Université de Tunis-Elmanar
Institut Supérieur d’Informatique
Cours : vision par ordinateur
Chapitre 3: Filtrage d’images
2CS
1
Plan du chapitre
1. Introduction
2. Filtrage par convolution Numérique
3. Filtrage passe bas par convolution
4. Filtrage passe bas non linéaire
2
1. Introduction
3
Définition
Transformation locale ayant pour objectif de :
Atténuer le bruit dans les images dans le cas du bruit additif (sel
et poivre) liées des erreurs de quantification ou de
transmission…etc. I’(x) = I(x)+b(x). Filtres passe bas
Restaurer les images. Effet de flou lié au mouvement du capteur
et aux conditions de prise de vue. Bruit multiplicatif I’(x) = I(x)*b(x).
Filtres morphologiques
Détecter les contours. Filtres passe haut
Ajouter des effets à des images (effet cartoon)
4
deux types de filtrage spatial
5
Bruit additif : pixel bruité ?
Un pixel est dit bruité si sa valeur est largement
différente de ses voisins.
Exemple : Bruit sel et poivre
153 152 154 153 152 154
154 0 155 154 255 155
151 148 149 151 148 149
Le bruit additif est atténué par des opérations de
filtrage passe-bas
6
Exemples de bruits
Poivre et sel 10%
7
2. Filtrage par convolution
numérique
8
Exemple de convolution 2D
9
Convolution numérique discréte
Généralement, le masque est de dimension
impaire et symétrique.
10
Filtrage spatial et convolution
100 130 110 120 110 ? ? ? ? ?
110 90 100 90 100 ? V ?
W1 W2 W3
130 100 90 130 110 ? ?
W4 W5 W6
120 100 130 110 120 ? ?
W7 W8 W9
90 110 80 120 100 ? ? ? ? ?
Noyau de convolution
Image initiale (Masque) Image résultat
V = 100 * W1 + 130 * W2+ 110 * W3 +
110 * W4 + 90 * W5 + 100 * W6 +
130 * W7 + 100 * W8 + 90 * W9
11
Convolution numérique discréte
k /2 k/2
I ' x, y I x i, y j * F (i, j)
i k / 2 j k / 2
12
Convolution nmérique
k /2 k /2
I ' x, y I x i, y j * F (i k / 2, j k / 2)
i k / 2 j k / 2
13
Convolution numérique R=I*K
14
Convolution numérique R=I*K
15
Convolution numérique R=I*K
16
Convolution numérique R=I*K
17
Effets de bord
Que faire pour les effets de bord ?
18
Effets de bord
Ne pas filtrer les bords
100 130 110 120 110 100 130 110 120 110
110 90 100 90 100 110 100
130 100 90 130 110 130 110
120 100 130 110 120 120 120
90 110 80 120 100 90 110 80 120 100
Image initiale Image résultat
19
Effets de bord
Mise à zéro de la couronne
0 0 0 0 0 0 0
0 100 130 110 120 110 0
0 110 90 100 90 100 0
0 130 100 90 130 110 0
0 120 100 130 110 120 0
0 90 110 80 120 100 0
0 0 0 0 0 0 0
Image résultat
Image initiale
20
Effets de bord
Réaliser un effet de miroir
100 100 130 110 120 110 110
100 100 130 110 120 110 110
110 110 90 100 90 100 100
130 130 100 90 130 110 110
120 120 100 130 110 120 120
90 90 110 80 120 100 100
90 90 110 80 120 100 100
Image résultat
Image initiale
21
Masque de convolution
22
3. Filtrage linéaire passe bas
par convolution
23
Filtre moyenneur
24
Filtre moyenneur
10 12 10
I’(x,y)=22
11 105 12
10 11 13
25
Exemple de filtre moyenneur
26
Le filtre Gaussien
Le filtre gaussien donne un meilleur lissage et une meilleure
réduction du bruit que le filtre moyenne.
1 2 1
1 2 4 2
16
1 2 1
1 4 6 4 1
4 16 24 16 4
1 6 24 36 24 6
246
4 16 24 16 4
1 4 6 4 1
27
Filtre Gaussien
10 12 10
I’’(x,y)=34
11 105 12
10 11 13
28
Exemple de filtre Gaussien
29
4. Filtrage passe bas non
linéaire
(autre que convolution)
30
Filtres non linéaires
On désigne par filtre non linéaire un opérateur qui remplace la
valeur de chaque pixel par une combinaison non linéaire de
ses voisins. L’objectif de ces filtres est d’apporter une solution
au problème de lissage et les limites montrées par les filtres
passe-bas linéaires par produit de convolution
Filtre Médian : On remplace un pixel par la valeur médiane de
son voisinage N*N
31
Filtre Median
10 12 10
11 105 12
I’(x,y)=11
10 11 13
32
Exemple filtre Median
33
Nettoyage du bruit dans une image
34
Bibliographie
35
