Traitement d’images

Généralité et exemples

0% 100%

Plan

Introduction

►Segmentation

►Détection de Contours

►Filtrage

Conclusion

2

Introduction

3

Image Numérique: Echantillonnage et Quantificationx

y

R(x,y) I(x,y)

L'échantillonnage est le procédé de

discrétisation spatiale d'une image

consistant à associer à chaque zone

rectangulaire R(x,y) d'une image continue

une unique valeur I(x,y).

On parle de sous-échantillonnage lorsque

l'image est déjà discrétise et qu'on diminue

le nombre d'échantillons.

Une image numérique est une image échantillonnée et quantifiée.

La quantification désigne la limitation du nombre de valeurs différentes que peut prendre I(x,y).

4

Segmentation

Segmentation

5

Segmentation d’images : • En analyse d’image, ce qui nous intéresse, ce sont les objets des images.

• Définition : Objet : partie sémantiquement cohérente dans l’image

• En pratique : souvent– Connexe– Couleur cohérente– Délimité par des contours nets

• Mais aussi– Texture cohérente– Information à priori

Segmentation

6

• Approches GLOBALES: Histogrammes

• Approches LOCALES: Region growing,

• Approches HYBRIDES: Split & Merge, CSC

Plusieurs approches:

Segmentation

7

►Histogrammes

L'histogramme représente la répartition des pixels en fonction de leur niveau de gris.

Histogramme

Niveau de gris

Effectif

Rapide et simple

Peut sensible au bruit

Méthode globale: ignore les informations de proximité.

Elle ne permet pas de définir des objets, mais seulement des ensembles de points.

Segmentation

8

►Croissance de regions (region growing)

Idée:

On part d’un point amorce (seed) et l’on l’étend en ajoutant les points de la frontières qui satisfont le critère d’homogénéité

Algorithme

TANT QUE image n’est pas segmentée en

entier

1. Choisir un pixel non-étiqueté

2. Examiner les voisins :

Vj similaire étiquette k⇒

3. TANT QUE Vj Région k∈

Examiner les voisins

Vi similaire étiquette k⇒

4. k = k + 1 et retour à ①

ExempleExemple

Seuil = 3 Seuil = 4

Exemple

Seuil = 6 Seuil = 7

Rapide et simple.

Méthode locale: aucune vision globale du problème.

Problème du gradient. Algorithme sensible à l’ordre de parcours des

points.

Segmentation

9

composé de deux phases: ►Phase 1 : Créer les zones homogènes = SPLIT

►Phase 2 : Les regrouper = MERGE (cherche tous les couples de régions adjacentes dans l'arbre issu du découpage et cherche à les fusionner si leur couleur est assez proche.)

►Split and Merge

Segmentation

10

Split

La méthode de découpage de l'image utilisée dans cet algorithme

est basé sur la notion de .quadtree. Cette structure de données est

un arbre quaternaire qui permet de stocker l'image à plusieurs

niveaux de résolution.

L’image est stockée dans un arbre. Initialement, arbre racine = image

complète

Exemple

Image initialeSplit 1

Split 2

Split 3

Homogénéité = critère sur la variance de la couleur.

►Split and Merge

Segmentation

11

Construction du RAG Region Adjacancy Graph Quadtree

RAG

►Split and Merge

SegmentationMERGE:

• Chaque nœud du Region Adjacency Graph est examiné.• Si un des voisins de ce nœud est à une distance inférieure à

un seuil de regroupement, les deux nœuds fusionnent dans

le RAG.• Lorsque plus aucun nœud ne peut fusionner avec l’un de

ses voisins, STOP.

La distance en terme d’homogénéité de régions est portée par l’arrête valuée qui les relie dans le RAG

12

►Split and Merge

Segmentation

13

Original

Split & Merge

ExempleOriginal

Split & MergeMéthode hybride locale/globale: permet de contrer le problème du gradient.

Méthode assez complexe Découpage un peu « carré »

►Split and Merge

14

Détection de contours

Détection de contours

15

Un contour peut approximativement être

défini comme une zone de l’image ou

l’intensité des pixels change brusquement.

Cette discontinuité dans l’image est le

passage d’un niveau de gris à un autre, de

manière plus ou moins rapide.

Techniquement, la détection de contours

est le procédé de localisation des pixels se

trouvant sur les bords

Détection de contours

16

Le masque de Sobel mesure le gradient d’une image 2D.

Typiquement, il est utiliser pour trouver une approximation du gradient en

tout point d’une image au niveaux de gris.

Une paire de masques à convolution, l’un estimant le gradient suivant l’axe-

x, et l’autre selon l’axe-y.

Pour un pixel de coordonnées (i,j), Sx et Sy sont:

Sx = I[i-1][j+1]+2I[i][j+1]+I[i+1][j+1]-(I[i-1][j-1]+2I[i][j-1]+I[i+1][j-1])

Sy = I[i+1][j+1]+2I[i+1][j]+I[i+1][j-1]-(I[i-1][j+1]+2I[i-1][j]+I[i-1][j-1])

Exemple: Masque de Sobel

After Sx and Sy are computed for every pixel in an image, the resulting magnitudes must be thresholded. All pixels will have some response to

the templates, but only the very large responses will correspond to edges.

Magnetude:

22 SySxS

SySxS

Sy Sx

S

Détection de contours

17

Exemples

18

Filtrage

Filtrage

19

L'objectif du filtrage est de réduire les variations d'intensité au sein de

chaque région de l'image tout en respectant et préservant l'intégrité des

scènes :

les transitions entre régions homogènes,

les éléments significatifs de l'image

Différentes méthodes de filtrage ont été développées suivant le type et

l’intensité du bruit, ou les applications auxquelles on destine l'image.

- Filtres Lineaires,

- Filtres Non-Lineaires

Filtrage

20

Filtres linéaires : Lissage

Le lissage est une opération fondamentale en traitement d'images,

elle vise à atténuer ou supprimer les aspérités et petits détails dans

une image.

En d'autres termes, la corrélation de l'image avec le masque M remplace (en

parallèle) le niveau de gris de chaque pixel par une moyenne pondérée de

ceux de son voisinage.

L'effet du lissage est de "mélanger" les niveaux de gris dans un voisinage, donc d'engendrer du flou sur l'image.

Filtrage

21

Filtres linéaires : Lissage

Image originale Lissage 3x3 Lissage 7x7 Lissage 15x15

Image bruitée Lissage linéaire 3x3

Lissage : Elimination du bruitLissage : Amélioration de la détection de contours

Extraction d'arêtes surl'image bruitée

Extraction d'arêtes surl'image bruitée lissée 5x5

Extraction d'arêtes surl'image originale

Extraction d'arêtes surl'image lissée 5x5

Filtrage

22

Filtres Non-Linéaires : Le filtre médian

Par exemple, soit n = 9, et considérons les 9 valeurs17, 1, 3, 5, 3, 1, 12, 2, 7.

Notons que certaines valeurs peuvent être répétées, et qu'il ne faut pas supprimer les répétitions!

En les ordonnant de la plus petite à la plus grande, on obtient la suite1, 1, 2, 3, 3, 5, 7, 12, 17.

La valeur au milieu de cette suite ordonnée est la 5ème, à savoir 3, qui est donc la médiane des 9 valeurs.

Le filtre médian est un filtre spatial qui calcule en chaque pixel la médiane des niveaux de gris des pixels de sa fenêtre.

Non-création de nouveaux niveaux de gris

Filtrage

23

Le filtre médian: Elimination du bruit poivre et sel

Le bruit impulsif, aussi appelé bruit poivre et sel, est une dégradation de l'image où certains pixels deviennent aléatoirement soit blancs, soit

noirs.

On suppose généralement que la probabilité qu'un pixel devienne blanc (resp. noir) est constante sur l'image, et que le devenir de chaque pixel

est indépendant de celui des autres.

Le filtre médian: Elimination du bruit poivre et sel

Lissage linéaire 5x5

Filtrage médian5x5

Filtrage médian3x3

2ème applicationdu filtre médian

3x3

Conclusion

24

Intelligence Artificielle

Traitement d’images

Face expression DetectionGuidage automatique:Autosurveillance,

Navigation, etc…

Contrôle de trafic: Détection d’infractions, Identification de matricules, Prévention d’accidents, etc…

Médical

Micro robots de détection de cancers, tumeurs,etc…

2cm

< 1mm de

25