Introduction au traitement des images Par Frdric Drolet Universit Laval Hiver 2006

1
Introduction autraitement des imagesParFrédéri
c DroletUniversité LavalHiver 2006
2
Plan

• Espaces des couleurs
• RGB et HSV
• Conversions
• Filtrage
• Convolution
• Linéaire vs non-linéaire
• Ouverture et fermeture
• Détection des arêtes
• Introduction aux traitements avancés

3
Espaces des couleurs (1)

• Espace RGB
• 3 composantes très dépendantes.
• Difficulté dextraire les traits
  caractéristiques.

4
Espaces des couleurs (2)

• Espace HSV (HSL,HSI)
• Séparation de la teinte, de la saturation et de
  lintensité.
• Plus facile dextraire les traits
  caractéristiques.

5
Conversion RGB ? HSV

• Transformation non-linéaire

6
Exemple de conversion RGB ? HSV
RGB
S
H
V
7
Conversion RGB ? HSL

• Transformation non-linéaire

8
Exemple de conversion RGB ? HSL
RGB
S
H
L
9
Conversion RGB ? HSI

• Transformation non-linéaire

10
Exemple de conversion RGB ? HSI
RGB
S
H
I
11
Filtrage

• Buts
• Atténuer et/ou éliminer le bruit.
• Détecter les traits caractéristiques.
• Linéaire vs non-linéaire
• Linéaires moyenne, gaussienne.
• Non-linéaires min, max, médiane.

12
Filtrage Convolution (1)

• Filtre masque (matrice m x m) convolué sur
  limage.
• La dimension du masque définit la localité de
  leffet de filtrage.

13
Filtrage Convolution (2)

• Convolution du masque sur limage

• Effets de bords
• Pixels à 0 ou 255
• Pixels identiques
• Miroir
• Image périodique
• Ignorer m/2 pixels sur le bord.

14
Filtre linéaire Moyenne (1)

• Diffuse le bruit (atténuation)
• Perte des fortes transitions (élimine les hautes
  fréquences)
• Exemple de filtre moyenne 3x3

15
Filtre linéaire Moyenne (2)

• Exemple Filtre 3 x 3

?
16
Filtre linéaire - Gaussienne

• Accorde plus dimportance au pixel central
• Filtre séparable
• Économie de calcul (filtrage des colonnes et des
  lignes séparément)
• Exemple filtre 5x5
• Normalement 5x5 multiplications 24 additions
  par pixel.
• Séparé 5x2 multiplications 4x2 additions par
  pixel.
• Atténuation du bruit

17
Filtres non-linéaires

• Érosion (min)
• Dilatation (max)
• Médiane
• Élimine le bruit impulsionnel
• Préserve les discontinuité
• Coûteux en calcul (tri des pixels)
• Ouverture (érosion ? dilatation)
• Fermeture (dilatation ? érosion)

18
Ouverture (1)

• Élimine les  pics  (bruit formé par de petits
  groupes de pixels près du blanc) dans limage.
• Lérosion  gruge  les zones blanches.
• La dilatation remet limage à létat initial sans
  le bruit.
• La grosseur du bruit éliminé dépend de sa densité
  et de la taille du filtre.

19
Ouverture (2)

• Exemple Filtre 3 x 3

?
20
Fermeture (1)

• Élimine les  trous  (bruit formé par de petits
  groupes de pixels foncés) dans limage.
• La dilatation élargit les zones blanches.
• Lérosion remet limage à son état initial sans
  le bruit.
• La grosseur du bruit éliminé dépend de sa densité
  et de la taille du filtre.

21
Fermeture (2)

• Exemple Filtre 3 x 3

?
22
Détection des arêtes (1)

• Principe de base Dérivée mesurant la vitesse de
  transition des couleurs dans limage.
• Utilités
• Détection de contours
• Détection de coins
• Détection de régions
• Masque approximant la dérivée.
• Sensibilité au bruit (filtrer avant).

23
Détection des arêtes (2)

• Dérivée en x et en y séparément.
• La fusion des deux images obtenues donne le
  gradient de limage en tout point
• Limage Is indique lemplacement des arêtes.
• Les directions I? sont normales aux arêtes et
  permettent un traitement plus haut niveau (la
  détection de coins par exemple).

24
Détection des arêtes (3)

• Méthodes
• Dérivée standard (demande un filtrage)

• Prewitt (filtrage inclus)

25
Détection des arêtes (4)

• Méthodes (suite)
• Sobel (filtrage inclus)
• Laplacien (dérivée seconde)
• Détecteur de Canny (plus haut niveau,
  utilisation de seuils et du voisinage)

26
Détection des arêtes (5)

• Exemple (Sobel)

Ix
Iy
27
Détection des arêtes (6)

• Exemple (suite Sobel)

Is
28
Traitements avancés (1)

• Détection de coins
• Arêtes où le gradient est fort dans plus dune
  direction.
• Utilisation de I?.
• Mouvement
• Bloc de pixels entourant lobjet observé.
• Recherche de lobjet en déplaçant le bloc à
  lintérieur dune fenêtre.
• Objet situé dans le bloc de la nouvelle image où
  la SSD (ou la SAD) est minimale.