Traitement dimages

Analyse dimages

La vision nous permet de percevoir et dinterpreter le monde qui nous entoure.

La vision artificielle a pour but de reproduire certaines fonctionnalits de la vision
humaine au travers de lanalyse dimages. Cest un problme difficile en raison
du fait que linformation disponible : des images 2D fournies par des capteurs
(CCD, ...), correspond une projection du monde 3D. La projection 3D-2D en-
trane une perte dinformations importante, de plus linformation disponible nest
pas parfaite (numrisation des capteurs, dformation des objectifs, bruitages).

Lanalyse dimages regroupe plusieurs disciplines que lon classe en deux

catgories :

Les processus de bas-niveaux, qui ncessitent trs peu dinformations sur le

contenu des images. Il sagit ici des processus de filtrage, damlioration
et de restauration dimages, processus que nous regroupons sous le terme
traitement dimages, ainsi que dextraction dindices.

Les processus de haut-niveaux, qui fonctionnent en aval de ceux de bas-

niveaux, et qui peuvent ncessiter des informations sur le contenu des im-
ages. Il sagit de la reconstruction tri-dimensionnelle, la reconnaissance de
formes, les processus cognitifs de faon gnrale.

Acquisition
prtraitement segmentation interprtation
dimages

Lanalyse dimages est une chane de traitement de linformation.

UFRIMA 1
 Traitement dimages

Le traitement dimages (ou pr-traitement) regroupe lensemble des processus

visant amliorer les caractristiques dune image.

image prtraitement image

Le lissage local : il sagit de supprimer le bruit, ou les petites variations,

prsent dans une image. Lintensit dun pixel est transform en fonction
des intensits sur un petit voisinage du pixel.

Lamlioration dimages consiste modifier les caractristiques visuelles de

limage (contraste, ...) pour faciliter son interprtation par lil humain.

La restauration dimages a pour but de supprimer les dgradations subies

par une image laide de connaissance a priori sur ces dgradations.

1 Lissage local
Le lissage local (ou filtrage) consiste supprimer le bruit prsent dans une image
en tudiant, pour chaque pixel, les valeurs dintensit sur son voisinage.

1.1 Moyennage
Une premire classe dapproche est base la redondance dinformations. La nou-
velle valeur dun pixel est calcule par moyennage des valeurs sur un voisinage.
Cette opration linaire peut tre vue comme la convolution discrte de limage
par un masque.

 
   "!#$
%'&( 
)&*!'+
 
   !'.-/
,  



ou est lintensit de limage dorigine, est lintensit de limage filtre, 0 est
le voisinage utilis et est le masque de convolution.


UFRIMA 2
 Traitement dimages

pixel trait

voisinage

Le moyennage sur un voisinage 3x3 :

- - - 8:9
1-2/35674 - - -
;
 - - -

Le moyennage est un filtre passe-bas.

Rend limage floue, en particulier les contours.
limine les dgradations locales de faibles dimensions. Valide lorsque les
objets prsents dans limage sont de dimensions suprieures aux dgrada-
tions.
Une amlioration du filtre moyenne consiste jouer sur les valeurs des coeffi-
cients du masque : - - - 89
.-2>-@? 674 - A -
;
=< - - -

Cest le cas des filtres binomiaux pour lesquels les valeurs des coefficients sont
gnrs par le triangle de Pascal :
- A - 8:9
.-2>-@D 674 A E A
;
CB - A -

UFRIMA 3
 Traitement dimages

Approximation discrte dun filtre Gaussien adapte au filtrage des bruits

Gaussiens.

1.2 Filtres mdians

Les filtres de moyennage ont tendance rendre limage floue et donc perdre de
linformations sur les contours caractriss par des fortes variations dintensit.
Pour diminuer cet effet, on ne moyenne plus sur le voisinage mais on prend la
valeur mdiane sur ce voisinage. Cest le filtre mdian.

Exemple pour un voisinage 3x3 :

A -A - A :8 9

F 467 A - A D?
;
A A -A

La valeur mdiane est ici 12.

Filtre non-linaire.

limine le bruit impulsionnel.

Prserve linformation de contour et peut tre appliqu itrativement.

limine les contours trs fins. Un voisinage adapt permet de limiter cet
effet.

UFRIMA 4
 Traitement dimages

1.3 Autres filtres

Toujours dans lobjectif damliorer les caractristiques du filtre et en particulier
la prservation des contours dans limage, on peut utiliser des filtres plus volus.
Il en existe un certain nombre. Nous donnons ici lexemple dun filtre faisant in-
tervenir des variations dintensit.
 
+HI+JK  L
M LH=+JK
Soit G la variations dintensit entre le pixel et :

% L
MR&S
ITH=+JK
% L
MVW
U
ITH=+JKX
 L
+H=+JKONQP P si
G -@2A 
sinon

alors les coefficients du masque de convolution sont dtermins par :

-2  
"IYS 
ZYS!'
 "!' G
[ , \ -@2  L
"%Y] L
VY]!#
 G

La distance est plus importante sur un contour que dans une rgion ho-
mogne.

Les points fortement bruits ont peu dinfluence (h(m,n) petit).

Si le pixel est sur un contour, les pixels voisins de mme rgion auront un
poids important alors que les pixels voisins de rgion diffrente auront peu
de poids. Le contour est de cette manire prserv.

UFRIMA 5
 Traitement dimages

Figure 1: Filtrages par moyennage : 1 et 3 ittations.

Figure 2: Filtrages mdians : 1 et 3 itrations.

UFRIMA 6
 Traitement dimages

2 Amlioration dimages
Lamlioration dimages consiste modifier les caractristiques visuelles de limage
de manire en faciliter son interpretation par lil humain. Il peut sagir de re-
hausser les contrastes, daccentuer certaines intensits pour mettre en valeur une
rgion, ... Les histogrammes sont frquemment utiliss pour effectuer ce type
doprations

2.1 Les histogrammes

L^_X
Lhistogramme dune image est la fonction qui associe une valeur dintensit
 
le nombre de pixels dans limage ayant cette valeur.

hist()

intensit
0 255

Pour une image couleur, il y a un histogramme par composante.

Lhistogramme peut tre normalis pour donner une estimation de la densit

de probabilit des pixels :
`  L^_Xa2 b ^_Xc
M+
 

ed ` 1-gf

Un histogramme peut avoir un pic (unimodale), deux pics (bimodale) ou

plusieurs pics (multimodale).

UFRIMA 7
 Traitement dimages

Algorithme
int row, col, rowmax, colmax;
int count[GREYMAX];
for(row = 0; row < rowmax; row++)
for(col = 0; col < colmax; col++)
hist[image[row][col]]++;

2.2 Modifications dhistogrammes

Pour modifier les caractristiques de limage (accentuer les contrastes en gneral),
une approche gnrale consiste appliquer une fonction qui associe chaque
valeur dintensit dans limage une nouvelle valeur. Cette fonction va modifier
lhistogramme de limage.
 "ihkjmlon%
p!I_
Soit les valeurs dintensit de limage traite , on considre
alors les transformations du type :
qsrt+
 
qui donne une nouvelle valeur dintensit pour chaque valeur de limage. On
ruT
suppose que la fonction est telle que :
ru
est monotone (souvent croissante) sur lintervalle. Cette condition as-
surant que lordre des intensits est prserv aprs transformation.
?5v1ruLuvwjmlon%
p!I_ ?xv.ZvOjmlon%
p!I_
pour qui garantit que la nouvelle
image est cohrente avec les niveaux dintensit autoriss.
La transformation inverse satisfait les deux conditions prcdentes.
Quelques exemples reprsentatifs de modifications dhistogrammes.

2.3 Transformations linaires

Les transformations linaires dhistogrammes sont nombreuses et varies. Elles
permettent daccentuer une zone dintensit ou de modifier la rpartition des valeurs
dintensit. Un exemple de transformation linaire est le recadrage.

Le recadrage consiste modifier lintervalle des valeurs dintensit (la dy-

namique) de faon obtenir pour limage amliore un intervalle de valeurs max-
 -/"LA{z
imal. Si y est lintervalle de limage traite, alors la transformation quiva-
lente scrit simplement :
ruL|mj}lpn%
p!=_~'&("-@ 2>AZ&*"-@Xf

UFRIMA 8
 Traitement dimages

MaxInt

0 i1 i2 MaxInt

2.4 Transformations non-linaires

Une modification dhistogramme trs rpandue pour augmenter le contraste de
manire automatique est la linarisation dhistogramme. Le principe est de trans-
former limage de manire obtenir un histogramme plat, soit une distribution
uniforme des intensits. Cela revient maximiser lentropie de limage et donc
obtenir thoriquement une image prsentant une information maximale.

La fonction de distribution idale aprs transformation est :

`    .-2@j}lpnC!=_+f

Supposons tout dabord que lon soit dans le cas continu et que la transforma-
r
tion soit strictement croissante. Alors :

`     ` LG  

G
  sruL
avec . Do :
>}jmlon%
p!I_ `  a
G G
d
soit :
>Wru}j}lpn%
o!I_ ` Z tf
G

Dans le cas discret, la transformation

d scrit :

ruj}lpn%
p!=_ b  ^_X
a2Zb  ^_X
X
 

UFRIMA 9
 Traitement dimages

A noter que dans le cas discret, et du fait que lhistogramme soit une approx-
imation dune fonction de densit de probabilit, lhistogramme rsultant
est trs rarement parfaitement plat.

Pour une image majoritairement claire la linarisation va augmenter la dy-

namique de la partie sombre de lhistogramme au dtriment de la partie
claire.

Permet de faire des comparaisons dimages sur une mme base.

Lopration peut seffectuer par rgions : linarisation adaptative.

UFRIMA 10
 Traitement dimages

UFRIMA 11
 Traitement dimages

UFRIMA 12