MMTI
MMTI
MMTI
Traitement d'Images
_______________
Florent Dupont
[email protected]
LIRIS, équipe ORIGAMI
Support de cours :
http://liris.cnrs.fr/florent.dupont/Enseignement/MMTI.pdf
Objectifs
• Modèle fréquentiel
• Transformation de Fourier : définitions et propriétés
• Cas des images (signaux bi-dimensionnels)
• Filtre linéaire et produit de convolution
• Propriétés et lien avec la transformation de Fourier.
• Amélioration d'images (filtres passe bas, passe haut et passe bande)
• Echantillonnage des signaux
• Modèle théorique de l'échantillonnage régulier, théorème de Shannon
• Transformation de Fourier discrète
• Algorithme FFT
• Applications (analyse, compression…)
3
Pour commencer : quelques signaux élémentaires
utiles pour modéliser des phénomènes physiques
• Impulsion de Dirac
(t ) 0 pour t 0
(0)
(t )dt 1 impulsion de poids unité
(t)
Représentation 1
4
• propriétés
f(t) . (t) = f(0) . (t) localisation
f(t).(t)dt f(0)
f(t).(t t 0 )dt f(t 0 )
5
• Echelon unité (échelon de Heavyside)
t
u(t)
(t) dt
u(t) 0 pour t 0
u(t) 1 pour t 0
u(t)
Représentation 1
6
• Signal rectangulaire unité (ou créneau, ou porte)
remarques :
1 si t
1
(t) 2
(t)dt 1
1
0 si t
1 1
(t) u(t ) u(t )
2 2 2
avec u(t) : échelon unité
( t )
Représentation 1
t
1 1
2 2
7
remarques :
• Porte de largeur T
t
t
( )dt T
T
( )
t T T
( ) u(t ) u(t )
T T 2 2
t
( )
T
Représentation 1
t
T T
2 2
8
• signal sinusoïdal
s(t) = a cos (wt + j)
a : amplitude du signal
w : pulsation
w = 2p f avec f: fréquence
j : phase initiale
9
Notion de système
• Système
Toute entité, ou appareil qui effectue une transformation sur
un signal
e(t) s(t)
entrée sortie
10
• Propriétés
• Linéarité
entrée sortie
e1(t) s1(t)
t t
e1(t)+ e2(t) s1(t) + s2(t)
e2(t) t s2(t) t
t t
additivité
si e1(t) s1(t)
alors e1(t)+ e2(t) s1(t) + s2(t)
et e2(t) s2(t)
11
• linéarité
entrée sortie
e(t) s(t)
l e(t) l s (t)
t t
l t
l t
homogénéité
si e(t) s(t) lR, l.e(t)
alors l.s(t)
12
• Invariance ou stationnarité
entrée sortie
e(t) s(t)
t e(t-q) t s (t-q)
retard q retard q
t t
13
Si le système est linéaire et invariant, il existe une relation
intégro-différentielle linéaire à coefficients constants
entre e(t) et s(t).
• causalité
la réponse à l’instant t ne dépend pas des valeurs futures de l’entrée
système physique ou non-anticipateur
14
Notion de réponse impulsionnelle, Convolution
• réponse impulsionnelle
réponse à une impulsion de Dirac
(t) h(t)
• réponse indicielle
réponse à un échelon unité
u(t) gu(t)
15
• Sortie du système pour une entrée quelconque
Hypothèses :
• Le système est linéaire et invariant
• On connaît la réponse impulsionnelle
(t) h(t)
16
• Produit de convolution
e(t) * h(t)
e(q).h(t q)dq
de même que :
17
• Propriétés
• f(t) * g(t) = g(t) * f(t)
18
•Interprétation e(q)
qq
e( t) * h( t)
e(q).h( t q)dq
h(q).e( t q)dq e(-q)
e(t-q)
Pour obtenir la valeur de e(t)*h(t) à un
qq
instant t :
tt
• Retournement temporel de l’un des signaux h(q)
• Translation en t
• Produit point à point du signal retourné- qq
translaté avec l’autre signal
• Intégration h(q) e(t-q)
qq
tt
Aire = h(t)*e(t)
h(t)*e(t)
19
e( t ) * h( t ) e(q).h(t q)dq
20
Réponse fréquentielle
Soient une entrée e(t) = A e 2pjft (exponentielle complexe)
et un système de réponse impulsionnelle h(t)
sortie s(t)
s(t)= e(t) * h(t)
s(t)
e(t q).h(q)dq
Ae2 pjf (t q)h(q)dq
s(t)
Ae2 pjft e 2 pjfqh(q)dq
s(t) Ae2 pjft e 2 pjfqh(q)dq
21
s(t)=e(t).H(f)
H(f) fonction de transfert du système
Transformation de Fourier
22
Transformée de Fourier
• Définition
• Propriétés
• Transformées des signaux de test
• Transformée de Fourier des signaux à valeur
moyenne non nulle
23
Joseph Fourier (1768-1830)
Instruction chez les Bénédictins puis dans une école
militaire.
Participe à la révolution, manquant de peu de se faire
guillotiner durant la Terreur et sauvé de justesse par la
chute de Robespierre.
24
Définition
x(t) intégrable sur
F
2pjft df F 22ppjft
x( t ) X( f ).e
X( ff)) x
x((tt).e
).e jftdt
dt
1
F
-
Im (X(f)) = - x(t) sin(2pft) dt
25
• Exemples
26
• Exemples
27
• Propriétés
• Linéarité
F
x1( t ) x 2 ( t ) X1( f ) X 2 ( f )
1
F
Symétrie
F
x( t ) X( f )
1
F
Changement d’échelle
F
1 f
x(a.t ) X( )
1
a a
F
28
Conjugaison
F
x * (t) X * ( f )
1
F
Dualité
F
X( t ) x( f )
1
F
29
Translation
F
x( t q) e 2pjfq X( f )
1
F
F
e 2pjf0 t x( t ) X( f f0 )
1
F
Modulation temporelle
F 1
x(t). cos(2pf0t) X(f f0 ) X(f f0 )
1 2
F
F j
x(t). sin(2pf0t) X(f f0 ) X(f f0 )
1 2
F
30
Dérivation
F
dx( t )
2pjf .X( f )
dt
1
F
F
dn x( t )
(2pjf )n .X( f )
dt n
1
F
F
- 1 dX(f)
t.x( t )
1
2pj df
F
Convolution
F
x( t ) * y( t ) X( f ).Y( f )
1
F
F
x( t ).y( t ) X( f ) * Y( f )
1
F
31
Parité
F
x(t) réelle paire X(f ) réelle paire
F 1
F
x(t) réelle impaire X(f ) imaginaire impaire
F 1
F
x(t) imaginaire paire X(f ) imaginaire paire
F 1
F
x(t) imaginaire impaire X(f ) réelle impaire
F 1
Valeur initiale
x(0) X( f ).df X(0) x( t ).dt
32
• Fonctions périodiques ( séries de Fourier)
x(t) périodique de période T=1/f0
F
x( t ) C e 2pjnf0 t
n
X( f ) Cn .(f nf0 )
F 1
T
1 2 2pjnf0 t
avec Cn
T T x( t ).e dt
2
33
Transformées des fonctions usuelles
• porte unité F
sin(pf )
( t ) sinc(f )
1
pf
F
34
Transformées des fonctions usuelles
• Sinus cardinal F
sin(pt)
sinc(t) ( f )
pt
1
F
35
• porte de largeur T
F
t sin(pTf )
( ) T T. sinc(Tf )
T
1
pTf
F
36
• Impulsion de Dirac
F
( t ) 1
1
F
37
• Gaussienne
F
2 2
e pt e pf
1
F
38
• Exponentielle complexe
F
e 2pjf0 t ( f f0 )
1
F
39
• Fonctions harmoniques
F
cos(2pf0 t)
1
(f f0 ) (f f0 )
1
2
F
F
j
sin(2pf0 t) (f f0 ) (f f0 )
1
2
F
40
• Peigne de Dirac
F
(t nT)
1 1 1 n
IIIT ( t) III ( f ) ( f )
n
1
T T T n T
F
41
Transformée de Fourier des signaux à valeur moyenne
non nulle
X(f ) X0 (f ) x.(f )
1 dx(t)
X(f ) F x.(f )
2pjf dt
42
• Application: fonction signe
F j
sgn(t)
1 pf
F
43
• Application: échelon unité
F j 1
u(t) (f )
1 2pf 2
F
44
Interprétation de la transformée de Fourier
• Fréquence
Rapidité des variations
45
• Phase
localisation
46
Echantillonnage
• Echantillonnage et repliement spectral
• Filtres anti-repliement
• Restitution
• Echantillonnage fréquentiel
47
Echantillonnage
• Hypothèse
• Echantillonnage idéal durées d’observation infiniment brèves
48
• Signal échantillonné : š(t)
s(t) = s(t).|||T (t)
e
s(t) = s(t).(t - kTe )
k
• En fréquence
1 1 m 1 m
S(f) = S(f) *
Te
||| 1 (f )
T
S(f) * (f -
T
)
T
S(f -
T
)
Te e m e e m e
49
1 m
S(f)
Te m
S(f -
Te
)
• hypothèse :
S(f) est nul pour |f|>FM
s(t) est un signal à bande limitée
50
si Fe< 2 FM
superposition des différentes répliques
distorsion
repliement spectral ou "aliasing"
51
• Théorème de Shannon
(1949)
Fe > 2 FM
52
Exemples de distorsions dues au repliement
spectral
Echantillonnage correct
Cas particulier Fe = f0
53
Exemples de distorsions dues au repliement spectral
en 2D : effets de Moiré
54
Exemples de distorsions dues au repliement
spectral
Sous-
échantillonnage
55
Filtres anti-repliement
Remarques
• la bande passante du signal à échantillonner n’est pas
toujours connue a priori
• le signal contient souvent un bruit large bande
56
• Échantillonnage sans filtre anti-repliement
Erreur de repliement
S(f)
0 F e/2 f
• Échantillonnage avec préfiltrage
S(f)
0 F e/2 f
57
• Filtre anti-repliement idéal
( f ) réponse impulsionnelle Fesinc(t.Fe)
Fe
irréalisable : non causal
• Filtre réel
0.15
amplitude
0.1
0.05
0
-1000 -800 -600 -400 -200 0 200 400 600 800 1000
frequence (Hz)
signal sous-echantillonné
0.1
0.08
amplitude
0.06
0.04
0.02
0
-500 -400 -300 -200 -100 0 100 200 300 400 500
frequence (Hz)
signal sous-echantillonné après filtrage anti-repliement
0.1
amplitude
0.05
0
-500 -400 -300 -200 -100 0 100 200 300 400 500
frequence (Hz)
59
Effets du filtrage anti-repliement
60
Restitution
Hypothèse : échantillonnage sans repliement
1
On multiplie Š(f) par le filtre passe-bas idéal on retrouve S(f )
Te
Š(f)
1/T e
0 Fe /2 Fe f
1 f
S(f ) S(f ).( )
Te Fe
1 f
S(f ) S(f ).( )
Fe Fe
• En temporel :
1
s(t) s(t) * Fe. sin c(t.Fe )
Fe
61
Or, le signal est échantillonné pour t kTe Fk , donc
e
k k
s(t) F s( ).(t
F
)
k e e
donc k k
s(t) s( ).(t ) * sin c(t.Fe )
k Fe Fe
s(t) s(Fke ).sincFe.(tFke )
k
Formule d'interpolation de Shannon
inapplicable en pratique
correspond à un filtre de restitution dont la réponse
impulsionnelle est :
k
sin c Fe.(t )
Fe
62
restitution avec des filtres dont la réponse impulsionnelle est
limitée dans le temps.
63
• Restitution par opérateur linéaire
Le filtre cardinal idéal est remplacé par un filtre passe-
bas appelé filtre de lissage.
k k
s(t) F s( ).g(t
Fe
)
k e
64
Exemples
• extrapolateur d'ordre 0
Réponse impulsionnelle
Te
65
• extrapolateur d'ordre 1
On utilise les échantillons š[(k-1)Te] et š[kTe]:
Réponse impulsionnelle
Te
66
• interpolateur d'ordre 1
On utilise les échantillons š[kTe] et š[(k+1)Te]:
Réponse impulsionnelle
Te
67
• version tronquée de l’interpolateur idéal
On utilise les échantillons š[(k- m/2)Te] à š[(k+m/2)Te]:
Réponse impulsionnelle
Te
m m
- Te 0 2T e Te
2 2
68
Restitution et filtrage anti-repliement
70
x(t) X(f)
x(t )
X (f)
T 1/Fe Fe
71
Conclusion
Temps Fréquence
Echantillonnage Périodisation
Périodisation Echantillonnage
72
Transformée de Fourier
discrète
• Discrétisation de la transformée de Fourier
• Propriétés de la transformée de Fourier discrète
• TFD pour les signaux de durée illimitée
73
Transformée de Fourier d’un signal discret
Soit un signal échantillonné x(t) = x(kTe ).(t - kTe )
k
X(f )
k
x(kTe ).e 2pjfkTe (t - kTe )dt
2pjfkTe
X(f ) x(kTe ).e
k
1
X(f ) est périodique de période Fe
Te
1
2pj kTe
X ( f Fe ) x(kT ).e
k
e
2pjfkTe
.e Te
X(f )
74
• Transformation inverse
• X(f ) étant périodique, elle peut être décomposée en série de
Fourier
X ( f ) C k .e 2pjfkTe
C . (t kT )
k
Fe / 2 x (t )
1 k e
C
2pjfkTe k
X ( f ).e df
k
Fe Fe / 2
d’où
Fe / 2
1
2pjfkTe
x(kTe ) Ck X ( f ).e df
Fe Fe / 2
75
• Remarque
• l’intégrale peut également se calculer sur n’importe quel intervalle [f0,
f0+Fe]
• Difficultés
• f est une variable continue, donc pas adaptée à un traitement
numérique
• le calcul de X(f) fait intervenir une infinité de termes x(kTe)
76
Discrétisation de la fréquence
• On pose f=n.Df
• X(f)étant périodique, de période Fe, on calculera N
échantillons sur une période, d’où:
Fe 1
Df
N N .Te
• On peut donc approcher la formule de calcul des
x(kTe) par une somme discrète sur N points
1 N 1
x(kTe ) X(n.Df ).e2pjnDfkTe
Nn 0
nk
1 N 1 2pj
x(kTe ) X(n.Df ).e
Nn 0
N
77
• Remarque
Passage à une variable
discrète pour f
échantillonnage
du
spectre X(f )
n
f n.Df
N.Te
N 1 nk
2pj
X(n) x(k).e N
pour 0<n N-1 TFD
k 0
nk
1 N 1 2pj
x(k)
N
X(n).e N
pour 0<k N-1 TFDI
n0
79
Transformée de Fourier Discrète
(TFD)
80
• Remarque
81
Propriétés de la TFD
• Linéarité
x(k) et y(k) suites périodiques de même période N
Soient m,l
TFD[v(k)=mx(k)+ly(k)] = m.TFDx(k)]+l.TFDy(k)]
• Translation nk 0
2 pj
x(k - k 0 )
TFD
X(n).e N
kn0
2 pj
X(n - n0 )
TFDI
x(k).e N
82
• Produit de convolution
• Convolution périodique
x(k) et h(k) : signaux périodiques de même période N.
leur produit de convolution est un signal également périodique de
période N
N 1
y(k) x(l).h(k l)
l0
Y(n) X(n).H(n)
83
x(k)
-7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
h(k)
-7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
y(k)
-7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
84
• Calcul de la convolution par TFD
X(n)
x(k) TFD
(N points)
TFDI x(k)*h(k)
h(k) TFD
(N points) H(n)
85
• Cas des signaux de durée limitée
Soit Nx la durée du signal x(k) pour k=kxmin..kxmax Nx= kxmax-kxmin+1
et Nh la durée du signal h(k) pour k=khmin..khmax Nh= khmax-khmin+1
Premier point
k-khmin=kxmin
k=khmin+kxmin
Dernier point
k-khmax=kxmax
k=khmax+kxmax
86
k varie de khmin+kxmin à khmax+kxmax
Nombre de points :
Ny= khmax+kxmax - (khmin+kxmin)+1 = Nx+Nh-1 points
87
x(k)
Nx= 8
-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
h(k)
Nh= 4
-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10
y(k)
Nx+ Hh-1
k
-5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
88
• Calcul de la convolution par TFD
Il n’est pas possible de calculer ce produit en utilisant
une TFD de longueur Nx. Le recouvrement peut être
évité si l’on prolonge les deux signaux par des
échantillons nuls jusqu’à la durée Nx+Nh -1
X(n)
Ajout de Nh-1 TFD
x(k) zéros (Nx+Nh-1 points)
TFDI x(k)*h(k)
89
• Convolution fréquentielle
Soient x(k) et h(k) , deux suites périodiques de même période N.
Le produit de ces signaux est un signal également périodique de même
période N.
y(k)=x(k).h(k)
1 N 1 produit de convolution
Y(n)
N m0
X(m).H(n m)
90
• Corrélation
• signaux périodiques
x(k) et y(k) signaux réels périodiques de même période N.
Leur fonction d’intercorrélation, calculée sur une période est :
1 N 1
jxy (k)
N l0
x(l).y(l k)
91
• signaux de durée finie :
la fonction d’intercorrélation est donnée par :
N 1
jxy (k) x(l).y(l k) (signaux d’énergie finie)
l0
• Remarque :
si Nx et Ny sont les durées des signaux x(k) et y(k), la durée de la
fonction d’intercorrélation est Nx+Ny-1.
si l’on veut éviter les phénomènes de recouvrement, il faut
prolonger les signaux par des échantillons nuls jusqu’à une durée
Nx+Ny-1.
92
Transformée de Fourier discrète pour les signaux de
durée illimitée
• Fenêtre rectangulaire
multiplication par une fenêtre rectangulaire de N
échantillons N(k)
Il est nécessaire de choisir correctement :
• la position de la fenêtre par rapport au signal (pour conserver les
échantillons de plus forte amplitude)
• la valeur de N
93
On se ramène alors à l’étude d’un signal de durée
limitée xN(k) :
xN(k)=x(k).N(k)
• Hypothèses
• N(k) centré en 0
• N impair
94
Les échantillons de XN(n) sont une approximation des
échantillons de XN(f)
95
30
N=25
25
20
15
10
0
-1 0 1
-5
-10
96
Représentation des images
Représentation spatiale
• Représentation déterministe
image continue : f(x,y) fonctions de deux (ou plus) variables d’espace
image numérique : f(k,l) continues ou discrètes
x y
XY ( x, y ) ( ).( )
Exemple : X Y
avec
X
x 1 si x
( ) 2 Y
X 0 sin on
X
• Représentation statistique
f(x,y) ou f(k,l) variable aléatoire
Paramètres statistiques usuels
98
Représentation fréquentielle
• Transformée de Fourier continue
Représentation de l’image sur une base de fonctions
exponentielles complexes
• Cas mono-dimensionnel
F
f (x)
F(u).e 2pjux du
1
F
F(u)
f ( x ).e 2pjux dx
• Cas bidimensionnel
F
2pj(ux vy) 2
2pj(ux vy)
f(x, y) F(u, v).e du.dv
1
F(u, v) f(x, y).e dx.dy
F2
99
Représentation fréquentielle
Remarque
La transformée de Fourier est généralement complexe
Exemple
100
Représentation fréquentielle
• Propriétés
• Linéarité F[ f(x, y) ] F(u, v)
F[g(x, y)] G(u, v)
F[a f(x, y) b g(x, y)] a F(u, v) b G(u, v)
a
TF TF a TF
module
101
Représentation fréquentielle
• Propriétés
2pj(ux vy)
• Séparabilité F(u, v) f(x, y).e dx.dy
2pjux 2pjvy
F(u, v) f(x, y).e
dx .e dy
y y v
TF1D TF1D
u
suivant x suivant y
x u
module module
102
Représentation fréquentielle
• Propriétés
1 u v
• changement d'échelle F[ f(ax, by)] F( , )
ab a b
TF TF
module
103
Représentation fréquentielle
• Propriétés
• Décalage
-2pj(ux0 vy 0 )
F[ f(x - x0, y - y0 )] e F(u, v)
• Conjugaison
F[ f *(x, y)] F*(-u,-v)
• Convolution
F[f(x, y) * g(x, y) ] F(u, v) . G(u, v)
F[f(x, y) . g(x, y) ] F(u, v) * G(u, v)
• Cas mono-dimensionnel
M 1 mk TFD M 1 mk
1 2pj 2pj
f(k) F(m).e
Mm 0
M
F(m) f(k).e M
TFDI k 0
• Cas bidimensionnel
mk nl mk nl
M 1 N 1 2pj TFD N 1 M 1 2pj
1 M N M N
f(k, l)
MNm 0 n 0
F(m, n).e
F(m, n) f(k, l).e
TFDI l0 k 0
105
Représentation fréquentielle
• Transformée de Fourier discrète unitaire
• Cas mono-dimensionnel
M 1 mk TFD M 1 mk
1 2pj 1 2pj
f(k) F(m).e
Mm0
M
F(m) f(k).e
M k 0
M
TFDI
• Cas bidimensionnel
mk nl mk nl
M 1 N 1 2pj TFD N 1 M 1 2pj
1 M N 1 M N
f(k, l)
MN m 0 n 0
F(m, n).e
F(m, n)
MN l 0 k 0
f(k, l).e
TFDI
106
Représentation fréquentielle
• Propriétés
• Séparabilité
N 1 M 1 mk nl
2pj 2pj
F(m, n) f(k, l).e M .e
N
l 0 k 0
• Linéarité
TFD[ f(k, l) ] F(m, n)
TFD[g(k,l)] G(m, n)
• Décalage -2pj(
mk 0 nl0
)
TFD[ f(k - k 0 , l - l0 )] e M N F(m, n)
107
Représentation fréquentielle
• Propriétés
• Convolution
TFD[f(k, l) * g(k, l) ] F(m, n) . G(m, n)
TFD[f(k, l) . g(k, l) ] F(m, n) * G(m, n)
108
• Interprétation
• Module : orientation
q
Composante
continue
109
• Module : fréquence
1/n n
Composante
continue
110
• Phase : localisation
TF Module TF-1
TF-1
Module constant
111
• Phase : localisation
TF Module TF-1
TF Module TF-1
112
Systèmes bidimensionnels
• Système linéaire
f(x,y) système g(x,y)
a a
b
b
f1(x, y) g1(x, y)
a, b a f1(x, y) + b f2(x, y) a g1(x, y) + b g2(x, y)
f2(x, y) g2(x, y)
113
• Système invariant
115
• Interprétation du produit de convolution
g(x, y) f(x, y) * h(x, y) f(x' , y' ).h(x x' , y y' ).dx'.dy'
h(xh(-x',-y')
h(-x',y')
h(x',y')
1-x',y1-y')
• retournement de h y'
y2 y1
• translation en (x1,y1)
• produit point à point avec f(x',y')
f(x',y')
• intégration
résultat au point (x1,y1) x'
x1 x2
• translation en (x2,y2)
• produit point à point avec f(x',y')
• intégration
résultat au point (x2,y2) y
y2
y1
x
116
x1 x2
• Propriétes du produit de convolution
• commutativité
h(x,y)*g(x,y) = g(x,y)*h(x,y)
• associativité
[f1(x,y)*f2(x,y)]*f3(x,y) = f1(x,y)*[f2(x,y)*f3(x,y)]
• linéarité
[a f1(x,y) + b f2(x,y)]*g(x,y) = a f1(x,y)*g(x,y) + b f2(x,y)*g(x,y)
remarque
Le support de f(x,y)*h(x,y) est plus grand que l'image originale
problèmes de bord
117
• Domaine fréquentiel
118
Systèmes discrets
Image d'entrée système Image de sortie
f(k,l) h(k,l) g(k,l)
119
Systèmes discrets
120
Images numériques
• Acquisition
Échantillonnage
Image analogique + Image numérique
Quantification
Echantillonnage pixels
Quantification niveau de gris ou couleur
121
Echantillonnage
• Problème
• Choix des fréquences d'échantillonnage (résolution
spatiale, taille des images, temps de traitement )
122
Echantillonnage
• Echantillonnage théorique
multiplication par une brosse de Dirac
|||DxDy (x, y) (x mDx, y nDy)
m n
image échantillonnée
f (x, y) f(x, y).(x mDx, y nDy)
m n
d'où F(u, v) F(u, v) * 1 1 k l
Dx Dy k l
(u
Dx
,v
Dy
)
1 1 k l
F(u, v)
Dx Dy k l
F(u
Dx
,v
Dy
)
124
Echantillonnage
• hypothèse
le spectre est à bande limitée bornée par umax et par vmax
|F(u,v)|=0 pour |u|>umax et |v|>vmax
le spectre est entièrement contenu dans un rectangle de
côté 2umax 2vmax
125
Echantillonnage
Si Dx et Dy respectent la condition de Shannon :
1 1
2umax et 2vmax
Dx Dy
126
Echantillonnage
Effets de Moiré
127
Restitution
• Restitution par filtrage passe-bas
Fr (u, v) F(u, v).R(u, v)
• Image reconstruite
x y
fr (x, y) f (x, y) * sin c( ) sin c( )
Dx Dy
x y
fr (x, y) f(m.Dx, n.Dy).(x mDx, y nDy) * sin c( Dx
) sin c( )
Dy
m n
x y
fr (x, y) f(m.Dx, n.Dy). sin c( Dx
m) sin c(
Dy
n)
m n
129
Restitution
exemple
image initiale image restituée par extrapolateur image restituée par filtrage idéal
d’ordre 0
130
Quantification
variable continue f variable discrète f*
• quantification scalaire uniforme f*
intervalles égaux
valeurs de
erreur
reconstruction
de quantification
f
0
intervalle de
décision
131
Représentation des Images
•Formats d’images
• images monochromes ou en niveaux de gris
représentées par une fonction f(x,y) qui traduit une certaine grandeur (intensité lumineuse
par exemple) du point (x,y). L’image numérisée correspondante sera constituée d’un unique
tableau de nombres f(k,l).
La quantification se fait le plus souvent sur 8 bits (256 niveaux) parfois sur 12 ou 16 bits
Un cas particulier correspond aux images binaires pour lesquelles 2 valeurs seulement sont
permises pour f(k,l), souvent 0 (noir) et 1 (blanc).
+ +
133
Représentation des Images
• Formats d’images
• les images multi-spectrales :
Généralisation du cas précédent,
conduisant à n tableaux de nombres.
Pour la restitution, on peut visualiser
chaque composante séparément en
monochrome (ou en fausses
couleurs), ou affecter une couleur à
chaque bande spectrale et faire la
synthèse. Les couleurs résultantes
n’ont pas de réalité physique.
134
Représentation des Images
• Formats d’images
• Les images en fausses couleurs
Représentations colorées d’images monochromes ou multi-spectrales
meilleure lisibilité
135
Représentation des
Images
• Formats d’images
• Les images en couleurs indexées
Réduction des trois bandes RVB à une
image sur 8 bits associée à une
palette de 256 couleurs
Vraies couleurs
couleur adjacente
tramage
Diffusion d’erreur
137
Traitements de base
138
Descripteurs
• Profil de densité
139
Descripteurs
• Histogramme
nombre de points dont le niveau de gris est égal à un niveau donné
140
• Exemples
Surexposition
Offset trop élevé Offset trop faible Gain trop faible Gain trop fort Idéal
141
Descripteurs
• Histogramme cumulé
nombre de points dont le niveau de gris est inférieur ou égal à
un niveau donné
142
Traitements d’amélioration d’image
• Types de traitements
y y y
x x x
y y y
x x x 143
Opérations ponctuelles
Transformation du type
g(x,y)=h[f(x,y)]
Image Moniteur
LUT
d’entrée (Look Up Table)
vidéo
144
Opérations ponctuelles
• Seuillages - binarisation
145
Opérations ponctuelles
• Inversion positif-négatif
146
Opérations ponctuelles
• Renforcement du contraste
147
Opérations ponctuelles
• Recadrage linéaire du contraste
148
Opérations ponctuelles
• Egalisation d’histogramme
obtention d’un histogramme globalement plat
histogramme cumulé linéaire
entropie maximale
g(x,y)=h[f(x,y)]
149
Opérations ponctuelles
i : niveau de gris
Dfi intervalle correspondant au niveau i dans l’image d’entrée
pfi nombre d’échantillons dans ce niveau
150
Opérations ponctuelles
• Exemple
histogrammes
2
N
Q
histogrammes
cumulés
151
• Exemple recadrage égalisation
152
Opérations locales
• Filtrage linéaire
g(k, l) f(k, l) * h(k, l) f(m, n).h(k m, n l)
m n
153
Opérations locales
154
74 ter
Opérations locales
• Masques types 1 1 1
• Moyenneur 3x3 1
1 1 1
9
1 1 1
• exemple
155
Opérations locales
• Lissage avec pondération centrale
1 1 1 1 1 1 2 1
1 2 1 2 4 2 filtrage passe-bas
10 1 1 1 16 1 2 1
• rehaussement de contour
0 1 0 1 1 1
1 5 1 1 9 1
0 1 0 1 1 1
= +
157
Opérations locales
243 243
216 216 248
243 255
170 215
255 215 192
181 215
192 191
215
tri
170
191 181
192 192
215 215 215 216 243 243
248 255
médiane
• Domaine fréquentiel :
multiplication G(u,v) = F(u,v).H(u,v)
sélection de certaines composantes fréquentielles à partir d’un masque zonal
159
Opérations globales
• Exemple
F. Denis, F. Dupont
161
Problématique
Dégradations de l’image
162
Problématique
Dégradations de l’image
• Acquisition
Mauvaise mise au point
Mouvement objet système d’acquisition
Distorsions géométriques
Bruit des capteurs
Perturbations (atmosphériques, ….)
• Changement de support
Reproduction
Transmission
Mémorisation
163
Problématique
Modélisation par un système linéaire invariant
b(x,y)
bruit
164
Exemple de dégradations
• Mouvement de caméra
Hypothèses: déplacement selon x
temps d’exposition: T
vitesse de déplacement: a
pendant la durée de l’acquisition, un point s’est déplacé de aT.
h(x,y)
1
aT
aT
1 x 1
h(x, y) ( ). (y)
aT aT 2
165
Défocalisation
2r
F
F
h(x,y) = 1 pour x2 + y2 r2
0 pour x2 + y2 > r2
r : paramètre d’ouverture<
Turbulences atmosphériques
pa2 (x2 y2 )
h(x, y) e
166
Restauration par filtrage inverse
Filtrage inverse
• Hypothèse
Système convolutif, sans bruit additif.
g(x,y) = f(x,y)*h(x,y)
Problème si H(u,v) = 0
167
Restauration par filtrage inverse
Filtrage pseudo-inverse
Pour stabiliser le filtrage, on utilise un filtre de restauration
1
Hr (u, v ) si H(u, v )
H(u, v )
Hr (u, v ) 0 sin on
168
Restauration par filtrage inverse
Modèle avec bruit additif
g(x,y) = f(x,y)*h(x,y) + b(x,y)
G(u, v) B(u, v)
G(u,v) = F(u,v). H(u,v) + B(u,v) F(u, v)
H(u, v)
Pour les faibles valeurs de G(u,v), le terme B(u, v) peut être prépondérant
H(u, v)
169
Restauration par filtrage inverse
Spectre d’amplitude de
Image dégradée Spectre d’amplitude
la dégradation
2 E f̂ ( x, y ) f ( x, y )
2
• Remarque
Si l’image n’est pas bruitée , Sb(u,v) = 0
172
Lissage de Wiener
s’il n’y a pas de distorsion, mais seulement du bruit H(u,v) = 1
S f (u, v )
Hr (u, v )
S f (u, v ) Sb (u, v )
S f (u, v )
S sb (u, v ) rapport signal / bruit
Sb (u, v )
S f (u, v )
Sb (u, v ) S sb (u, v )
Hr (u, v )
S f (u, v ) S sb (u, v ) 1
1
Sb (u, v )
173
Techniques de « Inpainting »
Rappel restauration
g = f*h + b
g = image observée
f = image d’origine
h = dégradation, ici opérateur de masquage
-> l’information est perdue sur un domaine D
b = bruit
174
inf J (u ) inf
U U
(u ( x) f ( x)) 2 d l ( u ( x) )d
Terme d’attache aux données Terme de régularisation
0 si x D
u ( x )
u ( x) si x D
On cherche u tel que Ru soit proche de f
Avec un terme de régularité (l>0)
u ( u )
2 * f 2 * u ldiv( u )
t u
175
176
177
178
179
180