T de
l’image f en une image g :
g(x , y ) = T [f (x , y )]
T dépend du voisinage du pixel p(x , y )
▶ Si le voisinage du pixel p(x , y ) qu’on notera souvent
V (p) ne contient que le pixel lui même alors T devient
une transformation de l’intensité s = T (r ) :
traitement point
▶ Si V (p) est plus grand, ces techniques utilisent les pixels
voisins appelés aussi masques pondérés par des
coefficients, les valeurs de ces coefficients déterminent la
classe du filtre.
▶ On distingue deux classes : les filtres linéaires et les
filtres non linéaires suivant l’opérateur appliqué est 7/49
linéaire ou non,
La convolution
▶ Contrairement aux manipulations d’histogramme (opérations
ponctuelles sur le pixel), le filtrage est un produit de
convolution qui fait intervenir le voisinage du pixel.
▶ Le principe du filtrage linéaire est de remplacer le niveau
d’un pixel par une combinaison linéaire des niveaux des
pixels voisins.
▶ Un filtre d’image est défini par une fenêtre carrée de
dimension impaire (souvent 3 ou 5) qui se déplace sur
l’image en remplaçant la valeur de chaque pixel de l’image
par le résultat d’une transformation portant sur le pixel et
ses voisins.
8/49
La convolution
▶ Propriétés :
Commutativité : f ∗ h = h ∗ f
Associativité : (f ∗ g) ∗ h = f ∗ (g ∗ h) = f ∗ g ∗ h
Distributivité : (f + g) ∗ h = (f ∗ h) + (g ∗ h)
9/49
Masque de convolution
▶ Caractéristiques
▶ Ses caractéristiques (coefficients, taille) déterminent
l’effet du filtre
▶ Souvent carré et de taille impaire (3 × 3, 5 × 5, etc)
pour être centré sans ambiguïté sur le pixel d’analyse
▶ Souvent à valeurs symétriques centrées :
h(−1, −1) = h(+1, +1), h(0, −1) = h(0, +1), ...
▶ Normalisation
Soit S la somme des coefficients du masque
▶ Si l’on veut conserver la luminance de l’image (moyenne
des niveaux de gris), on doit avoir S = 1.
▶ Si les coefficients sont tous positifs, on doit donc les
diviser par S
10/49
Filtrage d’une image
11/49
Convolution numérique R = I * K
I
1 1 1 0 0
R
0 1 1 1 0 K
𝟏 𝟎 𝟏
0 0 1 1 1
* 𝟎 𝟏 𝟎 =
𝟏 𝟎 𝟏
0 0 1 1 0
Noyau de
Résultat de
0 1 1 0 0 convolution
convolution
Image
48
Convolution numérique R = I * K
I
1×𝟏 1×𝟎 1×𝟏 0 0
R
0×𝟎 1×𝟏 1×𝟎 1 0 K
𝟏 𝟎 𝟏 4
0×𝟏 0×𝟎 1×𝟏 1 1
* 𝟎 𝟏 𝟎 =
𝟏 𝟎 𝟏
0 0 1 1 0
Noyau de
Résultat de
0 1 1 0 0 convolution
convolution
Image
49
Convolution numérique R = I * K
I
1 1× 𝟏 1× 𝟎 0 × 𝟏 0
R
0 1× 𝟎 1× 𝟏 1 × 𝟎 0 K
𝟏 𝟎 𝟏 4 3
0 0× 𝟏 1× 𝟎 1 × 𝟏 1
* 𝟎 𝟏 𝟎 =
𝟏 𝟎 𝟏
0 0 1 1 0
Noyau de
Résultat de
0 1 1 0 0 convolution
convolution
Image
50
Convolution numérique R = I * K
I
1 1 1 ×𝟏
0 ×𝟎
0 ×𝟏
R
0 1 1 1 0 K
×𝟎 ×𝟏 ×𝟎
𝟏 𝟎 𝟏 4 3 4
0 0 1 ×𝟏 1 ×𝟎 1 ×𝟏 * 𝟎 𝟏 𝟎 =
𝟏 𝟎 𝟏
0 0 1 1 0
Noyau de
Résultat de
0 1 1 0 0 convolution
convolution
Image
51
Convolution numérique R = I * K
I
1 1 1 0 0
R
0×𝟏 1×𝟎 1×𝟏 1 0 K
𝟏 𝟎 𝟏 4 3 4
0×𝟎 0×𝟏 1×𝟎 1 1
* 𝟎 𝟏 𝟎 = 2
𝟏 𝟎 𝟏
0×𝟏 0×𝟎 1×𝟏 1 0
Noyau de
Résultat de
0 1 1 0 0 convolution
convolution
Image
52
Convolution numérique R = I * K
I
1 1 1 0 0
R
0 1 ×𝟏 1 ×𝟎 1 ×𝟏 0 K
𝟏 𝟎 𝟏 4 3 4
0 0 ×𝟎 1 ×𝟏 1 ×𝟎 1
* 𝟎 𝟏 𝟎 = 2 4
𝟏 𝟎 𝟏
0 0 ×𝟏 1 ×𝟎 1 ×𝟏 0
Noyau de
Résultat de
0 1 1 0 0 convolution
convolution
Image
53
Convolution numérique R = I * K
I
1 1 1 0 0
R
0 1 1 1 0 K
×𝟏 ×𝟎 ×𝟏
𝟏 𝟎 𝟏 4 3 4
0 0 1 ×𝟎 1 ×𝟏 1 ×𝟎 * 𝟎 𝟏 𝟎 = 2 4 3
𝟏 𝟎 𝟏
0 0 1 ×𝟏 1 ×𝟎 0 ×𝟏
Noyau de
Résultat de
0 1 1 0 0 convolution
convolution
Image
54
Convolution numérique R = I * K
I
1 1 1 0 0
R
0 1 1 1 0 K
𝟏 𝟎 𝟏 4 3 4
0×𝟏 0×𝟎 1×𝟏 1 1
* 𝟎 𝟏 𝟎 = 2 4 3
𝟏 𝟎 𝟏
0×𝟎 0×𝟏 1×𝟎 1 0 2
Noyau de
Résultat de
0×𝟏 1×𝟎 1×𝟏 0 0 convolution
convolution
Image
55
Convolution numérique R = I * K
I
1 1 1 0 0
R
0 1 1 1 0 K
𝟏 𝟎 𝟏 4 3 4
0 0 ×𝟏 1 ×𝟎 1 ×𝟏 1
* 𝟎 𝟏 𝟎 = 2 4 3
𝟏 𝟎 𝟏
0 0 ×𝟎 1 ×𝟏 1 ×𝟎 0 2 3
Noyau de
Résultat de
0 1 ×𝟏 1 ×𝟎 0 ×𝟏 0 convolution
convolution
Image
56
Convolution numérique R = I * K
I
1 1 1 0 0
R
0 1 1 1 0 K
𝟏 𝟎 𝟏 4 3 4
0 0 1 ×𝟏 1 ×𝟎 1 ×𝟏 * 𝟎 𝟏 𝟎 = 2 4 3
𝟏 𝟎 𝟏
0 0 1 ×𝟎 1 ×𝟏 0 ×𝟎
2 3 4
Noyau de
Résultat de
0 1 1 0 0 convolution
×𝟏 ×𝟎 ×𝟏 convolution
Image
57
Effer de bord
12/49
Effer de bord
Réduction de bruit
15/49
Lissage par moyennage
Lissage par moyennage
Lissage par moyennage
Lissage par moyennage
16/49
Lissage par moyennage
17/49
Lissage par moyennage
Supposons que nous ayons une petite partie d'une image en niveaux de
gris avec un pixel central et ses pixels voisins comme suit
19/49
Lissage gaussien
▶ Du continu au discret
Le noyau gaussien est défini par un ensemble de
coefficients qui sont des échantillons de la gaussienne 2D
20/49
Lissage gaussien
Lissage gaussien
22/49
Le filtre médian
23/49
Le filtre médian
24/49
Le filtre médian
25/49
Filtrage par le maximum
26/49
Filtrage de Nagao
27/49
Filtrage de Nagao
28/49
Notion de fréquence spatiale
29/49
Notion de fréquence spatiale
▶ Filtres passe-bas
▶ Éliminer les fréquences hautes
▶ Supprimer les détails
▶ Filtres passe-haut
▶ Éliminer les fréquences basses
▶ Conserver la silhouette des objets
▶ Filtres passe-bande
▶ Ne garder que les fréquences comprises dans un certain
intervalle
▶ Filtres coupe-bande
▶ L’effet inverse des filtres passe-bande
31/49
Transformée de Fourier
▶ Définition
La transformée de Fourier permet la décomposition d’un
signal f en combinaison linéaire de sinusoïdes complexes,
dont les coefficients F [u, v ] dit coefficients de Fourier,
fournissent des informations sur les fréquences (u, v ) et
permettent des manipulations dans le domaine fréquentiel.
▶ Transformée de Fourier Directe
34/49
Composantes fréquentielles en 2D
35/49
Principe du filtrage fréquentiel
36/49
Exemple : Passe-bas
37/49
Exemple : Passe-haut
38/49
Exemple : Coupe-bande
39/49
Filtre passe-bas 2D
Définition
√
1 si u 2 + v 2 ≤ D0
H(u, v ) = √
0 si u 2 + v 2 > D0
41/49
Filtre passe-bas 2D idéal
Interprétations
▶ Les hautes fréquences sont supprimées
▶ Les basses fréquences, dont la fréquence fondamentale,
sont conservées
▶ L’image reconstruite présente du flou sur le contour
43/49
Filtre passe-bas 2D idéal
45/49
Filtre passe-haut 2D
Définition
46/49
Filtre passe-haut 2D idéal
Définition
√
1 si u 2 + v 2 ≥ D0
H(u, v ) = √
0 si u 2 + v 2 < D0
47/49
Filtre passe-haut 2D idéal
Interprétations
▶ Les hautes fréquences sont conservées
▶ Les basses fréquences, dont la fréquence fondamentale,
sont éliminées
▶ L’image reconstruite n’a plus ses couleurs, mais le
contour est net
48/49
Filtre passe-haut 2D idéal : exemple
49/49