Cours 2

Analyse d’image

A.Belaïd – LORIA - Nancy

1
Introduction
 Une image = plusieurs domaines
de représentation
– Dans le domaine spatial : matrice
− Exemple
– Matrice des niveaux de gris
– Dans le domaine fréquentiel :
Une nouvelle matrice
− Issue d’une transformation
− Exemples :
– Amélioration d'images : 162 162 162 161 162 … 169 171 170 155 128
modification du contraste, 162 … … 128

réduction du bruit, étude 162 … … 128

des textures de l'image 162 … … 128

(analyse texturelle) 162 … … 128

…
…

…
54 … … 90

46 … … 96

43 … … 98

44 … … 108

44 44 55 66 54 … 104 100 104 105 108

DAR © A Belaïd
2
Méthodes d’analyse
 Analyse d'images dans le domaine spatial
– Méthodes statistiques du premier ordre
− L'histogramme
− Les indices statistiques de tendance centrale
− Les indices statistiques de dispersion
– Méthodes statistiques du second ordre
− La matrice de co-occurrence
 Analyse d'images dans le domaine fréquentiel
– Transformée en cosinus discrète
– Transformée en ondelettes discrète

DAR © A Belaïd
3
Analyse d'images dans
le domaine spatial

Méthodes statistiques du premier ordre

DAR © A Belaïd
4
 L'histogramme
 Définition
– Fréquences d'apparition des niveaux de gris dans l'image
– L'histogramme est également appelé spectre de l'image
– InterfaceMatlab1/CalcHistogramme

DAR © A Belaïd
5
 Modification de l'histogramme = filtrage spectral
– Appliquer une fonction de filtrage sur chaque pixel de l'image pour
modifier son histogramme
– Exemple : Assombrissement de l'image : l’histogramme a été décalé à
gauche

Histogramme Histogramme modifié

6
 Application : Modification de l'histogramme
 Méthodes de filtrage spectral
classiques :
– Négation :
− inversion du spectre

– Assombrissement :
− tassement du spectre
vers la gauche

– Éclaircissement :
− tassement du spectre
vers la droite

– Diminution du contraste :
− tassement du spectre
vers le centre

– Augmentation du contraste :
− tassement du spectre
vers les bords
Autre exemple

Original Assombrissement Eclaircissement

8
ImageProcessing
 Utiliser cette interface pour modifier la brilliance, le
contraste et modifier l’image

DAR © A Belaïd
9
 Les indices statistiques de tendance centrale

 Caractérisent une tendance générale des valeurs des pixels de l'image

– La moyenne est la valeur moyenne des pixels de l'image

M N

 I x, y 
1
m1 
M N x 1 y 1

− Une image claire possède une moyenne plus élevée qu'une image foncée

58.89 225.74

10
 Les indices statistiques de tendance
centrale
– La médiane est la valeur qui divise exactement en deux la
distribution des pixels de l'image
 ~ M  N  ~ M  N 
 I  2   I  2  1
     si M  N est pair
median   2
 ~ M  N 
 I  1 si M  N est impair
  2 

où I est le vecteur trié de

toutes les valeurs des
pixels de l'image
Exemple :

3 5 5

I
1 3 2

6 5 1

5 3 6

~
I  1 1 2 3 3 3 5 5 5 5 6 6
Les indices statistiques de tendance
centrale

médiane =193
 Les indices statistiques de tendance
centrale
– Le mode est la valeur des pixels de l'image dont la
fréquence est la plus élevée = maximum local

mode  arg max H I i 

i 0,..,255

où HI est l'histogramme de
l'image

Exemple :
3 5 5

I
1 3 2

6 5 1

5 3 6

13
Les indices statistiques de dispersion
 Donnent des informations sur la dispersion et la variabilité des valeurs des
niveaux de gris de l'image
– La variance
− caractérise les variations des niveaux de gris (luminosité) par rapport à la
valeur moyenne des niveaux de gris de l'image
− on utilise plus souvent l'écart type σ, plus aisé à manipuler

Original Variance
Les indices statistiques de dispersion

− On utilise plus souvent l'écart type σ, plus aisé à manipuler

M N
 2 1
 I x, y   m1 2
M  N x 1 y 1
− Exemple : deux images de même moyenne mais de variance différente

m1   m1 m1  
 2  30.03
m1   m1 m1  
 2  71.70
Les indices statistiques de dispersion
– Le moment centré d’ordre 3 mesure la déviation de la distribution des niveaux de gris par
rapport à une distribution symétrique
M N

 I x, y   m 
1
m3 
3

M N
1
x 1 y 1

− Si l'histogramme de l'image est décalé vers la droite de la moyenne, le moment

centré d'ordre 3 est négatif
− Si l'histogramme de l'image est décalé vers la gauche de la moyenne, le moment
centré d'ordre 3 est positif
− Si l'histogramme est centré autour de la moyenne, le moment centré d'ordre 3
est proche de 0

m1   m1  
m1   m1 m1   m1
m3  0.2474 m3  1.1531
Les indices statistiques de dispersion
– Le moment centré d’ordre 4 caractérise la forme du sommet de
l'histogramme
M N

 I x, y   m 
1
m4 
4

M N
1
x 1 y 1

− Plus le moment centré d'ordre 4 est faible, plus le sommet de

l'histogramme est arrondi

m4  2.3106 m4  0.0916
m1   m1  
m1   m1 m1   m1
 Application : analyse de document

moyenne 74,68 155,63 148,92 66,396 153,16 91,305

moment
87257 -96391 -223240 163070 -223030 39353
d'ordre 3

 Exemple de segmentation lettrines/texte :

– Il est possible de distinguer les lettrines des zones de texte
− Lettrines : moment d'ordre 3 positif
− Zones de texte : moment d'ordre 3 négatif
Analyse d'images dans le domaine
spatial

Méthodes statistiques du second ordre

DAR © A Belaïd
19
Méthodes statistiques du second
ordre
 Les méthodes statistiques du premier ordre permettent
– Une analyse basée sur la description de l'histogramme
 pas d'information sur la localisation du pixel
 Pour une analyse plus précise  méthodes d'ordre
supérieur
– Ordre des méthodes donné par le nombre de pixels mis en
jeu dans le calcul des paramètres
– Une méthode principale :
− Étude de la matrice de co-occurrence

DAR © A Belaïd
20
La matrice de co-occurrence
 Permet de
– déterminer la fréquence d'apparition d'un "motif" formé par 2 pixels
 2 paramètres :
– d : la distance entre les 2 pixels
–  : l'angle de la droite reliant ces 2 pixels par rapport à l'horizontale
 Valeurs généralement utilisées :
– d=1
– =0°, =45°, =90°, =135°
 La matrice est de taille Ng x Ng
– où Ng est le nombre de niveaux de gris de l'image
 On la note (d, )

DAR © A Belaïd
21
 La matrice de co-occurrence
 On commence par calculer la matrice de co-occurrence
dans une direction donnée :
 Exemple :
0° 1 2 3 4 5 6
1 0 0 1 0 0 0
3 5 5
– pour =0° et d=1 1 3 2
2 0 0 0 0 0 0
I=
6 5 1
F1,0 3 0 1 0 0 1 1
4 0 0 0 0 0 0
5 3 6
5 1 0 1 0 1 0
6 0 0 0 0 1 0

– et pour les autres valeurs de 

45° 1 2 3 4 5 6 90° 1 2 3 4 5 6 135° 1 2 3 4 5 6

1 0 0 0 0 1 0 1 0 0 0 0 0 2 1 0 0 1 0 0 0

2 0 0 0 0 0 0 2 1 0 0 0 0 0 2 0 0 0 0 1 0

1,45  3 1 0 1 0 0 0 1,90  3 1 0 0 0 1 0 1,135  3 0 0 0 0 0 1

4 0 0 0 0 0 0 4 0 0 0 0 0 0 4 0 0 0 0 0 0

5 0 1 0 0 0 1 5 0 1 2 0 0 0 5 1 0 1 0 1 0

6 0 0 1 0 0 0 6 0 0 0 0 1 0 6 0 0 0 0 0 0

DAR © A Belaïd
22
La matrice de co-occurrence
 On construit alors la matrice de co-occurrence symétrique (direction
opposée) :
– (1,180°)= t(1,0°)
– (1,225°)= t(1,45°)
– (1,270°)= t(1,90°)
– (1,315°)= t(1,135°)
 On construit enfin la matrice de co-occurrence (pour =0°, =45°, =90°,
=135°) :
1[ 
S0 1   1,0    1, 180°]
2
S 45 (1)  [ 1,45   1,225]
1
2

DAR © A Belaïd
23
 La matrice de co-occurrence
 Finalement on normalise les coefficients de la matrice de manière à ce que la
somme des coefficients de la matrice vaille 1 :
0° 1 2 3 4 5 6

1 0 0 1/16 0 1/16 0

2 0 0 1/16 0 0 0

S0 1  3

4
1/16

0
1/16

0
0

0
0

0
1/8

0
1/16

5 1/16 0 1/8 0 1/8 1/16

6 0 0 1/16 0 1/16 0

 On calcule alors sur cette matrice les indices statistiques classiques :

– La moyenne
– La variance
– Les moments d'ordre supérieur
 Ainsi que d'autres indices encore :
– L'entropie
– La corrélation…
 Application : caractériser l'image
– De la même manière qu'avec les méthodes du premier ordre
– En tenant compte des relations spatiales entre un pixel et son voisinage
DAR © A Belaïd
 Filtrage

rapport_benhamadi.pdf

25
Analyse d'images dans le domaine
fréquentiel

DAR © A Belaïd
26
La DCT: Discrete Cosinus
Transform
 Définition
– Très utilisée en traitement du signal et de l’image pour la
compression
– Possède en effet une excellente propriété de « regroupement »
de l'énergie : l'information est essentiellement portée par les
coefficients basses fréquences
– Les coefficients hautes fréquences synonymes de changements
brusques, sont écartés
– Utilisée pour la compression dans JPEG

A.
Belaï
DAR © A Belaïd
27 d
 La norme JPEG
 Principe de l'algorithme JPEG

Image Transformation Codage Image

Quantification
originale par DCT statistique compressée

A.
Belaï
DAR © A Belaïd
28 d
La DCT
 Principe
– S'applique sur des voisinages distincts 8x8 de l’image
− Produit des matrices de coefficients de mêmes tailles 8x8
– Pour chaque voisinage :
− Opère un changement de repère :
– Fait passer l'info du domaine spatial au domaine fréquentiel
– S'arrange pour placer les HF (coefficients) en bas à droite du
carré et les BF (coefficients) en haut à gauche du carré

A.
Belaï
DAR © A Belaïd
29 d
La norme JPEG

Voisinage
8x8

Image
originale

Coefficients

Les basses fréquences sont en haut : elles sont représentées par les plus
grosses valeurs qui traduisent une plus grande quantité d’information, alors que
les hautes fréquences présentent les valeurs les plus faibles traduisant le bruit

DAR © A Belaïd
30
La norme JPEG
 Exemple : On voit la haute énergie ici

On voit la faible énergie ici

DAR © A Belaïd
31
La norme JPEG
 Exemple : comment on l’a obtenue ?
1) On décompose l’image en des voisinages de 88

DAR © A Belaïd
32
La norme JPEG
2) On applique la DCT sur chaque voisinage
3) On met dans l’image C00, les C00 de chaque voisinage, dans l’image C01,
les C01 de chaque voisinage…

Cette image est obtenue à partir de tous les points haut-gauche de tous les voisinages
(=points rouges)

Voisinages
8x8 de
l’image traités
par la DCT

DAR © A Belaïd
33
La norme JPEG
 Principe de la DCT
– Idée 1 de la compression (et origine de la perte)
− Se débarrasser des HF assimilables à du bruit
– Idée 2 de la compression (et origine de la perte)
− Remplacer les fréquences par des valeurs approximatives : en
les divisant (en compression) ou en les multipliant (en
décompression) par des pas de quantification
− Les pas de quantification seront donnés dans une matrice 8x8
– Les pas seront petits pour les grands coefficients et grands pour
les petits
– Cela permettra d'éliminer de manière drastique les HF et
d'atténuer légèrement les BF

A.
Belaï
DAR © A Belaïd
34 d
La norme JPEG
 Obtention de la matrice des coefficients
– Les coefficients correspondent aux coefficients du polynôme
d'approximations successives du signal par une fonction de base
(ici cosinus)
– L'idée :
− En compression
– Arriver à décrire (représenter) le signal par une suite de valeurs
approchant sa forme. Simplifier ces valeurs pour réaliser
effectivement la compression
− En décompression
– Utiliser ces valeurs en sens inverse pour retrouver une valeur
approchée du signal d'origine

A.
Belaï
DAR © A Belaïd
35 d
La norme JPEG
 Algorithme d'obtention des coefficients
– Démarrer en (0,0) en plaçant la valeur moyenne du signal total
(meilleur représentant du signal au début)
– Ensuite, on ajoute ou retranche des valeurs à cette valeur moyenne
qui affinent la représentation de la courbe
− C'est comme si on ajoute ou on retranche des fonctions
Cosinus de périodes de plus en plus courtes
– Ces valeurs sont placées sur les diagonales négatives du carré
– Au fur et à mesure qu'on s'approche du signal, elles deviennent de
plus en plus petites

A.
Belaï
DAR © A Belaïd
36 d
La norme JPEG
 Exemple de fonction
= Valeur de la composante rouge de la ligne d'une image (fig. 4)
– Fonction de base utilisée pour l'approximation : Cos (fig. 1) : f. sinusoïdale
– A chaque fois, on ajoute ou on retranche une fonction d'une période plus
courte : Cos (nx) pour arriver à approcher le signal

1 2 3 4

Cos(x) Cos(x)–1/3cos(3x) Cos(x)–1/3cos(3x) Cos(x)–

+1/5cos(5x) 1/3cos(3x)+
1/5cos(5x)-…
1/19cos(19x)+
1/20cos(20x)

DAR © A Belaïd
37
La norme JPEG
– La valeur moyenne du signal à approcher est égale 0, car c'est un
signal carré (autant en haut qu'en bas)
– Les coefficients sont : 0, 1, -1/3, 1/5, …, -1/19, +1/21 :
− C'est comme si on avait : 0 cos(0X) + 1 cos(x) –1/3 cos(3x)…
– On voit que les coefficients décroissent
− Il faut choisir le nombre suffisant en fonction de la qualité
désirée
– La ligne (car on a transformé juste une ligne) de coefficients
obtenue est :

0 1 -1/3 1/5 … -1/19 1/21

DAR © A Belaïd
38
 La norme JPEG
Synthèse d’un signal avec des cosinus

 cos  3  t   cos  5  t cos  7  t   cos  9  t cos  11  t   

  cos   t 
2 4
  4   f6( t)      
   3 5 7 9 11 
1.5
1.273

0.5

f1 ( t )

f2 ( t )
0
f3 ( t )

f6 ( t )

0.5

 1.5 1.5
4 3 2 1 0 1 2 3 4
4 t 4

DAR © A Belaïd
39
La norme JPEG
 Exemple :
– Pour mieux comprendre ce principe, prenons comme exemple la matrice
suivante représentant la composante rouge d'une image codée en 16
millions de couleurs (soit 256 nuances de rouge)

Image originale

DAR © A Belaïd
40
La norme JPEG
 Première étape : centrage
– Soustraire 128 (pour centrer sur 0) à chaque valeur puis appliquer la DCT.
Nous obtenons le résultat suivant :

On remarquera que les

coefficients possédant les
valeurs absolues les plus fortes
se trouvent en haut à gauche de
la matrice

DAR © A Belaïd
41
La norme JPEG
 Deuxième étape : coefficients de quantification
– On remplace chaque valeur par le quotient de la division euclidienne de
cette valeur par le pas de quantification. Ainsi, si l'on choisit un pas de
quantification de 4, on remplacera les valeurs 0, 1, 2 et 3 par 0 ; les valeurs
4, 5, 6 et 7 par 1 et ainsi de suite…

DAR © A Belaïd
42
La norme JPEG
 Deuxième étape : quantification
– Divisons maintenant les valeurs de la matrice de données par notre matrice
de quantification. Le résultat est le suivant :

Vous serez sans doute étonnés

par le nombre de zéros

DAR © A Belaïd
43
La norme JPEG
 Dernière étape :
quantification
– La dernière étape consiste à
compresser (sans perte) la matrice
obtenue. La norme JPEG traite les 0,
en raison de leur nombre important,
d'une manière particulière. On va
d'abord balayer la matrice de la façon
suivante pour obtenir les suites de 0 les
plus importantes possibles
– On utilise ensuite une méthode de
compression statistique tel que celle de
Huffman

DAR © A Belaïd
44
 La norme JPEG
 La décompression

Image Décodage Phase de Transformation Image

compressée statistique déquantification DCT inverse originale

A.
Belaï
DAR © A Belaïd
45 d
La norme JPEG
 La décompression
– Après décodage statistique, nous retrouvons notre matrice
compressée

A.
Belaï
DAR © A Belaïd
46 d
La norme JPEG
 La décompression
– Il faut maintenant déquantifier en multipliant chaque valeur
par son coefficient de quantification. Nous obtenons ceci :

A.
Belaï
DAR © A Belaïd
47 d
 La norme JPEG
 La décompression
– Appliquons ensuite la DCT inverse, enfin ajoutons 128 à
chaque valeur. Voici la matrice décompressée :

Image décompressée

A.
Remarque : les valeurs négatives seront remplacées par des 0 et les valeurs supérieures à 255 par 255.
Belaï
DAR © A Belaïd
48 d
La norme JPEG
 Résultat
– Voyons maintenant,
l'évolution du taux de
compression et de la taille
de l'image (taille du fichier
en octet) compressée en
fonction de la qualité (plus
le chiffre est petit plus la
qualité est bonne)
– Le premier nombre est le
nombre de bits de l'image
compressée,
– le second est le taux de
compression obtenu
– et le dernier indique la
qualité choisie

DAR © A Belaïd
49
La norme JPEG
 Résultat
– On peut remarquer que
la qualité se dégrade
rapidement (courbe
rouge qui monte très
vite) alors que
l'augmentation du gain
en place est de moins en
moins importante
(courbe verte qui baisse
doucement)
– i.e. à partir d'un certain
gain, il faut tellement
diminuer la taille que ce
n'est plus intéressant de
le faire

DAR © A Belaïd
50
Algorithme JPEG
 Exemple de compression JPEG

DAR © A Belaïd
51
Algorithme JPEG
Exemple

 1 correspond à
un facteur de
qualité donnant
le moins de
perte (full
quality), et 99 à
la moins bonne
qualité

A.
Belaï
DAR © A Belaïd
52 d
Transformée en ondelettes discrète
 En pratique :
– Application de 2 filtres :
− 1 filtre passe-haut (noté H)
− 1 filtre passe-bas (noté L)
– Application des ces filtres de 4 manières différentes :

53
 Transformée en ondelettes
discrète
 A partir d'une image
– 4 images de taille 4 fois plus petite
– Cela correspond à 1 niveau de décomposition

DAR © A Belaïd
 Transformée en ondelettes
discrète
 On peut renouveler
l'opération sur
l'approximation à chaque
niveau de décomposition

 Application de la transformée
en ondelettes discrète :
– Compression (JPEG 2000)
– Analyse de texture

DAR © A Belaïd
55
Toolbox : toolbox_wavelets
 Commande :
– Taper wavemenu,
directement dans
Matlab
 Rapport :
– ondelettes_matlab.pdf

DAR © A Belaïd
56
Toolbox : toolbox_wavelets
 Commande :
– Cliquer sur Wavelet-2D
– File : Example Analysis >>
Truecolor Images >> Wood
sculpture
– Cliquer sur un carré puis sur
Visualize
– Cliquer sur statistics : toutes
les statistiques sur l’image
sont affichées

DAR © A Belaïd
57