Amelioration Opt PDF

Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Bases du traitement des images
I Opérations de base et améliorations J
Séverine Dubuisson
6 octobre 2010

1 / 66
Plan du cours
1 Types d’opérations sur une image

2 Transformations géométriques
3 Opérations entre images
4 Améliorations

2 / 66
Opérations sur une image
Comment transformer une image ?

I Chaque pixel de l’image est défini par sa position (i, j) et son
amplitude (intensité) k dans l’image
I Il existe deux types de transformations sur les pixels de l’image :
• les transformations géométriques qui modifient les positions des
pixels, et
• les transformations qui modifient les intensités des pixels.
I Possibilité d’effectuer des opérations entre images, qui induisent ces
deux types de transformation

3 / 66
Transformations géométriques d’image
Qu’est-ce qu’une transformation géométrique ?

I Transformation directe sur les coordonnées spatiales d’un pixel
exprimée de manière générale par :
0
i i
=T +V
j0 j
où T est une matrice de transformation, et V un vecteur

I Transformation inverse sur les coordonnées spatiales d’un pixel
exprimée de manière générale par :
0
i −1 i
=T
j0 j
où T est une matrice de transformation inversible

4 / 66
Translation
I La translation d’un pixel (i, j) de vecteur (ti , tj )t s’exprime :
0
i 1 0 i ti
= +
j0 0 1 j tj

5 / 66
Changement d’échelle
I Le changement d’échelle d’un pixel (i, j) de coefficients αi et αj
s’exprime : 0
i αi 0 i
=
j0 0 αj j

6 / 66
Rotation
I La rotation d’un pixel (i, j) d’angle θ s’exprime :
0
i cos θ sin θ i
=
j0 − sin θ cos θ j

7 / 66
Déformation linéaire
I La déformation linéaire d’un pixel (i, j) de coefficients βi1 , βi2 , βj1 et
βj2 s’exprime :
0
i βi1 βi2 i
=
j0 βj1 βj2 j

8 / 66
Les coordonnées homogènes

I Système de coordonnées défini dans les "espaces projectifs"
• espaces euclidiens ⊂ espaces affines ⊂ espaces projectifs
I Avec les mains : une coordonnée supplémentaire
(x, y ) affine → (x, y , 1) ∼ (x · w , y · w , w ) projectif
I Formalisation plus complexe, mais calculs facilités :
• Transformations projectives linéaires en coordonnées homogènes
• Permet d’inclure les translations dans la matrice de transformation

9 / 66
Les coordonnées homogènes

I Ex : déformation linéaire en coordonnées homogènes :
 0    
i βi1 βi2 0 i
 j 0  =  βj1 βj2 0   j 
1 0 0 1 1
I Déformation affine (linéaire + translation) :

 0    
i βi1 βi2 Tx i
 j 0  =  βj1 βj2 Ty   j 
1 0 0 1 1

10 / 66

Problème
I Une transformation directe n’implique pas que tous les pixels de
l’images destination auront une couleur
,→ phénomènes de “trous” dans les images
I Deux solutions :
• Appliquer une transformation inverse (mais la matrice doit être
inversible !)
• “Boucher” les trous
I Dans les deux cas, il faut interpoler

11 / 66
Transformations directe et inverse

I Transformation directe : on part des pixels de l’image initiale et on
calcule leur transformé : génération de “trous” ou de superpositions
I Transformation inverse : on part des pixels de l’image résultat et on
détermine à quel pixel ils correspondent dans l’image initiale par
transformation inverse.

12 / 66
Interpolations
I Deux modes d’interpolation principaux :
• Plus proche voisin : le pixel est de la même couleur que celle de son
plus proche voisin
• Interpolation bilinéaire : prise en compte des 4 voisins du pixel pour
faire une combinaison bilinéaire des intensités
I Il en existe beaucoup d’autres !

13 / 66
Interpolation bilinéaire
P = (1 − v )A + vB
Q = (1 − v )D + vC
R = (1 − u)P + uQ
= (1 − v )(1 − u)A + (1 − u)vB + uvC + u(1 − v )Q

14 / 66
Opérations entre images
I Les images sont des matrices, on peut donc effectuer les opérations
usuelles sur des matrices
I Bien faire la différence entre une opération matricielle et une
opération pixel par pixel
I En image, on fait en général des opérations pixel par pixel : addition,
soustraction, multiplication, division, combinaison linéaire, ...

15 / 66
Quelques exemples d’opérations entre

images

16 / 66
Quelques applications d’opérations entre

images
Soustraction et réduction de bruit

I On a 2 images identiques (au bruit près) et recalées
I L’image différence des deux images permet de détecter le bruit
I Pixel noir : aucune différence
I Pixel non noir : différence dont l’amplitude est celle du bruit
Attention : à des temps différents, l’image de différence donne les
mouvements entre images

17 / 66

images
Image de différence pour la détection de mouvement

18 / 66

images
Suivi multi-camera
I Pouvoir suivre un/des objets des selon différentes vues d’une même
scène

19 / 66

images
Suivi multi-camera
I Une solution : transformation homographique

20 / 66

images
Recalage d’images pour la cartographie

I Données : une carte et une image satellite (IKONOS)

21 / 66

images
Recalage d’images pour la cartographie
I Une solution : détecter des points d’intérêt et les faire correspondre
avec ceux de la carte

22 / 66

images
Recalage d’images pour la surveillance des crûes

23 / 66

images
Recalage d’images médicales multimodales pour la fusion

I Données : différentes modalités (CT, ultra-son, IRM)
I But : les recaler pour pouvoir les fusionner ensuite et disposer d’une
information plus complète

24 / 66

images
Recalage d’images médicales multimodales pour la fusion

25 / 66

images
Prédiction par compensation de mouvement pour la

compression vidéo
I Données : deux images d’une séquence
I But : prédire d’une image vers l’autre la position de blocs, et ne
transmettre que des vecteurs mouvement pour ces blocs

26 / 66

images

compression vidéo
I Partitionnement de l’image 1 en blocs

27 / 66

images

compression vidéo
I Chercher la position de chaque bloc de l’image 1 dans l’image 2

28 / 66

images

compression vidéo
I Transférer le contenu du bloc de l’image 1 dans sa cible dans
l’image 2

29 / 66
Améliorations d’images
But de l’amélioration
I Rendre les images plus aptes à l’interprétation humaine ou à celle de
la machine
I Aucune théorie générale
I Manipulation dans le domaine spatial : accès direct aux valeurs de
pixels
I Manipulation dans le domaine fréquentiel : modification de la
transformée de Fourier

30 / 66
Types d’amélioration
I Amélioration ponctuelle : f 0 (i, j) = T (f (i, j))
,→ Modification de la brillance ou du contraste d’une image.
,→ L’arrangement spatial (position) des pixels n’intervient pas :
aucune relation de voisinage étudiée.
,→ Travail sur les histogrammes, les valeurs de pixels, ...
,→ Sujet de ce chapitre.
I Amélioration locale : f 0 (i, j) = T (f (V )), où V est un voisinage du
pixels (i, j)
,→ Utilisation de filtres (chapitre sur le filtrage).
I Amélioration globale : f 0 = T (f )
,→ Utilisation de la transformée de Fourier (chapitre sur la TFD).

31 / 66

32 / 66
Pourquoi améliorer une image ?
I Régions à faire apparaître
I Image trop claire ou trop foncée
I Nécessité de modifier ses niveaux de gris afin de rendre visibles
certains détails

33 / 66
Pourquoi améliorer une image ?
I Modifier la brillance.
I Augmenter le contraste.

34 / 66
Rappels - définitions
I Opérations d’améliorations d’images modifient l’histogramme
I Qu’est-ce qu’un histogramme ? Un histogramme cumulé
I A quoi correspond le contraste d’une image ?

35 / 66
Histogramme
Définition
I Fonction décrivant la répartition des niveaux de gris de l’image
I Fournit des informations propres à l’image, telles que :
• La distribution statistique des niveaux de gris
• Les bornes de répartition des niveaux de gris
I Mais aucune information spatiale !
I À chaque image f de taille N × M , on peut associer une
distribution H des valeurs contenues dans cette image par :
H(k) = Card{0 ≤ i ≤ N − 1, 0 ≤ j ≤ M − 1 : f (i, j) = k} = nk

36 / 66
Remarque sur l’histogramme

Il ne code pas d’information spatiale
I Deux images différentes (en termes de contenu sémantique) peuvent

aussi avoir le même histogramme
37 / 66
Histogramme normalisé
Définition
I Fonction Hn donnant la probabilité (en termes de fréquence
d’occurrence) qu’un pixel ait pour niveau de gris k
H(k)
Hn (k) =
N ×M
où N et M sont respectivement le nombre de colonnes et de lignes
de l’image
I Les valeurs de H sont normalisées
I Approximation de la fonction de densité d’une variable aléatoire
(pixel)

38 / 66
Histogramme cumulé
Définition
I L’histogramme cumulé est donné par :
X
Hc (k) = H(i)
i≤k
où H(.) est l’histogramme

I L’histogramme cumulé normalisé est donné par :
X
Hc (k) = Hn (i)
i≤k
où Hn (.) est l’histogramme normalisé

I Hc (k) représente la probabilité d’avoir un niveau de gris inférieur ou
égal à k (fonction croissante qui tend vers 1), ou fonction de
répartition
39 / 66
Propriétés de l’image
Contraste
I Définition 1 : variation maximale entre valeurs de niveaux de gris
min et max dans l’image :
maxi,j [f (i, j)] − mini,j [f (i, j)]

C=
maxi,j [f (i, j)] + mini,j [f (i, j)]
I Définition 2 : écart-type des variations de niveaux de gris dans

l’image : v
u 1 N−1 X M−1
u
X
C =t (f (i, j) − B)2
NM
i=0 j=0
I Deux images totalement différentes peuvent avoir le même contraste

40 / 66
Modifications d’histogrammes
I On va modifier la luminance k
f : k → k 0 = f (k).
I Diffèrentes fonctions f vont avoir des impacts diffèrents sur l’image

41 / 66
Inversion d’image
Définition
I Inversion de l’intervalle des niveaux de gris de f par la formule :
k0 = |(L − 1) − k|
où L est la dynamique de l’image f
I Ne change pas la dynamique

42 / 66
Seuillage
Définitions et principe
I Seuillage (tresholding) : traitement ramenant l’image à deux ou
quelques niveaux d’intensité
I Binarisation (binarization) : traitement ramenant l’image à deux
niveaux ⇒ seuillage binaire
I Le seuillage binaire est défini par :

k1 si k ≤ S
k0 =
k2 si k > S
où k1 , k2 et S (seuil) sont des niveaux de gris

I Met en avant des régions mais n’améliore pas l’image

43 / 66
Exemples de seuillages (k1 = 0 et k2 = 255)

44 / 66
Revenons à notre problème
I Des images trop claires ou trop foncées
I D’une manière générale : l’histogramme est trop concentré

I Méthodes ponctuelles travaillant sur les niveaux de gris ou sur les
histogrammes mais, en général, ne modifiant pas l’information
contenue dans les images
45 / 66
Rehaussement logarithmique de contraste

Définition
I Formule : k 0 = log(k)
I L’intervalle des intensités sombres est augmenté (éclaircissement
global de l’image) : utilisé pour traiter des images trop sombres
I Remettre l’intervalle de variation des k 0 entre 0 et (L − 1)

46 / 66
Rehaussement logarithmique de contraste

47 / 66
Rehaussement exponentiel de contraste

Définition
I Formule : k 0 = e k
I L’intervalle des intensités claires est augmenté (assombrissement
global de l’image) : utilisé pour traiter des images trop claires
I Remettre l’intervalle de variation des k 0 entre 0 et (L − 1)

48 / 66
Rehaussement exponentiel de contraste

49 / 66
Translation d’histogramme
Définition
I Permet de faire varier la luminosité de l’image sans en changer le
contraste
I On obtient une image plus claire ou plus sombre
I S’applique sur des images à faible dynamique
I On a donc : k 0 = k + t, où t ∈ R

50 / 66
Translation d’histogramme

51 / 66
Changement de contraste
Définition
I On effectue une transformation affine sur les niveaux de gris
I La transformation s’exprime : k 0 = ak + b, où a, b ∈ R
I Diminution de contraste a < 1 et b > 0
I Augmentation de contraste a > 1 et b < 0
I Un exemple : l’étirement d’histogramme

52 / 66
Étirement d’histogramme
Définition
I Cas où l’intervalle de variation des niveaux de gris est réduit : on le
remet entre 0 et (L − 1)
I Si les niveaux de gris de I appartiennent à [kmin , kmax ], et qu’on
l’étire à l’intervale [0, L − 1], alors on a :
L−1
k0 = (k − kmin )
kmax − kmin

53 / 66

54 / 66
Un cas particulier : la transformation linéaire avec saturation
I On choisit deux seuils Smin et Smax tels que
kmin ≤ Smin < Smax ≤ kmax
I On a : k 0 = L−1
Smax −Smin (k − Smin )
I On peut obtenir des valeurs pour k 0 en dehors de l’intervalle de
variation maximale des niveaux de gris.
I Exemple : image codée sur 8 bits (valeurs entre 0 et 255) :
k0 < 0 → k0 = 0
k 0 > 255 → k 0 = 255

55 / 66
Et dans le cas général ?

I La dynamique de l’image n’est pas forcément maximale
I On peut choisir un intervalle cible [fmin , fmax ] quelconque
I C’est une simple changement d’intervalle, de [kmin , kmax ] vers
[fmin , fmax ]
I On a donc :
fmax − fmin
k0 = fmin + (k − kmin )
kmax − kmin

56 / 66
Égalisation d’histogramme
Définition
I Homogénéisation de la répartition des intensités des pixels
I Amplification des fluctuations dans les zones où elles sont faibles
I étalement des détails concentrés dans un petit intervalle de niveaux
de gris

57 / 66
Égalisation d’histogramme
Définition
I Formule :

L−1
k 0 = Int Hc (k)
N ×M
où L est la dynamique de l’image, N et M respectivement le nombre

de lignes et de colonnes de l’image et Hc (k) l’histogramme cumulé
du niveau de gris k. Int est la fonction qui arrondit à l’entier le plus
proche.

58 / 66
Égalisation d’histogramme : exemple 1

59 / 66
Égalisation d’histogramme : exemple 2

60 / 66
Étirement et égalisation : le même combat ?
Deux effets différents

I L’étirement va changer la répartition spatiale des bï£¡tons (bins) de
l’histogramme, mais pas leur taille
I L’égalisation va changer la répartition spatiale des bï£¡tons (bins)
de l’histogramme, et leur taille

61 / 66
Quelques applications de modification

d’histogrammes
La mosaï£¡que d’images
I Donnée : une image cible et une base d’imagettes

62 / 66

d’histogrammes
L’apprentissage sur une base d’images

I Donnée : une base de visages

63 / 66

d’histogrammes
L’apprentissage sur une base d’images
I Un problème : des variations d’illumination au sein de la base
,→ normaliser l’ensemble des histogrammes pour que les images
aient la même dynamique

64 / 66

d’histogrammes
L’image inpainting

65 / 66

d’histogrammes
Segmentation

66 / 66

Amelioration Opt PDF

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Amelioration Opt PDF

Загружено:

Авторское право:

Доступные форматы

Plan Types d’opération Transformation géométriques Opérations entre images Amélioration

Bases du traitement des images

I Opérations de base et améliorations J

Bases du traitement des images

1 Types d’opérations sur une image

Bases du traitement des images

Opérations sur une image

Comment transformer une image ?

Bases du traitement des images

Transformations géométriques d’image

Qu’est-ce qu’une transformation géométrique ?

où T est une matrice de transformation, et V un vecteur

où T est une matrice de transformation inversible

Bases du traitement des images

Transformations géométriques d’image

Bases du traitement des images

Transformations géométriques d’image

Bases du traitement des images

Transformations géométriques d’image

Bases du traitement des images

Transformations géométriques d’image

Bases du traitement des images

Transformations géométriques d’image

Les coordonnées homogènes

Bases du traitement des images

Transformations géométriques d’image

Les coordonnées homogènes

I Déformation affine (linéaire + translation) :

Bases du traitement des images

Transformations géométriques d’image

Bases du traitement des images

Transformations directe et inverse

Bases du traitement des images

I Il en existe beaucoup d’autres !

Bases du traitement des images

Bases du traitement des images

Opérations entre images

Bases du traitement des images

Quelques exemples d’opérations entre

Bases du traitement des images

Quelques applications d’opérations entre

Soustraction et réduction de bruit

Bases du traitement des images

Quelques applications d’opérations entre

Bases du traitement des images

Quelques applications d’opérations entre

Bases du traitement des images

Quelques applications d’opérations entre

Bases du traitement des images

Quelques applications d’opérations entre

Recalage d’images pour la cartographie

Bases du traitement des images

Quelques applications d’opérations entre

Bases du traitement des images

Quelques applications d’opérations entre

Recalage d’images pour la surveillance des crûes

Bases du traitement des images

Quelques applications d’opérations entre

Recalage d’images médicales multimodales pour la fusion

Bases du traitement des images

Quelques applications d’opérations entre

Recalage d’images médicales multimodales pour la fusion

Bases du traitement des images