Introduction au Traitement dimage Sujets Fondement du traitement

Introduction au Traitement d’image Sujets – Fondement du traitement d’image (signaux) – Opérations de base sur les pixels • Amélioration des images • Segmentation des images • Inversion d’image • Transformation des pixels • Différence d’images • Lissage d’image – Processus d’interprétation (reconnaissance) d’image (signaux)

Introduction au Traitement d’image • Fondement du traitement d’image – Une image peut être constituée de : • 1 bande => à niveaux de gris (valeurs entre 0. . 255) • 2 bandes => luminance, chrominance • 3 bandes (channel): les images couleur courantes. Les bandes peuvent être RGB (Red, Green, Blue), HSI (Hue, Saturation, Intensity), L*a*b*, XYZ, CMY (Cyan, Magenta, Yellow), etc. HSV RGB CMY

Introduction au Traitement d’image • Fondement du traitement d’image – Une image peut être constituée de : • Multispectrales (ex. images satellites: bande Verte, bande Infra Rouge). – Une image (matrice) 2 dimensions (2 D) est une fonction à deux variables I(y, x) telle avec y l’indice des lignes et x l’indice des colonnes. – I() est l’amplitude ou niveau de gris de l’image à la position (y, x). – Quand les valeurs de x, y et I sont finies, on dit que c’est une image numérique. Dans le cas opposé, il faut procéder par : • Échantillonnage pour discrétiser x et y. • Quantification pour discrétiser I(). – Sources: Caméra numérique, Web cam, caméra tablette et téléphone intelligent, et autres ….

Introduction au Traitement d’image • Fondement du traitement d’image – Une image en niveaux de gris Zone d’image sombre 0 Zone d’image brillante 255

Introduction au Traitement d’image • Fondement du traitement d’image – Résolution d’une image (échantillonnage en x et y) 1024 X 1024 32 X 32

Introduction au Traitement d’image • Fondement du traitement d’image – Quantification (conversion de la valeur analogue en niveaux digital) 256 niveaux 32 niveaux 16 niveaux 2 niveaux

Introduction au Traitement d’image • Opérations de base sur les pixels (amélioration des images) – L’amélioration de la qualité des images peut avoir comme objectif d’améliorer la qualité visuelle des images pour améliorer leur perception et faciliter leur interprétation par l’humain. – L’amélioration des images peut permettre de mettre en évidence certaines informations ou parties de l’image, ce qui facilite ensuite l’extraction de caractéristiques à partir des images améliorées. – Exemples de méthodes d’améliorations des images: • Le lissage du bruit • La réduction du flou (rehaussement d’image) • L’amélioration du contraste • Corrections des distorsions géométriques et photométriques

Introduction au Traitement d’image • Opérations de base sur les pixels (amélioration des images) • Corrections des distorsions géométriques

Introduction au Traitement d’image • Opérations de base sur les pixels (amélioration des images) • Corrections des distorsions géométriques Transformation spatiale (x, y) f (x, y) Affectation du niveau de gris

Introduction au Traitement d’image • Opérations de base sur les pixels (amélioration des images) • Corrections des distorsions géométriques Image déformée Image corrigée Modèle de déformation polynômial d’ordre n (2, 3 , 4) déduit par une approche de moindres carrés

Introduction au Traitement d’image • Opérations de base sur les pixels (amélioration des images) • Corrections des distorsions géométriques (image radar) – Résultat de la correction r 11. rast

Introduction au Traitement d’image • Opérations de base sur les pixels (amélioration des images) • Corrections des distorsions géométriques (modèle de déformation) x’ = 3. 617372 e-5 y 2 - 7. 388483 e-5 x 2 - 7. 460775 e-6 xy - 0. 06930322 y + 0. 8548632 x + 21. 974 y’ = 2. 625691 e-5 y 2 - 4. 338432 e-6 x 2 + 1. 788196 e-5 xy + 1. 210034 y - 0. 03385992 x 415. 5843 où x’, y’ sont les coordonnées des pixels dans l’image déformée et x, y celles de l’image corrigée (idéale).

Introduction au Traitement d’image • Opérations de base sur les pixels (amélioration des images) • Création de distorsions géométriques Image déformée ? Image corrigée ?

Introduction au Traitement d’image • Opérations de base sur les pixels (amélioration des images) • Correction de distorsions géométriques autre application (Systèmes de Réalité Virtuelle, ex: Oculus Rift)

Introduction au Traitement d’image • Opérations de base sur les pixels (amélioration des images) • Correction de distorsions géométriques autre application (Systèmes de Réalité Virtuelle: (Oculus Rift) utilisé au Lori. Corp) Déformations géométriques et radiométriques des lentilles de l’Oculus Rift

Introduction au Traitement d’image • Opérations de base sur les pixels (amélioration des images) • Correction de distorsions géométriques autre application (Systèmes de Réalité Virtuelle: (Oculus Rift) utilisé au Lori. Corp) Corrections géométriques des images envoyées aux lentilles de l’Oculus Rift

Introduction au Traitement d’image • Opérations de base sur les pixels (amélioration des images) • Correction de distorsions géométriques autre application (Systèmes de Réalité Virtuelle: (Oculus Rift) utilisé au Lori. Corp) Images observées dans l’Oculus Rift

Introduction au Traitement d’image • Opérations de base sur les pixels (amélioration des images) • Corrections des distorsions photométriques

Introduction au Traitement d’image • Opérations de base sur les pixels (amélioration des images) • Corrections des distorsions photométriques (Oculus Rift) Origine de la déformation radiométrique

Introduction au Traitement d’image • Opérations de base sur les pixels (extraction de caractéristiques) – Une image contient beaucoup d’informations (pixels). – Ces informations individuelles ne sont pas structurées, la détection de régions (objets) est alors difficile lorsque basée strictement sur chaque pixel pris individuellement. – L’extraction des caractéristiques (segmentation) de l’image permet d’extraire des régions (objets) facilitant ainsi l’interprétation des images, la reconnaissance d’image. –Exemples de méthodes de segmentation d’images: • L’extraction des contours et arêtes • L’extraction des régions • L’extraction des textures

Introduction au Traitement d’image • Opérations de base sur les pixels (extraction de caractéristiques) – Exemples de méthodes de segmentation d’images: • L’extraction des contours et arête Image originale Image des contours

Introduction au Traitement d’image • Opérations de base sur les pixels (extraction de caractéristiques) – Exemples de méthodes de segmentation d’images: • L’extraction des régions

Introduction au Traitement d’image • Opérations de base sur les pixels (extraction de caractéristiques) – Exemples de méthodes de segmentation d’images: • L’extraction des textures

Introduction au Traitement d’image • Opérations de base sur les pixels (inversion d’image) – La valeur de niveau de gris de chaque pixel d’une image originale I(y, x) est remplacée par 255 – I(y, x). – Algorithme : INPUT: Image originale Image I OUTPUT: Image résultante Image R POUR i Allant de 0 à NBRANGEE FAIRE POUR j Allant de 0 à NBCOLONNE FAIRE R(i, j) = 255 – I(i, j) // sachant que l’amplitude max est 255 FIN POUR

Introduction au Traitement d’image • Opérations de base sur les pixels (inversion d’image) Image inversée

Introduction au Traitement d’image • Opérations de base sur les pixels (transformation des pixels) – Certaines images sont constituées de pixels dont les valeurs ne sont pas toujours visualisables (ex. valeurs négatives: images différentielles). Il faut changer l’intervalle de la plage de valeurs (plage dynamique) pour ainsi pouvoir les afficher. – Certaines images sont très peu contrastées. Il faut augmenter leur plage dynamique pour les rendre plus visibles, mieux contrastées.

Introduction au Traitement d’image • Opérations de base sur les pixels (transformation des pixels: transformation logarithmique) – L’œil humain distingue les valeurs de niveaux de gris sombres (proches du noir) plus que les n. g. clairs (proches du blanc). La perception visuelle en fonction du n. g. est une fonction logarithmique : Perception 255

Introduction au Traitement d’image • Opérations de base sur les pixels (transformation des pixels: transformation logarithmique) – Exemple Image originale Image améliorée

Introduction au Traitement d’image • Opérations de base sur les pixels (transformation des pixels: transformation logarithmique) – Algorithme : INPUT : Image originale I (les n. g. de I [0, Imax]) OUTPUT : Image résultante R (les n. g. de R [0, Rmax]) POUR i Allant de 0 à NBRANGEE FAIRE POUR j Allant de 0 à NBCOLONNE FAIRE R(i, j) = C * Ln ( I(i, j) + 1) FIN POUR – Valeur de C : Rmax = C * Ln(Imax + 1) C = Rmax / Ln(Imax + 1)

Introduction au Traitement d’image • Opérations de base sur les pixels (transformation des pixels: transformation linéaire (notions d’histogramme)) SCÈNE DE FAIBLE RADIANCE SCÈNE DE FORTE RADIANCE % % niveaux de gris SCÈNE DE BAS CONTRASTE SCÈNE DE HAUT CONTRASTE % % niveaux de gris FIGURE 2 -1 [rf. SCHOWENGERDT, p. 60]

Introduction au Traitement d’image • Opérations de base sur les pixels (transformation des pixels: transformation linéaire) % étirement de l’histogramme amélioration du contraste = ? niveau de gris après transformation GL’ niveau de gris avant transformation GL transformation des niveaux de gris

Introduction au Traitement d’image • Opérations de base sur les pixels (transformation des pixels: transformation linéaire) gl' 255 gl 1' 0 min gl 1 max gl

Introduction au Traitement d’image • Opérations de base sur les pixels (transformation des pixels: transformation linéaire)

Introduction au Traitement d’image • Opérations de base sur les pixels (transformation des pixels: transformation linéaire) GL’ % GL min max min 0 max GL’ 255

Introduction au Traitement d’image • Opérations de base sur les pixels (transformation des pixels: transformation linéaire) – Algorithme : INPUT : Image originale I (les n. g. de I [Imin, Imax]) OUTPUT : Image résultante R (les n. g. de R [Rmin, Rmax]) POUR i Allant de 0 à NBRANGEE FAIRE POUR j Allant de 0 à NBCOLONNE FAIRE R(i, j) = a * I(i, j) + b FIN POUR – Valeur de a : Rmax = a * Imax + b Rmin = a * Imin + b Rmax – Rmin = a * (Imax – Imin) a = (Rmax – Rmin) / (Imax – Imin) – Valeur de b : b = Rmax – a * Imax

Introduction au Traitement d’image • Opérations de base sur les pixels (différence d’images) Le jeu des 7 erreurs ! - (b) 1975. = (a) 1972. images Landsat MSS du complexe minier cuprifère de "Twin Buttes" (au sud de Tucson en Arizona) FIGURE 2 -8 [rf. SCHOWENGERDT, p. 70]

Introduction au Traitement d’image • Opérations de base sur les pixels (différence d’images) • Histogramme des différences

Introduction au Traitement d’image • Opérations de base sur les pixels (différence d’images) • Transformation linéaire

Introduction au Traitement d’image • Opérations de base sur les pixels (différence d’images) • Algorithme : INPUT : Image originale I 0 (les n. g. de I 0 [I 0 min, I 0 max]) INPUT : Image originale I 1 (les n. g. de I 1 [I 1 min, I 1 max]) OUTPUT : Image résultante R (les n. g. de R [Rmin, Rmax]) IMAGE TAMPON D (les valeurs de D [I 1 min- I 0 max, I 1 max- I 0 min]) POUR i Allant de 0 à NBRANGEE FAIRE POUR j Allant de 0 à NBCOLONNE FAIRE D(i, j) = I 1(i, j) – I 0(i, j) FIN POUR i Allant de 0 à NBRANGEE FAIRE POUR j Allant de 0 à NBCOLONNE FAIRE R(i, j) = a * D(i, j) + b FIN POUR

Introduction au Traitement d’image • Opérations de base sur les pixels (Lissage d’image) – L’objectif principal du lissage est de réduire le bruit (haute fréquence). – Le bruit est de l’information non désirée présente dans l’image souvent sous forme de variation rapide (haute fréquence) dans des n. g. – Le bruit provient soit du système de formation de l’image (imperfection au niveau de la caméra, échantillonnage, etc. ) soit de la scène elle-même (présence de poussière, de brouillard, neige etc. )

Introduction au Traitement d’image • Opérations de base sur les pixels (Lissage d’image) – Notions de lissage d’image = Lissage (filtre passe-bas) Rehaussement (filtre passe-haut)

Introduction au Traitement d’image • Opérations de base sur les pixels (Lissage d’image) – Notions de voisinage d’image transformation × ¾® (x, y) Image originale 0 0 0 0 0 0 0 0 0 0 Image traitée

Introduction au Traitement d’image • Opérations de base sur les pixels (Lissage d’image) – Notions de voisinage d’image et convolution filtre normalisé OU Point Spread Function 1/9 1 1/9 X 1/9 1 1/9 1 résultat d ivisé par la somme des poids [wx] du filtre (P-B) ou son nombre de pixels (P-H) w 1 w 2 w 3 w 4 w 5 w 6 w 7 w 8 w 9 ü ï DF ou ý Dimension ï Filtre : 3 þ

Introduction au Traitement d’image • Opérations de base sur les pixels (Lissage d’image) – Lissage de moyenne 00 FF 1 1 1/25 X 1 1 1 1 1 1 transition tranusition Lissage (flou apparent) apparent N. B. plus le filtre grossit , plus le lissage devient important et plus le flou s’accentue !

Introduction au Traitement d’image • Opérations de base sur les pixels (Lissage d’image, filtre uniforme) – Lissage de moyenne: Algorithme INPUT : Image originale I de taille N N OUTPUT : Image résultante R de taille N N // Utilisons un voisinage de taille (2 M+1) POUR i Allant de M+1 à N – M FAIRE POUR j Allant de M+1 à N – M FAIRE FIN POUR

Introduction au Traitement d’image • Processus d’interprétation d’image (signaux)