Upload
cynapsys
View
2.207
Download
0
Embed Size (px)
Citation preview
Traitement d’images
Généralité et exemples
0% 100%
Plan
Introduction
►Segmentation
►Détection de Contours
►Filtrage
Conclusion
2
Introduction
3
Image Numérique: Echantillonnage et Quantificationx
y
R(x,y) I(x,y)
L'échantillonnage est le procédé de
discrétisation spatiale d'une image
consistant à associer à chaque zone
rectangulaire R(x,y) d'une image continue
une unique valeur I(x,y).
On parle de sous-échantillonnage lorsque
l'image est déjà discrétise et qu'on diminue
le nombre d'échantillons.
Une image numérique est une image échantillonnée et quantifiée.
La quantification désigne la limitation du nombre de valeurs différentes que peut prendre I(x,y).
4
Segmentation
Segmentation
5
Segmentation d’images : • En analyse d’image, ce qui nous intéresse, ce sont les objets des images.
• Définition : Objet : partie sémantiquement cohérente dans l’image
• En pratique : souvent– Connexe– Couleur cohérente– Délimité par des contours nets
• Mais aussi– Texture cohérente– Information à priori
Segmentation
6
• Approches GLOBALES: Histogrammes
• Approches LOCALES: Region growing,
• Approches HYBRIDES: Split & Merge, CSC
Plusieurs approches:
Segmentation
7
►Histogrammes
L'histogramme représente la répartition des pixels en fonction de leur niveau de gris.
Histogramme
Niveau de gris
Effectif
Rapide et simple
Peut sensible au bruit
Méthode globale: ignore les informations de proximité.
Elle ne permet pas de définir des objets, mais seulement des ensembles de points.
Segmentation
8
►Croissance de regions (region growing)
Idée:
On part d’un point amorce (seed) et l’on l’étend en ajoutant les points de la frontières qui satisfont le critère d’homogénéité
Algorithme
TANT QUE image n’est pas segmentée en
entier
1. Choisir un pixel non-étiqueté
2. Examiner les voisins :
Vj similaire étiquette k⇒
3. TANT QUE Vj Région k∈
Examiner les voisins
Vi similaire étiquette k⇒
4. k = k + 1 et retour à ①
ExempleExemple
Seuil = 3 Seuil = 4
Exemple
Seuil = 6 Seuil = 7
Rapide et simple.
Méthode locale: aucune vision globale du problème.
Problème du gradient. Algorithme sensible à l’ordre de parcours des
points.
Segmentation
9
composé de deux phases: ►Phase 1 : Créer les zones homogènes = SPLIT
►Phase 2 : Les regrouper = MERGE (cherche tous les couples de régions adjacentes dans l'arbre issu du découpage et cherche à les fusionner si leur couleur est assez proche.)
►Split and Merge
Segmentation
10
Split
La méthode de découpage de l'image utilisée dans cet algorithme
est basé sur la notion de .quadtree. Cette structure de données est
un arbre quaternaire qui permet de stocker l'image à plusieurs
niveaux de résolution.
L’image est stockée dans un arbre. Initialement, arbre racine = image
complète
Exemple
Image initialeSplit 1
Split 2
Split 3
Homogénéité = critère sur la variance de la couleur.
►Split and Merge
Segmentation
11
Construction du RAG Region Adjacancy Graph Quadtree
RAG
►Split and Merge
SegmentationMERGE:
• Chaque nœud du Region Adjacency Graph est examiné.• Si un des voisins de ce nœud est à une distance inférieure à
un seuil de regroupement, les deux nœuds fusionnent dans
le RAG.• Lorsque plus aucun nœud ne peut fusionner avec l’un de
ses voisins, STOP.
La distance en terme d’homogénéité de régions est portée par l’arrête valuée qui les relie dans le RAG
12
►Split and Merge
Segmentation
13
Original
Split & Merge
ExempleOriginal
Split & MergeMéthode hybride locale/globale: permet de contrer le problème du gradient.
Méthode assez complexe Découpage un peu « carré »
►Split and Merge
14
Détection de contours
Détection de contours
15
Un contour peut approximativement être
défini comme une zone de l’image ou
l’intensité des pixels change brusquement.
Cette discontinuité dans l’image est le
passage d’un niveau de gris à un autre, de
manière plus ou moins rapide.
Techniquement, la détection de contours
est le procédé de localisation des pixels se
trouvant sur les bords
Détection de contours
16
Le masque de Sobel mesure le gradient d’une image 2D.
Typiquement, il est utiliser pour trouver une approximation du gradient en
tout point d’une image au niveaux de gris.
Une paire de masques à convolution, l’un estimant le gradient suivant l’axe-
x, et l’autre selon l’axe-y.
Pour un pixel de coordonnées (i,j), Sx et Sy sont:
Sx = I[i-1][j+1]+2I[i][j+1]+I[i+1][j+1]-(I[i-1][j-1]+2I[i][j-1]+I[i+1][j-1])
Sy = I[i+1][j+1]+2I[i+1][j]+I[i+1][j-1]-(I[i-1][j+1]+2I[i-1][j]+I[i-1][j-1])
Exemple: Masque de Sobel
After Sx and Sy are computed for every pixel in an image, the resulting magnitudes must be thresholded. All pixels will have some response to
the templates, but only the very large responses will correspond to edges.
Magnetude:
22 SySxS
SySxS
Sy Sx
S
Détection de contours
17
Exemples
18
Filtrage
Filtrage
19
L'objectif du filtrage est de réduire les variations d'intensité au sein de
chaque région de l'image tout en respectant et préservant l'intégrité des
scènes :
les transitions entre régions homogènes,
les éléments significatifs de l'image
Différentes méthodes de filtrage ont été développées suivant le type et
l’intensité du bruit, ou les applications auxquelles on destine l'image.
- Filtres Lineaires,
- Filtres Non-Lineaires
Filtrage
20
Filtres linéaires : Lissage
Le lissage est une opération fondamentale en traitement d'images,
elle vise à atténuer ou supprimer les aspérités et petits détails dans
une image.
En d'autres termes, la corrélation de l'image avec le masque M remplace (en
parallèle) le niveau de gris de chaque pixel par une moyenne pondérée de
ceux de son voisinage.
L'effet du lissage est de "mélanger" les niveaux de gris dans un voisinage, donc d'engendrer du flou sur l'image.
Filtrage
21
Filtres linéaires : Lissage
Image originale Lissage 3x3 Lissage 7x7 Lissage 15x15
Image bruitée Lissage linéaire 3x3
Lissage : Elimination du bruitLissage : Amélioration de la détection de contours
Extraction d'arêtes surl'image bruitée
Extraction d'arêtes surl'image bruitée lissée 5x5
Extraction d'arêtes surl'image originale
Extraction d'arêtes surl'image lissée 5x5
Filtrage
22
Filtres Non-Linéaires : Le filtre médian
Par exemple, soit n = 9, et considérons les 9 valeurs17, 1, 3, 5, 3, 1, 12, 2, 7.
Notons que certaines valeurs peuvent être répétées, et qu'il ne faut pas supprimer les répétitions!
En les ordonnant de la plus petite à la plus grande, on obtient la suite1, 1, 2, 3, 3, 5, 7, 12, 17.
La valeur au milieu de cette suite ordonnée est la 5ème, à savoir 3, qui est donc la médiane des 9 valeurs.
Le filtre médian est un filtre spatial qui calcule en chaque pixel la médiane des niveaux de gris des pixels de sa fenêtre.
Non-création de nouveaux niveaux de gris
Filtrage
23
Le filtre médian: Elimination du bruit poivre et sel
Le bruit impulsif, aussi appelé bruit poivre et sel, est une dégradation de l'image où certains pixels deviennent aléatoirement soit blancs, soit
noirs.
On suppose généralement que la probabilité qu'un pixel devienne blanc (resp. noir) est constante sur l'image, et que le devenir de chaque pixel
est indépendant de celui des autres.
Le filtre médian: Elimination du bruit poivre et sel
Lissage linéaire 5x5
Filtrage médian5x5
Filtrage médian3x3
2ème applicationdu filtre médian
3x3
Conclusion
24
Intelligence Artificielle
Traitement d’images
Face expression DetectionGuidage automatique:Autosurveillance,
Navigation, etc…
Contrôle de trafic: Détection d’infractions, Identification de matricules, Prévention d’accidents, etc…
Médical
Micro robots de détection de cancers, tumeurs,etc…
2cm
< 1mm de
25