COMPRESSION D’IMAGES 2D

APPLIQUEE A L’IMAGERIE MEDICALE

1
 Plan
I) Compression
I-1- Introduction
I-2-Taux de compression
I-3- Mesure de qualités
II) Codage sans perte
II-1-Compression RLE
II-2-Compression VCL : Huffman
II-3-Compression arithmétique
II-4-Compression LZW: Méthodes à dictionnaire
III) Compression avec perte
III-1-Quantification des couleurs
III-2-Compression JPEG
IV)Compression d’imagerie médicale (JPEG 2000)
IV-1-Introduction
IV-2-JPEG 2000
IV-3-Applications a l’imagerie médicales
V)Conclusion

2
 I) C o m p r e s s i o n

I-1 -Introduction
Pourquoi on veut compresser ?
 Redondance d’informations
Qu’est ce que l’information
* Au sens de Shannon : plus un événement est rare , plus il est informatif …
* L’information d’un pixel peut être ainsi évalué par sa probabilité .
Est on limité a priori sur la compression ?
* Quoi perdre ?
 Besoin d’une mesure de qualité de l’image
I-2- Taux de compression (en %)
 Taux de compression (en %)

3
 I) C o m p r e s s i o n

I-3-Mesure de la qualité

• Les mesures permettent de juger les traitements .

• Exemple

• Image comprimée en JPEG standard. On voit apparaître des changements liés la

compression par blocs .

Image originale Image compressée

par JPEG 4
 I) C o m p r e s s i o n

I-3-Mesure de la qualité avec perte

 On calcule dans ce cas :

 Erreur quadratique Moyenne =

 Rapport Bruit / Signal =

 Rapport Bruit / Signal de crêtes =

5
Nous appliquons l'algorithme a ces deux images ; La premiere est un grand
classique en traitement de l'image, il s'agit de la belle Lenna ,
la deuxieme est une image medicale.

Lenna Image medicale

6
 Différence entre l’image originale
et l’image compressée

PSNR = 27.77 db

PSNR = 19.81 db

7
PSNR : Rapport Bruit / Signal de crêtes
 Différence entre l’image originale et
l’image compressée

PSNR = 30.03 db

PSNR = 22.07 db
8
 I) C o m p r e s s i o n

• Compression  Décompression

-Aucune méthode de compression n’a d’intérêt si elle ne permet pas la

décompression .

-Généralement On ne présente que les principes de compression ; la décompression

est déductible des présentations

9
 II) C o d a g e s a n s p e r t e

II-1-Compression RLE

• RLE :Running Length Encoded

BUT:
 Regrouper les répétitions successives de pixels identiques

i) Principe : on fixe un seuil de répétition (exemple à 2):

AAAAARRRRRROLLLBBTTTTT:22 caractères
on aura  @5A@6RO@3LBB@5T: 15 caractères
 Taux =31%

10
 II) C o d a g e s a n s p e r t e

ii) Caractéristique :
- Algorithme de compression et de décompression très
simple !

- Taux de compression faible.

- Nécessite des répétitions relativement importantes pour être

efficace .

11
 II) C o d a g e s a n s p e r t e

II-2-Compression VCL

 VCL :Variable Lenght Coding

- Tous les pixels ne sont pas codés avec le même nombre de bits
- Il faut une table en début de fichier

 On parle de « Codage entropique »

- Les pixels qui reviennent le plus souvant dans l’image sont codés avec :
i- Shannon-Fado
ii- Huffman

 LE BUT EST DE REDUIRE LE NOMBRE DE BIT UTILISE POUR LES

PIXELS FREQUENTS

12
 II) C o d a g e s a n s p e r t e

Cas de Huffman (Algorithme)

1 ere étape : Calculer les probabilité de chaque éléments 

2 eme étape : les classer 

3 eme étape : Récursivement ,on regroupe les deux groupes les moins
fréquents .

 initialement les groupes sont les valeurs .

13
 II) C o d a g e s a n s p e r t e

4 eme étape : On donne des valeurs binaires aux arcs 

5 eme étape : On construit le dictionnaire

10 : 00
15 : 01
90 : 10
100 : 110
180 : 111

14
 II) C o d a g e s a n s p e r t e

6eme étape : On code les valeurs à la suite de la matrice

0001010101001011011001001011111001001010100100000000
00

54 bits contre 25*8=200

 Taux =73%

* Si on faisait le décodage on devrait extraire au plus tôt les éléments

du dictionnaire , ce dernier assurera sans confusion le décodage

15
 II) C o d a g e s a n s p e r t e

II-3-Compression arithmétique

Le But : Écrire la totalité de l’image comme un nombre (assez grand !) plutôt

que de coder chaque pixel par un nombre

-Codage réel : On code avec un nombre entre 0 e 1.

-Codage entier : on code avec un entier .

Applications : Phase finale des formats TIFF , JPEG , JPEG2000

** Ce type de codage est de plus en plus préconisé comme alternative à Huffman

16
 II) C o d a g e s a n s p e r t e

II-4-Compression LZW: Méthodes à dictionnaire

But  Réduire la taille des motifs (suite de pixels ) récurrent

Principe  Construction d’un dictionnaire motifs/code

- Construction d’une bibliothèque de motifs fréquent dans

l’image .

- Les motifs les plus fréquents sont codés avec peu de bits .

Image originale compression LZW

17
 II) C o m p r e s s i o n avec perte

** OUI MAIS QUOI PERDRE ?**

- Dans la compression , on tient a réduire le nombre nécessaire de bit pour coder

une information .

 La suppression de l’information est indépendante du codage ; On peut

réutiliser les principes précédents sur l’information réduite .
elle dépend du domaine d’application de l’image !!.

 on se base sur des critères de physiologie humaine pour supprimer les informations non
utilisés .
exp: MP3 :suppression de fréquences inaudibles .
 Par contre pour les images c’est plus délicat : on essaye de dégrader uniformément une
image .

En conclusion :
on risque de perdre de l’information sur l’image par des
compression (enchaînement de compression avec perte) qui
provoquent une dégradation accentuée .

18
 II) C o m p r e s s i o n avec perte

Voyons cette figure !!

 L’œil humain est sensible aux basses

fréquences donc en priorité on tendra
a supprimer les hautes fréquences dans
un signal .

 On va donc procéder en deux étapes :

- chercher comment réduire le nombre de couleurs dans une image (Quantification
couleurs) .
- Comment supprimer les hautes fréquences d’un signal

19
 II) C o m p r e s s i o n avec perte

III-1-Quantification des couleurs

C’est l’étape préliminaire à d’autre compression .
Le But  réduire le nombre de bit nécessaire pour coder les couleurs
256 couleurs :8 bits
1M couleurs : 36 bits

« Risque de perte d’information & Problème du choix des couleurs a garder »

Compression avec perte

Image originale
Image dégradée 20
 II) C o m p r e s s i o n avec perte

 Pour essayer d’éviter ce problème on essayera

l’équipartition en niveau de gris

21
II) C o m p r e s s i o n avec perte

Figure 1 Figure 2

22

Équipartition
Exemple pour les images médicales..

•Ce genre de traitement

nous permet d'étendre la
visibilité de l'image sur
une gamme de niveaux de
gris plus confortable pour
l'il.
• Il y a également un
accroissement du
contraste par
aplatissement de
l'histogramme.

23
 II) C o m p r e s s i o n avec perte

 Le principe des algorithmes de la quantification des couleurs est de

minimiser l’erreur globale , cette opération reste toujours
complexes .

 Il existe différents algorithmes pour la quantifications des couleurs

-Sélectifs (probabiliste :algorithme Lloyd – Max )

-Adaptatifs

-Perceptifs

24
 II) C o m p r e s s i o n avec perte

• Application « compression des couleurs »:

-BMP : image 8 bits , 24bits ou 32 bits.

-GIF : Limite la palette de couleur à 256 couleurs (R,V,B)

maximum!!

• Si on minimise les couleurs  on rend plus efficace les codages RLE et LZW.

 on reduit la taille des images dans tous les

formats

25
 II) C o m p r e s s i o n avec perte

III-2-Compression JPEG

Chaîne de traitement

26
 II) C o m p r e s s i o n avec perte

• Chaque image est décomposée en sous blocs de taille 8*8

• Sur les bords , on peut compléter les derniers blocs par :

- des zéros
- des prolongements continus
- une symétrie

27
 II) C o m p r e s i o n avec perte

• Chaque matrice est transformée

en une autre matrice par la DCT.
Il n’y a pas de perte
d’information ici
On a une nouvelle matrice de
même taille

• C’est une représentation fréquentielle

-Composante continue au coins en haut
à gauche . (petit cercle)
-Basse fréquences en haut à gauche .(grand
cercle)
-Hautes fréquences en bas à droite .
28
 III) Compression d’imagerie médicale Cas de JPEG 2000)

1-Introduction
 L'imagerie médicale est un domaine en plein essor, du fait du développement des
technologies numériques.

 Elle permet une investigation de plus en plus fine des organes humains.

 La contrepartie réside dans une quantité de données générée considérable qui peut
rapidement saturer les systèmes conventionnels de transmission et de stockage.

 Un examen radiologique fournit ainsi non pas une image, mais une pile d'images
représentant un même organe.

 A titre d'exemple, un seul service hospitalier de radiologie produit plusieurs dizaines

de Teraoctets d'images numériques par an !

 La nécessité de compresser les images apparaît donc aujourd'hui incontournable. La compression dite «
sans perte » ne permet pas une réduction significative du volume de ces données. Dans ce contexte, la
compression « avec perte » est la réponse qui semble la plus appropriée, à condition bien entendu que

les pertes n'affectent pas le diagnostic médical

29
 Principales Modalités
d’Imagerie

IRM CT-Scanner

Densité et Densité
structure des d’absorption
Protons aux rayons
X

Scintigraphie Ultrason
Densité Variations
d’isotopes d’impédance
injectées Acoustique

30
L’imagerie
et son environnement:
Situation en 2006…
 L’image médicale est une image spécifique

 Imagerie digitale en forte croissance

 Volonté de réduction des dépenses

en impression de films

 Partage de matériel lourd (CT, IRM, PET, etc.) entre plusieurs sites

 Travail multi-sites

 Spécialisation des besoins en imagerie médicale:

 entre les spécialités,
 entre le milieu hospitalier et les prescripteurs externes, etc.

31
La gestion de l’imagerie
en 1999…

PC

32
La gestion de l’imagerie
en 2006

PC

33
La gestion de l’imagerie

ÉTAPE 1

La production
d’images

34
La gestion de l’imagerie

ÉTAPE 2 - Le PACS
Acquisition d’images
Stockage & Archivage
Distribution
Diagnostic &
visualisation

35
 La mise en place

Acquisition, sécurisation et compression

AutoAcquisition

Serveur

Stockage temporaire coupes fines en radiologie

Archivage de toute l’imagerie en informatique

36
 La mise en place

Sélection d’images et relecture

(partout dans la Clinique, via Omnipro)

AutoAcquisition Reception

Reception Serveur

Sélection d’images et diagnostic (radiologie)

37
La gestion de l’imagerie
inter-sites & à domicile…

PC

38
Solution intégrée
au sein de l’hôpital...

CD, papier et web pour médecin prescripteurs extérieurs

39
Pourquoi JPEG 2000

 2-JPEG 2000 :JPEG 2000 (Joint Photographic Expert Group

2000)

 Est une norme commune de l'ISO et de l'UIT-T de compression d'images

définie par le consortium Joint Photographic Expert Group.

 JPEG 2000 est capable de travailler avec ou sans pertes, utilisant une
transformation par « ondelettes » (méthode d'analyse mathématique du
signal).

 En compression irréversible, JPEG 2000 est plus performante que la

méthode de compression JPEG ISO/CEI 10918-1 (le JPEG classique )

  Nouvelle norme de compression par ondulation (plus fiable que le

JPEG) permettant d'atteindre par exemple un ratio de compression de 1
pour 100 sans que l'oeil puisse constater une différence.

40
Pourquoi JPEG 2000

41
Echantillonnage et quantification en médicale

 Echantillonnage: L'échantillonnage spatial permet de

passer de l'objet 3D à une matrice de points élémentaires (pixels) et
conditionne ainsi la résolution de l'image. Mieux sera l'échantillonnage
du signal de formation de l'image meilleur sera la résolution .

320 x 240 80 x 60
42
Echantillonnage et quantification en médicale

 La quantification: des niveaux permet d'attribuer

une valeur pour chaque pixel de l'image et de
définir le nombre de niveaux gris utilisé

43
256 niveaux de gris 16 niveaux de gris
Schéma de principe de compression :

44
 Ondelettes

 Les codeurs JPEG 2000 et SPIHT utilisent tous les deux une transformée en
ondelettes dans leur schéma de compression. En revanche, seule JPEG 2000
est une norme.
 Cette technique consiste à décomposer une image en une myriade de sous-
bandes, c’est-à-dire des images de résolution inférieure .

45
schéma de compression
 Ondelettes

La compression se compose donc des étapes suivantes :

1.Transformations par ondelettes.

2. Quantification : les valeurs des images de détails inférieures à

un certain niveau sont éliminées, en fonction de l'efficacité
recherchée. C'est cette étape qui introduit des pertes
3. Codage des valeurs restantes.

46
Transformee en ondelettes orthogonale de Lenna
Transformée ondelettes à deux
dimensions

 On distingue 4 étapes différentes pour procéder à la

transformation :
 Moyenner les pixels de l'image originale deux à deux suivant
l'axe horizontal ; par exemple  :
 Calculer l'erreur entre l'image originale et l'image sous-
échantillonnées dans le sens horizontal ; par exemple :

 Pour chacune des deux images intermédiaires, moyenner les

pixels deux à deux suivant l'axe vertical ; par exemple
 

 Pour chacune des deux images intermédiaires, calculer l'erreur

suivant l'axe vertical ; par exemple 

47
 Transformée ondelettes à deux
dimensions
 Ce qui donne graphiquement :

•La transformée en ondelettes d'une image de résolution

2exp(k)donne trois « sous-images » de résolution 2exp(k − 1) :
celles des coefficients d'ondelettes, dont la nature particulière met
en évidence de l'information sur les contours, les textures, leur
localisation et leur orientation.
• Le choix de l'ondelette mère est très important et fait toujours
l'objet d'expérimentations pour adapter l'analyse du signal image au
système de perception visuelle de l'homme 48
 Conclusion

On espère que notre travail a été bénéfique pour toute la classe et

qu’il vous a aidé a savoir le rôle important de la compression
dans le domaine du traitement d’image ainsi que l’apport de
cette discipline dans le domaine médical .

Merci de votre attention

49