Beruflich Dokumente
Kultur Dokumente
TRAITEMENT DIMAGES
CONVOLUTION ET RESTAURATION DIMAGES
RIVIERE Nicolas
SOMMAIRE
Introduction . 2
Mthodes de traitement .. 6
Traitement, conservation et perte de linformation .. 6
Transformations ponctuelles (moyenne, mdiane, transformation spciale) ... 6
Rduction de bruit et moyenne . 9
Rduction de bruit par algorithme 9
Transforme de Fourier 10
Transforme par ondelettes .. 11
Conclusion ...
15
Bibliographie ... 16
17
RAPPEL DU SUJET
A partir dun signal deux dimensions et considr comme tant idal, ce projet consiste tudier les
principes de convolutions numriques. Aprs avoir modlis une chane dacquisition, nous essaierons
de reconstituer un signal correct, dpourvu de tout bruit parasite. Enfin, nous regarderons quelle
mthode est privilgier pour ltude dune image dgrade, celle dun chat.
INTRODUCTION
La mise en place de tels dispositifs peut tre dcrite par la situation suivante :
Emission
Chane d e stimulation
Systme
Environnement
Systme de
contrle et
dacquisition
(2)
(1)
(4)
(3)
Rception
Instrument
figure.1.a
(1)
Lorsque la chane de stimulation (partie suprieure du diagramme) nest pas prsente, on aboutit au diagramme
suivant, o le problme de linteraction entre la stimulation et lenvironnement ne se pose pas.
(2)
(3)
Systme
Environnement
(1)
(4)
Rception
Systme de
contrle et
dacquisition
Instrument
figure.1.b
Evidemment dans ce cas on na plus de contrle sur lenvironnement. Si on considre, dans un premier
temps, que linformation collecter est constitue de la runion de celle relative au systme et de celle
relative lenvironnement, on doit alors saffranchir des perturbations lies linstrument. Pour cela
deux possibilits sont envisageables :
-
Le premier cas induit ncessairement une augmentation du budget allou la ralisation. En revanche,
la seconde solution est aise mettre en uvre et permet de diminuer le cot de conception.
Pour illustrer les principales transformations que l'on peut oprer sur une image nous prendrons
l'image d'un chat.
Afin de simuler le rsultat de l'acquisition de l'image par un instrument (chane d'acquisition), nous
avons convolu l'image initiale I par une matrice reprsentant une fonction de transfert gaussienne,
la suite de quoi nous avons superpos un bruit ( densit spectrale constante), matrice gnre par la
fonction rand de MatLab :
Pour gnrer la matrice de flou F, nous avons construit une matrice carre de rang p impair dont la
valeur centrale ( [ (p+1)/2 ; (p+1)/2 ] ) correspond la valeur maximale de la gaussienne (=1) et dont
l'extension, en pixels, est fixe par le paramtre sigma. L'image dgrade est obtenue en appliquant la
fonction conv2(chat, flou, 'same') 1.
Le bruit B a les mmes dimensions que l'image ainsi, on peut additionner ces deux matrices pour
simuler le rsultat R de lopration dacquisition de limage par un instrument sommaire.
Il convient maintenant de dterminer quelle procdure nous devons utiliser pour restituer limage
initiale en veillant minimiser la perte dinformation. En effet, on peut crire R = I F + B . En
inversant cette relation, on peut (thoriquement) retrouver limage initiale selon I = ( R B ) F 1 .
Or B ne peut pas tre strictement dtermin, ce qui complique le problme.
Cette premire analyse nous conduit donc rechercher un algorithme visant estomper voire
extraire le bruit de limage. Pour cela deux voies nous semblent intressantes :
-
la transforme de Fourier.
METHODES DE TRAITEMENT
Avant dtudier plus en dtails les transformations voques prcdemment, il est important de
remarquer que tout traitement engendre ncessairement une perte dinformation. Pour lillustrer,
considrons une image laquelle on a ajout du bruit ; on peut montrer que la convolution de cette
image par une gaussienne quivaut un filtre passe-bas permettant ainsi de rduire le bruit souvent
caractris par des hautes frquences spatiales. La frquence de coupure est fonction de la largeur de la
gaussienne et, si celle-ci est trop troite dans lespace rciproque, on perd toute linformation. Le
graphique suivant nous impose un savant dosage entre un nombre ditrations trop faible ou trop
important.
Perte dinfo
/
Qt de bruit
Paramtre /
Nbre ditrations
- Reprsentation qualitative de la perte dinformation -
o TRANSFORMATIONS PONCTUELLES
MOYENNE
Si on considre un environnement 3x3, la moyenne est la valeur que lon affecte au pixel central et
qui est la moyenne (pondre ou non) des valeurs des niveaux des pixels de lenvironnement. Dans
limage qui nous intresse, les niveaux se rpartissent de 0 255 2, 0 pour le noir, 255 pour le blanc.
La moyenne non pondre se traduit par la convolution de limage par la matrice
0 255 reprsente 256 niveaux i.e. 28 on pourra donc coder sur 8 bits.
1 1 1
1
1 1 1
9
1 1 1
- Chat original -
MEDIANE
La mthode de la mdiane quant elle seffectue de la manire suivante : on classe les valeurs de
lenvironnement par ordre croissant et on affecte au pixel central le niveau du pixel situ au milieu
de la liste cest dire la mdiane au sens statistique do le nom donn cette transformation.
1 1 2
X
2 4 4 X
Lmdiane L
3 7 8 1,1,2,2,3,4,4,7,8
X
X
3
X
X
X
X
Remarque : De par son principe, la convolution numrique de matrices pose un problme aux
bords de la matrice. Pour pallier cet inconvnient, on augmente la taille de limage en appliquant
un miroir sur les quatre directions. On conserve ainsi toute linformation statistique contrairement
la mthode qui consiste agrandir limage avec des zros .
3 2 2 3 4 5 5 4
2 1 1 2 3 4 4 3
2
3
4
5
1
2
3
4
1
2
3
4
2
3
4
5
3
4
5
6
4
5
6
7
4
5
6
7
3
4
5
6
5 4 4 5 6 7 7 6
4 3 3 4 5 6 6 5
q TRANSFORMATION SPECIALE
Nous avons dvelopp une troisime mthode qui sappuie sur lautocorrlation et sur les proprits
statistiques de la moyenne par rapport au bruit. En effet, lautocorrlation augmente gnralement le
rapport signal sur bruit, ce qui est notre but recherch. Mais, nous voulons conserver linformation et
la structure locale de limage. Nous avons donc effectu, dans une premire tape, une
autocorrlation locale (typiquement, un environnement n x n). Le rsultat ainsi obtenu (pav n x n)
peut, en terme de valeurs, tre considr comme une lvation au carr de lintensit. Une question se
pose ce stade de la rflexion : doit-on affecter la valeur moyenne du rsultat puis en prendre la racine
carre ou, doit-on prendre la racine carre avant de raliser la moyenne ? Dans le programme, nous
avons choisi de raliser la premire solution.
Remarque : Si on ne prend pas le soin de prendre la racine carre, on obtient une saturation de la
dynamique de limage (image trop sombre).
Une solution peut tre envisage afin de conserver les proprits locales de limage :
lautoconvolution locale. Dans ce cas, on tient compte de la structure locale de limage et on limine
le bruit qui na pas de corrlation entre les diffrents points et qui se trouve ainsi gomm par
lautoconvolution. En appliquant la mthode de la moyenne dcrite ci-dessus, sur la zone calcule, on
augmente lefficacit du processus dattnuation de bruit tout en limitant la perte dinformation.
La combinaison de ces deux mthodes (moyenne et convolution) nous donne dexcellents rsultats
lorsquil sagit de traiter un signal fortement bruit.
Jusqu prsent, nous ralisions une tude non itrative de limage. Lalgorithme de Van-Cittert
permet de traiter le signal en appliquant un processus itratif qui attnue le bruit. Le problme li
cette mthode consiste au fait que lon ne sait pas exactement quand il faut stopper la rcurrence. Un
examen des rsultats montre quil suffit de quelques itrations (une dizaine) pour converger vers une
image plus nette. De plus, si lon augmente le nombre de passages, on dtriore limage en faisant
apparatre des artefacts de calculs. Il convient donc de matriser les paramtres avant de raliser cet
algorithme.
Le coefficient de relaxation a est en gnral assez difficile mettre en uvre mais, nous pouvons lui
donner une valeur comprise entre 0 et 1. Pour lalgorithme de Van-Cittert, on aura a qui sera gal 1
alors que pour celui de Jansson, le coefficient est proche de 0,1. Ce terme apparat dans lalgorithme
de Van-Cittert :
I k + 1 ( x , y ) = I k ( x , y ) + a ( x , y ) [I 0 ( x , y ) ( I k ( x , y ) PSF )]
o TRANSFORMEE DE FOURIER
rv
e i kx
de Hilbert). Cette reprsentation contient autant dinformation que le signal dans lespace direct
v
x
. Elle prsente donc lavantage de faire ressortir les structures priodiques ainsi que de rvler le
bruit qui se traduit gnralement par des hautes frquences spatiales dans lespace rciproque
r
k
. De
cette manire on peut diminuer le bruit en appliquant un filtre qui sera la plupart du temps un filtre
passe-bas. Cependant, si on analyse les domaines de frquences spatiales et leurs contenus
informationnels, on saperoit que les basses frquences reprsentent la limite le fond continu, les
hautes frquences - comme on la dj voqu sont assimilables au bruit, quant aux frquences
moyennes on peut considrer quelles vhiculent les dtails. On se trouve donc confront au choix
dlicat de la frquence de coupure du passe-bas, qui, si elle est trop basse, risque dentraner une trop
grande perte dinformation.
f g
f g
en un simple produit
Cette transformation se distingue de la mthode prcdente car elle privilgie une tude locale et non
globale de limage : la dcomposition se fait, non plus dans lespace des fonctions priodiques, mais
sur une autre classe de fonctions telles que les ondelettes de Daubechies, Lemarie , Coiflets,
SymletsCette technique combine les informations de position et de frquence spatiale. Tout comme
il existe la FFT, la DWT (Discrete Wavelet Transform ) permet dobtenir la transforme dondelettes
dordre un, de limage laide dun algorithme rapide.
On peut ainsi extraire les dtails de limage.
Le principe essentiel de cette technique rside dans la dcomposition hirarchique de limage, cest
dire que lon peut visualiser les dtails suivant leur direction (horizontal, vertical, diagonal) et suivant
leur taille caractristique. Ceci peut tre ralis laide de la fonction dwt2 incluse dans la librairie
Wavelets de MatLab 5.3.
Dans la suite du problme, nous prfrerons utiliser la commande wavedec2 qui calcule la
dcomposition en ondelettes dun signal en deux dimensions et qui permet daccder aux coefficients
de la transforme afin de les modifier. En effet, en considrant les dtails les plus fins comme tant du
bruit, on peut raisonnablement esprer nettoyer limage en les attnuant, voire en les supprimant.
Cette mthode a retenu notre attention par rapport aux prcdentes car elle possde certains avantages
non ngligeables. La rapidit de calcul, mme pour des ordres de dcomposition assez levs, et la
bonne discernabilit des structures en font une technique gnralement trs utilise dans les domaines
de retraitement dimages (astronomie, stockage de donnes compresses, ).
Nom
Image obtenue
Commentaires
Image initiale
Image tudier
Flou + Bruit
Moyenne
&
Mdiane
Autocorrlation
Transforme de
Fourier
Rapidit : lent
Aspect visuel : rendu moyen
Difficults : Paramtres par dfaut : Traitement global de limage
Transforme par
ondelettes
Algorithme de
Van-Cittert
Rapidit : lent
Aspect visuel : bon rendu
Difficults : Nombre ditrations
Paramtres par dfaut : 10 itrations
Parfait pour image fortement bruite
CONCLUSION
Lors de la ralisation de cet expos et de la conception des programmes, nous avons rencontr des
difficults lies aux choix des algorithmes. Certaines mthodes sont prfrables dautres mais, il
nexiste pas de traitement universel : chaque image son traitement. De plus, nous avons t
confronts la dtermination des bons paramtres de rglage et laffichage correct de limage finale.
Le rglage de la dynamique reprsente un point important du traitement de signaux deux dimensions
mme si nous ne nous sommes pas trop tendus sur ce sujet.
Toutes les mthodes testes prcdemment ont donc plus ou moins deffets sur le signal. Nanmoins,
on peut retenir la technique sappuyant sur les ondelettes. Cette dernire est dores et dj applique
pour la compression de donnes (ex. le F.B.I.) car, en tant certains coefficients faibles, on rduit la
taille mmoire de limage et on conserve linformation essentielle (i.e. les structures principales).
La moyenne ou la mdiane retirent galement le bruit de limage mais lalgorithme ne semble pas
adapt un logiciel tel que MatLab. En effet, la longueur des oprations et la contrainte des boucles
imposent un temps dattente non ngligeable.
Les mthodes consistant traiter limage par rcurrence (cf. algorithme de Van-Cittert) peuvent tre
intressantes ds que lon tente de dtecter des objets ponctuels comme des toiles dans un ciel
profond. Pour une image classique telle que celle du chat, nous napportons que peu dintrt ces
techniques. Dans le cadre de ltude propose, linformation primordiale doit tre dgage du signal
bruit.
Il existe dautres mthodes qui sont trs largement utilises dans le monde des chirurgiens de
limages. Notre but ntant pas dcrire un catalogue des diffrentes techniques mais de sinitier aux
notions et aux outils dvelopps pour le traitement dimage, nous avons dlibrment laiss de ct les
problmes de seuillage, de reconnaissance de formes, de squelettisation,
BIBLIOGRAPHIE
Publications
Identification of structures from galaxy counts : use of the wavelet transform E. SLEZAK A.
BIJAOUI Astron. Astrophys. 227, 301-316 (1990)
Image reconstruction by the wavelet transform applied to aperture synthesis J. L. STARCK A.
BIJAOUI Astron. Astrophys. 283, 349-360 (1994)
Image restoration with noise suppression using a multiresolution support F. MURTAGH - J. L.
STARCK A. BIJAOUI Astron. Astrophys. Suppl. Ser. 112, 179-189 (1995)
Livres
Sites Internet
ANNEXES
Publications
Identification of structures from galaxy counts : use of the wavelet transform E. SLEZAK A.
BIJAOUI Astron. Astrophys. 227, 301-316 (1990)
Image reconstruction by the wavelet transform applied to aperture synthesis J. L. STARCK A.
BIJAOUI Astron. Astrophys. 283, 349-360 (1994)
Image restoration with noise suppression using a multiresolution support F. MURTAGH - J. L.
STARCK A. BIJAOUI Astron. Astrophys. Suppl. Ser. 112, 179-189 (1995)
Prog.m
Ch_acqui.m
Dynamique.m
Convol.m
Reconst.m
Moyenne.m
Mediane.m
Cittert.m
Moyconv.m
Ondelet.m
Annexes Publications
_______________________________________________________________________________________________________________________________________________________
Prog.m
Programme principal excuter pour visualiser le projet.
%
%
%
%
%
%
%
%
% Initialisation
close all; clear all; clc;
global t;
% Prsentation du programme
dos('\affich\dzlrun.exe \affich\cd01.mcl');
Presentation;
% Modlisation de la chane d'acquisition
dos('\affich\dzlrun.exe \affich\cd02.mcl');
Ch_acqui;
% Reprsentation des images
subplot(2,2,1);
image(chat);
colormap(lut);
axis off;
title('Chat photographier');
subplot(2,2,2);
image(chat_flou);
colormap(lut_flou);
axis off;
title('Chane d''acquisition 1');
figure;
image(chat);
colormap(lut);
axis off;
title('Chat photographier');
figure;
image(chat_flou);
colormap(lut_flou);
axis off;
title('Chane d''acquisition');
% Reconstitution de l''image
dos('\affich\dzlrun.exe \affich\cd03.mcl');
reconst;
prog_fin;
Ch_acqui.m
Ce programme simule une chane dacquisition en rendant flou limage et en appliquant du bruit sur loriginal.
%
%
%
%
%
%
%
%
global t;
disp
disp
disp
disp
' '
' Modlisation de la chane d''acquisition'
' '
'
Chargement de l''image'
load chat;
taille
=
tx
=
ty
=
size(chat);
taille(1);
taille(2);
Ralisation de la PSF'
= convol(chat);
prompt
= {'Entrez la valeur du paramtre de signal sur bruit ie SNR' };
def={'2'};
dlgTitle = 'Modlisation de la chane d''acquisition' ;
lineNo=2;
dlgresult= inputdlg(prompt,dlgTitle,lineNo,def);
pause(0.5);
dlgresult(1);
SNR
= str2num(cat(1,ans{:}));
if isempty(SNR)
SNR
= 2;
end;
pause(0.5);
bruit
= (255/SNR)*rand(tx,ty);
disp ' '
disp '
chat_flou
Dynamique.m
Fonction permettant de modifier la dynamique de limage.
%
%
%
%
%
%
%
%
function
dynamique
lut(nom);
% Initialisations
format long;
hh=3.0;
% Dfiniton des seuils de visualisation
sh=max(max(nom));
sb=min(min(nom))+1;
% Changement de table de couleurs
if (sb<sh)
haut=1;
bas=0;
else
haut=0;
bas=1;
a=sh;sh=sb;sb=a;
end
% Correction de la dynamique
sb
= 1;
sh
= 255;
dyna = 255;
intensite(1:sb)=linspace(bas,bas,sb);
intensite(sb:sh)=linspace(bas,haut,sh-sb+1);
intensite(sh:dyna)=linspace(haut,haut,dyna -sh+1);
lut(:,1)=intensite';
lut(:,2)=intensite';
lut(:,3)=intensite';
% Retour au prog.
dynamique
= lut;
return
Convol.m
Fonction permettant de modifier la dynamique de limage.
%
%
%
%
%
%
%
%
Reconst.m
Pour reconstituer limage initiale, ce sous programme prsente sous forme de menu lensemble des mthodes
possibles.
%
%
%
%
%
%
%
%
dlgresult= inputdlg(prompt,dlgTitle,lineNo,def);
dlgresult(1);
t
= str2num(cat(1,ans{:}));
if isempty(t)
t = 3;
end; %if
im_traitee = moyenne(chat_flou,t);
case 'Mdiane',
prompt
= {'Entrez la taille de la matrice carre'};
def
= {'3'};
dlgTitle = 'Traitement de l''image - Mdiane';
lineNo
= 2;
dlgresult= inputdlg(prompt,dlgTitle,lineNo,def);
dlgresult(1);
t
= str2num(cat(1,ans{:}));
if isempty(t)
t = 3;
end; %if
im_traitee = mediane(chat_flou,t);
case '"Autoconvolution"',
prompt
= {'Entrez la taille de la matrice carre' };
def
= {'3'};
dlgTitle = 'Traitement de l''image - Moyenne d''autoconvolution';
lineNo
= 2;
dlgresult= inputdlg(prompt,dlgTitle,lineNo,def);
dlgresult(1);
t
= str2num(cat(1,ans{:}));
if isempty(t)
t = 3;
end; %if
im_traitee = moyconv(chat_flou,t);
case 'Ondelettes',
im_traitee = ondelet(chat_flou);
case 'Espace de Fourier',
im_traitee = fourier(chat_flou);
case 'Van Cittert',
im_traitee = cittert(chat_flou);
case 'Fin',
fin
= 1;
end % switch
% Affichage du rsultat
if fin==0
disp ' '
disp '
pause(1);
fin2 = 0;
close all;
figure;
image(chat);
colormap(dynamique(chat));
axis off;
title('Chat initial');
figure;
image(chat_flou);
colormap(dynamique(chat_flou));
axis off;
title('Chat flou');
figure;
image(im_traitee);
colormap(dynamique(im_traitee));
axis off;
title(['Image traite par la mthode ',choix]);
figure;
subplot(2,2,1);
image(chat); colormap(dynamique(chat)); axis off; title( 'Chat initial');
subplot(2,2,2);
image(chat_flou); colormap(dynamique(chat_flou)); axis off; title( 'Chat
flou');
subplot(2,2,3);
image(im_traitee); colormap(dynamique(im_traitee)); axis off; title( 'Chat
trait');
Moyenne.m
Fonction retournant limage traite par la mthode de moyenne.
%
%
%
%
%
%
%
%
function
moyenne =
im_moyen(nom,t_mat);
% avec nom
= nom de la matrice traiter
% et
t_mat = taille de la matrice carre de traitement
% Initialisation
disp ' '
disp '
Mthode de la moyenne'
pause(0.3);
t
= size(nom);
delta
= (t_mat+1)/2;
% Cration d'une matrice plus grande pour conditions aux bords : Effet miroir
nom
= cat( 2, fliplr(nom(:,1:delta)) , nom , fliplr(nom(:,t (2)delta+1:t(2))) );
nom
= cat( 1, flipud(nom(1:delta,:)) , nom , flipud(nom(t(1) delta+1:t(1),:)) );
figure;
im_moyen = nom;
axis off;
colormap(gray(255));
for x=delta:t(1)-delta+1
image(im_moyen);
text(-10,-10,[int2str(round(x*100/(t(1)-delta))),' %']);
pause(0.01);
for y=delta:t(2)-delta+1
tab
= nom( x:x+t_mat-1 , y:y+t_mat-1 );
vect = 0;
for i=1:t_mat
vect = [ vect, tab(i,:) ];
end; % for i
im_moyen(x+delta,y+delta) = mean(vect);
end; %for y
end; %for x
% Extraction de l'image utile
im_moyen = im_moyen(delta:t(1)-delta+1,delta:t(2)-delta+1);
% Retour des valeurs
moyenne = im_moyen;
return
Mediane.m
Fonction retournant limage traite par la mthode de la mdiane.
%
%
%
%
%
%
%
%
Mthode de la mdiane'
% Initialisation
pause(0.3);
t
= size(nom);
delta
= (t_mat+1)/2-1;
% Cration d'une matrice plus grande pour conditions aux bords : effet miroir
nom
= cat( 2, fliplr(nom(:,1:delta)) , nom , fliplr(nom(:,t(2)delta+1:t(2))) );
nom
= cat( 1, flipud(nom(1:delta,:)) , nom , flipud(nom(t(1) delta+1:t(1),:)) );
figure;
im_median = nom;
axis off;
colormap(gray(255));
for x=delta:t(1)-delta+1
image(im_median);
text(-10,-10,[int2str(round((x-delta)*100/(t(1)))),' %']);
pause(0.01);
for y=delta:t(2)-delta+1
tab
= nom( x:x+t_mat-1 , y:y+t_mat-1 );
vect = 0;
for i=1:t_mat
vect = [ vect, tab(i,:) ];
end; % for i
im_median(x+delta,y+delta) = median(vect);
end; %for y
end; %for x
% Extraction de l'image utile
im_median
= im_median(delta:t(1)-delta+1,delta:t(2)-delta+1);
% Retour des valeurs
mediane = im_median;
return
Cittert.m
Fonction retournant limage traite par lalgorithme de Van-Cittert.
%
%
%
%
%
%
%
%
nom;
for k=1:ordre
im_traitee = im_traitee + a .* ( nom - conv2(im_traitee,t,'same') );
im_traitee = 255 * abs(im_traitee)/max(max(abs(im_traitee)));
image(im_traitee); colormap(gray(255));
title(['Ordre = ',int2str(k)]);
pause(.1);
end;
% Prpondrence de certains "traits" de l'image
res
= 255*(nom+im_traitee)/(max(max(nom+im_traitee)));
% Retour des valeurs
cittert = res;
return
Moyconv.m
Fonction retournant limage traite par la mthode dautocorrlation et de moyenne.
%
%
%
%
%
%
%
%
function
moyconv =
% avec nom
global t;
disp ' '
disp '
pause(0.3);
ti(nom,t_mat);
Moyenne de l''autoconvolution'
% Paramtrages
delta
= (t_mat+1)/2;
taille
= size(nom);
% Cration d'une matrice plus grande pour effets de bords
nom
= cat( 2, fliplr(nom(:,1:delta)) , nom , fliplr(nom(:,taille(2) delta+1:taille(2))) );
nom
= cat( 1, flipud(nom(1:delta,:)) , nom , flipud(nom(taille(1) delta+1:taille(1),:)) );
% "Autocorrlatio"
for k=delta:taille(1)-delta+1
for l=delta:taille(2)-delta+1
a
= nom((k-1):(k+1),(l-1):(l+1));
b
= conv2(a,a,'same');
ti(k,l) = mean(mean(b));
end;
end;
Ondelet.m
Fonction retournant limage traite par la technique des ondelettes. Ce script fait appel la librairie Wavelet incluse
dans MatLab.
%
%
%
%
%
%
%
%
function
ondelet =
% avec nom
disp ' '
disp '
pause(0.3);
res(nom);
if isempty(ordre)
ordre = 3;
end; %if
if isempty(num)
num
= '2';
end; %if
pause(0.1);
% Dcomposition en ondelettes
[w_nom,s_nom] = wavedec2(nom,ordre,[fil,num]);
% Affichage et lecture graphique
pause(0.1);
figure;
plot(w_nom);
title('Slectionnez la zone de coupure (axe vertical)' );
coord
= ginput(1);
prompt
= {'Entrez le coefficient permettant de traiter les valeurs
suprieures la coupure [0..1] :' };
def
= {'0'};
dlgTitle
= 'Traitement de l''image - Ondelettes';
lineNo
= 2;
dlgresult
= inputdlg(prompt,dlgTitle,lineNo,def);
dlgresult(1);
coef
= str2num(cat(1,ans{:}));
if isempty(coef)
coef = 0;
end; %if
title('Traitement en cours');
pause(0.1);
w_nom(round(coord(1)):length(w_nom))
=
w_nom(round(coord(1)):length(w_nom)).*coef;
Dautres programmes sont prsents sur le CD -Rom fourni avec le prsent rapport. Leurs scripts ne nous semblent
pas tre intressants pour tre dvelopps ici.