1. Traitement d’images Généralité et exemples 0% 100%

2. Plan Introduction ►Segmentation ►Détection de Contours ►Filtrage Conclusion 2

3. 3 Introduction Image Numérique: Echantillonnage et Quantification x I(x,y) R(x,y) L'échantillonnageest le procédé de discrétisation spatiale d'une image consistant à associer à chaque zone rectangulaire R(x,y) d'une image continue une unique valeur I(x,y). On parle de sous-échantillonnage lorsque l'image est déjà discrétise et qu'on diminue le nombre d'échantillons. y La quantificationdésigne la limitation du nombre de valeurs différentes que peut prendre I(x,y). Une image numérique est une image échantillonnée et quantifiée.

4. 4 Segmentation

5. Segmentation 5 Segmentation d’images : • En analysed’image, ce qui nous intéresse, cesont les objets des images. • Définition : Objet : partiesémantiquementcohérentedansl’image • En pratique : souvent – Connexe – Couleurcohérente – Délimité par des contours nets • Maisaussi – Texture cohérente – Information à priori

7. Approches LOCALES: Regiongrowing,

9. Peut sensible au bruit

10. Méthode globale: ignore les informations de proximité.

12. Méthode locale: aucune vision globale du problème.

13. Problème du gradient.

14. Algorithme sensible à l’ordre de parcours des points.Idée: On part d’un point amorce (seed) et l’on l’étend en ajoutant les points de la frontières qui satisfont le critère d’homogénéité TANT QUE image n’est pas segmentée en entier 1. Choisir un pixel non-étiqueté 2. Examiner les voisins : Vjsimilaire ⇒ étiquette k 3. TANT QUE Vj ∈ Région k Examiner les voisins Visimilaire ⇒ étiquette k 4. k = k + 1 et retour à ① Seuil = 4 Seuil = 7 Seuil = 3 Seuil = 6

15. Segmentation 9 ►Split and Merge composé de deux phases: ►Phase 1 : Créer les zones homogènes = SPLIT ►Phase 2 : Les regrouper = MERGE(cherche tous les couples de régions adjacentes dans l'arbre issu du découpage et cherche à les fusionner si leur couleur est assez proche.)

16. 10 Segmentation ►Split and Merge Split Exemple La méthode de découpage de l'imageutiliséedanscetalgorithmeestbasésur la notion de .quadtree.Cette structure de donnéesest un arbrequaternaire qui permet de stocker l'image à plusieursniveaux de résolution. Image initiale L’image est stockée dans un arbre. Initialement, arbre racine = image complète Split 1 Split 2 Split 3 Homogénéité = critère sur la variance de la couleur.

17. 11 Segmentation ►Split and Merge Construction du RAGRegionAdjacancy Graph Quadtree RAG

19. Si un des voisins de ce nœud est à une distance inférieure à un seuil de regroupement, les deux nœuds fusionnent dans le RAG.

20. Lorsque plus aucun nœud ne peut fusionner avec l’un de ses voisins, STOP.12

22. Méthode assez complexe

24. Détection de contours 15 Un contour peut approximativement être défini comme une zone de l’image ou l’intensité des pixels change brusquement. Cette discontinuité dans l’image est le passage d’un niveau de gris à un autre, de manière plus ou moins rapide. Techniquement, la détection de contours est le procédé de localisation des pixels se trouvant sur les bords

25. Détection de contours 16 Exemple: Masque de Sobel Le masque de Sobel mesure le gradient d’une image 2D. Typiquement, il est utiliser pour trouver une approximation du gradient en tout point d’une image au niveaux de gris. Une paire de masques à convolution, l’un estimant le gradient suivant l’axe-x, et l’autre selon l’axe-y. Sx Sy Magnetude: Pour un pixel de coordonnées (i,j), Sx et Sy sont: Sx = I[i-1][j+1]+2I[i][j+1]+I[i+1][j+1]-(I[i-1][j-1]+2I[i][j-1]+I[i+1][j-1]) Sy = I[i+1][j+1]+2I[i+1][j]+I[i+1][j-1]-(I[i-1][j+1]+2I[i-1][j]+I[i-1][j-1]) AfterSx and Sy are computed for every pixel in an image, the resulting magnitudes must bethresholded. All pixels will have someresponse to the templates, but only the very large responseswill correspond to edges. S

26. Détection de contours 17 Exemples

27. 18 Filtrage

28. Filtrage 19 L'objectif du filtrage est de réduire les variations d'intensité au sein de chaque région de l'image tout en respectant et préservant l'intégrité des scènes : les transitions entre régions homogènes, les éléments significatifs de l'image Différentes méthodes de filtrage ont été développées suivant le type et l’intensité du bruit, ou les applications auxquelles on destine l'image. - FiltresLineaires, - Filtres Non-Lineaires

29. Filtrage 20 Filtres linéaires : Lissage Le lissage est une opération fondamentale en traitement d'images, elle vise à atténuer ou supprimer les aspérités et petits détails dans une image. En d'autres termes, la corrélation de l'image avec le masque M remplace (en parallèle) le niveau de gris de chaque pixel par une moyenne pondérée de ceux de son voisinage.  L'effet du lissage est de "mélanger" les niveaux de gris dans un voisinage, donc d'engendrer du flou sur l'image.

30. Filtrage 21 Filtres linéaires : Lissage Lissage : Elimination du bruit Lissage : Amélioration de la détection de contours Image originale Lissage 3x3 Lissage 7x7 Lissage 15x15 Extraction d'arêtes sur l'image originale Extraction d'arêtes sur l'image bruitée Extraction d'arêtes surl'image bruitée lissée 5x5 Extraction d'arêtes sur l'image lissée 5x5 Image bruitée Lissage linéaire 3x3

31. Filtrage 22 Filtres Non-Linéaires : Le filtre médian Par exemple, soit n = 9, et considérons les 9 valeurs 17, 1, 3, 5, 3, 1, 12, 2, 7. Notons que certaines valeurs peuvent être répétées, et qu'il ne faut pas supprimer les répétitions! En les ordonnant de la plus petite à la plus grande, on obtient la suite1, 1, 2, 3, 3, 5, 7, 12, 17. La valeur au milieu de cette suite ordonnée est la 5ème, à savoir 3, qui est donc la médiane des 9 valeurs. Le filtre médian est un filtre spatial qui calcule en chaque pixel la médiane des niveaux de gris des pixels de sa fenêtre. Non-création de nouveaux niveaux de gris

32. Filtrage 23 Le filtre médian: Elimination du bruit poivre et sel Le filtre médian: Elimination du bruit poivre et sel Le bruit impulsif, aussi appelé bruit poivre et sel, est une dégradation de l'image où certains pixels deviennent aléatoirement soit blancs, soit noirs. Lissage linéaire 5x5 Filtrage médian 5x5 2ème applicationdu filtre médian 3x3 On suppose généralement que la probabilité qu'un pixel devienne blanc (resp. noir) est constante sur l'image, et que le devenir de chaque pixel est indépendant de celui des autres. Filtrage médian 3x3

33. 24 < 1mm de  Conclusion Médical Contrôle de trafic: Détectiond’infractions, Identification de matricules, Préventiond’accidents, etc… Face expression Detection Guidageautomatique: Autosurveillance, Navigation, etc… Micro robots de détection de cancers, tumeurs, etc… Intelligence Artificielle Traitement d’images 2cm

34. 25