TRAITEMENTS LOCAUX :

FILTRAGE LINEAIRE ET NON LINEAIRE.

Traitement local ou de voisinage :

Chaque pixel de l’image résultat dépend :

du pixel de position correspondante
et de ses voisins dans l’image de départ.

Redondance spatiale importante

-> voisins mêmes caractéristiques que point courant

- Réduction du bruit (filtre moyenneur),

analogie avec le moyennage par accumulation (redondance temporelle),

- Détection de changement de caractéristiques :

Rupture de redondance entre voisins
 Filtrage linéaire non récursif.

Filtrage linéaire non récursif sur des image

simple extension en 2D du filtrage numérique 1D (convolution).

Méthodes utilisées différentes car contraintes pas les mêmes pour les images.

Soit une image I(i,j) ; 0 £ i, j <N

et un filtre 2D h(l,m) ; -K/2 £ l, m £ K/2 (non causal)

K /2 K /2
1
I F (i, j ) 
C
  h( l , m ) I ( i  l , j  m )
l  K / 2 m  K / 2

avec C : coefficient de normalisation.

Si filtre pas carré alors les sommes sont sur K et sur K’.

Equation de convolution en 2D : IF(i,j) = h(i,j) * I(i,j)

h(i,j) caractérise complétement le filtre

-> Réponse impulsionnelle du filtre.

Réponse impulsionnelle d’un filtre non récursif = suite des coefficients

En 2D : positionnés sur une matrice (masque)

Causalité pas respectée dans une image.

Pour des raisons de symétrie on utilise des filtres centrés sur la position 0.
 Contraintes de mise en oeuvre.
* Effet de bords :

Pb : calcul des valeurs sur les bandes limitrophes car échantillons inconnus.

Plusieurs possibilités pour résoudre ce problème :

- réduction de la taille de l’image résultat,
- réduction de la taille du filtre en fonction des échantillons connus,
- mise à 0 des échantillons inconnus,
- périodisation de l’image,
- filtrage avec effet miroir.

Quelle que soit méthode : approximation plus ou moins valable sur les bords,
=>filtres doivent être de taille réduite
(nombre de coefficients réduit).

* Temps de calcul :

Filtre de taille (K+1) par ( K+1) et image de taille N x N.

Nombre de multiplications : (K+1)² x N²

Nombre d’additions : ( (K+1)² - 1) x N²

Exemple : N=256 ; K/2 = 5 ->7 millions de x, de + et renormalisation

Réduire le temps de calcul, les filtres doivent être de taille réduite.

Images valeurs entières et les coefficients aussi si possible.

* Calcul du coefficient de normalisation :

Tous les coefficients sont de même signe : C = somme des coefficients.

Sinon suivant l’usage futur de l’image :

- C doit être adapté pour donner un bon effet visuel
- C calculé pour que l’image résultat ne dépasse pas la dynamique
- C pris égal à 1: image stocké en plus grande précision (réel).

* Détermination des coefficients : Problème fondamental

 Approche fréquentielle.

Elle correspond à une expression des besoins :

- filtre passe-bas
- suppression de certaines fréquences...

Liaison avec l’approche spatiale :

If (i,j) = h (i,j) * I(i,j)

sortie Réponse Image

d’un SLI impulsionnelle initiale
(valeur des
coefficients)

TF(If) = TF (h *I) => TF(If) = TF (h) . TF(I)

TF (h) est la réponse en fréquences H(m,n)

Réponse en fréquences : transformée de Fourier de la réponse impulsionnelle.

Donc aussi la T.F. de la suite des coefficients.

Exemple :

Filtre moyenneur 1D : 111

En 2D : 111
111
111
 Propriétés des filtres linéaires.

Idem que pour filtrage 1D mais avec spécificités liées à la 2ème dimension.

Linéarité.

Au niveau de l’image

IF1 = h * I1 et IF2 = h * I2.

Si I = I1 + I2 et que IF = h * I : alors IF = IF1 + IF2

Si I = lI1 et que IF = h * I : alors IF = l IF1

Au niveau du filtre

si IF1 = h1 * I et IF2 = h2 * I.

Si h = h1 + h2 et que IF = h * I : alors IF = IF1 + IF2

Si h = lh1 et que IF = h * I : alors IF = l IF1

Composition de filtres.

Réalisée par convolution des coefficients des filtres.

Si IF = h2 * II et II = h1 * I on obtient IF = (h1 * h2) * I

Permet de réaliser des filtres de taille plus grande à partir de filtres de base.

Mise en oeuvre peut être faite de 2 manières :

soit par calcul du filtre global,

soit par filtrage successif.
- Composition de filtres de même forme

Exemple de calcul d’un filtre composé :

1D :

1 1 1
1 1 1
-----------------
1 1 1
1 1 1
1 1 1
------------------
1 2 3 2 1

2D :

Les filtres issus d’une composition 2D peuvent donc être mise en oeuvre en 2
fois, ceci permet de gagner en nombre d’opérations :

Exemple filtre 5x5 :

25 opérations de base sur chaque points
après décomposition en 2 filtres 3x3 : 2 fois 9 opérations -> 18
Composition de filtres de formes différentes :

Par exemple composition entre un filtre 1D vertical et un filtre 1D horizontal.

-> permet de construire un filtre 2D.

Exemple de composition :

Composition permet de réaliser de manière simple des filtres qui ont des
comportements différents en horizontal et en vertical.

Comparaison des temps de calcul entre 2 filtres 1D composés et 1 filtre 2D :

Filtre 2D : (K+1)² N² multiplications ; ((K+1)² -1) N² additions

Filtres 1D : 2 K N² multiplications ; (2K - 2) N² additions

Exemple :
1 filtre 2D 5x5 : 25 opérations de base (x) sur chaque point de l’image
2 filtre 1D de taille 5 : 2 x 5 = 10 opérations.

- Séparation du filtre : noyau séparable.

A l’inverse tous les filtres 2D qui peuvent se décomposer

s’appellent filtres à noyau séparable.
Mise en oeuvre doit se faire après décomposition -> gain de temps.

Analyse de ces filtres est aussi facilitée par cette décomposition.

Reconnaître un filtre à noyau séparable :

Filtre issu d’une composition horizontale-verticale
->lignes ainsi que colonnes ont même progression.
 Détermination des coefficients de filtres passe-bas.

Opérations de lissage de l’image pour en enlever par exemple le bruit.

Approche intuitive.

Consiste à définir des filtres simples en 1D puis de faire une composition

Tous les filtres passe-bas usuels sont à noyau séparable :
car isotropie du comportement (même filtre en vertical et en horizontal)

Raisons de symétrie dans le comportement

Coefficients des filtres passe-bas seront en pratique toujours symétriques.
Réponse en fréquence sera réelle,
phase de ces filtres sera nulle (ou égale à p) quelle que soit la fréquence.

Filtre simple et de taille réduite ->filtre moyenneur de taille 3.

Etude du filtre moyenneur 1 1 1.

Courbe de réponse en fréquences.

Comportement global de passe-bas,

mais lobe vers les hautes fréquences.

Même forme de filtres, on augmente la taille

Filtres de taille impaire pour des raisons de positionnement des résultats.

Lobes deviennent plus nombreux et se rapprochent des basses fréquences.

Réduction de la bande passante du filtre.

Remarque générale : réduction de bande passante pour une catégorie de filtres

déterminée ne peut être obtenue qu’en augmentant le nombre des coefficients.

-> Suppression des lobes par modification des valeurs des coefficients.
 Approche intuitive fréquentielle.

* Filtre de taille 3 : 1 1 1

Modification pour supprimer les lobes : utiliser la linéarité

1ère annulation à Fe/2 => remonter la sinusoïde

=> ajouter une valeur constante en fréquence.

Ajouter un dirac d’amplitude 1 à la position 0.

On obtient ainsi le filtre 1 2 1

* Filtre Taille 5.

Même raisonnement pour filtres de tailles plus importantes.

Latitude plus grande, on peut imposer d’autres contraintes.
-> suppression des lobes, annulation à Fe/2, forme régulière

Pour une filtre de taille 5 passe-bas régulier on obtient : 1 4 6 4 1

Ce filtre est la composition du précédent par lui-même.

Filtres de tailles plus importantes par compositions successives avec 1 2 1.

Coefficients des filtres égaux à ceux du triangle de Pascal.

Filtres de formes différentes obtenus en imposant d’autres contraintes.

 Utilisation de fonctions connues.

Hamming :

Hanning :

Lanczos :

cf. fenêtres de pondération...

Application en 2D.

Utiliser filtres 1D sur les images en considérant comme une suite de signaux.

Effet de filtrage perpendiculairement au filtre est beaucoup moins important

-> redondance est moins bien utilisée

Application en 2D :

soit par composition

soit par 2 filtrages successifs en lignes et en colonnes.

 Détermination des coefficients de filtres non passe-bas.

Les filtres non passe-bas peuvent être utilisés sur des images pour par exemple
ne garder qu’une gamme de fréquences (suppression de tendances, filtrage de
textures...).

Synthèse en se basant directement sur celle des filtres passe-bas.

Filtres passe-haut.

Gabarit

Reconstitution du gabarit avec un filtre passe-bas.

Passe-haut = 1 - Passe-bas

Rehaussement des zones de fortes variations, suppression des tendances

Filtres coupe-bandes.

Gabarit :

Reconstitution du gabarit : Coupe-bande = Passe-bas + Passe-haut

Filtres passe-bandes

Gabarit :

Reconstitution du gabarit 1 bande à partir des 2 précédents.

Passe-bande = 1 - Coupe-bande
 Etude des caractéristiques locales des images : contours.

Définition.

Contour : brusque variation des caractéristiques locales de l’image

passage d’une région à une autre

Changement important de la valeur moyenne des niveaux de gris

entre 2 plages uniformes

Plus rarement, changement d’autres caractéristiques (variance locale...)

Formes de contours :

Contour idéal Contour rampe Contour réel

Contour de textures

Détection de contours : opération automatique qui consiste à faire apparaître les

contours d’une image.

Suivi de contours permet de relier les points ensembles et d’obtenir des contours
fins.

Beaucoup de méthodes pour obtenir des contours sont basées sur des mesures de
dérivées.
 Opérateurs dérivée.

Opérateurs de base 1D.

Réponse en fréquence d’un filtre dérivée vraie.

Passe-haut + antisymétrique

Approche intuitive :

Dérivée = différenciation = différence

F’ (i) = F(i) - F(i-1)

Mis sous forme de filtre : -1 1

Influence de la taille : -> filtre 1 0 -1

Problème : accentuation du bruit -> dérivée filtrée

Opérateur dérivée filtrée.

Composition d’un dérivateur et d’un lisseur

Opérateurs 2D.

La dérivée en 2D donne un résultat vectoriel : le gradient.

Dérivée dans une direction et un lissage dans l’autre :

-> familles de masques.

 Opérateurs dérivée seconde.

Opérateur de base.

Dérivée seconde -> Dérivée de dérivée

Réponse en fréquences d’un filtre dérivée seconde :

Passe-haut + filtre symétrique mais somme des coefficients nul

Approche intuitive :

Composition de 2 filtres dérivée première

Opérateur 2D

Composition de filtres 1D

Filtres non séparables

Application.

Détection de contours
Filtrage linéaire récursif.

Principe

Intégration

Problème de mise en oeuvre

Filtrage optimal : implémentation récursive.

Filtrage non-linéaire.

a) Filtre médian
b) Filtre module du gradient

Filtrage : implémentation séquentielle.

Principe de la méthode
Avantages, inconvénients.