Prétraitement de l’image

Restauration – Amélioration

Ajustement de dynamique

Renforcement du contraste

Lissage des bruits

Images bimodales : binarisation

Restauration – Amélioration d’images

Restauration:Existence d’un modèle de dégradation ou connaissancesAmélioration:Opérations systématiques sans référence au contenu

Exemples:Amélioration de contraste (netteté des transitions) Diminution du bruit (non homogénéité de zones)

Filtrage de Wiener (spectre du bruit connu)Filtre Médian (pas de modèle mais adapté

au bruit impulsionnel)

Corrections capteur ou optique

 Corrections géométriques (calibrage du capteur)

  Étalonnage des non linéarités locales ou globales du capteur Correction du gain d’amplification Correction de la loi de restitution (correction gamma)   Transformation globale par LUT ou ponctuelle par

cartographie

Bruit gaussien d ’energie=0.01Bruit gaussien d ’energie=0.01

Bruit gaussien d ’énergie =0.1

Bruit gaussien d ’énergie =0.1Bruit

multiplicatif:

Bruit multiplicatif:

Bruit impulsionnel (sel & poivre)

Bruit impulsionnel (sel & poivre)

20 40 60 80 100 120

20

40

60

80

100

120

Distorsion géométrique

Exemple : o mire déformée + mire déformée corrigée

Correction de la distorsion géométrique

Exemple sur image réelle, utilisation de la transformation inverse : Calcul pour chaque (xc,yc) du point (xd,yd) interpolé correspondant

Interpolations et zoom

Image d’origine, 2 niveaux Fenêtre d’image agrandie (‘C’ de l’angle supérieur gauche

Bilinéaire Bicubique

Noter que l’interpolationbilinéaire produit un flou, et que l’interpolation bicubique rehausse le contraste local

Ajustement de dynamique Temps de pose incorrect | Dynamique deOuverture d’objectif incorrect | signal réduiteModification de luminance de la scène | Conditions de prise de vue inadaptées Saturations, non

Linéarités, … Irrécupérable

Gt

G

Gmin Gmax

255

00

255

Luminances bornées à (Gmin, Gmax) ajustées linéairement à (0, 255)

LUT : Gt = 255 ( G - Gmin ) / ( Gmax - Gmin )

--> Problèmes liés à la discrétisation

1 – Ajustement global de dynamique

Ajustement de dynamique

Si absence de non linéarités : correction amplifiant l'étendue d'une plage de gris(0, Glim) --> correction de sous-exposition(Glim, 255) --> correction de sur-exposition

Transformations linéairesou non

Gt

G

Glim

255

25500

( 0, Glim) : amplifié(Glim, 255) : compressé

--> Détails sombres plus visiblesmais perte des détails clairs

2 – Correction d’exposition

Ajustement de dynamique

Transformation globale de luminance visant à obtenir un histogramme uniforme==> Normalisation de la répartition statistique des luminances

Distribution des probabilités telles que : p(Gt) dGt = p(G) dG et p(Gt) = 1/255

==> Gt = (255 / Nbpix) Histo_cumule(G)

Histogrammeinitial

Modification desluminances

Egalisationd'histogramme

0255 00 255 255G

Gt

3 – Égalisation d’histogramme

Egalisation d ’histogramme: cette transformation fait ressortir le contraste

Elle a aussi pour effet de normaliser l ’image

Egalisation d ’histogramme: cette transformation fait ressortir le contraste

Elle a aussi pour effet de normaliser l ’image

Augmentation de la dynamique dans les zones sombresAugmentation de la dynamique dans les zones sombres

Binarisation de l ’image: seuil choisi = 127 (50% de 256)Binarisation de l ’image: seuil choisi = 127 (50% de 256)

Exemples

Transparent 14

Exemples

Transparent 15

Exemples

Transparent 16

Exemples

Transparent 17

Exemples

Transparent 18

Renforcement du contrasteTraitement local prenant en compte le voisinage de chaque pixel balayage systématique de l’image par une fenêtre d’analyse Laplacien discret

Principe en 1 D Principe en 2 D

S : signal

D2 : dérivée seconde

D2 = S(i-1) - 2 * S(i)

+ S(i+1)

Sm = S - K * D2

D = D2i + D2j

= S(i-1,j) - 2* S(i,j) + S(i+1,j)

+ S(i,j-1) - 2* S(i,j) + S(i,j+1)

Sm ( i, j ) = S(i , j ) - K * D

Notation conventionnelle en imagerie : D = S M3x3 où est la somme

M3x3 est ici défini par ses coefficients :

 

k l

lkMljkiS ,*,

010

141

010

Exemple

Transparent 20

Lissage des bruits - Introduction

1 – Statistiques paramétriques : moments statistiques

2)(/1/1 mGrisNGrisNm

2 – Statistiques d’ordre

Paramètre de centrage : médiane, valeur séparant la population en deux classes d’effectifs égaux. Après tri, c’est la valeur N/2 + 1

réglage : taille du voisinage

Lissage des bruits - Introduction 3 – Étude comparative

Signal initial Moyenne Médiane

La médiane supprime les points isolés

--> Opérateur optimal pour le bruitimpulsionnel

--> Supprime les détails fins

--> Impose un tri (temps de calcul)

Exemple

Exemple

ce filtre produit une impression de FLOU sur les contoursce filtre produit une impression de FLOU sur les contours

Le filtre MOYENNEUR n ’est pas adapté au BRUIT IMPULSIONNELLe filtre MOYENNEUR n ’est pas adapté au BRUIT IMPULSIONNEL

Le filtre MEDIAN est efficace sur du bruit impulsionnelLe filtre MEDIAN est efficace sur du bruit impulsionnel

Avec un filtre MEDIAN de taille 7x7, le résultat est encore meilleur mais les noyaux clairs des globules commencent à disparaître

Avec un filtre MEDIAN de taille 7x7, le résultat est encore meilleur mais les noyaux clairs des globules commencent à disparaître

But : Éviter l’élimination des détails et la surcharge en temps de calcul de la médianeOn utilise la variance pour éviter le moyennage en cas de contraste élevéMoyenne seuillée :

Si variance < seuil => G = moyenneSinon G = Gorigine

Moyenne pondérée : VB : estimation de la variance du bruitK = (Var-VB)/VarG = (1-K).Moy + K.Gorigine Évolution continue

Filtre Sigma :S = {Gris / |Gris-Gcentre| < seuil}G = S / card(S) Élimination des pixels hors norme

Moyenne tronquée :S = Gris – Max(Gris) – Min(Gris)G = S / (N-2) Élimination des valeurs extrêmes

Variantes paramétriques

Variante directionnelle: filtre de Nagao

5 – Opérateur à sélection de voisinage Algorithme d'origine : opérateur de Nagao

D2, D4 ,D6 déduit de D0 par rotations de 90 degrésD3, D5, D7 déduit de D1k / Var(k) = Min Var(i) G = Moy(k)

Amélioration : régularisation de la structure géométrique des domaines 9 domaines 3x3

identiques

D0 D1

.

D8

D1D0 D8

Subdivision de la fenêtre 5x5 en 9 domainesPour chaque domaine Di --> Moy(i) et Var(i)

Comparaison

Original Moyenne 5x5

Médiane Nagao

Exemples de lissage

Transparent 32

Gaussien 11x11

Nagao modifié

Exemples de lissage

Transparent 33

Moyenne pondérée et B=4

Moyenne seuillée, CONTR=12

Images bimodales : binarisation

Transparent 34

Cas particulier important par ses applications : Vision industrielle, temps réel  Choix du seuilGlobal ou adaptatif, et dans ce cas, subdivision statique ou dynamique 

Exemple : histogramme excluant les zones frontières (gradient élevé) puis lissage de l’histogramme et extraction du min 

Plusieurs critères :-         statistique : décision bayésienne, inertie minimale, …-         structurelle : stabilité des régions, régularité topologique 

Image binaire d ’un document

Image binaire d ’un document

Image de cellules de sang et deux bianrisations:

Image de cellules de sang et deux bianrisations:

Cette région a les paramètres suivant:

- Aire =32930

-Périmètre=722

-K= racine_carrée(aire)/périmètre=0.251

Cette région a les paramètres suivant:

- Aire =32930

-Périmètre=722

-K= racine_carrée(aire)/périmètre=0.251

Cette région a les paramètres suivant:

- Aire = 296

-Périmètre=74

-K= racine_carrée(aire)/périmètre=0.232

>>> ce n ’est pas un disque <<<

Cette région a les paramètres suivant:

- Aire = 296

-Périmètre=74

-K= racine_carrée(aire)/périmètre=0.232

>>> ce n ’est pas un disque <<<

Pour un disque, K=0.282

Pour un carré, K=0.25

Pour un disque, K=0.282

Pour un carré, K=0.25

K=0.223K=0.223

Exemple de variation de la compacité

Image source seuil=75 Critère=0.01475

seuil=82 critère=0.01565 seuil=90 critère=0.01383

Transparent 37