Filtrage spatial

Lissage et réduction du bruit

Détection des contours

Filtres plus complexes (Canny et Harris)

g
Ponctuelle:
f
T
g(x0,y0)=T[f(x0,y0)]

(x0,y0)
(x0,y0)

Locale:
g(x0,y0)=T[f(V)]
V:voisinage de (x0,y0)

Globale:
g(x0,y0)=T[f(x,y)]

 Transformation basée sur le voisinage d’un point

transformation

?
?
?
?
?
?
?
?
?
?
?

?
?

?
?

?
?

?
?

?
?

?
?

?
?

?
?

?
?
?
?
?
?
?
?
?
?
?

Image originale
Image traitée

Ø  ? Gestion des bords :

è propagation ? mise à zéro ? On ne filtre pas les
bords ? On supprime les bords ? On augmente la taille de
l’image ? Et si le masque grand ?
3

Filtrage spatial

—  Filtres passe-bas

—  Atténue le bruit et les

détails (hautes fréquences) Domaine
è lissage
fréquentie
l

—  Filtres passe-haut
Domaine
—  Inversement, accentue les spatial

détails (hautes fréquences)

è accentuation
« Techniques for Image Processing and
Classification in Remote Sensing » Schowengerdt

Convolution d’une image par un filtre 2D :

I ' (i, j ) = I (i, j ) ⊗ filtre(i, j )

I ' (i, j ) = ∑∑ I (i − u, j − v). filtre(u, v)
u v

 Convolution

I'(i, j) = I(i, j) ⊗ filtre(i, j)

j

w1
w2
w3
Centre du
filtre

i
w4
w5
w6

w7
w8
w9

I’(i,j) =

w1*I(i-1,j-1) + w2*I(i-1,j) + w3*I(i-1,j+1)

+ w4*I(I,j-1) + w5*I(i,j) + w6*I(i,j+1)

+ w7*I(i+1,j-1) + w8*I(i+1,j) + w9*I(i+1,j+1)

Note:

Généralement, masque de dimension impaire et symétrique

Exemple

1 1 1
1
9
1 1 1
Ä! 10 15 1 25 1 10 1 1 1 1
1 1 1
14 3 1 2 1 20 1 1 1 1
Masque de convolution
30 28 1 16 1 8 1 1 1 1
(moyenne)

(10*1+15*1+25*1+14*1+3*1+2*1+
30*1+28*1+16*1)/9
=143/9

(15*1+25*1+10*1+3*1+2*1+20*1+
28*1+16*1+8*1)/9
=127/9
image

Filtres passe-bas

Filtre passe-bas:

u  Lissage d’images et élimination du bruit

u  Principe:

Ø  INTÉGRATION (Sommation)

—  Filtre de moyenne (passe-bas)

—  Filtre gaussien (passe-bas)

—  Filtre médian (passe-bas non-linéaire)

—  Filtre adaptatif

—  Filtre directionnel

 Filtre moyenneur

1 1 1
1/9 x 1 1 1 Lissage
(flou apparent)

1 1 1

3x3 5x5 7x7 15x15

Plus le filtre grossit , plus le lissage devient important et plus le flou

 

s’accentue !

Autres filtres passe-bas

⎡1 2 3 2 1⎤ ⎡0 0 1 0 0⎤
⎢2 4 6 4 2⎥
⎢0 2 2 2 0⎥
Pyramidal:
1 ⎢ ⎥ 1 ⎢ ⎥
× ⎢3
81 ⎢
6 9 6 3⎥ Conique:
× ⎢1 2 5 2 1⎥
⎥ 25 ⎢ ⎥
⎢2 4 6 4 2⎥
⎢0 2 2 2 0⎥
⎢⎣1 2 3 2 1⎥⎦ ⎢⎣0 0 1 0 0⎥⎦

⎡1 2 32 1⎤
⎢2 6 8 6 2⎥⎥
−( x 2 + y 2 ) 1 ⎢
1 × ⎢3 8 10 8 3⎥
Gaussien:
⋅e 2σ 2 98 ⎢ ⎥
2πσ 2 ⎢2 6 8 6 2⎥
⎢⎣1 2 3 2 1⎥⎦

Coefficients entiers è calculs plus rapides

10

 Applications

u  (¯ bruit et ¯ faux contours)

11

Filtre médian

médiane = 25

30 10 20
10, 10, 20, 20, 25, 25, 30, 30, 250

10 250 25

20 25 30 moyenne autour de
la médiane = 24

Moyenne: 47 à cause du 250

è  Particulièrement utile pour un bruit de type Poivre & Sel (0 et 255)

12

Image initiale
Bruit Poivre & Sel
Moyenne V8

Min V8
Max V8
Médian V8
13

Bruit additif

I bruit (i, j ) = (1 + Δ).I (i, j )

avec Δ ∈ [- ε ;+ε ]

14

Hagit Hel-Or, 1999

 Filtre adaptatif

⎧1
⎪ M ∑ I (n , m )
⎪ (n ,m )∈S
⎪ 1
⎪
I '(i , j ) = ⎨
Si ∑ I (n , m ) − I (i , j ) <T
M (n ,m )∈S
⎪
⎪
⎪I (i , j ) Sinon
⎪
⎩

Avec :

S = voisinage du pixel (i,j)

M = nombre de pixels dans le voisinage S

T = valeur de seuil prédéfinie

15

Hagit Hel-Or, 1999

Filtre directionnel

Masque orienté
Image
bruitée
originale

Trouver le voisinage orienté tel que:

2 x 7

Calculer la moyenne (ou autre) suivant Vq:

7 x 2

16

Hagit Hel-Or, 1999

Filtres passe-haut

Filtre passe-haut

u  Détection des contours

u  Principe:

Ø DÉRIVATION: Différence

—  À partir d’un passe-bas

—  Gradient et variantes

—  Laplacien

—  Filtre plus complexe

—  Canny (détecteur de contour)

—  Harris (détecteur de coin)

18

 Filtre passe-haut (détection des contours)

IPH = I − IPB (+ 128)

- =

Image
Passe-bas
Passe-haut

0
0
0

1
1
1
1
1 -1
-1
-1

0
1
0

9
1
1
1
9 -1
8
-1

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

19

Filtres différentiels

1
0.8
10
f ( x, y) = e− x /2 0.6
0

0.4

-1
0.2

-2 -1 1 2 -2
-2 -1 0 1 2
2

3
1
2

∂f 1 Dérivée
première

∂x
-2 -1 1 2
-1
-1

-2

-3 -2
-2 -1 0 1 2

20
1

10

∂2 f 0 Dérivée
∂x 2
-2 -1 1 2
-1
seconde

-10

-2

20

-2 -1 0 1 2
 Le gradient

⎡ ∂I ⎤ ⎛ ∂I ⎞
⎢ ∂x ⎥ 2 ⎜⎜ ⎟⎟
⎢ ⎥
2
⎛ ∂I ⎞ ⎛⎜ ∂I ⎞⎟ ∂I ∂I −1 ⎝
∂y ⎠
∇I = ⎢ ⎥ ∇I = ⎜ ⎟ +⎜ ⎟ ≈ + θ = tan
⎢ ∂I ⎥ ⎝ ∂x ⎠ ⎝ ∂y ⎠ ∂x ∂y ⎛ ∂I ⎞
⎜ ⎟
⎢ ∂y ⎥ ⎝ ∂x ⎠
⎣ ⎦

∇I ∂f
∂y

∂f
∂x
∂f = lim f (x + h , y ) − f (x − h , y ) ⇒ ∂I ≈ I (x + 1, y ) − I (x − 1, y )
∂x h →0 2h ∂x 2
ou ∂f = lim f (x , y ) − f (x − h , y ) ⇒ ∂I ≈ I (x , y ) − I (x − 1, y )
∂x h →0 h ∂x 21

Le gradient (version élémentaire 3 x 3)

Image Filtre Calcul

I1
I2
I3
0
-1
0

0
0
0
∂f = [I − I ]
I4
I5
I6
∂y 8 2

I7
I8
I9
0
1
0

où Ix : valeur du
0
0
0

n iveau de gris
∂f = [I − I ]
-1
0
1
∂x 6 4

0
0
0

∇I ≈ I x + I y ≈ ∂I + ∂I
∂x ∂y
22

 Filtres classiques

Roberts:
1
0
0
1

0
-1
-1
0

-1
-1
-1
-1
0
1

Prewitt:
0
0
0
-1
0
1

1
1
1
-1
0
1

-1
-2
-1
-1
0
1

Sobel:
0
0
0
-2
0
2

1
2
1
-1
0
1

23

Exemple (Sobel)

∂f ∂f
∂x ∂y
-1
0
1
-1
-2
-1

-2
0
2
0
0
0

-1
0
1
1
2
1

∂f ∂f
∇f = +
∂x ∂y

+128 pour affichage

+128 pour affichage
24

 Combinaison de filtres

è Filtres de Sobel :

⎛ −1 0 1⎞ ⎛1⎞
⎜ ⎟ ⎜ ⎟
Gx = ⎜ − 2 0 2 ⎟ = ⎜ 2 ⎟ ∗ (− 1 0 1) è Lissage en y et dérivée en x

⎜ −1 0 1 ⎟⎠ ⎜⎝ 1 ⎟⎠
⎝
⎛− 1 − 2 − 1⎞ ⎛ − 1⎞
⎜ ⎟ ⎜ ⎟
Gy = ⎜ 0 0 0 ⎟ = ⎜ 0 ⎟ ∗ (1 2 1) è Lissage en x et dérivée en y

⎜ 1 2 1 ⎟⎠ ⎜⎝ 1 ⎟⎠
⎝

è moins sensible au bruit

25

Extraction des contours

Détection de
contours par
Sobel

Seuillage avec Seuillage avec

S=10%.Imax
S=25%.Imax
26

 Autres (filtres compas)

Note: Le choix de k donne l’orientation du gradient

27

Laplacien (Ñ2f)

∂2I ∂2I
∇2I = + ≈ I x (x + 1, y) − I x (x, y) + I y (x, y + 1) − I y (x, y)
∂x2 ∂y2

∇2I ≈ ⎡I(x + 1, y) − I(x, y) ⎤ − ⎡I(x, y) − I(x − 1, y) ⎤

⎣ ⎦ ⎣ ⎦
+ I(x, y + 1) − I(x, y) − ⎡I(x, y) − I(x, y − 1) ⎤
⎡ ⎤
⎣ ⎦ ⎣ ⎦
∇ I ≈ I(x + 1, y) − 2I(x, y) + I(x − 1, y) + I(x, y + 1) − 2I(x, y) + I(x, y − 1) ⎤
2 ⎡ ⎤ ⎡
⎣ ⎦ ⎣ ⎦

⎛ 1 ⎞ ⎛ 0 1 0 ⎞
2
∇ I ≈ Filtre avec (1 )
− 2 1 puis ⎜ −2 ⎟ = ⎜⎜ 1 −4 1 ⎟⎟
⎜ ⎟
⎜⎝ 1 ⎟⎠ ⎜⎝ 0 1 0 ⎟⎠
⎛ 1 1 1 ⎞
Autres formes : ⎜ 1 −8 1 ⎟
⎜ ⎟
⎜⎝ 1 1 1 ⎟⎠

Points de contours è passages à zéro de la dérivée seconde

28

 Laplacien (Ñ2f)

Sobel
Laplacien |Ñ2f|

⎛ 1 1 1 ⎞
⎜ 1 −8 1 ⎟
⎜ ⎟
⎜⎝ 1 1 1 ⎟⎠

29

Filtre de Marr-Hildreth

u  Laplacien de Gaussienne :

Ø  On filtre d’abord l’image avec un filtre Gaussien G

Ø  Puis on prend le Laplacien de l’image filtrée

Ñ Ä Ñ Ä !
u  Le but est de réduire le bruit associé aux filtres
différentiels et de faciliter la détection du passage par
Ñ2G
2

zéro (contour)
1.5

1
x2 +y2
-
1 2!2
Filtre gaussien : G σ (x, y) = exp 0.5

2πσ2
∂2f(x, y) ∂2f(x, y)
-3 -2 -1 1 2 3

2
Dérivée seconde : ∇ f(x, y) =
2

+ 0

∂x2 ∂y2
-2
2
1.5

x2 + y2 − 2.σ2 1

LoG : ∇2G σ (x, y) = .G σ (x, y) 0.5

σ4 0

-2
0 30

2
 u  Application du filtre
Détection des passages à zéro

s#!
31

Rehaussement de contours - Laplacien

0 0 0
0 1 0
0 0 0

0 0 0
Ex : -1 0 1
0 0 0

0 1 0
Ex : 1 -4 1
0 1 0

0 -1 0
Ex : -1 4 -1
0 -1 0

0 -1 0
Ex : -1 5 -1
0 -1 0
32

Hagit Hel-Or, 1999 Utilisé dans la plupart des caméras numériques, vidéos photocopieurs…

 Filtre DOG (Difference of Gaussian)

u  è Filtre DOG très proche du LOG

« Le traitement des images », Henri Maître, 2003

33

Filtres plus complexes

 Filtre de Canny

u  Critères de l’approche de Canny :

Ø  Détection : Bonne détection des points de contours

(notamment pour les contours faibles)

Ø  Localisation : Localisation fiable des points de contours

Ø  Unicité de la détection : pour un contour, on a un seul point

de contour

u  Détection de contour: algorithme de Canny

Ø  Première étape

—  Appliquer un filtre gaussien

—  Filtre passe bas pour supprimer le bruit

Ø  2ème étape: calculer

35

Filtre de Canny

Ø  3ème étape: approximation de l’angle du gradient à un

multiple de 45° près

Ø  4ème étape: si la norme du gradient en un pixel (x,y) est

inférieure à la norme du gradient en un de ses deux voisins le
long du gradient, mettre la norme du gradient en (x,y) à 0

è On supprime les gradients qui

ne sont pas des maximums locaux

36

 Filtre de Canny

Ø  5ème étape: (hystérisis) Soient τh>τl deux seuils. Si la norme du

gradient en un pixel(x,y) est supérieure à τh ajouter (x,y) au
contour ainsi que tous les points reliés à (x,y) le long de la
normale au gradient pour lesquels la norme du gradient est
supérieure à tl

37

Filtre de Canny

38

 Détecteur de coin de Harris

Ø  Algorithme :

—  Calculer le gradient (Ix, Iy) dans toute l’image

—  Pour chaque pixel :

—  Calculer sur un voisinage du pixel la matrice suivante:

⎡∑ I x I x ∑ I x I y ⎤
⎢ ⎥
⎣⎢∑ I x I y ∑ I y I y ⎦⎥

—  Calculer les valeurs propres l l l l )

—  Si la valeur propre minimale l > seuil, conserver les

coordonnées du pixel dans une liste L ( coins)

—  Trier L en ordre décroissant de l2

—  Balayer la liste L de haut en bas, pour chaque pixel pi de la

liste, éliminer les autres pixels qui appartiennent au voisinage de
pi

39

Détecteur de coin de Harris

—  La liste finale contient les points saillants pour lesquels !2 >

seuil et dont les voisinages ne se chevauchent pas. Ce sont les
pixels les plus faciles à suivre! Utile pour sélectionner des points
d’ancrage (de repère).

Exemple d’utilisation :
panorama

DaryaFrolova, Denis Simakov, The WeizmannInstitute of Science, 2004

[Link] 40

Exemple d’utilisation : panorama

DaryaFrolova, Denis Simakov, The WeizmannInstitute of Science, 2004 41

[Link]