Chp4 Traitement

TRAITEMENT
Chapitre 4 du cours « Traitement de l’Image »
2ème année.
25/01/2021 Chap 4 Traitement 2
Le contenu
• Traitement ponctuel
• Traitement sur voisinage
Taxonomie
Notations opérateur (de traitement)
T
f (m, n) ® I (m, n) Ie I s = T (I e )
dénomination usuelle image image
d’une image discrète « d’entrée » « de sortie »
Voisinage d’un opérateur
opérateur point à point (changement de dynamique,

combinaisons arithmétiques ou logiques, …)
Ie Is
opérateur local (filtrage, opérateurs

morphologiques, détection de contours,
Ie Is transformations géométriques, …)
opérateur global (transformée de

Ie Is Fourier, en ondelettes, …)
Exemple
TRAITEMENT
PONCTUEL
Problème d’exposition
Transformation d’intensité
T
{I e (m, n)} {I s (m, n)}
{I s (m, n)}
2 K −1
0
2 K −1 {I e (m, n)}
Loi Gamma
Le meilleur rendu de l'image ne correspond pas une
représentation linéaire de la luminosité.
γ
I s (m, n) = {I e (m, n)}
1
0.9
G=1.5 G=0.5 0.8
0.7
0.6
0.5
0.4 0.2
0.4
0.3 0.7
1.0
0.2 1.5
2.0
0.1
3.0
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Histogramme (1/5)
(nombre de pixels)
H
Distribution des intensités
a
0 255
Intensité scalaire
H (a ) = Card ({ x Î I ; I (x ) = a}) a = 0,...,255

9 7 6 4 0
2 4 7 9 3
Mode opératoire 6 0 9 9 8
4 8 7 4 0
8 4 1 8 1
0 9
Histogramme (2/5)
} Classes (intervalles) d’intensité (index) a Î [a1,..., aN +1 ] Définition
formelle
a1 a2 ... ... ... ... aN a N +1

classe 1 classe N
} Effectifs (distribution des intensités sur N intervalles ou classes)
ìCard ({ x Î I ; I (x ) < ai +1}) i =1

ï
H (i ) = íCard ({ x Î I ; a i £ I (x ) < ai +1}) 1 < i < N
~ densité de probabilité
(variables aléatoires
ïCard ({ x Î I ; a £ I (x )}) i=N continues)
î i
Histogramme (4/5)
Impact du nombre de classes amplitude de plus en représentativité de plus
plus forte en plus faible
900 8000 15000
800 7000
700
6000
600 10000
5000
500
4000
400
3000
300 5000
2000
200
100 1000
0 0 0
0 50 100 150 200 250 0 50 100 150 200 250 0 20 40 60 80 100 120 140 160 180 200 220 240
Histogramme de « 1 en 1 » Histogramme de « 10 en 10 » Histogramme de « 20 en 20 »
Caractérisation
statistique
même histogramme
Histogramme (5/5)
Images en « vraies » couleurs
3000 3000
3000
2500 2500
2500
2000 2000
2000
1500 1500 1500
1000 1000 1000
500 500 500
0
0 0 0 50 100 150 200 250
0 50 100 150 200 250 0 50 100 150 200 250
Histogramme de la Histogramme de la Histogramme de la

composante rouge composante verte composante bleue
Exemple
300
250
200
150
100
50
0 50 100 150 200 250
{I s (m, n)} = {I e (m, n)}+ 50

300
250
200
150
100
50
0 50 100 150 200 250

Transformation linéaire
§ Mise à l’échelle
T (I e ) =
(max - min) [I - I ] + min ìmax = 255
í
(I e max - I e min ) e e min îmin = 0
§ Négatif
T (I e ) = I e max + I e min - I e
Exercice
10 10 10 10 10 30 30 30 30 30
10 10 10 10 10 30 30 30 30 30
10 10 10 10 10 30 30 30 30 30
10 10 10 10 10 30 30 30 30 30
10 10 10 10 10 30 30 30 30 30
50 50 50 50 50 70 70 70 70 70
50 50 50 50 50 70 70 70 70 70
50 50 50 50 50 70 70 70 70 70
50 50 50 50 50 70 70 70 70 70
50 50 50 50 50 70 70 70 70 70
Transformation
linéaire
Seuillage
ì1 si I e ³ s
Is = í
î0 sinon
2000
sb sh s
1800
1600
1400
1200
Seuillage à simple seuil
1000
800
600
400
200
0
0 50 100 150 200 250
90 145 180
ì1 si sb £ I e £ sh
Is = í
î0 sinon Seuillage à double seuil
TRAITEMENT
VOISINAGE
Filtrage linéaire
Exemples
Filtrage linéaire (1/2)

Système linéaire Ie Is
f T []
. g cas scalaire : 1 entrée/1 sortie
+¥
g (t ) = ( f * h)(t ) = ò f (t - t ) h(t ) dt
L’entrée et la sortie d’un système (filtre) linéaire
T sont reliées par un produit de convolution -¥
Un filtre linéaire est entièrement caractérisé h(t ) = T [d (t )]

par sa réponse impulsionnelle
impulsion
Filtre linéaire RIF
défini sur 2K+1 échantillons
Application d’un filtre linéaire K
discret à réponse g ( n) = å f (n - k )h(k ) I s = Ie * H
impulsionnelle finie k =- K
Filtrage linéaire (2/2)

f (n) h(k ) K
2 * g ( n) = å f (n - k )h(k )
k =- K
n k K
0 1 2 4 -1 0 1 = å f (n + k )h(- k )
k =- K
2 3 -1 2
miroir
1 2 2 g (n)
1 2 2
1 2 2
miroir+ 1 2 2
filtre glissant 1 2 2 4
1 2 2 2
n
0 1 2 3 4 5
4 10 6 5 3 2
Intégration temporelle
5 10
20 50 100
Convolution discrète 2D
f -1, -1 f 0 , -1 f1, -1
h-1, -1 h0 , -1 h1, -1
m f -1, 0 f 0,0 f1, 0
f -1,1 f 0 ,1 f1,1 * h-1, 0 h0,0 h1, 0 filtre 3´3

h-1,1 h0 ,1 h1,1
n Voisinage 3´3
centré sur le point symétrie
(m,n) centrale
h1,1 h0 ,1 h-1,1
h1, 0 h0,0 h-1, 0

K L h1, -1 h0 , -1 h-1, -1
g (m, n) = å å f (m - k , n - l )h(k , l )
k =- K l =- L
K L
= å å f (m + k , n + l )h(- k ,-l )
k =- K l =- L
Exemple ⎡ 1. 1 ⎤
h =⎢ ⎥
⎣ 1 1 ⎦
10 10
10 10
Séparabilité
K L
g (m, n) = å å f (m - k , n - l )h(k , l )
k =- K l =- L
Convolution 2d
h(k , l ) = hx (k )hy (l )
Si la réponse impulsionnelle 1D 1D
est séparable H 2D = H x * H y
K L
Convolution 2d séparable g (m, n) = å h (k ) å f (m - k , n - l )h (l )
k =- K
x
l =- L
y
Is = Ie * H 2D
1D
(
= Ie * H x * H y
1D
) Convolution verticale sur
toutes les colonnes
= (I e *Hx
1D
)* H 1D
Convolution horizontale sur toutes
(I )* H
y
1D 1D les lignes
= e *Hy x
linéarité
" complexité calculatoire plus faible
Filtre moyenneur (1/3)

} Filtre rectangle (uniforme) é1ù
1
= êê1úú
T
1 R1,3 = R3,1
normalisation
2K + 1 R3 = R3,1 = [1 1 1] 3
êë1úû
3
ì 1
R
ï 2 K +1 = [1 ... ... ... 1]
í (2 K + 1) 1
é1 1 1ù
ï R2 K +1, 2 L +1 = R2 K +1 * R2 L +1T R9,9 R3,3 = êê1 1 1úú
î 0.015
9
0.01 êë1 1 1úû
0.005
0
plus petit filtre
10
5
0 5
10 rectangle 2d
0
-5
} Filtre triangle
-5
-10 -10
é1 2 1ù
ì 1 1
T3,3 = êê2 4 2úú
ïT2 K +1 = [1 2 ... K + 1 ... 2 1]
(K + 1)
0.05
2
T9 ,9 16
í
0.04
0.03
êë1 2 1úû
ïT2 K +1, 2 L +1 = T2 K +1 * T2 L +1T
0.02
î
0.01
0
10
plus petit filtre
triangle 2d
5 10
0 5
0
-5 -5
-10 -10
Exemples

} Filtre gaussien
G1.0,1.0
2
k
-
e 2s 2 réponse
h( k ) = impulsionnelle
2p s Infinie (RII)
0.025
0.02
æ k2 l2 ö
ç ÷
-ç 2
+ 2
è 2s k 2s l
÷
ø
0.015
G1.5,5.0
e 0.01
h( k , l ) = version 2d
2ps
0.005
2
0
10
5 10
0.02 5
0
0
-5 -5
G3.0,3.0
0.015 -10 -10
0.01
Gs k ,s l
0.005
0
troncature trop forte
10
filtre RIF 5
0 5
10
(troncature) -5 -5
0
-10 -10
Rappel
• Transformée de Fourier de la fonction gaussienne
π 2u 2
π −
b2
F (u) = TF ⎡⎣h(x)⎤⎦ =
2 2
h(x) = e −b x
e
b

flou
horizontal
R11,1
G3.0,3.0 G1.5,1.5
R1,11
étalement
Flou isotrope Atténuation du bruit par

flou vertical moyennage spatial
Exemple de filtrage
Photo Response Non-Uniformity (PRNU)

Contrefaçon
Filtrage couleur
TRAITEMENT
VOISINAGE
Filtrage non-linéaire
Filtrage d’ordre
Principe
Trier les intensités d’un voisinage et affecter

l’intensité d’un rang donné
dernier rang
premier rang
ì5ü
rang du ï4ï max
milieu Filtre Max ï ï
ï3ï
Filtre Min ï ï
Filtre Médian ì1 2 1ü ï2ï
ï ï ï ï médian
í 4 - 3 - 1ý í1ý
ï3 0 5 ï ï1ï
î þ ï ï
ï0ï
ï ï
ï - 1ï
min
ïî- 3ïþ
Exemple MÉDIAN (voisinage 3x3)
20 10 10
20 80 10
20 10 10
20 10 10
Exemples 1-D
lissage élimination des
extrêmes
Filtre linéaire Filtre Médian

Moyenneur
renforcement
des maxima
Filtre Min Filtre Max
renforcement
des minima Filtres de largeur 3
Exemple : comparaison passe-

bas/médian
Min-Max
étalement des étalement des

« noirs » « blancs »
Bruit « poivre et sel »
contours
préservés
Filtrage Min Filtrage Max Filtrage Médian

Filtre gaussien stationnaire

Filtrage adaptatif
⎛ 2 2 2⎞
∑ I e (k, l)w ( k, l, i, j ) ⎜−
⎜
( ) ( )
⎜ i−k + j−l
2σ s2
−
( ) ( )
I k ,l −I i, j
2σ g2
⎟
⎟
⎟
k,l∈Ω(i, j )
I s (i, j) = ( )
w k,l,i, j = e ⎝ ⎠
∑ w ( k, l, i, j )
k,l∈Ω(i, j )
Ω (i, j )
Filtre bilatéral
Sylvain Paris, Pierre Kornprobst, Jack Tumblin, Frédo Durand, Bilateral Filtering:
Theory and Applications
Retouche d’images
25/01/2021 Chap 4 Traitement 1. 44
Plan du cours
• Chap 1 : Introduction
• Chap 2 : Formation de l’image optique
• Chap 3 : Transformée de Fourier 2D
• Chap 4 : Traitements
• Chap 5 : Contour et restauration de l’image


Chp4 Traitement

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chp4 Traitement

Transféré par

Droits d'auteur :

Formats disponibles

TRAITEMENT

Chapitre 4 du cours « Traitement de l’Image »

Voisinage d’un opérateur

opérateur point à point (changement de dynamique,

opérateur local (filtrage, opérateurs

opérateur global (transformée de

G=1.5 G=0.5 0.8

H (a ) = Card ({ x Î I ; I (x ) = a}) a = 0,...,255

a1 a2 ... ... ... ... aN a N +1

} Effectifs (distribution des intensités sur N intervalles ou classes)

ìCard ({ x Î I ; I (x ) < ai +1}) i =1

Histogramme de « 1 en 1 » Histogramme de « 10 en 10 » Histogramme de « 20 en 20 »

1500 1500 1500

1000 1000 1000

500 500 500

Histogramme de la Histogramme de la Histogramme de la

0 50 100 150 200 250

{I s (m, n)} = {I e (m, n)}+ 50

0 50 100 150 200 250

Filtrage linéaire (1/2)

Un filtre linéaire est entièrement caractérisé h(t ) = T [d (t )]

Filtrage linéaire (2/2)

f -1,1 f 0 ,1 f1,1 * h-1, 0 h0,0 h1, 0 filtre 3´3

h1, 0 h0,0 h-1, 0

Filtre moyenneur (1/3)

Filtre moyenneur (2/3)

Filtre moyenneur (3/3)

Flou isotrope Atténuation du bruit par

Photo Response Non-Uniformity (PRNU)

Trier les intensités d’un voisinage et affecter

Exemple MÉDIAN (voisinage 3x3)

Filtre linéaire Filtre Médian

Filtre Min Filtre Max

Exemple : comparaison passe-

étalement des étalement des

Filtrage Min Filtrage Max Filtrage Médian

Filtre gaussien stationnaire

• Chap 2 : Formation de l’image optique

• Chap 3 : Transformée de Fourier 2D

• Chap 5 : Contour et restauration de l’image

Vous aimerez peut-être aussi