10/12/2018

Filtres
 Transformations ponctuelles: On a vu jusque
maintenant des transformations qui opèrent sur
chaque pixel indépendamment de l’intensité de ses
voisins.

 Transformations locales: De nombreuses

transformations sur les image reviennent à calculer
l’intensité d’une pixel de la nouvelle image comme
une combinaison linéaire des pixels voisins dans
l’image originale.

Filtres
𝒇 𝒈

T
Ponctuelle : 𝑔 𝑥, 𝑦 = 𝑇 𝑓 𝑥, 𝑦
(𝑥, 𝑦) (𝑥, 𝑦)

Locale : 𝑔 𝑥, 𝑦 = 𝑇 𝑓 𝑉(𝑥, 𝑦)
𝑉 𝑥, 𝑦 : voisinage de 𝑥, 𝑦

Globale: 𝑔 𝑥, 𝑦 = 𝑇 𝑓 𝑥, 𝑦 ,
∀ (𝑥, 𝑦)

1
 10/12/2018

Convolution

 En formalisant les coefficients de la combinaison

linéaire comme les intensités d’une image w, cela se
formalise comme une convolution discrète avec le
symbole *:

∞ ∞
g 𝑥, 𝑦 = 𝐼 ∗ 𝑊 𝑥, 𝑦 = 𝑖=−∞ 𝑗=−∞ 𝑊 𝑖, 𝑗 𝐼 𝑥 − 𝑖, 𝑦 − 𝑗

 𝑊 𝑥, 𝑦 est appelé masque de convolution, noyau de

convolution, filtre, fenêtre, kernel, …

Convolution numérique discrète

 En pratique, la convolution numérique d'une image se fera par
une sommation de multiplications
 Un filtre de convolution est une matrice (image) généralement
de taille impaire et symétrique: 3x3, 5x5, 7x7, …

2
 10/12/2018

Convolution numérique discrète

Image 𝐼

Filtre (noyau de convolution)

𝑊

Convolution numérique discrète

𝑔

 𝑔 1,1 =
𝐼 0,0 𝐾 0,0 + 𝐼 0,1 𝐾 0,1 + 𝐼 0,2 𝐾 0,2 +
𝐼 1,0 𝐾 1,0 + 𝐼 1,1 𝐾 1,1 + 𝐼 1,2 𝐾 1,2 +
𝐼 2,0 𝐾 2,0 + 𝐼 2,1 𝐾 2,1 + 𝐼 2,2 𝐾 2,2

3
 10/12/2018

Convolution numérique discrète

𝑔

 𝑔 1,2 =
𝐼 0,1 𝐾 0,0 + 𝐼 0,2 𝐾 0,1 + 𝐼 0,3 𝐾 0,2 +
𝐼 1,1 𝐾 1,0 + 𝐼 1,2 𝐾 1,1 + 𝐼 1,3 𝐾 1,2 +
𝐼 2,1 𝐾 2,0 + 𝐼 2,2 𝐾 2,1 + 𝐼 2,3 𝐾 2,2

Convolution numérique discrète

𝑔

 𝒈 𝒙, 𝒚 =
𝑰 𝒙 − 𝟏, 𝒚 − 𝟏 𝑲 𝟎, 𝟎 + 𝑰 𝒙 − 𝟏, 𝒚 𝑲 𝟎, 𝟏 + 𝑰 𝒙 − 𝟏, 𝒚 + 𝟏 𝑲 𝟎, 𝟐 +
𝑰 𝒙, 𝒚 − 𝟏 𝑲 𝟏, 𝟎 + 𝑰 𝒙, 𝒚 𝑲 𝟏, 𝟏 + 𝑰 𝒙, 𝒚 + 𝟏 𝑲 𝟏, 𝟐 +
𝑰 𝒙 + 𝟏, 𝒚 − 𝟏 𝑲 𝟐, 𝟎 + 𝑰 𝒙 + 𝟏, 𝒚 𝑲 𝒙 + 𝟏, 𝒚 + 𝟏 + 𝑰 𝟐, 𝟑 𝑲 𝟐, 𝟐

4
 10/12/2018

Convolution numérique discrète

Problème : Que faire avec les ? ? ? ? ?

bords de l'image ? ?
? ?
?
 Mettre à zéro (0) ?
 Convolution partielle
 Sur une portion du noyau
? ?
 Miroir de l'image
 𝑓(−𝑥, 𝑦) = 𝑓(𝑥, 𝑦)
 … (pas de solution miracle)

Convolution numérique discrète

 Problème : Que faire avec les bords de l'image ?

5
 10/12/2018

Masque de convolution

 Le masque de convolution représente un filtre

linéaire permettant de modifier l'image

 On divisera le résultat de la convolution par la

somme des coefficients du masque
 Pour éviter de modifier la luminance globale de l'image,
la somme des coefficients doit être égale à 1

Filtrage et convolution

 Un filtre est défini comme une transformation linéaire

de l’image invariante par translation.

 Théorème : tout filtre peut s’écrire comme une

convolution.

6
 10/12/2018

Le filtre moyenneur
(Moyenne glissante)
Le filtre moyenneur
 Permet de lisser l'image (smoothing)

 Remplace chaque pixel par la valeur moyenne de ses voisins

 Réduit le bruit
 Réduit les détails non-important
 Brouille ou rend floue l'image (blur edges)
 Filtre dont tous les coefficients sont égaux

1/9 1/9 1/9 1 1 1

1/9 1/9 1/9 ou 1/9 1 1 1
1/9 1/9 1/9 1 1 1

Moyenne glissante

On remplace l’intensité de chaque pixel par la

moyenne des intensités dans un voisinage de taille
(2𝑁 + 1) × (2𝑁 + 1):

𝑁=0 𝑁=5 𝑁 = 20

7
 10/12/2018

Moyenne glissante: Séparabilité

 On peut réécrire ce calcul en deux étapes: lissage vertical puis
lissage horizontal (ou l’inverse)
𝟏 𝑵 𝟏 𝑵
𝑰𝒉 𝒙, 𝒚 = (𝟐𝑵+𝟏) 𝒊=−𝑵 𝑰(𝒙 − 𝒊, 𝒚), et 𝑰𝒗 𝒙, 𝒚 = (𝟐𝑵+𝟏) 𝒊=−𝑵 𝑰𝒉 (𝒙, 𝒚 − 𝒋)

On passe de 𝑛 × 𝑚 × 2𝑁 + 1 2 opérations à 2 × 𝑛 × 𝑚 × 2𝑁 + 1

𝑰 𝑰𝒉 𝑰𝒗

Le filtre moyenneur (Passe bas)

 Filtre de taille: 3,5,9,15,35

8
 10/12/2018

Le filtre Gaussien
Fonction gaussienne 3D Image d'une gaussienne

Le filtre gaussien donnera un meilleur 1 2 3 2 1

lissage et une meilleure réduction du 2 6 8 6 2

3 8 10 8 3
bruit que le filtre moyenne 1/98 ×
2 6 8 6 2
1 2 3 2 1

Filtre Gaussien
On remplace l’intensité de chaque pixel par la moyenne des intensités dans un
voisinage de taille (𝟐𝑵 + 𝟏) × (𝟐𝑵 + 𝟏) en pondérant par un poids décroissant avec la
distance suivant une loi Gaussienne de déviation standard 𝝈:
𝑁 𝑁
1
𝐼′ 𝑥, 𝑦 = 𝑊 𝑖, 𝑗 𝐼(𝑥 − 𝑖, 𝑦 − 𝑗)
𝑧
𝑖=−𝑁 𝑗=−𝑁
𝑖 2 +𝑗 2 𝑁 𝑁
avec 𝑊 𝑖, 𝑗 = exp − 2𝜎2
, et 𝑍 = 𝑖=−𝑁 𝑗=−𝑁 𝑊 𝑖, 𝑗

𝜎=5 𝜎=5 𝜎=20

9
 10/12/2018

Convolution

Propriétés de la convolution:
 Transformation linéaire:
𝑾 ∗ 𝑰𝟏 + 𝑰𝟐 = 𝑾 ∗ 𝑰𝟏 + 𝑾 ∗ 𝑰𝟐
𝑾 ∗ (𝜶𝑰) = 𝜶(𝑾 ∗ 𝑰)

 Invariante par translation. Si on définit la translation par 𝒕 ∈ 𝒁𝟐comme:𝑰′ =

𝑻 𝒕, 𝑰 ↔ 𝑰′ 𝒙, 𝒚 = 𝑰(𝒙 − 𝒕𝒙 , 𝒚 − 𝒕𝒚 ),
alors 𝒘 ∗ 𝑻 𝒕, 𝑰 = 𝑻(𝒕, 𝑾 ∗ 𝑰)
 Commutative 𝒇 ∗ 𝒈 = 𝒈 ∗ 𝒇
 Associative 𝒇 ∗ 𝒈 ∗ 𝒉 = 𝒇 ∗ 𝒈 ∗ 𝒉
 l’image 𝜹 𝒙, 𝒚 = 𝟏 𝒔𝒊 𝒙 = 𝒚 = 𝟎, 𝟎 𝒔𝒊𝒏𝒐𝒏,est l’identité pour la convolution,
i,e,: 𝒇 ∗ 𝜹 = 𝒇

Filtre de dérivée

 Dérivée partielle d’une fonction 2D suivant la

direction x:
𝜕𝐼 𝐼 𝑥+ℎ,𝑦 −𝐼(𝑥,𝑦)
 𝐼𝑥 = 𝜕𝑥 𝑥, 𝑦 = lim ℎ
ℎ→0
 approximation pour image échantillonnée:
𝜕𝐼
 𝑥, 𝑦 ≈ 𝐼 𝑥 + 1, 𝑦 − 𝐼 𝑥, 𝑦
𝜕𝑥
𝜕𝐼 1
 𝑥, 𝑦 ≈ 𝑖=−1 𝑊 𝑖 𝐼 𝑥 − 𝑖, 𝑦 = 𝐼 ∗ 𝑊 𝑥, 𝑦
𝜕𝑥
avec 𝑊 = [0, −1,1]

10
 10/12/2018

Filtre de dérivée centré

Formulation centrée:

 Dérivée partielle d’une fonction 2D suivant la direction 𝑥:

𝜕𝐼 𝐼 𝑥+ℎ,𝑦 −𝐼(𝑥−ℎ,𝑦)
 𝑥, 𝑦 = lim
𝜕𝑥 ℎ→0 2ℎ
 approximation pour image échantillonnée:
𝜕𝐼 1
 𝑥, 𝑦 ≈ 𝐼 𝑥 + 1, 𝑦 − 𝐼 𝑥 − 1, 𝑦
𝜕𝑥 2
𝜕𝐼 1

𝜕𝑥
𝑥, 𝑦 ≈ 𝑖=−1 𝑊 𝑖 𝐼(𝑥 − 𝑖, 𝑦),
1 1
avec 𝑊 −1 = −2,𝑊 0 = 0, 𝑊 1 = 2 , i.e. 𝑊 = −1,0,1 /2

Filtre de dérivée centré

 |𝐼𝑥 | grand  forte variation pour un déplacement horizontal
 |𝐼𝑦 | grand  forte variation pour un déplacement vertical
𝐼 𝐼𝑥 𝐼𝑦

11
 10/12/2018

Filtres non-linéaires - Filtre Médian

 Pour nettoyer le bruit dans une image, il existe mieux que

le filtre moyenneur ou le filtre gaussien.

 Il s'agit du filtre médian

 C'est un filtre non-linéaire, qui ne peut pas s'implémenter

comme un produit de convolution

 On remplace la valeur d'un pixel par la valeur médiane

dans son voisinage NxN

Filtres non-linéaires - Filtre Médian

 Exemple :
30 10 20
10 250 20
25 10 30

 Moyenne = 45
 10, 10, 10, 20, 20, 25, 30, 30, 250
 Médiane = 20
 Les extrémités représentes le bruit

12
 10/12/2018

Filtres non-linéaires - Filtre Médian

Original Moyenne 3x3 Médiane3x3

Filtrage comparaison
Image originale Bruit Poivre et Sel Moyenne V8

Min V8 Max V8 Médian V8

13