Académique Documents
Professionnel Documents
Culture Documents
Traitement d’Images et
Reconnaissance des Formes
Cours Master de Recherche
Automatique Robotique et Traitement de l’Information
2ème ARTI
AFEF ELLOUMI OUESLATI
Ecole Nationale d’Ingénieurs de Carthage
Traitement d’Images et
Reconnaissance des Formes
Introduction
AFEF ELLOUMI OUESLATI
PLAN
1 Introduction
2 Eléments de colorimétrie
3
Systèmes de représentation de couleurs
4
Représentation numérique d’une image
5
Les formats d’images
1
Systèmes de représentation Représentation numérique Processus de traitement et
Introduction Eléments de colorimétrie de couleurs d’une Image Les formats d’images s d’analyse d’images
Introduction
• Question?
Est-ce que nous les humains, nous faisons du traitement d’images?
ou est ce que cette notion nous est étrangère ?
• Réponse:
Oui nous les humains, nous faisons du traitement d’images!!!!
- À chaque fois que nous récupérons une image avec nos yeux
- A chaque fois que nous nous rappelons d’une scène
- A chaque fois que nous rêvons
Nous faisons du traitement d’image à une fréquence très élevée
grâce à notre cerveau
•Question?
Si nous faisons si bien le traitement d’images, pourquoi avoir un
cours?
• Réponse:
Nous avons besoin de comprendre le fonctionnement du cerveau,
le modéliser, le programmer et le donner à la machine !!!!!
Introduction
2
Systèmes de représentation Représentation numérique Processus de traitement et
Introduction Eléments de colorimétrie de couleurs d’une Image Les formats d’images d’analyse d’images
Introduction
• L’ image est passée par plusieurs étapes depuis 1950 et jusqu’à aujourd'hui :
Introduction Eléments de colorimétrie Systèmes de représentation Représentation numérique Les formats d’images Processus de traitement et
de couleurs d’une Image d’analyse d’images
Eléments de colorimétrie
• La lumière : toute source lumineuse visible est composée d’un mélange
d’ondes électromagnétique cohérente (de couleurs pures)
3
Introduction Eléments de colorimétrie Systèmes de représentation Représentation numérique Les formats d’images Processus de traitement et
de couleurs d’une Image d’analyse d’images
Eléments de colorimétrie
• Les longueurs d’onde du spectre visible s’étendent approximativement entre
380 (violet) et 720 (rouge)
Introduction Eléments de colorimétrie Systèmes de représentation Représentation numérique Les formats d’images Processus de traitement et
de couleurs d’une Image d’analyse d’images
Eléments de colorimétrie
• Les longueurs d’onde : leurs tailles, les fréquences associées et leur utilisations
4
Introduction Eléments de colorimétrie Systèmes de représentation Représentation numérique Les formats d’images Processus de traitement et
de couleurs d’une Image d’analyse d’images
Eléments de colorimétrie
• Le spectre électromagnétique : emplacement et caractérisation des longueurs
d’onde du spectre visible
Introduction Eléments de colorimétrie Systèmes de représentation Représentation numérique Les formats d’images Processus de traitement et
de couleurs d’une Image d’analyse d’images
-Système XYZ
5
Introduction Eléments de colorimétrie Systèmes de représentation Représentation numérique Les formats d’images Processus de traitement et
de couleurs d’une Image d’analyse d’images
Introduction Eléments de colorimétrie Systèmes de représentation Représentation numérique Les formats d’images Processus de traitement et
de couleurs d’une Image d’analyse d’images
• Dans le système RGB, une couleur est définie par trois coordonnées (r,g,b).
• Sur la droite reliant l’origine au sommet du cube, on trouve tous les points de
l’espace vérifiant r=g=b et donc les couleurs grises.
6
Introduction Eléments de colorimétrie Systèmes de représentation Représentation numérique Les formats d’images Processus de traitement et
de couleurs d’une Image d’analyse d’images
Introduction Eléments de colorimétrie Systèmes de représentation Représentation numérique Les formats d’images Processus de traitement et
de couleurs d’une Image d’analyse d’images
7
Introduction Eléments de colorimétrie Systèmes de représentation Représentation numérique Les formats d’images Processus de traitement et
de couleurs d’une Image d’analyse d’images
• Le système RGB ne convient pas dans le cas de l’imprimerie car les surfaces
sont blanches. On utilise alors le système soustractif CMY (Cyan Magenta
Yellow) qui est le complémentaire du RGB.
• Les couleurs sont mélangées sur une surface blanche. Ce sont les couleurs
primaires que nous avons l’habitude de manipuler
• Les couleurs cyan magenta et jaune sont dites couleur primaire du pigment.
• Ce système est dédié pour l’imprimerie
Introduction Eléments de colorimétrie Systèmes de représentation Représentation numérique Les formats d’images Processus de traitement et
de couleurs d’une Image d’analyse d’images
• Dans le système CMY, une couleur est définie par trois coordonnées (c,m,y).
• Sur la droite reliant l’origine au sommet du cube, on trouve tous les points de
l’espace vérifiant c=m=y et donc les couleurs grises.
8
Introduction Eléments de colorimétrie Systèmes de représentation Représentation numérique Les formats d’images Processus de traitement et
de couleurs d’une Image d’analyse d’images
Le système HLS se base sur des variables possédant une interprétation plus
intuitive:
• La teinte (Hue en anglais) : La teinte est associée à la longueur d’onde. Elle est
mesurée par un angle
Introduction Eléments de colorimétrie Systèmes de représentation Représentation numérique Les formats d’images Processus de traitement et
de couleurs d’une Image d’analyse d’images
9
Introduction Eléments de colorimétrie Systèmes de représentation Représentation numérique Les formats d’images Processus de traitement et
de couleurs d’une Image d’analyse d’images
Introduction Eléments de colorimétrie Systèmes de représentation Représentation numérique Les formats d’images Processus de traitement et
de couleurs d’une Image d’analyse d’images
• Dans la pratique, les couleurs sont définies par des tables de correspondance
dites « Table de Correspondance des Couleurs » ou bien « Color Look Up
Table » (en abrégé « Color LUT »).
• La restitution d’une image se fait pixel par pixel. Pour chaque pixel, on
récupère son code qui est un entier appartenant à l’intervalle [0,255], on
consulte la « color LUT » pour récupérer la définition (r,g,b) qu’on envoie vers
le système de visualisation.
10
Introduction Eléments de colorimétrie Systèmes de représentation Représentation numérique Les formats d’images Processus de traitement et
de couleurs d’une Image d’analyse d’images
• Une image doit être numérisée pour être traitée par un ordinateur
• Il faut appliquer un échantillonnage spatial sur (x,y) les coordonnées du
point
• Il faut appliquer une quantification sur z qui représente la couleur
associée
Résultat de l’opération : une matrice de pixels
(picture elements)
Introduction Eléments de colorimétrie Systèmes de représentation Représentation numérique Les formats d’images Processus de traitement et
de couleurs d’une Image d’analyse d’images
11
Introduction Eléments de colorimétrie Systèmes de représentation Représentation numérique Les formats d’images Processus de traitement et
de couleurs d’une Image d’analyse d’images
Introduction Eléments de colorimétrie Systèmes de représentation Représentation numérique Les formats d’images Processus de traitement et
de couleurs d’une Image d’analyse d’images
(V9) (V5)
12
Introduction Eléments de colorimétrie Systèmes de représentation Représentation numérique Les formats d’images Processus de traitement et
de couleurs d’une Image d’analyse d’images
Introduction Eléments de colorimétrie Systèmes de représentation Représentation numérique Les formats d’images Processus de traitement et
de couleurs d’une Image d’analyse d’images
13
Introduction Eléments de colorimétrie Systèmes de représentation Représentation numérique Les formats d’images Processus de traitement et
de couleurs d’une Image d’analyse d’images
Introduction Eléments de colorimétrie Systèmes de représentation Représentation numérique Les formats d’images Processus de traitement et
de couleurs d’une Image d’analyse d’images
3 1 0
RS= 3*3 =9 pixels 0 1 2
RC=2 bits (0,1,2,3) 2 0 3
R V B
RS= 3*3 =9 pixels 150 255 0 0 255 12 0 255 0
RC=24 bits (8 bits/ 0 0 235 0 0 0 0 195 0
composante)
0 255 0 0 255 180 214 255 0
14
Introduction Eléments de colorimétrie Systèmes de représentation Représentation numérique Les formats d’images Processus de traitement et
de couleurs d’une Image d’analyse d’images
Introduction Eléments de colorimétrie Systèmes de représentation Représentation numérique Les formats d’images Processus de traitement et
de couleurs d’une Image d’analyse d’images
15
Introduction Eléments de colorimétrie Systèmes de représentation Représentation numérique Les formats d’images Processus de traitement et
de couleurs d’une Image d’analyse d’images
Rehaussement
Segmentation
Analyse des
caractéristiques
:
Prise de décision
Introduction Eléments de colorimétrie Systèmes de représentation Représentation numérique Les formats d’images Processus de traitement et
de couleurs d’une Image d’analyse d’images
16
Ecole Nationale d’Ingénieurs de Carthage
Traitement d’Images et
Reconnaissance des Formes
PLAN
1
Introduction
2
Transformations ponctuelles
3
Transformations de voisinage
4
Transformations spectrales
1
Introduction Transformations ponctuelles Transformations de voisinage Transformations spectrales
Introduction
• Une scène est un grande quantité d’informations dont il faut extraire
l’information utile
Il faut soumettre l’image à des transformations
Image Image
source
Transformation 1 Résultat
Image
source 1
Image Image
source 2
Transformation 2 Résultat
Image
source 3
Transformations ponctuelles
• Pour ces transformations, la nouvelle valeur d’un pixel dépend uniquement de
son ancienne valeur
• m’(i,j)=f1(m(i,j)) ou
• m’(i,j)=f2(m1(i,j),m2(i,j))
2
Introduction Transformations ponctuelles Transformations de voisinage Transformations spectrales
Transformations ponctuelles
• Remarque 1 :
1 1 1
• Soit l’exemple suivant : M= 0 1 0 +5
1 0 0
Transformations ponctuelles
• Remarque 2 :
1 1 1
• On reprend le même exemple : M= 0 1 0 +5
1 0 0
Solution:
• Il faut remettre les valeurs dans l’intervalle
• On peut utiliser une simple division sur le nombre total de pixels
Opération de normalisation
3
Introduction Transformations ponctuelles Transformations de voisinage Transformations spectrales
Transformations ponctuelles
• Exemples:
• addition : superposition de deux images ImR1=Im1+Im2
Im1 Im2
Im1 M
Transformations de voisinage
• Dans ces transformations la nouvelle valeur d’un pixel dépend des anciennes
valeurs du pixel et de ses voisins
On a V= (P1+P2+P3+P4+P5+P6+P7+P8+P9)/9
1 1 1
1/9. 1 1 1
1 1 1
4
Introduction Transformations ponctuelles Transformations de voisinage Transformations spectrales
Transformations de voisinage
• Dans ces transformations la nouvelle valeur d’un pixel dépend des anciennes
valeurs du pixel et de ses voisins donc il faut définir le voisinage
• Exemple de voisinages
V2 V3 V4 V5 V9
1
𝟏
V2
1 0 1 1 0 1 0 1 1 1
𝟏 1 𝟏 1 𝟏 1 1 𝟏 1 1 𝟏 1
0 1 0 1 1 1
Transformations de voisinage
• Dans ces transformations la nouvelle valeur d’un pixel dépend des anciennes
valeurs du pixel et de ses voisins.
• Produit de convolution
On rappelle que :
Le produit de convolution est la réponse d’un système à une excitation
donnée (h(t) est la réponse impulsionnelle)
x(t) y(t)
h(t)
La procédure :
On prend le symétrique d’un signal qu’on décale par rapport à l’autre et
on mesure leur similitude (l’aire commune) en fonction du décalage
5
Introduction Transformations ponctuelles Transformations de voisinage Transformations spectrales
Transformations de voisinage
Produit de convolution
• On rappelle pour le signal 1D et on passe à 2D
• Cas 1D continu
𝑦 𝑡 =𝑥 𝑡 ∗ℎ 𝑡 = 𝑥 −𝑢 + 𝑡 ℎ 𝑢 𝑑𝑢
• Cas 1D discret
1
𝑦 𝑛 =𝑥 𝑛 ∗ℎ 𝑛 = 𝑥 −𝑖 + 𝑛 ℎ(𝑖)
𝑁
• Cas 2D
f(x,y) g(x,y)
h(x,y)
• Cas 2D continu
1
𝑔 𝑛, 𝑘 = 𝑓 𝑛, 𝑘 ∗ ℎ 𝑛, 𝑘 = 𝑓 −𝑖 + 𝑛, −𝑗 + 𝑘 ℎ(𝑛, 𝑘)
𝑁𝑀
Transformations de voisinage
Produit de convolution
6
Introduction Transformations ponctuelles Transformations de voisinage Transformations spectrales
Transformations de voisinage
Produit de convolution
Transformations de voisinage
Produit de convolution
7
Introduction Transformations ponctuelles Transformations de voisinage Transformations spectrales
Transformations de voisinage
Produit de convolution
• Algorithme : balayage de l'image par le masque de convolution
Transformations de voisinage
Produit de convolution
• Algorithme : balayage de l'image par le masque de convolution
• Gestion des bords
• On constate que pour les pixels du bord, le masque déborde de l'image. Les
valeurs résultat des pixels du bord sont dans ce cas indéfinies.
8
Introduction Transformations ponctuelles Transformations de voisinage Transformations spectrales
Transformations de voisinage
Algorithme parallèle et algorithme séquentiel
Il existe deux manières de calculer l’image transformée
- Algorithme parallèle
• Si tous les pixels sont modifiés en même temps.
• L’algorithme est dit parallèle.
• Dans ce cas, la nouvelle valeur d’un pixel est obtenue en utilisant uniquement
les anciennes valeurs des pixels voisins.
• Ceci nécessite de travailler sur deux matrices.
• C’est l’algorithme que nous allons adopter
Transformations de voisinage
- Algorithme séquentiel
• Si le travail s’effectue sur la même matrice, la nouvelle valeur d’un
pixel est utilisée pour déterminer la nouvelle valeur des pixels suivants.
• Tout se passe comme si les pixels sont modifiés séquentiellement. Un tel
algorithme est dit séquentiel.
• Dans le cas des algorithmes itératifs, un algorithme séquentiel converge
beaucoup plus rapidement qu’un algorithme parallèle.
9
Introduction Transformations ponctuelles Transformations de voisinage Transformations spectrales
Transformations spectrales
• Afin d’analyser un signal ou une image , il est impératif de travailler
sur deux domaines
• Temporel (signal 1D) et fréquentiel
• Spatial (signal 2D) et fréquentiel
Transformations spectrales
Transformée de Fourier
• On rappelle pour le signal 1D
• Cas 1D continu, on considère le signal x(t) à énergie finie
é .
𝑇𝐹 𝑥(𝑡) = 𝑋 𝑓 = 𝑥 𝑡 exp −𝑖2𝜋𝑓𝑡 𝑑𝑡 = "Transformée de Fourier" de 𝑥 𝑡
et
10
Introduction Transformations ponctuelles Transformations de voisinage Transformations spectrales
Transformations spectrales
Transformée de Fourier
• On rappelle pour le signal 1D
• Cas 1D discret
1
𝑋(𝑘) = 𝑥(𝑛)𝑒 , 𝑛 = 0, … , 𝑁 − 1
𝑁
𝑁 𝑁
𝑥 𝑛 = 𝑋(𝑘)𝑒 ,𝑘 = − ,…, − 1
2 2
Transformations spectrales
Transformée de Fourier
• On passe à 2D maintenant
• Cas 2D continu, on considère l’image f(x,y) continue
é .
𝑇𝐹 𝑓(𝑥, 𝑦) = 𝐹 𝑢, 𝑣 = 𝑓(𝑥, 𝑦) exp −𝑖2𝜋(𝑢𝑥 + 𝑣𝑦) 𝑑𝑥𝑑𝑦
et
é .
𝑓 𝑥, 𝑦 = 𝑇𝐹 𝐹 𝑢, 𝑣 = 𝐹(𝑢, 𝑣) exp 𝑖2𝜋(𝑢𝑥 + 𝑣𝑦) 𝑑𝑢𝑑𝑣
11
Introduction Transformations ponctuelles Transformations de voisinage Transformations spectrales
Transformations spectrales
Transformée de Fourier Exercice
1. Calculer la TF d’un signal sinusoïdal de la forme x(t)=Acos (2π𝑓 𝑡)
Transformations spectrales
Transformée de Fourier : Correction Exercice
X(f)=𝐴𝑇𝑠𝑖𝑛𝑐(𝜋𝑓𝑇)
12
Introduction Transformations ponctuelles Transformations de voisinage Transformations spectrales
Transformations spectrales
Transformée de Fourier Exercice
3. Déduire la TF2D d’une image sinusoïdale
Transformations spectrales
Transformée de Fourier Exercice
3. Déduire la TF2D d’une image sinusoïdale
13
Introduction Transformations ponctuelles Transformations de voisinage Transformations spectrales
Transformations spectrales
Transformée de Fourier Exercice correction
Déduire la TF2D d’une image sinusoïdale 2 𝑟𝑎𝑖𝑒𝑠 𝑑𝑒 𝑑𝑖𝑟𝑎𝑐 𝑎𝑢𝑠𝑠𝑖
Transformations spectrales
Transformée de Fourier Exercice correction
4. Déduire la TF2D d’une image carrée 2 𝑠𝑖𝑛𝑢𝑠 𝑐𝑎𝑟𝑑𝑖𝑛𝑎𝑢𝑥
14
Introduction Transformations ponctuelles Transformations de voisinage Transformations spectrales
Transformations spectrales
Transformée de Fourier
Transformations spectrales
Propriétés de la Transformée de Fourier 2D
1. La séparabilité
TF 2D peut être obtenue en effectuant 2 fois la TF 1-D : simplifier les
calculs
2. La translation
15
Introduction Transformations ponctuelles Transformations de voisinage Transformations spectrales
Transformations spectrales
Propriétés de la Transformée de Fourier 2D
2. La translation
pour une représentation correcte dans le cas 1D
Exemple
Transformations spectrales
Propriétés de la Transformée de Fourier 2D
2. La translation on représente la TF2D centrée
16
Introduction Transformations ponctuelles Transformations de voisinage Transformations spectrales
Transformations spectrales
Propriétés de la Transformée de Fourier 2D
3. Périodicité et symétrie du conjugué :
La TF discrète et son inverse sont périodiques et de période N :
F(u,v)=F(u+N,v)=F(u,v+N)=F(u+N,v+N)
Remarque : On rappelle qu’échantillonner dans un domaine revient à périodiser dans le
domaine dual et donc l’image et sa TF2D sont toutes les deux numériques et périodiques
Si F * est le conjugué de F, on a : F(u,v)=F*(−u,−v)
4. Rotation
Si l’image f subit une rotation θ, alors sa TF2D F subit la même rotation:
Transformations spectrales
Propriétés de la Transformée de Fourier 2D
5. Linéarité
La TF2D est linéaire : si une image est constituée par plusieurs images
élémentaires alors son spectre est la somme pondérée des spectres
17
Introduction Transformations ponctuelles Transformations de voisinage Transformations spectrales
Transformations spectrales
Propriétés de la Transformée de Fourier 2D
Transformations spectrales
Algorithme de la Transformée de Fourier 2D: la FFT
18
Introduction Transformations ponctuelles Transformations de voisinage Transformations spectrales
Transformations spectrales
Application de la Transformée de Fourier 2D
Mise en évidence des propriétés des textures
19