d92 Intro

Antoine MANZANERA - Cours de TI / ENSTA D9-2
Traitement d'images
et vision artificielle
Cours
Cours
ENSTA
ENSTA
D9-2
D9-2
Antoine Manzanera - Unit d'lectronique et d'Informatique
TI & Vision - Introduction
page 2
Ce cours a pour objectif la dcouverte de techniques parmi les plus rcentes en traitement d'images et en
vision par ordinateur.
Par traitement d'images, on dsigne l'ensemble des oprations sur les images numriques, qui
transforment une image en une autre image, ou en une autre primitive formelle.
La vision par ordinateur dsigne la comprhension d'une scne ou d'un phnomne partir
d'informations image, liant intimement perception, comportement et contrle.
Les domaines traits vont du traitement du signal l'intelligence artificielle, on ne saurait donc prtendre
l'exhaustivit, mais on vise plutt l'exploration d'un certain nombre de techniques importantes et
actuelles.
TI et vision sont des disciplines relativement jeunes (~annes 60) et qui voluent rapidement. Elles sont
en plein expansion et donnent lieu chaque anne une profusion de travaux, acadmiques,
technologiques, industriels.
Cette profusion s'explique par le caractre ardu du sujet : complexit algorithmique d aux normes
volumes de donnes, caractre mal pos des problmes et difficults formaliser une facult biologique
vidente.
D'autre part l'engouement pour ces disciplines s'explique par la multiplication permanente d'applications
et d'enjeux industriels dans des domaines aussi varis que : mdecine, tlcommunications, automobile,
mtorologie, dfense, jeux video, art, cologie...
Historique du Traitement d'Images
page 3
Images de
chambre bulles
Caractres
typographis
Imagerie satellite
et arienne
Imagerie mdicale
Tlesurveillance
et armement
Indexation
Robotique
mobile
Restauration
Amlioration
Classification
Dtection
Poursuite
Reconstruction
Localisation
Compression
Gestion des donnes
multimedia
EMPIRISME
RECONSTRUCTIONISME
VISION ACTIVE
Contrle qualit
MORPHOLOGIE
MATHEMATIQUE
EDP & SCALE
SPACE
1950
2005
Applications du TI - 1
page 4
ROBOTIQUE
conduite automatique
suivi et prhension
d'objets en robotique
mobile
PRAXITLE (INRIA) AIBO (SONY)
vitement d'obstacle
reconstruction 3D
environnement non structur / hostile
temps rel primordial

TELEDETECTION
Extraction automatique du relief partir d'images
satellite radar synthse d'ouverture (Univ. Bonn)
environnement
Image sonar d'une pave de sous-marin
reposant 5000m de profondeur (Nauticos)
exploration des fonds marins
surveillance du
trafic routier
Image d'un carrefour
(Univ. Karlsruhe)
gros volume de donnes
temps diffr possible

CONTRLE INDUSTRIEL
dtection de dfaut
vrification structure metallique des siges
autos par radiographie X (TEKCIM)
environnement matris
Applications du TI - 2
page 5
MULTIMEDIA MDECINE
tlchirurgie et ChAO
restauration d'images
codage et compression
peinture du XVe sicle ternie et caille restaure par filtrage
mdian et ajustement des couleurs (Univ. Qubec)
modle 3D de cerveau reconstitu partir de coupes
d'images acquises par rsonance magntique (Univ. Qubec)
Reconnaissance et resynthse de geste
pour le codage et la transmission du
langage sign (INT vry)
recherche d'images dans une base de donnes partir
d'une requte visuelle (ENSEA Cergy-Pontoise)
indexation d'images
estimation de mouvement sur squence
d'images chocardiographique (INRIA)
Aide au diagnostic
Reconnaissance d'action dans un match de
tennis pour l'indexation video (INRIA)
Segmentation
Dcodage / restitution
Systmes base de TI
page 6
S
c
n
e
Codage / compression
Dtection de contours
Calcul de gradient
Filtrage
Acquisition
Transmission
Analyse
Comprhension
Amlioration
Traitement

pS
I
x
( p)
U
xI
g
f ( I ( x))
Extraction
d'attributs
Plan du cours D9-2
08 01 2009 Introduction / Filtrage (AM)
15 01 2009 Espaces d'chelles / Couleur (AM)
16 01 2009 TP1 : Filtrage, Contours 1 (C)
22 01 2009 Segmentation (JCB)
23 01 2009 TP2 : Contours 2, Segmentation (C / Inti)
29 01 2009 EDPs / Level sets (PD)
30 01 2009 TP3 : EDPs (MATLAB)
05 02 2009 Mouvement / Estimation et Poursuite (AM)
06 02 2009 TP4 : Dtection du mouvement (C + SIMD)
12 02 2009 Vision 3d, Shape from shading, Strovision (RB+DF)
13 02 2009 Apprentissage et traitement d'images (OC)
20 02 2009 Fin des Tps + Vision active (JCB)
Bibliographie - Liens utiles
page 8
Livres :
J.P. Cocquerez et S. Philipp Analyse d'images : filtrage et segmentation Masson 1995
R.C. Gonzalez et Woods Digital Image Processing- 2d edition Addison Wesley 2002
A. Rosenfeld et A.C. Kak Digital picture processing Academic Press - London 1982.
H. Matre (ss la direction de) Le traitement des images Hermes Lavoisier IC2 2003.
J.R. Parker Algorithms for Image Processing and Computer Vision Wiley & Sons 1997.
S. Bres, J.M. Jolion, F. Lebourgeois Traitement et analyse des imagesnumriques Hermes

Lavoisier 2003
I.T. Young, J.J. Gerbrands et L.J. Van Vliet Fundamentals of Image Processing Universit
de Delft. (sur internet : http://www.ph.tn.tudelft.nl/~lucas/publications/1995/FIP95TYJGLV/FIP2.2.pdf)
D. Lingrand Introduction au Traitement d'images Vuibert 2004

Pages web :
Telesun INSA : http://telesun.insa-lyon.fr/~telesun/
Univ. de Delft : http://www-ict.its.tudelft.nl/html/education/courses/
Projet Marble : http://www.icbl.hw.ac.uk/marble/vision/low/fundamentals/intro.htm
CVOnLine - Univ. d'dimbourg : http://www.dai.ed.ac.uk/CVonline/

Logiciel support de cours
page 9
http://www.ensta.fr/~manzaner/Support_Cours.html
Beaucoup de traitements d'images prsents dans ce cours peuvent tre expriments en utilisant
le logiciel Inti 0.1, disponible sous trois versions diffrentes : (1) Gnraliste (2) Tutoriel de
morphologie (3) Tutoriel Fourier 2d.
version gnraliste :
version tutoriel Fourier 2d :
D9-2 : Plan du cours n1
page 10
I] Introduction aux images numriques
Types d'images
Vocabulaire
Echantillonnage et quantification
Outils fondamentaux
II] Traitements base d'histogramme
III] Filtres de lissage
Filtrage dans le domaine de Fourier
Filtrage par convolution
Implantation des filtres linaires
Filtres non linaires

IV] Filtres drivateurs
Filtrage dans le domaine de Fourier
Filtrage par convolution

I-1 Types d'images, de capteurs
page 11
Phnomne physique Grandeur mesure Capteur
mission et rflexion
de la lumire visible
cho ultrasonore
Rayonnement
infra-rouge
Rsonance magntique
Absorption des rayons X
cho lectromagntique
Rflectance, luminance,...
Luminance IR (chaleur), ...
Densit de tissus,...
Distance, spcularit de surfaces,..
CCD, CMOS,
Barettes CCD,...
Bolomtres, ,...
chographie,
sonar,...
Radar, SAR,...
Radiographie,
tomographie,...
Distance, densit de tissus,...
Prsence d'un corps chimique,... IRM, RMN,...
I-2 Vocabulaire (1)
page 12
Une image numrique I
Largeur
Hauteur
i
j
Le pixel [i,j]
O
I[i,j] = N
Indice de
colonne
Indice de
ligne
Valeur
Niveau de gris
(N
max
- N
min
) = nombre de niveaux de gris
Log
2
(N
max
- N
min
) = dynamique
N [N
min
,N
max
]
I-2 Vocabulaire (2)
page 13
Rsolution...
...spatiale :
...tonale :
6 bits 4 bits 3 bits 2 bits 1 bit
Quantification
chantillonnage
256x256 128x128 64x64 32x32
I-3 Echantillonnage et information
page 14
L'chantillonnage est une tape fondamentale qui
doit tenir compte du contenu informationnel
pertinent de l'image analyser. Sur l'exemple ci-
contre, en 1d, le signal chantillonn ressemble
une sinusode de frquence 8 fois plus faible :
Ce phnomne appel aliasing est encore
pire en 2d, car il affecte la frquence et la
direction des structures priodiques.
Imaginons par exemple qu'on souhaite
chantillonner l'image correspondant aux
bandes noires ci-contre :
page 15
Avec un chantillonnage adapt, l'image
numrique fait apparatre des structures
conformes l'information prsente dans
l'image :
Mais en considrant seulement 1
chantillon sur 2, une structure diffrente
apparat, dont l'analyse (ici des bandes
verticales, plus paisses) ne sera pas
conforme la ralit de l'objet :
page 16
Un exemple, sur une image de synthse :
Et sur une image
naturelle :
Image originale Image sous-chantillonne
I-4 Quantification et information
page 17
La quantification peut galement faire apparatre des
distortions dans les images :
Comme pour l'chantillonnage, il existe des rgles pour dterminer la bonne quantification
(le bon nombre de bits) pour coder les images numriques.
L'une dpend du capteur, et de sa capacit effective observer des signaux de valeurs
diffrentes : le rapport signal sur bruit.
Le rapport signal sur bruit est dfini partir du rapport entre l'amplitude des niveaux de gris
mesurables par le capteur (n
max
- n
min
) et le niveau du bruit, en gros l'cart-type s
n
de la
perturbation alatoire qui affecte les niveaux de gris. En prenant le logarithme, on a le
nombre de bits utile au capteur pour coder les images.
I-4 Entropie et information
page 18
Outre les capacits du capteur, le nombre de bits rellement
ncessaires pour coder une image varie d'une image
l'autre, en fonction de leur contenu informationnel.
Ce nombre dpend de l'entropie, dfinie partir de la
distribution des niveaux de gris de l'image (cf plus loin,
l'histogramme).
E=
i<N
p
i
log
2
( p
i
)
O N est le nombre de niveaux de gris prsents, p
i
est la proportion (0 < p
i
< 1) de
points de l'image ayant pour niveau de gris i. Cette grandeur reprsente le nombre
moyen de bits par pixel ncessaires pour coder toute l'information prsente. Elle est
utilise dans les techniques de compression sans perte pour adapter le volume de
donne des images leur contenu informationnel.
I-3 Outils fondamentaux
page 19
a) L'histogramme
b) La convolution
c) La transforme de Fourier
Outil de base pour l'tude des capteurs ou de la dynamique d'une scne, il est utilis par certains
oprateurs d'analyse. On retiendra cependant qu'il ne faut pas considrer l'histogramme comme une
caractristique fondamentale de l'image dans la mesure o on peut le transformer radicalement sans
changer significativement l'image.
C'est l'oprateur de base du traitement linaire des images. Apparue trs tt dans les premiers
systmes d'analyse d'images sous forme empirique et justifie par des considrations d'implantation,
ce n'est que plus tard qu'on a fourni des justifications physiques et fait le lien thorique avec les
filtres et le traitement du signal.
Outil fondamental d'analyse en traitement du signal, le pendant bidimensionnel de la TF et sa
version discrte peut tre appliqu avec profit aux images numriques. Si son utilisation en tant
qu'outil analytique et algorithmique s'est estompe en traitement d'images au profit d'approches
mieux adaptes la localisation spatiale des frquences (ondelettes), elle reste un outil thorique et
pdagogique intressant.
I-3-a Histogramme
page 20
Histogramme
Niveau de gris
Effectif
Histogramme cumulatif normalis
Effectif
relatif
Niveau de gris
H(x)
HC(x)
H(x) est le nombre
de pixels dont le
niveau de gris est
gal x.
HC(x) est le taux
de pixels dont le
niveau de gris est
infrieur x.
HC( x)=
i=0
x
H( x)
WH
L'histogramme reprsente la
rpartition des pixels en
fonction de leur niveau de
gris. Il fournit diverses
informations comme les
statistiques d'ordre (voir ci-
contre) et peut permettre
d'isoler des objets.
W
H
Min Max Mdian
I-3-b Convolution
page 21
( Ih)| x , y=
i=x
1
x
2
j=y
1
y
2
h|i , jI | xi , y j
Soit I une image numrique.
Soit h une fonction de [x
1
,x
2
][y
1
,y
2
] valeurs relles.
hg=gh
(hg)k =h( gk )=hgk
h( g+k )=(hg)+(hk )
Proprits de la convolution :
COMMUTATIVIT
ASSOCIATIVIT
DISTRIBUTIVIT / +
La fonction h est dite
noyau de convolution
La convolution de I par h est dfinie par :
Les nouvelles valeurs du pixel
sont calcules par produit scalaire
entre le noyau de convolution et le
voisinage correspondant du pixel.
x
y
h| x , y
I-3-c Transforme de Fourier (1)
page 22
F |u , v=
x=0
w1
y=0
h1
f | x , ye
2i n( ux+vy)/ wh
f | x , y=
1
wh
u=0
w1
v=0
h1
F |u , v e
2i n( ux+vy)/wh
La transforme de Fourier permet la dcomposition d'un signal f en combinaison linaire de
sinusodes complexes, dont les coefficients F[u,v] dit coefficients de Fourier, fournissent
des informations sur les frquences (u,v) et permettent des manipulations dans le domaine
frquentiel.
Transforme de Fourier discrte bidimensionelle :
Inverse :
Directe :
(x,y) sont les coordonnes
du domaine spatial
(u,v) sont les coordonnes
du domaine frquentiel
Proprits de la transforme de Fourier (1) :
F |u , v=F|u , ve
i |u , v
F |u , v=F |u+w , v+h
CRITURE SOUS FORME MODULE / PHASE
PRIODICIT
SYMTRIE
Si F est la transforme de Fourier d'une fonction relle f :
F |u , v=F |u ,v F| u , v=F |u ,v |u , v=|u ,v et donc : et
f | x , y - F |u , v
f
1
| x , y - F
1
|u , v
f
2
| x , y - F
2
| u, v
I-3-c Transforme de Fourier (2)

page 23
Proprits de la transforme de Fourier (2) :
af
1
| x , y+bf
2
| x , y - aF
1
|u , v+bF
2
|u , v
f
1
| x , yf
2
| x , y - F
1
|u , vF
2
|u , v
f | xx ' , yy ' - F |u , ve
2in( ux ' +vy' ) /wh
f | x , ye
2i n(u ' x+v ' y)/ wh
- F| uu' , vv'
x=0
w1
y=0
h1
f | x , y
2
=
1
wh
u=0
w1
v=0
h1
F |u , v
2
LINEARIT
CORRESPONDANCE CONVOLUTION / PRODUIT
f
1
| x , yf
2
| x , y - F
1
|u , vF
2
|u , v
TRANSLATIONS SPATIALES / FRQUENTIELLES
THORME DE PARSEVAL
DRIVATION
f | x , y
x
- iuF|u , v
f | x , y
y
- ivF|u , v et
si
Image
Module Phase
u
v
u
v
f | x , y ln(F |u , v) |u , v
TF
QUIZZ - Transforme de Fourier
Attribuez chaque image son spectre de Fourier
(1) (2) (3) (4)
(a) (b) (c) (d)
QUIZZ - Transforme de Fourier
Attribuez chaque image son spectre de Fourier
(1) (2) (3) (4)
(a) (b) (c) (d)
II Traitement base d'histogramme
page 26
(1) Normalisation
(2) galisation
(3) Segmentation
On prsente dans la suite quelques traitement d'analyse effectus uniquement partir
de l'histogramme. Retenons que certains de ces traitements sont souvent calculs au
niveau des capteurs, et qu'en gnral leur pertinence est trs intimement lie aux
condititions d'acquisition.
exploiter toute la dynamique de codage.
quilibrer la dynamique de codage et augmenter le contraste.
simplifier l'image en regroupant les pixels selon leurs valeurs.
II-1 Histogramme : normalisation
page 27
La normalisation d'histogramme, ou expansion de dynamique, est une transformation affine
du niveau de gris des pixels de telle sorte que l'image utilise toute la dynamique de
reprsentation.
histogramme d'origine
histogramme normalis
image d'origine f[x,y]
expansion de dynamique
f
new
[x,y] Nmax Nmin 2
D
- 1
f
new
| x , y=( f | x , yNmin)
2
D
1
NmaxNmin
D : dynamique
Nmin : la plus petite

valeur dans l'image
Nmax : la plus
grande valeur dans
l'image
Pour rendre la normalisation moins sensible
aux valeurs marginales (outliers), on utilise
gnralement un paramtre , 0<<1,et on
prend :
NminHC
1
()
NmaxHC
1
(1)
II-2 Histogramme : galisation
page 28
L'galisation d'histogramme est une transformation des niveaux de gris dont le principe est
d'quilibrer le mieux possible la distribution des pixels dans la dynamique (Idalement, on
cherche obtenir un histogramme plat).
f
new
| x , y=(2
D
1)
HC( f | x , y)
wh
D : dynamique
(w,h) : dimension de l'image
HC(.) : histogramme cumul
La technique classique consiste rendre le plus linaire

possible l'histogramme cumul de l'image en utilisant la
transformation suivante :
Original f[x,y] Aprs galisation f
new
[x,y]
Histogramme de f
Histogramme de f
new
Histogramme
cumul de f
Histogramme
cumul de f
new
Le rsultat est une augmentation global du contraste dans l'image. Notez dans l'exemple ci-dessus
l'accentuation des dfauts avec la mise en vidence du bruit spatial fixe (effet de tramage) de l'imageur infra-
rouge.
II-3 Histogramme : segmentation
page 29
Image originale
Image segmente
Histogramme cumul avec
agrgation des quantiles
Il existe des techniques de segmentation bases sur un regroupement des niveaux de gris
partir de l'histogramme. Ces techniques sont rarement efficaces car elles ne considrent
que la valeur des pixels sans tenir compte de critres gomtriques ou topologiques (voir
cours Segmentation).
Par exemple, la mthode ci-dessous calcule un certain nombre de quantiles partir de
l'histogramme cumul, les regroupe par classes en fonction d'un critre de distance, puis
attribut la mme tiquette aux pixels dont la valeur est la plus proche d'une classe donne
:
III Filtres de lissage
page 30
(1) Filtrage dans le domaine de Fourier
(2) Filtrage par convolution
(3) Implantation des filtres linaires
(4) Filtres non linaires
bruit d'acquisition, de numrisation, de transmission : les incertitudes dans les
diffrentes tapes de formation de l'image numrique induisent des fluctations
alatoires de la valeur des pixels ( droite, bruit gaussien). Les erreurs de
transmission font apparatre des valeurs aberrantes ( gauche, bruit
impulsionnel).
bruit de compression : les
techniques de compression d'image
avec perte produisent une distortion
dans l'image, comme cet effet de
bloc dans la transforme Jpeg (taux
de compression 1/25).
bruit spatial fixe : la non-uniformit
des dtecteurs dans la matrice de cet
imageur infra-rouge entrane une
texturation de l'image.
rendu : les images cods en demi-
teintes de l'imprimerie prsentent
grande chelle un effet pointilliste.
PLAN DU CHAPITRE :
Les filtres de lissage sont des oprateurs qui liminent des lments pertubateurs / non significatifs
dans les images numriques, soit pour amliorer leur visualisation, soit pour les simplifier en but
d'un traitement postrieur :
III-1 Filtrage dans le domaine de Fourier (1)
page 31
Filtrage passe-bas
Passe-
bas
TF
TF
-1
Le filtrage passe-bas est la
multiplication dans le domaine
frquentiel par une fonction porte
(fonction indicatrice d'un intervalle
[-u
max
,u
max
][-v
max
,v
max
]).
III-1 Filtrage dans le domaine de Fourier (2)
page 32
Filtrage coupe-bande
Coupe-
bande
TF TF
-1
Le filtrage coupe-bande est la
multiplication dans le domaine
frquentiel par une fonction bande
complmentaire, fonction indicatrice
de l'ensemble :
(
2
\ [-u
max
,u
max
][-v
max
,v
max
])
[-u
min
,u
min
][-v
min
,v
min
]
Notons que dans ce cas
comme le prcdent, la
valeur de la frquence
origine F[0,0] est
inchange. Or :
La somme des niveaux
de gris dans le domaine
spatiale reste donc
constante.
F |0,0=
x=0
w
y=0
h
f | x , y
III-2 Filtrage par convolution (1)
page 33
h( x , y)=
1
2nc
2
exp(
( x
2
+y
2
)
2c
2
) h( x , y)=
2
4
exp((x+y))
h( x , y)=
1
\
2
si( x , y)|\/ 2,+\/ 2
2
h( x , y)=0 sinon
1
25
(
1 1 1 1 1
1 1 1 1 1
1 1 1 1 1
1 1 1 1 1
1 1 1 1 1
)
1
864
(
11 23 29 23 11
23 48 62 48 23
29 62 80 62 29
23 48 62 48 23
11 23 29 23 11
)
1
80
(
1 1 3 1 1
1 3 7 3 1
3 7 16 7 3
1 3 7 3 1
1 1 3 1 1
)
Filtre moyenneur (5x5)
* Exemple de noyaux de convolution discrets :
* Rponse impulsionnelle :
Moyenne Gauss Exponentiel
* Reprsentation graphique de la rponse impulsionnelle (en 1d) :
La multiplication dans le domaine frquentiel correspond la convolution dans le domaine spatial. Un grand nombre
de filtres de lissage peut tre obtenu partir de noyaux de convolution symtriques et normaliss (de somme gale
1). Voici 3 famille de filtres parmi les plus utiliss :
Filtre gaussien (c = 1,41) Filtre exponentiel ( = 0,8)
III-2 Filtrage par convolution (2)
page 34
Filtre moyenneur (9x9)
6=
1
\
2
6=
1
4nc
2
6=
2
16
Image originale
* Coefficients de dispersion :
Coefficient de dispersion : pour un
chelon unitaire perturb par un bruit
blanc de variance v
2
, la variance du bruit
filtr devient v
2
.
chelon unit
chelon bruit
chelon bruit filtr
page 34
Filtre gaussien (c = 2,54) Filtre exponentiel ( = 0,44)
III-3 Implantation des filtres linaires
page 35
(a) multiplication dans le domaine de Fourier
(b) convolution directe par noyau (tronqu)
(c) noyaux sparables
(d) implantation rcursive des filtres rponse impulsionnelle infinie
En traitement d'images, les volumes de donnes traits sont bien sr trs importants. La
prise en compte du temps de calcul reste un lment majeur dans les algorithmes en
dpit des progrs technologiques exponentiels des microprocesseurs. L'implantation
des filtres linaires, en particulier ceux dont le support est grand, voire infini, est un
problme incontournable.
III-3-a Multiplication dans le domaine de Fourier
page 36
f
1
| x , yf
2
| x , y - F
1
|u , vF
2
|u , v
CORRESPONDANCE CONVOLUTION / PRODUIT
f
1
| x , yf
2
| x , y - F
1
|u , vF
2
|u , v
Grce la correspondance convolution-produit
dans la transforme de Fourier (TF), la
convolution de l'image f par un filtre de
rponse impusionnelle h peut se calculer
comme la TF inverse du produit FH, o F
(resp. H) est la TF de f (resp. h).
Fonction porte Sinus cardinal Gaussienne (c) Gaussienne (1/ c)
La complexit de l'implantation par multiplication dans le domaine frquentiel est celle de 2 calculs
de TF (1 direct + 1 inverse), plus 1 multiplication. Pour une image de taille NN, le cot de la
multiplication est en O(N
2
), et en utilisant la transforme de Fourier rapide (FFT), le cot de la TF est
en O(N.log
2
(N)).
Dans ce cas, la complexit est indpendante de la taille K du noyau de convolution. Ce type
d'implantation peut tre intressant pour des gros noyaux, (K
2
>> log
2
(N)). Il ncessite cependant une
grande prcision dans les valeurs de la TF (reprsentation en complexes flottants).
III-3-b/c convolution directe / noyaux sparables
page 37
1
80
(
1 1 3 1 1
1 3 7 3 1
3 7 16 7 3
1 3 7 3 1
1 1 3 1 1
)
La convolution de l'image f par un filtre de rponse impusionnelle h
reprsent par un noyau fini (ventuellement tronqu) peut tre calcul
directement par balayage des pixels de f et calcul de la somme des
valeurs des voisins de chaque pixel pondres par les valeurs du noyau
de convolution.
La complexit de l'implantation directe pour une image de taille NN et pour un noyau de
convolution de taille K, est en O(K
2
N
2
). Le cot par pixel est donc quadratique en fonction du
rayon du noyau.
Filtres sparables :
Lorsque la matrice de convolution peut s'crire comme produit d'un vecteur colonne et d'un vecteur
ligne :
h=|h
col
|h
lig
t
h| x , y=h
col
| xh
lig
| y
( Ih)| x , y=
i=x
1
x
2
j=y
1
y
2
h|i , jI | xi , y j=
i=x
1
x
2
h
col
|i
j=y
1
y
2
h
lig
| j I | xi , yj
Alors :
Et :
La complexit de l'implantation pour une image de taille NN et pour un noyau de convolution de
taille K, devient O(KN
2
). Le cot par pixel est donc linaire en fonction du rayon du noyau.
Les filtres moyenneur, gaussien, exponentiel sont des filtres sparables.
III-3-d Implantation rcursives des filtres IIR
page 38
La convolution directe par noyau fini permet d'implanter les filtres rponse impulsionnelle finie
(FIR), mais pose problme dans le cas des filtres rponse impulsionnelle infinie (IIR). On peut
approximer les filtres IIR en tronquant le noyau de convolution (on choisit par exemple des supports
de rayon 2 ou 3 pour approximer la gaussienne par un filtre FIR). On retiendra cependant que la
TF d'un filtre FIR tant support infini, on ne peut pas liminer totalement les hautes frquences
avec un filtre FIR.
Certains filtres IIR possdent la proprit de pouvoir tre calculs de manire rcursive. C'est le cas
du filtre exponentiel (cf TP 1), ou de certaines approximation du noyau gaussien. Le filtrage est en
gnral obtenu par un filtre causal, calcul par balayage direct, suivi d'un filtre anti-causal, calcul
par un balayage rtrograde :
Ex : filtre IIR 1D horizontal :
f |i =o
0
f |i +o
1
f |i1+o
2
f |i2
f |i =
0
f |i +
1
f |i+1+
2
f |i+2
La complexit de cette implantation est en O(N
2
), elle est en gnral indpendante des paramtres du
noyau de convolution. Elle a de plus donn lieu des implantations matrielles (circuits spcialiss).
Cependant les problmes de prcision ncessitent en gnral un passage en nombre flottant et donc
une augmentation de la dynamique.
Squence causale (directe)
Squence anti-causale (rtrograde)
III-4 Filtres non linaires
page 39
(a) Filtres d'ordre, mdian
(b) Filtres non linaires divers ex : Nagao
(c) Filtres morphologiques
Deux aspects du lissage sont concerns par le filtrage non linaire :
Le bruit impulsionnel : les filtres linaires liminent mal les valeurs

aberrantes.
L'intgrit des frontires : on souhaiterait liminer le bruit sans rendre

flous les frontires des objets.
III-4-a Filtres d'ordre, mdian
page 40
Les filtres d'ordres procdent en remplaant les valeurs de chaque pixel par la valeur qui
occupe un certain rang lorsqu'on trie les valeurs observes dans un certain voisinage du pixel.
voisinage : lment
structurant
V ( x , y)=a
1
, a
2
,, a
N
b
1
, b
2
,, b
N
a
1
, a
2
,, a
N
b
1
<b
2
<<b
N
j
k
| x , y=b
k
les valeurs dans le voisinage de (x,y) :
soit permutation de telle que
alors le filtre d'ordre de rang k est dfini par :
pour k=N/2, on parle de filtre mdian, pour k=1, d'rosion morphologique, pour k=N, de dilatation morphologique.
ex : bruit impulsionnel trait par un filtre mdian
(voisinage comme ci-dessus). oprateurs morphologiques : gauche Original au centre rosion
droite Dilatation (lment structurant comme ci-dessus)
Implantations du mdian :
calcul d'histogrammes locaux
tri des valeurs dans le voisinage (Quick Sort)
tri incrmental
.../...
III-4-b Filtres non linaires divers
page 41
D
1
D
2
D
3
D
4
D
5
D
6
D
7
D
8
D
9
Les 9 fentres de Nagao
On trouve dans la littrature de nombreux filtres combinant filtres d'ordre, moyennes robustes
(oprations linaires liminant les valeurs marginales), et anisotropie (le support des oprations
s'adapte en fonction des frontires locales). Nous dcrivons ici comme exemple le filtre de Nagao.
Le filtre de Nagao examine la fentre 5x5 centre
sur chaque pixel. 9 domaines sont dfinis dans cette
fentre (voir figure). On calcule pour chaque
domaine D
i
la moyenne j
i
et la variance v
i
. Le
rsultat de l'oprateur est la moyenne du domaine
qui prsente la plus faible variance.
original
gaussien (c = 1,5)
Nagao
gaussien puis Nagao
III-4-c Filtres morphologiques
page 42
...pour mmoire. Voir cours de morphologie mathmatique.
Original
Ouverture Fermeture Nivellement
Filtre
Altern
Squentiel
IV Filtres drivateurs
page 43
x
y
f |i , j
i
j
f
x
|i , j
f
y
|i , j
Les variations locales d'intensit constituent une source
primordiale d'information en traitement d'images. Elles
sont mesures par le gradient, fonction vectorielle des
pixels [i,j] :
f |i , j =
(
f
x
|i , j ,
f
y
|i , j
)
D'autres grandeurs diffrentielles sont utilises en
traitement d'images, comme le laplacien, fonction
scalaire de [i,j] :
A f |i , j =
2
f
x
2
|i , j+
2
f
y
2
|i , j
H
f
|i , j =
(

2
f
x
2
|i , j

2
f
x y
|i , j
2
f
x y
|i , j

2
f
y
2
|i , j
)
ou encore le hessien, fonction matricielle de [i,j] :
Le problme du calcul des filtres drivateurs dans les images numriques est l'approximation de ces
grandeurs diffrentielles dans notre espace discret ; on s'intresse aussi leur utilisation :
rhaussement, dtection de contours,...
IV Filtres drivateurs
page 44
(1) Filtrage dans le domaine de Fourier
(2) Filtrage par convolution
PLAN DU CHAPITRE :
Les filtres drivateurs sont des oprateurs
qui mettent en vidences certaines
variations spatiales dans les images. Ils
sont utiliss comme traitements de base
dans de nombreuses oprations, comme le
rhaussement de contraste ou la dtection
de contours :
rhaussement de contraste obtenu par
combinaison linaire avec le laplacien.
les contours (image de droite) constituent une simplification de l'image utile
dans de nombreuses applications. Dans les approches linaires, ils sont en
gnral obtenus partir des maxima locaux de la drive premire, ou des
passages par zro de la drive seconde :
f (x) f '(x) f ''(x)
IV-1 Filtrage dans le domaine de Fourier
page 45
Filtrage passe-haut
Image originale
Filtre passe-haut = 60 Filtre passe-haut = 20
TF
TF
-1
TF
-1
Le filtrage passe-haut correspond la multiplication dans le
domaine frquentiel d'une fonction porte-complmentaire.
IV-1 Filtrage dans le domaine de Fourier
page 46
Filtrage passe-bande
TF
TF
-1
Le filtrage passe-bande
correspond la
multiplication dans le
domaine frquentiel par
une fonction bande
symtrique.
Dans ce cas comme dans le
prcdent, la valeur de la
frquence origine (0,0) est
annule. Par consquent,
l'image correspondante
dans le domaine spatial est
de somme nulle, elle
comporte donc des valeurs
ngatives.
IV-2 Filtrage par convolution
page 47
|1 01
|
1
0
1

|121
h
x
=
|
1 0 1
2 0 2
1 0 1
h
y
=
|
1 2 1
0 0 0
1 2 1

Les approximations les plus simples des drives directionnelles se font par diffrences finies calcules
par convolution avec des noyaux trs simples :
|11 |
1
1
Par ex : , pour l'approximation de
f
x
, et : , pour l'approximation de
f
y
On utilise plus souvent , respectivement qui produisent des frontires plus paisses,
mais bien centres (phase nulle).
Ces oprations tant trs sensibles au bruit, on les combine en gneral avec un filtre lisseur dans la
direction orthogonale celle de drivation, par ex par le noyau suivant (ou sa transpose) :
Le calcul des drives directionnelles en x et en y revient finalement la convolution avec les noyaux
suivants, respectivement :
(Masques de Sobel)
f
x
|i , j =( f h
x
)|i , j
f
y
|i , j =( f h
y
)|i , j
, avec :
On peut ensuite calculer la norme du gradient :
f |i , j
2
=
.
f
x
|i , j
2
+ f
y
|i , j
2
f |i , j
1
= f
x
|i , j+ f
y
|i , j
f |i , j
=max f
x
|i , j , f
y
|i , j
Et son orientation :
arg ( f |i , j )=arctan
(
f
y
|i , j
f
x
|i , j
)
page 48
Gradient horizontal (Sobel) Gradient vertical (Sobel) Module du gradient de
Sobel
Original Noyau [-1 1] Noyau [-1 0 1]
Notons que les noyaux
drivateurs sont
somme nulle, la
transforme de Fourier
de leur rponse
impulsionnelle est donc
nulle l'origine.
page 49
L'approximation par diffrences finies la plus simple de la drive seconde est la convolution par le
noyau :
|121
|
1
2
1

, pour l'approximation de
2
f
x
2
, et : , pour l'approximation de
2
f
y
2
A f =
2
f
x
2
+
2
f
y
2
Le laplacien peut donc tre approxim par l'oprateur linaire suivant :
|
1
1 4 1
1

|
1 1 1
1 8 1
1 1 1
Laplacien en
4-connexit
Laplacien en
8-connexit
, ou encore
Original Laplacien 4-cx Laplacien 8-cx
IV-2 TI et porte des oprateurs
page 50
Original
Les oprateurs de traitement d'images possdent une certaine porte correspondant l'amplitude du
voisinage qui interagit.
Un exemple, l'opration de rhaussement de contraste (unsharp masking) :
R
f
| x , y= f | x , yA f | x , y ( : gain)
En soustrayant le laplacien l'image original, on augmente le contraste.
Mais le contraste est une notion multi-chelle :
Il faut donc des mcanismes pour adapter la porte des oprateurs (voir cours espaces d'chelle).
(c = 0.5 , = 3)
(c = 2.5 , = 10) (c = 7.5 , = 80)
Laplaciens calculs par
drives secondes de
noyaux gaussiens, pour
c = 1, puis 5, puis 15 :
Conclusion
page 51
A retenir pour ce cours :
(1) Qu'est-ce qu'une image numrique ?
chantillonnage
quantification
(2) Les outils fondamentaux
histogramme
convolution
transforme de Fourier
(3) Filtrage
Filtres lisseurs
Filtres diffrentiateurs
(4) Grandeurs diffrentielles
Calcul par diffrences finies

f |i , j =
(
f
x
|i , j ,
f
y
|i , j
)

d92 Intro

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

d92 Intro

Hochgeladen von

Copyright:

Verfügbare Formate

Antoine MANZANERA - Cours de TI / ENSTA D9-2

environnement non structur / hostile

temps rel primordial

gros volume de donnes

temps diffr possible

J.P. Cocquerez et S. Philipp Analyse d'images : filtrage et segmentation Masson 1995

S. Bres, J.M. Jolion, F. Lebourgeois Traitement et analyse des imagesnumriques Hermes

D. Lingrand Introduction au Traitement d'images Vuibert 2004

Telesun INSA : http://telesun.insa-lyon.fr/~telesun/

Univ. de Delft : http://www-ict.its.tudelft.nl/html/education/courses/

Projet Marble : http://www.icbl.hw.ac.uk/marble/vision/low/fundamentals/intro.htm

CVOnLine - Univ. d'dimbourg : http://www.dai.ed.ac.uk/CVonline/

Filtrage dans le domaine de Fourier

Filtrage par convolution

Implantation des filtres linaires

Filtres non linaires

Filtrage dans le domaine de Fourier

Filtrage par convolution

I-3-c Transforme de Fourier (2)

Nmin : la plus petite

(w,h) : dimension de l'image

HC(.) : histogramme cumul

La technique classique consiste rendre le plus linaire

Deux aspects du lissage sont concerns par le filtrage non linaire :

Le bruit impulsionnel : les filtres linaires liminent mal les valeurs

L'intgrit des frontires : on souhaiterait liminer le bruit sans rendre

calcul d'histogrammes locaux

tri des valeurs dans le voisinage (Quick Sort)

Calcul par diffrences finies

Das könnte Ihnen auch gefallen