Prétraitement de l’image Restauration – Amélioration Ajustement de dynamique Renforcement du contraste Lissage des bruits Images bimodales : binarisation

Restauration – Amélioration d’images Existence d’un modèle de dégradation ou connaissances Amélioration: Opérations systématiques sans référence au contenu Exemples: Amélioration de contraste (netteté des transitions) Diminution du bruit (non homogénéité de zones) Filtrage de Wiener (spectre du bruit connu) Filtre Médian (pas de modèle mais adapté au bruit impulsionnel)

Corrections capteur ou optique   Corrections géométriques (calibrage du capteur)   Étalonnage des non linéarités locales ou globales du capteur Correction du gain d’amplification Correction de la loi de restitution (correction gamma)   Transformation globale par LUT ou ponctuelle par cartographie

Bruit impulsionnel (sel & poivre) Bruit gaussien d ’energie=0.01 Bruit gaussien d ’énergie =0.1 Bruit multiplicatif:

Distorsion géométrique Exemple : o  mire déformée +  mire déformée corrigée

Correction de la distorsion géométrique Exemple sur image réelle, utilisation de la transformation inverse : Calcul pour chaque (xc,yc) du point (xd,yd) interpolé correspondant

Interpolations et zoom Image d’origine, 2 niveaux Fenêtre d’image agrandie (‘C’ de l’angle supérieur gauche Bicubique Bilinéaire Noter que l’interpolation bilinéaire produit un flou, et que l’interpolation bicubique rehausse le contraste local

Ajustement de dynamique  Temps de pose incorrect | Dynamique de Ouverture d’objectif incorrect | signal réduite Modification de luminance de la scène |   Conditions de prise de vue inadaptées  Saturations, non Linéarités, … Irrécupérable 1 – Ajustement global de dynamique

Ajustement de dynamique 2 – Correction d’exposition

Ajustement de dynamique 3 – Égalisation d’histogramme

Egalisation d ’histogramme: cette transformation fait ressortir le contraste Elle a aussi pour effet de normaliser l ’image

Augmentation de la dynamique dans les zones sombres

Binarisation de l ’image: seuil choisi = 127 (50% de 256)

Exemples Transparent 14

Exemples Transparent 15

Exemples Transparent 16

Exemples Transparent 17

Exemples Transparent 18

Renforcement du contraste Traitement local prenant en compte le voisinage de chaque pixel balayage systématique de l’image par une fenêtre d’analyse Laplacien discret Notation conventionnelle en imagerie : D = S  M3x3 où  est la somme M3x3 est ici défini par ses coefficients :  

Exemple Transparent 20

Lissage des bruits - Introduction 1 – Statistiques paramétriques : moments statistiques 2 – Statistiques d’ordre Paramètre de centrage : médiane, valeur séparant la population en deux classes d’effectifs égaux. Après tri, c’est la valeur N/2 + 1  réglage : taille du voisinage

Lissage des bruits - Introduction 3 – Étude comparative

Exemple

Exemple

ce filtre produit une impression de FLOU sur les contours

Le filtre MOYENNEUR n ’est pas adapté au BRUIT IMPULSIONNEL

Le filtre MEDIAN est efficace sur du bruit impulsionnel

Avec un filtre MEDIAN de taille 7x7, le résultat est encore meilleur mais les noyaux clairs des globules commencent à disparaître

Variantes paramétriques But : Éviter l’élimination des détails et la surcharge en temps de calcul de la médiane On utilise la variance pour éviter le moyennage en cas de contraste élevé Moyenne seuillée : Si variance < seuil => G = moyenne Sinon G = Gorigine Moyenne pondérée : VB : estimation de la variance du bruit K = (Var-VB)/Var G = (1-K).Moy + K.Gorigine  Évolution continue Filtre Sigma : S = {Gris / |Gris-Gcentre| < seuil} G = S / card(S)  Élimination des pixels hors norme Moyenne tronquée : S = Gris – Max(Gris) – Min(Gris) G = S / (N-2)  Élimination des valeurs extrêmes

Variante directionnelle: filtre de Nagao 5 – Opérateur à sélection de voisinage Algorithme d'origine : opérateur de Nagao Subdivision de la fenêtre 5x5 en 9 domaines Pour chaque domaine Di --> Moy(i) et Var(i) D2, D4 ,D6 déduit de D0 par rotations de 90 degrés D3, D5, D7 déduit de D1 k / Var(k) = Min Var(i)  G = Moy(k) Amélioration : régularisation de la structure géométrique des domaines 9 domaines 3x3 identiques

Comparaison Original Moyenne 5x5 Médiane Nagao

Exemples de lissage Nagao modifié Gaussien 11x11 Transparent 32

Exemples de lissage Transparent 33 Moyenne seuillée, CONTR=12 Moyenne pondérée et B=4 Transparent 33

Images bimodales : binarisation Cas particulier important par ses applications : Vision industrielle, temps réel    Choix du seuil Global ou adaptatif, et dans ce cas, subdivision statique ou dynamique Exemple : histogramme excluant les zones frontières (gradient élevé) puis lissage de l’histogramme et extraction du min Plusieurs critères : -         statistique : décision bayésienne, inertie minimale, … -         structurelle : stabilité des régions, régularité topologique Transparent 34

Image de cellules de sang et deux bianrisations: Image binaire d ’un document

Cette région a les paramètres suivant: - Aire =32930 -Périmètre=722 -K= racine_carrée(aire)/périmètre=0.251 Cette région a les paramètres suivant: - Aire = 296 -Périmètre=74 -K= racine_carrée(aire)/périmètre=0.232 >>> ce n ’est pas un disque <<< Pour un disque, K=0.282 Pour un carré, K=0.25 K=0.223

Exemple de variation de la compacité Image source seuil=75 Critère=0.01475 seuil=82 critère=0.01565 seuil=90 critère=0.01383 Transparent 37