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.
