Documente Academic
Documente Profesional
Documente Cultură
-l’oeil et la perception
Traitement d’images - image numérique
- acquisition d’images
1
LA PERCEPTION VISUELLE LA PERCEPTION VISUELLE
LE DOMAINE SPECTRAL
IMAGE NUMERIQUE
2
IMAGE NUMERIQUE IMAGE NUMERIQUE
Exemples :
En niveau de gris
- les pixels sont généralement carrés
- pixel vient de « picture element »
- La taille du pixel
4-connexité 8-connexité
3
IMAGE NUMERIQUE IMAGE NUMERIQUE
(0,0) X
Avec du rouge, du vert et du
bleu, on peut représenter
toutes les couleurs
R V B
+ +
Y
Le bruit
• Valeur pixel = mesure
• Toute mesure est bruitée (perturbation atmosphérique, défauts des capteurs,…)
• Différents types de bruit :
– Additif : mesureobservée = mesureréelle + B
– Multiplicatif : mesureobservée = mesureréelle B
• Filtrage du bruit : peut être très complexe
• Évalué par la rapport signal / bruit (SNR)
+ +
4
IMAGE NUMERIQUE
Le flou
Problème de déconvolution :
ACQUISITION D’IMAGES
Les défauts
• Passage du monde 3D (ou 4D) vers image 2D
• Stéréoscopie = Passage inverse : • Aberration sphérique
– deux images => 3D – Image floue
Nécessité de modéliser le passage
• Aberration chromatique (effet prisme)
– Franges colorées
Appareil photographique
Source
• Astigmatisme
– Images floue sur les bords ou au centre
Rayon Film
lumineux ou
CCD
Objet 3D Lentilles • Distorsion
– Altération géométrique
Diaphragme Obturateur
Les capteurs
Deux grandes familles : Les capteurs CCD
– argentique (pellicules)
– numériques (CCD) • Ensemble de sites photo-sensibles
• Transformation photons -> électrons
• Les sites sont sensibles sur le visible + proche IR
• Pour plusieurs couleurs sur un même site, deux possibilités :
Les pellicules – Mosaïque
• Film imprégné d’un gel contenant des ions argent – Tri-capteur
• Déclenchement d’une réaction lors de l’exposition à la lumière
• Développement bloque la réaction dans l’état courant
• Pour le traitement d’image : nécessité de numériser le film
• Utilisation d’un scanner (capteur CDD) linéaire
• Déformation géométriques (étirement + mécanique)
5
ACQUISITION D’IMAGES ACQUISITION D’IMAGES
NUMERISATION D’IMAGES
– Échantillonnage
-> résolution spatiale (taille du pixel)
– Quantification
-> résolution spectrale (niveau de gris)
6
NUMERISATION D’IMAGES : QUANTIFICATION NUMERISATION D’IMAGES : QUANTIFICATION
• Prélèvement périodique des échantillons d’un signal analogique • Prélèvement périodique des échantillons d’un signal analogique
• Explication sur le cas 1D : • Explication sur le cas 1D :
• Image : cas 2D
• Modélisée par le peigne de Dirac Théorème de Nyquist-Shannon
y fe ≥ 2. fm
7
NUMERISATION D’IMAGES : ECHANTILLONNAGE NUMERISATION D’IMAGES : ECHANTILLONNAGE
• Image : cas 2D
• Généralisation valable (!!! non évident !!!)
• Ici x = 1
sin x p sin y q
f ( x, y ) f
p q
p ,q
x p
y q
Sous-échantillonnage Sous-échantillonnage
Décimation Moyenne
8
NUMERISATION D’IMAGES : ECHANTILLONNAGE NUMERISATION D’IMAGES : ECHANTILLONNAGE
réplication de pixel
Gaussienne
Recopie simple du pixel le plus proche
+ Rapide
– Problèmes d’aliasing
bilinéaire bicubique
Interpolation linéaire entre les 4 voisins: Polynôme de degré 3 approchant le sinus cardinal sur 16 voisins.
fr(x,y)=dy1(dx1.f(x1,y1)+dx2.f(x2,y1))+dy2(dx1.f(x1,y2)+dx2.f(x2,y2))
P=-d(1-d)²P0+(1-2d²+d3)P1+(d(1+d-d²))P2-d²(1-d)P3
(x1,y1) (x2,y1) d 1-d
+ Relativement rapide dy1 + Peu flou P0 P1 P P2 P3
– Images floues dx1 (x,y) dx2 – Plus lent que les précédents
dy2
L’HISTOGRAMME
Définition
9
L’HISTOGRAMME L’HISTOGRAMME
L’HISTOGRAMME L’HISTOGRAMME
Transformation de l’histogramme
- expansion d’histogramme Améliorer la qualité de l’image
- égalisation d’histogramme
- spécification d’histogramme
L’HISTOGRAMME L’HISTOGRAMME
10
L’HISTOGRAMME L’HISTOGRAMME
L’HISTOGRAMME L’HISTOGRAMME
L’HISTOGRAMME L’HISTOGRAMME
11
L’HISTOGRAMME L’HISTOGRAMME
Rendre la distribution d’intensité d’une image voisine d’une distribution spécifiée But : extraire des informations relatives aux différentes classes de l’image
Soient Fa, Fb et FR, les fonctions de répartition de l’image initiale, de l’image finale Exemple :
et de l’image de référence.
On cherche la transformation d’histogramme T telle que : F b (T(x)) = Fa (x)
Or on veut que Fb = FR
T = FR-1o Fa
Exemple :
distribution de
+ référence gaussienne
fréquentiel ( la fréquence f)
– Moyenne
0
-0.5
– Fonction gaussienne -1
Soit H(f) la transformée de Fourier de h(t) : H f h(t )e 2ift dt
-1.5
-6 -4 -2 0 2 4 6
La transformée inverse s’écrit : h(t) H f e2iftdf
Signal de départ
1.5 1.5
0.5 0.5
représentation de l’image dans le domaine spatial (coordonnées i , j des pixels)
0 0
à une représentation dans le domaine fréquentiel (coordonnées u et v)
-0.5 -0.5
i
-1.5
0 20 40 60 80 100 120 140
-1.5
60 80 100 120 140 160 180
H u, v h(i, j).e 2 j ( iu jv )
i j
Signal moyenné Signal après gaussienne
12
TRANSFORMEE DE FOURRIER TRANSFORMEE DE FOURRIER
PETIT APERCU DES PROBLEMES ET METHODES EN Détection, reconnaissance et extraction de formes : Contours - Texture - objets …
TRAITEMENT D’IMAGES solutions : Filtrage - Méthodes diverses : stochastiques (PPM) variationnelles (snakes)…
Segmentation et classification
solutions : Algorithmes déterministes - Approches markoviennes – Réseaux neuronaux…
Reconstruction 3D et stéréovision
APERCU DES PROBLEMES ET METHODES EN TRAITEMENT D’IMAGES APERCU DES PROBLEMES ET METHODES EN TRAITEMENT D’IMAGES
Extraction de houppiers Extraction de bâtiments Extraction de fumées de feux de foret Segmentation d’images IRM
13
APERCU DES PROBLEMES ET METHODES EN TRAITEMENT D’IMAGES
14
Images : estimation de
Images : extraction de réseaux.
mouvement.
15