Traitement d’images
Cours 4 : Morphologie mathématique
Description des images
Stéphanie Bricq
[Link]@[Link]
Université de Bourgogne
S. Bricq (UB) Traitement d’images 1 / 50
Informations
Examen :
1 feuilles A4 manuscrite recto-verso autorisée
S. Bricq (UB) Traitement d’images 2 / 50
Questions
Sur une image, une zone homogène correspond à
a. Basse Fréquence ?
b. Haute Fréquence ?
S. Bricq (UB) Traitement d’images 3 / 50
Questions
Sur une image, une zone homogène correspond à
a. Basse Fréquence ?
b. Haute Fréquence ?
Sur une image, du bruit correspond à
a. Basse Fréquence ?
b. Haute Fréquence ?
S. Bricq (UB) Traitement d’images 3 / 50
Questions
Bruit présent sur l’image ?
Quel filtre utiliser pour enlever le bruit ?
S. Bricq (UB) Traitement d’images 4 / 50
Questions
Quel(s) filtre(s) utiliser pour détecter les contours ?
a. Filtre médian
b. Filtre laplacien
c. Filtre gaussien
d. Filtre gradient
e. Filtre moyenneur
f. Filtre passe-bas
g. Filtre passe-haut
h. Filtre Sobel
i. Filtre Roberts
S. Bricq (UB) Traitement d’images 5 / 50
Plan
1 Morphologie mathématique
Erosion/Dilatation
Ouverture/Fermeture
Cas d’une image en niveaux de gris
Applications
2 Détection de caractéristiques
Détection de coins
3 Description des images
S. Bricq (UB) Traitement d’images 6 / 50
Morphologie mathématique
Plan
1 Morphologie mathématique
Erosion/Dilatation
Ouverture/Fermeture
Cas d’une image en niveaux de gris
Applications
2 Détection de caractéristiques
Détection de coins
3 Description des images
S. Bricq (UB) Traitement d’images 7 / 50
Morphologie mathématique
Morphologie mathématique
Pourquoi faire ?
pour simplifier l’image en lissant les frontières des régions
par suppression
ou agrandissement des irrégularités des contours
S. Bricq (UB) Traitement d’images 8 / 50
Morphologie mathématique
Morphologie mathématique
Applications
images binaires
images en niveaux de gris
S. Bricq (UB) Traitement d’images 9 / 50
Morphologie mathématique
Morphologie mathématique
Principe
Méthode de traitement des images basée sur l’étude des formes
valeur d’un pixel de l’image de sortie dépend
de la valeur du pixel de l’image source
de son voisinage
on compare les régions de l’image que l’on veut analyser à un
objet de forme connue
élément structurant : forme géométrique dans laquelle on a
désigné un élément central
S. Bricq (UB) Traitement d’images 10 / 50
Morphologie mathématique
Morphologie mathématique
Elément structurant
un masque,
de forme et de taille quelconque,
dans lequel on définit un élément central,
et qui permet de délimiter le voisinage d’un pixel,
représenté par une matrice de 0 et de 1
S. Bricq (UB) Traitement d’images 11 / 50
Morphologie mathématique Erosion/Dilatation
Plan
1 Morphologie mathématique
Erosion/Dilatation
Ouverture/Fermeture
Cas d’une image en niveaux de gris
Applications
2 Détection de caractéristiques
Détection de coins
3 Description des images
S. Bricq (UB) Traitement d’images 12 / 50
Morphologie mathématique Erosion/Dilatation
Erosion
Erosion
Opération consistant à retirer des pixels sur les bords de l’objet
érosion de l’image X par l’élément structurant B ⇔ ensemble des
pixels de X pour lesquels B est totalement inclus dans X
Règle
si, dans l’image source, chaque pixel du voisinage, centré sur le
pixel central, vaut 1
alors le pixel correspondant dans l’image de sortie vaut 1
Dans le cas contraire il vaut 0
Exemple
Animation
S. Bricq (UB) Traitement d’images 13 / 50
Morphologie mathématique Erosion/Dilatation
Dilatation
Dilatation
Opération consistant à ajouter des pixels sur les bords de l’objet
Règle
si, dans l’image source, au moins un pixel du voisinage, centré sur
le pixel central du masque, vaut 1
alors le pixel correspondant dans l’image de sortie vaut 1
Dans le cas contraire il vaut 0
Exemple
Animation
S. Bricq (UB) Traitement d’images 14 / 50
Morphologie mathématique Erosion/Dilatation
Effets de bords
pixels du bord ne peuvent pas être traités
S. Bricq (UB) Traitement d’images 15 / 50
Morphologie mathématique Erosion/Dilatation
Erosion/Dilatation
Image source
Image érodée Image dilatée
S. Bricq (UB) Traitement d’images 16 / 50
Morphologie mathématique Erosion/Dilatation
Morphologie mathématique
Effets de l’érosion
gommer les aspérités et les pixels isolés
agrandir les trous et les creux
déconnecter des silhouettes reliées initialement par un isthme
mince
S. Bricq (UB) Traitement d’images 17 / 50
Morphologie mathématique Erosion/Dilatation
Morphologie mathématique
Effets de l’érosion
gommer les aspérités et les pixels isolés
agrandir les trous et les creux
déconnecter des silhouettes reliées initialement par un isthme
mince
Effets de la dilatation
remplir les trous et les creux
établir des connexions entre des silhouettes voisines
agrandir les pixels isolés.
S. Bricq (UB) Traitement d’images 17 / 50
Morphologie mathématique Ouverture/Fermeture
Plan
1 Morphologie mathématique
Erosion/Dilatation
Ouverture/Fermeture
Cas d’une image en niveaux de gris
Applications
2 Détection de caractéristiques
Détection de coins
3 Description des images
S. Bricq (UB) Traitement d’images 18 / 50
Morphologie mathématique Ouverture/Fermeture
Ouverture/Fermeture
Erosion/Dilatation
Inconvénient : modification de la taille des objets à traiter
Problème en partie résolu en adoptant les opérateurs combinés
d’ouverture et de fermeture
Ouverture
érosion suivie d’une dilatation
Fermeture
dilatation suivie d’une érosion
S. Bricq (UB) Traitement d’images 19 / 50
Morphologie mathématique Ouverture/Fermeture
Ouverture : érosion suivie d’une dilatation
Image source
Image érodée
S. Bricq (UB) Traitement d’images 20 / 50
Morphologie mathématique Ouverture/Fermeture
Ouverture : érosion suivie d’une dilatation
Image source
Image érodée Ouverture
S. Bricq (UB) Traitement d’images 20 / 50
Morphologie mathématique Ouverture/Fermeture
Fermeture : dilatation suivie d’une érosion
Image source
Image dilatée
S. Bricq (UB) Traitement d’images 21 / 50
Morphologie mathématique Ouverture/Fermeture
Fermeture : dilatation suivie d’une érosion
Image source
Image dilatée Fermeture
S. Bricq (UB) Traitement d’images 21 / 50
Morphologie mathématique Ouverture/Fermeture
Ouverture/Fermeture
Ouverture=érosion suivie d’une dilatation
Lisse les formes en éliminant les irrégularités
Coupe les isthmes dans l’image
Supprime le bruit et les régions plus petites que l’élément
structurant
Conserve souvent la taille et la forme de l’objet
Ne conserve pas nécessairement la topologie
S. Bricq (UB) Traitement d’images 22 / 50
Morphologie mathématique Ouverture/Fermeture
Ouverture/Fermeture
Ouverture=érosion suivie d’une dilatation
Lisse les formes en éliminant les irrégularités
Coupe les isthmes dans l’image
Supprime le bruit et les régions plus petites que l’élément
structurant
Conserve souvent la taille et la forme de l’objet
Ne conserve pas nécessairement la topologie
Fermeture=dilatation suivie d’une érosion
Remplit les trous
Peut créer un pont entre deux composantes connexes voisines
Conserve souvent la taille et la forme de l’objet
Ne conserve pas nécessairement la topologie
S. Bricq (UB) Traitement d’images 22 / 50
Morphologie mathématique Cas d’une image en niveaux de gris
Plan
1 Morphologie mathématique
Erosion/Dilatation
Ouverture/Fermeture
Cas d’une image en niveaux de gris
Applications
2 Détection de caractéristiques
Détection de coins
3 Description des images
S. Bricq (UB) Traitement d’images 23 / 50
Morphologie mathématique Cas d’une image en niveaux de gris
Cas d’une image en niveaux de gris
élément structurant parcourt l’image
Erosion
S. Bricq (UB) Traitement d’images 24 / 50
Morphologie mathématique Cas d’une image en niveaux de gris
Cas d’une image en niveaux de gris
élément structurant parcourt l’image
Dilatation
S. Bricq (UB) Traitement d’images 25 / 50
Morphologie mathématique Applications
Plan
1 Morphologie mathématique
Erosion/Dilatation
Ouverture/Fermeture
Cas d’une image en niveaux de gris
Applications
2 Détection de caractéristiques
Détection de coins
3 Description des images
S. Bricq (UB) Traitement d’images 26 / 50
Morphologie mathématique Applications
Application : Détection de contours
Suppression des contours d’un objet
0 1 0
Une érosion avec comme élément structurant E = 1 1 1 ou
0 1 0
1 1 1
E = 1 1 1 permet de supprimer les contours des objets
1 1 1
S. Bricq (UB) Traitement d’images 27 / 50
Morphologie mathématique Applications
Application : Détection de contours
Suppression des contours d’un objet
0 1 0
Une érosion avec comme élément structurant E = 1 1 1 ou
0 1 0
1 1 1
E = 1 1 1 permet de supprimer les contours des objets
1 1 1
Détection de contours
Pour conserver uniquement les contours
S. Bricq (UB) Traitement d’images 27 / 50
Morphologie mathématique Applications
Application : Détection de contours
Suppression des contours d’un objet
0 1 0
Une érosion avec comme élément structurant E = 1 1 1 ou
0 1 0
1 1 1
E = 1 1 1 permet de supprimer les contours des objets
1 1 1
Détection de contours
Pour conserver uniquement les contours
enlever l’image érodée de l’image originale
S. Bricq (UB) Traitement d’images 27 / 50
Morphologie mathématique Applications
Application : Détection de contours
Suppression des contours d’un objet
0 1 0
Une érosion avec comme élément structurant E = 1 1 1 ou
0 1 0
1 1 1
E = 1 1 1 permet de supprimer les contours des objets
1 1 1
Détection de contours
Pour conserver uniquement les contours
enlever l’image érodée de l’image originale
ou enlever l’image originale à sa dilatée
S. Bricq (UB) Traitement d’images 27 / 50
Morphologie mathématique Applications
Application : Détection de contours
S. Bricq (UB) Traitement d’images 28 / 50
Morphologie mathématique Applications
Application : Reconnaissance d’objets
Traitement appliqué
érosion de l’image par l’élément structurant
S. Bricq (UB) Traitement d’images 29 / 50
Morphologie mathématique Applications
Application : Reconnaissance d’objets
Résultat
reste 1 pixel blanc à l’emplacement de chaque H
S. Bricq (UB) Traitement d’images 30 / 50
Morphologie mathématique Applications
Application : Insertion d’objets
Traitement appliqué
dilatation de l’image par l’élément structurant
S. Bricq (UB) Traitement d’images 31 / 50
Morphologie mathématique Applications
Application : Insertion d’objets
Résultat
chaque pixel blanc a été remplacé par un A
S. Bricq (UB) Traitement d’images 32 / 50
Morphologie mathématique Applications
Application : Débruitage
Débruitage
Traitement appliqué : ouverture + fermeture.
Soit : érosion + dilatation + dilatation + érosion
S. Bricq (UB) Traitement d’images 33 / 50
Morphologie mathématique Applications
Application : Débruitage
Débruitage
Etape 1 : érosion
S. Bricq (UB) Traitement d’images 34 / 50
Morphologie mathématique Applications
Application : Débruitage
Débruitage
Etape 2 : dilatation
S. Bricq (UB) Traitement d’images 35 / 50
Morphologie mathématique Applications
Application : Débruitage
Débruitage
Etape 3 : 2ème dilatation
S. Bricq (UB) Traitement d’images 36 / 50
Morphologie mathématique Applications
Application : Débruitage
Débruitage
Etape 4 : 2ème érosion
S. Bricq (UB) Traitement d’images 37 / 50
Morphologie mathématique Applications
Application : Débruitage
Avant
Après
S. Bricq (UB) Traitement d’images 38 / 50
Détection de caractéristiques
Plan
1 Morphologie mathématique
Erosion/Dilatation
Ouverture/Fermeture
Cas d’une image en niveaux de gris
Applications
2 Détection de caractéristiques
Détection de coins
3 Description des images
S. Bricq (UB) Traitement d’images 39 / 50
Détection de caractéristiques Détection de coins
Détection de caractéristiques
Contours et arêtes des objets : brusque changement de la
luminance
Coins des objets : brusque changement de la luminance dans
deux dimensions, intersection de deux contours.
S. Bricq (UB) Traitement d’images 40 / 50
Détection de caractéristiques Détection de coins
Coins
Intersection de deux contours
Méthodes existantes
Détecteur de Moravec [Moravec 1980]
Détecteur de Harris [Harris et Stephens 1988]
...
S. Bricq (UB) Traitement d’images 41 / 50
Détection de caractéristiques Détection de coins
Détecteur de Moravec
Principe
considérer le voisinage d’un pixel (une fenêtre)
déterminer les changements moyens de l’intensité dans le
voisinage considéré lorsque la fenêtre se déplace dans diverses
directions.
Si les changements sont importants, alors la fenêtre est centrée
sur un coin.
S. Bricq (UB) Traitement d’images 42 / 50
Détection de caractéristiques Détection de coins
Détecteur de Moravec
Principe
considérer le voisinage d’un pixel (une fenêtre)
déterminer les changements moyens de l’intensité dans le
voisinage considéré lorsque la fenêtre se déplace dans diverses
directions.
Si les changements sont importants, alors la fenêtre est centrée
sur un coin.
S. Bricq (UB) Traitement d’images 42 / 50
Détection de caractéristiques Détection de coins
Détecteur de Moravec
Principe
considérer le voisinage d’un pixel (une fenêtre)
déterminer les changements moyens de l’intensité dans le
voisinage considéré lorsque la fenêtre se déplace dans diverses
directions.
Si les changements sont importants, alors la fenêtre est centrée
sur un coin.
S. Bricq (UB) Traitement d’images 42 / 50
Détection de caractéristiques Détection de coins
Détecteur de Moravec
Principe
considérer le voisinage d’un pixel (une fenêtre)
déterminer les changements moyens de l’intensité dans le
voisinage considéré lorsque la fenêtre se déplace dans diverses
directions.
Si les changements sont importants, alors la fenêtre est centrée
sur un coin.
S. Bricq (UB) Traitement d’images 42 / 50
Détection de caractéristiques Détection de coins
Détecteur de Moravec
Principe
Les coins détectés correspondent aux maxima de
X
E(x, y ) = w(u, v )(Iu+x,v +x − Iu,v )2
u,v
avec
w(u, v ) : fenêtre/voisinage considéré (valeur 1 à l’intérieur et 0 à
l’extérieur de la fenêtre)
Iu,v : valeur de l’image au pixel (u, v )
Iu+x,v +y : valeur de l’image au pixel (u + x, v + y )
les décalages (x; y ) ∈ {(1, 0), (1, 1), (0, 1), (−1; 1)}
E(x, y ) représente la moyenne du changement d’intensité lorsque
la fenêtre est déplacée de (x, y ).
S. Bricq (UB) Traitement d’images 43 / 50
Détection de caractéristiques Détection de coins
Détecteur de Moravec
Principe : 3 situations
1) L’intensité est approximativement constante dans la zone image
considérée : la fonction E prendra alors de faibles valeurs dans
toutes les directions (x, y ).
S. Bricq (UB) Traitement d’images 44 / 50
Détection de caractéristiques Détection de coins
Détecteur de Moravec
Principe : 3 situations
2) La zone image considérée contient un contour rectiligne : la
fonction E prendra alors de faibles valeurs pour des déplacements
(x, y ) le long du contour et de fortes valeurs pour des
déplacements perpendiculaires au contour.
S. Bricq (UB) Traitement d’images 44 / 50
Détection de caractéristiques Détection de coins
Détecteur de Moravec
Principe : 3 situations
3) La zone image considérée contient un coin ou un point isolé : la
fonction E prendra de fortes valeurs dans toutes les directions.
S. Bricq (UB) Traitement d’images 44 / 50
Détection de caractéristiques Détection de coins
Détecteur de Moravec
Problèmes
la réponse du détecteur peut être bruitée car w est une fenêtre
binaire
seuls des décalages de 45˚sont considérés
le détecteur est trop sensible aux contours car seul le minimum de
E est considéré
S. Bricq (UB) Traitement d’images 45 / 50
Détection de caractéristiques Détection de coins
Détecteur de Moravec
Problèmes
la réponse du détecteur peut être bruitée car w est une fenêtre
binaire
seuls des décalages de 45˚sont considérés
le détecteur est trop sensible aux contours car seul le minimum de
E est considéré
=⇒ détecteur de Harris
S. Bricq (UB) Traitement d’images 45 / 50
Description des images
Plan
1 Morphologie mathématique
Erosion/Dilatation
Ouverture/Fermeture
Cas d’une image en niveaux de gris
Applications
2 Détection de caractéristiques
Détection de coins
3 Description des images
S. Bricq (UB) Traitement d’images 46 / 50
Description des images
Description
image peut être partitionnée en 6= entités caractérisées par des
propriétés spécifiques
Points caractéristiques
Contours
Régions (= ensemble de pixels connexes)
attributs ou descripteurs d’une entité = paramètres qui permettent
de la caractériser (surface, périmètre, histogramme, ...)
S. Bricq (UB) Traitement d’images 47 / 50
Description des images
Connexité 4 ou 8
Connexité 4
S. Bricq (UB) Traitement d’images 48 / 50
Description des images
Connexité 4 ou 8
Connexité 4
Connexité 8
S. Bricq (UB) Traitement d’images 48 / 50
Description des images
Connexité 4 ou 8
Connexité 4
Connexité 8
influence la reconnaissance
S. Bricq (UB) Traitement d’images 48 / 50
Description des images
Étiquetage de composantes connexes
Composante connexe = ensemble de pixels connexes (voisins)
appartenant à une même entité
image segmentée = seulement une succession de pixels
But : donner une valeur commune pour les pixels d’une région ou
d’un contour.
But : avoir une valeur 6= pour chaque région/contour
Exemple
S. Bricq (UB) Traitement d’images 49 / 50
Conclusion
Chaîne de traitement pour compter automatiquement
le nombre de grains de riz ?
S. Bricq (UB) Traitement d’images 50 / 50
