1 / 157

Traitement d'images 4TC - Option « Télécoms » Hugues BENOIT-CATTIN

Traitement d'images 4TC - Option « Télécoms » Hugues BENOIT-CATTIN. Plan. I. Compression II. Segmentation III. Indexation IV. Tatouage. Remerciements à A. Baskurt, C. Odet pour la partie II. I. Compression. 1. Introduction 2. Approches directes (Vectorielle, Quadtree, Fractale)

cato
Download Presentation

Traitement d'images 4TC - Option « Télécoms » Hugues BENOIT-CATTIN

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Traitement d'images 4TC - Option « Télécoms » Hugues BENOIT-CATTIN

  2. Plan • I. Compression • II. Segmentation • III. Indexation • IV. Tatouage Remerciements à A. Baskurt, C. Odet pour la partie II

  3. I. Compression • 1. Introduction • 2. Approches directes (Vectorielle, Quadtree, Fractale) • 3. Approches par transformation (SPIHT, JPEG2000) • 4. Compression de séquences d'images (MPEG4)

  4. 1 Introduction • Objectifs Réduction du volume occupé par les images numériques pour faciliter leur transfert et/ou leur stockage • Historique • 1952 : Codeur entropique (Huffman) • 1978 : DCT (Pratt) • 1980 : Vectoriel (Linde-Buzo-Gray) • 1986 : Sous-bandes (Woods) • 1986 : Vectoriel sur treillis (Fisher) • 1989 : JPEG • 1989 : MPEG-2 • 1989 : Ondelettes (Mallat, Daubechies) • 1990 : Fractales (Jacquin) • 1996 : SPIHT • 1996 : MPEG-4 • 1997 : MPEG-7 • 1998 : JPEG2000

  5. Sans pertes / avec pertes contrôlées bits image Transformation Quantification Codage • Sans pertes (Huffman, Quadtree) • image originale = image comprimée  TC limité (#3) • Avec pertes contrôlées • On perd l'information qui se voit peu  TC augmente • Recherche d'un compromis Tc / Qualité • Directe / Transformation • Directe Quantification & codage des pixels de l'image • Transformation  Quantification & codage des coeff. transformés • Classification des méthodes de compression

  6. Evaluation d'une méthode compression • Dépend de l'application • Taux de compression (Tc) Ex : image (512x512x8bpp) avec Tc=10  512x512x8/10=26215 bits  0.8 bpp • Qualité • Critère mathématique (RSB) Avec • Critères subjectifs • - Courbes ROC (médecine) • - Notations subjectives (TV)

  7. Autres critères • Vitesse d'exécution : codeur /décodeur • Complexité • - Additions / multiplications • - Soft / Hard • Résistance au bruit de transmission • Intégration de post-traitements • - Prise en compte du récepteur (homme / machine) • Coût financier • Scalability

  8. 2 Approches directes • Codage Huffman • Codage arithmétique • Codage par longueur de plage • Codage type dictionnaire • Quantification scalaire • Quantification vectorielle • Méthodes prédictives • Approche quadtree • Codage fractale Codeurs de source (Th. Information)

  9. Quantification scalaire • Traitement pixel à pixel •  Diminuer le nombre de niveaux de gris utilisés : Nnq < Nnp • Problèmes • - Comment choisir les seuils de quantification (si) ? • - Comment choisir les niveaux de quantification (qi) ?

  10. Seuils répartis de façon uniforme • Niveaux = milieux des seuils • C'est un quantificateur linéaire • Quantification scalaire uniforme linéaire avec

  11. Seuils répartis de façon uniforme • Quantification scalaire uniforme optimale • Niveaux = Barycentre (histogramme) • Quantification optimale(Loyd-Max : 1960) • Minimise l'erreur de quantification • Algorithme itératif très long pour des distributions inconnues • Tables pour des dist. gaussiennes, laplaciennes, ... • Fait le travail du codeur !

  12. Quantification vectorielle • Extension de la quantification scalaire •  Pixel  Vecteur = bloc de pixels contigus • Vecteur de taille et forme variable • Approche optimale : LindeBuzoGray (1980) • Phase d'apprentissage : dictionnaire de vecteurs • Vecteur = représentant d'une région de Voronoï de taille variable • Dictionnaire connu du codeur /décodeur • Phase d'apprentissage délicate • Temps de recherche dans le dictionnaire • Approche treillis

  13. Approche Treillis : Fisher, Conway, Sloane (1986) • Extension de la quantification linéaire uniforme • Treillis = vecteurs régulièrement répartis dans Rn • Dictionnaire pré-défini  Pas d'apprentissage • Algorithme de quantification rapide • Algorithme de quantification vectorielle sur treillis  - Choix de la norme : L1  Laplacien  Pyramide L2  Gaussien  Sphère - Choix de la taille des vecteurs - Choix du treillis : Zn, An, Dn (4), En(8), n(16)  Taux (B)  K rayon du dictionnaire contenant 2nB vecteurs  Procédure de dénombrement

  14.  Bornage des vecteurs par le facteur d'échelle A = Es/K  Ramène les vecteurs à l'intérieur du dictionnaire - Traitement spécial pour les vecteurs d'énergie > Es  Quantification - Vecteur  vecteur du dictionnaire le plus proche  Codage des vecteurs : code produit - Rayon : code Huffman - Index : code de longueur fixe

  15. Illustration de la quantification vectorielle sur treillis Vecteurs 2x1

  16. Structure de fichier codé

  17. Approche Quadtree • Découpage récursif en carrés homogènes •  Critère de split : variance, ...

  18. Codage de l'arbre : règle de parcours (Peano) • Codage des régions homogènes : moyenne, interpolation ...

  19. Compression par fractale • Les Fractales (B. Mandelbrott) • - Observations naturelles : nuages, plantes ... • - Auto-similarité à toutes les échelles  redondance dans l'image • Les 'Iterated Functions Systems' (IFS) • - Wi : Transformation affine contractante rotations, réflexions position déplacement niveau de gris scaling variance offset moyenne

  20. Recherche d'un IFS pour générer une image •  très fort taux de compression mais image spéciale • Approche directe •  Transformation de l'image = morceau de l'image • image # w1(image)  w2 (image)  ...  wn (image)  Fougère : 4 transformations = 192 bits 512² : Tc = 1365 • Utilisation de bibliothèque d'IFS •  image segmentée en un ensemble d'IFS connus

  21. Compression par IFS local (Jacquin 1990) • - Approche valable sur des images quelconques • Codage

  22.  Mettre les Dj à la taille de R : Sous-échantillonnage +- moyennage  Définir la zone de recherche - toute l'image - limitée  (ei,fi)  Recherche du (WiDj) le plus proche de Ri - Mesure de distance  L1, L2, L Ex : pour L2 - - - ai, bi, ci, di = (0,-1,1)  4 rotations (-90, 90,180,0)  4 réflexions(_ | / \)  Codage de longueur fixe ou variable  code = Swi

  23. Variantes - formes des blocs - recherche des wi - codage des wi • Codage très long • Décodage instantané

  24. Point de départ It n° 1 RSB = 23,8 dB It n° 2 RSB = 27,33 dB It n° 3 RSB = 32,16 dB Tc = 10

  25. 3. Approches par transformation

  26. Représentation différente de l'image •  Décorrélation  Gain en performances • Temps de calcul supplémentaire • Une Transformation •  Réversible (sans perte) •  Orthogonale (énergie conservée) •  Rapide • DCT  JPEG • Ondelettes  SPIHT, JPEG2000

  27. Compression DCT bloc : JPEG(1989)

  28. Schéma général

  29. Compression sous-bandes / ondelettes

  30. Décomposition en sous-bandes / ondelettes • Esteban/Galland 1977 - Woods/O ’Neil 1986 - … - Mallat (1989) • Filtres FIR 1D, 2D • Filtres IIR 1D, 2D Une Décomposition

  31. Une reconstruction • Décomposition / Reconstruction sans pertes  cascades

  32. Pyramidale (itérée en octave) Adaptative

  33. Réversible • Concentration d ’énergie • Spatio - fréquentiel • Analyse & Compression

  34. Décompositionpyramidale en sous-bandes •  banc de filtres FIR 1D : bi-orthogonaux 9-7 • - phase linéaire, rec. parfaite, pas orthogonaux, réguliers •  Concentration d'énergie dans la BB

  35. Allocation des bits aux sous bandes par modèle • - Min(D) avec B<Bf  Optimisation • - Théorie de la distorsion : bruit de quantification  D=f(B) • -  très rapide  sous-optimal (modèle  réalité) • Quantification séparée des sous-bandes (Woods 86) •  Sous-bande BF : histogramme  • - DPCM + scalaire + codeur entropique •  Sous-bandes HF : histogramme laplacien • - QV treillis, ...

  36. Exemples Originale Sous-bandes Tc=32

  37. Sous-bandes Tc=32 RSB = 30.1 dB JPEG Tc=32 RSB -3%

  38. Originale Sous-bandes Tc=60 !!

  39. Quantification globale des sous-bandes (shapiro 93)  SPIHT •  Algorithme très rapide, RSB élevé, 'embedded' • Basé sur : • - Transmission progressive par plan de bits = Q. scalaire • - Exploite l'auto-similarité inter-sous-bandes : arbres de coeffs http:\\ipl.rpi.edu/research/SPIHT

  40. SPIHT (Set Partitionning In Hierarchical Trees) Said & Pearlman 96 • Décomposition en ondelettes (9-7) • Partition des coeffs en arbres signifiants • Transmission progressive par plan de bits • +- Codeur arithmétique

  41. Transmission progressive par plan de bits Minimiser l'erreur de quantification D

  42. Partitionning Tree • Relation de parenté inter sous-bandes

  43. |ci,j|  2n • Règles de signification • Définition des ensembles

  44. Règles de division • Listes de signifiants ! SPIHT ne fait que de la gestion de liste de coordonnées et du masquage binaire

  45. Algorithme de codage

  46. La stratégie de parcourt est connue du décodeur  les coordonnées ne sont plus codées !

  47. Exemples JPEG Tc=32 RSB : 30.25 SPIHT Tc=32 RSB : 32.45

  48. SPIHT , TC=30 SPIHT , TC=240 !

More Related