1 / 33

Filtrage des images

Filtrage des images. Filtrage. L'objectif du filtrage est: 1. D’ améliorer la qualité visuelle de l’image Par le l issage : Atténuer le bruit 2. D’extraire les structure de l’image Par la d étection des contours : Détecter des variations brusque entre pixels.

Download Presentation

Filtrage des images

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. Filtrage des images

  2. Filtrage L'objectif du filtrage est: 1. D’ améliorer la qualité visuelle de l’image Par le lissage: Atténuer le bruit 2. D’extraire les structure de l’image Par la détection des contours: Détecter des variations brusque entre pixels

  3. Filtrage • Deux types de filtrages : • Linéaire • Non-linéaire

  4. Le bruit dans l’image peut-être • Bruit additif • Bruit multiplicatif • Bruit convolutif

  5. Bruit additif • principaux types de bruits • Uniforme : chaque pixel est modifié par l’ajout d’une valeur aléatoire • Impulsionnel : quelques pixels prennent des valeurs complètement aléatoires

  6. Filtrage linéaire • Le filtrage linéaire, consistent à modifier la valeur de chaque pixel par une moyenne pondérée de la valeur du pixel et de celles de ces voisins. • Le filtrage d’image est réalisé au moyen de produits de convolution Image filtrée=h* image à filtrer . Où h le filtre ou masque de convolution. Ce masque est nécessairement de taille impaire.

  7. Filtrage linéaireComment faire la Convolution? par glissement Masque h Image I • Si le masque recouvre des zones en dehors de l'image: • Soit on considère que l'image est entourée de noir, donc des valeurs nulles. • Soit on considère que l'image est entourée d'elle même, effet miroir

  8. Un voisinage d’un pixel est un ensemble de pixels voisins Système de voisinage

  9. Filtrage linéaire: Application Lissage • Lissage par moyennage • Lissage gaussien • Lissage pyramidal • …..

  10. Lissage par moyennage Les coefficients d’un filtre moyenneur sont égaux. Leurs valeurs est 1/N2. Avec Nla taille du masque. Pour N=3

  11. Lissage par moyennageAlgorithme h=[1/9,1/9,1/9; 1/9,1/9,1/9; 1/9,1/9,1/9] Pour j: 1 àNlfaire Pour i: 1 àNcfaire Im2(i,j)= 0 Pour l : –1 à 1 faire Pour k : –1 à 1 faire Im2(i,j)= Im1(i+k, j+l)*h(k+2,l+2) FinPour FinPour

  12. Exemple: Lissage par moyennage N=1 N=3 N=5 N=9 N=15 Plus d est grand, plus le lissage sera important, et plus l'image filtrée perd les détails de l'image originale

  13. Lissage: par filtre gaussien Le noyau gaussien centré et d'écart-type est défini par :

  14. Lissage: par filtre gaussien s=1.5; for i=-3:3 for j=-3:3 g(i+4,j+4)=(1/sqrt(2*3.14*s^2))*exp(-((i^2)+(j^2))/(2*s^2)); end end

  15. g =0.0049 0.0148 0.0288 0.0360 0.0288 0.0148 0.0049 0.0148 0.0450 0.0876 0.1094 0.0876 0.0450 0.0148 0.0288 0.0876 0.1706 0.2130 0.1706 0.0876 0.0288 0.0360 0.1094 0.2130 0.2660 0.2130 0.1094 0.0360 0.0288 0.0876 0.1706 0.2130 0.1706 0.0876 0.0288 0.0148 0.0450 0.0876 0.1094 0.0876 0.0450 0.0148 0.0049 0.0148 0.0288 0.0360 0.0288 0.0148 0.0049 =1.5 g =0.0000 0.0006 0.0027 0.0044 0.0027 0.0006 0.0000 0.0006 0.0073 0.0328 0.0540 0.0328 0.0073 0.0006 0.0027 0.0328 0.1468 0.2420 0.1468 0.0328 0.0027 0.0044 0.0540 0.2420 0.3990 0.2420 0.0540 0.0044 0.0027 0.0328 0.1468 0.2420 0.1468 0.0328 0.0027 0.0006 0.0073 0.0328 0.0540 0.0328 0.0073 0.0006 0.0000 0.0006 0.0027 0.0044 0.0027 0.0006 0.0000 =1 g =0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0003 0.0000 0.0000 0.0000 0.0000 0.0000 0.0146 0.1080 0.0146 0.0000 0.0000 0.0000 0.0003 0.1080 0.7981 0.1080 0.0003 0.0000 0.0000 0.0000 0.0146 0.1080 0.0146 0.0000 0.0000 0.0000 0.0000 0.0000 0.0003 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 =0.5

  16. Exemple: Lissage par filtre gaussien N=1 N=3 N=5

  17. Filtrage linéaire: Application détection des contours • But: est d’extraire les contours dans une image • Principe : est basé sur le gradient et la dérivé Le calcul du gradient pour un pixel (i,j) selon la direction vertical, peut-être donné par: ∇ p(i,j) = ((p(i + 1,j) − p(i,j)) + ( p(i,j) − p(i −1,j)))/2 ∇ p(i,j) = (p(i + 1,j) − p(i −1,j)) /2 ∇ p(i,j) = (p(i + 1,j).1+p(i,j).0− p(i −1,j).1) /2 MASQUE p(i -1,j) p(i,j) p(i+1,j)

  18. Filtrage linéaire: Application détection des contours Pour immuniser l’opérateur du bruit, on fait une moyenne avec le gradient de voisinage dans la même direction: D’où la notion des filtres directionnels:

  19. Filtres directionnels Direction 900 Image original Image directonnel

  20. Filtres directionnels Direction 1800 Image original Image directonnel

  21. Filtres directionnels Direction 450 Image original Image directonnel

  22. Filtrage linéaire: Application détection des contours Le calcul de dérivé pour un pixel (i,j) selon la direction vertical, peut-être donné par: Δpv(i, j) = [p(i +1, j) − p(i, j)]− [p(i, j) − p(i −1, j)] Δpv (i, j) = p(i + 1, j).1 + p(i, j).(-2) + p(i −1, j).1 MASQUE p(i -1,j) p(i,j) p(i+1,j) Le calcul de dérivé pour un pixel (i,j) selon la direction horizental, peut-être donné par: Δph (i, j) = p(i, j + 1) − 2.p(i, j) + p(i, j −1) MASQUE D’où le filtre Laplacien

  23. Filtre Laplacien Image original Image Laplacien

  24. Filtre Non-Linéaire • Si le filtre ne peut pas être exprimé par une combinaison linéaire, il est appelé " non-linéaire ". • Les filtres non-linéaires sont plus complexes à mettre en œuvre que les filtres linéaires. • Les résultats obtenus avec les filtres non-linéaires sont très souvent de meilleure qualité que ceux obtenus par les filtres linéaires. • -Élimine le bruit sans rendre l’image flous (conservation des contours).

  25. Filtre médian • La nouvelle valeur du pixel est la médiane des valeurs des niveaux de gris du voisinage • Très adapté au bruit type Impulsionnel "poivre et sel ’’ • Préserve les contours

  26. Exemple: Lissage par filtre median N=1 N=3 N=7

  27. Filtrage non-linéaire: Application détection des contours filtre de Roberts ∇p (i, j) = |p(i, j) − p(i +1, j +1) + p(i +1, j) − p(i, j +1)| Image original Image Robert

  28. Filtres adaptatifs Dépend des données

  29. Filtrage fréquentiel • Utilise Transformée de Fourier 2D ou TFF(transformé de fourrier rapide Image FFT de l’image

  30. Filtre passe haut Très-haute fréquence

  31. Filtre passe haut haute fréquence

  32. Filtre passe bas Base fréquence

  33. Filtre passe bas Très-Base fréquence

More Related