Chapitre III: Filtrage spatial Ingénieur Docteur Seddik Hassene

Chapitre III

LE FILTRAGE SPATIAL

I. DEFINITION
Le filtrage consiste à appliquer une transformation (appelée filtre) à tout ou partie d'une
image numérique en appliquant un opérateur.

On distingue généralement les types de filtres suivants :

 les filtres passe-bas, consistant à atténuer les composantes de l'image ayant une
fréquence haute (pixels foncés). Ce type de filtrage est généralement utilisé pour
atténuer le bruit de l'image, c'est la raison pour laquelle on parle habituellement de
lissage. Les filtres moyenneurs sont un type de filtres passe-bas dont le principe est
de faire la moyenne des valeurs des pixels avoisinants. Le résultat de ce filtre est
une image plus floue.
 les filtres passe-haut, à l'inverse des passe-bas, atténuent les composantes de basse
fréquence de l'image et permettent notamment d'accentuer les détails et le contraste,
c'est la raison pour laquelle le terme de "filtre d'accentuation" est parfois utilisé.
 les filtres passe-bande permettant d'obtenir la différence entre l'image originale et
celle obtenue par application d'un filtre passe-bas.
 les filtres directionnels appliquant une transformation selon une direction donnée.

On appelle filtrage adaptatif les opérations de filtrage possédant une étape

préalable de sélection des pixels.

II. QU’EST-CE QU’UN FILTRE ?

Un filtre est une transformation mathématique (appelée produit de convolution)
permettant, pour chaque pixel de la zone à laquelle il s'applique, de modifier sa valeur en
fonction des valeurs des pixels avoisinants, affectées de coefficients.
Le filtre est représenté par un tableau (matrice), caractérisé par ses dimensions et
ses coefficients, dont le centre correspond au pixel concerné. Les coefficients du tableau
déterminent les propriétés du filtre. Voici un exemple de filtre 3 × 3 :

1 1 1
1 4 1
1 1 1
Ainsi le produit de la matrice image, généralement très grande car représentant
l'image initiale (tableau de pixels) par le filtre donne une matrice correspondant à l'image
traitée.

23
Chapitre III: Filtrage spatial Ingénieur Docteur Seddik Hassene

III. Notion de bruit

1. Définition du bruit dans une image

On appelle bruit tout signal nuisible qui se superpose au signal utile en un point
quelconque d’une chaîne de mesure ou d’un système de transmission. Il est un terme issu
du domaine de l'acoustique et désigne un signal parasite, que ce soit pour le son ou pour
l'image, le principe est identique : sur tout signal de base vient s'adjoindre un ensemble
d'informations parasites aléatoires.

2. Sources de bruit

Les sources de bruits sont très nombreuses et variées. En effet à chaque étape de
l'acquisition d'une scène, des perturbations (rayures, poussières, caméra, amplification,
quantification) vont détériorer la qualité de l'image. Toutes ses perturbations peuvent gêner
la compréhension des informations d’une telle image ce qui nécessite certains traitements.
Le bruit peut provenir de différentes causes :
 Environnement lors de l'acquisition
 Bruits liés au capteur :
 Capteur mal réglé
 Capteur de mauvaise qualité
 Types de capteur (radar, laser, microscope électronique…)
 Qualité de l'échantillonnage
 Bruits liés à la nature de la scène
 Nuage sur les images satellitaires
 Poussières dans les scènes industrielles
 Brouillard pour les scènes routières
Ce dernier peut être soit additif soit multiplicatif.

3. Type de bruit

L’image captée est toujours infectée par un bruit (parasite) qui est considéré comme un
phénomène de brusque variation de l’intensité d’un pixel par rapport à ses voisins. Ces
bruits sont de types:

a. Bruit multiplicatif
L’image bruitée est défini par la formule suivante :
Y ( x, y )  S ( x, y ).N ( x, y ) (1)
Tel que S représente l’image originale, N est le bruit multiplicatif : c’est une variable
aléatoire de moyenne égale à 1.
La principale caractéristique de ce bruit est que les pixels d'une zone homogène seront
d'autant plus bruités que leur niveau de gris est élevé. Le plus célèbre bruit multiplicatif est
le bruit de chatoiement (ou speckle) (Fig.1.5)
Le bruit multiplicatif (speckle) appliquée à l’image est caractérisé par une variance v.
Pour l’exemple suivant v=0,1.

24
Chapitre III: Filtrage spatial Ingénieur Docteur Seddik Hassene

Image originale Image bruitée

Fig.1 Cas d’un bruit multiplicatif

b. Bruit additif
Y ( x, y )  S ( x, y )   * N ( x, y ) (2)
Où N est le bruit additif : c’est une variable aléatoire de moyenne égale à 0 et  c’est le
coefficient du bruit (ou gain).
Exemples de bruits additifs : bruit gaussien et impulsionel (Salt & Pepper).
La figure suivante montre une image bruitée avec un bruit gaussien de variance v=0.1 et de
moyenne µ nulle.

Fig.2 Image originale --Image bruitée

Le bruit est l’ensemble de pixels qui ne font pas partie des pixels de la scène à traiter. Il est
préférable de nettoyer, autant que possible, l’image de cet intrus à fin d’améliorer sa
qualité visuelle on éliminant les effets de ce dernier, c’est pour cela qu’on a eu recours au
filtrage.

4. Lissage

On appelle "lissage" (parfois débruitage ou filtre anti-bruit) l'opération de filtrage

visant à éliminer le bruit d'une image. L'opération de lissage spécifique consistant à
atténuer l'effet d'escalier produit par les pixels en bordure d'une forme géométrique est
appelée anti-crénelage (en anglais anti-aliasing).

5. Accentuation

L'accentuation (ou bruitage) est l'inverse du lissage; il s'agit d'une opération visant à
accentuer les différences entre les pixels voisins. Ainsi l'accentuation peut permettre de
mettre en exergue les limites entre les zones homogènes de l'image et est alors appelée
extraction de contours (également contourage ou rehaussement de contours).

25
Chapitre III: Filtrage spatial Ingénieur Docteur Seddik Hassene

6. Tramage

Le tramage (en anglais dithering) est une technique consistant à alterner des motifs
géométriques utilisant peu de couleur, appelés "trame", afin de simuler une couleur plus
élaborée.

IV. FILTRAGE D’IMAGE

1. Notion de Filtrage
Comme nous avons mentionné précédemment, toute image peut être contaminée par un
bruit. Certes, les traitements de restauration sont souvent indispensables pour améliorer la
qualité des images observées. Ainsi, le dé-bruitage est souvent l'étape nécessaire et
première d'être pris avant que les données d'images soient analysées. Le filtrage représente
une des opérations les plus essentielles réalisées dans le cadre du traitement des images.
L'objectif avoué du filtrage est de réduire les variations d'intensité au sein de chaque région
de l'image tout en respectant l'intégrité des scènes : les transitions entre régions
homogènes, les éléments significatifs de l'image doivent être préservés au mieux .Ils
existent plusieurs types de filtres, certains sont linéaires (filtres gaussien, moyenneur)
s’exprimant sous forme de convolution, d’autres sont non linéaires d’ordre statistique
(filtre Médian,….). Les filtres peuvent effectuer plusieurs types d'opérations sur une
image, comme du lissage (atténuer le bruit) ou du rehaussement de contours (détecter des
variations d’intensité) pour modifier ses caractéristiques.
2. Types de Filtrage
Pour éliminer les signaux indésirables dans une image, différentes méthodes de filtrage ont
été développée suivant le type et l’intensité de bruit, ou les applications : auxquelles est
destinée l’image. Les premières et les plus simples, de ces méthodes sont basés sur le
filtrage linéaire. Les limitations de ces techniques, en particulier leur mauvaise
conservation des transitions, a conduit cependant au développement des filtres non linéaire.
Puisque le bruit dans une image a généralement un spectre de hautes fréquences que les
composantes normaux de l’image, alors le filtre passe bas peut être efficace pour atténuer
ce bruit. Cette atténuation peut être effectuée dans le domaine fréquentiel ou dans le
domaine spatial (par convolution).
a. Filtrage fréquentiel
La transformée de Fourier F (u , v ) d’une image f ( x, y ) est une transformation
mathématique qui décompose l’image en une somme infinie de fonction sinusoïdale.
L’image obtenue n’est plus représentée par la valeur de ses pixels en fonction de leur
position dans l’espace, mais par l’amplitude et la phase de simulation en fonction de leur
fréquence [3]. On notera alors F (u , v ) la transformée de Fourier à deux dimensions de
l'image f(x, y) telle que :
1 N 1 M 1 ux vy
F (u, v)  
M  N x 0 y 0
f ( x, y) exp[2j (  )]
N M
(3)

Tel que M N est la taille de l’image, x et y sont les coordonnées spatiales, u et v

sont les coordonnées spectrales.
u  0,1,2............N  1 et v  0,1,2,..........M  1

26
Chapitre III: Filtrage spatial Ingénieur Docteur Seddik Hassene

Le module F (u, v) a l’avantage d’être une fonction réelle, désignée sous le nom spectre
d’amplitude. En notant Fre (u, v) et Fim (u, v) les parties réelle et imaginaire de F (u , v ) ,
nous avons :
F ( u , v )  Fre ( u , v )2  Fim ( u , v )2 (4)

2
La fonction F( u,v )  Fre( u,v )2  Fim( u,v )2 (5)
est connue sous le nom du spectre de puissance.
Le spectre de phase associé aux fréquences (argument de ( F (u , v ) ) est définie de la
manière suivante :
1  Fim ( u , v ) 
(6)
( u , v )  tan  
 Fre ( u , v ) 

L’information pertinente sur l’image se trouve essentiellement dans l’amplitude des

fréquences. La complexité de l’implémentation par multiplication dans le domaine
fréquentiel est celle de deux calculs de transformée de Fourier (TF direct et TF
inverse).L’opération du filtrage dans le domaine fréquentiel est représentée par la figure
suivante :

Filtre
fréquentiel

Image Image
originale fréquentiell
spatiale e

Image
filtrée
Fig.3 Filtrage Fréquentiel spatiale

Plusieurs filtres sont proposés dans-la-littérature-servant-au dé-bruitage de l’image.

Ces filtres sont de 4 types :
Passe –bas : Le filtrage passe-bas permet d’atténuer le bruit dans une image, en lissant les
détails et donc en rendant l’image floue. La difficulté du traitement est de contrôler le
degré de filtrage nécessaire pour supprimer le bruit tout en conservant les détails
significatifs de l’image. Son principe est de garder les basses fréquences du spectre de
Fourier du signal.
La fonction de transfert H ( f ) du filtre passe-bas idéal de fréquence de coupure fc et un
gain K est donnée par :
1
H ( jw )  K (7)
w
1 j
wc

Tel que w  2  f et wc  2fc

L’équation (7 ) devient :
H ( jf )  K
1 (8)
f
1 j
fc
27
Chapitre III: Filtrage spatial Ingénieur Docteur Seddik Hassene

1
H( f )  K
f 2
1 ( )
fc (9)

La courbe suivante montre le cas idéal de ce type de filtre, sa bande passante et [0 ,fc] :

1 si f  f c (10)
H( f )  
0 si f > f c
|H(f)|

0 fc f
Fig.4 Filtre passe bas idéal
Ce filtre supprime les composantes fréquentielles ayant une fréquence supérieure à f c .Le
résultat de ce type de filtrage :
 Les hautes fréquences sont supprimées
 Les basses fréquences, dont la fréquence fondamentale, sont conservées
 L’image reconstruite présente du flou sur le contour
Passe-haut : Le filtrage passe-haut permet d’améliorer le contraste local en accentuant les
fins détails par rapport aux lentes variations d’intensité de l’image. Dans le même temps,
ces filtres rehaussent le bruit. Ils sont souvent employés pour améliorer l’aspect visuel des
clichés planétaires ou lunaires en donnant du piqué à une image légèrement floue. Un filtre
passe-haut du premier ordre est caractérisé par sa fréquence de coupure f c et par son gain
dans la bande-passant K .La fonction de transfert est exprimée suivant l’équation (12) :
w
j
wc
H ( jw )  K (11)
w
1 j
wc
Tel que w  2f et wc  2f c
On aura donc :
f
j (12)
fc
H ( jf )  K
f
1 j
fc
Le module de la fonction de transfert est égale à :
f
fc
H( f )  K (13)
f 2
1( )
fc
La figure suivante montre la bande passante du filtre passe haut [fc,∞] :

28
 Chapitre III: Filtrage spatial Ingénieur Docteur Seddik Hassene

|H(f)|

0 fc f
Fig.5 Filtre passe haut idéal

Un filtre passe-haut est un système linéaire ne modifiant pas ou peu les hautes fréquences
de l’image d’entrée.
 Basses fréquences et fréquence fondamentale éliminées : L’information d’intensité
est enlevée lors de la reconstruction de l’image.
 Hautes fréquences préservées : Les changements brusques d’intensité (bruit,
frontières, ...) sont mis en évidence
 Ce filtre supprime les composantes fréquentielles ayant une fréquence
inférieure à f c .

Fig.6 Allure d’un filtre passe haut.

Passe-bande : Ce type de filtre a pour rôle de garder une bande de fréquences du spectre
de Fourier et d’éliminer certaines fréquences indésirable présentes dans l’image. Il est
complémentaire d’un filtre passe-bas et d’un filtre passe-haut.
 Il est un système linéaire qui préserve une plage de fréquences.
 L’image reconstruite est une combinaison d’un nombre réduit d’images de base.
Un filtre passe-bande est un filtre ne laissant passer qu’une bande ou intervalle de
fréquences compris entre une fréquence de coupure basse fc1 et une fréquence de coupure
haute fc2 du filtre : Entre les deux fréquences de coupure ( fc1 fc2 ),le filtre laisse passer tout,
en dehors, il coupe tout (équation 15 ) :
0 si f < f c1
 (14)
H ( f )  1 si f c1  f  f c2
0
 si f > f c2

29
 Chapitre III: Filtrage spatial Ingénieur Docteur Seddik Hassene

Ce principe est illustré par la figure (1.10) :

|H(f)|

0 fc1 fc2 f
Fig.7 Filtre passe bande idéal

Coupe- Bande : Son fonctionnement est l’inverse du filtre passe bande : Entre les deux
fréquences de coupure ( fc1 fc2 ),le filtre coupe tout, en dehors, il laisse passer tout :

1 si f  f c1 (15)

H ( f )  0 si f c1 < f < f c2
1 f  f c2
 si

La figure suivante montre la bande passante de ce filtre :

|H(f)|

0 fc1 fc2 f
Fig.8 Filtre coupe bande

b. Filtrage spatial
Le filtre linéaire peut être directement effectué dans l’espace image (domaine spatial) en
utilisant l’opérateur de convolution. Les filtres spatiaux sont les premières méthodes
utilisés pour palier aux problèmes de bruits et à fin d’améliorer la qualité visuelle et
d’extraire des attributs de l’image (ex : contours).Se sont les filtres passe bas qui servent à
supprimer les hautes fréquences sur les quelles domine le bruit.
L’opération de filtrage spatial ou de convolution d’une image A par un filtre B est donnée
par la formule suivante :
g( x , y )  ( A * B )( i , j )    A( x  i , y  j )B( i , j )
i j (16)

B est le noyau de convolution (dans cette figure on utilise un filtre moyenneur (3×3). Pour
chaque pixel de l’image, le filtre calcule sa nouvelle valeur en tenant compte du voisinage
de ce dernier. L’opération du filtrage est illustrée les deux figures suivantes (Fig.1.12,
Fig.1.13) :

30
Chapitre III: Filtrage spatial Ingénieur Docteur Seddik Hassene

Fig.9 Image originale avant convolution

Le resultat de la convolution par un meyenneur d’ordre 3×3 est :

Fig.10 Convolution de l’image avec un filtre moyenneur d’ordre 3

On remarque que les pixels de l’image changent après convolution et prennent des autres
valeurs ainsi que l’image est devenue plus floue qu’avant convolution. Soit un filtre (i, j)
de masque de convolution (n=3) dont les W (i , j ) sont les poids de pondération :
W(-1,-1) W(-1,0) W(-1,1)

W(0,-1) W(0,0) W(0,1)

W(1,-1) W(1,0) W(1,1)

Tab.1. 1 : Filtre B (i, j ) d’ordre 3×3 centré sur (0,0)

La convolution de l’image A( x , y ) avec ce filtre B (i, j ) donne l’image g ( x , y ) :

w( 1,1)A( x 1, y 1)  w( 1,0 )A( x 1, y )  w( 1,1)A( x 1, y 1) 
 (17)
gx, y  w( 0,1)A( x, y 1)  w( 0,0 )A( x, y )  w( 0,1)A( x, y 1) 
w(1,1)A( x 1, y 1)  w(1,0 )A( x 1, y )  w(1,1)A( x 1, y 1)


31
 Chapitre III: Filtrage spatial Ingénieur Docteur Seddik Hassene

Afin de conserver la moyenne originale de l’image A( x , y ) dans g ( x , y ) , on

normalise les coefficients du filtre, donc on aura (  W i  1 ).

3. Différents Types de filtres passes-bas

Le filtrage spatial d’une image I consiste à convoluer cette image considérée comme
une fonction I(x,y) avec une fonction f(x,y). f(x,y) s’appelle la « réponse impulsionnelle
du filtre ». Le résultat est une nouvelle image dite « filtrée » définie par la formule
suivante:
2
En considérant l’image comme une fonction continue sur R

If(x,y)= (f∗I)(x,y) =   f(x′ , y′ ) × I(x− x′ ,y− y′ )×dx’×dy′ qui s’écrit aussi

If(x,y)= (f∗I)(x,y) =   I(x− x′ ,y− y′ ) × f(x′ , y′ ) ×dx’×dy′

L’opérateur * s’appelle une convolution.

a. Filtre MOYENNE

Propriétés : C’est un filtre passe bas qui sert à remplacer le niveau de gris d’un pixel par la
moyenne des niveaux de gris des pixels environnants.
Dans le cas où l’image contient un bruit et que la propriété précédente est préservée, un
moyennage local peut atténuer ce bruit.
 Cette opération est appelée lissage (smoothing)
La taille du kernel (masque de convolution) dépend de l'intensité du bruit et de la taille des
détails significatifs de l'image traitée. Pour effectuer un moyennage dans un bloc voisinage
de taille d  d , on obtient la sortie g ( x , y ) :
d 1 d 1
1 2 2 (18)
g( i , j )    f ( i  n, j  m )
d2 n
d 1
m
d 1
2 2

d Représente la taille du filtre.

d2  W i (19)
Plus d est grand, plus le lissage sera important, et plus l’imagefiltrée perd les détails de
l’image originale. Le filtre moyen est le filtre linéaire optimal pour le bruit gaussien .Il
diminue le bruit mais il atténue les détails de l’image c’est pour cela qu’on doit utiliser des
fenêtres de petites tailles, typiquement 3x3 ou 5x5 pour minimiser ce phénomènes.
Exemples de masques de convolution :

Filtre Moyenneur

32
Chapitre III: Filtrage spatial Ingénieur Docteur Seddik Hassene

Masque de convolution 3×3 Masque de convolution 5×5

Fig.11 Exemples de masques de convolution
A fin de conserver la moyenne de l’image A (x, y), la somme des éléments du filtre est
normalisée à 1. Le filtre moyenneur est un filtre passe-bas permettant ainsi d'éliminer les
hautes Fréquences, correspondant au bruit. Son inconvénient est qu'il élimine également
les hautes fréquences correspondantes aux détails de l'image et la rendre cette dernière plus
floue
b. Filtre GAUSSIEN

Il est généralement sous la forme d’une matrice 3×3 qui peut être obtenu à travers
une convolution matricielle ou vectorielle comme défini ci-dessous. Distribution
Gaussienne en 1D :

 x   2
1
G (x)  2 2
e Avec μ : moyenne et σ écart-type
2  2

1
  x   1  2
  y   2 2 
G ( x, y)  2 2
e
2  2

1 2 1
1/16× 2 4 2
1 2 1

1 1

0.5 0.5

0 0
10 10
10 10
0 0 0 0
-10 -10 -10 -10
Variance =0.5 Variance =1.5
Fig.12 Cloche gaussienne pour différentes valeurs de sigma

Le problème qu'on rencontre avec cette méthode est le manque de moyen scientifique pour
choisir la taille de la fenêtre, il faut tâtonner jusqu'à trouver la meilleure échelle. Les fortes
discontinuités qui sont les contours des images sont détruites. On peut comprendre ce
phénomène grâce à la théorie de Fourrier. Que le filtre soit gaussien ou rectangulaire, on a
dans l'espace des fréquences, un passe-bas qui tue les hautes fréquences qui sont les seules
à préserver les irrégularités des signaux comme les contours [7 et 15].
Le filtre gaussien se caractérise par un écart type σ et une moyenne µ. Le choix de la
valeur de σ est très important pour déterminer l’efficacité du filtre et la qualité de l’image
filtrée. En effet :
 Si  est plus petit, pas d’élimination de bruit et le lissage n’a pas presque
d’effet
 Plus  est grand, plus on réduit le bruit, mais plus l’image filtrée est
Floue
 Si  est choisi trop grand, tous les détails de l’image sont perdus.
Donc on doit trouver un compromis entre la quantité de bruit à enlever et la qualité de
l’image en sortie.

33
 Chapitre III: Filtrage spatial Ingénieur Docteur Seddik Hassene

Idéalement, on devrait prévoir un filtre de taille ( 6  1) ( 6  1) . En général un filtre

gaussien avec  < 1 est utilisé pour réduire le bruit, et si  > 1 c’est dans le but de
fabriquer une image.
Il est séparable matriciellement et vectoriellement. Cette séparabilité permet de traiter avec
des matrices ou vecteurs de taille moins importante d’où le gain en temps dans le
traitement de l’image bruité.
La convolution matricielle est la suivante :
1 1 1 1
×¼ * ×¼
1 1 1 1

La convolution vectorielle est la suivante :

1
2 ×¼ * 1 2 1 * ×¼
1

Idéalement on devait prévoir un filtre ou masque de dimensions : (6 δ +1)* (6 δ +1).

Ou δ représente l’écart type.

c. Filtre BINOMIAL
Soit un binôme composé des termes x et y défini sur un anneau (par exemple deux nombres
réels ou complexes, deux matrices, etc.) qui commutent (c'est-à-dire tels que xy = yx) et un
entier naturel n, alors
( + ) =∑ (20)

!
= !( )!
(21)

Le filtre à l’ordre 4 peut s’écrire comme suit en 1D :

1 4 6 4 1
Les coefficients de ce filtre sont obtenus par le binôme de NEWTON. Un filtre 1D
binomiale du quatrième ordre donne le vecteur suivant : 1/16×
1 4 6 4 1
4 16 24 16 4
6 24 36 24 6
×1/256
4 16 24 16 4
1 4 6 4 1

Les coefficients des séries binomiaux sont générés par le triangle de Pascal :

34
Chapitre III: Filtrage spatial Ingénieur Docteur Seddik Hassene

d. Filtre PYRAMIDAL
1 2 3 2 1
2 4 6 4 2
3 6 9 6 3 ×1/81
2 4 6 4 2
1 2 3 2 1

e. Filtre Circulaire
0 1 1 1 0
1 1 1 1 1
1 1 1 1 1 ×1/21
1 1 1 1 1
0 1 1 1 0

Rayon du filtre R=2.5

f. Filtre CONIQUE

0 0 1 0 0
0 2 2 2 0
1 2 5 2 1 ×1/25
0 2 2 2 0
0 0 1 0 0

g. Filtre MEDIAN

g(x,y) = median [ f(n,m)].

Il est utile pour contrer le bruit (sel et poivre) salt and peper.
Ce n’est pas un filtres de convolution, ni de filtre linéaire. Les inconvénients du filtre de
Moyenne induisent une orientation vers le filtre dit Médian. Son principe consiste à
remplacer le pixel central par la médiane de la répartition (on trie les luminances dans

35
Chapitre III: Filtrage spatial Ingénieur Docteur Seddik Hassene

l'ordre croissant) des niveaux de gris des pixels situés à l'intérieur de cette fenêtre. Ainsi,
même si plusieurs pixels voisins sont bruités, on peut corriger le pixel courant.
g ( x, y )  médian [ f ( n, m ) & S ( x, y )] (22)
Ou S ( x , y ) est un voisinage de ( x, y )
Etapes:
a) Création de la liste des valeurs du voisinage
b) Trie de la liste dans un ordre croissant
c) la nouvelle valeur du pixel central g(x, y) est la valeur médiane des pixels de voisinage.
Exemple :
78 45 14 Trie de la liste dans un ordre croissant 78 45 14
60 120 20 60 60 20
14 20 37 45 60 64 78 80 120
80 64 37 80 64 37
a)Voisinage b) Médiane c) Voisinage
avant filtrage après filtrage
Fig.13 Mise en œuvre du filtre Médian

Cette valeur "médiane "(60) est la plus éloignée des deux extrêmes. Il permet d’obtenir de
bon résultats pour des images bruitées par un bruit poivre et sel [Fig.1.14] mais il est aussi
peu performant que le filtre conservatif pour le bruit gaussien [7et 15].
Ses principaux inconvénients sont de rendre flous les contours, d’effacer les structures
fines voire même de distordre certaines formes [3]. La figure (1.13) montre une image de
format JPEG, capté par un capteur de faible résolution (téléphone portable). Elle est de
dimensions 480 pixels en largeur et 640 pixels de hauteur. L’image est bruitée par un bruit
additif (Salt & Pepper) de densité d=0.2, et filtrée par un filtre médian.

Image originale
Image originale Image bruitée
Image bruitée Image filtrée
Image filtrée par un médian

Fig.14 Filtrage médian

On remarque le bruit est éliminé mais l’image devient un peu floue.

h. Filtre de Wiener
Le filtre de Wiener est un filtre linéaire largement utilisé pour la restauration des images.
Dans le cadre de l'estimation bayésienne, on peut supposer qu'on connaît a priori de
l'information du signal et on peut, dans ce cadre seulement construire la meilleure
convolution pour dé-bruiter une image altérée par un bruit blanc gaussien dont on connaît
la puissance. Il est parmi les meilleurs filtres linéaires qui éliminent le bruit [7].
L’estimation du signal original est basée sur la minimisation de l’erreur quadratique
moyenne entre cette dernière et l’image bruitée.
Considérons une image u (x ) , convoluée par la fonction de transfert h(x ) auquel nous
avons ajouté un bruit additif  . Le signal de sortie Y (x) au point x s’écrit alors :
Y ( x )  ( h )( x )   ( x ) (23)

36
Chapitre III: Filtrage spatial Ingénieur Docteur Seddik Hassene

Cette équation peut être écrite de manière vectorielle en notant Y l’ensemble des données
du signal de sortie, u l’ensemble des données du signal d’entrée, H la matrice de
transfert et  le vecteur de bruit. L’équation (22) devient :
Y  Hu   (24)
Le filtre de Wiener minimise l’erreur quadratique moyenne (EQM) entre
^
l’image originale u et celle de sortie u suivant cette formule :
^ ^
  arg min E[(u  u ) T (u  u )] (25)
Le filtrage des images par le filtre de Wiener n’est pas direct. En effet, il est nécessaire
d’estimer la densité spectrale de puissance du signal. De plus, en pratique la stationnarité
du signal n’est pas vérifiée.
i. Filtre de Nagao
L’algorithme de Nagao est un peu plus complexe. La valeur du pixel central est remplacée
par la valeur moyenne de la région qui a la plus faible variance. Le but de ce filtre est qu’il
permet d’adoucir l’image sans pour autant rendre les bords flous donc on a conservation
des contours. Par ailleurs, la taille du voisinage, est comme fonction de la taille des
éléments significatifs de l'image, de l'intensité du bruit. Il est évident que ce filtre est d'une
plus grande complexité d’implémentation que les précédentes.
 Les étapes de filtrage :
• On calcule la moyenne mi et l’écart-type σi de chacun des masques hi utilisées.
• On sélectionne le masque hk ayant le plus petit écart-type σk
• On affecte la valeur mk au pixel
 EXEMPLE DE DEBRUITAGE

Les bruits envisagés seront ici des bruits :

 gaussiens,
 impulsionnels.

Les critères de comparaisons peuvent être basés sur :

 l'appréciation subjective psycho-visuelle,
 le rapport signal sur bruit (SNR : Signal to Noise Ratio),
 les caractéristiques fréquentielles des filtres,
 la qualité des filtrages en tant que pré-traitement pour la détection des contours.

j. Images bruitées et dé-bruitées

L'image que nous avons choisie avec laquelle nous allons effectuer les comparaisons est
celle (classique) du bateau.

37
Chapitre III: Filtrage spatial Ingénieur Docteur Seddik Hassene

Fig.15 Image originale. Bruit impulsionnel (densité=2%).

Fig.16 Filtrage par médian 3×3.

Fig.17 Bruit impulsion 30 %

38
Chapitre III: Filtrage spatial Ingénieur Docteur Seddik Hassene

Fig.18 Filtrage MOYENNEUR 3×3 Filtrage MEDIAN 3×3

Fig.19 Filtrage MEDIAN 7×7 Filtrage par ouverture (rayon =2).

4. Filtrage Passe- Haut et Détection de Contours :

Un contour peut être considéré comme une frontière entre deux régions différentes
(suivant un critère de similarité donné, par exemple un niveau de gris identique à un
epsilon prés ou une couleur identique...). La détection d’un contour est généralement basée
sur la détection du changement à la frontière de deux régions. L’obtention des contours est une
étape importante dans le processus d’interprétation automatique d’une image puisque cela
permet de matérialiser les contours des objets recherchés.

a. Exemples de filtres passe haut

Ou filtre (High boost), il peut dans certains cas être déduit d’un filtre passe bas
selon la relation suivante :

High boost = K(original) – Passe bas (original).

39
Chapitre III: Filtrage spatial Ingénieur Docteur Seddik Hassene

Si on note par f(x,y) est l’image originale, h(x,y) : un filtre passe bas et δx,y une
impulsion unitaire. Alors :

G(x,y) = K.f(x,y) – f(x,y) * h(x,y)

= (K – 1).f(x,y) + (f(x,y) * δx,y ) - f(x,y) * h(x,y)
= (K – 1).f(x, y) + f(x,y) * ( δx,y - h(x,y))

Après le passage au domaine fréquentielle on obtient :

G(u,v) = (K-1).F(u,v) + F(u,v).[1-H(u,v)]

 K=1 : Passe haut.

 K>1 : Rehaussement de contour.

Fig.20 Types de contours

b. Un modèle mathématique de contour :

Dans une image supposée continueI(x, y) un contour apparait comme une ligne ou sont
localisées les très fortes variations deI(x, y) Soit le gradient de I(x, y) noté comme suit:
  Gr   I 
G    I  x , y    x    x 
 Gr    I
 y 

 y  
 I ( x , y ) I( x  x, y )  I( x, y )
 x   lim
x x  0 x (27)
I( x, y )  I( x  x, y )
 lim
x  0 x
 I ( x , y ) I ( x , y  y )  I ( x , y )
 y   lim
y y 0 y (28)
I ( x , y )  I ( x , y  y )
 lim
y 0 y

Le module du gradient est associé à I comme suit :

Mag Gr   Gr x2  Gr y2  Gr x  Gr y
1  Gr y 
  arg(  I )  tan  
 Gr x 
Qui est aussi exprimé comme suit

∇⃗
g⃗= ∇⃗
(29)

La variation du contour pour un pas égal a un pixel se traduit par la différentiation de

l’image discrète par rapport a ses voisin proches dans une fenêtre de (3*3)

40
Chapitre III: Filtrage spatial Ingénieur Docteur Seddik Hassene

 I(x, y) - I(x - 1, y - 1)
 I(x, y) - I(x - 1, y)

 I(x, y) - I(x - 1, y + 1) (30)

 P ( x , y )  I(x, y) - I(x, y - 1)

 I(x, y) - I(x, y + 1)
 I(x, y) - I(x + 1, y - 1)

 I(x, y) - I(x + 1, y)
 I(x, y) - I(x + 1, y + 1)
L’amplitude de cette variation selon les directions choisies est traduite comme suit :
  I( x  x,y  y )  I( x,y )
 d  ( dx , dy )1 
 x 2
 y 2


 I( x  x,y )  I( x,y )
d  ( dx , dy ) 2 
 x

  I( x  x,y  y )  I( x,y )
 d  ( dx , dy ) 3 
 x 2
 y 2



 I( x,y  y )  I( x,y )
d  ( dx , dy ) 4 
 y

 
  d  ( dx , dy ) 5  0
d  ( dx , dy )  


 I( x,y  y )  I( x,y )
d  ( dx , dy ) 6 
 y

  I( x  x,y  y )  I( x,y )
 d  ( dx , dy ) 7 
 x 2
 y 2
(31)
  I( x  x,y )  I( x,y )
 d ( dx , dy ) 8 

 x

  I( x  x,y  y )  I( x,y )
 d  ( dx , dy ) 9 
 x 2
 y 2




et par application de – , sur {0,255} . Un contour est alors d´efini comme le lieu des
maximums du gradient
dans la direction g⃗ du gradient. Un point de contour vérifie donc :

=0 ≤0 (32)
L’´equation obtenue est complexe et non linéaire :

. + + . + (33)
Il n’ya pas de solution explicité a cette équation, une solution par tâtonnement est
envisageable.

c. Filtre détecteur de points

-1 -1 -1
-1 8 -1
-1 -1 -1

41
Chapitre III: Filtrage spatial Ingénieur Docteur Seddik Hassene

d. Filtre détecteur de contours

-1 -1 -1 -1 -1 2 -1 2 -1 2 -1 -1
2 2 2 -1 2 -1 -1 2 -1 -1 2 -1
-1 -1 -1 2 -1 -1 -1 2 -1 -1 -1 2

e. Filtre KIRCH

-3 -3 5 -3 -3 -3 5 5 -3 5 5 5
-3 0 5 -3 0 -3 5 0 -3 -3 0 -3
-3 -3 5 5 5 5 -3 -3 -3 -3 -3 -3

f. Operateur de ROBINSON

-1 -1 1 1 1 1 1 1 -1 -1 1 1
-1 -2 1 -1 -2 -1 1 -2 -1 -1 -2 1
-1 -1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1

g. Filtre GRADIENT

Soit f(x,y), le gradient appliqué à f est défini comme suit :

 G x   f f 
f      ,  (34)
 G y   x y 
 

42
Chapitre III: Filtrage spatial Ingénieur Docteur Seddik Hassene

Fig.21 Changement de sens « dérivé première »

Ce filtre est caractérisé par sa direction et sa (magnitude) comme le montrent les

équations suivantes :
2
 df 
2
 df 
mag f   f       (35)
 dx   dy 
Afin de simplifier ces équations une approximation de la magnitude peut être
donnée comme suit :
mag f  
df df
 (36)
dx dy

La direction de ce gradient est exprimée comme suit :

Fig.22 Processus du filtre

h. Filtre de ROBERT
1 0 0 1
0 -1 -1 0

C’est un filtre sensible au bruit.

43
Chapitre III: Filtrage spatial Ingénieur Docteur Seddik Hassene

i. Filtre de PREWITT

-1 0 1 -1 -1 -1
-1 0 1 0 0 0
-1 0 1 1 1 1

Ce filtre peut être obtenu a l’aide d’une convolution vectorielle.

j. Filtre de SOBEL

-1 0 1 -1 -C -1
-C 0 C 0 0 0
-1 0 1 1 C 1

Ce filtre peut être obtenu à l’aide d’une convolution vectorielle ; généralement C=2

k. Filtre Laplacien
C’est une dérivée partielle seconde appelée laplacien ou Hessienne qui est une matrice de
dérivé partielle d’ordre 2
 Hessienne :

= (37)

 Laplacien
Calcul du Laplacien et extraction des zéros (voisins de 0)

Fig.23 Changement de sens « dérivé seconde »

2 2
 2 f  x, y  
d f d f
2
 (38)
dx dy 2

l. Equations aux dérivées partielles EDP

Traitement d'images : l'image ou plusieurs fonctions associées sont soumises à des lois
physiques modélisées sous forme d'équations d'évolution d’où l’introduction de la
( , )
dimension temporelle comme suit :
Cette équation est accompagnée de conditions initiales : l’image a t=0 : ( , 0) = ( )

44
Chapitre III: Filtrage spatial Ingénieur Docteur Seddik Hassene

Exemple 1 d’EDP : Equation de diffusion de chaleur

( , )
=∇ ( ) (39)

Appliquer itérativement cette équation revient à effectuer des lissages laplaciens

successifs :

Fig.24 Utilisation : de-bruitage (inconvénient : dégradation des contours)

Exemple 2 d’EDP : Equation de diffusion anisotrope

= ∇ .∇ + ∇ (40)
Ou C est le coefficient de diffusion décroissant avec le gradient de l’image
( , )= (41)
‖ ∇ ( , )‖

Appliquer itérativement cette équation revient à effectuer des lissages successifs, avec
conservation des contours saillants.

45
Chapitre III: Filtrage spatial Ingénieur Docteur Seddik Hassene

Fig.25 Utilisation : de bruitage avec préservation des contours saillants

Exemple 3 d’EDP : masque correspondant au dérivé partiel d’ordre 1

( , ) ( ∆ , ) ( , )
= lim∆ → ∆
(42)

Une différence finie est une approximation de la dérivé elle peut être dirigé vers la gauche,
la droite ou centrée comme suit :
Posons ∆ = 1 donc une seule variation interpixelique :

( , )
= ( + 1, ) − ( , ) (43)

( , )
= ( , ) − ( − 1, ) (44)

( , ) ( , ) ( , )
= (45)

Les masques correspondants sont :

46
Chapitre III: Filtrage spatial Ingénieur Docteur Seddik Hassene

[−1 1] ;
[1 −1] ;
[1 0 −1] :
[−1 0 1] :
La même procédure est appliquée sur les colonnes pour générer des masques verticaux ;
Une convolution entre chaque masque et son transposé nous mène au filtre 2D.

Exemple 4 d’EDP : masque correspondant au dérivé partiel d’ordre 2

( , ) ( ∆ , ) ( , )
= lim∆ → ∆
(46)

( , ) ( ∆ , ) ( , ) ( ∆ , )
= lim∆ → ∆
(47)
Posons ∆x = 1 donc une seule variation interpixelique les masques générés sont :
1 −2 1
Même chose pour les différences sur l’axe des ordonnés. Une convolution vectorielle nous
génère le masque 2D.

Pour une derivé croisée, deux différences finies d’ordre 1 sont juxtaposées comme suit:

( , ) ( , ) ( , ) ( , ) ( , )
= lim∆ → (48)

REMARQUE
Plusieurs masques peuvent être utilisés. La démarche consiste à choisir un type de masque
puis à effectuer des permutations circulaires dans les huit directions possibles du gradient.
Des exemples d'opérateurs gradient boussole dans la direction Nord sont présentés ci-
dessous en recourant aux masques de Prewitt, de Kirsch, de Robinson de niveau 3 ou 5.
Le terme de niveau désigne le nombre de valeurs différentes présentes dans le masque.

m. Etapes d'une détection de contours par filtrage de Canny

L'objectif est bien de calculer le module du gradient de l'image analysée. Souvent avant
d'appliquer le filtre de Canny, un filtrage préalable est opéré sur l'image au moyen d'un
filtre gaussien. Les différentes étapes sont énumérées ci-après :

 convolution de l'image initiale avec un filtre passe-bas gaussien bi-dimensionnel

(ou convolution 1D dans chacune des deux directions),

 convolution de l'image lissée avec le filtre de Canny ou la dérivée de gaussienne

dans les directions horizontale et verticale,

47
Chapitre III: Filtrage spatial Ingénieur Docteur Seddik Hassene

 calcul du module du gradient à partir des deux images représentant les gradients de
l'image filtrée passe-bas dans les directions horizontale et verticale.

Fig.26 Algorithme de Canny

 Idée générale

METHODE : estimation du gradient de l'image à l'aide du filtre de Sobel, suivi d'un

seuillage par hystérésis du module de gradient.

AVANTAGES :
+ Bonne détection
+ Bonne localisation
+ Faible multiplicité des réponses

48
Chapitre III: Filtrage spatial Ingénieur Docteur Seddik Hassene

 Le principe général

La méthode de canny implémente une estimation du gradient de l'image à l'aide du filtre de

Sobel, suivi d'un seuillage par hystérésis du module de gradient. Un seuil haut et un seuil
bas sont à définir. Tous les pixels où le module du gradient est supérieur au premier seuil
sont classifiés comme appartenant aux contours de l'image, des contours de l'image sont
ainsi formés. Les pixels ayant un module supérieur au seuil bas qui sont reliés aux
segments précédents sont définis comme points de contour dans l'image binaire résultante.

 La méthode

Le filtre de canny est un filtre impair à réponse impulsionnelle finie défini sur l'intervalle [-
M,M] ce qui signifie que h est nul en dehors de cet intervalle et que la dérivée est continue.

Le filtre de Canny est un filtre à implémentation récursive infinie. Il a les avantages

suivants :

- Bonne détection
- Bonne localisation
- Faible multiplicité des réponses

Fig.27 Résultat de l’application de Canny

 Les étapes de l'algorithme

 1. Le lissage:

Lisser l'image pour supprimer le bruit. En effet, le bruit sur une image est inévitable et a
plusieurs sources. Ce bruit peut fausser le résultat d'une détection de contour et causer la
détection des lignes ne faisant pas partie du contour. C'est pour cela que le bruit doit être

49
Chapitre III: Filtrage spatial Ingénieur Docteur Seddik Hassene

réduit. L'image est donc lissée grâce à un filtre gaussien.

Fig.28 Résultat de lissage

 2. Trouver le gradient:

Les contours sont détectés là où le gradient à la plus grande valeur. Canny utilise la
méthode du gradient car comme dans cette dernière, la méthode de Canny recherche les
zones où la variation de l'intensité lumineuse est la plus importante.
Dans un premier temps, nous devons trouver une estimation du gradient horizontal et
vertical. La norme du gradient est donc la distance Euclidienne obtenue comme suit:

( , )= ( , ) + ( , ) (49)

Avec

( , )
( , )= (50)

( , )
( , )= (51)

Ensuite nous définissons la direction du vecteur grâce à l'équation suivante :

= | |
(52)

Fig.29 Recherche du Gradient

50
Chapitre III: Filtrage spatial Ingénieur Docteur Seddik Hassene

 3. La suppression des valeurs non maximales:

Seules les extrema locaux sont considérés comme des contours. Pour les définir nous
observons les 8 pixels voisins et choisissons la valeur maximale.

Fig.30 Suppression des maximas

Dans cet exemple, les contours conservés sont ceux dont la bordure est blanche. Etant
donné que cet exemple contient principalement des gradients dont la direction est vers le
haut, le principal facteur est celui de la norme du gradient.

 4. Double seuillage:

Les contours potentiels sont définis grâce à ce seuillage. Suite à la suppression des valeurs
non-maximales, nous obtenons nos contours potentiels. Cependant, ces contours peuvent
être dus au bruit restant ou encore aux variations de couleur. Le moyen le plus rapide et le
plus efficace pour ce débarrasser de ces faux contours est d'utiliser un double seuillage.
- tous les pixels supérieurs au seuil maximal défini sont des contours forts.
- tous les pixels inférieurs au seuil minimal défini sont supprimés.

- tous les pixels situés entre ces deux valeurs sont considérés comme des contours faibles.

Fig.31 Résultats de contours

La prochaine étape consistera à définir dans cette 3ème catégorie de contours faibles, ceux
que nous devons supprimer.

51
Chapitre III: Filtrage spatial Ingénieur Docteur Seddik Hassene

 5. Détection de contour par hystérésis:

Les contours sont détectés par la suppression de tous les contours qui ne sont pas liés à au
moins à un contour très visible (contour certain). Durant cette étape, nous ajoutons tous les
contours forts définis lors du double seuillage à l'image finale. Ensuite nous parcourons un
à un les contours faibles:
- Si un contour faible est relié à un contour fort, il est ajouté à l'image finale. - Sinon le
contour faible est supprimé.

Le résultat

Fig.32 Résultats de contours

52