2ème MP.

Infotronique ISTIC

Pattern Recognition
2ème MP. Infotronique

Chapitre 2 : Prétraitement

Asma NAJJAR

ISTIC
1

Rappel
• Rappel
Processus général de reconnaissance

Données bruts Transformer les Résultat de la

(image, vidéo, données "PREDIR" prédiction
parole,…)

Processus détaillé de reconnaissance

Données bruts Résultat de la

(image, vidéo, Prétraitement Description Classification
classification
parole,…)

2
2

Asma Najjar 1
2ème MP. Infotronique ISTIC

Introduction
• Exemple 1: On veut discriminer deux types de
formes noires sur fond blanc: les carrés et les
disques

• Comment Procéder ?

Introduction
• Exemple 2: Identifier un poisson : Bar ou Saumon ?

• Comment Procéder ?

Asma Najjar 2
2ème MP. Infotronique ISTIC

Introduction
• Input Image
– Transformer les données ?
• Prétraitement
– Amélioration de l’image
– Filtrage de l’image
• Description
– Extraction de l’objet : Segmentation, Détection de contours
– Extraction des caractéristiques

Prétraitement
• Amélioration de l’image
– Différentes approches :
• Méthode statistique basé sur l'histogramme de l'image
• Méthode par filtrage
– Filtrage linéaire
– Filtrage non linéaire

Asma Najjar 3
2ème MP. Infotronique ISTIC

Prétraitement
• Histogramme d'une image
– L'histogramme d'une image donne la fréquence
d’apparition (Nombre d’occurrence) de chaque
couleur dans l'image :

noir blanc 7

Prétraitement
• Exemples d’histogrammes
– Que conclure à partir de ces histogrammes ?

Sous-éclairage Sur-éclairage

8
Objet sur fond Faible contraste

Asma Najjar 4
2ème MP. Infotronique ISTIC

Prétraitement
• Amélioration de l’image
– Méthode statistique basé sur l'histogramme de
l'image
• Modifier l’histogramme pour améliorer la qualité d’une
image (contraste)
• Appliquer une transformation ponctuelle sur l’image en
utilisant la LUT(Look Up Table)

Prétraitement
• LUT: Look Up Table
– Table de conversion
• Permet de transformer un niveau de gris i en un niveau
de gris j, sans modification spatiale de l'image

LUT identité LUT inversion Image Image inversée

10

Asma Najjar 5
2ème MP. Infotronique ISTIC

Prétraitement
• Recadrage de la dynamique
– Faire de telle sorte que l'image occupe toute la
dynamique, pour accroître la séparation (précision)
des luminances
– Permet d’améliorer le contraste de l’image

11

Prétraitement
• Recadrage de la dynamique : Exemple
La nouvelle valeur du
niveau de gris

255
i'  f (i)  (i  imin)
imax  imin

L’ancienne valeur du
niveau de gris

12

Asma Najjar 6
2ème MP. Infotronique ISTIC

Prétraitement
• Egalisation de l’histogramme
– Etirement d’histogramme et répartir uniformément les niveaux
de gris.
– Après transformation, l’histogramme devient « plat » :
– chaque niveau de gris est représenté dans l’image par un
nombre constant de pixels.
– Permet aussi l’augmentation du contraste d’une image.
– La fonction qui permet de réaliser l’égalisation :
HC (i )
i '  f (i )  (L  1) 
N
Avec : - HC : Histogramme cumulé
-N : Nombre de pixels de l’image
-L: Nombre de niveaux de gris (255)
13

Prétraitement
• Egalisation de l’histogramme : exemple

14

Asma Najjar 7
2ème MP. Infotronique ISTIC

Prétraitement
• Egalisation de l’histogramme : exemple

15

Prétraitement
• Filtrage
– Buts:
• Atténuer et/ou éliminer le bruit.
• Détecter les traits caractéristiques.

– Linéaire vs non-linéaire:
• Linéaires: moyenne, gaussienne.
• Non-linéaires: médiane, morphologique.

16

Asma Najjar 8
2ème MP. Infotronique ISTIC

Prétraitement
• Filtrage linéaire
– Le filtrage passe-bas
• Atténue les variations de la luminance.
• A pour effet de lisser le contenu de l’image et de limiter
les variations brusques d’intensité.
• Réduit les effets du bruit, et supprime le contenu des
hautes fréquences (détails de l’image :
bruit+contour+texture)
– Le filtrage passe-haut
• Met en évidence les variations de luminance qui
caractérisent traditionnellement les contours des
objets, les bruits et la texture d’une image.
17

Prétraitement
• Filtrage linéaire
– Filtre =masque/noyau (matrice m x m) convolué sur
l’image opération de convolution.
– La dimension du masque définit la localité (voisinage)
de l’effet de filtrage.

 f  m2 ,  m2  f  m ,0  fm,m 
   
2

  
2 2


F   f 0,  m2  f 0, 0  f 0, m 
 2

      
 fm m  f m ,0  f m,m 
 2 , 2 2 2 2  18

Asma Najjar 9
2ème MP. Infotronique ISTIC

Prétraitement
• Filtrage linéaire
– Convolution du masque (noyau) avec l’image:
m m
2 2

I f (i , j )  F  I o    F ( h, k ) I
h   m2 k   m2
o (i  h, j  k )
 Avec :
 IO : image originale
 If : image après convolution
 F: masque de convolution

 Effets de bords : que faire pour les images sur la bordure de

l’image
 Pixels à 0 ou 255;
 Effet Miroir;
 Ignorer m/2 pixels sur le bord.
19

Prétraitement
• Filtrage La convolution
1 0 -1
3 0 1 2 7 4
1 0 -1 -5 -4 ? ?
1 5 8 9 3 1 1 0 -1
1 0 -1
2 7 2 5 1 3 1 0 -1
∗ =
0 1 3 1 7 8 1 0 -1
-16
4 2 1 6 2 8
Convolution

Filtre ou noyau
2 4 5 2 3 9 3𝑥3
6𝑥6
Images à niveaux de gris 20

Asma Najjar 10
2ème MP. Infotronique ISTIC

Prétraitement
• Filtrage La convolution

3x3x3 4x4

6x6x3

Images Couleur

21

Prétraitement
• Filtrage linéaire
– Exemples des filtres les plus répondus et les plus
simples

22

Asma Najjar 11
2ème MP. Infotronique ISTIC

Prétraitement
• Filtrage linéaire
– Si tous les coefficients du noyau sont positifs :
le filtre est passe-bas et réalise une moyenne pondérée
 Lisser l’image afin de réduire, par exemple, le bruit
– Si le noyau contient des coefficients positifs et négatif
 une différenciation est faite partiellement ou totalement.
Le filtre correspondant à (en partie ou totalement) un
comportement de type passe-haut.
Une mise en évidence des contours et des textures est alors
obtenue ;

23

Prétraitement
• Filtrage linéaire passe bas : Exemple

Image bruité
Image (bruit gaussien)

Filtrage
Filtrage
gaussien
moyenneur

24

Asma Najjar 12
2ème MP. Infotronique ISTIC

Prétraitement
• Filtrage linéaire passe-bas : Exemple

Image bruité
Image (sel et poivre)

Filtrage Filtrage
moyenneur gaussien

25

Prétraitement
• Filtrage linéaire passe-haut : Exemple

Sobel horizontal
Image

26

Asma Najjar 13
2ème MP. Infotronique ISTIC

Prétraitement
• Filtrage non linéaire
– Filtrage Médian
– Filtrage Morphologiques

27

Prétraitement
• Filtrage non linéaire
– Filtrage Médian
• Permet de réduire le bruit
• Remplacer chaque intensité par la valeur médiane de son
voisinage
• Le masque permet seulement de déterminer le voisinage à
considérer.
• On effectue les opérations suivantes:
1. Trier les valeurs d’illuminance des pixels couverts par le
masque
2. Extraire la médiane des données triées.
3. Remplacer la valeur du pixel central par la médiane

28

Asma Najjar 14
2ème MP. Infotronique ISTIC

Prétraitement
• Filtrage non linéaire
– Exemple de Filtrage Médian
• Masque de taille 3x3

5 6 7
6 111 8 5 6 6 7 7 8 8 9 111
7 8 9

5 6 7
6 7 8
7 8 9

29

Prétraitement

Image bruité
Image (bruit gaussien)

Filtrage médian

30

Asma Najjar 15
2ème MP. Infotronique ISTIC

Prétraitement

Image bruité
Image (sel et poivre)

Filtrage
médian

31

Prétraitement
• Filtrage non linéaire
– Filtres morphologiques
• Appliquer sur une image binaire
• Deux opérations basiques
– Érosion
– Dilatation
• Deux compositions entre opérations basiques
– Ouverture
– Fermeture

32

Asma Najjar 16
2ème MP. Infotronique ISTIC

Prétraitement
• Filtrage non linéaire
– Filtres morphologiques
• Se base sur l’utilisation d’un élément structurant
– Exemples d’éléments structurants

4-connexités 6-connexités 6-connexités 8-connexités

33

Prétraitement
• Filtrage non linéaire
– Filtrage morphologique : érosion
• Si un pixel prend la valeur 0 sur un des éléments de
l’élément structurant, le pixel de l’image qui coïncide
avec le pixel “central” de l’élément structurant est mis
à 0.
• L’érosion permet de diminuer la taille de l’objet

34

Asma Najjar 17
2ème MP. Infotronique ISTIC

Prétraitement
• Filtrage non linéaire
– Filtrage morphologique : érosion
• Objectif :
– Elimine les pixels isolés sur le fond et érode le contour des
objets nettoyer la forme.

– Permet de séparer les objets qui sont collés

35

Prétraitement
• Filtrage non linéaire
– Filtrage morphologique : dilatation
• Si un pixel de l’image prend la valeur 1 sur un des
éléments de l’élément structurant, le pixel de l’image
qui coïncide avec le pixel “central” de l’élément
structurant est mis à 1.
• La dilatation permet d’augmenter la taille de l’objet

36

Asma Najjar 18
2ème MP. Infotronique ISTIC

Prétraitement
• Filtrage non linéaire
– Filtrage morphologique : dilatation
• Effet:
– Dilate le contour des objets
– Permet de réparer des traits interrompus
– Elimine les trous isolés et comble les intrusions dans les
objets

37

Prétraitement
• Filtrage non linéaire
– Filtrage morphologique : Exemple
• Identifier la nature de chacune des opérations

Dilatation Dilatation

Érosion Érosion

- La dilatation permet d’augmenter la taille de l’objet en blanc

38
- L’érosion permet de diminuer la taille de l’objet en blanc

Asma Najjar 19
2ème MP. Infotronique ISTIC

Prétraitement
• Filtrage non linéaire
– Filtrage morphologique
• Ouverture
– Erosion suivie d’une dilatation
– Effet : Suppression des petits détails de la bordure de l’objet
tout en conservant la taille des formes

Erosion + Dilatation
39

Prétraitement
• Filtrage non linéaire
– Filtrage morphologique
• Fermeture
– Dilatation suivie d’une érosion
– Effet : Remplissage des canaux étroits et des petits trous tout
en conservant la taille des formes

Dilatation + Erosion
40

Asma Najjar 20
2ème MP. Infotronique ISTIC

Prétraitement
• Filtrage non linéaire
– Filtrage morphologique : Exemple

Image d‘origine

Erosion Dilatation Ouverture Fermeture 41

Prétraitement
• Quantification
– Diminuer le nombre de couleur présent dans l’image
– Diminuer le nombre de bits nécessaire pour coder une
couleur
– Effet: Réduire la taille de l’image mais perdre en termes de
qualité
– Exemple
• Pour une image à niveau de gris (NG) : Nombre de NG = 256
 Chaque NG est codé sur 8 bits (256=28)
• Pour une image couleur : Nombre de couleur 2563=16777216
 Chaque couleur est codé sur 24 bits (16777216=224)

42

Asma Najjar 21
2ème MP. Infotronique ISTIC

Prétraitement
• Quantification
– Il faut bien choisir le pas de quantification afin d’avoir un
compromis entre qualité et taille de l’image
– Exemples: Déterminer les pas de quantification et le
nombre de bits nécessaire pour le codage de ces images

Image originale Quantification à 512 (8*8*8) Quantification à 8 (2*2*2)

2563 couleurs couleurs couleurs
Nbre de bits= 24 Nbre de bits=9 Nbre de bits =3
Pas de quantification =32 pour Pas de quantification =128
chaque composante couleur pour chaque composante 43
couleur

Prétraitement
• Quantification : exemples

256 NG (8 Bits) 128 NG (7 Bits) 64 NG (6 Bits) 32 NG (5 Bits)

Pas=2 Pas=4 Pas =8

16 NG (4Bits) 8 NG (3 Bits) 4 NG (2 Bits) 2 NG (1 Bits)

44
Pas=16 Pas=32 Pas=64 Pas=128

Asma Najjar 22
2ème MP. Infotronique ISTIC

Prétraitement
• Exercice
– Identifier à quelles régions de l’image I correspondent les différents
modes de l’histogramme H

Objet
Arrière plan
Ombre

I H 45

I1 I2
Prétraitement
I3

• Différents traitements ont été appliqués à

l’image I. Les images des figures 2 et 3
montrent les résultats de ces traitements.
Identifier chaque traitement et l’histogramme
I4 I5 I6
correspondant.

H1 H2 H3

 I1H5 (égalisation de l’histogramme)

 I2H6 ( recadrage de la dynamique)
 I3H4 (augmenter la luminosité)
 I4H2 (image inversée)
H4 H5 H6
 I5H3 (diminuer la luminosité)
 I6H1 (binarisation)

46

Asma Najjar 23
2ème MP. Infotronique ISTIC

Prétraitement
• Exercice
– L’image à gauche correspond à une maladie qui affecte la rétine. Il s’agit
d’anévrysme rétinien.
– Quels traitements peut-on appliquer afin d’obtenir l’image à droite.

1. Binarisation de l’image
2. Ouverture de l’image binaire
3. Soustraire l’image binaire de
l’image obtenu après
l’ouverture

47

FIN

48

Asma Najjar 24