Cours n 4/6 - C. Petitjean Traitement d images Plan du cours : Introduction Catégorisation de l image Acquisition et Visualisation Opérations basées sur l histogramme Extraction de caractéristiques Morphologie mathématique Segmentation IV-Extraction de caractéristiques Rehaussement de contours Transformée de Fourier Caroline.Petitjean@univ-rouen.fr 1 2 Rappel de filtrage passe-bas par convolution d un masque Régions homogènes BF de l image Filtre passe-bas Somme de pixels Somme locale de pixels Contours HF de l image Filtre passe-haut Différence de pixels 3 4 1
Filtre passe-haut linéaire Gradient donne les contours verticaux Gradient en x donne les contours horizontaux Gradient en y Comment peut on obtenir les contours de l image avec ce masque? Exercice en 1D 5 6 Masque de Prewitt La dérivation accentue le bruit, d où : Variante : Sobel (autre manière de calculer le gradient) 7 8 2
Résultats Filtre dérivatif sensible au bruit (a) Profil idéal (b) Profil observé (flou) (c) Filtré par une gaussienne (encore plus flou) (d) Mise en évidence des contours Image originale Image des contours (opérateur Sobel + seuillage) Différences de gaussiennes 9 10 Différences de gaussiennes Rehaussement de contours 2 possibilités DoG Laplacien Utilisation de la différence de gaussienne Exercice en 1D 11 12 3
Rehaussement de contours Autre possibilité : utilisation du laplacien Dérivée 2 ème de l image Exercice en 1D [1-2 1] 13 14 Rehaussement de contours Laplacien d une image Autre possibilité : utilisation du laplacien Dérivée 2 ème de l image 15 16 4
Rehaussement de contours Laplacien 2 2 f ( x, y) f ( x, y) f ( x, y) = + 2 2 x y Réhaussement de contours Méthode Net-Flou (Unsharp marking) 17 18 Exercices Ex3 :Décrire l action des filtres Ex1: Accentuation et détection de bords par convolution discrète en 1D Soit le signal d entrée constitué de 7 échantillons unité représenté ci-après Donnez les résultats de la convolution par : [-1 2 1] ; [-1 1 0 ]; [-1 0 1]; [-1 6 1]. Ex2: Détection de points de contours avec le Laplacien Soit les 2 masques et l image suivants : Les 2 masques font-ils de la détection de contours? Quel masque est plus efficace? 19 20 5
Prétraitement : domaine de Fourier Prétraitement : domaine de Fourier Qu est-ce que la TF d une image? Source : Cours Manzanera, ENSTA 21 Caroline Petitjean Source : Cours Manzanera, ENSTA 22 y Fréquences le long de l axe y y Fréquences le long de l axe y x Fréquences le long de l axe x x Fréquences le long de l axe x TF de cette image? 23 24 6
25 26 27 Source : http://www.cs.unm.edu/~brayer/vision/fourier.html 28 7
Source : Cours Manzanera, ENSTA 29 30 31 32 8
Source : Cours Manzanera, ENSTA 33 Source : cours A. Dieterlen, Université Haute-Alsace 34 Filtrage PB Filtre passe-bas idéal Domaine Spatial Domaine Fréquentiel Image Originale TFD Image Spectre Image Transformée Transformation Filtrage PB TFD inverse Image Spectre Transformée? 35 36 9
Image (500x500) et son spectre Application du filtre passe-bas idéal Phénomène de Gibbs Rayons : 5, 15, 30, 80, 230 Puissance conservée : 92% 99,5% 37 38 Image Lena et application du passe-bas idéal Filtre passe-bas de Butterworth ordre 1 à 4 Fonction de transfert Source : http://www.cs.unm.edu/~brayer/vision/fourier.html 39 40 10
Application du filtre passe-bas de Butterworth (ordre 2) Filtre passe-bas de Butterworth ordre 1 ordre 2 ordre 5 ordre 20 41 Techniques biomédicales 42 Caroline Petitjean Filtrage passe-haut Domaine Spatial Domaine Fréquentiel Domaine de Fourier Filtres passe-haut idéal Image Originale Image Transformée TFD TFD inverse Image Spectre Transformation Filtrage PH Image Spectre Transformée Butterworth Gaussian? 43 44 11
Application du filtre passe-haut idéal Application du filtre passe-haut de Butterworth (ordre 2) Rayon 15 Rayon 30 Rayon 80 Rayon 15 Rayon 30 Rayon 80 45 46 Sources : Cours C. Lecomte Cours Traitement d images, A. Dieterlen, Univ. Haute-Alsace Cours Traitement d images, LORIA 47 12