Segmentation d'image : Contours
|
|
- Victor Paquin
- il y a 7 ans
- Total affichages :
Transcription
1 Segmentation d'image : Contours Philippe Montesinos EMA/LGI2P Parc Scientifique G.Besse Nîmes montesin@site-eerie.ema.fr 1
2 Détection de contours (plan) Signal, échantillonnage, quantification, images numériques Rappels de filtrage linéaire : transformée de Fourier, convolution, cas discret Filtrage fréquentiel Filtrage spatial : filtre moyenne, filtre gaussien Convolution discrète et complexité : filtres séparables, filtres récursifs Lissage et régularisation, normalisation des filtres Opérateur différentiels : gradient, laplacien... Filtrage Dérivatif, dérivées partielles X et Y, normalisation des filtres Filtres de Prewitt, Sobel... Filtrage optimal, approche de Canny Filtre de Deriche Détection de contours, suppression des non maxima locaux, seuillage par hystéresis Espaces échelle, EDPs 2
3 Détection de contours (plan) Signal, échantillonnage, quantification, images numériques Rappels de filtrage linéaire : transformée de Fourier, convolution, cas discret Filtrage fréquentiel Filtrage spatial : filtre moyenne, filtre gaussien Convolution discrète et complexité : filtres séparables, filtres récursifs Lissage et régularisation, normalisation des filtres Opérateur différentiels : gradient, laplacien... Filtrage Dérivatif, dérivées partielles X et Y, normalisation des filtres Filtres de Prewitt, Sobel... Filtrage optimal, approche de Canny Filtre de Deriche Détection de contours, suppression des non maxima locaux, seuillage par hystéresis Espaces échelle, EDPs 3
4 Rappels : Signal Echantillonnage et quantification 1D : Signal réel quantification échantillonnage x, y, t,... 4
5 Rappels : Images Niveau de Gris échantillonnage en Y I(153,203) = ici quantification sur 256 teintes de gris codage entier : 1 octet par pixel 256 échantillonnage en X 5
6 Rappels : Images Niveau de Gris I(x,y) Exemple : contours = transition entre 2 régions ~ homogènes 6
7 Rappels : Images Couleur - Image couleur : Plan Rouge 3 images niveau de gris Plan Vert Plan Bleu 7
8 Détection de contours (plan) Signal, échantillonnage, quantification, images numériques Rappels de filtrage linéaire : transformée de Fourier, convolution, cas discret Filtrage fréquentiel Filtrage spatial : filtre moyenne, filtre gaussien Convolution discrète et complexité : filtres séparables, filtres récursifs Lissage et régularisation, normalisation des filtres Opérateur différentiels : gradient, laplacien... Filtrage Dérivatif, dérivées partielles X et Y, normalisation des filtres Filtres de Prewitt, Sobel... Opérateur Gradient, orientation du gradient Filtrage optimal, approche de Canny Filtre de Deriche Détection de contours, suppression des non maxima locaux, seuillage par hystéresis Espaces échelle, EDPs 8
9 Rappels : Filtrage - Transformée de Fourier : - Transformée de Fourier inverse: 9
10 Rappels : Filtrage - Transformée de Fourier 2D : Coordonnées fréquentielles Coordonnées spatiales - Transformée de Fourier 2D inverse: 10
11 Transformée de fourier Domaine transformée Module de la TF TF Domaine image 11
12 Transformée de fourier Domaine transformée TF Domaine image 12
13 Transformée de fourier Domaine transformée TF Domaine image 13
14 Rappels : Filtrage - Convolution 1D : cas de fonctions continues Retournement d'une des deux fonctions 14
15 Convolution et Filtrage par Transformée FFT -1 * X = = Filtrage spatial : Convolution FFT Filtrage fréquentiel : Transformée - Filtrage linéaire cas général : 15
16 Détection de contours (plan) Signal, échantillonnage, quantification, images numériques Rappels de filtrage linéaire : transformée de Fourier, convolution, cas discret Filtrage fréquentiel Filtrage spatial : filtre moyenne, filtre gaussien Convolution discrète et complexité : filtres séparables, filtres récursifs Lissage et régularisation, normalisation des filtres Opérateur différentiels : gradient, laplacien... Filtrage Dérivatif, dérivées partielles X et Y, normalisation des filtres Filtres de Prewitt, Sobel... Filtrage optimal, approche de Canny Filtre de Deriche Détection de contours, suppression des non maxima locaux, seuillage par hystéresis Espaces échelle, EDPs 16
17 Filtrage fréquentiel Domaine transformée TF Domaine image 17
18 Filtrage fréquentiel Domaine fréquentiel image complexe : Affichage : 18
19 Filtrage fréquentiel (0,0) (-1,0) (0,-1) (-1,-1) FFT Filtre fréquentiel Filtre spatial 19
20 Filtrage fréquentiel (0,0) (-1,0) (0,-1) (-1,-1) FFT Filtre fréquentiel Filtre spatial : Inversion des blocs 20
21 Filtrage fréquentiel FFT Filtre fréquentiel Filtre spatial : réponse impulsionnelle 21
22 Filtrage fréquentiel Domaine transformée TF Domaine image 22 Ondulations (filtre avec maxima secondaires)
23 Filtrage fréquentiel Domaine transformée TF Domaine image 23
24 Filtrage fréquentiel Domaine transformée TF Domaine image 24
25 Filtrage fréquentiel Domaine transformée TF Domaine image 25
26 Filtre Gaussien : Implémentation par FFT 26
27 Produit dans l espace des fréquences X TF d'une gaussienne est une gaussienne Parties réelles et imaginaires 27
28 FFT inverse domaine spatial Image initiale Image filtrée 28
29 Autre exemple : Suppression de trames Image initiale 29
30 Autre exemple : Suppression de trames FFT Filtre fréquentiel 30
31 Autre exemple : Suppression de trames Image initiale Image filtrée 31
32 Détection de contours (plan) Signal, échantillonnage, quantification, images numériques Rappels de filtrage linéaire : transformée de Fourier, convolution, cas discret Filtrage fréquentiel Filtrage spatial : filtre moyenne, filtre gaussien Convolution discrète et complexité : filtres séparables, filtres récursifs Lissage et régularisation, normalisation des filtres Opérateur différentiels : gradient, laplacien... Filtrage Dérivatif, dérivées partielles X et Y, normalisation des filtres Filtres de Prewitt, Sobel... Filtrage optimal, approche de Canny Filtre de Deriche Détection de contours, suppression des non maxima locaux, seuillage par hystéresis Espaces échelle, EDPs 32
33 Retournement d'une des deux fonctions Rappels : Filtrage - Convolution 1D : cas de fonctions discrètes 33
34 Rappels : Filtrage - Convolution 2D : Image résultat Image en entrée Image filtre = masque de convolution 34
35 Convolution et Filtrage par Transformée FFT Image initiale FFT -1 * X = = Masque de convolution Filtrage fréquentiel : Transformée Filtrage spatial : Convolution Image résultat 35
36 Domaine spatial : convolution Masque de convolution : x x y y Image initiale Image résultat 36
37 Domaine spatial : convolution filtre de lissage Filtre Moyenne : exemple filtre de taille 5x5 coefficient de normalisation 37
38 Couleur : filtrage marginal Moyenne 3x3 sur chaque plan 38
39 Couleur : filtrage marginal Moyenne 9x9 sur chaque plan 39
40 Couleur : filtrage marginal Moyenne 25x25 sur chaque plan ~ dirac Réponse impulsionnelle du filtre 40
41 Domaine spatial : convolution filtre gaussien Continu : Discret: Coefficient calculé numériquement 41
42 Domaine spatial : convolution filtre gaussien Filtrage linéaire : convolution x x y y filtre gaussien : moyenne pondérée : les pixels du centre comptent + 42
43 Domaine spatial : convolution filtre gaussien 2D propriété d'isotropie avec : en coordonnées polaires 43
44 Couleur : filtrage marginal (filtre isotrope) Gaussien (25x25) filtre isotrope Lissage dans toutes les directions de manière équivalente 44
45 Surface image : régularisation Image : cercle + bruit blanc Visualisation de la Surface image 45
46 Surface image : régularisation Régularisation : lissage gaussien 46
47 Surface image : régularisation Surface image : lissage gaussien 47
48 Détection de contours (plan) Signal, échantillonnage, quantification, images numériques Rappels de filtrage linéaire : transformée de Fourier, convolution, cas discret Filtrage fréquentiel Filtrage spatial : filtre moyenne, filtre gaussien Convolution discrète et complexité : filtres séparables, filtres récursifs Lissage et régularisation, normalisation des filtres Opérateur différentiels : gradient, laplacien... Filtrage Dérivatif, dérivées partielles X et Y, normalisation des filtres Filtres de Prewitt, Sobel... Filtrage optimal, approche de Canny Filtre de Deriche Détection de contours, suppression des non maxima locaux, seuillage par hystéresis Espaces échelle, EDPs 48
49 Complexité Masque de convolution : pour un masque de taille (2N+1)x(2M+1) : (2N+1) x (2M+1) opérations/pixel. x y x y 49
50 Implémentation : séparabilité des filtres Ex : moyenne 5x5. 50
51 Domaine spatial : convolution filtre moyenne séparable Filtrage linéaire : convolution séparable y x x x y y 51
52 Domaine spatial : convolution filtre moyenne séparable x x y y x y Masque de convolution séparable : pour un masque de taille (2N+1)x(2M+1) séparable : (2N+1) + (2M+1) opérations/pixel. 52
53 Domaine spatial : convolution filtre gaussien séparable Convolution en X suivie d'une convolution en Y 53
54 Domaine spatial : convolution filtre gaussien séparable =1 Filtre gaussien (en Y): x y y Ici : masque 1x11, mais un masque de taille : 1x(+- 3 ) = 1x7 suffisant erreur ~ 54
55 Domaine spatial : convolution filtres récursifs Exemple : filtre moyenne (fonction porte) 1 -a 0 a 55
56 Domaine spatial : convolution filtres récursifs On définit : 56
57 Domaine spatial : convolution filtres récursifs Exemple : filtre moyenne (fonction porte) 1 -a 0 a 1 1 -a a 57
58 Rappels : Transformée en Z Transformée en Z d'une fonction discrète : 58
59 Domaine spatial : convolution filtres récursifs 59
60 Domaine spatial : convolution filtres récursifs sortie entrée filtre Si : alors par TZ domaine spatial : convolution domaine fréquentiel : multiplication 60
61 Domaine spatial : convolution filtres récursifs donc: Equation de récurrence (sens positif) 61
62 Domaine spatial : convolution filtres récursifs X k a k Y + k-a k k+1 62
63 Détection de contours (plan) Signal, échantillonnage, quantification, images numériques Rappels de filtrage linéaire : transformée de Fourier, convolution, cas discret Filtrage fréquentiel Filtrage spatial : filtre moyenne, filtre gaussien Convolution discrète et complexité : filtres séparables, filtres récursifs Lissage et régularisation, normalisation des filtres Opérateur différentiels : gradient, laplacien... Filtrage Dérivatif, dérivées partielles X et Y, normalisation des filtres Filtres de Prewitt, Sobel... Filtrage optimal, approche de Canny Filtre de Deriche Détection de contours, suppression des non maxima locaux, seuillage par hystéresis Espaces échelle, EDPs 63
64 Domaine spatial : convolution filtre de lissage signal constant en entrée lissage signal de sortie doit être identique lissage : pas de modification de l'énergie du signal sortie : signal constant avec filtre signal constant 64
65 Domaine spatial : convolution filtre de lissage normalisation des filtres : somme des coefficients du filtre : 1 détermination du coefficient de normalisation 65
66 Domaine spatial : normalisation filtre gaussien 2D 66
67 Domaine spatial : normalisation filtre gaussien En pratique : noyau de convolution de taille N dépend de (2N+1)x(2N+1) ( pour une gaussienne N ~ 3 ) 67
68 Détection de contours (plan) Signal, échantillonnage, quantification, images numériques Rappels de filtrage linéaire : transformée de Fourier, convolution, cas discret Filtrage fréquentiel Filtrage spatial : filtre moyenne, filtre gaussien Convolution discrète et complexité : filtres séparables, filtres récursifs Lissage et régularisation, normalisation des filtres Opérateur différentiels : gradient, laplacien... Filtrage Dérivatif, dérivées partielles X et Y, normalisation des filtres Filtres de Prewitt, Sobel Filtrage optimal, approche de Canny Filtre de Deriche Détection de contours, suppression des non maxima locaux, seuillage par hystéresis Espaces échelle, EDPs 68
69 Modèle de contour (1D) Step edge : fonction de Heaviside I(x) 1 x 69
70 Modèle de contour (1D) x Step edge 70
71 Modèle de contour (1D) Step edge Lissage 71
72 Modèle de contour (1D) Maximum dérivée première x Point de contour Dérivation 72
73 Modèle de contour (1D) Passage par zéro dérivée seconde x Point de contour Dérivation 73
74 Opérateurs différentiels (2D) Image initiale Lissage gaussien : Courbes de niveau 74
75 Gradient 2D 2 dérivées : dérivée en X et en Y Vecteur gradient : notation 75
76 Gradient Direction de la pente donnée par le vecteur gradient Tangente Courbes de niveau 76
77 Gradient + - Coupe suivant X 77
78 Gradient Ix Iy 78
79 Gradient Vecteur gradient : Norme du gradient : c'est la pente dans la direction de la pente maximale Orientation / axe des X de la pente maximale 79
80 Gradient 80
81 Détection de contours : marionnette (dérivées gaussiennes) Ix Iy 81
82 Détection de contours Norme Angle 82
83 Détection de contours (vecteurs unitaires d'orientation) 83
84 Laplacien Laplacien = somme des dérivées secondes scalaire 84
85 Laplacien 85
86 Laplacien - passage par zéro + 86
87 Détection de contours (plan) Signal, échantillonnage, quantification, images numériques Rappels de filtrage linéaire : transformée de Fourier, convolution, cas discret Filtrage fréquentiel Filtrage spatial : filtre moyenne, filtre gaussien Convolution discrète et complexité : filtres séparables, filtres récursifs Lissage et régularisation, normalisation des filtres Opérateur différentiels : gradient, laplacien... Filtrage Dérivatif, dérivées partielles X et Y, normalisation des filtres Filtres de Prewitt, Sobel, dérivée seconde... Filtrage optimal, approche de Canny Filtre de Deriche Détection de contours, suppression des non maxima locaux, seuillage par hystéresis Espaces échelle, EDPs 87
88 Filtrage dérivatif Filtrage dérivatif par convolution 88
89 Filtrage dérivatif Filtrage dérivatif : Cas discret : 89
90 Filtrage dérivatif f(n+1) -1 1 signal filtre problème coordonnées entières décalage ½ pixel... f '(n) dérivée f(n) Filtrage dérivatif, dérivée discrète : 90
91 Filtrage dérivatif Filtrage dérivatif, on préférera : dans le cas discret : c'est la moyenne des dérivées à droite et à gauche encore un filtre moyenne... 91
92 f(n) -1 1 f(n+1) f(n-1) Filtrage dérivatif signal filtre f(n+1)-f(n) f(n)-f(n-1) dérivée Moyenne dérivée à droite et dérivée à gauche 92
93 Filtrage dérivatif f(n-1) f(n) f(n+1) Filtrage dérivatif, dérivée discrète centrée : ½ signal filtre f '(n) dérivée 93
94 Filtrage dérivatif filtrage dérivatif général : lissage + dérivation lissage (suppression du bruit) puis dérivation Dérivée du filtre de lissage convolution de l'image avec la dérivée du filtre de lissage 94
95 Filtrage dérivatif Normalisation : filtrage dérivatif général (ordre 1): soit : terme nul car g(n) est anti-symétrique (filtre dérivée 1ère) Condition de normalisation 95
96 Filtrage dérivatif Normalisation : filtrage dérivatif général (ordre 1): soit : terme nul car g(n) est anti-symétrique (filtre dérivée 1ère) Condition de normalisation 96
97 Filtrage dérivatif Normalisation filtrage dérivatif général : dérivées exactes pour des polynômes si alors on doit avoir : 97
98 f(n+1) f(n) f(n-1) Filtrage dérivatif : dérivées secondes -1 1 On applique 2 fois une dérivée première -1 1 f(n+1)- 2 f(n)+f(n-1) 98
99 Filtrage dérivatif : dérivées secondes Masques de convolution : 99
100 Filtrage dérivatif : double filtrage passe bas Lissage fort Lissage faible 100
101 Filtrage dérivatif : double filtrage passe bas Passage par zéro Approximation dérivée seconde 101
102 Détection de contours (plan) Signal, échantillonnage, quantification, images numériques Rappels de filtrage linéaire : transformée de Fourier, convolution, cas discret Filtrage fréquentiel Filtrage spatial : filtre moyenne, filtre gaussien Convolution discrète et complexité : filtres séparables, filtres récursifs Lissage et régularisation, normalisation des filtres Opérateur différentiels : gradient, laplacien... Filtrage Dérivatif, dérivées partielles X et Y, normalisation des filtres Filtres de Prewitt, Sobel, laplacien,... Filtrage optimal, approche de Canny Filtre de Deriche Détection de contours, suppression des non maxima locaux, seuillage par hystéresis Espaces échelle, EDPs 102
103 Détection de contours Filtrage dérivatif : filtres de Prewitt 103
104 Détection de contours Filtrage dérivatif : filtres de Sobel 104
105 Détection de contours : filtres de Prewitt Ix Iy 105
106 Détection de contours : filtres de Sobel Ix Iy 106
107 Détection de contours Prewitt : filtre moyenne non normalisé pas de coefficient (1/3) Filtres de Prewitt et Sobel : Moyenne des dérivées droite et gauche non normalisée (manque coefficient ½) Sobel: filtre triangle non normalisé pas de coefficient (1/4), dérivation en X (lissage en X + lissage en Y) dérivation en Y (lissage en X + lissage en Y) Mêmes problèmes en Y 107
108 Détection de contours Filtres de Prewitt et Sobel non normalisés : manque : coefficient 1/6 pour Prewitt manque : coefficient 1/8 pour Sobel 108
109 Détection de contours : filtres de Prewitt Norme Angle Résultat assez bruité visible sur l'angle du gradient 109
110 Détection de contours : filtres de Sobel Norme Angle Résultat assez bruité visible sur l'angle du gradient 110
111 Détection de contours Dérivée première d'autres méthodes : masques de Roberts masques de Kirsch 111
112 Détection de contours Filtres de Roberts: dérivées à 45 degrés 112
113 Détection de contours Masques de Kirsch : autres masques se déduisant par rotation gradient = max des 8 réponses angle = angle correspondant à la réponse max 113
114 Détection de contours : filtre laplacien laplacien différences finies : 114
115 Détection de contours : filtre laplacien Passages par zéro : résultat très bruité 115
116 Détection de contours : filtre laplacien laplacien par double filtrage passe bas moyennes 3x3-1x1 : Filtre non normalisé suffit pour déterminer des passages par zéro 116
117 Détection de contours : filtre laplacien laplacien par double filtrage passe bas moyennes 3x3-1x1 117
118 Détection de contours : filtre laplacien Passages par zéro : résultat très bruité laplacien différences finies : laplacien par double filtrage passe bas moyennes 3x3-1x1 118
119 Détection de contours : filtre laplacien laplacien par double filtrage passe bas : moyennes 5x5-3x3 : 119
120 Détection de contours : filtre laplacien laplacien par double filtrage passe bas moyennes 5x5-3x3 120
121 Détection de contours : filtre laplacien laplacien par double filtrage passe bas moyennes 5x5-3x3 121
122 Détection de contours (plan) Signal, échantillonnage, quantification, images numériques Rappels de filtrage linéaire : transformée de Fourier, convolution, cas discret Filtrage fréquentiel Filtrage spatial : filtre moyenne, filtre gaussien Convolution discrète et complexité : filtres séparables, filtres récursifs Lissage et régularisation, normalisation des filtres Opérateur différentiels : gradient, laplacien... Filtrage Dérivatif, dérivées partielles X et Y, normalisation des filtres Filtres de Prewitt, Sobel Filtrage optimal, approche de Canny Filtre de Deriche Détection de contours, suppression des non maxima locaux, seuillage par hystéresis Espaces échelle, EDPs 122
123 Détection de contours : Filtrage Optimal Travaux de Canny (83) Contour Idéal: Step-edge + bruit blanc gaussien (1D) 123
124 Détection de contours : Filtrage Optimal Dérivée par différences finies 124
125 Détection de contours : Filtrage Optimal - Contour Idéal: Step-edge + bruit blanc gaussien (1D) - Filtres optimaux en détection de contour : 3 critères rapport signal sur bruit, localisation, réponse unique à un contour unique 125
126 Détection de contours : Filtrage Optimal Accentuation du contour par un opérateur de convolution: recherche d'un filtre de type dérivée première réponse signal Filtre de convolution 126
127 Détection de contours : Filtrage Optimal Rapport signal / bruit : 127
128 Détection de contours : Filtrage Optimal Localisation : écart quadratique moyen entre le contour détecté et le vrai contour 128
129 Détection de contours : Filtrage Optimal Contrainte : un seul maxima local pour un seul contour (densité de passages par zéro de la dérivée seconde) Valeur constante 129
130 Détection de contours : Filtrage Optimal Maximisation (Euler-Lagrange) : Avec contrainte de réponse unique 130
131 Détection de contours : Filtrage Optimal Solution EL: équation différentielle du 4ième degré Solution de la forme Contraintes aux bords : filtre anti-symétrique de type dérivée première s'annule aux extrémités du masque 131
132 Détection de contours : Filtrage Optimal t Masque de convolution 132
133 Détection de contours : Filtrage Optimal Canny : C(t) : approximée par la dérivée première d'une gaussienne 133
134 Détection de contours : Filtrage Optimal Canny Dérivée par différences finies dérivée première de la gaussienne Dérivée gaussienne =
135 Détection de contours (plan) Signal, échantillonnage, quantification, images numériques Rappels de filtrage linéaire : transformée de Fourier, convolution, cas discret Filtrage fréquentiel Filtrage spatial : filtre moyenne, filtre gaussien Convolution discrète et complexité : filtres séparables, filtres récursifs Lissage et régularisation, normalisation des filtres Opérateur différentiels : gradient, laplacien... Filtrage Dérivatif, dérivées partielles X et Y, normalisation des filtres Filtres de Prewitt, Sobel Filtrage optimal, approche de Canny Filtre de Deriche Détection de contours, suppression des non maxima locaux, seuillage par hystéresis Espaces échelle, EDPs 135
136 Détection de contours : Filtrage récursif Deriche (86) filtre exponentiel (solution particulière de Canny) Si la TZ d un filtre est une fraction rationnelle: alors le filtre peut être implémenté de manière récursive (cf. filtre moyenne) - filtre Gaussien (séparable mais non récursif) - filtre exponentiel (séparable et récursif) 136
137 Détection de contours : Filtrage récursif Deriche (86) Solution particulière de Canny la taille du masque augmente 137
138 Détection de contours : Filtrage récursif Filtre de Deriche : dérivation : Intégration lissage : 138
139 Détection de contours : Filtrage récursif Coefficients de normalisation : 139
140 Détection de contours : Filtrage récursif Filtre de Deriche : TZ fraction rationnelle filtres récursifs pour la dérivée première : 140
141 Détection de contours : Filtrage récursif avec 141
142 Détection de contours : Filtrage récursif pour le filtre de lissage : 142
143 Détection de contours : Filtrage récursif avec 143
144 Détection de contours : Filtrage récursif Deriche (94) : Filtre gaussien approximation récursive Equation optimisée aux sens des moindres carrés. 144
145 Détection de contours : Filtrage gaussien récursif Equation de récurrence dans le sens + ( ) Equation de récurrence dans le sens - ( ) Filtrage complet 145
146 Détection de contours : Filtrage gaussien récursif Equation de récurrence dans le sens + ( ) k-3 k-2 k-1 k 146
147 Détection de contours : Filtrage gaussien récursif Equation de récurrence dans le sens - ( ) k+1 k+2 k+3 k+4 k+1 k+2 k+3 k+4 147
148 Détection de contours : Filtrage gaussien récursif Filtrage complet :
149 Détection de contours : filtre gaussien Calcul du gradient gaussien (dérivées en X et Y): Longueur Orientation 149
150 Détection de contours avec : et : où est un coefficient calculé numériquement 150
151 Détection de contours : filtre gaussien Dérivées gaussiennes : = 1 Ix Iy 151
152 Détection de contours : filtre gaussien Gradient gaussien : = 1 Norme Angle Résultat moins bruité lissage plus important 152
153 Détection de contours : filtre gaussien Dérivées gaussiennes : =2 Ix Iy 153
154 Détection de contours : filtre gaussien Gradient gaussien : = 2 Norme Angle Résultat moins bruité lissage plus important 154
155 Détection de contours : filtre gaussien Dérivées gaussiennes : =4 Ix Iy 155
156 Détection de contours : filtre gaussien Gradient gaussien : = 4 Norme Angle Résultat peu bruité lissage fort 156
157 Détection de contours (plan) Signal, échantillonnage, quantification, images numériques Rappels de filtrage linéaire : transformée de Fourier, convolution, cas discret Filtrage fréquentiel Filtrage spatial : filtre moyenne, filtre gaussien Convolution discrète et complexité : filtres séparables, filtres récursifs Lissage et régularisation, normalisation des filtres Opérateur différentiels : gradient, laplacien... Filtrage Dérivatif, dérivées partielles X et Y, normalisation des filtres Filtres de Prewitt, Sobel Filtrage optimal, approche de Canny Filtre de Deriche Détection de contours, suppression des non maxima locaux, seuillage par hystéresis Espaces échelle, EDPs 157
158 Détection de contours : Extraction des contours Suppression des non maxima locaux du gradient Dans la direction du gradient Seuillage hystérésis Chainage Approximation polygonale 158
159 Suppression des non-maxima locaux du gradient pixel courant axe X gradients interpolés Θ orientation du gradient axe Y 159
160 Détection de contours : Extraction des contours = 1 = 4 = 2 160
161 Détection de contours : Extraction des contours Suppression des non maxima locaux du gradient Dans la direction du gradient Seuillage hystérésis Chainage Approximation polygonale 161
162 Détection de contours : seuillage par hystérésis On définit 2 seuils : seuil haut, seuil bas On considère les gradients seuillage avec le seuil bas Etiquetage de composantes Connexes liste de liste de pixels Tous les contours > seuil bas Tous les contours > seuil bas: (niveau de gris = numéro de région) 162
163 Détection de contours : seuillage par hystérésis Si un seul pixel (gradient > seuil haut) On garde toute la liste Gradient gaussien = 1, Seuillage par hystérésis : sb = 0.001, sh =
164 Détection de contours : Extraction des contours Suppression des non maxima locaux du gradient Dans la direction du gradient Seuillage hystérésis Chainage Approximation polygonale 164
165 Détection de contours : Chainage Chaînage : seuil de longueur = 20 pixels 165
166 Détection de contours : Extraction des contours Suppression des non maxima locaux du gradient Dans la direction du gradient Seuillage hystérésis Chainage Approximation polygonale 166
167 Détection de contours : Approximation polygonale Approximation polygonale: seuil de longueur = 10 pixels 167
168 Autre exemple Détection de Contours + Approximation Polygonale 168
169 Détection de contours : Subpixel Gradient Précision sub-pixel (Montesinos 97) 169
170 Détection de contours : Subpixel Suppression NML Précision sub-pixel 170
171 Détection de contours : Subpixel détection Précision sub-pixel 171
172 Détection de contours : Filtres anisotropes Image initiale Gradient perceptuel Contours perceptuels (Montesinos, Magnier 2010) 172
173 Détection de contours : Filtres anisotropes détection filtres anisotropes (approximation polygonale) 173 contour continu
174 Détection de contours (plan) Signal, échantillonnage, quantification, images numériques Rappels de filtrage linéaire : transformée de Fourier, convolution, cas discret Filtrage fréquentiel Filtrage spatial : filtre moyenne, filtre gaussien Convolution discrète et complexité : filtres séparables, filtres récursifs Lissage et régularisation, normalisation des filtres Opérateur différentiels : gradient, laplacien... Filtrage Dérivatif, dérivées partielles X et Y, normalisation des filtres Filtres de Prewitt, Sobel Filtrage optimal, approche de Canny Filtre de Deriche Détection de contours, suppression des non maxima locaux, seuillage par hystéresis Espaces échelle, EDPs 174
175 Détection de contours : Espace échelle (Koenderink) Filtre de lissage gaussien (isotrope): Dépend du paramètre : On étudie la position des contours En fonction de 175
176 Détection de contours : Espace échelle (Koenderink) Filtre de lissage gaussien (isotrope): Dépend du paramètre : On étudie la position des contours En fonction de 176
177 Détection de contours : Espace échelle X I(X) X 177
178 Détection de contours : Espace échelle X 178
179 Détection de contours : Espace échelle Autre exemple: 179
180 Détection de contours : Espace échelle Fusion de contours à plusieurs échelles : détection de contours = 1 détection de contours = 2 fusion par hystérésis : ( = 1 : considéré comme le seuil bas) ( = 2 : considéré comme le seuil haut) Un contour au seuil bas est conservé si au moins un pixel est détecté au seuil haut 180
181 Détection de contours : Espace échelle = 1 = 2 Fusion de contours à plusieurs échelles : 181
182 Diffusion Isotrope Analogie avec la diffusion de la chaleur: blanc = chaud, noir = froid Equation de la chaleur : équation aux dérivées partielles (EDP) La solution de cette EDP est la convolution de l image initiale par une gaussienne : 182
183 Diffusion Isotrope Diffusion isotrope Equation de la chaleur : équation aux dérivées partielles (EDP) Solution : convolution de l image initiale par une gaussienne 183
184 Equation de la chaleur : dt = 0.5 T=0 T=10 T=20 T=100 T=
185 Résumé Filtrage linéaire gaussien : 4 implémentations possibles Convolution Filtrage fréquentiel Equations de récurrence Equation de la chaleur 185
186 EDP EMSS : Euclidean Morphological Scale Space Lissage dans la direction des contours 186
187 EDP Cas particulier : MCM (Mean Curvature Motion) Diffusion anisotrope selon les isophotes 187
188 MCM : dt = 0.25 T=0 T=10 T=20 T=50 T=200 T=
189 MCM : dt = 0.25 T=500 T=1000 T=10000 Formes circulaires 189
190 EDP Affine Morphological Scale Space: Evolution invariante affine des isophotes 190
191 AMSS : dt = 0.05 T=0 T=100 T=200 Formes elliptiques T=
192 AMSS : dt = 0.05 T=0 T=50 T=100 Formes elliptiques T=200 T=
193 Filtres Morphologiques : dilatation (max) 193
194 Filtres Morphologiques : érosion (min) 194
195 Filtres Morphologiques : ouverture (érosion + dilatation) 195
196 Filtres Morphologiques : Top Hat ( image ouverture -> seuillage) 196
197 Bibliographie 197
198 Bibliographie 198
199 Bibliographie 199
200 Bibliographie 200
Traitement bas-niveau
Plan Introduction L approche contour (frontière) Introduction Objectifs Les traitements ont pour but d extraire l information utile et pertinente contenue dans l image en regard de l application considérée.
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailGéométrie discrète Chapitre V
Géométrie discrète Chapitre V Introduction au traitement d'images Géométrie euclidienne : espace continu Géométrie discrète (GD) : espace discrétisé notamment en grille de pixels GD définition des objets
Plus en détailINTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE
INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE Le schéma synoptique ci-dessous décrit les différentes étapes du traitement numérique
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailTP : Gestion d une image au format PGM
TP : Gestion d une image au format PGM Objectif : L objectif du sujet est de créer une classe de manipulation d images au format PGM (Portable GreyMap), et de programmer des opérations relativement simples
Plus en détailUtilisation du logiciel ImageJ gratuit
Utilisation du logiciel ImageJ gratuit on peut récupérer sur le lien suivant : http://rsbweb.nih.gov/ij/ à partir duquel ce résumé très bref (!!) a été élaboré Lancer ImageJ Vous avez une fenêtre qui s'ouvre
Plus en détailMaster IMA - UMPC Paris 6 RDMM - Année 2009-2010 Fiche de TP
Master IMA - UMPC Paris 6 RDMM - Année 2009-200 Fiche de TP Préliminaires. Récupérez l archive du logiciel de TP à partir du lien suivant : http://www.ensta.fr/~manzaner/cours/ima/tp2009.tar 2. Développez
Plus en détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailLe traitement du 5ème concours A.I.P. pour l objet SH2-155 de Franck JOBARD
Le traitement du 5ème concours A.I.P. pour l objet SH2-155 de Franck JOBARD J ai fait le choix d utiliser Pixinsight en utilisant le process icons de l aip v3-21 pour le prétraitement. 1. Prétraitement
Plus en détailSystèmes de transmission
Systèmes de transmission Conception d une transmission série FABRE Maxime 2012 Introduction La transmission de données désigne le transport de quelque sorte d'information que ce soit, d'un endroit à un
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailCodage d information. Codage d information : -Définition-
Introduction Plan Systèmes de numération et Représentation des nombres Systèmes de numération Système de numération décimale Représentation dans une base b Représentation binaire, Octale et Hexadécimale
Plus en détailFonctions de deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
Plus en détailFonctions de plusieurs variables
Maths MP Exercices Fonctions de plusieurs variables Les indications ne sont ici que pour être consultées après le T (pour les exercices non traités). Avant et pendant le T, tenez bon et n allez pas les
Plus en détailLes étapes du traitement de l analyse d image
Les étapes du traitement de l analyse d image La capture image brute Prétraitement niveaux de gris Segmentation image binaire Post-traitement régions d intérêts Amélioration Publication Quantification
Plus en détailIV - Programme détaillé par matière (1 fiche détaillée par matière)
IV - Programme détaillé par matière (1 fiche détaillée par matière) Matière : Asservissement numérique Introduction aux systèmes échantillonnés (signal échantillonné, échantillonnage idéal, transformation
Plus en détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
Plus en détailTP SIN Traitement d image
TP SIN Traitement d image Pré requis (l élève doit savoir): - Utiliser un ordinateur Objectif terminale : L élève doit être capable de reconnaître un format d image et d expliquer les différents types
Plus en détailL analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en détailMesures de temps de propagation de groupe sur convertisseurs de fréquence sans accès aux OL
Mesures de temps de propagation de groupe sur convertisseurs de fréquence sans accès aux Comment mesurer le temps de propagation de groupe sur des convertisseurs de fréquence dans lesquels le ou les oscillateurs
Plus en détailProjet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies
Projet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies Régis Boulet Charlie Demené Alexis Guyot Balthazar Neveu Guillaume Tartavel Sommaire Sommaire... 1 Structure
Plus en détailUtilisation d informations visuelles dynamiques en asservissement visuel Armel Crétual IRISA, projet TEMIS puis VISTA L asservissement visuel géométrique Principe : Réalisation d une tâche robotique par
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailÉtude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test
11 juillet 2003 Étude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test Mariane Comte Plan 2 Introduction et objectif
Plus en détailLISACode. Un simulateur opérationnel pour LISA. Antoine PETITEAU LISAFrance - le 16 mai 2006
LISACode Un simulateur opérationnel pour LISA Antoine PETITEAU LISAFrance - le 16 mai 2006 Plan Rappel sur LISACode. Validation du simulateur. Possibilités du simulateur. Résultats obtenus. Bruit de confusion.
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailUne application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies
Une application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies Ariane Lançon (Observatoire de Strasbourg) en collaboration avec: Jean-Luc Vergely,
Plus en détailMesure agnostique de la qualité des images.
Mesure agnostique de la qualité des images. Application en biométrie Christophe Charrier Université de Caen Basse-Normandie GREYC, UMR CNRS 6072 Caen, France 8 avril, 2013 C. Charrier NR-IQA 1 / 34 Sommaire
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Plus en détailélectronique du tarif bleu
Le compteur MONOphasé électronique du tarif bleu Qu est- ce que le compteur Electrique? Destiné à mesurer les consommations, il possède quelques avantages : Il vous précise le tarif choisi et la tarification
Plus en détailSavoir lire une carte, se situer et s orienter en randonnée
Savoir lire une carte, se situer et s orienter en randonnée Le b.a.-ba du randonneur Fiche 2 Lire une carte topographique Mais c est où le nord? Quel Nord Le magnétisme terrestre attire systématiquement
Plus en détailEcran : Processeur : OS : Caméra : Communication : Mémoire : Connectique : Audio : Batterie : Autonomie : Dimensions : Poids : DAS :
SMARTPHONE - DUAL-CORE - NOIR 3483072425242 SMARTPHONE - DUAL-CORE - BLEU XXXX SMARTPHONE - DUAL-CORE - BLANC 3483072485246 SMARTPHONE - DUAL-CORE - ROSE 3483073704131 SMARTPHONE - DUAL-CORE - ROUGE XXXX
Plus en détailCréation de maquette web
Création de maquette web avec Fireworks Il faut travailler en 72dpi et en pixels, en RVB Fireworks étant un logiciel dédié à la création de maquettes pour le web il ne propose que les pixels pour le texte
Plus en détailS.P.S.N. Lac du Der 2008
S.P.S.N. Lac du Der 2008 Qu'est-ce qu'un histogramme? C'est un graphique qui montre la répartition des pixels de l'image en fonction de leur luminosité. Chaque type d'image (normale, surexposée, sous exposée,
Plus en détailChap17 - CORRECTİON DES EXERCİCES
Chap17 - CORRECTİON DES EXERCİCES n 3 p528 Le signal a est numérique : il n y a que deux valeurs possibles pour la tension. Le signal b n est pas numérique : il y a alternance entre des signaux divers
Plus en détailFête de la science Initiation au traitement des images
Fête de la science Initiation au traitement des images Détection automatique de plaques minéralogiques à partir d'un téléphone portable et atelier propose de créer un programme informatique pour un téléphone
Plus en détailExposition. VLR plongée e commission photo
Exposition VLR plongée e commission photo Agenda Définitions Exposition / analogie du verre d eau (de vin?) Ouverture Vitesse Sensibilité La notion d EV Pourquoi cela ne suffit pas? Dynamique des capteurs
Plus en détailRégularisation d Images Multivaluées par EDP : Un Formalisme Commun pour Différentes Applications
Régularisation d Images Multivaluées par EDP : Un Formalisme Commun pour Différentes Applications David Tschumperlé 1 et Rachid Deriche 2 1 INRIA Sophia-Antipolis, Laboratoire Odyssée, BP 93, 2004 Route
Plus en détailTD : Codage des images
TD : Codage des images Les navigateurs Web (Netscape, IE, Mozilla ) prennent en charge les contenus textuels (au format HTML) ainsi que les images fixes (GIF, JPG, PNG) ou animée (GIF animée). Comment
Plus en détailOpérations de base sur ImageJ
Opérations de base sur ImageJ TPs d hydrodynamique de l ESPCI, J. Bico, M. Reyssat, M. Fermigier ImageJ est un logiciel libre, qui fonctionne aussi bien sous plate-forme Windows, Mac ou Linux. Initialement
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailDan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier
Détection et reconnaissance des sons pour la surveillance médicale Dan Istrate le 16 décembre 2003 Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Thèse mené dans le cadre d une collaboration
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailJ AUVRAY Systèmes Electroniques TRANSMISSION DES SIGNAUX NUMERIQUES : SIGNAUX EN BANDE DE BASE
RANSMISSION DES SIGNAUX NUMERIQUES : SIGNAUX EN BANDE DE BASE Un message numérique est une suite de nombres que l on considérera dans un premier temps comme indépendants.ils sont codés le plus souvent
Plus en détailComparatif entre Matrox RT.X2 et Adobe Premiere Pro CS3 (logiciel seul)
Comparatif entre et Adobe Premiere Pro CS3 (logiciel seul) offre la puissance de montage en temps réel et les outils de productivité supplémentaires dont vous avez besoin pour tirer pleinement parti d'adobe
Plus en détailInformation. BASES LITTERAIRES Etre capable de répondre à une question du type «la valeur trouvée respecte t-elle le cahier des charges?
Compétences générales Avoir des piles neuves, ou récentes dans sa machine à calculer. Etre capable de retrouver instantanément une info dans sa machine. Prendre une bouteille d eau. Prendre CNI + convocation.
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Eo7 Fonctions de plusieurs variables Eercices de Jean-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-francefr * très facile ** facile *** difficulté moenne **** difficile ***** très difficile I
Plus en détailLIDAR LAUSANNE 2012. Nouvelles données altimétriques sur l agglomération lausannoise par technologie laser aéroporté et ses produits dérivés
LIDAR LAUSANNE 2012 Nouvelles données altimétriques sur l agglomération lausannoise par technologie laser aéroporté et ses produits dérivés LIDAR 2012, nouveaux modèles altimétriques 1 Affaire 94022 /
Plus en détailPar Richard Beauregard. Novembre 2011
Par Richard Beauregard Novembre 2011 La lutte contre le bruit et autres parasites lumineux Le temps d exposition versus le compositage Les images de prétraitement L'image de précharge (Offset ou Bias)
Plus en détailChapitre 2/ La fonction de consommation et la fonction d épargne
hapitre 2/ La fonction de consommation et la fonction d épargne I : La fonction de consommation keynésienne II : Validations et limites de la fonction de consommation keynésienne III : Le choix de consommation
Plus en détailChapitre 4: Dérivée d'une fonction et règles de calcul
DERIVEES ET REGLES DE CALCULS 69 Chapitre 4: Dérivée d'une fonction et règles de calcul Prérequis: Généralités sur les fonctions, Introduction dérivée Requis pour: Croissance, Optimisation, Études de fct.
Plus en détailTraitement d un AVI avec Iris
Traitement d un AVI avec Iris 1. Définir le répertoire de travail Fichier > Réglages (Ctrl + R) Et on définit le chemin du répertoire de travail. C est là que les images vont être stockées. 2. Convertir
Plus en détailFormats d images. 1 Introduction
Formats d images 1 Introduction Lorsque nous utilisons un ordinateur ou un smartphone l écran constitue un élément principal de l interaction avec la machine. Les images sont donc au cœur de l utilisation
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailChaine de transmission
Chaine de transmission Chaine de transmission 1. analogiques à l origine 2. convertis en signaux binaires Échantillonnage + quantification + codage 3. brassage des signaux binaires Multiplexage 4. séparation
Plus en détailRecherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel
Recherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel Alexis Joly alexis.joly@inria.fr INRIA - IMEDIA Alexis Joly cours monitoring p. 1 Plan de l'exposé
Plus en détailPlan du cours : électricité 1
Semestre : S2 Module Physique II 1 Electricité 1 2 Optique géométrique Plan du cours : électricité 1 Partie A : Electrostatique (discipline de l étude des phénomènes liés aux distributions de charges stationnaires)
Plus en détailProjet audio. Analyse des Signaux ELE2700
ÉCOLE POLYTECHNIQUE DE MONTRÉAL Département de Génie Électrique Projet audio Analyse des Signaux ELE2700 Saad Chidami - 2014 Table des matières Objectif du laboratoire... 4 Caractérisation du bruit...
Plus en détailTp_chemins..doc. Dans la barre "arche 2" couleur claire 1/5 21/01/13
TP de création : utilisation des chemins vectoriels Finis les mauvais rêves : vous aurez enfin votre dreamcatcher (Indienss des Grands Lacs) 1 ) Créez une nouvelle image de 300 pixels sur 600 pixels en
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailVOS PREMIERS PAS AVEC TRACENPOCHE
Vos premiers pas avec TracenPoche page 1/16 VOS PREMIERS PAS AVEC TRACENPOCHE Un coup d'oeil sur l'interface de TracenPoche : La zone de travail comporte un script, une figure, un énoncé, une zone d analyse,
Plus en détailFctsAffines.nb 1. Mathématiques, 1-ère année Edition 2007-2008. Fonctions affines
FctsAffines.nb 1 Mathématiques, 1-ère année Edition 2007-2008 Fonctions affines Supports de cours de mathématiques de degré secondaire II, lien hpertete vers la page mère http://www.deleze.name/marcel/sec2/inde.html
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailTP Modulation Démodulation BPSK
I- INTRODUCTION : TP Modulation Démodulation BPSK La modulation BPSK est une modulation de phase (Phase Shift Keying = saut discret de phase) par signal numérique binaire (Binary). La phase d une porteuse
Plus en détailSystèmes de communications numériques 2
Systèmes de Communications Numériques Philippe Ciuciu, Christophe Vignat Laboratoire des Signaux et Systèmes CNRS SUPÉLEC UPS SUPÉLEC, Plateau de Moulon, 91192 Gif-sur-Yvette ciuciu@lss.supelec.fr Université
Plus en détailCHAPITRE V. Théorie de l échantillonnage et de la quantification
CHAPITRE V Théorie de l échantillonnage et de la quantification Olivier FRANÇAIS, SOMMAIRE I INTRODUCTION... 3 II THÉORIE DE L ÉCHANTILLONNAGE... 3 II. ACQUISITION DES SIGNAUX... 3 II. MODÉLISATION DE
Plus en détailChapitre 13 Numérisation de l information
DERNIÈRE IMPRESSION LE 2 septembre 2013 à 17:33 Chapitre 13 Numérisation de l information Table des matières 1 Transmission des informations 2 2 La numérisation 2 2.1 L échantillonage..............................
Plus en détailProjet Matlab/Octave : segmentation d'un ballon de couleur dans une image couleur et insertion d'un logo
Projet Matlab/Octave : segmentation d'un ballon de couleur dans une image couleur et insertion d'un logo Dans ce projet, nous allons réaliser le code qui permet d'insérer sur une image, un logo sur un
Plus en détailhttp://mondomaine.com/dossier : seul le dossier dossier sera cherché, tous les sousdomaines
Principales fonctionnalités de l outil Le coeur du service suivre les variations de position d un mot-clé associé à une URL sur un moteur de recherche (Google - Bing - Yahoo) dans une locale (association
Plus en détailGStock 2.00.0. La gestion commerciale, stock et facturation qui vous correspond. Les apports de GStock 2.00.0 pour votre entreprise :
GStock 2.00.0 La gestion commerciale, stock et facturation qui vous correspond GStock 2.00.0 se veut résolument simple et complet, pour s adapter facilement à votre métier, en maintenant votre inventaire
Plus en détailNotes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables Fausto Errico Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2012 Table des matières
Plus en détailSUJET ZÉRO Epreuve d'informatique et modélisation de systèmes physiques
SUJET ZÉRO Epreuve d'informatique et modélisation de systèmes physiques Durée 4 h Si, au cours de l épreuve, un candidat repère ce qui lui semble être une erreur d énoncé, d une part il le signale au chef
Plus en détailLa couche physique de l ADSL (voie descendante)
La couche physique de l ADSL (voie descendante) Philippe Ciblat École Nationale Supérieure des Télécommunications, Paris, France Problématique qq kilomètres CENTRAL câble de 0,4mm Objectifs initiaux :
Plus en détailAnalyse des bruits de clavier d ordinateur
Analyse des bruits de clavier d ordinateur Introduction 1 Enregistrement des bruits de clavier 2 Analyse des bruits de clavier 3 Analyse du niveau de pression acoustique vs. temps 4 Sonie vs. temps 4 Acuité
Plus en détail10ème Congrès Français d'acoustique Lyon, 12-16 Avril 2010
10ème Congrès Français d'acoustique Lyon, 12-16 Avril 2010 Le compressed sensing pour l holographie acoustique de champ proche II: Mise en œuvre expérimentale. Antoine Peillot 1, Gilles Chardon 2, François
Plus en détailJPEG, PNG, PDF, CMJN, HTML, Préparez-vous à communiquer!
JPEG, PNG, PDF, CMJN, HTML, Préparez-vous à communiquer! 1 / Contexte L ordinateur La loi du nombre La numérisation = codage d une information en chiffres binaire : 0 1 («bit») 8 bits = 1 octet 1ko = 1024
Plus en détailRecherche De Coalescences Binaires Étalonnage Du Détecteur
Recherche De Coalescences Binaires Étalonnage Du Détecteur Fabrice Beauville Journées Jeunes Chercheurs 18/12/2003 Les Coalescences Binaires & VIRGO Système binaire d objets compacts (étoiles à neutrons,
Plus en détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
Plus en détailExpérience 3 Formats de signalisation binaire
Expérience 3 Formats de signalisation binaire Introduction Procédures Effectuez les commandes suivantes: >> xhost nat >> rlogin nat >> setenv DISPLAY machine:0 >> setenv MATLABPATH /gel/usr/telecom/comm_tbx
Plus en détailFlow 2 Introduction du Produit
Flow 2 Introduction du Produit A Accessibility 2 Flow2 Description des Composants du Siège a. Dossier b. Module de commande avec joystick & LED c. Accoudoirs (pliables) d. Ceinture de sécurité e. Siège
Plus en détailSINE QUA NON. Découverte et Prise en main du logiciel Utilisation de bases
SINE QUA NON Découverte et Prise en main du logiciel Utilisation de bases Sine qua non est un logiciel «traceur de courbes planes» mais il possède aussi bien d autres fonctionnalités que nous verrons tout
Plus en détailÉdIteur officiel et fournisseur de ServIceS professionnels du LogIcIeL open Source ScILab
ÉdIteur officiel et fournisseur de ServIceS professionnels du LogIcIeL open Source ScILab notre compétence d'éditeur à votre service créée en juin 2010, Scilab enterprises propose services et support autour
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailSupport de formation pour l'installation d'un logiciel gratuit de retouche d'images et gestion de la qualité, taille et format des images :
Support de formation pour l'installation d'un logiciel gratuit de retouche d'images et gestion de la qualité, taille et format des images : l architecte de votre image 01 - O uvrir votre navigateur, nous
Plus en détailFinance, Navier-Stokes, et la calibration
Finance, Navier-Stokes, et la calibration non linéarités en finance 1 1 www.crimere.com/blog Avril 2013 Lignes directrices Non-linéarités en Finance 1 Non-linéarités en Finance Les équations de Fokker-Planck
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailChoisir entre le détourage plume et le détourage par les couches.
Choisir entre le détourage plume et le détourage par les couches. QUEL CHOIX D OUTILS ET QUELLE METHODE, POUR QUEL OBJECTIF? Il existe différentes techniques de détourage. De la plus simple à la plus délicate,
Plus en détailAutomatique Linéaire 1 Travaux Dirigés 1A ISMIN
Automatique Linéaire 1 Travaux Dirigés Travaux dirigés, Automatique linéaire 1 J.M. Dutertre 2014 TD 1 Introduction, modélisation, outils. Exercice 1.1 : Calcul de la réponse d un 2 nd ordre à une rampe
Plus en détailModules Multimédia PAO (Adobe)
Modules Multimédia PAO (Adobe) Pré-requis : Bonne maîtrise de la manipulation d'un PC (environnement Windows ou Mac) et de la navigation Internet. Disposition pour le graphisme recommandée. Mémoire visuelle,
Plus en détailRéussir et traiter ses photos sous UV avec Photoshop
Réussir et traiter ses photos sous UV avec Photoshop par Rémi BORNET le 29/12/2009 Beaucoup de personnes n'arrivent pas à obtenir de bons résultats en photos sous UV et ne trouvent pas de conseils. Cet
Plus en détailProjet Matlab : un logiciel de cryptage
Projet Matlab : un logiciel de cryptage La stéganographie (du grec steganos : couvert et graphein : écriture) consiste à dissimuler une information au sein d'une autre à caractère anodin, de sorte que
Plus en détail