Introduction

Grandes classes de problmes en traitement d'images:

Amlioration/Restauration (informatique mobile, spatiale,
arienne...)

Dtection/Poursuite (militaire, surveillance, robotique,

automobile...)

Classification/Reconnaissance (OCR, reconstruction 3D,

archivage, imagerie mdicale, robotique, transports, surveillance,
moteurs de recherche...)

Compression/Indexation (informatique mobile, archivage, moteurs

de recherche...)

Introduction Formation des images

Systme optique:
Image = PSF * Source + bruit

Signal (2D)
Echantillonnage (modle discret)
PSF : Caractristique du systme d'acquisition
(optique, camra....), dterministe, agit en prsence
de bruit
Source : Ce qui dcrit l'objet (ou la scne) que l'on
veut reprsenter (surface, structure interne) et la
manire dont la lumire est rflchie vers le
systme d'acquisition
bruit : Fonction non dterministe (au mieux : description
statistique)

Formats de stockage d'images:

Nom

compression

Remarques

Licence

JPEG
JPEG2000

Oui (destructif)

Excellente compression
RGB seulement (pas de transparence)

Libre de droits
Problmes de
brevet avec
JPEG2000

PNG

Oui (sans pertes)

Standard
Support de la transparence
Excellente compression sans perte.

Libre de droits

TIFF
GeoTIFF

Oui (sans pertes)

Standard
Support de la transparence
Support des images binaires
Multi rsolution

Brevet Aldus
corporation

BMP

Non

Format par dfaut sous Windows

RAW

Non

Supporte tout type de formats

Format brut des appareils de prise
de vue (pas de corrections)

http://en.wikipedia.org/wiki/Image_file_formats

Introduction Outils de l'analyse d'images

Approche traitement du signal (filtrage, compression,

transmission...) Thorie du filtrage linaire

Approche statistique (mathmatiques discrtes, modles

markoviens)

Approche ensembliste (morphologie mathmatique)

Souvent pratique de considrer l'image soit comme un

signal continu I(x,y), soit comme une matrice de points
I[x,y]

Images numriques - Echantillonnage

x

R(x,y)

I(x,y)

L'chantillonnage est le procd de

discrtisation spatiale d'une image consistant
associer chaque zone rectangulaire R(x,y)
d'une image continue une unique valeur I(x,y).
On parle de sous-chantillonnage lorsque
l'image est dj discrtise et qu'on diminue le
nombre d'chantillons.

La quantification dsigne la limitation du nombre de valeurs diffrentes que peut

prendre I(x,y).

Une image numrique est une image chantillonne et quantifie.

Images numriques- Echantillonnage

Reprsentation :
Matrice de nombres/sries de nombres (1 lment == 1 pixel)
Codage => dynamique D de l'image

Dfinition :
Soit N le nombre de niveau de gris :

D = log2(N)

Image numriques - Echantillonnage

Rsolution spatiale :

512x512

Rsolution tonale :

8 bits

Echantillonnage

64x64

32x32

16x16

Quantification

4 bits

2 bits

1 bit

Images numriques - Couleurs

B
Cyan
Magenta

Reprsentation RGB (Rouge,Vert, Bleu)

1 pixel = (R,G,B)

Jaune

Composition additive des couleurs :

Conversion en niveau de gris :
I gris [ x , y ]=@ I cR [ x , y];A I cG [ x , y ];B I cB [ x , y ]
>@ , A , B?

On peut toujours se ramener des images

en niveaux de gris

Maillage - connexit
Gnralement la structure de
donnes associe aux images dfinit
un pavage carr du plan et donc un
maillage carr (notion duale du
pavage)
La connexit permet de dfinir les relations
topologiques dans les images discrtes :
La connexit permet de dfinir la relation de voisinage
entre deux points : x y
La relation est voisin de permet de dfinir une
relation d'quivalence il existe un chemin connexe
entre x et y :
x y {x 1, ... , x n }/ x x 1, ... , x i x i;1 , ... , x n y
Les classes d'quivalences de cette relation s'appellent les composantes
connexes des sommets du graphe induits par le maillage

Maillage - connexit
Topologie :
Dans la maille carre, la notion de trou
dans un objet X n'est pas bien dfinie...

Oblig de dfinir des connexits

diffrentes pour X et Xc :

Mtrique :
Distance de la 4-connexit

d 4 > A , B?=x A x B;y A y B

Distance de la 8-connexit

d 8 > A , B?=max >x A x B,y A y B?

Segmentation
Objectif : Partitionner l'images en un ensemble de rgions connexes.
L'intrt de ces rgions est de pouvoir tre manipules ensuite via des traitements de haut
niveau pour extraire des caractristiques de forme, de position, de taille, etc.

Proprits souhaits:
Stabilit : la segmentation obtenue ne doit pas varier beaucoup lorsque les conditions
d'acquisition varie lgrement (bruit, illumination, point de vue,...)

Rgularit : les rgions obtenues doivent tre simples manipuler (taille suffisante, forme
rgulire,...)

Modles et outils fondamentaux

Modles linaires :
f(I+J) = f(I)+f(J)
f(I) = fFG
FFT, Convolution => Filtrage linaire

Modles statistiques :
Histogrammes, Filtrage non-linaire (mdian, filtres de
rangs...)

Modles ensemblistes :
Morphologie mathmatique

Modles et outils fondamentaux Modles statistiques

Proprits statistiques des images :
La distribution des valeurs prises par les pixels, la corrlation existant entre des pixels
spatialement proches,

La frquence d'occurrence de certaines structures spatiales...

Les mesures statistiques fournissent des grandeurs et fonctions empiriques sur

lesquelles peuvent s'appuyer des modles probabilistes utiliss par les algorithmes
d'analyse d'images.
Exemples :
Histogramme : permet d'analyser la frquence relative des pixels par rapport aux
valeurs permises.
Matrice de co-occurrences : utilise pour l'analyse de textures.
j

La matrice de co-occurence M v associe

au vecteur v est la matrice de taille NxN
(N=nombre de niveau de gris), telle que le
Mv(i,j) reprsente la frquence du couple
de valeurs (i,h) parmi les couples de pixels
(x,x+v)

Modles statistiques - Histogramme

Statistique d'ordre 1
Frquence d'apparition des pixel de niveaux de gris a:
Dfinition:

h >a?= f [ x , y]=a f [ x , y ]
a

cdf >a?=a ' =N h >a ' ?= f [x , y]a f [x , y ]

min

Histogramme

Histogramme cumulatif normalis

0.5

mdian

Pas de notion de structure spatiale : on s'intresse une proprit globale de l'image

Modles statistiques - Histogramme

Traitements bass sur l'histogramme :
Expansion dynamique - normalisation
2 D 1
f norm [ x , y ]=> f [ x , y ]Nmin?
N max N min
Transformation affine des niveaux de gris de telle sorte que l'image utilise toute la
dynamique autorise par la reprsentation.

Modles statistiques - Histogramme

Traitements bass sur l'histogramme :
Egalisation d'histogramme
f egal [ x , y]=>2 D 1?

cdf > f [ x , y ]?
wh

Le but est d'quilibrer le mieux possible la distribution des pixels dans la dynamique :
on cherche s'approcher d'un histogramme plat .

Segmentation base sur l'histogramme

Techniques bases sur un regroupement des pixels partir de l'analyse de
l'histogramme en dterminant des classes d'quivalences de niveaux de
gris.
Ex: recherche des modes
Image originale

2 pics correspondant aux

modes principaux

Image seuille

Valeur de seuil
optimale

Principal dfaut : analyse globale l'image qui ne tient pas compte des
critres gomtriques ou topologiques

Modles statistiques - Histogramme

Traitements bass sur l'histogramme :
Filtrage base sur une statistique locale :
On considre l'histogramme local : l'histogramme calcul au
voisinage d'un pixel donn de l'image
Ex: Filtre mdian
On prend la valeur mdiane de la distribution des
niveaux dans une zone 3x3 autour du pixel de
rfrence.
f[x,y] = mediane(10,11,8,40,35,42,38,36,46) = 40
Application :
Correction du bruit impulsionnel :

12

11

12

13

13

10

10

11

13

32

36

40

35

42

40

40

37

38

36

46

41

41

36

89

39

42

39

42

37

39

43

45

38

Modles et outils fondamentaux - convolution

Convolution discrte
Dfinition :
Soit I une image numrique.
Soit h une fonction de [x1, x2] [y1, y2] valeurs relles.
La convolution de I par h est dfinie par :
x2

> I h?[ x , y ]=i =x

y2

j= y

h[i , j ] I [ x i , y j]

Proprits de la convolution :

Commutativit :

hg= gh

Associativit :

>hg ?k =g>hk ?

Distributivit / + :

La fonction h est appele

noyau de convolution

h> g ;k ?=>hg ?;>hk ?

y

h[x,y]

Modles et outils fondamentaux - convolution

Convolution discrte
9

f i =k =1 w k I k >i ?
>110?;>111?;>18?
;>140?;>835?;>142?
;>138?;>136?;>146?=14

w1

w2

w3

w4

w5

w6

w7

w8

w9

-1

-1

-1

-1

-1

-1

-1

-1

12

11

12

13

13

10

10

11

13

32

36

40

35

42

40

40

37

38

36

46

41

41

36

89

39

42

39

42

37

39

43

45

38

Modles et outils fondamentaux - convolution

Lissage Gaussien :
h> x , y?=G > x , y ?=
Approximation discrte
pour = 10

1
e
2
2CD

1
243

x2; y 2
2D 2

16

26

16

26

41

26

16

26

16

Modles et outils fondamentaux - convolution

Filtre drivateur : Laplacien
2 f 2 f
f = 2; 2
x
y
2

f
2 = f > x;1, y?; f > x1, y ?2f > x , y ?
x
2
f
= f > x , y;1?; f > x , y1?2f > x , y ?
2
y

Forme discrte :

2 f =[ f > x;1, y?; f > x1, y ?; f > x , y;1?; f > x , y 1?4f > x , y ?]
Noyau de
convolution :

-4

Modles et outils fondamentaux - convolution

Filtre drivateur : dtecteur de contour
Sobel
Noyaux de
convolution :

Gx

+1

-1

+2

-2

+1

-1

Gy

G= < G x ;G y
2

+1

+2

+1

-1

-2

-1

Modles et outils fondamentaux - Transforme de Fourier

TF discrte :
Dfinition :
w1

F [u , v ]= x=0

h1

y=0

f [ x , y ]e2i C> ux ;vy?/ wh

w1
h1
1
2i C >ux ;vy? /wh
f [ x , y ]=
F
[u
,
v
]e

wh y=0 v=0

Informations dans le domaine frquentiel (u,v)

Proprits :
Module/Phase :
Priodicit :
Symtrie :

F [u , v ]=F [u , v ]e

i E[ u , v ]

F [u , v ]=F [u;w , u;h]

TF d ' une fonction relle : F [u , v ]=F [u ,v]
F [u , v ]=F [u ,v ]

Modles et outils fondamentaux - Transforme de Fourier

Convolution/dconvolution :
Proprit de la TF:

= I=
hI = h

Dconvolution par une PSF :

1

I sortie = PSFI entre I entre =PSF I sortie

PSF peut tre mesure ou modlise :
Ex:
- Microscopie : mesure partir de nanobilles fluorescentes
- Blind deconvolution : estimation sous contraintes de la fonction d'talement

Modles et outils fondamentaux - Transforme de Fourier

Filtrage dans le domaine frquentiel :

Passe haut :
>u m ,v m ?

F hp

[u , v ]=

F [u , v ] si uu m et vv m
0 sinon

Passe bande :
>u m , v m , u M , v M ?

F hp

[u , v ]=

F [u , v ] si u muu M et u mvv M
0 sinon

Modles ensemblistes
Outils Morphologie mathmatique
En traitement d'images, la morphologie mathmatique permet d'identifier
et d'extraire des descripteurs bass sur la forme des objets dans l'image.
Souvent on s'intressera au traitement d'images binaires issues d'une
premire tape de segmentation.
Concepts clefs :
Objet : ensemble X connexe de pixels
Fond : complmentaire connexe de X, avec une connexit diffrente.
Elment structurant : ensemble B de pixel connexes
Pour faire simple :
Une opration morphologique consiste appliquer l'lment structurant B
l'ensemble des points de X et dfinir un nouvel ensemble partir de deux
oprations de base : l'rosion et la dilatation.

Modles ensemblistes Morphologie mathmatique

Elment structurant : disque

Original

Erosion

Dilatation

Attention: dilatation et rosion ne sont pas la rciproque l'une de l'autre !!

Applications :
Elimination des petits dtails non significatifs
Estimation de la distribution en taille des objets (granulomtrie morphologique)
Gradient morphologique

Modles ensemblistes Morphologie mathmatique

Ouverture et Fermeteure

Ouverture (opening)

Fermeture (closing)

Interprtation gomtrique:
On fait rouler l'lment structurant l'intrieur (ouverture) ou l'extrieur (fermeture) de la frontire de l'objet:
le rsultat de l'opration est l'enveloppe ainsi obtenue.

Modles ensemblistes Morphologie en niveau de gris

L'rosion (resp. la dilatation) en niveau de gris revient prendre la
valeur min (resp. max) des points de l'lment structurant B
appliqu l'ensemble des niveaux de gris.

Original

Erosion

Dilatation

Morphologie mathmatique - Granulomtrie

Objectifs : dterminer la rpartition en taille de l'ensemble X

correspondant aux objets que l'on veut mesurer.
Mthode : Appliquer une srie d'ouverture avec un lment structurant B
de taille variable et mesurer chaque tape la surface totale
correspondant aux objets qui restent aprs application de B.
On peut faire correspondre chaque tape k une valeur
G k > X ?=X B k
La distribution en taille correspond alors la fonction dfinie par:
S k > x?=G k > x?G k ;1 > x?

Morphologie mathmatique - Granulomtrie

Ouvertures pour:
r = 0
r = 10 px
r = 14 px

Granulomtrie morphologique

Distribution de la taille

Sk> I ?
Fonction granulomtrique.

Gk > I ?

Reconnaissance de forme Classification

Objectif : Analyser les caractristiques des rgions qui ont t identifies prcdemment
par une mthode de segmententation.
Caractristiques:
- Gomtriques ( circularit, taille, dimensions, .... )
- Densitomtriques ( couleurs, rpartition des niveaux de gris, ....)
- Positions relatives ( inclusions, proximit, )
On obtient alors des descripteurs qui permettent la classification des objets.