Diapos Cours PDF

Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
Cours de traitement dimages
J I
Vincent BARRA
Page 1 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Introduction
Pretraitements
Segmentation
Quantification
1 Introduction Page daccueil
Image = representation dune scene 3D Page de Titre

Information = grandeur physique liee a la nature du cap-
teur JJ II
Traitement dimages
J I
amelioration des images pour linterpretation par un ob-
servateur humain
traitement de scenes en temps reel pour la perception Page 2 de 252
par des automates

Retour
Traitements de bas niveau : donnees de nature

Plein ecran
numerique
Traitements de haut niveau : entites de nature sym-
Fermer
bolique associees a une representation de la realite extraite
de limage
Quitter
Introduction
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 3 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 4 de 252
Retour
Plein ecran
Fermer
Quitter
Pretraitements
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Traitement dimages envisage en trois phases :

Pretraitements Page de Titre
permettre une meilleure visualisation de limage

JJ II
faciliter les traitements ulterieurs
Segmentation : creer une partition de limage en
J I
regions.
Quantification : fournir des indices quantitatifs ou
Page 5 de 252
geometriques.
On ne traite pas ici du traitement dimages couleur. Retour
Plein ecran
Fermer
Quitter
Pretraitements
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
2 Pretraitements Page 6 de 252
Traitements photometriques et colorimetriques Retour

Reduction de bruit
Restauration dimages Plein ecran
Fermer
Quitter
Pretraitements>Traitements photometriques et colorimetriques>Analyse spatiale
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
2.1 Traitements photometriques et colo-
rimetriques Page de Titre
Rappel : echantillonnage et quantification

JJ II
J I
Page 7 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
2.1.1 Analyse spatiale Segmentation

Quantification
Rappel : echantillonnage et quantification

Image = matrice de M N elements, ou une fonction Page daccueil
f (x, y)
Page de Titre
JJ II
J I
Page 8 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
Analyse spatiale : transformation sur les pixels de limage

JJ II
g(x, y) = T [f (x, y))]
J I
g : image de sortie
f : image dentree
Page 9 de 252
T : operateur sur f ou sur un ensemble dimages
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Lapproche principale des methodes danalyse est dutiliser Segmentation

Quantification
une region carree centree sur (x, y)
Page daccueil
Page de Titre
JJ II
J I
Page 10 de 252
Retour
Plein ecran
Le centre de cette region est deplacee dun pixel a lautre
sur limage dentree
Fermer
Quitter
Pretraitements>Traitements photometriques et colorimetriques>Analyse spatiale>Point a point
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Loperateur T est applique a chaque pixel (x, y)

Loperateur T nutilise que les pixels sous la region pour le Page de Titre
calcul de la transformation.
JJ II
La forme la plus simple est dutiliser une region de 1 1
pixel J I
g(x, y) = T (f (x, y)) Page 11 de 252
Retour
analyse point a point
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
Utilisation dune table de reference (lookup table) JJ II

pour une image codee en 8 bits, la table des valeurs de
T aura 256 entrees J I
Lindice de la table correspond a la valeur de f (x, y) et
la valeur lue a g(x, y) Page 12 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Extension du contraste Page daccueil
Page de Titre
JJ II
J I
Page 13 de 252
Retour
image avec plus de contrastes

Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Seuillage : cas limite de lextension de contraste Page daccueil
Page de Titre
JJ II
J I
Page 14 de 252
Retour
image avec plus de contrastes

Plein ecran
Fermer
Quitter
Introduction
Transformees lineaires, exponentielles, logarith- Pretraitements

Segmentation
miques Quantification
Page daccueil
Page de Titre
JJ II
J I
Exemple : negatif dune image Page 15 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Transformees lineaires, exponentielles, logarith- Segmentation
miques Quantification
logarithmique : g(x, y) = c.log(1 + f (x, y)), c > 0

Page daccueil
exponentielle gamma : g(x, y) = c.(f (x, y) + ), c > 0,
: offset
exponentielle : g(x, y) = c.f (x, y) , c > 0 Page de Titre
< 1 : etire les faibles valeurs, compresse les valeurs foncees

< 1 : compresse les faibles valeurs, etire les valeurs foncees JJ II
J I
Page 16 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 17 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 18 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Transformation par morceaux Segmentation

Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 19 de 252
Retour
Plein ecran
Necessite la definition de variables Fermer
Quitter
Introduction
Pretraitements
Segmentation
Transformation par morceaux Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 20 de 252
Retour
Plein ecran
Fermer
Quitter
Pretraitements>Traitements photometriques et colorimetriques>Analyse spatiale>Masque
Introduction
Pretraitements
Segmentation
Quantification
2.1.2 Masques
Page daccueil
Lusage de regions de taille plus importante permet plus

de flexibilite et donne plus de puissance au pretraitement. Page de Titre
JJ II
Notion de masque de traitement
J I
Definition de la taille du masque : carree, impaire. Page 21 de 252
Retour
Relation a la notion de convolution...

Plein ecran
Fermer
Quitter
Pretraitements>Traitements photometriques et colorimetriques>Analyse spatiale>Masque
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 22 de 252
1 X
1
X Retour
g(x, y) = w(i, j)f (x + i, y + j)

i=1 j=1 Plein ecran
Fermer
Quitter
Pretraitements>Traitements photometriques et colorimetriques>Masque
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
Definition dune valeur pour chaque element du masque
J I
On en reparle plus tard...
Page 23 de 252
Retour
Plein ecran
Fermer
Quitter
Pretraitements>Traitements photometriques et colorimetriques>Analyse dhistogramme
Introduction
Pretraitements
Segmentation
Quantification
2.2 Analyse dhistogramme

Page daccueil
Definition :
distribution des niveaux de gris Page de Titre
comptage de loccurrence de chaque niveau de gris dans
limage JJ II
J I
Page 24 de 252
Retour
Plein ecran
Fermer
Quitter
Pretraitements>Traitements photometriques et colorimetriques>Analyse dhistogramme
Introduction
Pretraitements
Segmentation
Quantification
Plus formellement :
h : [0, L 1] IN Page daccueil
rk h(rk ) = nk
Page de Titre
JJ II
avec :
rk : k eme niveau de gris
J I
nk : nombre de pixels de niveau de gris rk
Histogramme normalise : Page 25 de 252
nk
p(rk ) =
n Retour
n : nombre total de pixels p(rk ) probabilite dobserver Plein ecran

rk
Fermer
Quitter
Pretraitements>Traitements photometriques et colorimetriques>Analyse dhistogramme>Etirement
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 26 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Etirement Page daccueil
Une image a haut contraste aura un histogramme bien

reparti Page de Titre
Un histogramme bien reparti permettra dobtenir un bon

contraste ! JJ II
J I
Page 27 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Etirement Page de Titre
Formellement
JJ II
f (x, y) M in[f (x, y)]
g(x, y) = (M m) + m
M ax[f (x, y)] M in[f (x, y)] J I
[m, M ] intervalle de codage des niveaux de gris

1 octet m=0,M=255 Page 28 de 252
2 octets m=0,M=65535
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Etirement
Page de Titre
JJ II
J I
Page 29 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Etirement : elimination des tons extremes

Page daccueil
Page de Titre
JJ II
J I
Page 30 de 252
Retour
Plein ecran
Fermer
Quitter
Pretraitements>Traitements photometriques et colorimetriques>Analyse dhistogramme>Compression
Introduction
Pretraitements
Segmentation
Quantification
Etirement : elimination des tons extremes

Page daccueil
Page de Titre
JJ II
J I
Page 31 de 252
Retour
Plein ecran
Fermer
Quitter
Pretraitements>Traitements photometriques et colorimetriques>Analyse dhistogramme>Compression
Introduction
Pretraitements
Segmentation
Quantification
Compression Page daccueil
Page de Titre
JJ II
J I
Formellement Page 32 de 252
M m
g(x, y) = (f (x, y) M in[f (x, y)]) + m
M ax[f (x, y)] M in[f (x, y)] Retour
[m, M ] intervalle de codage des niveaux de gris

Plein ecran
Fermer
Quitter
Pretraitements>Traitements photometriques et colorimetriques>Analyse dhistogramme>Glissement
Introduction
Compression Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 33 de 252
Retour
Plein ecran
Fermer
Quitter
Pretraitements>Traitements photometriques et colorimetriques>Analyse dhistogramme>Glissement
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Glissement
Page de Titre
JJ II
J I
Page 34 de 252
Formellement
g(x, y) = f (x, y) + compensation Retour
Plein ecran
Fermer
Quitter
Pretraitements>Traitements photometriques et colorimetriques>Analyse dhistogramme>Egalisation
Introduction
Pretraitements
Segmentation
Glissement Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 35 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Egalisation dhistogramme Quantification
Consiste a rendre le plus plat possible, lhistogramme des

niveaux de gris de limage. Page daccueil
Limage est associee a une modelisation probabiliste dont

lhistogramme represente la densite de probabilite de la va- Page de Titre
riable niveau de gris.

JJ II
Permet de renforcer le contraste sur des details qui sont
masques par des variations dintensite de plus grande am-
J I
plitude et a plus grande echelle
f (x, y) : ensemble de realisations dune variable aleatoire Page 36 de 252
F admettant
une densite de probabilite h non nulle sur Retour
]M inf (x, y), M axf (x, y)[

une fonction de repartition H (histogramme normalise Plein ecran
cumule)
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Egalisation dhistogramme
Page daccueil
Probleme : chercher T continue, derivable au moins par

morceaux et strictement croissante, telle que la variable Page de Titre
aleatoire G=T(F) soit uniformement repartie dans linter-

valle [gmin, gmax]. JJ II
Soit g la densite de probabilite de G et T 0 la fonction

derivee de T . J I
h(r) 1
g(rg ) = = , gmin < rg < gmax Page 37 de 252
T 0(r) gmax gmin

Retour
avec rg = T (r), r niveau de gris observe sur f et donc
T (r) = (gmax gmin )H(r) + gmin , M inf (x, y) < r < M axf (x, y) Plein ecran
Fermer
Quitter
Pretraitements>Traitements photometriques et colorimetriques>Analyse dhistogramme>Specification
Introduction
Pretraitements
Segmentation
Quantification
Egalisation dhistogramme
Page daccueil
Page de Titre
JJ II
J I
Page 38 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Specification dhistogramme
Rendre la distribution dintensite de limage voisine dune
Page de Titre
distribution specifiee a lavance.
Conservation des position et sens des transitions JJ II
transformation F G croissante.
Distribution de reference = image ou region dune image J I
R
F T C T01 G Page 39 de 252
ou
T = HR1 H, HR fonction de repartition de R Retour
T0 est la transformation degalisation de R
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Specification dhistogramme
Page de Titre
JJ II
J I
Page 40 de 252
Retour
Plein ecran
Fermer
Quitter
Pretraitements>Traitements photometriques et colorimetriques>Operations arithmetiques
Introduction
Pretraitements
Segmentation
2.3 Operations arithmetiques Quantification
Operations point a point

Page daccueil
les plus utilisees : combinaisons lineaires
Page de Titre
Soustraction : visualisation du changement (images
superposables)
JJ II
J I
Page 41 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
Dans certains cas, loperation arithmetique peut produire JJ II

des valeurs non compatibles avec lespace de representation
des niveaux de gris J I
glissement
etirement Page 42 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Moyenne dun ensemble dimages Quantification
N images gi = f + ni
Page daccueil
ni : bruit = phenomene aleatoire

Page de Titre
s : signal = phenomene reproductible

moyenneur transitoire : JJ II
N N
1 X 1 X J I
I= (s + ni) = s + ni
N i=1 N i=1
Page 43 de 252
Si N suffisamment grand :
Retour
IE(g) = f
1 Plein ecran
g2 = n2
N
Fermer
Quitter
Introduction
Pretraitements
Moyenne dun ensemble dimages Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 44 de 252
Retour
Plein ecran
Fermer
Quitter
Pretraitements>Traitements photometriques et colorimetriques>Operations logiques
Introduction
Pretraitements
Segmentation
Quantification
2.4 Operations logiques

Page daccueil
procede point a point

Opetareurs ET, OU, NON Page de Titre
operateurs fonctionnellement complets ( min, max...)

Appliques a des images en niveaux de gris, les operations JJ II
logiques seffectuent sur des chanes de bits.
J I
a = 131 10000011
a 01111100 124
Page 45 de 252
124 + 131 = 255
Retour
a = 109 01101101, b = 89 01011001

a&&b 01001001 73 Plein ecran
Fermer
Quitter
Pretraitements>Traitements photometriques et colorimetriques>Rehaussement de contraste
Introduction
Pretraitements
Segmentation
2.5 Rehaussement de contraste Quantification
But des operateurs precedents :

reduire les fluctuations dintensite a linterieur dune meme region Page daccueil
ne pas perturber par elargissement, la zone de transition marquant la tran-
sition entre regions
Il arrive que la transition entre regions soit initialement Page de Titre
floue
bouge (objets et cameras mobiles) JJ II
defocalisation
diffraction
volume partiel J I
Rehausser le contraste de limage consiste a diminuer Page 46 de 252
letendue de la zone de transition sans affecter lintensite

moyenne des regions situees de part et dautre. Retour
On limite ainsi le risque de fusion intempestive de Plein ecran
regions distinctes lors de la phase de segmentation.

Fermer
Quitter
Pretraitements>Traitements photometriques et colorimetriques>Rehaussement de contraste>Methodes lineaires
Introduction
2.5.1 Methodes lineaires Pretraitements
Segmentation
Quantification
g(x, y) = f (x, y) f (x, y)) Page daccueil
Cas dun signal monodimensionnel continu decrivant un Page de Titre
contour flou : apres les changements dorigine et dechelle

adequats, contour : f (x) = arctan(x). JJ II
J I
0
Nettete du contour : pente a lorigine en x = 0 : f (0) = 1.
La methode de rehaussement consiste a calculer : Page 47 de 252
g(x) = f (x) f 00(x), > 0 Retour
La pente en x=0 devient :

Plein ecran
0 0
g (0) = 1 + 2 > f (0)
Fermer
La zone de transition a donc ete resserree.

Quitter
Pretraitements>Traitements photometriques et colorimetriques>Rehaussement de contraste>Methodes lineaires
Introduction
Pretraitements
Segmentation
Dans le cas dimages bruitees : amplification du bruit Quantification
Page daccueil
modele monodimensionnel de contour flou bruite
f (x) = c(x) + B(x) : Page de Titre
B(x) : bruit centre stationnaire independant. JJ II
c(x) = Arctan(x)
J I
Par filtrage :
g(x) = c(x) c00(x) + B(x) B 00(x) Page 48 de 252
avec N (x) = B(x) B 00(x) centre, et donc :

Retour
00 00
var(g) = var(N ) = var(B) + 2var(B ) 2cov(B, B )
La derivation tend a amplifier les hautes frequences Plein ecran
(bruit) et ce phenomene est dautant plus accentue que

la valeur de est forte. Fermer
Quitter
Pretraitements>Traitements photometriques et colorimetriques>Rehaussement de contraste>Methodes morphologiques
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
2.5.2 Methodes morphologiques

Page de Titre
Les transformations morphologiques de rehaussement de JJ II

contraste exploitent linformation de proximite relative de
la fonction initiale avec sa dilatee et son erodee. J I
Page 49 de 252
Effet recherche : affecter a un pixel la valeur, soit de limage

dilatee, soit de limage erodee pour creer des discontinuites. Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Elements de morphologie mathematique
Page de Titre
2
A, B : ensembles de Z .
a = (a1, a2) A, b = (b1, b2) B JJ II
Ax = {c = a + x, a A}, translation de A par x
B = {x = b, b B}, reflexion de B J I
Ac = {x / A}, complement de A
A B = {x, x A, x / B}, difference ensembliste. Page 50 de 252
Retour
A B = {x, (B)x A 6= }, dilatation.

A B = {x, (B)x A}, erosion. Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Elements de morphologie mathematique Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 51 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Elements de morphologie mathematique Page de Titre
JJ II
J I
Page 52 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Elements de morphologie mathematique
Page de Titre
A B = (A B) B, ouverture de A par B.
A B = (A B) B, fermeture de A par B. JJ II
J I
Page 53 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Et en niveaux de gris ... Quantification
f : image.
b(x, y), element structurant Page daccueil
Page de Titre
(f b)(s, t) = max{f (s x, t y) + b(x, y)/(s x), (t y) Df , (x, y) Db },
dilatation.
JJ II
(f b)(s, t) = min{f (s + x, t + y) b(x, y)/(s + x), (t + y) Df , (x, y) Db },

J I
erosion.
Page 54 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Et en niveaux de gris ...
Memes operations pour louverture et la fermeture
Page de Titre
JJ II
J I
Page 55 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Revenons a nos moutons...

Rehaussement simple de Kramer et Bruckner. Page daccueil
pour tout pixel (x, y) :

Page de Titre
1
M (x, y) = [(f b)(x, y) + (f b)(x, y)]
2 JJ II
Si f (x, y) M (x, y) g(x, y) = (f b)(x, y) J I

Sinon g(x, y) = (f b)(x, y)
De meilleurs resultats sont obtenus en combinant les sorties Page 56 de 252
doperateurs de contraste associes a des elements structu-
rants de differentes tailles : Retour
N
1 X
g(x, y) = gi(x, y) Plein ecran
N i=1
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Dune facon generale, pour exploiter au mieux linforma- Page de Titre
tion a priori des images, on introduit le contraste simple

generalise defini pour deux elements structurants b et b0 JJ II
tels que 0 appartienne aux supports des deux fonctions et
des deux scalaires , [0, 0.5].
J I
Si M (x, y) = (f b)(x, y) (f b0)(x, y),
(f b0 )(x, y) si(f b)(x, y) f (x, y) M (x, y)

Page 57 de 252
g(x, y) = (f b0 )(x, y) sif (x, y) (f b)(x, y) M (x, y)

f (x, y) sinon

Retour
Plein ecran
Fermer
Quitter
Pretraitements>Traitements photometriques et colorimetriques>Rehaussement de contraste
Introduction
Pretraitements
Segmentation
Quantification
Le choix dune methode de rehaussement de contraste Page daccueil
depend des informations a priori disponibles.

Les methodes de type laplacien ont lavantage detre Page de Titre
simples. Elles sont neanmoins sensibles au bruit dimage.

De plus, des depassements peuvent se produire si le JJ II
phenomene de degradation nest pas stationnaire sur

toute limage. J I
Les autres methodes presentees ici sont plus complexes

a mettre en oeuvre, par leur non linearite ou par la dif- Page 58 de 252
ficulte du choix dun jeu de parametres adaptes. Elles

permettent toutefois dobtenir des resultats sensiblement Retour
meilleurs.
Plein ecran
Fermer
Quitter
Pretraitements>Traitements photometriques et colorimetriques>Reduction de bruit
Introduction
Pretraitements
Segmentation
2.6 Reduction de bruit Quantification
Les regions formant limage sont caracterisees par leur in- Page daccueil
tensite moyenne. Les fluctuations autour de cette intensite
moyenne proviennent Page de Titre
du dispositif dacquisition (camera, amplificateur, quan-
tification...) JJ II
de la scene elle-meme (poussieres, rayures...)
Perturbations affectant la qualite des traitements = J I
bruit.
Echelle spatiale des fluctuations relativement faible par Page 59 de 252
rapport aux dimensions des regions haute frequence.

Retour
Dans la plupart des cas, le bruit dimage est considere

Plein ecran
comme etant aleatoire, centre et additif.
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Le pretraitement se ramene alors a un probleme de traite- Page de Titre
ment du signal : retrouver par filtrage les niveaux dinten-

JJ II
site nominaux de chacune des regions.
Objectifs J I
reduire lamplitude des variations dintensite dans cha-
cune des regions Page 60 de 252
conserver les transitions entre regions adjacentes

Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Bruit dimage champ aleatoire. Page daccueil
Caracterisation au premier ordre : densite de probabilite

ou fonction de repartition. Page de Titre
JJ II
Modeles de bruit
f : image, g : information utile ; B : champ aleatoire.
J I
bruit additif.
f=g+B
Page 61 de 252
bruit multiplicatif :
f = g.B
Retour
bruit convolutif :
f = g*B
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Image sans bruit Page de Titre
JJ II
J I
Page 62 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Fonction de densite de probabilite du bruit Page daccueil
Page de Titre
Gaussien Rayleigh
JJ II
J I
Page 63 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page de Titre
Erlang Exponentiel
JJ II
J I
Page 64 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page de Titre
Uniforme Sel et poivre
JJ II
J I
Page 65 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Peut-on utiliser un filtre gaussien pour corriger un bruit Quantification
gaussien ?
Page daccueil
Page de Titre
1 (z)
2
p(z) = e 2 2
2 JJ II
estimation de et . J I
Page 66 de 252
Ici, on envisage la reduction de bruit comme lapplication
dun filtre, qui doit etre choisi pour etre le plus efficace Retour
possible, en fonction du bruit observe.
filtrage dans le domaine spatial Plein ecran
filtrage dans le domaine frequentiel

Fermer
Quitter
Pretraitements>Traitements photometriques et colorimetriques>Reduction de bruit>Filtrage lineaire stationnaire
Caracterisation spatiale : reponse impulsionnelle Introduction

Pretraitements
Caracterisation spectrale : fonction de transfert. Segmentation
Quantification
Passe-bas : attenuation des hautes frequences lissage
Passe-haut : attenuation des basses frequences renforcement des
Page daccueil
contours.
Passe-bande : attenuation des composantes de frequences intermediaires
Page de Titre
restauration.
JJ II
J I
Page 67 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
2.6.1 Domaine spatial Quantification
f(x,y) : image dentree Page daccueil

g(x,y) : image de sortie du filtre lineaire
h(x,y) : reponse impulsionnelle du filtre. Page de Titre
JJ II
Z Z
g(x, y) = f (x, y)h(x, y) = f (, )h(x, y)dd J I
Page 68 de 252
XX
g(x, y) = h[x m, y n]A[m, n] Retour
m n
Realisation pratique : application dun masque de convo- Plein ecran
lution.
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 69 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
Filtres de lissage
JJ II
filtre moyenneur
reduit le bruit J I
reduit les faibles details

cree du flou Page 70 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Dans le cas dun masque 3 3 : Quantification
1
h(x, y) = 9
: moyenne standard Page daccueil
Page de Titre
1
h(1, 1) = h(3, 1) = h(1, 3) = h(3, 3) = 16
1
h(2, 1) = h(2, 3) = h(1, 2) = h(3, 2) = 8 JJ II
h(2, 2) = 41 : moyenne ponderee
J I
Page 71 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 72 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 73 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Exemple
g=U+B, U echelon vertical, B bruit blanc stationnaire Page de Titre
centre de densite spectrale N20

JJ II
0 si x < 0
U (x, y) =
1 sinon J I
g(x, y) = h f (x, y) Page 74 de 252
= h U (x, y) + h B(x, y)
= D(x, y) + N (x, y) Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
N(x,y) : perturbation aleatoire dont on veut minimiser la Page daccueil
variance.
IE(g(x, y)) = D(x, y) Page de Titre
D(x,y) : composante deterministe que lon veut proche de

JJ II
lechelon initial U(x,y).
On choisit h telle que : J I
ZZ
h(x, y)dxdy = 1 Page 75 de 252
Z Z
Retour
V ar(N ) = N02 h2(x, y)dxdy
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Filtre moyenneur :
Page de Titre
1
t2
(x, y) [ t , t
] [ t t
, ]
h(x, y) = 2 2 2 2
0 sinon JJ II
N02
var(N ) = 2 J I
t
0 si x t 2
Page 76 de 252
t
D(x, y) = 1 si x 2
1 + x sinon Retour
2 t
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Filtre gaussien :
2 2
1 x 2+y2 N02 Page de Titre
h(x, y) = 22 e ,V ar(N ) = 4 2
,D(x, y) = erf ( x )
JJ II
J I
Page 77 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
Filtre exponentiel :
2 (x+y) 2 N02 JJ II
h(x, y) = 4 e , V ar(N ) = 16
1 x J I
e si x 0
D(x, y) = 2
1 x
1 2e sinon Page 78 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Volume important des donnees on cherche a implanter Pretraitements

Segmentation
les operateurs de maniere peu couteuse en temps de calcul Quantification
et taille memoire et si possible de facon parallelisable.

Page daccueil
Pour un filtre (2M + 1) (2N + 1) : Page de Titre
M
X N
X
g(x, y) = h(i, j)f (x i, y j) JJ II
i=M j=N
J I
Pour chaque pixel de g : (2M + 1)(2N + 1) operations.

Si : h(i, j) = h1(i)h2(j), Page 79 de 252
M N
X X Retour
g(x, y) = h1(i) h2(j)f (x i, y j)

i=M j=N Plein ecran
g sobtient par filtrage lineaire selon h2, puis filtrage

lineaire selon h1 Filtrage separable. Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Correspondance entre filtrage spatial et filtrage
frequentiel : theoreme de convolution. Page daccueil
Page de Titre
JJ II
J I
Page 80 de 252
Connaissant une fonction filtre dans le domaine

Retour
frequentiel, on peut obtenir un filtre correspondant dans
le domaine spatial en calculant la transformee de Fourier
Plein ecran
inverse de cette fonction filtre. Et reciproquement.
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
2.6.2 Domaine frequentiel

Page de Titre
JJ II
J I
Page 81 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 82 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
La recette : Page de Titre
multiplier f (x, y) par (1)x+y

calculer la transformee de Fourier de f F (u, v) JJ II
multiplier F (u, v) par un filtre

calculer la transformee de Fourier inverse du resultat J I
extraire la partie reelle

multiplier cette partie reelle par (1)x+y Page 83 de 252
admirer le resultat
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Rappels : la transformee de Fourier Quantification
Serie de Fourier : toute fonction f periodique peut etre

representee par la sommation de fonctions sinus et cosinus Page daccueil
de frequences diverses, chacune multipliee par un coeffi-

cient different Page de Titre

X JJ II
f (x) = ancos(nx) + bnsin(nx)
n=0
J I
En imagerie : pas de fonction periodique, mais fonctions

Page 84 de 252
finies, donc daires finies
Transformee de Fourier : toute fonction, meme non- Retour
periodique, mais dont laire sous la courbe est finie, peut

etre representee par lintegrale de fonctions sinus et cosinus, Plein ecran
chacune multipliee par un coefficient different

Fermer
Quitter
Introduction
Pretraitements
Rappels : la transformee de Fourier Segmentation
Transformee de Fourier 1D : Quantification
Z +
F (u) = f (x)e2juxdx Page daccueil

Page de Titre
Transformee de Fourier inverse 1D :
Z + JJ II
f (x) = F (u)e2juxdu

J I
Versions discretes :
Page 85 de 252
M 1
1 X ux
F (u) = f (x)e2j M u {0 M 1}
M x=0
Retour
M 1 Plein ecran
1 X ux
f (x) = F (u)e2j M x {0 M 1}
M u=0 Fermer
Quitter
Introduction
Pretraitements
Lanalyse de la transformee F (u) est souvent realisee en Quantification
polaires :p
Page daccueil
F(u) = R2(u) 2
h + Ii (u) : magnitude ou spectre
I(u)
(u) = Atan R(u) : phase Page de Titre
JJ II
J I
Page 86 de 252
Retour
Plein ecran
Fermer
Quitter
Rappels : la transformee de Fourier Introduction
Transformee de Fourier 2D : Pretraitements

Segmentation
Z + Z + Quantification
F (u, v) = f (x, y)e2j(ux+vy)dxdy

Page daccueil
Transformee de Fourier inverse 2D : Page de Titre

Z + Z +
f (x, y) = F (u, v)e2j(ux+vy)dudv JJ II

Versions discretes : J I
M 1 N 1
1 XX ux vy
F (u, v) = f (x, y)e2j( M + N ) Page 87 de 252
M N x=0 y=0
Retour
u {0 M 1}, v {0 N 1}
Plein ecran
M 1 N 1
1 X X ux vy
f (x, y) = F (u, v)e2j( M + N )
MN
u=0 v=0 Fermer
x {0 M 1}, y {0 N 1}
Quitter
Introduction
Pretraitements

Quantification
En general, on multiplie la fonction dentree par (1)x+y
pour centrer la fonction transformee. Page daccueil
Selon les proprietes des exposants :
x+y M N Page de Titre
T F [(1) f (x, y)] = F (u , v )

2 2
JJ II
J I
Page 88 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Rappels : la transformee de Fourier Pretraitements
Segmentation
Quantification
Echantillonnage dans le domaine spatial et dans le domaine
frequentiel : Page daccueil
1 1
u = , v = Page de Titre
M x N y
Interpretation intuitive du spectre JJ II
Chaque terme de F (u, v) est fonction de TOUTES les

J I
valeurs de f (x, y) ponderees par lexposant
Impossible de faire une relation entre les elements de
chaque fonction Page 89 de 252
Les frequences decrites par le spectre de la transformee de

Retour
Fourier sont reliees directement aux taux de changements
de niveaux de gris dans limage
Plein ecran
La valeur de F (0, 0) est la moyenne, a une frequence
nulle
Fermer
Plus on seloigne du centre, plus la frequence augmente
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Rappels : la transformee de Fourier
Page daccueil
Page de Titre
JJ II
J I
Page 90 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 91 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil

Page de Titre
JJ II
J I
Page 92 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
Revenons a nos moutons...
Suivant le type de filtre utilise, on aboutit a differents JJ II
resultats :
coupe bande : elimination ponctuelle J I
passe-bas
passe-haut Page 93 de 252
On sinteresse ici aux deuxieme type.
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
filtre passe-bas ideal Quantification
Coupe toutes les hautes frequences apres une distance Page daccueil
D0 du centre
Page de Titre
1 siD(u, v) D0
H(u, v) =
0 sinon JJ II
rh
M 2
i
N 2
avec D(u, v) = u 2 + v 2 J I
Page 94 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
filtre passe-bas ideal

Page de Titre
JJ II
J I
Page 95 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
filtre passe-bas ideal 1 ou 1/2 Page de Titre
Coupe 1/2 hautes frequences apres une distance D0 du JJ II

centre
1 siD(u, v) D0
H(u, v) = 1 J I
2
sinon
rh Page 96 de 252
M 2
i
N 2
avec D(u, v) = u 2 + v 2
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
filtre passe-bas ideal 1 ou 1/2

Page de Titre
JJ II
J I
Page 97 de 252
Retour
Plein ecran
Fermer
Quitter
Effet de la frequence de coupure D0 Introduction

Pretraitements
Evalue en fonction de lenergie comprise dans le cercle de Segmentation
M
X 1 X
N 1 Quantification
rayon D0 P (u, v) = F(u,v)2, PT = P (u, v)

Page daccueil
u=0 v=0
X X P (u, v)
% puissance = 100 (u, v) cercle Page de Titre
u v
PT
JJ II
J I
Page 98 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Effet de la frequence de coupure D0
Page daccueil
Page de Titre
JJ II
J I
Page 99 de 252
Retour
Plein ecran
Fermer
Quitter
Effet de la frequence de coupure D0 Introduction

Pretraitements
Phenomene de reverberation Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 100 de 252
Retour
Plein ecran
Fermer
Quitter
Filtre Butterworth passe-bas Introduction

Pretraitements
Coupe graduellement les hautes frequences selon D0 et n Segmentation
Quantification
1
H(u, v) = h i2n Page daccueil
D(u,v)
1+ D0
Page de Titre
avec
v"
u 2 2 # JJ II
u M N
D(u, v) = t u + v
2 2 J I
Page 101 de 252
Retour
Plein ecran
Fermer
D0 est choisie pour H(u, v) = 0.5

Quitter
Introduction
Pretraitements
Segmentation
Filtre Butterworth passe-bas Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 102 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Filtre Butterworth passe-bas

Phenomene de reverberation Page daccueil
Page de Titre
JJ II
J I
Page 103 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Filtre Gaussien passe-bas

Coupe graduellement les hautes frequences selon Page daccueil
2
D 2(u,v) Page de Titre
H(u, v) = e 2
= D0 JJ II
J I
Page 104 de 252
Retour
D(u, v) = D0 quand H(u, v) = 0.607 Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Filtre Gaussien passe-bas Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 105 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
Filtre Gaussien passe-bas JJ II
Pas de phenomene de reverberation J I

Moins agressif que le filtre ideal ou le filtre Butterworth
Moins de controle sur la selection precise de D0 Page 106 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Filtre Gaussien passe-bas

Page daccueil
Page de Titre
JJ II
J I
Page 107 de 252
Retour
Plein ecran
Fermer
Quitter
Pretraitements>Traitements photometriques et colorimetriques>Reduction de bruit>Filtrage non lineaire
Introduction
Pretraitements
Segmentation
Quantification
Inconvenient des filtres lineaires : la reduction de bruit sac- Page daccueil
compagne dun etalement des transitions entre regions.

La determination de leurs coefficients resulte dun com- Page de Titre
promis.
JJ II
Utilisation de filtres non lineaires.

J I
filtrage non lineaire modifications irreversibles
Operateurs les plus courants : Page 108 de 252
filtres dordre
filtres homomorphiques Retour
filtres morphologiques
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Filtre dordre Quantification
On considere une fenetre rectangulaire de taille Page daccueil
(2M + 1) (2N + 1) pixels, centree sur (x, y) de

f . En numerotant de 1 a L = (2M + 1) (2N + 1) Page de Titre
les pixels de cette fenetre, lensemble des donnees dispo-

nibles est : F = {fk , 1 k L} JJ II
J I
On trie les elements par ordre croissant.
On appelle j eme statistique dordre f (j) la valeur de rang
j dans F trie. Page 109 de 252
la sortie est definie comme une fonction des statistiques Retour
dordre.
Les donnees sont prises en compte selon leur rang dans Plein ecran
la fenetre danalyse et non selon leur disposition spatiale.

Fermer
Quitter
Introduction
Pretraitements
Segmentation
L-Filtre Quantification
L
X L
X Page daccueil
g(x, y) = gk f (k) gk = 1
k=1 k=1
Page de Titre
Dans le cas ou limage est homogene sans transition et lo-

calement modelisable par un bruit blanc de densite b, il est JJ II
possible doptimiser le choix des coefficients au sens dun
critere derreur quadratique. J I
La puissance du bruit en sortie dun L-filtre optimal est
toujours inferieure ou au pire egale a celle du meilleur filtre Page 110 de 252
lineaire (filtre moyenneur). Les valeurs des coefficients op-

timaux dependent de b : Retour
2 1
bruit gaussien de variance
1 N 0 : (k) gk = L
sik = 1 ou k = L Plein ecran
bruit uniforme : gk = 2
0 sinon
Fermer
Quitter
Introduction
Pretraitements
L-Filtre Segmentation
Quantification
Un des L-filtres les plus utilises : filtre median.
Page daccueil
insensible a la presence de valeurs aberrantes si leur

nombre est inferieur a L2 Page de Titre
utile dans le cas de perturbations a caractere impul-

sionnel, ou ayant une densite setalant vers linfini JJ II
ne change pas les transitions monotones entre regions
J I
Inconvenients :
Pour des bruits a distribution peut concentrees (gaussien,
Page 111 de 252
uniforme), ses performances sont faibles par rapport au
filtre dordre optimal
Retour
Peut affecter la geometrie des regions de limage. Les
zones presentant un angle aigu ont tendance a etre arron-
Plein ecran
dies par le filtrage. On perd linformation sur les points
anguleux
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Filtrage homomorphique Quantification
Leffet de flou peut etre cree par des variations locales de

leclairement qui, se traduisant de maniere multiplicative Page daccueil
dans limage, modifient laspect des frontieres entre regions.

Page de Titre
Image observee : f (x, y) = g(x, y).B(x, y) JJ II

g : image contenant des details nets
B image de leclairement dont les fluctuations sont a J I
echelle spatiale larges vis a vis des details de limage g
B : bruit multiplicatif basse frequence. Page 112 de 252
Filtrage homomorphique : separation des contributions de Retour
g et de B.
Le filtre lineaire a employer doit attenuer les basses Plein ecran
frequences et amplifier les hautes frequences.

Fermer
Quitter
Introduction
Pretraitements
Segmentation
Filtrage homomorphique Quantification
Page daccueil
Page de Titre
JJ II
phi et P hi : operateurs non lineaires reciproques.
h : reponse impulsionnelle dun filtre lineaire generalement
J I
passe-bas.
Page 113 de 252
Moyennes non lineaires :

a 0, p 6= 0, (a) = ap, (a) = a1/p, h filtre moyenneur Retour
p = 1 : filtre moyenneur
p = 1 : moyenne harmonique. Plein ecran
= ln, = exp : moyenne geometrique.

Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Filtrage homomorphique Page daccueil
Page de Titre
JJ II
J I
Page 114 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Filtrage morphologique Page daccueil
Lorsquon dispose dinformations a priori sur la taille et la Page de Titre
dimension des structures a localiser, ainsi que sur le signe

JJ II
du bruit (impulsions positives ou negatives), on peut cher-
cher a renforcer cette caracteristique par un traitement dis-
J I
symetrique (en terme de voisinage et dintensite) fonde sur
les techniques de la morphologie mathematique.
Page 115 de 252
Ouverture morphologique : supprime les impulsions po- Retour

sitives et preserve les impulsions negatives.
Effet inverse : fermeture Plein ecran
Fermer
Quitter
Filtrage morphologique Introduction

Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
Filtre morphologique = transformation idempotente et

croissante. J I
Louverture et la fermeture sobtiennent par combinaisons

de filtres de rang : Page 116 de 252
Erosion : filtre minimum

Dilatation : filtre maximum Retour
Ouverture et la fermeture induisent donc une modification

de la moyenne des intensites, dautant plus importante Plein ecran
que la taille de lelement structurant est grande et que

lamplitude du bruit est forte. Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Filtrage morphologique
Page daccueil
Pour pallier cet inconvenient : filtrage alterne

sequentiel : Page de Titre
{Oi} famille douvertures

JJ II
{Fi} famille de fermetures
associees a des elements structurants convexes {Ki} de
J I
meme forme et de taille croissante
Page 117 de 252
Filtre sequentiel :
Retour
g = Oi Fi Oi1 Fi1 O1 F1
Plein ecran
g = Fi Oi Fi1 Oi1 F1 O1
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Filtrage adaptatif : coefficients Quantification
filtre moyenneur pondere : chaque coefficient decrot avec Page daccueil
la similarite entre le pixel considere et le pixel du centre

de la fenetre Page de Titre
gradient inverse (filtre )

JJ II
M X
N
1 X f (x + i, y + j)
g(x, y) =
MN 1 + kf (x, y) f (x + i, y + j)k J I
i=1 j=1
M X
N
X k
Filtre de Saint-Marc : I ( k + 1)(x, y) = 1
MN I k (x + i, y + j)ekI k Page 118 de 252
i=1 j=1
Tobogan de Fairfield : creuse lhistogramme de limage en attribuant a
Retour
chaque pixel le niveau de gris du point de minimum de gradient le plus
proche dans un voisinage. Tous les points du chemin reliant ce pixel au
pixel de minimum de gradient se voient de plus affectes cette valeur, Plein ecran
marques pour ne plus etre traites, et le processus est itere jusqua ce que
tous les points soient marques.
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Filtrage adaptatif : fenetres Page daccueil
On recherche autour de chaque pixel la fenetre la plus

adaptee au filtrage Page de Titre
en selectionnant parmi une famille de fenetres celle qui

convient le mieux (Nagao) JJ II
en faisant crotre une fenetre et en controlant sa crois-
sance (Wu : predicat dhomogeneite). J I
Page 119 de 252
Retour
Plein ecran
Fermer
Quitter
Pretraitements>Traitements photometriques et colorimetriques>Restauration dimages>Modele
Introduction
2.7 Restauration dimages Pretraitements

Segmentation
Quantification
La restauration essaie de reconstruire ou de retrouver une
image qui a ete degradee en utilisant une connaissance a Page daccueil
priori sur le processus de degradation. Il sagit donc dans
un premier temps de modeliser le processus de degradation Page de Titre
et dappliquer linverse pour retrouver limage originale.

JJ II
Processus de degradation modelise comme un operateur H
qui, couple a un bruit additif (x,y) opere sur une image J I
g(x, y) pour produire une image degradee f (x, y).
Restauration = moyen dobtenir une approximation de Page 120 de 252
g(x, y), etant donnes f (x, y) et H.

Retour
Hypothese : connaissance de (x,y) limitee a une informa-

tion de nature statistique. Plein ecran
Relation dentree-sortie f (x, y) = H[g(x, y)] + (x, y) Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
(x,y)=0 g(x,y) = H[f(x,y)]

Page de Titre
Relation spatialement invariante si : JJ II
g(x, y), (, )H[g(x , y )] = f (x , y ) J I
g(x, y)h(x, y) g(x, y) = f (x, y) Page 121 de 252
comment trouver h ? Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
reponse du systeme a une impulsion de Dirac (PSF)

identification de la reponse du systeme a une source ponc- Page daccueil
tuelle
Page de Titre
JJ II
J I
Page 122 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Modele de degradation classique :

Page daccueil
Z Z
f (x, y) = g(, )h(x , y )dd Page de Titre
XX
f (i, j) = g(m, n)h(i m, j n) JJ II
m n
f = Hg J I
Utilisation des outils de resolution de systemes lineaires

Page 123 de 252
Methodes algebriques
Retour
Restauration sans contraintes

Restauration avec contraintes Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Restauration sans contraintes : on recherche gb telle que

Hbg approche f au sens des moindres carres Page daccueil
g k2
M inkf Hb Page de Titre
Restauration avec contraintes : JJ II

M inkQb g k2
J I
s.c.
kf Hb g k2 = knk2
Page 124 de 252
Q operateur lineaire en gb
utilisation dun multiplicateur de Lagrange Retour
gb = (H T H + 1 QT Q)1H T g Plein ecran
Fermer
Quitter
Pretraitements>Traitements photometriques et colorimetriques>Restauration dimages>Filtrage
Introduction
Pretraitements
Segmentation
Quantification
Filtrage inverse
Page daccueil
F (u,v)
G(u,
b v) =
H(u,v) Page de Titre
Image restauree : gb(x, y) = T F 1(G(u,

b v)) JJ II
J I
Problemes numeriques si H(u, v) petit.
Page 125 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Filtrage inverse Segmentation
b v) = 0 si H(u, v) petit frequence de
Solution : G(u, Quantification
coupure D0
Page daccueil
Page de Titre
JJ II
J I
Page 126 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Filtrage de Wiener
Page daccueil
Page de Titre
JJ II
J I
g (x, y) g(x, y)k2

On cherche a minimiser arg mingb kb
Page 127 de 252
Pg : DSP du signal ; Pn : DSP du bruit
Pg (u, v) Retour
W (u, v) = Pn (u,v)
Pg (u, v) + H(u,v) 2 Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Filtrage de Wiener
Page daccueil
Page de Titre
JJ II
J I
Page 128 de 252
Retour
Plein ecran
Fermer
Quitter
Pretraitements>Traitements photometriques et colorimetriques>Restauration dimages>Methodes iteratives
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Methodes iteratives Page de Titre
gb1 = f JJ II
fbk = gbk h
gbk+1 = gbk + (f fbk ) J I
Lucy-Richardson, Van Cittert, Maximum dentropie, Page 129 de 252
Tichonov-Miller
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Exemples - van Cittert

Arg ming (kf (x, y) h(x, y) gb(x, y)k2) Page daccueil
Page de Titre
JJ II
J I
Page 130 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Exemples - Landweber Quantification
Arg ming (kf (x, y) h(x, y) gb(x, y)k2)

Page daccueil
Page de Titre
JJ II
J I
Page 131 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Exemples : Tichonov-Miller
Arg ming (kf (x, y) h(x, y) g(x, y)k2 + k(x, y) gb(x, y)k2) Page de Titre
JJ II
J I
Page 132 de 252
Retour
Plein ecran
Fermer
Quitter
Segmentation
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
3 Segmentation
Page de Titre
Identifier et definir des objets dans limage

Image : un ensemble de regions disjointes. Idealement, JJ II
les regions ont un sens en dehors de leurs propres ca-

racteristiques picturales J I
Deux approches : Page 133 de 252

region : regroupement des pixels presentant une ca-
racteristique commune, derivee par exemple de linten- Retour
site des pixels

contour : mise en place des frontieres aux positions qui Plein ecran
rendent localement maximale la variation dun critere

Ces deux conceptions sont duales : une region definit son Fermer
contour, un contour definit une region.

Quitter
Segmentation>Problemes de connexite
Introduction
Pretraitements
3.1 Preambule : notion de connexite Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 134 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 135 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Theoreme de Jordan
Le complementaire de toute courbe 4-connexe fermee est
Page de Titre
formee de deux composantes 8-connexes
Le complementaire de toute courbe 8-connexe fermee est
JJ II
formee de deux composantes 4-connexes
J I
Page 136 de 252
Retour
Plein ecran
Fermer
Quitter
Segmentation>Approches region>Analyse de lhistogramme>Seuillage avec apprentissage
3.2 Approches region Introduction

Pretraitements
3.2.1 Methodes fondees sur lhistogramme Segmentation

Quantification
Idee : trouver les differents modes de lhistogramme,

representatifs dautant de classes dobjets dans limage. Page daccueil
Page de Titre
Seuillage avec apprentissage bayesien

Hypotheses : JJ II
connaissance sur les regions cadre bayesien
J I
stationnarite de limage
Pour deux populations X et Y , le seuil optimal de Page 137 de 252
separation est :
!
Z N Z S Retour
s/min CX P (X)P (n | X)dn + CY P (Y )P (n | T )dn

s 0
Plein ecran
P (n | X)(P (n | Y )) : probabilite conditionnelle quun

pixel de X (Y ) ait pour niveau de gris n. Fermer
CX (CY ) : cout des mauvaises classifications de X (Y ).

Quitter
Segmentation>Approches region>Analyse de lhistogramme>Seuillage avec apprentissage
Introduction
Pretraitements
Segmentation
Seuillage de Neyman-Pearson Quantification
Probabilite de fausse alarme pour une classe X :
Z s Page daccueil
Pf (X) = P (Y )P (n | Y )dn
0
Page de Titre
Probabilite de detection pour Pf donnee :
Z s
JJ II
Pd (X) = P (X)P (n | X)dn
0
J I
Seuil de Neyman-Pearson : s/M in Pd (Pf ) La decision

Page 138 de 252
se fait en comparant le rapport de vraisemblance a

Ce type de seuillage est moins sensible au choix des proba- Retour
bilites a priori et conduit en particulier a des decisions

plus proches de choix humains intuitifs que la decision Plein ecran
bayesienne, dans le cas dun evenement rare.

Fermer
Quitter
Segmentation>Approches region>Analyse de lhistogramme>Seuillage automatique
Introduction
Pretraitements
Seuillage automatique par calculs sur lhisto- Segmentation
gramme Quantification
Pas dapprentissage.
Page daccueil
On recherche generalement le(s) seuil(s)a partir dune
analyse de lhistogramme.
Page de Titre
Calculs sur lhistogramme : criteres statistiques globaux JJ II
J I
Page 139 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 140 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 141 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
Seuillage adaptatif : etude locale des criteres

JJ II
J I
Page 142 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Exemple : methodes de Niblack et de Sauvola Segmentation
Idee : faire varier le seuil dans limage en fonction des va- Quantification
leurs de la moyenne locale (x, y) et de lecart type local

Page daccueil
(x, y) calcules dans un voisinage de (x, y)
T (x, y) = (x, y) + k.(x, y) Page de Titre
taille du voisinage JJ II
valeur de k : determine la position du seuil par rapport
a m(x, y) J I
Dans le cas de fonds clairs textures, Niblack ne donne pas Page 143 de 252
de bons resultats
modification de Sauvola : Retour
(x, y)
T (x, y) = (x, y) + [1 + k. ]
R1 Plein ecran
R : domaine dynamique de la variance Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Exemple : methodes de Niblack et de Sauvola Page daccueil
Page de Titre
JJ II
J I
Page 144 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Exemple : methode de Sauvola Page de Titre
JJ II
J I
Page 145 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Methode dOtsu Segmentation
Quantification
Otsu formule le probleme comme une analyse discrimi-

Page daccueil
nante, pour laquelle il utilise une fonction critere parti-
culiere comme mesure de separation statistique
Page de Titre
Des statistiques sont calculees pour les deux classes de
valeurs dintensite separees par un seuil intensite JJ II
statistiques calculees pour chaque niveau dintensite i
(tous les seuils possibles) J I
le niveau qui optimise la fonction critere est choisi comme
seuil. Page 146 de 252
Mesure du critere discriminant
Bi2 Retour
1iL
T 2
Plein ecran
Bi2
: variance inter classe
2
T : variance totale Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Methode dOtsu Page daccueil
Page de Titre
JJ II
J I
Page 147 de 252
Retour
La methode fonctionne si le fond est uniforme et si la
resolution spatiale est suffisante Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Methode dOtsu
Lignes de faible contraste supprimees Page daccueil
Page de Titre
JJ II
J I
Ameliorations possibles : Page 148 de 252
ajustemement du seuil manuel (limite des methodes glo-

bales) Retour
pre traitement : filtrage passe-bas (connexions possibles

de lignes) Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Seuillage optimal
On suppose que limage contient deux regions de niveaux Page daccueil
de gris differents.
: lhistogramme est bimodal : Page de Titre
p(rk ) = P1p1(rk ) + P2p2(rk ) JJ II
pi densite de probabilite des niveaux de gris dans la J I

region i
Pi constante proportionnelle a laire de la region i Page 149 de 252
Hypothese : on connat (ou on suppose connatre) p1 et p2 Retour
il est possible de trouver un seuil optimal de separation

des deux regions Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Seuillage par hysteresis Page daccueil
S1-S2 : pixels rejetes Page de Titre
S2-S3 : pixels candidats

S3-S4 : pixels acceptes JJ II
J I
Page 150 de 252
Retour
Plein ecran
Fermer
Quitter
Segmentation>Approches region>Analyse de lhistogramme>Methodes de classification
Introduction
Methodes de classification Pretraitements

Segmentation
Foultitude de methodes, dont : Quantification
techniques de nuees dynamiques

reseaux de neurones Page daccueil
hyperplans/hypersurfaces separateurs
Page de Titre
Il est possible de classer une image meme lorsquelle est
acquise
JJ II
a plusieurs longueurs donde
avec differentes modalites J I
histogramme et classification multispectral(e).

Page 151 de 252
Principe :
Definition dun espace de representation Retour
definition dune metrique
{apprentissage} et classification Plein ecran
Dans les espaces de grandes dimension, reduction de di-

mension possible (ACP, ACI, analyse de Karhunen-Loeve) Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Exemple : approche par champs de Markov Page daccueil
Information image :
niveau de gris ou espace de representation Page de Titre
relations spatiales voisinage

JJ II
Voisinage contexte markovien

J I
topologie V :

s/ Vs Page 152 de 252
Vs = t tels que :
t Vs s Vt
Retour
Systeme de cliques C
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Exemple : approche par champs de Markov

Modelisation probabiliste de limage : vecteur aleatoire Page de Titre
X = (X1, , XCard(S)) = E Card(S)

Image x observee : realisation observee avec la probabilite JJ II
P (X = x)
J I
Hypothese markovienne : Page 153 de 252
P (Xs = xs | xr , r 6= s) = P (Xs = xs | xr , r Vs) Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Theoreme dHammersley-Clifford Page daccueil
S : ensemble fini ou denombrable ; V topologie sur S ; E

espace detats discret. Page de Titre
X : processus aleatoire a valeurs dans E Card(S)

(X champ de Markov relativement a V et P (X = x) > 0 JJ II
pour tout x ) (X est un champ de Gibbs de potentiel
associe a V ) J I
P (X = x)
P (Xs = xs | Xr = xr , r 6= s) = Page 154 de 252
P (Xr = xr , r 6= s)
eU (xs,xr ,r6=s) Retour
=X
eU (e,xr ,r6=s)
Plein ecran
eE
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Energie locale du site s :

X Page de Titre
Us(Xs = xs | Xr = xr , r Vs) = Uc(xs, Xr = xr , r Vs)

cC/sC JJ II
Energie globale : J I
X X
U (x) = Uc(x) + Uc(x) Page 155 de 252
cC/sC
/ cC/sC
X
= Uc(x) + Us(Xs = xs | Xr = xr , r Vs) Retour
cC/sC
/
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Exemple : approche par champs de Markov Page de Titre
eUs(Xs=xs|Xr =xr ,rVs) JJ II

P (Xs = xs | Xr = xr , r =
6 s) = X
eUs(Xs=xs|Xr =xr ,rVs) J I
xs E
Lexpression obtenue ne fait intervenir que les potentiels Page 156 de 252
de cliques dans lesquelles est implique s

Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Il suffit de definir sequentiellement une topologie, un

systeme de cliques, des potentiels de clique Uc et une Page de Titre
fonction denergie U pour preciser le processus de Markov

attache a limage Acces a la probabilite dune configu- JJ II
ration
J I
Probleme : realisation du tirage dune configuration donnee Page 157 de 252
suivant la loi de Gibbs du champ de Markov defini.

echantillonneur de Gibbs Retour
algorithme de Metropolis
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil

Page de Titre
Iteration realisation configuration suivant la loi de
Gibbs.
JJ II
Recherche des configurations les plus probables qui corres-
pondent a des etats denergie minimale : recuit simule. J I
Simulation par echantillonneur de Gibbs ou par
Metropolis dune configuration xn pour la loi de Gibbs Page 158 de 252
denergie UT(x) a partir de la configuration (n 1).
Mise a jour de T Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Modele de Potts : E = {1, ...n}, topologie 4- ou la 8-
Page de Titre
connexite dans une image 2D.
JJ II
si xs = xt
Uc={s,t}(xs, xt) = xsxt =
sinon
J I
> 0 configurations les plus probables = sites voisins
de ng egaux Page 159 de 252
zones homogenes de taille gouvernee par la valeur de

la constante de couplage. Retour
Plein ecran
Fermer
Quitter
Introduction
Exemple : approche par champs de Markov Pretraitements

Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 160 de 252
Retour
Plein ecran
Fermer
Quitter
Segmentation>Approches region>Transformation de regions
Introduction
Pretraitements
Segmentation
Quantification
3.2.2 Transformations de regions
Predicat P(Ri) : La region Ri est homogene Page daccueil
contraste : P(Ri) vrai max

sRX(f (x, y) minR (f (x, y) <
i i Page de Titre
ecart-type : P(Ri) vrai N1 (f (x, y) m)2 <

Ri
JJ II
distance interquartile
differences limitees : P(R i ) vrai (k, l) voisins | f (k) f (j) |<
J I
entropie : P(Ri) vrai p(f )log(p(f )) <
X
R i
Page 161 de 252
Partition : Ensemble de regions Ri telles que :

S Retour
Ri = f
(i 6= j) Ri Rj = Plein ecran
(i) Ri 6=
Fermer
Quitter
Segmentation>Approches region>Transformation de regions
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Il existe un tres grand nombre de partitions dune image

f , verifiant les predicats de region. Page de Titre
JJ II
On ne sait pas choisir quelle est la bonne partition.
Choix empiriques : J I
minimiser le cardinal de la partition

maximiser la taille de la plus petite region Page 162 de 252
maximiser une distance entre regions

rechercher les partitions tq : (k, l adjacents)P(Ri Rj ) = faux Retour
Plein ecran
Fermer
Quitter
Segmentation>Approches region>Transformation de regions>Croissance de regions
Introduction
Pretraitements
Croissance de region Segmentation
Partant de germes (seeds), on applique successivement a Quantification
limage des predicats plus severes que P. Ainsi, on com-

Page daccueil
mence a associer aux germes les seuls pixels qui sont en
tres bon accord avec le predicat. On reduit cette severite
Page de Titre
progressivement, et on se rapproche petit a petit de P.
Film croissance JJ II
J I
Page 163 de 252
Retour
Plein ecran
Fermer
Quitter
Segmentation>Approches region>Transformation de regions>Partage de regions
Introduction
Pretraitements
Segmentation
Quantification
Partage de regions
Page daccueil
Image = R, a laquelle on applique plusieurs divisions

produisant des ragions Ri Page de Titre
On teste P sur les Ri et on retient la meilleure subdivi-

JJ II
sion
le plus possible de regions satisfont P
J I
la meilleure valeur a un critere dechec (mesure de va-
riance testes dans les predicats)
Page 164 de 252
Strategies nombreuses
divisions par triangulation Retour
decomposition en quadtree
bipartitions regulieres verticale et horizontale Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 165 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 166 de 252
Retour
Film triangulation
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Exemple : lalgorithme des watersheds

Page daccueil
Image = surface topographique

Page de Titre
En inondant depuis le bas, et en enpechant leau de se
melanger depuis differentes sources, on definit :
JJ II
les bassins versants
la ligne de partage des eaux
J I
Page 167 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Les niveaux de gris sont des altitudes Page daccueil
Page de Titre
JJ II
Infiltration des cavites J I
Page 168 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Sur les profils

Page de Titre
JJ II
J I
Page 169 de 252
Retour
Plein ecran
Fermer
Quitter
Segmentation>Approches region>Transformation de regions>Fusion de regions
Introduction
Pretraitements
Fusion de regions Segmentation

Quantification
Inverse des methodes de partition.
Page daccueil
Methodes ascendantes pendant lesquelles tous les pixels

sont visites. Page de Titre
Pour chaque voisinage de pixel, P est teste

sil est verifie les pixels correspondants sont regroupes JJ II
dans une region

Apres le parcours de toute limage, les groupes de voisi- J I
nages se voient appliquer le meme test, et se voient reunir

si P est verifie. Le processus itere jusqua stabilite. Page 170 de 252
Tests de reunion de region tests statistiques. Retour
On se place souvent dans lhypothese de bruit gaussien sur

des fonctions a valeur moyenne constante, et dans ce cas Plein ecran
les tests statistiques usuels sont le 2, le test de Wilcoxon,

le test de Student ou de Fisher-Snedecor. Fermer
Quitter
Segmentation>Approches region>Transformation de regions>Fusion de regions
Introduction
Approches Split and Merge Pretraitements
Combiner des deux techniques precedentes Segmentation

Quantification
1. sur-segmentation de limage selon un predicat tres

strict Page daccueil
2. regroupement les regions adjacentes selon un predicat

Page de Titre
plus lache
JJ II
J I
Page 171 de 252
Retour
Plein ecran
Fermer
Quitter
Segmentation>Approches contour
Introduction
Pretraitements
Segmentation
Quantification
3.3 Approches contour

Page daccueil
Image supposee continue f (x, y). Contour =
lieu des points de fortes variations de f Page de Titre
lieu des maxima du module du gradient | f | dans la

direction f JJ II
( |f |
g
=0 f
(x0, y0) coutour 2|f | , g = |f |
. J I
g 2 < 0
Equation obtenue fortement non lineaire : Page 172 de 252
s s
2 2 2 2
f f f f f f Retour
+ + + =0
x x x y y y x y
Plein ecran
Fermer
Quitter
Segmentation>Approches contour
Introduction
Pretraitements
Segmentation
Quantification
Sauf en de rares cas particuliers, lequation nadmet pas de

solution explicite. Page daccueil
Resolution en deux etapes :

1. calcul de | f | Page de Titre
2. recherche des maxima de sa norme dans la direction JJ II

f
J I
Afin de garantir la classe C 2 de f meme en presence de
discontinuites dans limage, on pretraite f par convolution Page 173 de 252
avec une fonction type gaussienne.
Retour
On montre alors que si la courbure est faible, trouver les

points du contour revient a annuler f Plein ecran
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage spatial>Gradient
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
3.3.1 Approches classiques

JJ II
Les detecteurs de gradient par filtrage se proposent de re-
chercher un extremum de la derivee premiere de f , calculee
J I
de diverses manieres, par exemple a laide dun filtrage
passe-bas qui elimine les bruits suivi dun filtrage passe-
Page 174 de 252
haut. Generalement, le filtrage reste lineaire.
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Approximation de la derivee premiere :

f
x
Z 6 Z5 Page daccueil
f
y
Z 8 Z5
Roberts (cross differences) : Page de Titre
f
x
Z 8 Z6
JJ II
f
y
Z 9 Z5
p
gradient | f |= (Z9 Z5)2 + (Z8 Z6)2 J I
Page 175 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Filtrage spatial de Prewitt et Sobel Segmentation

Quantification
Page daccueil
Page de Titre
JJ II
J I
Isotropie horizontale et verticale : modification pour dia-

gonales Page 176 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Filtrage de Prewitt Page daccueil
Page de Titre
JJ II
J I
Page 177 de 252
Sans lissage Avec lissage Retour
Importance du lissage
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Filtrage de Sobel Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 178 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Operateurs a aretes orientees Pretraitements
On utilise 8 masques orientes (Compass masks) Segmentation

Quantification
Amplitude de larete : valeur maximale trouvee en appli-
quant chacun des masques
Page daccueil
Orientation : multiple de 45qui depend du masque qui
produit le maximum Page de Titre
Kirsh :
JJ II
J I
Page 179 de 252
Robinson : Retour
Plein ecran
Fermer
Quitter
Introduction
Operateurs a aretes orientees Pretraitements
On utilise 8 masques orientes (Compass masks) Segmentation

Quantification
Amplitude de larete : valeur maximale trouvee en appli-
quant chacun des masques
Page daccueil
Orientation : multiple de 45qui depend du masque qui
produit le maximum Page de Titre
Kirsh :
JJ II
J I
Page 180 de 252
Robinson : Retour
Plein ecran
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage spatial>Laplacien
Introduction
Pretraitements
Segmentation
Quantification
Approche Laplacien
Page daccueil
Approximation de la derivee seconde
Definition dun masque
Page de Titre
Probleme de linvariance a la rotation
Le laplacien est le plus simple operateur derivatif lineaire JJ II
isotrope
Dans sa version discrete, on utilise les differences centrees : J I
2f
(x, y) = f (x + 1, y) + f (x 1, y) 2f (x, y) Page 181 de 252
x2
2f Retour
(x, y) = f (x, y + 1) + f (x, y 1) 2f (x, y)
y 2
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
masque isotrope pour des rotations de /2

Page daccueil
Page de Titre
JJ II
J I
masque isotrope pour des rotations de /4
Page 182 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 183 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Lestimation de la derivee seconde etant par nature tres Segmentation
sensible aux bruit, il convient deffectuer un pretraitement Quantification
de filtrage fort de limage, conduisant pour un filtre passe-

Page daccueil
bas a
2f 2f
( 2 (x, y) + 2 (x, y)) Page de Titre
x y
gaussien filtre LOG (Laplacian Of Gaussian). JJ II
Dautres variantes existent, dont DOG (Difference Of
Gaussian) qui procede par difference de deux gaussiennes J I
dont les ecart types sont dans un rapport de 1.6 (simu-
lation du systeme visuel), et DOB (Difference Of Box), Page 184 de 252
approximation de DOG pour les filtres de grande taille.

Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 185 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 186 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Le laplacien peut servir de pretraitement pour la segmen-

tation de contours : Page daccueil
Soustraire limage transformee par le Laplacien de limage

originale resulte en une image aux details rehausses Page de Titre
JJ II
J I
Page 187 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 188 de 252
Retour
Plein ecran
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage spatial
Introduction
Recapitulatif Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 189 de 252
Retour
Plein ecran
Fermer
Quitter
Segmentation>Approches contour>Approches classiques>Filtrage frequentiel
Introduction
Contour : information haute frequence Pretraitements

Segmentation
filtrage passe-haut Quantification
filtre passe-haut ideal

Page daccueil
Coupe toutes les basses frequences avant une distance

Page de Titre
D0 du centre

0 siD(u, v) D0 JJ II
H(u, v) =
1 sinon
J I
rh
M 2
i
N 2
avec D(u, v) = u 2 + v 2 Page 190 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
filtre passe-haut ideal Page daccueil
Page de Titre
JJ II
J I
Page 191 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
filtre passe-haut ideal 1 ou 1/2 Page de Titre
Coupe 1/2 basses frequences avant une distance D0 du JJ II

centre 1
siD(u, v) D0
H(u, v) = 2 J I
1 sinon
rh Page 192 de 252
M 2
i
N 2
avec D(u, v) = u 2 + v 2
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
filtre passe-haut ideal 1 ou 1/2

Page daccueil
Page de Titre
JJ II
J I
Page 193 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Effet de la frequence de coupure D0

Page de Titre
JJ II
J I
Page 194 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Filtre Butterworth passe-haut Segmentation

Quantification
Coupe graduellement les basses frequences selon D0 et n
1 Page daccueil
H(u, v) = h i2n
D0
1+ D(u,v) Page de Titre
v"
u 2 2 # JJ II
u M N
D(u, v) = t u + v
2 2 J I
Page 195 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Filtre Butterworth passe-haut
Page de Titre
JJ II
J I
Page 196 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Filtre Gaussien passe-haut Page daccueil
Coupe graduellement les basses frequences selon

Page de Titre
2
D 2(u,v)
H(u, v) = 1 e 2
JJ II
= D0
J I
Page 197 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Filtre Gaussien passe-haut
Page de Titre
JJ II
J I
Page 198 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Reverberation (aliasing)
Page daccueil
Page de Titre
JJ II
J I
Page 199 de 252
Retour
Plein ecran
Fermer
Quitter
Segmentation>Approches contour>Approches analytiques>Filtre de Canny
Introduction
Pretraitements
Segmentation
Quantification
3.3.2 Approches analytiques

Page daccueil
En 1986, Canny a propose un filtre calcule a partir de trois

criteres non antagonistes Page de Titre
garantir une bonne detection de contour, meme a des

niveaux faibles JJ II
garantir une bonne localisation des contours
assurer une et une seule detection par contour J I
Le filtre de Canny est obtenu en exprimant ces trois Page 200 de 252
criteres sous la forme de loptimisation conjointe de trois

fonctionnelles, et lauteur a demontre quil etait lineaire Retour
et optimal pour la detection dune marche descalier sous

lhypothese dun bruit additif independant du signal. Plein ecran
Fermer
Quitter
Segmentation>Approches contour>Approches analytiques>Filtre de Canny
: reponse impulsionnelle du
R filtre 1D Introduction
(x)dx
bonne detection : f1 = R0 2 Pretraitements
Segmentation
(x)dx
Quantification
0 (0)
bonne localisation : f2 = R 02
(x)dx
0
| (0)|
reponse unique : f3 = R
Page daccueil
002
(x)dx
Page de Titre
Resolution : maximiser f1 et f2 sous la contrainte f3 Lap-
plication en 2D est effectuee par action de deux filtres
JJ II
croises en x et y. (idem nD)
J I
Page 201 de 252
Retour
Plein ecran
Fermer
Quitter
Segmentation>Approches contour>Approches analytiques>Filtres de Deriche
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Le filtre de Deriche repond aux memes exigences que le Page de Titre

filtre de Canny, mais possede en plus une reponse impul-
sionnelle infinie. Il a donc pu etre synthetise de maniere JJ II
recursive, et a pour expression generale
2 J I
(1 e ) |x|
(x) = e
e Page 202 de 252

avec =
relie a une notion dechelle de contour.
Retour
Plein ecran
Fermer
Quitter
Segmentation>Approches contour>Approches analytiques>Filtres analytiques
Introduction
Pretraitements
Segmentation
Plus generalement, dans une approche moderne de la Quantification
detection des contours, un filtre de detection se compose

de deux estimateurs de derivees, lun selon x , lautre selon Page daccueil
y . Lun de ces detecteurs (choisissons celui selon x ) se

compose du produit de 2 fonctions : Page de Titre
selon y cest une fonction passe-bas, symetrique (la fonc- JJ II

tion de prolongement), dont letendue est fonction de
limportance du bruit et de la distance que lon souhaite J I
respecter entre deux contours
selon x, cest une fonction passe-haut (anti-symetrique), Page 203 de 252
souvent egale a la derivee de la precedente.
Les couples fonctions de prolongement - derivees sont Retour
typiquement issus de la gaussienne (Canny), de lexponen-

tielle decroissante (Shen et Castan) ou du produit de lex- Plein ecran
ponentielle par x (Deriche)

Fermer
Quitter
Segmentation>Approches contour>Approches analytiques>Filtres analytiques
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 204 de 252
Retour
Plein ecran
Fermer
Quitter
Segmentation>Approches contour>Contours et surfaces actives
Introduction
Pretraitements
3.3.3 Approches physiques Segmentation
Quantification
Une approche tres differente des methodes vues jusquici a
ete proposee a la fin des annees 80 par Dmitri Terzopoulos, Page daccueil
sous la forme de contours pouvant se deplacer dans limage

pour aller rejoindre les vallees de niveaux de gris, et donc Page de Titre
les contours. Ces contours actifs, ou snakes, se deforment

sous laction de plusieurs forces : JJ II
une energie propre, assimilee a lenergie mecanique de
tension et de torsion dune ligne materielle J I
une energie potentielle, imposee par limage qui vise a
amener la courbe sur les contours (on parle dattache Page 205 de 252
aux donnees)
une energie externe, produite par lutilisateur pour tra- Retour
duire les contraintes specifiques au probleme de segmen-

tation quil se pose. Plein ecran
Sous ces energies, le contour actif va rechercher la position

denergie minimale. Fermer
Quitter
Definition parametrique du contour, en fonction dune va- Introduction

Pretraitements
riable sdans [0, 1] (abscisse curviligne par exemple) : Segmentation
x(s) Quantification
P (s) = .
y(s)
Page daccueil
Lenergie totale du contour C sexprime sous la forme :
Page de Titre
Z 1
E(c) = (Einterne(P (s)) + Eimage(P (s)) + Eexterne(P (s))) ds JJ II
0
ou J I
2
2 2
dP (s) d P (s)
Einterne(P (s)) = (s) + (s) Page 206 de 252
ds ds2
= tension + variation de courbure Retour
Plein ecran
et
(s) : coefficient delasticite Fermer
(s) : constante de raideur

Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Eimage = terme dattache aux donnees : caracterise les

contours que lon souhaite approcher. Dans le cas de la Page de Titre
detection simple de contours, ce sont par exemple les

lignes de fort gradient, JJ II
Eimage f J I
Eexterne : energie externe : permet par exemple de

Page 207 de 252
contraindre le contour a ressembler a un profil de contour
type, a sapprocher dun contour deja detecte dans une
Retour
sequence temporelle,...
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Resolution : approche variationnelle : en supposant que le
contour evolue vers un minimum denergie, et en designant Page daccueil
par P 0 et P 00 les derivees de P le long de la courbe, on

obtient une equation differentielle vectorielle du type Page de Titre
P (s) 0 0 00 00 | f |2
(s) + ((s)P ) ((s)P ) = JJ II
s dP
Discretisations : J I
par differences finies : les elements de la courbe sont

reduits en des points auxquels sont attaches les elements Page 208 de 252
mecaniques (masse, raideur...)

par elements finis : la courbe est discretisee en segments Retour
auxquels sont attaches les elements mecaniques (masse,

raideur...) moyens des points du segment Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 209 de 252
Retour
Plein ecran
Fermer
Quitter
Segmentation>Approches contour>Level Sets
Introduction
Pretraitements
Segmentation
Quantification
Level sets (ensembles de niveaux) : representations varia- Page daccueil
tionnelles de contours qui evoluent dans le temps, mais

different des contours actifs en ce que le contour cal- Page de Titre
cule peut changer de topologie et, par exemple, changer

de connexite (un contour simple peut par exemple don- JJ II
ner naissance a plusieurs contours fils qui vont evoluer
separement). J I
Principe general : plonger lespace de representation de

Page 210 de 252
limage (de dimension n=2 ou 3) dans un espace de di-
mension n+1.
Retour
contour defini comme lensemble de niveau 0 de la fonc-
tion representant le contour dans ce nouvel espace.
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
En dimension 2, P (s) est une ligne de niveau z = 0 de la
surface z = f (x, y), souvent prise comme la distance au Page de Titre
contour.
Sur le contour, on a : JJ II
dz z x z y
= + J I
ds x s y s
et la courbe de niveau evolue selon Page 211 de 252
z dP
= kzk.N Retour
t dt
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
Petits films... J I
Page 212 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Attention au probleme de fermeture de contours

Page de Titre
La plupart des methodes de detection de contour (contours JJ II

actifs et zeros du laplacien a part), fournissent des contours
ouverts, quil convient de fermer par un post traitement J I
pour avoir une segmentation interpretable.
programmation dynamique a partir de graphes (re- Page 213 de 252
cherche dun chemin reliant deux extremites)

automates Retour
Plein ecran
Fermer
Quitter
Quantification
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 214 de 252
Retour
Plein ecran
Fermer
Quitter
Quantification
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
4 Quantification J I
Objectif final du processus de traitement dimages :propo- Page 215 de 252
ser a lutilisateur un certain nombre dindices et dinfor-

mations sur les objets qui ont ete segmentes. Retour
quantification geometrique
Plein ecran
quantification radiometrique
Fermer
Quitter
Quantification>Quantification geometrique
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
4.1 Quantification geometrique

Page de Titre
Les operations et algorithmes morphologiques, ainsi que
les procedes de segmentation, permettent de separer les JJ II
objets dinteret dans limage.
J I
Il sagit maintenant de decrire geometriquement ces objets

description de forme Page 216 de 252
caracteristiques geometriques dun objet

approximation de forme Retour
Plein ecran
Fermer
Quitter
Quantification>Quantification geometrique>Codage de contour
Introduction
4.1.1 Codage de contour Pretraitements
Segmentation
contour = petits segments connectes de longueur et Quantification
dorientation specifiques
Page daccueil
Page de Titre
JJ II
J I
Page 217 de 252
Retour
Plein ecran
Fermer
Quitter
Quantification>Quantification geometrique>Codage de contour
Introduction
Codage de contour Pretraitements

Segmentation
Codage de Freeman (1961) : encore utilise (transmission Quantification
dimages par zones dans le standard MPEG). Ceci tient en

particulier aux bonnes proprietes de ce systeme, parmi les Page daccueil
lesquelles on peut citer :

rapidite de codage dune courbe par transformation affine Page de Titre
(un changement dechelle isotrope de facteur k est code

en repetant k fois chaque descripteur, et une rotation de JJ II
k./2 est obtenue en ajoutant ou retranchant k modulo

4 (ou 8 en 8 connexite) au code initial) ; J I
longueur d une courbe = nombre de descripteurs en 4

connexite, ou nombre de descripteurs pairs + 2. nombre Page 218 de 252
de descripteurs impairs en 8-connexite) ;

bonne capacite de compression : remplacement de Retour
sequences de p descripteurs consecutifs par un descrip-

teur equivalent ; Plein ecran
bonne capacite a integrer un schema de reconnaissance

des formes Fermer
Quitter
Quantification>Quantification geometrique>Signatures
Introduction
Pretraitements
4.1.2 Signatures Segmentation
Quantification
Representation en une dimension du contour de lobjet

Page daccueil
Peut etre la distance du centre versus langle de rotation Page de Titre

de laxes des x
JJ II
J I
Page 219 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Prise en compte de linvariance affine Segmentation

Quantification
par translation
par rotation Page daccueil
par mise a lechelle

Page de Titre
JJ II
J I
Page 220 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 221 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 222 de 252
Retour
Plein ecran
Fermer
Quitter
Quantification>Quantification geometrique>Caracteristiques geometriques
Introduction
Pretraitements
Segmentation
Quantification
Caracteristiques geometriques dun objet
Page daccueil
Page de Titre
JJ II
J I
Page 223 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
4.1.3 Caracteristiques geometriques dun ob- Quantification
jet
Page daccueil
Page de Titre
JJ II
J I
Page 224 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 225 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 226 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 227 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Moments Page daccueil
Connaissant lobjet binaire, une representation

geometrique classique de sa forme consiste a en mesu- Page de Titre
rer les divers moments :

Z Z JJ II
Mmn = xmy nf (x, y)dxdy

J I
En particulier, les moments centres par rapport au centre

dinertie (xc, yc) sont invariants par translation Page 228 de 252
Z Z
Retour
M
cmn = (x xc)m(y y c)nf (x, y)dxdy
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
Proprietes
Les moments dinertie (valeurs propres de la matrice
JJ II
dinertie, de termes M cmn avec m + n = 2) sont inva-
riants par rotation. J I
Les moments dinertie normes par la plus grande valeur
propre sont invariant par similitude Page 229 de 252
ils decrivent bien lallongement de formes regulieres

Retour
Plein ecran
Fermer
Quitter
Quantification>Quantification geometrique>Polygones de Guzman
Introduction
Pretraitements
Segmentation
4.1.4 Polygones de Guzman Quantification
Principe : envelopper lobjet dans des botes de plus en plus Page daccueil
petites, et de plus en plus adaptees a la forme de lobjet.
Formes prototype construits sur un maillage carre de Page de Titre
maniere systematique et se classent en niveaux en fonc-
tion de la longueur de leur perimetre. JJ II
Dans chaque niveau, les divers prototypes sont identifies
par un indice, et la forme la plus simple (le carre de cote J I
1) a une longueur 4 (et donc appartient au niveau 2).
Afin de tenir compte des symetries et des rotations de /2, Page 230 de 252
toutes les formes identiques par rotation modulo /2 et

toutes les formes identiques par symetrie droite sont rap- Retour
portees a un meme prototype dun dictionnaire des formes

Un objet quelconque est donc decrit par une suite din- Plein ecran
dices le decrivant a differents niveaux de resolution.

Fermer
Quitter
Quantification>Quantification geometrique>Polygones de Guzman
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 231 de 252
Retour
Plein ecran
Fermer
Quitter
Quantification>Quantification geometrique>Descripteurs de Fourier
Introduction
Pretraitements
Segmentation
4.1.5 descripteurs de Fourier Quantification
contour : courbe continue decrite par son abscisse curvi- Page daccueil
ligne s
parametrage : (s) : angle fait par le vecteur tangent en Page de Titre
chaque point et celui au pointorigine

construction de (t) = 2s L
2s
L
JJ II
: fonction 2 periodique admet un developpement en
serie de Fourier J I

X
(t) = azk eikt Page 232 de 252
k=0
Retour
ak : descripteur de Fourier
invariants par transformation affine Plein ecran
invariants par changement dorigine

Fermer
Quitter
Quantification>Quantification geometrique>Descripteurs de Fourier
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 233 de 252
Retour
Plein ecran
Fermer
Quitter
Quantification>Quantification geometrique>Approximations polynomiales
Introduction
4.1.6 Approximations polynomiales Pretraitements

Segmentation
Quantification
Simplification de contours - exemple de lalgorithme de
la corde
Page daccueil
processus de division recursive ou iterative de la courbe : Page de Titre
les sommets du polygone sont choisis successivement

comme les points de la courbe les plus eloignes des cordes JJ II
precedemment tirees. Le processus stoppe lorsque la nou-

velle distance candidate est inferieure a un seuil fixe. J I
Page 234 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Utilisation de splines
Lapproximation dun contour par des polynomes de degre Page daccueil
n est en soit une bonne idee, mais il faut bien choisir ce
degre : Page de Titre
le degre 1 assure la continuite du contour mais aucune

flexibilite JJ II
le degre 2 permet davoir des derivees continues
le degre 3 permet davoir des courbures continues J I
Au dela, le polynome a trop de degres de libertes et la
convergence uniforme du polynome vers la courbe nest Page 235 de 252
plus necessairement assuree.

Retour
Les fonctions splines permettent dapprocher (ou dinter-

Plein ecran
poler) un contour de maniere satisfaisante.
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Spline dordre k definie par morceaux en fonction

dune variable continue t [0, 1] Page daccueil
dun decopupage de [0, 1] en r+k sous intervalles [tj , tj+1]

de m points de controle Pi Page de Titre
Le morceau i est defini par :

JJ II
k1
X
Qi(t) = Pj Nrk (t) J I
j=0
Page 236 de 252

ou les Nrk sont les polynomes de Cox de Boor definis de
maniere recursive par Retour
1 si tt t ur+1
Nr1 (t) =
0 sinon
k ttr k1 tr+kt k1
Nr (t) = tr+k1 tr Nr (t) + tr+k tr+1 Nr+1 (t) Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Avec une telle definition, il est possible de faire

de lapproximation Page de Titre
de linterpolation
JJ II
J I
Page 237 de 252
Retour
Plein ecran
Fermer
Quitter
Quantification>Quantification geometrique>Transformee de Hough
Introduction
Pretraitements
Segmentation
4.1.7 Transformee de Hough Quantification
Outil tres puissant pour le traitement dimages et la re- Page daccueil
connaissance des formes.

Ici : on lutilise uniquement pour repondre a la question : Page de Titre
Connaissant un ensemble de N pixels P (potentiellement JJ II

bruite) appartenant a une frontiere que lon sait poly-
gonale, comment determiner le nombre de segments im- J I
pliques dans cette ligne polygonale et leur position ?
Page 238 de 252
Solution de Hough : transformer un probleme inconnu (re-
trouver des droites) en un probleme mieux connu : retrou- Retour
ver des nuages de points.
On associe a lespace image I un espace de parametres Plein ecran
H
Fermer
Quitter
Introduction
Transformation de 1 a m Pretraitements
Segmentation
On associe Quantification
1. a tout point Mi = (xi, yi) de P toutes les droites du

plan. Elles sont definies dans H par un couple (a, b) tel Page daccueil
que b = axi + yi.

Page de Titre
2. Lorsque lon transforme tous les points de P par la
transformation, on associe a I un ensemble de droites JJ II
qui, idealement, se coupent en des points Hk .
J I
3. Les transformes des Hk sont les droites cherchees dans
I. Page 239 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Transformation de m a 1 Pretraitements
Segmentation
Quantification
1. On associe a tout bipoint (Mi, Mj ) une droite ij de

I qui se transforme en un unique point Qij de H. Page daccueil
2. En recombinant tous les couples de points de P, on Page de Titre
obtient tous les points Q de H.

JJ II
3. Lespace de Hough est alors constitue de N (N 1)/2

points que lon identifie immediatement aux intersec- J I
tions des droites obtenues par la transformation de 1 a

m. Page 240 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Dans la pratique, H est discretise. Chaque cellule (ai, bi) Pretraitements
est un accumulateur. Segmentation

Quantification
Elle contiendra un nombre dautant plus important que la
droite y = aix + bi sera plus probable dans I Page daccueil
1. Les points sont visites individuellement : Chaque hy- Page de Titre
pothese donne naissance a des votes pour des cellules

particulieres. Pour chaque vote, laccumulateur de la JJ II
cellule est incremente de 1.

J I
2. Lorsque tous les candidats ont vote, on recherche les
accumulateurs de H localement maximaux Page 241 de 252
Rem : Retour
pour la detection de droite, on prefere travailler en po-
laires (parametres bornes) Plein ecran
toute forme parametrisable par un nombre reduit de
parametres peut faire lobjet dune transformation de Fermer
Hough (nombre de parametres = dimension de H).
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 242 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 243 de 252
Retour
Plein ecran
Fermer
Quitter
Quantification>Quantification radiometrique
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
4.2 Quantification radiometrique

JJ II
Par de la la forme des objets, il est interessant de quantifier
lensemble des niveaux de gris les constituant :
J I
activite fonctionnelle dun organe en imagerie medicale
expression dun gene sur des images de puces a ADN
Page 244 de 252
caracterisation de regions sur des images satellite.
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Par de la la forme des objets, il est interessant de quantifier

lensemble des niveaux de gris les constituant : Page de Titre
activite fonctionnelle dun organe en imagerie medicale

expression dun gene sur des images de puces a ADN JJ II
caracterisation de regions sur des images satellite.

J I
Essentiellement, la mesure est effectuee par des indices sta-

tistiques Page 245 de 252
du premier ordre
du second ordre Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
4.2.1 Indices du premier ordre

Page de Titre
moyenne
ecart-type JJ II
skewness
.. J I
en bref, moments du premier ordre sur lhistogramme
Page 246 de 252
Les moments de lhistogramme sont utiles mais ne

considerent pas la position relative des tons de gris Retour
Plein ecran
Fermer
Quitter
Quantification>Quantification radiometrique>Texture
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
4.2.2 Indices du second ordre
On peut denombrer les pixels dans une position relative JJ II
qui ont une valeur de gris similaire ou non Analyse de

coocurrence J I
Nombreuses applications, dont voici un exemple : analyse Page 247 de 252

de texture par les criteres dHaralick
Retour
Plein ecran
Fermer
Quitter
Quantification>Quantification radiometrique>Texture>Haralick
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
Caracterisation de textures : Haralick

JJ II
2
C(m, n) = {(M, N ) I /I(M ) = m, I(N ) = n, N = M +T }
J I
Probabilite jointe de lamplitude dun point M et de N =
M +T , obtenue en decomptant les occurrences des niveaux
de gris m de M et n de N Page 248 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
C(m, n)2
PP Segmentation
Energie : E = Quantification
m Pn P
Entropie : S = C(m, n) log(C(m, n))
Page daccueil
m n
P P (mnC(m,n)mn)
Correlation : c = m n
avec :
m n Page de Titre
1
P
m = N C(m, n)
n JJ II
n = N1
P
C(m, n)
m
1
P 2 J I
m = N (C(m, n) m)
n
1
P 2
n = N (C(m, n) n) Page 249 de 252
m
Retour
(m n)2C(m, n)
PP
Contraste C =
m n
P P C(m,n) Plein ecran
Homogeneite H = 1+|mn|
m n
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
Lanalyse de texture est un domaine vaste dans lequel de JJ II
nombreuses methodes existent

analyse spectrale (spectres de Fourier, de Mellin) J I
analyse par bancs de filtre (Gabor, ...)

Page 250 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 251 de 252
Retour
Plein ecran
Fermer
Quitter
Introduction
Pretraitements
Segmentation
Quantification
Page daccueil
Page de Titre
JJ II
J I
Page 252 de 252
Retour
Plein ecran
Fermer
Quitter

Diapos Cours PDF

Transféré par

Droits d'auteur :

Formats disponibles

Diapos Cours PDF

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

Diapos Cours PDF

Transféré par

Droits d'auteur :

Formats disponibles

Introduction

1 Introduction Page daccueil

Image = representation dune scene 3D Page de Titre

par des automates

Traitements de bas niveau : donnees de nature

Traitement dimages envisage en trois phases :

permettre une meilleure visualisation de limage

2 Pretraitements Page 6 de 252

Traitements photometriques et colorimetriques Retour

Rappel : echantillonnage et quantification

2.1.1 Analyse spatiale Segmentation

Rappel : echantillonnage et quantification

Analyse spatiale : transformation sur les pixels de limage

Lapproche principale des methodes danalyse est dutiliser Segmentation

Loperateur T est applique a chaque pixel (x, y)

g(x, y) = T (f (x, y)) Page 11 de 252

Utilisation dune table de reference (lookup table) JJ II

Extension du contraste Page daccueil

image avec plus de contrastes

Seuillage : cas limite de lextension de contraste Page daccueil

image avec plus de contrastes

Transformees lineaires, exponentielles, logarith- Pretraitements

Exemple : negatif dune image Page 15 de 252

logarithmique : g(x, y) = c.log(1 + f (x, y)), c > 0

< 1 : etire les faibles valeurs, compresse les valeurs foncees

Transformation par morceaux Segmentation

Necessite la definition de variables Fermer

Lusage de regions de taille plus importante permet plus

Definition de la taille du masque : carree, impaire. Page 21 de 252

Relation a la notion de convolution...

g(x, y) = w(i, j)f (x + i, y + j)

2.2 Analyse dhistogramme

n : nombre total de pixels p(rk ) probabilite dobserver Plein ecran

Etirement Page daccueil

Une image a haut contraste aura un histogramme bien

Un histogramme bien reparti permettra dobtenir un bon

Etirement Page de Titre

[m, M ] intervalle de codage des niveaux de gris

Etirement : elimination des tons extremes

Etirement : elimination des tons extremes

Compression Page daccueil

Formellement Page 32 de 252

[m, M ] intervalle de codage des niveaux de gris

Egalisation dhistogramme Quantification

Consiste a rendre le plus plat possible, lhistogramme des

Limage est associee a une modelisation probabiliste dont

riable niveau de gris.

]M inf (x, y), M axf (x, y)[

Probleme : chercher T continue, derivable au moins par

aleatoire G=T(F) soit uniformement repartie dans linter-

Soit g la densite de probabilite de G et T 0 la fonction

T 0(r) gmax gmin

Operations point a point

Dans certains cas, loperation arithmetique peut produire JJ II

ni : bruit = phenomene aleatoire

s : signal = phenomene reproductible

2.4 Operations logiques

procede point a point

operateurs fonctionnellement complets ( min, max...)