Documente Academic
Documente Profesional
Documente Cultură
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)
compression
Remarques
Licence
JPEG
JPEG2000
Oui (destructif)
Excellente compression
RGB seulement (pas de transparence)
Libre de droits
Problmes de
brevet avec
JPEG2000
PNG
Standard
Support de la transparence
Excellente compression sans perte.
Libre de droits
TIFF
GeoTIFF
Standard
Support de la transparence
Support des images binaires
Multi rsolution
Brevet Aldus
corporation
BMP
Non
RAW
Non
http://en.wikipedia.org/wiki/Image_file_formats
R(x,y)
I(x,y)
Dfinition :
Soit N le nombre de niveau de gris :
D = log2(N)
512x512
Rsolution tonale :
8 bits
Echantillonnage
64x64
32x32
16x16
Quantification
4 bits
2 bits
1 bit
Jaune
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...
Mtrique :
Distance de la 4-connexit
Distance de la 8-connexit
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 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
h >a?= f [ x , y]=a f [ x , y ]
a
Histogramme
0.5
mdian
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 .
Image seuille
Valeur de seuil
optimale
Principal dfaut : analyse globale l'image qui ne tient pas compte des
critres gomtriques ou topologiques
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
y2
j= y
h[i , j ] I [ x i , y j]
Proprits de la convolution :
Commutativit :
hg= gh
Associativit :
>hg ?k =g>hk ?
Distributivit / + :
h[x,y]
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
1
e
2
2CD
1
243
x2; y 2
2D 2
16
26
16
26
41
26
16
26
16
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
Gx
+1
-1
+2
-2
+1
-1
Gy
G= < G x ;G y
2
+1
+2
+1
-1
-2
-1
F [u , v ]= x=0
h1
y=0
w1
h1
1
2i C >ux ;vy? /wh
f [ x , y ]=
F
[u
,
v
]e
wh y=0 v=0
F [u , v ]=F [u , v ]e
i E[ u , v ]
= I=
hI = h
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.
Original
Erosion
Dilatation
Applications :
Elimination des petits dtails non significatifs
Estimation de la distribution en taille des objets (granulomtrie morphologique)
Gradient morphologique
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.
Original
Erosion
Dilatation
Granulomtrie morphologique
Distribution de la taille
Sk> I ?
Fonction granulomtrique.
Gk > I ?
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.