Scribd Logo
Importer

Bienvenue sur Scribd !

  • 5 vues

    TI Seance6 Contours

    Transféré par

    mar ouane

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd

    TI Seance6 Contours

    Transféré par

    mar ouane
    5 vues32 pages

    Copyright

    © © All Rights Reserved

    Formats disponibles

    PDF, TXT ou lisez en ligne sur Scribd

    Avez-vous trouvé ce document utile ?

    Ce contenu est-il inapproprié ?

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    5 vues32 pages

    TI Seance6 Contours

    Transféré par

    mar ouane

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    sur 32

    Détection de contours

    Séparabilité d'un filtre de convolution


    Un filtre de convolution est dit séparable si:
    h(x,y) = hx(x).hy(y)
    ce qui se traduit pour le filtrage d’une image par: g′(x,y)=h(x,y) f(x,y)
    g′(x,y)=hy(y) (hx(x) f(x,y))

    Les principaux intérêts des filtres séparables sont :


    1. Ramener le problème du filtrage d’un signal bidimensionnel à celui du filtrage
    d’un signal monodimensionnel.
    2. Réduire le temps de calcul. Pour une convolution par un masque de filtrage de
    dimension N, la complexité est de 2N au lieu de N².
    3. Possibilité d’implanter récursivement le filtre.
    Séparabilité d'unDétection de contours
    filtre de convolution

    Contraintes: les poids des


    colonnes et lignes de h doivent 2D

    être proportionnels .

    Exemple:
    Détection de contours
    Exemples de filtres séparables
    Détection de contours

    Définition: Un contour est la Frontière qui sépare 2 objets (ou un objet du fond) dans
    une image.
     Une discontinuité de l’image ( variation brusque de l’intensité).
     Toute zone de discontinuité ne caractérise pas forcément un contour.
    Détection de contours
    Détection de contours

    Différents types de contours


    Détection de contours

    Modélisation du problème 1D
    Détection de contours

    Détection des points contours :


    utilisation d'un critère de décision.
     Dérivée première : maxima locaux.
     Dérivée seconde : passages par zéro.
    Détection de contours

    Modélisation du problème en 2D
     Gradient de f(x,y)

    Recherche des maxima locaux dans la direction du


    gradient
    Détection de contours
    Dérivée première en 2D (cas discret):
     Propriétés fondamentales du vecteur gradient.
     Le module du vecteur gradient représente la pente de la surface image en un point P :
    un module élevé traduit une forte variation du niveau de gris au voisinage de
    P.
     La direction du vecteur gradient correspond à celle de la plus grande pente en P. Le
    vecteur est orienté dans le sens de la montée (i.e. niveaux de gris croissants).
     Relation entre gradient et contour.
    Contour ↔ forte variation locale du niveau
    de gris élevé.
    Le vecteur gradient est perpendiculaire au
    contour.
    Détection de contours
    Exemple: Calcul du gradient en un pixel
    Détection de contours
    Approximation du gradient en x:
    Détection de contours

    Approximation du gradient en y:
    par la même approximation que pour x on obtient:

    Contours verticaux Contours horizontaux


    Détection de contours

    Exemple de détection de contour


    Détection de contours

    Filtre de Roberts Filtre pour détecter les diagonales


    Détection de contours

    Filtre de Prewitt et Sobel


    Les filtres de Prewitt et de Sobel sont aussi des operateurs de
    dérivation mais on y a introduit un operateur de lissage.
    L'image est convolutée avec les masques suivants
    (Prewitt c=1, Sobel c=2):

    Gx Gy
    Détection
    Lissage de contours
    + Dérivée
    Détection de contours
    Exemple de détection de contours
    Détection de contours

    Dérivée deuxième de l’image


     Une autre approche pour trouver les contours de l'image est d'utiliser la
    seconde dérivée de l'image.
     Pour cela, on utilise le Laplacien comme opérateur

    2 2
    Détection de contours

    Dérivée deuxième de l’image

    Les contours correspondent :


     Aux maxima de la première dérivée
     Aux passages par zéros de la deuxième dérivée
    Détection de contours
    Dérivées de l’image (
    source Caroline
    Rougier :Univ. Montréal)
    Détection de contours
    Laplacien par convolution
    Détection de contours
    Comparaison filtre Gradient vs Laplacien
    Détection de contours

    Quel Filtre choisir?


     Aucun opérateur n'est parfait pour détecter les contours
     En pratique, on obtient des contours incomplets
     il y a des pixels superflus
     il y a des manques
     il y a des erreurs de position et d'orientation des pixels contours
     Chacun semble avoir sa préférence pour une méthode ou une
    autre
     Un opérateur de détection de contour n'est qu'une première
    étape dans la chaîne de segmentation
    Détection de contours
    Résumé:
    Détection de contours
    La détection de contours
    Détection de contours
    Recherche des maximas locaux
    Détection de contours
    Détection de contours
    Détection de contours
    Maximas locaux: Exemple
    Détection
    Seuillage de contours
    des contours par hystérésis
    Détection de contours
    Seuillage par hystérésis: Exemple

    Vous aimerez peut-être aussi