Université de Tunis-Elmanar

Institut Supérieur d’Informatique

Cours : Vision par Ordinateur

2CS

Chapitre 4: Détection de contours

02/04/2024

1
Les filtres

2
Les filtres

3
 Plan du chapitre

1. Définition : contour

2. Dérivée première : Gradient de l’image

3. Dérivée seconde : Laplacien de l’image

4
1. Définition : contour

5
 Qu’est ce qu’un contour?
Un contour est caractérisé par une grande variation de l’intensité et une faible variation
dans la direction perpendiculaire

6
 Contour : définition
Visuellement : un contour est la frontière qui sépare deux objets
dans une image de couleurs différentes.
En terme d’intensité : un contour est une variation brusque de
l’intensité dans une direction et une variation lente dans la direction
perpendiculaire
En terme de fréquence : un contour est une haute fréquence.
Pour détecter les contours dans une image on applique les filtres
passe-haut. Il existe deux façons pour détecter les contours dans les
images à l’aide des filtres passe-haut :
1) Dérivée première de l’image : Gradient
2) Dérivée seconde de l’image : Laplacien

7
 exemple de contour

12 12 166 165 164

11 13 164 164 167

13 15 165 165 168

12 14 164 168 169

12 14 167 167 164

8
 Détection de contours : applications

1) Reconnaissance d’objets,
de formes, classifications
de scènes

2) Mise en correspondance :
calibration, reconstruction 3D

9
2. Première dérivée de l’image :
Gradient

10
Détection de contour
• Un contour caractérise la frontière d’une région
• Un contour est défini par une variation «rapide» de caractéristique

Contour Contour ? Contour ?

11
 Si on considère la fonction Toit
Si on considère la fonction
y = toit(x),
Echelon y = echelon(x,centre)
[f(x)=cos(2πx/T + π)]

• La courbe de la fonction Echelon peut Le signal de la fonction Toit représente

être vue comme un saut d’amplitude de une zone de niveaux de gris plus clairs
l’image, que de ceux des extrémités.
•les valeurs négatives représentant les
niveaux de gris à tendances sombres et
les positives ceux plus clairs.

12
 Représentation en 3D
Fonction Echelon Fonction Toit

13
 Si on projette ces deux
représentations sur un plan pour
former une image

14
Dérivée première de la fonction Dérivée première de la fonction
Echelon Toit

15
 rechercher des contours
dans une image

trouver les zones où l’intensité présente

une variation rapide .

appliquer un filtre linéaire

16
 Dérivée première d’une image :
gradient
Le gradient d’une fonction continue f par rapport aux
deux directions x et y est définie par:

L’image est une fonction discrète il faut donc appliquer une

dérivée discrète sur l’image.
Une approximation de la première dérivée discrète de
l’image est la multiplication de l’image par deux filtres de
convolutions :
• Un filtre dans la direction x
• Un filtre dans la direction y
17
 Etapes de détection de contour

1) Calculer la première dérivée de l’image par

rapport à x (Ix) : convolution avec un filtre dans
la direction horizontale
2) Calculer la première dérivée de l’image par
rapport à y (Iy) : convolution avec un filtre dans
la direction verticale
3) Calculer l’image de gradient
4) Appliquez un seuil pour obtenir l’image binaire
de contour

18
 Dérivée discrète : exemples

Exemples de
Exemples de
filtres dans la
filtres dans la
direction y
direction x

filtre de filtre de
Roberts dans Roberts dans
la direction x la direction y

19
Dérivée discrète : exemples

20
 Dérivée discrète : exemples

filtre de filtre de
Prewitt dans Prewitt dans
la direction x la direction y

filtre de Sobel filtre de Sobel

dans la dans la
direction x direction y

21
Filtre de Roberts

22
Filtre de Prewitt

23
Filtre de Sobel

24
 Exemple
12 12 166 165 164 164

11 13 164 164 167 167 1 153 1 0 -3

13 15 165 165 168 168 0 149 -1 2 -1

12 14 164 168 169 169 0 1 3 151 1 0 -1

=G
⃰ -1 0 x
12 14 167 167 164 164 2 149 1 2 5

12 14 167 167 164 164 2 153 0 -3 0

12 12 166 165 164 164

-1 -152 2 -2 -3
11 13 164 164 167 167
-4 -152 -1 -4 -1
13 15 165 165 168 168
1 0
= -1 -149 -3 -4 -1

⃰
Gy
12 14 164 168 169 169 0 -1 -2 -153 -3 -4 5
12 14 167 167 164 164
-2 -153 0 3 0
12 14 167 167 164 164

25
 Exemple
2 305 3 2 6
1 153 1 0 -3
4 301 2 6 2
0 149 -1 2 -1

3 151 1 0 -1
G=|Gx|+|Gy| 4 300 4 4 2
Gx
4 302 4 6 10
2 149 1 2 5
4 306 0 6 0
2 153 0 -3 0

-1 -152 2 -2 -3 0 1 0 0 0
Appliquer un seuil S
0 1 0 0 0
-4 -152 -1 -4 -1
pour obtenir l’image
-1 -149 -3 -4 -1 de contours qui est 0 1 0 0 0

Gy une image binaire.

-2 -153 -3 -4 5 0 1 0 0 0
Exple S=100
-2 -153 0 3 0 0 1 0 0 0

26
Filtre de Roberts

27
Filtre de Sobel

28
Exemple de détection de contours

29
Gradient : norme et direction

30
Gradient : norme et direction

i,j i,j

31
Gradient de l’image

32
Exemple de détection de contours

33
Seuillage du gradient

34
Masque de Kirsh

35
3. Deuxième dérivée de l’image
: Laplacien

36
Dérivée première de la fonction Dérivée première de la fonction
Echelon Toit

Dérivée seconde de la fonction Dérivée seconde de la fonction

Echelon Toit

37
Deuxième dérivée de l’image

38
Deuxième dérivée de l’image :
Laplacien

39
 Laplacien par convolution

dérivée seconde = bruit amplifié = nécessité de lissage

40
Laplacien par convolution

41
Comparaison gradient laplacien

42
 Conclusion
Il n’y a pas de détecteur parfait ;
il faut essayer de formaliser
l’objectif final du traitement
où la recherche des contours
n’est qu’une étape intermédiaire
et,
relativement à cet objectif,
évaluer les performances d’un détecteur :
proportion de détections correctes,
de détections manquées
et de fausses détections
43