Chapitre 4
Filtrage et Restauration d'images
M. SOUALAH UMMTO - 2023
L'image numérique : Notions de base
Introduction :
Dans le domaine de traitement d'images, on fait la distinction entre trois catégories :
1. Traitement d'images :
✔ Transformations effectuées sur l'image afin d'améliorer son apparence.
✔ Transformations effectuées sur l'image afin de la restaurer
Image originale Traitements Image améliorée
2. Analyse d'images :
✔ Elle opère une transformation de l'image afin d'extraire des informations importantes à
partir d'images
✔ C'est un processus d'acquisition des informations à partir d'images, dont l'objectif est la
reconnaissance des éléments et des informations contenus dans une image. Exemple :
Identification de formes, la détection de bords ou le comptage d'objets, etc.
Image originale Traitements Mesure
L'image numérique : Notions de base
Introduction :
3. L'analyse sémantique :
✔ Elle crée une description de haut niveau à partir d'images : Segmentation,
extraction de caractéristiques (bas niveau) → interprétation de l'image (haut
niveau)
Extraction de
Image originale Décision
caractéristiques
L'image numérique : Notions de base
Voisinage d'un pixel
✔ Une image numérique est associée à un
pavage de l'espace, en général
rectangulaire.
✔ Chaque élément du pavage est appelé
pixel.
✔ Un pixel est désigné par des
coordonnées entières.
✔ Le traitement d'image s'appuie sur des
traitements à l'aide de voisinage : Les
traitements effectués en un endroit
donné correspondant à un pixel
dépendent du pixel lui-même et de son
voisinage.
L'image numérique : Notions de base
1. Voisinage d'un pixel
✔ Un pixel P dans l'image : La position est donné par les coordonnées (m,n).
✔ Voisinage de P, noté V(P) : Ensemble de pixels P' connectés à P.
✔ Le pixel P appartient à son voisinage V(P).
L'image numérique : Notions de base
1. Voisinage d'un pixel
Pavage rectangulaire :
✔ Pavage : Partition de l'espace continu en cellules élémentaires
Décomposition du plan euclidien en ensembles connexes
✔ Les pixels sont arrangés sous une forme rectangulaire dans un tableau 2D
✔ Deux cas de voisinage les plus utilisés :
▪ Un voisinage de "4-connexité" : Le pixel n'a que quatre voisins, chacun d'eux
étant à distance unité de P avec la distance d4.
d4(P,P') = |m-m'| + |n-n'| P'
P
L'image numérique : Notions de base
1. Voisinage d'un pixel
Pavage rectangulaire :
✔ Deux cas de voisinage les plus utilisés :
▪ Un voisinage de "8-connexité" : Le pixel a 8 pixels voisins, chacun d'eux étant
également à distance unité de P, mais avec la distance d8.
d8(P,P') = Sup(|m-m'| , |n-n'|)
L'Image numérique : Notions de base
1. Voisinage d'un pixel
Autres pavages: Pavages plan réguliers
✔ Il existe d'autres types de pavage, nous citons les cas de pavage hexagonal,
pavage triangulaire.
Pavage hexagonal Pavage triangulaire
✔ Chaque pavage présente une distance différente de l'autre.
✔ La distance a une influence sur le coût de calcul.
L'image numérique : Notions de base
1. Voisinage d'un pixel
Pavage triangulaire
Défaut : chaque pavé a 12 pavés voisins
3 pavés le touchant par un côté
3 le touchant par un sommet et en symétrie par rapport à ce sommet
6 le touchant par un sommet et formant avec ce pavé un angle de 120° par
rapport à ce sommet.
Conséquence : On n'utilise pratiquement, jamais le pavage triangulaire comme
modèle de pixels
L'image numérique : Notions de base
1. Voisinage d'un pixel
Maillage : Ensemble de segments reliant les centroïdes des cellules ayant une
arête commune.
Chemin sur le graphe = Succession de nœuds sur le graphe joints par des arcs.
Remarque : Le pavage rectangulaire correspond au stockage des pixels dans un
tableau 2D
L'image numérique : Notions de base
1. Voisinage d'un pixel
Dualité Maillage-pavage
A tout pavage du plan on peut associer un graphe où les sommets (nœuds)
représentent les cellules élémentaires, et où les arêtes représentent la
relation d'adjacence entre les cellules (Deux cellules sont adjacentes
si elles ont un côté en commun). Un tel graphe est un maillage du plan.
L'image numérique : Notions de base
⚫
L'image numérique : Notions de base
⚫
Prétraitements et amélioration d’images numériques
Introduction
✔ La capture d’une image peut engendrer un bruit :
défaut, parasite dégradant la qualité de l’image.
✔ Le bruit est une perturbation du signal initial.
Types de bruits :
✔ Sur-éclairage ou sous-éclairage.
✔ Problème de prise de vue, mise au point.
✔ Bruit électronique lié au capteur (Bruit thermique
des composants : agitation des électrons).
✔ Défaut de système de numérisation.
Prétraitements et amélioration d’images numériques
Introduction
✔ Objectifs :
▪ Restauration de l’image : Restitution de l’image aussi proche que possible
avant la dégradation – Prétraitements visant à atténuer le bruit dans l’image
sans connaissance apriori du modèle de dégradation.
▪ Simplification de l’image dans le but de faciliter une analyse ultérieure.
Prétraitements et amélioration d’images numériques
Introduction
Suppression du bruit qui peut résider sur l'image.
Amélioration d'une image numérique pour augmenter la qualité de son rendu
visuel, afin de pouvoir faciliter une analyse ultérieure.
L'amélioration de l'image et sa simplification sont deux problèmes
différents, mais ils font appel aux mêmes outils :
Amélioration : Chercher à atténuer ou à supprimer une dégradation
présente sur l'image.
Simplification : Supprimer l'information inutile pour l'analyse ultérieure de
l'image.
Prétraitements et amélioration d’images numériques
Bruit additif
✔ L’image observée g est une version dégradée d’une image f par l’ajout
d’un signal aléatoire b : g(x) = f(x) + b(x)
Signal bruité Bruit additif
Signal pur
✔ Le bruit est un signal qu'il n'est pas possible de décrire d'une manière
déterministe.
✔ Objectif : retrouver autant que possible l’image initiale f.
Il faudrait donc, supprimer le bruit généré par b(x). On parle
de filtrage.
Prétraitements et amélioration d’images numériques
Le filtrage
✔ Le filtrage est une opération fondamentale en traitement d'image.
✔ Le filtrage permet :
▪ La perception de certains détails,
▪ La réduction du bruit,
▪ La compensation de certains défauts du capteur,
▪ La détection des contours,
▪ La restauration d'images.
Types de filtrage :
▪ Filtrage linéaire,
▪ Filtrage non linéaire,
▪ Filtrage dans le domaine fréquentiel. Il est réalisé grâce à la transformée
de Fourier d'une image.
Prétraitements et amélioration d’images numériques
Principe du filtrage linéaire
✔ Le filtrage linéaire est encore dit filtrage idéal.
✔ Difficulté d’extraire b(x) à g(x) dans le domaine spatial : Aspect
aléatoire de b(x) ⇒ inconnue.
✔ Tenter de soustraire b(x) à g(x) dans le domaine fréquentiel moyennant
des hypothèses de répartition des composantes fréquentielles de b par
rapport à celles de f.
L'Image numérique : Filtrage
▪ Le support d'une fonction est la partie de son ensemble de définition sur laquelle se concentre
l'information utile de cette fonction.
▪ Pour une fonction numérique, c'est la partie du domaine où elle n'est pas nulle.
Prétraitements et amélioration d’images numériques
Principe du filtrage linéaire
✔ La multiplication G(u). Isupp(B)c(u) dans le domaine fréquentiel correspond à une
opération de filtrage linéaire.
✔ La même opération peut également être réalisée dans le domaine spatial par la
convolution : Soient g une image numérique et h une fonction discrète
bidimensionnelle de support {a1,a2} x {b1,b2}.
La convolution de g par h est définie comme suit :
Prétraitements et amélioration d’images numériques
Principe du filtrage linéaire
✔ L’opération de convolution de l’image g par la fonction h, dite noyau de
convolution, consiste à remplacer la valeur de chaque pixel g(x,y) par une
combinaison linéaire de ses voisins.
✔ Le coefficient attaché à chaque voisin (x – i, y – j) est déterminé par la valeur
h(i,j) du noyau de convolution.
✔ La convolution est commutative, associative et distributive par rapport à
l’addition.
Conclusion :
Utilisation du filtrage linéaire pour réduire le bruit en raisonnant
directement dans le domaine spatial.
Prétraitements et amélioration d’images numériques
Principe de filtrage linéaire
Soit une image I et un filtre bidimensionnel h. Le filtrage de l'image I par le filtre h
est une image F dont les luminances sont données par :
F(x,y) = Σ a,b
h(a,b) I(x+a , y+b)
✔ En général, on choisit un filtre de taille impaire afin de pouvoir définir le centre
du filtre.
✔ Si le filtre est de taille (2n+1)x(2n+1), alors les indices a et b varient de –n à +n.
Prétraitements et amélioration d’images numériques
Principe de filtrage linéaire
Remarques :
✔ Dans le traitement du signal, le filtrage est défini comme une convolution.
✔ Dans le domaine de traitement d'images, le filtrage est défini comme une
corrélation.
✔ En pratique, cette différence se traduit par une rotation de 180° de la matrice
représentant le filtre.
✔ Le filtrage peut être vu comme une convolution, à condition de faire subir au
filtre une symétrie par rapport à l'origine.
Prétraitements et amélioration d’images numériques
Principe de filtrage linéaire
Définition de la convolution dans l'espace continu
✔ Soit F une image continue caractérisée par un niveau de gris f et G l'image
résultat de niveau de gris g .
✔ Pour des images continues, le produit de convolution g = f ∗h est défini par :
Prétraitements et amélioration d’images numériques
Principe de filtrage linéaire
Définition de la convolution dans l'espace discret
✔ Soit F une image discrète caractérisée par un niveau de gris f et G l'image
résultat de niveau de gris g. La convolution discrète est un calcul linéaire de
voisinage
Prétraitements et amélioration d’images numériques
Principe de filtrage linéaire
Définition de la convolution dans l'espace discret
✔ Principe de calcul d'un point G(l,k)
₋ On a : G = F * H ⇒ G(l,k) = ΣiΣj F(l-j,k-i).H(j,i)
₋ Placer le centre de l'opérateur H au point F(l,k)
₋ Définir dans F le symétrique de H
₋ Faire la somme des produits F( , ).H( , )
Exemple :
Prétraitements et amélioration d’images numériques
Principe de filtrage linéaire
Définition de la convolution dans l'espace discret
✔ Les effets de bord
▪ Une image f est définie sur un support discret fini
▪ Le filtrage d'une image correspond au produit de convolution de l'image f
avec un masque de convolution
▪ Un tel traitement n'est pas défini pour les bords de l'image puisque f(-1,0),
par exemple, n'existe pas.
Prétraitements et amélioration d’images numériques
Principe de filtrage linéaire
Définition de la convolution dans l'espace discret
✔ Les effets de bord
▪ Que faire ?
Une solution théorique optimale, n'existe pas, seules des alternatives sont
proposées.
Nous citons entre autre :
1. Le résultat tronqué : Ne retenir que les pixels pour lesquels le calcul
peut être fait. Pas d'approximation. Ce qui induit la perte de deux lignes et
de deux colonnes.
2. Prolongement dans les zéros : Cette alternative suppose que l'image
est définie sur un support infini et prend des valeurs nulles en dehors du
support initial.
Prétraitements et amélioration d’images numériques
Filtre passe-bas
✔ Les filtre passe-bas ont tendance à atténuer les hautes fréquences spatiales
de l'image en conservant les basses fréquences.
✔ Les hautes fréquences de l'image se manifestent par des variations
importantes de niveaux de gris sur de faibles distances spatiales (en pixels).
Basses fréquences: Hautes fréquences:
Changements d'intensité lents Changements d'intensité rapides
Prétraitements et amélioration d’images numériques
Filtre passe-bas
Effet principal :
✔ Augmentation du flou des images
✔ Les détails disparaissent ou sont moins visibles (Il en est de même pour les
contours).
✔ Les contrastes dans l'image sont diminués.
Prétraitements et amélioration d’images numériques
Filtre passe-haut
✔ Les filtres passe-haut réalisent l'opération complémentaire de celle obtenue avec
les filtres passe-bas.
✔ Ils atténuent les basses fréquences et laissent passer les hautes fréquences.
✔ Ils sont utilisés pour la détection de contours, pour augmenter la netteté et
augmenter le contraste.
Prétraitements et amélioration d’images numériques
Exemples de modèles de filtrage
Prétraitements et amélioration d’images numériques
Filtrage non-linéaire
✔ Limites du filtrage linéaire :
▪ Bruit impulsionnel : L’image fait apparaître des valeurs parasites aberrantes
qui ne dépendent pas des valeurs initiales de l’image.
▪ Le filtrage linéaire diffuse les valeurs aberrantes sur les pixels voisins.
Exemple : Cas de sel et de poivre.
Prétraitements et amélioration d’images numériques
Filtrage non-linéaire
✔ Limites du filtrage linéaire :
▪ Le respect des frontières : Le filtrage linéaire rend les contours flous.
▪ On désigne par filtre non linéaire un opérateur qui remplace la valeur de
chaque pixel par une combinaison non linéaire des valeurs de ses pixels
voisins. Exemple : Filtre Médian.
▪ Il faut apporter une solution aux limites des filtres linéaires.
Prétraitements et amélioration d’images numériques
Le niveau de gris
✔ Le niveau de gris représente l'intensité lumineuse d'un pixel lorsque ses
composantes de couleur sont identiques en intensité lumineuse.
✔ Conversion d'une image couleur en niveau de gris
✔ Pour une image couleur, un pixel dispose, généralement, de trois composantes
R,G et B.
✔ Un pixel gris a ses valeurs RGB identiques.
✔ Une méthode simple pour convertir une image couleur en niveau de gris pourrait
être de calculer les moyenne des trois composantes RGB et d'utiliser cette valeur
moyenne pour chacune des composantes :
Gris = (Rouge + Vert + Bleu)/3
Prétraitements et amélioration d’images numériques
Le niveau de gris
✔ La CEI propose deux formules :
Gris = 0.2125 Rouge + 0.7154 Vert + 0.0721 Bleu
(Recommandation 709 : Couleurs vraies ou naturelles)
Gris = 0.299 Rouge + 0.587 Vert + 0.114 Bleu
(Recommandation 601 : Correction Gamma)
Exercice 1 - TD
Une image 16 x 16 en noir et blanc, représentant le message SOS, est légèrement
bruitée :
Nous souhaitons corriger l’image bruitée par filtrage pour retrouver l’image originale.
Pour ce faire, nous utilisons le filtrage linéaire en utilisant la matrice de convolution
(masque) suivante : :
Questions :
1 – Appliquez le filtre aux points bruités de l’image.
2 – Quelle conclusion en tirez-vous ?
Exercice 2 - TD
Supposons que l'image I ci-dessous soit "coloriée" avec 4 nuances de gris
codées de la façon suivante : 0 : noir ; 1 : gris foncé ; 2 : gris clair ; 3 : blanc.
Questions :
1 – Appliquez les deux filtres au point bruités de l’image.
2 – Quelle conclusion en tirez-vous ?
