Tratement Image1
Transféré par
Hariel RandrianalimananaTratement Image1
Transféré par
Hariel RandrianalimananaTravaux pratiques et travaux dirigés de traitement d’images numériques
Séances 1, 2, 3, 4 et 5
Institut Galilée
2013-2014
G. Dauphin et A. Beghdadi
Séance 1
(47)
Ce polycopié contient à la fois les exercices à réaliser pendant les séances de travaux dirigés et les énoncés à
réaliser pendant les travaux dirigés. Le fait de réunir les deux dans un même polycopié permet de mieux mettre
en évidence le fait que les travaux dirigés portent sur des notions qui sont vues en travaux pratiques. Les éléments
étudiés portent sur les domaines suivants du traitement d’image.
• Acquisition et représentation du signal image : EX 1, 2, 3, 4, 5, 6, 24, 25, 30 TP 1, 4, 5, 13, 4 (séance 1 et 2).
• Analyse statistique du signal image : TP 5, EX 6, 14 TP 6 (séance 2 et 3).
• Analyse fréquentielle du signal image : EX 7, 9, 10, 11, 12, 20 TP 6, 8, 11, 13, 14 (séance 2, 3 et 4)
• Filtrage : EX 12, 15, 16, 19, 20, 21, 26, 28 TP 24, 25, 26,(séance 3, 4 et 5).
• Amélioration et restauration d’une image bruitée :EX 26, 27 TP 17, 19 (séance 3 et 5).
• Segmentation : EX 22, TP 27, 28, 30, 31, 32, 33 (séance 5).
• Couleurs : EX 1, 17, 18 TP 21, TP 22, 23,(séance 1 et 4)
• Compression : EX 29 (hors programme).
Une version électronique est disponible dans
[Link]
Travaux pratiques
Explications sur les compte-rendu à rendre
(44)
A la n de chaque séance, il y a un compte-rendu à rendre. Ce compte-rendu est à envoyer par mail sous format
pdf. Pour chaque questions il doit contenir les éléments suivants :
• Numéro de la question
• Ligne de code Matlab permettant de générer l’image
• Observations sur l’image et commentaires sur la question
• Image réalisée par simulation, cette image doit s’afcher avec une taille sufsamment importante pour pou-
voir bien visualiser ce qui est important.
Le compte-rendu doit porter sur l’ensemble de la séance sauf pour la première séance, où il ne porte que sur les
TP 2, 3, p. 7, 8.
1
Quelques indications sur Matlab
(1)
Cours 1 Les images binaires sont formées de 0 et de 1. Ils permettent de stocker des images formées des teintes
noires (0) et blanches (1).
im1=imshow(’[Link]’);
figure(1); imshow(im1);
Dans cet exemple im1 indique qu’en mémoire est stockée une matrice dont les composantes sont 0 ou 1. Le
fait qu’il n’y ait que deux valeurs est la raison pour laquelle on appelle cela une image binaire. Les commandes
suivantes permettent d’abord de mettre sous la forme d’un vecteur vertical les composantes de l’image binaire puis
de supprimer les doubles dans ce vecteur (i.e. les valeurs identiques n’apparaissent qu’une fois).
val=im1(:);
unique(val),
Les images en niveaux de gris permettent d’afcher des images qui contiennent différentes teintes entre le noir
et le blanc.
im2=imread(’[Link]’);
figure(1); imshow(im2);
Elles sont mémorisées sous la forme d’une matrice dont les composantes peuvent des entiers entre 0 et 255. Les
commandes suivantes permettent d’afcher une courbe des les valeurs prises sont les valeurs des pixels de l’image
lorsqu’on parcourt cette image de haut en bas puis de gauche vers la droite.
val=im2(:);
figure(1); plot(val);
Les images en niveaux de gris peuvent aussi être composées de réels entre 0 et 1.
im2Bis=double(im2)/255;
figure(1); imshow(im2Bis);
val=im2Bis(:);
figure(2); plot(val);
Les images colorées sont parfois mémorisées sous la forme d’un tableau de chiffres chaque chiffre correspon-
dant à un index dans une table de couleurs. Les commandes suivantes permettent par exemple de récupérer l’image
[Link].
[im3,map]=imread(’[Link]’);
im3Bis=ind2rgb(im3,map);
figure(1); imshow(im3Bis);
im3 désigne une matrice dont les composantes ne sont pas des teintes. En effet si on cherche à les afcher on
obtient une image qui n’a pas de sens (pourquoi les parties rouges auraient-elles la même teinte que les parties
noires ?).
figure(2); imshow(im3);
map désigne un tableau composé de trois colonnes, la première correspond aux composantes de rouge, la
deuxième aux composantes de vert et la troisième aux composantes de bleu. La commande suivante donne la
taille de map, la première valeur correspond au nombre de lignes et la deuxième valeur correspond au nombre de
colonnes.
2
size(map),
Si on annule les composantes de la première colonne, l’image reconstruite n’aura plus de rouge.
mapBis=map;
mapBis(:,1)=0;
im3Ter=ind2rgb(im3,mapBis);
figure(3); imshow(im3Ter);
Ces images couleurs sont stockées sous la forme d’une matrice (ici im3) dont les composantes indiquent pour
chaque position des pixels un index vers une table (ici map) où sont référencées les couleurs associées à cet index
(voir exercice 1). Les commandes suivantes illustrent ce fonctionnement en transférant l’index 127 de im3 à
l’index 0.
im3Qua=im3; im3Qua(im3==127)=0;
im3Qui=ind2rgb(im3Qua,map);
figure(4); imshow(im3Qui);
Pour comprendre ce que l’on observe, on constate d’abord que la première ligne de map référence la teinte
noire tandis que la ligne 128 référence une teinte blanche.
map(1,:),
map(128,:),
Cela permet de comprendre pourquoi les parties de l’image couleur qui étaient très blanches (associé à l’index
127) sont alors devenues noires (associées à l’index 255).
Les images peuvent aussi être mémorisées sous la forme d’une matrice-3D formées chacune d’entiers de 0 à 255
(par exemple image(1,1,1) désigne l’intensité du rouge [3ème 1] présent dans le pixel qui est sur la colonne
1 [1er 1] et sur la ligne 1 [2ème 1]). Les commandes suivantes permettent par exemple de charger et visualiser
l’image [Link], elles permettent aussi de lire sur une courbe les valeurs des composantes couleurs en
parcourant l’image de haut en bas, puis de gauche vers la droite puis du rouge vers le vert et enn le bleu.
im4=imread(’[Link]’);
figure(1); imshow(im4);
val=im4(:);
figure(2); plot(val),
La taille d’une image est le nombre de lignes et le nombre de colonnes. La commande suivante indique dans
son premier chiffre le nombre de ligne, dans son deuxième chiffre le nombre de colonnes et dans son troisième
chiffre 3 s’il y a effectivement trois composantes couleurs.
size(im4),
Le traitement d’image amène à faire des opérations sur les valeurs de chaque pixel. Il faut donc que ces valeurs
soit un type adapté appelé double en Matlab. La convention est alors que les valeurs doivent être comprises entre
0 et 1.
im4Bis=double(im4)/255;
figure(3); imshow(im4Bis);
val=im4Bis(:);
figure(4); plot(val),
Pour vérier si une image est au format entier entre 0 et 255 (noté ici uint8) ou au format double, on peut
utiliser la commande class
3
class(im4),
class(im4Bis),
On peut aussi vérier les valeurs prises par les images avec
max(max(max(im4))),
min(min(min(im4))),
max(max(max(im4Bis))),
min(min(min(im4Bis))),
On peut former une image plus petite en ne considérante qu’un ligne sur deux et une colonne sur deux (c’est-
à-dire un pixel sur quatre).
im7=im4([Link]nd,[Link]nd,:);
figure(1); imshow(im4);
figure(2); imshow(im7);
Une façon plus générale de modier la taille d’une image peut se faire avec les commandes suivantes :
im8=imresize(im2,[256 256]);
figure(1); imshow(im2);
figure(2); imshow(im8);
Cette commande ne fonctionne pas en tant que telle pour les images couleurs. Pour réaliser cette transforma-
tion sur une image couleur, il suft que cette image couleur soit d’abord convertie de façon à avoir des valeurs
entre 0 et 1, puis de dénir avec zeros une image couleur de la taille souhaitée, et enn pour chaque composante
de la remplir avec le résultat de l’application de la commande imresize sur chaque composante couleur.
im10=zeros(256,256,3);
im10(:,:,1)=imresize(im4Bis(:,:,1),[256 256]);
im10(:,:,2)=imresize(im4Bis(:,:,2),[256 256]);
im10(:,:,3)=imresize(im4Bis(:,:,3),[256 256]);
figure(1); imshow(im4);
figure(2); imshow(im10);
On peut aussi considérer une partie de l’image :
im9=im2(1:128,1:128);
figure(1); imshow(im2);
figure(2); imshow(im9);
Matlab dispose d’une aide en ligne sur la fenêtre de commandes : help permet d’afcher les différentes
sections, help nom d’une section permet d’avoir la liste des commandes dans cette section, en particulier help
images donne la liste des commandes relatives à l’image. help nom d’une commande donne une explication sur
la commande et souvent un exemple qui peut vraiment être essayé. La liste des images disponibles sous Matlab est
help imdemos.
On peut aussi réaliser une image en lui donnant des valeurs. Ainsi les commandes suivantes permettent de
réaliser une image rouge et bleue.
im5=zeros(10,10,3);
im5(:,:,1)=[ones(10,5) zeros(10,5)];
im5(:,:,3)=[zeros(10,5) ones(10,5)];
figure(1); imshow(im5);
Autant il est en général difcile de colorer une image en niveaux de gris, il est simple de transformer une image
en niveaux de gris.
4
im6=rgb2gray(im4);
figure(1); imshow(im4);
figure(2); imshow(im6);
Les fonctions Matlab pour lire et enregistrer les images sont imread et imwrite. Les fonctions disponibles
pour afcher les images sont image, imagesc et imshow. Attention à imshow qui peut étendre la palette de
couleur ou de niveau de gris sans prévenir. Plusieurs images peuvent être afchées sur une seule gure grâce aux
fonctions figure et subplot. Une image en niveau de gris ou n’importe quelle matrice peut être considérée
comme une surface : à chaque coefcient de la matrice, on associe un point dont l’abscisse et l’ordonnée sont
déterminés par la position de ce coefcient et la cote est déterminée par la valeur de ce coefcient. Les fonctions
Matlab disponibles sont surf et mesh, la première fonction colore les éléments de surface tandis que la deuxième
colore seulement les bords des éléments de surface.
En ce qui concerne l’interface Matlab et la disposition des fenêtres, si celle-ci n’est pas satisfaisante, il est
possible de revenir à la disposition par défaut en actionnant successivement dans les menus déroulant : Desktop,
Desktop Layout, Default.
Exercices
Exercice 1 (17)
Cet exercice illustre la commande ind2rgb exposée dans le cours 1 (p. 2). On considère une image couleur
dénie par une table de chiffres et une table de couleurs ; en fait chaque chiffre de la première table correspond à
une couleur dénie par la deuxième table.
1 1 2 2 4 5 6 7
1 1 1 2 4 5 6 7
1 1 2 2 4 5 6 7
2 2 2 2 5 5 6 7
[gmn ] =
(1)
2 2 2 2 4 8 7 8
4 4 4 4 3 3 7 8
5 5 5 2 5 5 8 8
6 6 5 2 6 6 6 7
la table de couleur est dénie par :
0 0 0
05 05 05
1 1 1
1 0 0
t =
(2)
0 1 0
0 0 1
0 1 1
1 1 0
La première colonne est associée à la couleur rouge, la deuxième colonne est associée à la couleur verte, la
troisième colonne est associée à la couleur bleue.
1. Ecrivez les trois matrices R, G, B correspondant à cette image couleur.
2. Donnez un nom à chacune des couleurs présentes dans cette image.
3. On forme un image en niveau de gris contenant la composante rouge. Ecrivez cette matrice.
4. Formez les trois matrices R,G,B en supprimant la composante rouge.
Travaux pratiques
5
Préambule
(2)
Travaux Pratiques 1 Pour se familiariser avec Matlab, faire les deux traitements suivants
1. Faire les deux premières questions de l’exercice 1 en utilisant la commande Matlab ind2rgb. Il est
nécessaire de recopier t. Pour G, on peut le synthétiser de façon aléatoire avec la commande suivante.
G=ceil(7*rand(8,8));
2. choisir une image en niveau de gris, une image parmi les images présentes dans Matlab, imdemos. Cette
image doit être en 256 niveaux de gris (par exemple en appliquant à une image colorée l’instruction Matlab
rgb2gray) et de taille 256 × 256 (par exemple en considérant qu’une partie de l’image). On note cette
image image n.
3. Construire une image synthétique : soit un carré blanc noyé dans un fond uniforme gris, soit un disque
noyé dans un fond uniforme. La première image peut se faire avec im=ones(256,256)*0.5; pour le
fond gris et avec im(128-15:128+15,128-15:128+15)=1; pour le carré blanc à l’intérieur. La
deuxième image peut se faire avec meshgrid et find en utilisant le fait qu’un disque a pour équation :
(x − 100)2 + (y − 100)2 ≤ 400.
[y,x]=meshgrid(0:255,0:255);
L’image synthétique choisie est notée image s. Que faut-il changer dans la commande pour que le disque
soit centré ? Que faut-il changer dans la commande pour que le disque soit plus grand ?
4. Choisir une image colorée que l’on notera image c, afcher en rouge la composante rouge de l’image,
commenter. Puis afcher en vert la composante verte de l’image. Et enn afcher en bleu la composante
bleue de l’image. Commenter.
5. Une façon de fabriquer une texture déterministe consiste à répliquer un motif de taille 8 × 8 sur une image.
Le motif est tiré aléatoirement par exemple suivant une loi uniforme sur [0, 1].
motif=rand(8,8);
On pourra utiliser la fonction repmat.
Exercices
Exercice 2 (2) On cherche à dénir deux images décrites par deux suites gm,n a et gmn
b représentant l’une un carré
centré de taille 30 × 30, l’autre un disque centré de diamètre 30 pixels au sein d’une image 256 × 256.
1. On se place tout d’abord dans un plan à deux dimensions. On note un point M de coordonnées (x, y). Dénir
un ensemble de conditions sur les coordonnées pour que M soit dans un carré de taille 30 × 30, centré en O′
de coordonnées (128, 128).
2. En déduire une formule pour la suite gm,n
a qui vaut 04 en dehors du carré et 1 dans le carré au moyen de la
fonction caractéristique notée 1 (1A (m, n) = 1 quand (m, n) A et 1A (m, n) = 0 sinon. Pour un signal à
temps discret, gn = 04 + 061121136 [n] est une suite qui vaut 04 partout sauf pour les indices entre 121
et 136 où elle vaut 1.
3. De nouveau on se place dans un plan à deux dimensions. On note un point M de coordonnées (x, y) et O′
le centre de l’image de coordonnées (128, 128). Dénir une condition sur M puis sur les coordonnées pour
que M soit dans le disque de diamètre 30.
6
4. En déduire une formule pour la suite gm,n
b qui vaut 04 en dehors du disque et 1 dans le disque au moyen de
la fonction 1.
Exercice 3 (22) On considère une image gmn de taille M × N , en niveaux de gris à valeurs sur [0, 1]. Comment
cette image est-elle modiée par les transformations suivantes sur les niveaux de gris :
1. fmn = 1 − gmn
2. fmn = 0 si gmn < 05 et fmn = 1 si gmn ≥ 05.
3. fmn = gM −m,n .
Travaux pratiques
Travaux Pratiques 2 (43)
En utilisant les commandes Matlab fliplr et éventuellement find expérimentez les transformations présentées
dans l’exercice 3 sur une image en niveau de gris.
1 Analyse du signal image
(45)
Figure 1: Schéma pour les sous-échantillonnages successifs du TP3 ; im désigne soit l’image synthétique choisie
soit l’image naturelle choisie ; d0 et d1 désignent respectivement deci0 et deci1.
7
Figure 2: Schéma pour les sur-échantillonnages successifs du TP 3 ; i2 et i3 désignent respectivement inte2 et
inte3.
Figure 3: Schéma pour les sur-échantillonnages successifs du TP 3 ; i2 et i3 désignent respectivement inte2 et
inte3.
Travaux Pratiques 3 On cherche ici à sous-échantillonner une image puis à partir de l’image sous-échantillonnée
à retrouver l’image de départ en sur-échantillonnant l’image de taille réduite ; ceci en s’inspirant de ce qui a été
vu en traitement du signal. Pour sous-échantillonner la première technique, notée deci0 consiste à prélever une
ligne sur deux et une colonne sur deux (c’est-à-dire un pixel sur quatre), la deuxième technique, notée deci1
8
consiste à appliquer une ltre passe-bas avant de faire le prélèvement. Ces deux techniques transforment une
image de taille M × N en une image de taille M N
2 × 2.
Pour sur-échantillonner, la première technique, notée inte2, consiste à répéter chaque ligne et chaque
colonne, c’est-à-dire que chaque pixel se trouve entouré de trois nouveaux pixels qui ont la même valeur que
ce pixel. La deuxième technique inte3 consiste à appliquer un ltre passe-bas après avoir le rajout des pixels
supplémentaires, ce faisant les pixels rajoutés auront des valeurs intérmédiaires entre les pixels qui les entourent.
Ces deux dernières techniques appliquées à une image de taille M ′ × N ′ en une image de taille 2M ′ × 2N ′ .
L’objectif est d’appliquer l’une des deux premières techniques deci0 ou deci1 trois fois de suite de façon
à ce que le nombre de pixels de l’image soit divisé par 64, gure 1. Parmi les huit images que l’on pourrait
obtenir, on considère seulement les images notées im000 et im111. Ensuite on applique à ces deux (im000 et
im111) l’une des deux autres techniques inte2 et inte3 de façon à retrouver pour les différentes images la
taille initiale. Lorsqu’on considère initialement l’image im000, les images obtenues avec le schéma de la gure 2
sont im000222 et im000333. Lorsqu’on considère initialement l’image im000, les images obtenues avec le
schéma de la gure 3 sont im111222 et im111333.
Ces deux schémas de sous-échantillonnage sont appliqués d’abord à une image synthétique notée image s
puis à une image naturelle image n. La première image est obtenue en échantillonnant l’image dénie par
g(x, y) = 05 + 05 cos(2π(3x + 4y)) et avec ∆x = ∆y = 005 en s’assurant qu’elle forme une image de taille
256 × 256. La deuxième image est une des images provenant de imdemos, transformée de façon à ce qu’elle soit
en niveaux de gris et de taille 256 × 256. Le résultat est noté image n.
Du point de vue de l’implémentation Matlab, les transformations deci0, deci1, inte2, inte3 peuvent
s’implémenter sous la forme de fonctions en ligne.
deci0=@(im)im([Link]nd,[Link]nd);
deci1=@(im)deci0(filter2(ones(2)/4,im));
inte2=@(im)im([1:end;1:end],[1:end;1:end]);
inte3=@(im)filter2(ones(2)/4,inte2(im));
On peut représenter le spectre d’une image par les commandes suivantes :
im2=imread(’[Link]’);
figure(1); imshow(im2);
sp2=fftshift(fft2(((im2))))/prod(size(im2));
figure(2); imshow(mat2gray(20*log10(1e-6+abs(sp2))));
1. Construire image s. Discuter du critère de Nyquist sur cette image.
2. Construire im000 à partir de image s.
3. Construire im111 à partir de image s.
4. Construire im101 à partir de image s.
5. Construire im000222 à partir de image s.
6. Construire im000333 à partir de image s.
7. Construire im111222 à partir de image s.
8. Construire im111333 à partir de image s.
9. Construire le spectre associé à im111333 et comparer le au spectre de image s.
10. Construire le spectre associé à im000222 et comparer le au spectre de image s.
11. Construire image n.
12. Construire im000 à partir de image n.
9
13. Construire im111 à partir de image n.
14. Construire im101 à partir de image n.
15. Construire im000222 à partir de image n.
16. Construire im000333 à partir de image n.
17. Construire im111222 à partir de image n.
18. Construire im111333 à partir de image n.
19. Construire le spectre associé à im111333 et comparer le au spectre de image n.
20. Construire le spectre associé à im000222 et comparer le au spectre de image n.
Exercices
Figure 4: image de l’exercice 4
Exercice 4 (5) On analyse les problèmes de sous-échantillonnage, repliement de spectre et préltrage à partir du
signal f (x, y) = 05 + 05 cos(2π(3x + 4y)) échantillonnée ∆x = ∆y = 02. La gure 4 montre cette image
non-échantillonnée.
1. Que vaut le signal échantillonnée gmn lorsqu’on se restreint à 256 × 256 points ?
2. Quelles est le spectre de f (i.e. avant échantillonnage) ? Montrez que le spectre n’est pas F (u, v) =
05δ(u, v) + 025δ(u − 3) + 025δ(u + 3) + 025δ(v − 4) + 025δ(v + 4) en calculant la transformée de
Fourier inverse. Comme f est périodique, le spectre de f est constitué de pics. Proposer une solution et
vérier cette solution en utilisant la transformée de Fourier inverse. Représentez où se trouvent ces pics à
partir de leur coordonnées en (u, v) [−5, 5].
1 1
3. Le critère de Nyquist est donné ici par u ≤ 2∆x et v ≤ 2∆y . Tracer le domaine correspondant à ce critère
de Nyquist. Est-ce que ce critère est vérié ?
4. Donnez l’expression du spectre de l’image échantillonnée F e(u, v) et représentez le résultat. Pour cela il suf-
t de tracer les symétries centrales en les quatre extrémités du critère de Nyquist. Justiez cette construction
géométrique.
5. Pour retrouver l’image continue à partir de l’image échantillonnée, il suft normalement de ltrer l’image
avant échantillonnage par un ltre dont la réponse en fréquence est H(u, v) = 1[−25,25] (u)1[−25,25] (v).
Expliquez d’où vient le nombre 25 ? Quels sont les pics du spectre inital qui sont conservés ?
6. Calculez l’expression du spectre de l’image ltrée avant échantillonnage Fh (u, v).
7. En déduire l’image ltrée avant échantillonnage fh (x, y).
10
Cours 2 (4)
Les courbes de niveaux (ou lignes de niveaux) sont utilisées sur les cartes géographiques et indiquent les points
de la carte de même altitude. Si on se déplaçait le long de ces lignes, on ne monterait pas et on ne descenderait
pas non plus. Les canaux, les bords de lacs, les plages le long de la mer sont sur des lignes de niveaux. On peut
utiliser la notion de courbes de niveaux pour aider à la visualisation de surface dans un espace à trois dimensions.
Faire une courbe de niveau, cela consiste à dessiner la section d’une surface suivant un plan horizontal qui se
situe à une hauteur z. Ainsi les courbes de niveaux d’une sphère sont des cercles concentriques autour d’un point
qui est à la verticale du centre de la sphère. Mathématiquement, on dénit, ici, la surface comme une fonction
qui à chaque point du plan horizontal (x, y) associe un point sur la surface et à la verticale de ce point du plan
horizontal (x, y, g(x, y)). On peut alors dénir une courbe de niveau comme étant l’ensemble des points du plan
horizontal (x, y) pour lesquels les points sur la surface associés sont à la cote z. Ainsi une courbe de niveau est
donnée par (x, y)g(x, y) = z. Il n’y a pas vraiment de règles pour dénir les différentes cotes zi associées à
chacune des courbes de niveaux. Le choix doit être fait de façon à aider à la visualisation de la surface.
Exercice 5 (4)
On cherche à représenter le signal f (x, y) = 05 + 05 cos(2π(3x + 4y)) pour x, y [0, 1] et à étudier sa
périodicité.
1. Réprésentez en rouge l’ensemble des points (x, y) tels que f (x, y) = 1. Ce sont les crêtes de la surface, ce
sont les points qui apparaitraient en blanc sur l’image de f .
2. Représentez en vert l’ensemble des points (x, y) tels que f (x, y) = 0. Ce sont les vallées de la surface, ce
sont les points qui apparaitraient en noir sur l’image de f .
3. Quelle est la période de x 7→ f (x, y0 ) ? On note cette valeur sous forme d’un vecteur tx = (Tx , 0). Montrez
sur le graphique que si un point M = (x, y) est sur une courbe rouge, alors M + tx = (x + Tx , y) est
encore sur une courbe rouge. Quelle est la période de y 7→ f (x0 , y) ? On note cette valeur sous forme
d’un vecteur ty = (0, Ty ). Montrez ce qui se passe alors sur le graphique. Quelle est la périodicité de
λ 7→ f (x0 + λ, y0 + λ) ? On note cette valeur sous forme d’un vecteur txy = (Txy , Txy ). Montrez ce qui se
passe alors sur le graphique.
4. On dénit la périodicité pour f par un vecteur de translation qui est orthogonale aux crêtes et aux vallées.
Tracez graphiquement ce vecteur, quelles sont les coordonnèes de ce vecteur.
5. Vériez qu’effectivement f est invariante par translation t = (325, 425) (ce vecteur est orthogonal puisque
coolinéaire à (3, 4) qui est normale à toutes les crêtes).
11
Séance 2
Travaux pratiques
Cours 3 (5) La notion d’images naturelles et d’images synthétiques est présentée dans le TP 1. Pour l’image
synthétique on pourra ici choisir celle produite par les commandes suivantes :
[J,I]=meshgrid((0:255)/255,(0:255)/255);
image_s=2*I.*(I<=0.5)+2*(1-I).*(I>0.5);
2 Quantication
Travaux Pratiques 4 (5) On cherche à appliquer une quantication uniforme sur une image en niveaux de gris.
1. Afcher l’image synthétitique en niveaux de gris choisie.
2. Vérier (ou s’assurer) que cette image est dénie par une matrice 2D avec des valeurs entre 0 et 1. L’image
ainsi obtenue est notée image s.
3. Appliquer une quantication sur 30 niveaux en s’inspirant de ce que
imQ=floor(30*im)/30;
L’image obtenue doit ressembler à l’image initiale.
4. Appliquer une quantication sur 10 niveaux.
5. Appliquer une quantication sur 5 niveaux.
6. Afcher l’image naturelle en niveaux de gris choisie
7. Vérier (ou s’assurer) que cette image est dénie par une matrice 2D avec des valeurs entre 0 et 1. L’image
ainsi obtenue est notée image n.
8. Appliquer une quantication sur 30 niveaux. L’image obtenue doit ressembler à l’image initiale.
9. Appliquer une quantication sur 10 niveaux.
10. Appliquer une quantication sur 5 niveaux.
11. Si on appliquait cette méthode de quantication à des images couleurs, cela reviendrait à quantier les
composantes couleurs et non les couleurs elles-mêmes. Expliquer la différence entre les deux notions.
3 Histogramme
Cours 4 (4) Pour une image en niveaux de gris, on appelle histogramme le fait de représenter le nombre (ou
la proportion) de pixels ayant tels niveaux de gris en fonction du niveau de gris. Sous Matlab, les commandes
suivantes permettent de tracer un histogramme.
[y,x]=hist(im(:),50);
figure(1); plot(x,y);
où 50 est ici le nombre de plages de niveaux de gris considérés.
Travaux Pratiques 5 (4) On cherche à représenter l’histogramme de différentes images en niveaux de gris.
12
1. Afcher sur un graphe l’histogramme sur 30 niveaux de image s déni lors du TP 4, p. 12. En observant
d’une part image s et d’autre part l’histogramme, indiquer à quelle partie de l’image correspond tel pic
de l’histogrammme.
2. Afcher sur un graphe l’histogramme sur 10 niveaux de image s. Montrer le lien qu’il y a entre l’histogramme
sur 10 niveaux et l’histogramme sur 30 niveaux.
3. Afcher sur un graphe l’histogramme sur 5 niveaux de image s. Montrer le lien qu’il y a entre l’histogramme
sur 5 niveaux et l’histogramme sur 10 niveaux.
4. Afcher sur un graphe l’histogramme sur 30 niveaux de image n déni lors du TP 4, p. 12. En observant
d’une part image n et d’autre part l’histogramme, indiquer à quelle partie de l’image correspond tel pic
de l’histogrammme.
5. Afcher sur un graphe l’histogramme sur 10 niveaux de image n. Montrer le lien qu’il y a entre l’histogramme
sur 10 niveaux et l’histogramme sur 30 niveaux.
6. Afcher sur un graphe l’histogramme sur 5 niveaux de image n. Montrer le lien qu’il y a entre l’histogramme
sur 5 niveaux et l’histogramme sur 10 niveaux.
7. Supposons maintenant que par inadvertance on ait appliqué l’instruction présentée lors du cours 4 sur une
image couleur, on obtiendrait évidemment pas exactement un histogramme, mais en fait une superposition
de trois histogrammes. Expliquer plus précisément ce qui se passe.
Exercices
Exercice 6 (3) On cherche à calculer à la main un histogramme sur trois niveaux de l’image gmn = 10 m
109 [m] +
m
(2 − 10 )11019 [m] L’histogramme peut se voir aussi comme une quantication des niveaux de gris de l’image
et ensuite on compte le nombre de pixel associé à chaque niveau de quantication et on les représente sur un
graphique. Pour simplier le calcul l’image étudiée est invariante par translation suivant la première coordonnée.
Ainsi l’histogramme de l’image est en fait identique (presque) à l’histogramme d’un prol horizontal.
1. Représentez le signal g(x) = 2x1[0,12[ (x) + (2 − 2x)1[12,1[ (x) sur [0, 1].
2. Représentez sur la même gure la quantication sur trois niveaux régulièrement répartis du signal gq (x) =
Q(g(x)). Pour quantier un signal sur trois niveaux, on dénit une partition de l’intervalle [0, 1] sur l’axe
des ordonnées en trois intervalles Ik de même taille, on affecte à chaque niveau de gris g le milieu mk de
l’intevalle Ik auquel g appartient : Q(g) = mk si g Ik .
3. L’image est en fait de taille 20 × 20, représentez sur la même gure le prol de l’image et de l’image
1
quantiée. Cela revient à échantillonner g(x) et gq (x) avec une période d’échantillonnage de 20 .
4. Tracez l’histogramme de l’image sur 3 niveaux. Pour cela on comptabilise le nombre de pixels sur chaque
niveaux de quantication. L’histogramme est le nombre de pixel en fonction du niveau de quantication.
4 Fréquences associées à une image
Travaux pratiques
Cours 5 (30) La transformée de Fourier adaptée aux images est la transformée de Fourier discrète bidimension-
nelle :
M −1 N −1
1 ∑ ∑ km ln
Gk,l = gm,n e−j2π( M + N )
MN
m=0 n=0
où gm,n est l’intensité (valeur entre 0 et 1) du pixel à la position (m, n) et Gk,l est le coefcient associé à la
k
fréquence dont la composante horizontale u est M fe et la composante verticale v est Nl fe , fe étant la fréquence
13
d’échantillonnage qui s’exprime dans une unité. Les variables associées aux fréquences spatiales sont notées u et
v. La taille de l’image est M × N . Le choix du coefcient N12 est dans une certaine mesure arbitraire, il garantit
ici que la composante constante G0,0 est la moyenne du signal image.
La transformée de Fourier discrète ne tient pas compte du fait que les images sont à valeurs réelles et que par
suite elle sont en plus d’être périodiques, symétriques par rapport à la moitié de la fréquence d’échantillonnage. Il
faut donc comme en traitement du signal utiliser l’instruction fftshift pour placer la fréquence nulle au centre
de l’image et ainsi mieux visualiser les propriétés de symétrie.
La transformée de Fourier discrète inverse est :
M
∑ −1 N
∑ −1
km
+ ln
gm,n = Gk,l ej2π( M N
)
m=0 n=0
Cette formule exprime le fait que les images sont des combinaisons linéaires d’images formées de sinusoı̈des, il
suft pour cela d’ajouter les exponentielles complexes qui sont conjuguées avec des coefcients qui sont conjugués
(Gk,l = GM −k,N −l si k 6= 0 et l 6= 0).
Travaux Pratiques 6 Les instructions suivantes montrent comment construire ces différentes sinusoı̈des qui per-
mettent par approximation successive de reconstruire l’image d’origine.
im=zeros(128); im(64-9:64+9,64-9:64+9)=1;
sp=fft2(im);
sp1=zeros(128);
sp1(1,1)=sp(1,1);
sp1(2,1)=sp(2,1);
sp1(128,1)=sp(128,1);
sp1(3,1)=sp(3,1);
sp1(127,1)=sp(127,1);
im1=ifft2(sp1);
figure(1); imshow([im im1]);
Ces instructions permettent de transformer un carré im en un fond noir avec une bande horizontale légèrement
plus claire.
1. Modiez ces instructions de façon à obtenir une bande verticale.
2. Modiez ces instructions de façon à obtenir une bande horizontale ainsi qu’une bande verticale.
3. Appliquez ces différentes instructions à image n dénie dans le TP 4, p. 12 de façon à obtenir trois images.
L’animation suivante permet de rendre plus visible le fait les différentes sinusoı̈des permettent par approxima-
tion successive de reconstruire l’image d’origine.
im=zeros(128); im(64-9:64+9,64-9:64+9)=1;
points=zeros(128);
sp=fftshift(fft2(im));
sp1=zeros(128);
im1=real(ifft2(fftshift(sp1)));
figure(1); imshow([im im1 points]);
for k=1:1000
[J,I]=ginput(1);
I=round(I); J=round(J); J=J-floor((J-1)/128)*128;
if (J<=127)&(J>=2)&(I<=127)&(I>=2)
sp1(I-1:I+1,J-1:J+1)=sp(I-1:I+1,J-1:J+1); points(I-1:I+1,J-1:J+1)=1;
14
end;
im1=mat2gray(real(ifft2(fftshift(sp1))));
figure(1); imshow([im im1 points]);
end;
4. Decrire comment on peut retrouver une bonne approximation du carré à l’aide de cette animation. Afcher
l’image obtenue avec cette animation.
5. Expliquer comment le spectre contient les informations nécessaires pour reconstruire une image à partir de
différentes sinusoı̈des.
Cours 6 De même qu’en traitement du signal, on visualise le spectre en mettant la module sur l’axe des ordonnées
soit avec une échelle linéaire soit avec une échelle logarithmique. L’échelle linéaire rend compte effectivement de
la proportion avec laquelle la forme de l’image résulte de la sinusoı̈de. Souvent l’essentiel le spectre a une valeur
en la fréquence nulle largement plus importantes qu’en les autres fréquences. L’échelle logarithmique permet de
visualiser avec précisions la valeur du module du spectre en les fréquences où ce module est très faible. Cette
échelle logarithmique peut aussi conduire à des erreurs d’interprétations.
On peut représenter le spectre de la transformée de Fourier en perspective. Mais dans la mesure où il s’agit de
la transformée de Fourier d’une grande image, c’est souvent très difcile à visualiser. Une autre façon de procéder
est de visualiser le prol d’un spectre (i.e. une ligne ou une colonne de la matrice correspondant au module du
spectre). Une autre façon est de représenter le module du spectre sous la forme d’une image dont les points blancs
correspondent aux valeurs les plus élevés de ce module du spectre, tandis que les points noirs correspondent au
points les moins élevés. Cette représentation est souvent faite en utilisant une échelle logarithmique pour le module
du spectre.
De manière analogue au traitement du signal, on pourrait fabriquer une échelle indiquant les fréquences
spatiales en cm−1 à partir de la seule connaissance de la taille de l’image 10cm × 10cm. L’habitude en traitement
d’image est d’exprimer plutôt les fréquences spatiales soit en nombre de cycles par image, soit en nombre de cycles
par degré. La deuxième unité dépend de la taille de l’image et la troisième unité dépend de l’angle sous lequel
l’image est vue. Chaque fréquence spatiale correspond à une sinusoı̈de qui a un certain nombre de cycles dans
l’image. La deuxième unité dépend de l’angle sous lequel l’image est visualisée par un observateur.
Travaux Pratiques 7 Pour chacune des questions suivantes choisissez un mode de représentation qui vous sem-
blera le plus adapté de manière à montrer les éléments suivants :
1. transformée de Fourier d’un carré blanc sur fond sombre,
2. transformée de Fourier d’un disque blanc sur fond sombre,
3. transformée de Fourier d’un ensemble de raies blanches sur fond sombre,
4. transformée de Fourier d’une sinusoı̈de,
5. propriété d’invariance du module par translation d’une image,
6. propriété d’invariance par rotation,
7. transformée de Fourier d’une texture déterministe (i.e. motif de petite taille répétée un grand nombre de
fois).
Exercices
15
Cours 7 (6)
La transformée de Fourier adaptée aux images est la transformée de Fourier discrète bidimensionnelle :
M −1 N −1
1 ∑ ∑ km ln
Gk,l = gm,n e−j2π( M + N )
MN
m=0 n=0
où gm,n est l’intensité (valeur entre 0 et 1) du pixel à la position (m, n) et Gk,l est le coefcient associé à la
fréquence dont la composante horizontale u est Nk fe et la composante verticale v est Nl fe , fe étant la fréquence
d’échantillonnage qui s’exprime dans une unité. Les variables associées aux fréquences spatiales sont notées u et
v. La taille de l’image est N × N . Le choix du coefcient M1N est dans une certaine mesure arbitraire, il garantit
ici que la composante constante G0,0 est la moyenne du signal image.
Exercice 7 (6)
On considère une image de taille 4 × 4 dénie par
0 0 0 0
0 1 0 0
gm,n =
0
(3)
0 1 0
0 0 0 0
1. Montrez que les coefcients de la transformée de Fourier discrète bidimensionnelle sont la somme de deux
termes, chacun correspondant à une exponentielle complexe.
2. Calculez le module et l’argument de chacun de ces coefcients.
3. Calculez les fréquences spatiales de chaque coefcient suivant les deux types d’échelles fréquentielles (celle
en fréquences réduites et provenant du traitement du signal et celle en cycles par image), on pourra présenter
ces fréquences spatiales sous la forme de deux matrices [uk,l ] et [vk,l ].
sin(πu)
Figure 5: u 7→ πu , (exercice 8), (10)
Cours 8 (10)
1. La transformée sur des signaux à temps continu est dénie par
∫ +∞
T F [g(x)](u) = g(x)e−j2πux dx (4)
−∞
16
2. La transformée de Fourier d’une fonction constante sur un intervalle symétrique est donnée par :
sin(πu)
T F [1[− 1 , 1 ] (x)](u) = (5)
2 2 πu
Cette fonction est représentée sur la gure 5 (p. 16).
Le calcul se fait en restreignant les bornes de l’intégrale (4), en calculant une primitive de x 7→ e−j2πux et enn en
reconnaissant dans la différence entre cette primitive appliquée en x = 12 et en x = − 12 , l’expression donnée par (5).
3. La transformée de Fourier d’un dirac est une exponentielle complexe.
T F [δ(x − x0 , y − y0 )](u, v) = e−j2π(ux0 +vy0 ) (6)
4. La transformée de Fourier d’une fonction gaussienne est donnée par :
2 √ 2 2
T F [e−x ](u) = πe−π u (7)
+∞ +∞ 2 2
On commence d’abord par calculer le résultat en la fréquence nulle, pour cela on calcule −∞ −∞ e−x −y dxdy
+∞ 2π −ρ2
que l’on peut approcher par en passant en coordonnée polaire 0 e ρ dρdθ ce qui vaut π et par suite
+∞ −x2 √ 0 2
−∞
e dx = π. Ensuite en regroupant les termes exponentiels qui apparaissent dans T F [e−x ](u), on voit que
x2 + j2πux forme le début d’un terme carré (x + jπux)2 auquel il faut rajouter π 2 u2 , ce dernier terme ne dépend
2 2 2 +∞ 2
pas de x et peut donc sortir de l’intégrale. On a ainsi montré que T F [e−x ](u) = e−π u −∞ e−(x+jπux) dx. La
2
fonction z 7→ e−z est holomorphe sur une partie du plan complexe, aussi l’intégrale ne dépend pas de u et vaut donc
√
π.
5. La transformée de Fourier vérie une propriété utilisée pour la modulation :
T F [g(x)e−j2πu0 x ](u) = T F [g(x)](u − u0 ) (8)
Elle se démontre en explicitant le premier membre et en regroupant les exponentielles.
6. Un retard sur le signal se traduit du point de vue de la transformée de Fourier par un déphasage.
T F [g(x − x0 )](u) = T F [g(x)](u)e−j2πux0 (9)
En effet g(x − x0 ) s’exprime comme la transformée de Fourier inverse de T F [g(x)](u) appliqué en x − x0 , en scindant
l’exponentielle, on observe que g(x−x0 ) est aussi la transformée de Fourier inverse de T F [g(x)](u)e−j2πux0 appliqué
en x.
7. Une rotation d’une fonction à deux variable se traduit du point de vue la transformée de Fourier par une
rotation identique des fréquences spatiales. Ainsi si (X, Y ) sont les coordonnées d’un nouveau point obtenu
par rotation d’angle θ à partir d’un point (x, y) alors la transformée de Fourier de g̃(x, y) = g(X, Y )
est donnée par T F [g̃(x, y)](u, v) = T F [g(X, Y )](U, V ). Cette invariance par rotation de la tranformée de
Fourier signie seulement que si deux observateurs regardent le même phénomène en deux endroits différents,
ils observent le même phénomène, même si ce phénomène est décrit de manière différente en coordonnée
cartésienne. La rotation est dénie par
[ ] [ ][ ]
X cos(θ) sin(θ) X
= (10)
Y sin(θ) − cos(θ) Y
La démonstration provient de ce que le produit scalaire entre le vecteur (x, y) et (u, v) qui intervient dans la dénition
de la transformée de Fourier est égale au produit scalaire entre (X, Y ) et (U, V ) du fait que la matrice de rotation est
dite orthogonale (DT D = 1).
Ce résultat n’est absolument pas valable pour des transformations qui ne conserveraient pas les distances par exemple
pour des compositions d’homothéties et de rotations.
17
Exercice 8 (10)
On cherche à calculer et à visualiser des transformées de Fourier d’images dénies par des fonctions de deux
variables particulières.
1. Calculez et dessinez à main levée la transformée de Fourier de 1[−L,L] (x), avec L = 1 et u [−2, 2].
Exprimez en fonction de L la largeur du premier lobe et des lobes suivants.
2. Calculez la transformée de Fourier de 1[−L,L] (x)1[−3L,3L] (y). Représentez avec L = 1, u, v [−1, 1], les
droites où le module de cette transformée de Fourier s’annule. Ces droites se coupent à angle droit et forment
des rectangles qui délimitent les lobes, mettre une croix au sein de ces lobes pour indiquer le maximum et
mettre la valeur du module en ce maximum. Exprimez en fonction de L des grandeurs caractéristiques des
différents lobes.
3. Représentez l’image dénie par
1[−L,L] (x)1[−3L,3L] (y)
dans un repère en trois dimensions représentée en perspective, puis sous la forme d’une image. Représentez
sous la forme d’une image, l’image dénie par
1[−L,L] (x + y)1[−3L,3L] (x − y)
avec L = 1, x, y [−5, 5]. Quelles transformations géométriques permettent de transformer la première im-
age en la deuxième, montrez qu’il ne s’agit pas d’une rotation, quelles sont les paramètres de cette transfor-
mation géométrique ? En déduire le module de la transformée de Fourier de 1[−L,L] (x + y)1[−3L,3L] (x − y).
Représentez ce module de spectre de la même façon que dans la question précédente.
4. Calculez et dessinez à main levée 1[−L,L] (x)(05 + 05 sin(2πf x)) avec L = 1, f = 3 et x [−2, 2] puis
le module de sa transformée de Fourier avec L = 1, f = 3 et u [−5, 5] en indiquant en particulier où ce
module s’annule et de façon approximative les maxima en précisant pour ces maxima, la valeur de la phase.
5. Déduire de ce qui précède et par repliement de spectre, la transformée de Fourier du signal
f (x) = 1[−L,L] (x)(05 + 05 sin(2πf x))
échantillonné à la fréquence f e = 2f sur avec L = 1, f = 3, u [−5, 5]. Quelle est la période
d’échantillonnage ? Donnez l’expression du signal échantillonné. Rajoutez le spectre du signal échantillonné
sur le graphique précédent.
Exercice 9 (19) On considère une image f de taille 128 × 128 et une deuxième image g qui contient en son centre
la première et tout autour que des zéros, sa taille est 256 × 256. On a calculé la transformée de Fourier discrète G
de g, comment retrouver la transformée de Fourier discrète F de f à partir de celle de G ?
Exercice 10 (7) On s’intéresse au spectre d’une texture déterministe en suppposant qu’elle s’étend sur un objet
sufsamment vaste. Une texture déterministe est souvent dénie comme le fait de juxtaposer horizontalement et
verticalement un même motif, un exemple est montré sur l’image de gauche de la gure 6 (p. 19).
1. On note xn et Xk deux suites de même taille, telles que Xk soit la transformée de Fourier discrète de xn .
On créé une autre suite Yk en intercallant des zéros sur les éléments Xk . Que devient alors yn . On créé une
autre suite zn qui est la juxtaposition de xn et xn , que vaut Zk .
2. On note gmn une petite image et Gkl la transformée de Fourier discrète. Que vaut la transformée de Fourier
discrète de la juxtaposition de gmn avec gmn .
3. Décrire une propriété des transformées de Fourier discrète des textures telles que dénies dans le préambule.
Travaux pratiques
18
Figure 6: Exemple de texture déterministe et spectre de cette texture (exercice 10).
5 Spectres et directions privilégiées
(34)
Travaux Pratiques 8 On cherche à mettre en évidence la manière avec laquelle des directions privilégiées appa-
raissent sur le spectre d’une image en niveau de gris.
1. Récupérer l’image [Link] ou l’image [Link] qui se trouvent dans le répertoire imdemos de
Matlab. Transformer cette image en niveaux de gris en s’assurant que ses valeurs sont entre 0 et 1. Afcher
l’image ainsi obtenue. C’est cette image que nous appelerons image p.
2. Calculer le spectre de l’image avec l’instruction fft2. Puis appliquer l’instruction fftshift pour faire
en sorte que les fréquences basses apparaissent au centre de l’image. Enn appliquer abs pour avoir le
module du spectre. Appliquer l’instruction
10*log10(...)
pour que les niveaux de gris afchés correspondent à une échelle logarithmique des valeurs du spectre.
Appliquer l’instruction mat2gray de façon à convertir les valeurs ainsi obtenues en des valeurs entre 0 et
1. L’image obtenue doit présenter deux raies qui traversent l’ensemble de l’image.
3. On considère maintenant une autre image naturelle sans direction privilégiée et qui soit en niveaux de gris
et à valeurs sur l’intervalle [0, 1]. Appliquer l’instruction suivante
filter2(ones(1,5)/sum(sum(ones(1,5))),image_n);
qui est un ltre directionnel. Afcher cette image qui est notée image nd
4. Appliquer les mêmes instructions que pour image p et discuter de l’apparition d’une direction privilégiée.
5. Appliquer l’instruction imrotate sur image p de façon à obtenir trois images résultant d’une rotation
avec plusieurs angles. Ces images sont notées image pr1, image pr2, image pr3.
6. Appliquer encore ces mêmes instructions sur ces trois images et indiquer ce qu’il advient de ces directions
privilégiées.
19
Travaux Pratiques 9 Pour mieux comprendre ce qui entraı̂ne ces directions privilégiés on peut rechercher les
pixels qui entraı̂nent ces directions privilégiées. L’idée suggérée ici est de déformer le spectre uniquement en
les points qui sont sur les raies qui témoignent de ces directions privilégiées et ensuite de visualier l’image ainsi
transformée. Les zones de l’image qui sont le plus affectées par ces transformations sont justement celles qui sont
le plus responsables des directions privilégiées.
im=double(rgb2gray(imread(’[Link]’)))/256;
spectre=fftshift(fft2(im));
index=find(mat2gray(20*log10(abs(spectre)))>=0.7);
spectre(index)=0;
ImTr=real(ifft2(fftshift(spectre)));
figure(1); imshow([im mat2gray(abs(im-ImTr))])
Travaux Pratiques 10 La fonction mat2gray peut avoir des conséquences surprenantes :
im1=ones(128);
im2=zeros(128); im2(10:50,10:50)=1;
im3=zeros(128); im3(23:26,23:26)=1;
ImA=(45-23-7)*im3+(23-7)*im2+7*im1;
ImB=(62-23-7)*im3+(23-7)*im2+7*im1;
figure(1); imshow([mat2gray(ImA) mat2gray(ImB); ImA/62 ImB/62]);
1. Parmi ces 4 images, quelles images laissent entendre qu’avec mat2gray on pourrait croire que ImA est
similaire à ImB.
2. Parmi ces 4 images, quelles images montrent que ImA est bien différent de ImB.
3. expliquer ce qui dans le fonctionnement de mat2gray ce qui amène à transformer en images identiques des
images qui étaient différentes.
6 Hautes et basses fréquences
(22)
Travaux Pratiques 11 Annuler la partie haute fréquence du spectre d’une image naturelle et commenter ce que
devient l’image dénie par ce nouveau spectre ?
Travaux Pratiques 12 A partir d’une image ayant un spectre particulier (choisir plutôt une image synthétique),
changer la taille de cette image (allonger ou réduire la taille), cela peut se faire au moyen de imresize, que
devient le spectre ?
7 Importance relative de la phase et du module dans le signal de transformée de
Fourier
(8)
Travaux Pratiques 13 On s’intéresse plus souvent au module de la transformée de Fourier qu’à sa phase, pourtant
celle-ci contient aussi une grande partie de l’information de l’image.
On considère ici une image naturelle image n.
1. Calculer le module et l’argument de la transformée de Fourier de image n puis d’une image formée d’un
bruit blanc. Afcher l’image dont la transformée de Fourier a pour module celui du bruit blanc et pour phase
celle d’image n, cette image est notée image nph. Afcher l’image dont la transformée de Fourier a pour
phase celle du bruit blanc et pour module celui d’image n, cette image est notée image nmo. Commenter
ces trois images.
20
8 Transformée en cosinus discrète
(9)
Travaux Pratiques 14 Calculez la transformée de Fourier puis en cosinus discrète de la même image image s.
Visualisez ces deux transformées. Mettez des échelles en cycles par image.
Travaux Pratiques 15 Il est possible de mettre en évidence les symétries et périodicités qui sont implicitement con-
tenues dans le calcul d’une transformée de Fourier ou d’une transformée en cosinus discrète : il suft d’intercaler
des zéros entre chaque coefcient issu de la transformée, ainsi chacun de ces coefcients est remplacé par un
groupe de quatre valeurs dont celle en haut à gauche prend la valeur du coefcient tandis que les autres sont
nulles. Afchez les images ainsi obtenues et notées image p1 et image p2.
Cours 9 La transformée en cosinus discrète est dénie par :
N −1 N −1
π(2m+1)k π(2n+1)l
Gk,l = αk αl m=0 n=0 gm,n cos 2N cos 2N
En ce qui concerne la transformée de Fourier discrète, les notions de symétries proviennent de ce que les deux expressions
suivantes sont identiques à ceci près que l’implémentation fft2 de la première expression est calculée pour (m, n) 0N −
1×0N −1 tandis l’implémentation fft2 de la deuxième expression est calculée pour (m, n) 02N −1×02N −1
N −1 N −1 km+ln
gm,n = k=0 G ej2π N
2N −1 l=0 k,l
2N −1 km+ln
gm,n = k=0, k paire l=0 l paire Gk,l ej2π 2N
Cette assertion est aussi valable pour la transformée en cosinus discrète :
N −1 N −1
π(2m+1)k π(2n+1)l
gm,n = k=0 l=0 α k α l G k,l cos 2N cos 2N
2N −1 2N −1
gm,n = k=0, k paire l=0 l paire αk αl Gk,l cos π(2m+1)k 4N cos π(2n+1)l
4N
α0 = √1N et αk = N2 si k est non-nul
Exercices
Cours 10 (11)
La transformée en cosinus discrète est dénie pour une image carrée par :
−1 N −1
π(2m+1)k π(2n+1)l
Gk,l = N m=0 n=0 α k α l g m,n cos 2N cos 2N
avec √
1 2
α0 = √ et αk = si k est non-nul
N N
La transformée en cosinus discrète inverse est donnée par
N
∑ −1 N
∑ −1 ( ) ( )
π(2m + 1)k π(2n + 1)l
gm,n = αk αl Gk,l cos cos
2N 2N
k=0 l=0
1
On rappelle la relation trigonométrique cos(p) cos(q) = 2 cos(p + q) + 12 cos(p − q).
Exercice 11 (11)
On cherche à vérier que les formules de DCT et IDCT sont bien inverses l’une de l’autre. On observe que ces
formules sont linéaires aussi il suft de faire la démonstration pour des images ayant un seul pixel non-nul.
1. Calculez la transformée en cosinus discrète Gkl de gnm = 1 si n = n0 et m = m0 et gmn = 0 ailleurs.
21
2. On note hmn la transformée en cosinus discrète inverse de Gkl . Exprimez hmn comme le produit de deux
−1 2 (2m0 +1)k
sommes de cosinus. On note a(m, m0 ) = N k=0 αk cos(π 2N ) cos(π (2m+1)k
2N ), montrez que hmn =
a(m, m0 )a(n, n0 ).
3. Montrez que a(m, m0 ) se met sous la forme d’une somme de cosinus :
N −1
1 1 ∑ π(m + m0 + 1)k π(m − m0 )k
a(m, m0 ) = − + cos( ) cos( )
N N N N
k=0
−1
4. En interprétant N km
k=0 cos( N ) comme la partie réelle d’une somme d’exponentielle, montrez que cette
expression vaut N sauf quand m est multiple de 2N , 1 quand m est impaire et 0 quand m est paire.
5. Déduisez-en que hmn = 0 sauf si m = m0 et n = n0 auquel cas hmn = 1, c’est-à-dire que hmn = gmn .
22
Séance 3
Travaux pratiques
9 Réponses fréquentielles des ltres
(23)
Cours 11 Le ltrage linéaire est une opération de convolution à 2 dimensions transformant une image en une autre
en général de même taille. Il est déni par une matrice [hm,n ] de taille M × N appelée masque de convolution (en
général M = N ). On cherche à calculer la réponse fréquentielle de ce ltre :
M
∑ −1 N
∑ −1
H(u, v) = hm,n e−j2π(um+vn)
m=0 n=0
H(u, v) est une fonction à valeurs complexes déni sur < × < et périodique de période 1 pour chacune de ses
variables, u est appelée la fréquence spatiale horizontale et v la fréquence spatiale verticale. On la représente
généralement sur [−05, 05] × [−05, 05]. La fonction freqz2 permet d’obtenir cette réponse fréquentielle. Une
autre solution pour calculer H(u, v) est de mettre le masque au centre d’une matrice nulle de taille par exemple
256 × 256 puis de calculer la transformée de Fourier discrète:
En effet, en posant M = N = 256, les coefcients de cette transformée de Fourier discrète sont :
N
∑ −1 N
∑ −1
km+ln
H(k, l) = hm,n e−j2π( N )
m=0 n=0
On observe alors que chaque fréquence spatiale (u, v) peut être approchée par ( Nk , Nl ). La convergence de l’algorithme
provient alors de la continuité
de la fonction exponentielle complexe :
H(u, v) − H(k, l) ≤ m,n hm,n 2π(mu − Nk + nv − Nl ).
Travaux Pratiques 16 On cherche maintenant à afcher le module de la réponse fréquentielle.
1. Afcher le module du spectre (H(u, v)) du ltre moyenneur 3 × 3 de masque 1/9*ones(3,3) à l’aide
du premier algorithme (et de façon facultative avec le second algorithme) en le représentant avec une image
(en blanc les intensités élevées et en noir les intensités sombres).
Version Matlab du premier algorithme :
[H,Wx,Wy]=freqz2(ones(3)/9);
figure(1); subplot(121); surf(Wx/2,Wy/2,abs(H));
Version Matlab du deuxième algorithme :
im=zeros(256);
im(127:129,127:129)=ones(3)/9;
figure(1); subplot(122);
[FreqX,FreqY]=meshgrid(-128:127,-128:127);
spm=abs(fftshift(fft2(im)));
surf(FreqX([Link]nd,[Link]nd),FreqY([Link]nd,[Link]nd),spm([Link]nd,[Link]nd));
2. Pourquoi ne pourrions-nous pas utiliser ici l’instruction plot.
23
3. Afcher sous forme d’une image le module de la réponse fréquentielle du ltre
2 1 0
1 0 −1
0 −1 −2
Exercices
Exercice 12 (12) On considère un ltre de masque de taille 2 × 2 dénie par
[ ]
1 0
[hm,n ] = (11)
0 1
Calculez la réponse fréquentielle H(u, v). Représentez avec trois couleurs différentes le lieu des fréquences (u, v)
pour lesquelles H(u, v) est maximum et minimum avec u, v [−1, 1] et le prol de (u, v) 7→ H(u, v) le long
de u = v = f et f [−1, 1].
Cours 12 (15)
La transformée de Fourier d’une suite bidimensionnelle non-périodique est une fonction périodique de période
égale à 1 suivant u et aussi suivant v, elle est dénie par
∑
T F [gmn ](u, v) = gmn e−j2π(mu+nv) (12)
m,n
On pourrait être tenté de normaliser par M N , mais dans ce cas il faudrait multiplier par M N la transformée
inverse de Fourier. La transformée de Fourier inverse est dénie par
∫ 1 ∫ 1
2 2
−1
TF [G(u, v)]mn = G(u, v)ej2π(mu+nv) dudv (13)
u=− 12 v=− 12
L’égalité de Parseval énonce que la puissance d’un signal déterministe peut se calculer à la fois à partir de gmn et
à partir de G(u, v).
∑∑ ∫ 1 ∫ 1
2 2
2
gmn = G(u, v)2 dudv (14)
m n u=− 12 v=− 12
Les ltres de Sobel sont dénis par
1 0 −1 1 2 0 1 2 1 0 2 1
2 0 −2 2 0 −2 0 0 0 −2 0 2
1 0 −1 0 −2 −1 −1 −2 −1 −1 −2 0
On peut noter que les ltres de Sobel horizontaux et verticaux sont en fait séparables, c’est-à-dire que leur masques
sont le produit de deux matrices plus simples. En fait il y a 4 autres ltres de Sobel qui sont les symétriques de
ceux-ci.
Exercice 13 (Réponse fréquentielle du Sobel horizontal) (15)
1. Calculez la réponse fréquentielle du ltre de Sobel horizontal.
2. Tracez les prols horizontaux et verticaux du module de cette réponse fréquentielle avec une échelle en cycles
par image (l’image est supposée être composée de 256 × 256 pixels).
Travaux pratiques
24
10 Analyse statistique du signal image
(10)
Cours 13 Le prol d’intensité d’une image en niveaux de gris correspond à une ligne souvent horizontale traver-
sant l’image, il s’agit de la courbe des intensités de chaque pixel présent sur cette ligne. Par exemple le prol
montré sur la gure 2 d’une image en niveaux de gris montrée sur la gure 1. Les pixels concernés par le prol
sont montrés sur la gure 3. L’instruction axis permet de s’assurer de la maı̂trise de l’axe des ordonnées (i.e. ne
pas laisser qu’il y a de grandes uctuations, alors qu’en réalité il n’y en a pas).
im=double(imread(’[Link]’))/255;
figure(1); imshow(im);
figure(2); plot(1:size(im,1),im(:,50)); axis([-inf inf 0 1]);
im1=im; im1(:,50)=max(max(im));
figure(3); imshow(im1);
Travaux Pratiques 17 Choisir une image naturelle image n ayant des contours précis.
1. Représentez un prol horizontal de l’image choisie.
2. On simule l’effet intégrateur des éléments photosensibles de la caméra en moyennant les intensités des pixels
contenus dans une fenêtre représentant un élément CCD. Cette simulation se fait à l’aide d’une opération
de convolution avec une fonction rectangle 2D (par exemple avec filter2(masque,image)). Afcher
cette image notée image bf. Pour le masque on peut utiliser ones(6)/36.
3. Le bruit d’acquisition est supposé ici additif. Pour le simuler on suppose que l’intensité de chaque pixel est
modiée par l’ajout d’un bruit blanc qui suit une loi gaussienne centrée (par exemple avec un écart-type de
130). Cela se fait sous Matlab avec randn qui permet de créer une image de même taille que l’image de
départ et qui contient toute les variations. Afcher cette image est notée image bg.
4. La fonction imnoise permet de simuler d’autres bruits. Simuler le bruit spot (Salt & Pepper). Afcher
cette image, notée image bs.
5. Tracez pour chacune des images obtenues les prols en s’assurant qu’à chaque fois les prols concernent
les mêmes pixels et que l’axe des ordonnées a les mêmes graduations et comparez les prols obtenus avec le
prol de l’image d’origine.
Les images ainsi obtenues image bf, image bg et image bs seront utilisées dans le TP 18.
Exercices
Cours 14 (9)
Soit U une loi uniforme sur l’intervalle [a, b]. alors la densité spectrale, son espérance et sa variance sont
données par :
1 a+b (b − a)2
fU (x) = 1[a,b] (x) E[U ] = V ar(U ) = (15)
b−a 2 12
La loi binômiale B(N, p) est la distribution de probabilité discrète du nombre de succès dans une suite de N
expérimentations. Chacune de ces expérimentations ayant une probabilité p de succès. Si X suit une telle loi alors
P (X = k) = CN k pk (1 − p)N −k , E[X] = N p et V ar(X) = N p(1 − p).
En effet si X = k, cela signie qu’il y a k expérimentations qui ont été un succès et N − k qui ont été un
échec, aussi chaque expérimentation qui conduit à X = k a une probabilité de pk (1 − p)N −k . Le nombre de
façons de distribuer k succès parmi N expérimentations est donné par CN k . La deuxième et la troisième assertion
sont facile à démontrer si on ne considère qu’une seule expérimentation : E[X] = 1 × p + 0 × (1 − p) et
V ar(X) = E[X 2 ] − E[X]2 = 12 × p + 02 × (1 − p) − p2 = p(1 − p). En fait les différentes approximations sont
indépendantes aussi l’espérance et la variance de chacune de ces expérimentations s’ajoutent.
25
La loi multinômiale M (n, p1 pm ) est une généralisation de la loi binômiale. Cela consiste à procéder à n
tirages indépendants qui sont à valeurs dans 1 m avec les probabilités respectives p1 pm . Les variables
aléatoires Mi donnent le nombre de tirage qui ont donné la valeur i 1 m.
{ x
n!p1 1 px m
P (M1 = x1 Mm = xm ) =
m
x1 !xm ! si i xi = n
0 sinon
E[Mi ] = npi V ar[Mi ] = npi (1 − pi ) Cov(Mi , Mj ) = −npi pj si i 6= j
où ! désigne la factorielle.
La justication est la même que pour la loi binômiale. Les différents ensembles de tirages qui sélectionnent
x1 fois 1, x2 fois 2 ... xm fois m ont tous une probabilité px1 1 pxmm . Il y a x1 !x
n!
m!
tirages de ce types parce
que c’est le nombre de répartition de n éléments répartis dans m classes avec x1 éléments dans la première, ...
xm éléments dans la dernière classe. Pour chaque tirage, on E[Mi ] = pi , V ar[Mi ] = E[Mi2 ] − E[Mi ]2 =
12 × pi + 02 × (1 − pi ) − p2i = pi (1 − pi ), Cov[Mi , Mj ] = E[Mi Mj ] − E[Mi ]E[Mj ] = 0 × 1 − pi pj = −pi pj .
L’indépendance entre les tirages fait que les espérances, les variances et les covariances s’ajoutent.
Exercice 14 (9)
Le bruit de Salt & Pepper transforme chaque pixel en un pixel blanc ou noir avec une probabilité p pour chacun.
On étudie les propriétés statistiques du bruit (Salt & Pepper).
1. Donnez les principales étapes d’un programme qui simule le bruit (Salt & Pepper).
2. On considère une image uniformément grise. Exprimez au moyen de deux variables aléatoires la moyenne
de l’image dégradée.
3. Calculez l’espérance de l’erreur quadratique moyenne et de l’erreur absolue moyenne entre l’image grise
d’origine et de l’image dégradée.
Travaux pratiques
11 Amélioration et restauration du signal image
(16)
Cours 15 Par opposition au ltrage non-linéaire, le ltrage linéaire ne fait pas apparaı̂tre de puissance sur une
fréquence là où il n’y en avait pas. En revanche, il permet d’augmenter ou de diminuer la puissance sur telle
fréquence. Les ltres linéaires utilisés ici consistent à remplacer la valeur de chaque pixel par une moyenne
pondérée calculée avec les pixels voisins. En général, Ces ltres sont dénis par une matrice, appelée masque,
souvent de petite taille qui correspond aux coefcients de la moyenne pondérée. Les fonctions Matlab utiles sont
filter2, fspecial, freqz2.
Les ltres considérés dans cette section permettent de lisser une image. Ce sont des passe-bas normalisés de sorte
que la somme des coefcients du masque est égale à 1. Ces ltres peuvent aussi servir à restaurer une image
bruitée, c’est-à-dire à se rapprocher de l’image d’origine au moyen d’opérations sur l’image bruitée.
Dans ce contexte, on dénit une mesure de restauration.
Le taux d’amélioration de l’erreur quadratique moyenne (improved mean square normalized error en anglais) :
o r )2
(gm,n − gm,n
T AEQM = m n o b 2
m n (gm,n − gm,n )
où [gm,n
o ], [g b ], [g r ] sont l’image origine, bruitée et restaurée.
m,n m,n
TAEQM=std2(image_o-image_r)/std2(image_o-image_b);
Travaux Pratiques 18 On reconsidère les images image bf, image bg, image bs obtenues lors du TP 17.
26
1. Le masque du ltre moyenneur (ou average en anglais) est une matrice constante de somme égale à 1.
Appliquer le ltre moyenneur de tailles 3 × 3 et 5 × 5 sur image bs puis sur image bg. Les images
résultantes sont notées image bsrm et image bgrm. Commenter. Calculer le taux d’amélioration de
l’erreur quadratique moyenne (TAEQM). Commentez sur le fait que tel TAEQM est plus grand ou plus petit
que 1, pourquoi cette valeur 1 est particulière ?
2. Le ltre gaussien isotrope a des coefcients qui reproduisent approximativement une surface gaussienne
d’écart-type σ. On obtient le masque d’un tel ltre avec la commande Matlab. Par exemple pour une taille
5x5 et un écart-type de 1,
h=fspecial(’gaussian’,[5 5],1);
Appliquer un tel ltre sur image bs puis sur image bg en choisissant convenablement σ (voisin de 1) et
en choisissant la taille de masque de 3 × 3 ou 5 × 5. Les images restaurées sont notées image bsrg et
image bgrg. Commenter pour chaque image l’efcacité relative du ltre gaussien par rapport au ltre
moyenneur. Calculer le taux d’amélioration de l’erreur quadratique moyenne (TAEQM) et commenter en
comparant les TAEQM sur les mêmes images déformées mais restaurées avec des techniques différentes.
3. Représenter la réponse en fréquence du ltre moyenneur 3 × 3 et celle d’un ltre gaussien de même taille,
leurs représentations graphiques sont notées image tfm et image tfg, respectivement. Commenter en
rapport avec image stf, image bstf, image bgtf, image bftf.
Exercices
Exercice 15 (31) On se donne une image dénie par :
0 0 0 0 0 0
0 1 1 1 1 0
0 1 0 1 1 0
[gmn ] = 0
(16)
1 1 1 1 0
0 1 1 1 1 0
0 0 0 0 0 0
1. Calculez l’image obtenue en appliquant le ltre de masque [05 05].
2. Calculez l’image obtenue en appliquant le ltre déni par :
[ ]
1 1 0
[hm,n ] =
2 0 1
3. Pourquoi
d’une manière générale les masques de convolution utilisés pour lisser sont normalisés de telle
sorte que m,n hm,n = 1 ?
Travaux pratiques
12 Filtrage non-linéaire pour la réduction du bruit
(17)
Cours 16 Il existe des ltres non-linéaires pour diminuer un bruit spécique : les ltres médians et médians à
centre pondérés. Le ltre médian consiste à remplacer le niveau de gris de chaque pixel d’une image par la
médiane d’un vecteur formé des niveaux de gris des pixels voisins. On pourra utiliser pour cela nlfilter et
median sous Matlab.
27
A = imnoise(double(imread(’[Link]’))/255,’salt & pepper’);
fun = @(x) median(x(:));
B = nlfilter(A,[3 3],fun);
figure(1); imshow(A),
figure(2), imshow(B),
Travaux Pratiques 19 Appliquer ce ltre sur l’image naturelle choisie déformée par un bruit Salt & Pepper
(image bs du TP 17), en choisissant une taille adéquate. L’image résultante est notée image bsm. Décrire
les déformations de l’image dûes au ltre et comparer avec image bsrm et avec image bsrg du TP 18.
Cours 17 Le ltre médian à centre pondéré consiste aussi à remplacer le niveau de gris de chaque pixel par
la médiane d’un vecteur formé des niveaux de gris des pixels voisins et dans lequel l’élément central est répété
plusieurs fois.
A = imnoise(double(imread(’[Link]’))/255,’salt & pepper’);
fun = @(x) median([x(5)*ones(8,1); x(:)]);
B = nlfilter(A,[3 3],fun);
figure(1); imshow(A);
figure(2); imshow(B)
Travaux Pratiques 20 Appliquer ce ltre sur image bs en indiquant la pondération choisie. L’image résultante
est notée image bsmp. Commenter.
Exercices
Exercice 16 (32) On se donne une image dénie par :
0 0 0 0 0 0
0 1 1 1 1 0
0 1 0 1 1 0
[gmn ] = 0
(17)
1 1 1 1 0
0 1 1 1 1 0
0 0 0 0 0 0
1. Calculez l’image obtenue en appliquant le ltre médian de taille 2 × 2.
28
Séance 4
13 Apparition de fausses couleurs lors de l’application d’un moyenneur
Travaux pratiques
(13)
Travaux Pratiques 21 Construisez une image synthétique avec deux couleurs de taille 64 × 64. Appliquez à
cette image une ltre moyenneur de taille 10 × 10 en l’appliquant successivement aux composantes rouges, vertes
et bleues, puis reformer l’image à partir des trois composantes ainsi ltrées. Refaites l’expérience en utilisant
différentes couleurs et pour chaque couple de couleurs, notez la couleur intermédiaire. Décrivez les résultats
obtenus et commentez sur le caractère éventuellement inattendu des couleurs intermédiaires ?
14 Couleur, luminance, espace de couleur
(12)
Cours 18 Il existe différents espaces de couleurs dans lesquels cette transformation peut se faire, mais dans tous
les espaces, il y a forcément deux signaux de chrominance qui comportent une information sur la teinte et la
saturation (proportion de blanc) et un signal de luminance (sombre ou claire). Les fonctions rgb2ycbcr et
ycbcr2rgb peuvent être utilisées. La transformation d’une couleur en un gris peut être approché par L =
03 ∗ R + 057 ∗ G + 011 ∗ B. Géométriquement, il s’agit d’une projection d’un point de l’espace sur une droite,
L indiquant la position sur cette droite.
Travaux Pratiques 22 1. Choisissez une image naturelle en couleur. Calculer le signal luminance d’une image
couleur, d’abord en extrayant les composantes rouge, puis verte puis bleue, et ensuite en utilisant seulement
rgb2gray.
2. Afcher successivement en niveau de gris les signaux de luminance et chrominance. Puis reformer l’image
couleur et afcher l’image obtenue qui doit être identique à celle du départ.
15 Bruits additionnés
(28)
Travaux Pratiques 23 On considère une image couleur. On ajoute un bruit gaussien sur chacun des signaux de
chrominance et on reforme l’image. Observer l’image obtenue. On ajoute un bruit gaussien sur le seul signal de
luminance et on reforme l’image. Observer la nouvelle image obtenue. On ajoute un bruit gaussien sur chacune
des composantes rouge, vert et bleu de l’image. Observer l’image obtenue en couleur puis en noir et blanc.
Exercices
Exercice 17 (25) On considère ici une approximation de l’espace YCbCr : Y = 02125R + 07154G + 00721B,
que l’on pourra noter Y = cyr R+cyg G+cyb B. et les informations de chrominance par les grandeurs CR = R−Y
et CB = B − Y , appelées aussi différences de couleur.
1. On suppose que les valeurs de R,G, B évoluent entre 0 et 1. Entre quelles valeurs extrèmes évolue Y ?
2. Exprimez CR et CB en fonction uniquement des canaux R, G et B. Quelle est la plus grande valeur positive
prise par CR ? Pour quel triplet (R,G,B) est-elle obtenue ? Quelle est la plus petite valeur négative prise par
CR ? Pour quelle triplet (R, G, B) est-elle obtenue ? Que peut-on déduire sur ce que représente l’axe portée
par CR ? Lorsque CR évolue entre ses deux valeurs extrêmes, entre quelles couleurs se déplace t-on ?
29
3. Mêmes questions pour CB
4. Soit une couleur A de valeur R = G = B = 05. Quelles sont les valeurs de Y , CR et CB ? Quel est
l’aspect de cette couleur ?
5. On considère dans l’espace R, G et B, 3 stimuli colorés A(05, 0, 0) (rouge sombre), B(05, 05, 0) (jaune-
vert sombre) et C(1, 0, 0) (rouge). Les distances AB et AC sont identiques. Ces deux distances correspondent-
elles à des distances de perception également semblables ?
6. On considère une image remplie de la couleur de fond A dénie par R = 05, G = 05, B = 05, et
présentant un objet constitué de la couleur B de premier plan dénie par Y = 05, CR = 05, CB = 0, il
s’agit d’un rose vif. Que donnerait l’acquisition en niveaux de gris de cette image ?
7. On réalise une image carrée de 100 pixels de coté avec un dégradé vertical linéaire depuis la couleur B vers
la couleur A. Représenter les histogrammes dénis dans les plans Y , CR , et CB . Quelle serait l’allure des
histogrammes des plans R,G, B ?
Exercice 18 (26) On considère les espaces HSL et HSV dénis par les transformations suivantes depuis un espace
RGB de départ. Les modèles HSL et HSV ont été dénis en 1978 et sont utilisés dans de nombreux logiciels de
retouche et de traitement d’images. L’espace HSV est parfois aussi notée en France TSV. L’espace HSV est déni
par les équations (18, 19, 20). L’espace HSL est déni par les équations (18, 21, 22).
La dénition de la teinte (hue) est commune aux deux modèles :
0 si max = min
(60◦ × G−B + 360◦ ) mod 360◦ , si max = R
H= max − min (18)
B−R
60◦ × max ◦
− min + 120 , si max = G
◦ R−G ◦
60 × max − min + 240 , si max = B
où max et min désignent respectivement le maximum et le minimum de R, G et B.
Pour l’espace HSV, la dénition de la saturation (saturation) et de la valeur (value) qui est une autre dénition
de la brillance.
0, si max = 0
S= max − min min (19)
max = 1 − max , sinon
V = max (20)
Pour l’espace HSL, la dénition de la saturation (saturation) et de la brillance (lightness) est donnée par :
0 si max = min
max − min max − min
S= max + min = 2l , si l ≤ 12 (21)
max − min max − min 1
2−(max + min) = 2−2l , si l > 2
1
L = (max + min) (22)
2
1. Soit 3 couleurs A(100) (rouge), B(110) (jaune) et C(000) (noir) dans l’espace RGB. Donnez leurs coor-
données dans l’espace HSL puis dans l’espace HSV .
2. Quelles sont les règles permettant de dire quelle est la couleur dominante dans l’espace RGB à partir de la
teinte d’une couleur ?
3. Retrouvez les composantes RGB de la couleur dénie en HSL par (30◦ , 1, 12) et les composantes RGB
de la couleur dénie en HSV par (30◦ , 1, 1).
30
4. On note que pour les deux espaces de couleur HSL et HSV , les valeurs prises par S et L ou par S et V xent
de manière unique max et min des composantes colorimétriques de l’espace RGB. On considère maintenant
un ensemble de couleurs dénies en HSL par (H, 1, 12) avec H qui parcours [0◦ , 360◦ ], calculez les
valeurs prises par les composantes colorimétriques dans l’espace RGB et dessinez une représentation en
perspective de cette courbe, montrez que cette courbe se trouve sur les arêtes d’un cube.
Travaux pratiques
16 Filtrage linéaire pour réhausser les contours
(24)
Introduction 1 Les ltres considérés dans cette section, permettent de mettre en évidence les contours. Ces ltres
transforment une image en une matrice de même taille dont les coefcients ne sont pas nécessairement positifs,
il faut transformer ces coefcients (par exemple avec une transformation linéaire) avant de pouvoir afcher les
résultats de ces ltres à l’aide d’une image en niveau de gris. Les ltres présentés ici sont dénis par leur masque
notés [hm,n ]. Ces ltres sont des passe-bande ou des passe-haut, c’est-à-dire qu’ils laissent les moyennes ou les
hautes fréquences presqu’inchangées et qu’ils attenuent pratiquement les basses fréquences. En particulier la
somme des coefcients du masque est nulle.. Ces ltres se regroupent en deux types. Les ltres du premier ordre
présentés sont directionnels et n’ont pas le même comportement suivant que les valeurs des pixels sont élevés d’un
côté ou de l’autre du contour ou une zone discriminante. Les ltres du second ordre présentés ici ne sont pas
directionnels, ils produisent une valeur élevée à chaque fois qu’il y a un contour ou une variation locale de niveau
de gris.
Travaux Pratiques 24 On considère une image synthétique image s, on pourra utiliser les fonctions fspecial,
filter2, edge, freqz2 pour simuler ces ltres sous Matlab.
1. Appliquer un ltre gradient gradient à une image synthétique. En fait on applique souvent la valeur
absolue, cela permet de traiter de la même façon une variation du blanc vers le noir et une variation du noir
vers le blanc (polarité). La fonction Matlab gradient comporte en fait deux composantes. Quel est le
masque associée à chacune des composantes ?
2. Appliquer 4 ltres de Sobel de façon à faire apparaı̂tre 4 parties distinctes des contours. Décrire les images
résultantes. Les ltres de Sobel sont donnés page 24.
3. Le ltre de Marr et Hildreth est aussi appelé LOG pour Laplacien du[Of] Gaussien, on peut paramétrer
σ l’écart-type de la fonction gaussienne. Appliquer à image bg (bruit gaussien ajouté à une image
synthétique) le ltre LOG en choisissant σ de façon à réduire l’effet nuisible dû au bruit. On note image bglog,
l’image résultante. Commenter le choix et l’avantage de ce ltre par rapport au précédent.
4. Visualiser le ltre LOG choisi, on note ce graphique image logtf.
filtre_log=fspecial(’log’,5,2);
image_logtf=abs(freqz2(filtre_log));
figure(1); subplot(111); mesh(image_logtf);
Montrer qu’il est possible d’approximer le ltre LOG choisi en utilisant la différence de deux gaussiennes de
paramètres différents. On note la visualisation de ce ltre image gtf.
Appliquer ces deux ltres sur une image naturelle bruitée avec le même bruit gaussien, les images résultantes
sont notées image nlog et image ng. Commenter les différences entre ces images.
31
5. Appliquer à image bg le ltre laplacien. Le ltre laplacien est déni par
0 1 0
1
1 −4 1
8
0 1 0
L’image résultante est notée image bglap. Commenter les différences avec image bglog.
Exercices
I1 I2
Figure 7: Spectres du ltre de Sobel présenté dans l’exercice 19
I1 I2
Figure 8: images d’origine et image ltrée par un ltre pseudo-gradient illustrant l’exercice 19
32
Exercice 19 (14) On se donne une image dénie par :
0 0 0 0 0 0
0 05 05 05 05 0
0 05 1 1 05 0
gmn = 0 05 1
(23)
1 05 0
0 05 05 05 05 0
0 0 0 0 0 0
1. Appliquez le ltre de Sobel déni par
1 2 0
2 0 −2
0 −2 −1
Le module de sa réponse fréquentielle est montrée dans la gure 7.
2. Choisissez un seuil et calculez l’image de contour obtenue en seuillant la valeur absolue du résultat calculé
précédemment.
3. Appliquez le ltre pseudo-gradient sur l’image [gmn ]. Calculez l’image résultante. Le résultat du lre
pseudo-gradient est montré pour une image beaucoup plus grande dans la gure 8.
4. Choisissez un seuil et calculez l’image de contour obtenue en seuillant le résultat calculé précédemment.
I1 I2
Figure 9: Spectres du ltre de Sobel présenté dans l’exercice 20
Exercice 20 (24) On considère le masque 3 × 3 de Prewitt parfois utilisé pour lisser le contour horizontal de
l’image.
−1 0 1
x = −1 0 1 (24)
−1 0 1
La transformée bidimensionnelle est dénie par
∑
H(z1 , z2 ) = hk,l z1−k z2−l (25)
k,l
1. Calculez la transformée en Z bidimentionnelle de la réponse impulsionnelle du ltre.
33
2. Pourra-t-on séparer le résultat en un produit de 2 ltres séparés H1 et H2 ?
3. Exprimez la réponse fréquentielle Ĥ1 et Ĥ2 . Dessinez à main levée les modules de ces réponses fréquentielles,
s’agit-il de passe-bas, de passe-haut ? Indiquez sur les graphiques les échelles en cycles par image si elles
concernaient une image de taille 128 × 128. Dessinez à main levée les fréquences pour lesquelles Ĥ(u, v)
est nulle et les fréquences pour lesquelles Ĥ(u, v) est maximum. La gure 9 montre le module du spectre
de ce ltre.
4. Ecrivez les masques de convolution de H1 et H2 . Retrouvez cette propriété de séparabilité.
Travaux pratiques
17 Filtres non-linéaires pour faire apparaı̂tre les contours
(25)
Travaux Pratiques 25 Il existe des ltres qui font apparaı̂tre les contours : pseudo-gradient à partir de deux ltres
directionnels, pseudo-ltre passe-haut construit au moyen du ltre médian.
1. Appliquer le ltre pseudo-gradient à partir de deux réponses orthogonales du ltre Sobel sur l’image synthé-
tique déformée par un bruit blanc gaussien image bg. Comparer l’image résultante notée image bgpg
avec image bglog et image bglap.
2. La technique classique pour faire la synthèse d’un ltre linéaire passe-haut est de soustraire au ltre identité
un ltre linéaire passe-bas adéquat. Appliquer cette technique pour faire la synthèse d’un pseudo-ltre
passe-haut à partir du ltre médian considéré comme un passe-bas. Appliquer ce ltre aux images image s
et image bs. Les images résultantes sont notées image sph et image bsph. Commenter et expliquer
les résultats obtenus.
34
Séance 5
Travaux pratiques
(35)
Introduction 2 Lors de cette séance, vous aurez chacun à choisir une image parmi un ensemble d’images qui vous
seront proposées. Ces images sont globalement de bonnes qualité, cependant localement il y a des améliorations
possibles, il peut s’agir d’enlever des caractères, des reets, de changer l’éclairage dans un zone trop à l’ombre,
de réduire un ou sur certaines régions, d’enlever un tramage. Il ne s’agit pas de trouver un traitement qui
fonctionnerait pour toutes les images ayant ce type de problème, mais uniquement pour l’image choisie. A ce
titre le fait qu’il s’agisse d’images colorées est une aide, puisque vous pouvez choisir l’espace de couleur et la
composante lumineuse qui sont les plus adaptés au traitement souhaité. Ce sont des images de grandes tailles,
c’est à vous de restreindre le traitement sur une portion de cette image. Un traitement est d’autant plus efcace
qu’il s’applique à une portion précise de l’image, portion qui n’a aucune raison d’être un rectangle. C’est pour
cela qu’une segmentation en régions vous sera utile.
Les programmes matlab disponibles sont :
growing1 : croissance par région avec critère sur l’écart-type de la région
split4 : division par quadtree avec critère sur l’écart-type de la région
split5 : division par quadtree avec critère abs(max-min) de la région
imrag1 : graphe des liens d’adjascences
merge3 : fusion avec graphe adjascence et critère sur l’écart-type de la région
merge4 : fusion avec graphe adjascence et critère sur abs(max-min) de la région
LabelMatch : à partir BW, met en blanc et noir les plus grandes régions
imlabelclean1,2 : génère des régions connexes à partir de classes
painting2 : colore chaque région avec la teinte correspondant à la moyenne des pixels
Deux images supplémentaires sont aussi disponibles : [Link] et [Link]
Tous ces documents sont disponibles dans
[Link]
ou dans
[Link]
18 Un ltre qui préserve les contours
(39)
Cours 19 On étudie ici un ltre qui préserve les contours. Il ne s’agit pas d’un traitement linéaire. Ce ltre
consiste à remplacer chaque pixel fmn d’une image f par la moyenne des pixels de son voisinage compris entre
fmn − σ et fmn + σ, où σ est un des paramètres du traitement, et s’il n’y a aucun pixel entre fmn − σ et fmn + σ
alors le pixel n’est pas modié.
Voici quelques explications sur l’implémentation Matlab. La fonction nlfilter conssite à parcourir l’ensemble
de l’image au moyen d’une fenêter, ici de taille 3 × 3, et d’appliquer une fonction sur cette fenêtre. Par exemple on
pourrait utiliser cette fonction nlfilter pour réaliser un ltrage par un moyenneur.
moyenneur=@(X)sum(X(:))/9;
im=nlfilter(im,[3 3],moyenneur);
On pourrait aussi assombrir l’image.
assombrir=@(X)0.9*X(2,2);
im=nlfilter(im,[3 3],assombrir);
35
On pourrait encore décaler l’image vers la droite.
decaler=@(X)X(2,3);
im=nlfilter(im,[3 3],decaler);
On pourrait aussi calculer le pseudo-gradient.
grad1=@(X)0.5*(X(3,2)-X(1,2));
grad2=@(X)0.5*(X(2,3)-X(2,1));
pseudoGradient=@(X)sqrt(grad1(X).ˆ2+grad2(X).ˆ2);
im=nlfilter(im,[3 3],pseudoGradient);
Voici un exemple d’instructions Matlab réalisant un nouveau traitement au moyen de la fonction nlfilter
en utilisant la fonction newMean :
im=double(imread(’[Link]’))/256;
im1=im+0.1*randn(size(im));
im2=filter2(ones(3)/9,im1,’same’);
newMean=inline(’sum((abs(X(:)-X(2,2))<0.1).*X(:))./sum(abs(X(:)-X(2,2))<0.1)’,’X’);
im3=nlfilter(im1,[3 3],newMean);
figure(1); imshow([im im1; im2 im3]);
Travaux Pratiques 26 Appliquez cet exemple sur un exemple simple
Exercices
Figure 10: A gauche : image d’origine. Au milieu : traitement T 1. A droite : traitement T 2 avec σ = 01,
exercice 21, (21)
Exercice 21 (21) On considère des voisinages carrés de tailles 3×3. Soit un traitement T 1 consistant a remplacer
chaque pixel fmn d’une image f par la moyenne des pixels de son voisinage. Soit un traitement T 2 consistant a
36
Figure 11: Histogrammes des trois images de la gure 10, exercice 21, (21)
37
remplacer chaque pixel fmn d’une image f par la moyenne des pixels de son voisinage compris entre fmn − σ et
fmn + σ, où σ est un des paramètres du traitement, et s’il n’y a aucun pixel alors le pixel n’est pas modié. La
gure 10 (p. 36) montre à gauche une photo de globules rouges de sang, au milieu le résultat du traitement T 1 et
à droite le résultat de traitement T 2 avec σ = 01. La gure 11 (p. 37) montre les histogrammes des trois images
de la gure 10.
1. Montrez que le traitement T 1 peut s’interprêter comme un ltrage.
2. Montrez que le traitement T 2 n’est pas un traitement linéaire.
3. Comment expliquer l’impression de ou lié au traitement T 1 ?
4. L’histogramme de gauche contient un pic principal, à quelle partie de l’image correspond-il ?
5. L’histogramme de gauche a une bosse à gauche du grand pic, à quelle partie de l’image correspond-il ?
L’histogramme a aussi une petite remontée à droite du pic, à quoi cela correspond-il ?
6. La distance entre les deux pics est de 015, comment cela peut-il nous aider à expliquer que les bords des
cellules sont nets avec le traitement T 2.
7. Commentez l’effet de T 1 sur l’histogramme.
8. Commentez l’effet de T 2 sur l’histogramme.
Un ingénieur remarque qu’on aurait pu obtenir sur cette image le même effet que le traitement T 2 en faisant
d’abord un seuillage puis en appliquant le traitement T 1.
9. Expliquez la remarque de l’ingénieur et précisez les précautions qu’il faudrait prendre pour que cela fonc-
tionne réellement aussi bien.
19 Seuillage
Travaux pratiques
(19)
Travaux Pratiques 27 Seuiller une image, c’est quantier une image sur deux niveaux, ainsi les pixels dont le
niveau de gris en dessous d’un seuil valent zéro tandis que les pixels dont le niveaux de gris est au dessus valent
un. Le seuillage permet de segmenter en région (premier exemple qui suit) et de segmenter en contour (deuxième
exemple qui suit).
1. A partir de l’image [Link], fabriquer une image en noir et blanc tels que les points blancs correspon-
dent aux sous, tandis que les points noirs représentent le fond. Montrer comment l’histogramme peut aider
à choisir la valeur du seuil. Quelle est la valeur du seuil choisie ? En ce qui concerne l’implémentation
Matlab, on pourra utiliser ce type d’instruction.
figure(1); imshow(im.*(im>=0.3).*(im<0.4));
2. A partir de la même image [Link], choisir un ltre qui réhausse les contours, appliquer ce ltre à
cette image éventuellement avec un traitement adéquat, et enn seuiller le résultat de l’application du ltre.
Choisir un ltre et un seuil de façon que le résultat soit une image où ne subsiste que les contours des pièces
de monnaie. Décrire la méthode utilisée et expliquer comment le seuil est choisi et quel compromis ce choix
implique ?
Exercices
38
Cours 20 (16)
Deux points sont connexes (au sens de la 4-connexité) l’un est le voisin du dessous, de gauche, de droite ou de
dessus. Deux points sont connexes (au sens de la 8-connexité) si l’un est le voisin du desssous, de gauche, de droite
ou de dessus, ainsi que d’en haut à gauche, en haut à droite, en bas à gauche et en bas à droite.
Exercice 22 (16) On se donne une deuxième image dénie par
0 0 025 025 05 06 07 08
0 0 0 025 05 06 07 08
0 0 025 025 05 06 07 08
025 025 025 025 05 05 05 07
[gmn ] =
(26)
025 025 025 025 03 09 07 09
03 03 03 03 02 04 06 08
04 04 04 025 05 06 07 08
05 05 04 06 06 04 05 06
1. Choisissez deux seuils de telle façon que l’image seuillée avec ces deux seuils fournissent trois régions
connexes (4-connexité ici).
20 Segmentation en région
Travaux pratiques
(20)
Cours 21 La segmentation en région consiste à découper l’image suivant un critère en différentes régions connexes
(c’est-à-dire composées de pixels qui sont voisins en un certain sens, le plus souvent dans le sens de la 4-connexité
ou de la 8-connexité). Ainsi pour l’image [Link], une segmentation en région possible consisterait à dénir
une région pour chaque pièce de monnaie ainsi qu’une région pour le fond de l’image.
Travaux Pratiques 28 Expliquez le fonctionnement du programme suivant :
im1=double(imread(’[Link]’))/256;
im2=[0.5*ones(10,256); im1(:,1:256)];
qtim3=qtdecomp(im2,0.5);
im4=im2;
for dim=[2 4 8 16 32 64 128]
[vals,r,c]=qtgetblk(im2,qtim3,dim);
if (isempty(vals)==0)
newvals=repmat(mean(mean(vals)),[dim dim]);
im4=qtsetblk(im4,qtim3,dim,newvals);
end;
end;
imshow(im4);
Commentez le résultat obtenu et expliquez les limites de cet algorithme.
21 Algorithme de segmentation en région par seuillage
Travaux pratiques
(41)
39
Cours 22 Un algorithme souvent utilisé pour choisir les seuils sur l’histogramme est kmeans. Cet algorithme
réalise aussi le seuillage de l’image. Il faut aussi trouver à l’intérieur des classes les régions connexes : ceci peut
se faire au moyen des outils morphologiques présents dans la fonction imlabelclean1.
Voici un exemple d’utilisation, la première phase réalise une partition des niveaux de gris.
im=double(imread(’[Link]’))/256;
data=im(:);
%Initialisation
a=rand(1);
b=rand(1);
%Itération
for k=1:100
indA=find(abs(data-a)<abs(data-b));
indB=find(abs(data-a)>=abs(data-b));
a=mean2(im(indA));
b=mean2(im(indB));
end;
figure(1); imshow(im);
im2=0.5*ones(size(im));
im2(indA)=a;
im2(indB)=b;
figure(2); imshow(im2);
La deuxième phase consiste à subdiviser cette partition en régions connexes. Ici on ne conserve que les 13
régions les plus grandes.
im_s2=(im2>(a+b)/2);
im_s3=imlabelclean1(im_s2,13);
figure(3); imshow([im im_s2==1 im_s3/max(max(im_s3))]);
Pour faire rendre visible cette segmentation en région, chaque région est colorée avec la teinte moyenne des
pixels présents dans la région.
im_s4=painting1(im,im_s3,zeros(size(im)));
figure(4); imshow(im_s4);
Souvent cette technique est utilisée non pas sur les niveaux de gris d’une image mais sur des descripteurs
locaux de l’image comme la corrélation avec le pixel voisin.
Travaux Pratiques 29 Appliquez cette technique sur un exemple simple.
22 Lissage après une segmentation en région
Travaux pratiques
(40)
Cours 23 Lorsqu’on dispose d’une segmentation pertinente, l’amélioration de la qualité d’une image est plus
facile. L’exemple qui suit montre deux traitements différents, un pour le fond de l’image (moyenneur de grande
taille), l’autre pour les objets (moyenneur de courte taille et dont l’orientation est choisie pour minimiser la dis-
tortion). La séparation entre les deux se fait par seuillage d’après l’histogramme de l’image et après une petite
concaténation avec des points voisins (fermeture morphologique).
40
im=double(imread(’[Link]’))/256;
im1=im+0.1*randn(size(im));
figure(1); hist(im1(:),100);
seuil=0.4;
region=imopen(im1<seuil,ones(2));
ima=region.*im1;
ima21=filter2(ones(20),ima,’same’);
ima22=filter2(ones(20),im1<0.5,’same’);
ima2=zeros(size(im));
ima2(region==1)=ima21(region==1)./ima22(region==1);
imb=(1-region).*im1;
grad1=filter2([1;-1],imb,’same’);
grad2=filter2([1 0; 0 -1],imb,’same’);
grad3=filter2([1 -1],imb,’same’);
grad4=filter2([0 1;-1 0],imb,’same’);
orientation1=(1-region).*(abs(grad1)<min(min(abs(grad2),abs(grad3)),abs(grad4)));
orientation2=(1-region).*(abs(grad2)<min(min(abs(grad1),abs(grad3)),abs(grad4)));
orientation3=(1-region).*(abs(grad3)<min(min(abs(grad1),abs(grad2)),abs(grad4)));
orientation4=(1-region).*(1-orientation1-orientation2-orientation3);
imb21=filter2([1;1],imb,’same’); imb25=filter2([1;1],(1-region),’same’);
imb22=filter2([1 0;0 1],imb,’same’); imb26=filter2([1 0;0 1],(1-region),’same’);
imb23=filter2([1 1],imb,’same’);imb27=filter2([1 1],(1-region),’same’);
imb24=filter2([0 1;1 0],imb,’same’);imb28=filter2([0 1;1 0],(1-region),’same’);
imb2=zeros(size(im));
imb2(orientation1==1)=imb21(orientation1==1)./imb25(orientation1==1);
imb2(orientation2==1)=imb22(orientation2==1)./imb26(orientation2==1);
imb2(orientation3==1)=imb23(orientation3==1)./imb27(orientation3==1);
imb2(orientation4==1)=imb24(orientation4==1)./imb28(orientation4==1);
im2=ima2+imb2;
figure(2); imshow([im im1; region im2]);
Sur cet exemple, le traitement améliore un peu l’image bruitée, mais il est manifeste que le traitement pourrait
être amélioré avec une meilleur segmentation.
Travaux Pratiques 30 Appliquez cette technique sur un exemple.
23 Segmentation en région par extraction des contours
Travaux pratiques
(26)
Cours 24 L’algorithme suivant présente une technique de segmentation en région qui consiste à tout d’abord
extraire des contours pertinents de l’image, puis à trouver les régions qui sont délimitées par ces contours.
im1=double(imread(’[Link]’))/256;
%im1=imresize(double(rgb2gray(imread(’[Link]’)))/256,[128 128]);
%détection de contour,
contour=edge(im1,’log’,0.0001,5);
%dilatation du contour
se=[0 1 0; 1 1 1; 0 1 0];
contour=imdilate(contour,se);
%inversion de l’image
41
im_region=1-contour;
%croissance de région connexe
im_label=im_region;
last=0; im_label_new=zeros(size(im_label));
for k=1:max(im_label(:))
[B,L]=bwlabel(im_label==k);
B=B+last.*(B>0);
im_label_new=im_label_new+B; last=L+last;
end;
figure(1); imshow(im_label_new/max(im_label_new(:)));
Travaux Pratiques 31 Appliquez l’algorithme suivant sur une image, décrire le résultat, commentez. Expliquez
le fonctionnement de l’algorithme suivant.
24 Segmentation en région par division successive de l’image puis fusion succes-
sive (split & merge)
Travaux pratiques
(37)
Cours 25 La segmentation par quadtree (encore appelée split) ne produit pas des régions ayant des contours lisses.
Par contre on peut y parvenir en fusionnant les différentes régions obtenues. Cette fusion se fait ici en deux étapes,
d’abord la création d’une liste de couples de régions susceptibles d’être fusionnées (en pratique il s’agit d’un arbre
binaire), puis un éventuel fusion couple de régions par couple de régions lorsqu’un critère est vérié.
La simulation est ici illustrée sur une image synthétique formée d’un disque avec un teinte très légèrement
variable à l’intérieur et un teinte unie à l’extérieur.
En fait de manière très voisine, on aurait pu aussi illustrer la méthode sur une image synthétique formée formée
d’un disque avec un bruit blanc et autour un bruit blanc coloré.
L’efcacité d’un algorithme de segmentation est d’autant plus grande que le critère qu’il utilise est adapté à
l’image. Les algorithmes split & merge autorisent des critères portant sur l’ensemble de la région, comme un seuil
sur la variance.
saturate=inline(’max(0,min(1,x))’,’x’);
m=meshgrid(-1:1/63.5:1); disc=(m.ˆ2+(m.’).ˆ2<=0.5);
imd=disc.*m+(1-disc)*10;
Mx=max(max(imd(imd<10))); Mn=min(min(imd(imd<10)));
im=0.4+0.2*(imd-Mn)/(Mx-Mn).*(imd<10)-0.04*(1-disc);
imd=disc.*m+(1-disc)*10;
Mx=max(max(imd(imd<10))); Mn=min(min(imd(imd<10)));
im=0.4+0.2*(imd-Mn)/(Mx-Mn).*(imd<10)-0.04*(1-disc);
im_s1=split4(im,0.01);
adj=imrag1(im_s1);
im_s2=merge5(im_s1,im,0.01,adj);
im_s3=LabelMatch(im_s2,disc);
%Affichage
figure(1);
subplot(121); imshow(im);
subplot(122); imshow(im_s3);
Travaux Pratiques 32 Appliquez cette technique sur un exemple simple.
42
25 Segmentation par croissance de région
Travaux pratiques
(38)
Cours 26 La segmentation par croissance de région consiste à choisir un pixel dans l’image, appelée graine (seed)
puis à agglomérer les pixels voisins tant qu’un certain critère est satisfait. Lorsqu’il n’est plus possible de faire
croı̂tre la région, l’algorithme choisit un autre point ailleurs dans l’image et le même processus recommence.
Dans la pratique les résultats obtenus par cet algorithme dépendent bien sûr du critère choisi, ils dépendent
aussi de l’implémentation : comment choisit-on le point de départ, dans quel ordre cherche-t-on à agglomérer les
pixels voisins.
im2=imresize(double((imread(’[Link]’)))/256,[128 128]);
%im1=imresize(double(rgb2gray(imread(’[Link]’)))/256,[128 128]);
im_s21=growing1(im2,0.08);
%En ne conservant que les 13 régions les plus grandes
im_s23=imlabelclean1(im_s21,13);
%Coloration
im_s24=painting2(im2,im_s23,zeros(size(im2)));
Travaux Pratiques 33 Appliquez cet exemple sur un exemple simple.
26 Restauration d’images par ltre de Wiener
Travaux pratiques
(36)
Cours 27 Dans le cadre de cette section, on cherche à restaurer une image oue éventuellement bruitée avec un
bruit additif gaussien, mais avec cette particularité que l’on connaı̂t exactement le ou et aussi le bruit.
im=double(imread(’[Link]’))/256;
im=im(1:128,1:128);
[x,y]=meshgrid((0:8)/8,(0:8)/8);
mask=((x-0.5).ˆ2+(y-0.5).ˆ2<=0.5ˆ2);
mask=mask/sum(sum(mask));
im1=filter2(mask,im,’same’);
figure(1); imshow([im im1]);
Une première technique de restauration d’image consiste à appliquer le ltre inverse, dont la transformée de
Fourier est égale à l’inverse de la transformée de Fourier du ltre ou. Dans la pratique, on calcule la transformée
de Fourier du masque en plaçant celui-ci au centre d’une matrice nulle. On met un seuil et le ltre inverse se
calcule de la façon suivante :
filtre tf inv=(filtre tf>0.05).*(1./filtre tf);
ImMask=zeros(size(im1));
ImMask(size(im1,1)/2-4:size(im1,1)/2+4,size(im1,2)/2-4:size(im1,2)/2+4)=mask;
filtre_tf=fft2(ImMask);
seuil=0.2;
[ind1,ind2]=find(filtre_tf>seuil);
filtre_tf_inv=1/seuil*ones(size(filtre_tf));
filtre_tf_inv(ind1,ind2)=1./filtre_tf(ind1,ind2);
im2=real(fftshift(ifft2(filtre_tf_inv.*fft2(im1))));
figure(1); imshow([im im1 im2]);
43
Le calcul précédent se justie de la façon suivante.
On désigne par f , g, h, fˆ les quantités suivantes : l’image originale image o, l’image dégradée image of, le masque
filtre, l’image restaurée notée image or. Ainsi g est l’image déformée par le ltre h, tandis que ĥ est le ltre que l’on
recherche pour restaurer l’image. Le modèle déterministe est donné par :
g = h?f (dégradation sans bruit)
ˆ (27)
f = ĥ ? g (restauration)
Le ltre ĥ que l’on recherche est celui qui minimise l’erreur quadratique entre l’image estimée notée fˆ et la vraie image notée
f . Cette technique s’appelle LMS en anglais pour Linear Mean Square Error (voir cours de TSS).
∑
EQ = (fˆ − f )2
m,n
La minimisation de l’erreur quadratique conduit au ltre inverse Ĥ = 1
H (lorsque le ltre est inversible).
Pour améliorer la restauration, on suppose qu’en fait il a été rajouté un bruit blanc gaussien additif en plus du
ou.
Pour tenir compte correctement de l’ajout du bruit blanc, il est nécessaire de rajouter dans le modèle ce qu’on
sait de l’image originale. Cette information s’appelle un a priori. Ici il s’agit de la moyenne de l’image.
On désigne par f , b, g, h, fˆ, ĥ, les quantités suivantes : l’image originale image o, le bruit blanc additif image ofb-
image of, l’image dégradée image ofb, le masque filtre, l’image restaurée image or, la réponse impulsionnelle du
ltre que l’on souhaite appliquer pour restaurer l’image.
L’information que l’on se donne sur f est sa moyenne sur l’image, notée µf et sa puissance Pf . Pour introduire cette
information dans un modèle, on dit que ξ = f − µf est une réalisation d’un processus aléatoire gaussien blanc centré
d’écart-type σf et indépendant du bruit b. Le modèle est :
f = µf + ξ (a priori)
g = h?f +b (observation) (28)
ˆ
f = ĥ ? (g − µf ) + µf (restauration)
Ainsi g est aussi une réalisation d’un processus aléatoire gaussien centré blanc d’écart-type σb . On cherche maintenant le
ltre ĥ qui minimise l’erreur moyenne quadratique entre l’image estimée fˆ et la vraie image f .
Le ltre obtenu a pour transformée de Fourier
H̄
Ĥ = σb2
H2 + σf2
moy=mean2(im1);
ImMask=zeros(size(im1));
ImMask(size(im1,1)/2-4:size(im1,1)/2+4,size(im1,2)/2-4:size(im1,2)/2+4)=mask;
filtre_tf=fft2(ImMask);
alpha=0.02;
filtre_tf_inv=conj(filtre_tf)./(alpha+abs(filtre_tf).ˆ2);
im2=moy+real(fftshift(ifft2(filtre_tf_inv.*fft2(im1-moy))));
figure(1); imshow([im im1 im2]);
Le logiciel Matlab propose d’utiliser un préltrage (c’est-à-dire un ltrage de image of avant d’appliquer
le ltre de Wiener). Le préltrage proposé est donné par la fonction edgetaper et compense les effets de bords
assez importants provoqués par l’utilisation de la transformée de Fourier discrète (fft2).
im1bis=edgetaper(im1,fspecial(’gaussian’,50,8));
moy=mean2(im1bis);
ImMask=zeros(size(im1));
ImMask(size(im1,1)/2-4:size(im1,1)/2+4,size(im1,2)/2-4:size(im1,2)/2+4)=mask;
filtre_tf=fft2(ImMask);
44
alpha=0.001;
filtre_tf_inv=conj(filtre_tf)./(alpha+abs(filtre_tf).ˆ2);
im2=moy+real(fftshift(ifft2(filtre_tf_inv.*fft2(im1bis-moy))));
figure(1); imshow([im im1 im2]);
Travaux Pratiques 34 Appliquez ces techniques sur un exemple simple.
27 Filtres adaptatifs pour images non-stationnaires
Cours 28 Lorsqu’on applique un ltre linéaire invariant, c’est-à-dire un ltre dont les coefcients du masque sont
identiques quel que soit l’endroit de l’image où on l’applique, cela revient à modéliser l’image comme un procesus
stationnaire. En réalité, il serait plus juste de considérer l’image comme un processus non-stationnaire, une image
source représente souvent des objets différents placés dans une scène.
Le raisonnement est modié dans la mesure où l’on connaı̂t localement f en général sa moyenne locale et sa
puissance locale. C’est cela qui consiste le nouvel a priori.
Dans le modèle suivant, on analyse l’image au moyen d’une fenêtre glissante Wk,l centré en un pixel (k, l), et on traite
chaque élément (m, n) de Wk,l . parcourt chacun des pixels de l’image (k, l) et pour chacun, on se donne une fenêtre dont
(k, l) est le centre et dont (m, n) sont les indices courants.
f (m, n) = µf (k, l) + ξ(m, n)
(a priori)
g = h ? f + b (observation) (29)
fˆ(k, l) = ′
hk,l ? (g − µf (k, l)) (k, l) + µf (k, l) (restauration)
où µf (k, l) est une constante et vaut la moyenne de f sur la fenêtre ; ĥk,l est la masque à appliquer à la fenêtre centrée en
(k, l) pour calculer l’image restaurée en (k, l).
1. Le précédent raisonnement donne aussi de bons résultats lorsqu’on cherche à retirer du bruit sur une image
qui n’a pas été ltrée. Dans ce cas H = 1 et la restauration consiste en
fˆ(k, l) = µf (k, l) + 1
σ2
(f − µf (k, l)). Le premier terme est un passe-bas tandis que le second
1+ b
σf (k,l)2
terme est un passe-haut multiplié par une fonction variable spatialement. Ceci s’appelle un ltre de Lee, il
est implémenté sous Matlab sous le nom de wiener2. Ajouter un bruit blanc gaussien centré d’écart-type
σb = 02 à image o pour former image ob. Appliquer ce ltre sans utiliser la fonction wiener2. Le
1
résultat est noté image ol. Afcher aussi image pd, l’image formée des composantes σ2
. Pour
1+ b
σf (k,l)2
estimer σf (k, l)2 on pourra utiliser plutôt < (g− < g >)2 > sans retrancher σb2 .
im=double(imread(’[Link]’))/256;
im=im(1:128,1:128);
im1=im+randn(size(im))*0.2;
Win=[5 5]; Mask=ones(Win)/sum(sum(Win));
ImMoy=filter2(Mask,im1,’same’);
beta=1./(1+0.2ˆ1./filter2(Mask,(im1-ImMoy).ˆ2,’same’));
im2=ImMoy+beta.*(im1-ImMoy);
figure(1); imshow([im im1 im2]);
On observe que les bords sont bien préservés.
2. On applique maintenant le précédent raisonnement au cas où l’image bruitée a été ltré par un ltre connu.
L’inversion du ltre se fait alors en calculant une transformée de Fourier locale et non plus sur l’ensemble
de l’image. Voici les instructions Matlab permettant d’obtenir cela. S’il n’y a pas de bruit additif, le résultat
est moins bon, ce qui n’est pas surprenant puisque l’information sur le ltre est moins prise en compte. En
revanche cette méthode fonctionne dans une certaine mesure en présence de bruit.
45
enlarge=@(X)[zeros(1,size(X,2)+2); ...
[zeros(size(X,1),1) X zeros(size(X,1),1)]; zeros(1,size(X,2)+2)];
im=double(imread(’[Link]’))/256;
im=im(1:128,1:128);
[x,y]=meshgrid((0:8)/8,(0:8)/8);
mask=((x-0.5).ˆ2+(y-0.5).ˆ2<=0.5ˆ2);
mask=mask/sum(sum(mask));
im1=filter2(mask,im,’same’)+0.01*randn(size(im));
im1Moy=filter2(ones(11)/121,im1,’same’);
spectrum=fft2(enlarge(mask));
alpha=0.01;
processing=@(im,spectrum,alpha)[zeros(1,5) 1 zeros(1,5)]*...
fftshift(ifft2(fft2(edgetaper(im,ones(3)/9)).*...
conj(spectrum)./(abs(spectrum).ˆ2+alphaˆ2/std2(im)ˆ2)))*...
[zeros(5,1); 1; zeros(5,1)];
im2=im1Moy+nlfilter(im1-im1Moy,[11 11],processing,spectrum,alpha);
figure(1); imshow([im im1 im2]);
Travaux Pratiques 35 Appliquez cette technique sur un exemple simple.
Exercices
Figure 12: A gauche : la première photo. A droite : moyenne de 14 photos. Exercice 23, (20)
Figure 13: A gauche : détail de la première photo. Au milieu : moyenne des détails. A droite : moyenne après
recalage par translation. Exercice 23, (20)
(exercice 23)
46
Figure 14: A gauche : niveau de gris des pixels de la photo 4 en fonction des niveaux de gris des pixels de la photo
3. Au milieu : histogramme des différences entre ces niveaux de gris. A droite : valeur absolue des différences
entre les niveaux de gris multiplié par 20. Exercice 23,(20)
Tableau 1
0 -1 -7 -11 -17 -20 -16 -21 -20 -20 -20 -20 -20 -9
1 0 -4 -9 -16 -2 0 -2 0 0 -2 -2 0 -2
7 4 1 -4 -12 -12 -12 -16 -12 -13 -16 -16 -16 -20
11 9 4 1 -8 -8 -8 -12 -8 -8 -9 -11 -11 -16
17 16 12 8 0 0 0 -4 -1 -1 -4 -4 -3 -8
20 2 12 8 0 0 -1 -4 0 0 -3 -3 -4 -8
16 0 12 8 0 1 0 0 0 0 0 0 -4 -5
21 2 16 12 4 4 0 0 0 0 0 0 0 -4
20 0 12 8 1 0 0 0 0 0 0 0 0 -4
20 0 13 8 1 0 0 0 0 0 -1 0 -2 -4
20 2 16 9 4 3 0 0 0 1 0 0 0 -4
20 2 16 11 4 3 0 0 0 0 0 0 0 -4
20 0 16 11 3 4 4 0 0 2 0 0 0 -3
9 2 20 16 8 8 5 4 4 4 4 4 3 0
(exercice 23)
Tableau 2
1 0 8 8 8 8 1 8 1 1 4 1 1 0
0 1 9 8 9 0 1 0 -1 -1 0 0 1 0
-8 -9 0 0 0 0 1 0 4 4 4 4 3 0
-8 -8 0 0 0 0 1 0 3 5 8 4 4 0
-8 -9 0 0 1 2 2 0 4 4 8 5 4 0
-8 0 0 0 -2 1 0 0 4 4 4 4 3 0
-1 -1 -1 -1 -2 0 1 1 2 4 4 4 0 0
-8 0 0 0 0 0 -1 1 2 4 4 4 4 0
-1 1 -4 -3 -4 -4 -2 -2 1 -1 2 2 1 -4
-1 1 -4 -5 -4 -4 -4 -4 1 1 0 1 0 -4
-4 0 -4 -8 -8 -4 -4 -4 -2 0 1 1 -2 -5
-1 0 -4 -4 -5 -4 -4 -4 -2 -1 -1 1 1 -4
-1 -1 -3 -4 -4 -3 0 -4 -1 0 2 -1 1 -4
0 0 0 0 0 0 0 0 4 4 5 4 4 1
Exercice 23 (20) La photo de gauche sur la gure 12 (p. 46) a été prise avec un appareil photo. L’ingénieur A
propose d’améliorer la qualité de la photo en prenant plusieurs fois la même photo puis à moyenner les différentes
images pour en récupérer une qui soit de meilleur qualité. Il afrme que dans la mesure où l’appareil photo n’a
pas bougé, les différences entre les photos peuvent être modélisées par un unique bruit blanc gaussien additif dont
la variance est réduite lorsqu’on fait la moyenne.
1. Expliquez pourquoi si on suit la modélisation de l’ingénieur A, la moyenne des photos est aussi perturbée
par un bruit blanc gaussien additif dont la variance est 14 fois plus petite ?
47
La photo de droite de la gure 12 (p. 46) montre le résultat du procédé. En réalité cette image est plus oue et
semble avoir été prise avec une luminosité différente. L’ingénieur B propose de se concentrer sur un détail de
l’image (montré à gauche de la gure 13 (p. 46)) pour diminuer le coût de calcul, il propose aussi de réaliser
un suréchantillonnage et de supprimer les photos trop différentes, c’est le cas des deux premières. La photo au
milieu de la gure 13 est obtenue en moyennant sur les 12 autres photos. L’ingénieur C pense que le ou de la
photo du milieu provient de ce que l’appareil photo a en réalité bougé très légèrement lorsqu’on a appuyé sur le
boutton. Il propose, pour trouver les coordonnées du vecteur de translation à appliquer, de calculer le maximum
de l’intercorrélation entre les images. Il précise qu’il n’est pas nécessaire de calculer ces intercorrélations au-delà
des 10 premiers indices.
2. On considère une image g et cette même image mais translatée h, montrez que la somme des carrés des
différences est minimale si l’intercorrélation est maximale.
3. Donnez la formule de l’intercorrélation. Comment faire pour que la mesure de l’intercorrélation ne pénalise
pas le déplacement de l’image ?
4. Pourquoi n’est-il pas nécessaire de calculer au-delà des 10 premiers indices ?
5. Ecrivez la nouvelle formule de moyenne à appliquer.
6. Pourquoi un recalage peut-il être plus précis après un suréchantillonnage ?
Les tableaux 1 et 2 indiquent les coordonnées des vecteurs de translation pour faire coı̈ncider les images. Le
tableau 1 correspond à la première coordonnée, tandis que le tableau 2 correspond à la deuxième coordonnée. Les
deux composantes tcl et scl située sur la colonne c et la ligne l des deux tableaux donnent le vecteur de translation
(tcl , scl ) qui appliquée à l’image l permettent de la caler sur l’image c. A droite de la gure 13 se trouve l’image
obtenue en moyennant les différents images de départs après recalage.
7. Pourquoi les tableaux 1 et 2 sont-ils presque anti-symétriques ? Que nous informe les termes non-nuls sur
les deux diagonales ?
L’ingénieur A, déçu des résultats, cherche à savoir si la modélisation est juste. Pour chaque couple d’images de
détail, il porte sur un graphique l’ensemble des pixels sous la forme de points dont l’abscisse est le niveau de
gris du pixel sur la première image et l’ordonnée est le niveau de gris du pixel de la deuxième image (à gauche
de la gure 14, p. 47). Il représente ensuite l’histogramme des différences entre les niveaux de gris sur une
deuxième graphique (au milieu de la gure 14). Enn il représente la différence entre les images (à droite de
la gure 14). L’ingénieur A en conclu que pour certains couples d’images les conditions sont maintenant bien
réalisées. L’ingénieur B afrme que ces expériences ne sufsent pas pour afrmer que la modélisation est correcte,
parce que l’on observe que les variations entre les images et non les variations entre les images et la vraie image.
Dans la réalité le détail au centre de l’image est n’est pas une forme convexe mais une entaille dont l’extérieur a
noirci et présente la forme d’un arceau presque fermé. C’est la compression jpeg faite par l’appareil photo qui a
déformé l’image. En fait toutes les images ont été obtenues avec le même appareil photo et les mêmes réglages
et présentent le même biais. Plus généralement le fait d’augmenter la résolution d’une photo en utilisant les
informations contenues dans d’autres photos du même sujet est un axe de recherche actuel appelé super-résolution.
8. Pourquoi nous montre-t-il que la distortion entre les deux images est bien modélisée par un bruit bruit additif
?
9. Que nous informe le graphique au milieu de la gure 14 ?
10. Que nous informe le graphique à droite de la gure 14 ?
48
Exercices supplémentaires
Exercices
(1)
Cours 29 Un histogramme d’une image numérique est une courbe qui représente le nombre de pixels (ou la
proportion de pixels) dont le niveau de gris se situe entre telle et telle valeur. En pratique, pour faire un histograme
on effectue une quantication des niveaux de gris sur N niveaux, puis on trace une courbe du nombre de pixels
en fonction du niveau. Par extension, on peut dénir un histogramme pour une image dénie par une fonction
de R × R dans R, en quantiant cette image sur N niveaux et en mesurant la portion de surface de l’image
correspondant à chacun de ces niveaux. Si une image est une réalisation d’un bruit blanc suivant une certaine loi
alors l’histogramme est souvent une bonne approximation de la densité de probabilité de cette loi.
Exercice 24 On considère une image carrée de taille A × A pixels, quantiée sur 256 niveaux à valeurs dans
[0, 1]. Cette image contient en son centre un carré de taille B × B dont les pixels valent tous gb . Les pixels du reste
de l’image valent ga . Pour simplier on considère que A et B sont impaires.
1. Dénissez l’image en utilisant l’opérateur 1A (où 1A (x) = 1 si x A et 1A (x) = 0 sinon, x étant un
élément d’un ensemble plus vaste contenant A).
2. Ecrivez et tracez l’histogramme correspondant à cette image.
On ajoute un bruit additif gaussien blanc à cette image. La densité de probabilité f associée à la modication
1 b2
d’un pixel g ′ = g + b est f (b) = σ√12π e− 2 σ2 . La modélisation repose sur une variable aléatoire continue que l’on
applique ici à une image quantiée.
3. Quelle est la probabilité qu’un unique pixel soit augmenté de 1255.
Pour répondre à cette question et pour passer d’une description discrète à une description continue on pourrait
donner trois signications à cette phrase :
m m 1
• H1 : Le pixel est passé de 255 à 255 + 255 .
m m 1 m 3
• H2 : Le pixel est passé de 255 à un niveau de gris contenu dans ] 255 + 2×255 , 255 + 2×255 ].
m 1 m 1
• H3 : Le pixel avait un niveau de gris quelque part dans ] 255 − 2×255 , 255 + 2×255 ] il a maintenant un niveau
m 1 m 3
de gris contenu dans ] 255 + 2×255 , 255 + 2×255 ]. On modélise l’ignorance du niveau de gris par une loi
uniforme.
En fait la première hypothèse conduit à une probabilité nulle qui est un résultat absurde on ne peut donc utiliser
cette hypothèse. La deuxième et la troisième conduisent à des résultats voisins, on utilise donc la deuxième hy-
pothèse plus simple.
4. Quelle est la probabilité que l’ensemble de l’image devienne une image uniforme ?
5. Quelle est l’espérance du nombre de pixels dont le niveau de gris a décru de 1255 ?
Dans cette question, tout se passe comme si on faisait un tirage de Bernouilli où on se donne une certaine proba-
bilité que certains pixels subissent une transformation, on sait alors que l’espérance du nombre de pixels subissant
cette transformation est donnée par le nombre de pixels de l’image multiplié par cette probabilité.
6. A partir des calculs précédents, calculez un histogramme moyen de l’image modiée par le bruit additif.
On dénit l’histogramme par H = − 255 i=0 pi log2 (pi ) où pi sont les probabilités qu’un pixel ait le niveau de gris
i
gi = 255 .
7. Calculez l’entropie de l’image sans bruit additif.
49
8. Calculez l’entropie de l’image lorsqu’on rajoute un bruit impulsionnel, ici pour chaque pixel il y a une
probabilité q = 005 que celui-ci vaille 1.
Pour une image de taille M × N , on dénit ici la matrice de coocurrence par
1 1 ∑∑
Ci,j = 1 i [gmn ] 1 j [gm−1,n ] + 1 j [gm,n−1 ] (30)
2 M N − (M + N )2 m n 255 255 255
i j
Ainsi si gmn vaut 255 et gm−1,n vaut 255 , alors ce couple de pixels (m, n) et (m−1, n) contribuent pour 12(M −
1)(N −1) à la composante (i, j) de la matrice de coocurrence. Les composantes ainsi dénies forment une matrice
qui n’est pas nécessairement symétrique. La normalisation utilisée ici permet d’interprêter les composantes Ci,j
comme des probabilités qu’un couple de pixels aient telle transition. L’entropie du second ordre est dénie par
1
H = − 2 ij pij log2 (pij )
9. Calculez la matrice de coocurrence de l’image sans bruit.
10. Calculez l’entropie de l’image sans bruit.
Exercice 25 (18) On considère une image 256 × 256 dénie par fmn = max(m−128,n−128)
128 .
1. Décrivez l’aspect visuel de cette image. On pourra d’abord considérer la matrice de taille 5 × 5 dénie par
gmn = max(m − 2, n − 2).
2. Calculez et représentez l’histogramme de cette image f .
3. On effectue un seuillage sur cette image f (c’est-à-dire que l’on quantie cette image sur deux niveaux). Le
seuil est xé à 05. Décrivez l’image résultante.
4. Calculez le niveau de gris moyen de l’image obtenue.
5. Choisir le seuil de façon que l’image obtenue ait un niveau de gris moyen égale à 05.
On cherche maintenant à égaliser l’histogramme de cette image, c’est-à-dire à appliquer une transformation non-
linéaire notée T sur les niveaux de gris de façon que le nouvel histogramme soit le plus plat possible.
n(n+1)
6. Calculez l’histogramme cumulé, on rappelle que la somme des n premiers entiers est égale à 2 .
7. Idéalement combien vaudrait un histogramme plat h∗ et son histogramme cumulé C ∗ ?
8. La transformation non-linéaire doit vérier T (m) = minlC(m) ≤ C ∗ (l). Que vaut T ?
Exercice 26 (23) On considère la transformation T suivante qui opère sur une image gmn de taille M × N , en
niveaux de gris à valeurs sur [0, 1]. fm+1,n+1 = 13 fm,n+1 + 13 fm+1,n + gm+1,n+1 .
1. S’agit-il d’une transformation linéaire ?
2. Montrez qu’elle est invariante par translation ?
3. Cette transformation est donc un ltre linéaire, on cherche maintenant à déterminer le masque équivalent.
On considère une image notée δmn qui vaut 1 en haut à gauche et zéro partout ailleurs. Calculez le résultat
de cette transformation pour une image de taille 4 × 4. On pose r = 13. On note f δ le résultat de cette
transformation.
4. En utilisant des notions de dénombrements montrez que fm,n
δ = rm+n Cm+n
n . Ceci est le masque inni qui
caractérise la transformation.
1
5. A partir de la formule de récurrence, montrez que la fonction de transfert de T est T (z) = 1−rz1−1 −rz2−1
.
6. En utilisant un développement en série de la fonction de transfert, retrouvez le masque inni.
50
Exercice 27 (30) Cet exercice montre la notion d’inférence bayésienne. Un objet uniforme est photographié dans
un environnement bruité. Le bruit est un bruit blanc gaussien additif d’écart-type σ = 005 et le fond de l’image
est noir, l’objet a une teinte de g ∗ = 05 avec une forme inconnue qui occupe une taille de S ∗ = 2500 pixels au
sein d’une image 256 × 256. Comme l’objet est plus clair que le fond, il est naturel de penser que les zones claires
donne une forte présomption de la présence de l’objet. La question que l’on se pose ici est, à partir de quelle
intensité de gris, peut-on penser qu’il y a un objet. Autrement dit, nous allons seuiller l’image, mais on se demande
comment choisir le seuil.
1. S’il n’y avait pas de bruit, quelle serait la probabilité pour un pixel de faire parti de l’objet ? Cette probabilité
∗
est notée P (Imn = g ∗ ). Quelle serait la probabilité P (Imn∗ = 0) de ne pas faire parti de l’objet ? Ces
probabilités sont appelées probabilités a priori.
2. Les niveaux de gris des pixels constituent un processus aléatoire et en particulier le niveau de gris d’un pixel
constitue une variable aléatoire. A priori il s’agit de quantités aléatoires discrètes mais ici pour simplier
nous considérons qu’il s’agit de quantités aléatoires continues. Si un pixel fait parti de l’objet, quelle est
la densité de probabilité des niveaux de gris ? Il s’agit d’une densité de probabilité conditionnelle, elle est
∗ = g ∗ ](x). Si un pixel ne fait pas parti de l’objet, quelle est la densité de probabilité
notée f [Im,n = xImn
∗ = 0](x).
des niveaux de gris ? Elle est notée f [Im,n = xImn
3. Expliquez pourquoi la densité de probablité peut se décomposer ainsi
∗
f (Imn = x) = f (Imn = xImn = g ∗ )P (Imn
∗
= g ∗ ) + f (Imn = xImn
∗ ∗
= 0)P (Imn = 0)
et pourquoi
∗ ∗
f (Imn = x et Imn = 1) = f (Imn = xImn = g ∗ )P (Imn
∗
= g∗)
et nalement pourquoi
∗ = g ∗ )P (I ∗ = g ∗ )
f (Imn = xImn
∗
f (Imn = g ∗ Imn = x) = ∗
mn
f (Imn = xImn = g ∗ )P (Imn
∗ = g ∗ ) + f (I ∗ ∗
mn = xImn = 0)P (Imn = 0)
Cette dernière égalité s’appelle la formule de Bayes.
∗ =g ∗ I
f (Imn mn =x)
4. On note r le ratio ∗ =0I
f (Imn mn =x)
. Montrez que r en fonction de x, on note cette fonction h. Montrez que
2xg ∗ −g ∗2
S
h(x) = N 2 −S
e 2σ 2 .
5. Montrez que la probabilité pour un pixel d’appartenir à l’objet en fonction du niveau de gris du pixel vaut
H(x)
1+h(x) . Montrez que cette fonction est croissante, et expliquez pourquoi cette croissance est cohérente avec
g∗ S
la modélisation. On observe que pour x = 2 , alors la probabilité étudiée vaut N2
, expliquez cette valeur.
6. On décide de seuiller l’image à s = h−1 (1). Calculez h−1 . Que peut-on afrmer à propos des pixels qui ont
été seuillés (dont le niveau de gris est supérieur à s) ? Expliquez pourquoi dans certaines applications on
pourrait être amené à seuiller avec un seuil beaucoup plus faible : s = h(19).
Cours 30 (29)
Un ensemble peut se représenter au moyen d’une image binaire : l’ensemble des pixels valant 1. Un élément
structurant est déni par un ensemble dont un élément est appelé centre. Un élément structurant est aussi un
ensemble de translations, ce sont toutes les translations qui déplacent le centre de l’élément structurant en un
des éléments de l’ensemble structurant. La dilatation (dilation) d’un ensemble A par un élément structurant B
contenant un centre est noté A ⊕ B et est déni par l’image de A par l’ensemble des translations de B. L’érosion
(erosion) d’un ensemble A par un élément structurant B contenant un centre est noté A B et est déni par
l’ensemble des points de A qui sont encore dans A après une des translations de B. L’ouverture (opening) de A
par un élément structurant B est dénie par une érosion suivie d’une dilatation de A par B. La fermeture (closing)
de A par un élément structurant B est dénie par une dilatation suivie par une érosion de A par B.
51
Exercice 28 (29) On considère l’image suivante :
0 0 0 0 0 0 0
0 0 1 1 0 0 0
0 0 0 1 0 0 0
0 0 0 1 1 0 0
I =
0 0 1 1 1 1 0
0 0 1 1 1 0 0
0 1 0 1 0 1 0
0 0 0 0 0 0 0
1. On considère l’élément structurant suivant B = [1 1 1], le centre est indiqué en gras. Calculez l’image
dilatée par B puis l’image érodée par B.
2. On considère l’élément structurant suivant C = [1 1; 0 1]. Calculez l’image dilatée par B puis l’image
érodée par C.
3. Calculez l’ouverture et la fermeture de I pour les éléments structurants B et C.
4. Il y a plusieurs dénitions du gradient morphologique. Ici nous allons en considérer deux : l’intersection de
l’image dilatée avec le complémentaire de l’image d’origine d’une part, et l’intersection de l’image d’origine
avec le complémentaire de l’image érodée d’autre part. Calculez le résultat de ces deux gradients mor-
phologiques pour l’élément structurant D = [1 1].
Figure 15: images de l’exercice 29
Exercice 29 (28) La chaı̂ne suivante a été codée à l’aide du codage de Huffmann
100010010000111001000111011111001000111001000100010010
52
On sait, à la lecture de l’entête que l’image de taille 5 × 5 et que le dictionnaire est le suivant :
0 = 10
80 = 00
150 = 01
200 = 110
215 = 111
1. Expliquez comment a été construit l’arbre présenté dans la gure 15 ?
2. Reconstruire l’image.
3. Calculez la longueur moyenne du code L, la longueur exacte du code Le et l’entropie H. Montrez qu’on a
effectivement H ≤ L ≤ H + 1. La gure 16 (p. 53) peut aider à faire le calcul numérique.
4. La règle d’Huffman qui conduit au choix des codes est qu’il faut coder les niveaux de gris les plus probables
avec les séquences les moins les moins longues. Montrez que si on change le code en ne respectant pas cette
règle par exemple en échangeant le code associé à 200 ou 215 à celui d’un des autres niveaux de gris, alors
la longueur moyenne du code est augmentée de la différence de probabilités entre les deux codes.
Figure 16: Graphique de la fonction x 7→ −x log2 (x), exercice 29 (28)
Exercice 30 (27) Cet exercice comporte des difcultés similaires à celles rencontrées pour faire un sudoku, l’intérêt
est qu’il permet de comprendre les difcultés et les nécessaires approximations à faire pour réaliser un algorithme
de synthèse de texture. Les matrices de cooccurence sont en effet un outil permettant de décrire les textures non-
déterministes.
On considère des images de taille 4 × 4 à valeurs dans 0, 1, 2, 3.
1. Calculez la matrice de cooccurence pour les transitions verticales à un pas de l’image suivante :
0 1 2 3
1 2 3 0
I1 = 2 3 0 1
3 0 1 2
53
Dans la matrice de cooccurence, l’indice des colonnes indique le niveau de gris du pixel de départ et l’indice
des lignes indique le niveau de gris du pixel à l’arrivée. Ici la matrice n’est pas normalisée et la somme des
composantes est égale à l’ensemble des transitions verticales c’est-à-dire 3 × 4 = 12.
2. Proposez une matrices 4 × 4 à valeurs dans 0, 1, 2, 3 qui auraient la matrice de cooccurences suivantes
pour des transitions verticales à un pas.
3 0 0 0
0 3 0 0
C2 =
0 0 3 0
0 0 0 3
3. Montrez que les deux matrices de cooccurences ne correspondent à aucune matrice d’images.
0 12 0 0 0 0 0 0
0 0 0 0 2 0 0 0
C3 =
0 0 0 0 C4 = 2 2 0 0
0 0 0 0 2 2 2 0
On cherche maintenant à trouver une image dont la matrice de cooccurence est la suivante
0 1 1 1
1 0 1 1
C5 = 1 1 0 0
1 1 2 0
Pour cela on propose de procéder par étapes.
4. Trouvez une image dont la matrice de coocurrence est :
0 1 1 1
1 0 1 1
C6 = 1 1
0 1
1 1 1 0
Pour cela on cherchera parmi les images dont les colonnes et les lignes sont formées de chiffres différents.
Expliquez pourquoi il est possible de choisir arbitrairement la première colonne et la première ligne sans
craindre d’écarter une bonne solution.
5. On remarque que quand on fait circuler une colonne (i.e. transformation du quatre-uplet (a, b, c, d) en
(b, c, d, a)), on supprime une transition et on en fait apparaı̂tre une autre. De même quand on remplace un
chiffre par un autre on fait disparaı̂tre une transition et on en fait apparaı̂tre une autre. En combinant ces
deux méthodes trouvez une image dont la matrice de cooccurence soit C5 .
54
Vous aimerez peut-être aussi
- Traitement d'Images Numériques en TDPas encore d'évaluationTraitement d'Images Numériques en TD54 pages
- Manuel TP: Traitement d'Images MatlabPas encore d'évaluationManuel TP: Traitement d'Images Matlab9 pages
- Programme Et Objectifs Des Tps de Traitement D'Images - M1 InformatiquePas encore d'évaluationProgramme Et Objectifs Des Tps de Traitement D'Images - M1 Informatique3 pages
- Introduction au Traitement d'ImagesPas encore d'évaluationIntroduction au Traitement d'Images11 pages
- Introduction à l'Image Numérique et Traitement avec MatlabPas encore d'évaluationIntroduction à l'Image Numérique et Traitement avec Matlab126 pages
- Compte Rendu Tp1 Traitement D'Image: Manipulation Et Transformation Des Images NumériquesPas encore d'évaluationCompte Rendu Tp1 Traitement D'Image: Manipulation Et Transformation Des Images Numériques7 pages
- TP MATLAB : Initiation au Traitement d'ImagePas encore d'évaluationTP MATLAB : Initiation au Traitement d'Image2 pages
- Travaux Pratiques: Télécommunications de SfaxPas encore d'évaluationTravaux Pratiques: Télécommunications de Sfax5 pages
- TP: Traitement d'Images avec MatlabPas encore d'évaluationTP: Traitement d'Images avec Matlab8 pages
- Lecture et Visualisation d'Images sous MatlabPas encore d'évaluationLecture et Visualisation d'Images sous Matlab9 pages
- TD Matlab : Traitement d'Images et VisionPas encore d'évaluationTD Matlab : Traitement d'Images et Vision9 pages
- TP Image: Matrices et TransformationsPas encore d'évaluationTP Image: Matrices et Transformations3 pages
- Traitement D'image, Code MATLAB D'opérations de Base100% (13)Traitement D'image, Code MATLAB D'opérations de Base13 pages
- TP Codage et Compression en ÉlectroniquePas encore d'évaluationTP Codage et Compression en Électronique8 pages
- Techniques Multimédia MATLAB: Exercices Pratiques100% (1)Techniques Multimédia MATLAB: Exercices Pratiques2 pages
- TP Traitement Images N 1 Dur Ee: 3h00Pas encore d'évaluationTP Traitement Images N 1 Dur Ee: 3h002 pages
- TP #4: Manipulation Sur Les Images Couleurs: Le Traitement D'imagePas encore d'évaluationTP #4: Manipulation Sur Les Images Couleurs: Le Traitement D'image3 pages
- Chapitre III: Filtrage Numérique en Utilisant MatlabPas encore d'évaluationChapitre III: Filtrage Numérique en Utilisant Matlab30 pages
- Distributions Cours Spécial (3ème Partie)Pas encore d'évaluationDistributions Cours Spécial (3ème Partie)19 pages
- Distributions Cours Spécial (2ème Partie)Pas encore d'évaluationDistributions Cours Spécial (2ème Partie)30 pages
- DISTRIBUTIONS Cours Spécial (1ère Partie)Pas encore d'évaluationDISTRIBUTIONS Cours Spécial (1ère Partie)31 pages
- Rapport de Diagnostic 241228 140504Pas encore d'évaluationRapport de Diagnostic 241228 1405044 pages
- Capture D'écran . 2022-11-20 À 13.07.24Pas encore d'évaluationCapture D'écran . 2022-11-20 À 13.07.241 page
- Conversion Binaire-Décimal SimplifiéePas encore d'évaluationConversion Binaire-Décimal Simplifiée6 pages
- Chatgpt Simplifie Guide Pratique Pour Debutants - 65cbd959Pas encore d'évaluationChatgpt Simplifie Guide Pratique Pour Debutants - 65cbd95924 pages
- Administration Digitale au Maroc : Défis et RecommandationsPas encore d'évaluationAdministration Digitale au Maroc : Défis et Recommandations43 pages
- Rapport Diagnostic Automobile ElectroniquePas encore d'évaluationRapport Diagnostic Automobile Electronique8 pages
- Comment Épouser Un Milliardaire (Liz Fielding (Fielding, Liz) ) (Z-Library)100% (5)Comment Épouser Un Milliardaire (Liz Fielding (Fielding, Liz) ) (Z-Library)157 pages
- Guide ChatGPT - Qu - Est Ce Que C - Est - Comment L - Utiliser Et Le Meilleur Que Vous Pouvez Faire A..Pas encore d'évaluationGuide ChatGPT - Qu - Est Ce Que C - Est - Comment L - Utiliser Et Le Meilleur Que Vous Pouvez Faire A..64 pages
- Intégration de Java Bluetooth en POOPas encore d'évaluationIntégration de Java Bluetooth en POO15 pages
- Diagrammes SysML pour la Balance HaloPas encore d'évaluationDiagrammes SysML pour la Balance Halo5 pages
- EN BTS - GL - 2022 Algorithme S - de D - Sujet 2100% (2)EN BTS - GL - 2022 Algorithme S - de D - Sujet 22 pages
- ملخص دروس التربية الإسلامية للثالثة إعدادي PDFPas encore d'évaluationملخص دروس التربية الإسلامية للثالثة إعدادي PDF1 page
- Concepts et Techniques du Machine LearningPas encore d'évaluationConcepts et Techniques du Machine Learning6 pages
- Optimisation Et Applications (M3) : PARTIE 1: Méthodes D'optimisation Sans Gradient (Directes, Évolutionnaires)Pas encore d'évaluationOptimisation Et Applications (M3) : PARTIE 1: Méthodes D'optimisation Sans Gradient (Directes, Évolutionnaires)11 pages
