Détection de coutours - Exemples élémentaires - Danielle Nuzillard, Jean-Charles Candoré, Jean-Luc Bodnar, Lanto Rasolofondraibe, BernardPottier, Régis Huez,Fabien Belloir, ValeriuVrabie, Vincent Detalle, Philippe Grossel CReSTIC, UTAP, URCA, Laboratoire de Recherche des Monuments Historiques, Email: danielle.nuzillard@univ-reims.fr

Contexte Localisation de défauts dans des fresques Excitation Enregistrement de séquences temporelles Analyse du comportement d’un point Besoin des thermographes de notions de traitement d’image Améliorer la visualisation Détection des zones d’intérêt

Démarche Scène, fresque ou autre Obtention d’une image Pré-traitement Excitation Prise de vue sur un support numérique Numérisation des valeurs de luminance Pré-traitement améliorer la visualisation Extraire des régions d’intérêts Traitement Extraire des informations pertinentes pour les spécialistes du métier Décision

L’Histogramme Fréquence d’apparition de la valeur d’un niveau de luminance en fonction de ces valeurs. Améliorer la qualité de la numérisation Cadrage de la dynamique Détecter des objets Réaliser des opérations ponctuelles

Histogramme Exemple de seuillage de l’histogramme Noir 0 Blanc 255

Dynamique de l’image Dépend de la distribution des niveaux de gris Cadrage de la dynamique Dynamique trop faible : trop peu de niveaux sont occupés, (image grise), trop peu de contraste Trop à gauche : image foncée Trop à droite : image trop claire Trop large : (les valeurs faibles et fortes sont concentrées dans les niveaux 0 et 255 Mal cadrée : les densités élevées ou faibles sont perdues

Histogramme Extraction d’objets Opération ponctuelle Vision Extraction d’un objet sombre sur un fond clair Extraction d’un objet clair sur un fond sombre Opération ponctuelle Transformation de l’histogramme I(x,y)=f(I0(x,y)) Vision Meilleure dynamique Fort contraste Meilleure visibilité Par contre, le bruit peut être élevé.

Débruitage Causes et localisation du bruit Réduction Principale causes sont liées à la qualité du capteur et de la numérisation Le bruit perturbe les détails spatiaux Réduction opérations ponctuelles filtrages numériques de type passe-bas, Linéaire : la transformation des pixels résulte d’une combinaison linéaire des pixels voisins Non linéaire : les pixels voisins interviennent suivant une loi non linéaire

Notion de filtrage linéaire Filtrage est invariant en fonction du temps Opération linéaire puisque c’est une somme pondérée des entrées

Filtrage de Shannon Fenêtre rectangulaire dans l’espace des fréquences Dans l’espace de l’image Approximation de la réponse fournit des masques de filtres de convolution Lissage moyen Lissage fort

Remarque L’image est d’autant plus lissée que le poids du milieu est faible La somme des poids est normée à 1 pour ne pas introduire de surintensité Les informations situées dans les hautes fréquences sont gommées, L’image fournie est plus floue que l'originale et les contours sont dégradés. Si le bruit est important et que la localisation du contour n'est pas primordial, des filtres dont le support est plus étendu peuvent être construits pour lesquels le lissage est fortement accentué.

Filtres à support plus étendu Filtre circulaire Filtre rectangulaire Filtre conique Filtre moyenneur gaussien

Filtres Filtre moyenneur gaussien Filtre exponentiel (symétrie cylindrique) Filtres séparables Filtre rectangulaire (autre écriture)

Filtrage non linéaire Tiennent compte de l’environnement spatial Opérations directes sur des agrégats de pixels Principal attribut : le niveau de gris Rôle : atténuer le bruit Adoucissement analogue à un filtrage passe-bas, Réhaussement qui accentue les bords (mais ce ne sont pas des filtres passe-haut)

Filtres non-linéaires Moyenne des voisins Filtres médians Atténuer l’effet de flou précédent

Détection des contours Différence de niveaux de gris Gradient Approximation numérique Masque de convolution Dérivateur de Robert

Filtres dérivateurs de type gradient Dérivateur de Prewitt Direction verticale Direction horizontale Dérivateur de Sobel Filtres séparables : Lissage 1-D, Fonction de dérivation Uitilisent un voisinage 3x3 Détectent les points du contour dont l’intensité du module dépasse un seuil Somme des poids est nulle

Filtres dérivateurs de type gradient Opérateurs de Kirsh Opérateur 3 niveaux Opérateur 5 niveaux Opérateur compas gradient Application des 8 masques Pour chaque point, vmax est retenu, ce point correspond à un filtre qui localement ressemble le plus à l’image

Filtres dérivateurs de type gradient Si les contours sont épais, une fonction de pondération peut diminuer l’importance des points les plus éloignés du centre Choix du seuil Dépend du bruit de l’image Possibilité de définir deux seuils : Un seuil haut au delà duquel on est sûr de n’avoir que des points de contours Un seuil bas en dessous duquel il n’y a que du bruit.

Filtres basés sur le Laplacien Approximation Recherche des lignes de Laplacien nul et seuillage Exemples de masques

Filtres optimaux Objectifs Filtre de Canny Filtre de Deriche Bonne détection Le filtre doit maximiser le RSB en sortie Bonne localisation La dérivée du contour est nulle. Faible multiplicité des maximas dûs au bruit On minimise le nombre de passages par zéro Filtre de Canny réponse implusionnelle finie Filtre de Deriche réponse impulsionnelle infinie

Opérateurs morphologiques Transformations morphologiques de type ensembliste de l'image à analyser avec un élément structurant "S". Elément structurant dépend de l'image Opérateurs de base : l'érosion : amincissement la dilatation : Épaississent Ouverture : érosion + dilatation sépare des objets, disparition d’objets isolés Fermeture : dilatation + érosion Réunion d’objets Combinaisons successives d'ouverture et de fermeture permettent aussi d'extraire des contours.

Modification du contraste et de la luminosité

Allocation en fausses couleurs

Allocation en fausses couleur

Erosion Remplissage des trous Dilatation Détection de contours