TRAITEMENT D’IMAGE SIF-1033.

Slides:



Advertisements
Présentations similaires
La Cyclostationnarité Aspects théoriques et application au Diagnostic
Advertisements

notes de cours Série de Fourier
TRAITEMENT NUMERIQUE DES IMAGES
4. La transformée en z Un formalisme adapté au filtrage et à l’analyse en fréquence des signaux échantillonnés et à l’automatique numérique x(t) signal.
Analyse de la parole Ivan Magrin-Chagnolleau, CNRS
Mathématiques Savoirs S3 Objectifs essentiels de la formation du technicien supérieur Étude des conversions dénergie Étude des conversions dénergie Étude.
VII. Quelques méthodes d'interprétation et de transformations rapides des anomalies VII.1 Problématique du prolongement, de la dérivation et de la réduction.
MODULE - METHODES POTENTIELLES Contenu du cours (par J.B. Edel & P. Sailhac) : I. Propriétés physiques des roches : densités, aimantations induites et.
2. Echantillonnage et interpolation des signaux vidéo
8. Transformées Orthogonales et Codage par transformées
Jean Paul CHAMBARET STAGE LASERS INTENSES
Introduction à limagerie numérique Acquisition, Caractéristiques, Espaces couleurs, Résolution.
Analyse fréquentielle
Filtrage-Analyse Spectrale des Images
Chapitre 2 : Filtrage Professeur. Mohammed Talibi Alaoui
Mise en correspondance et Reconnaissance
Capsule 1 Introduction à Aphelion
2. La série de Fourier trigonométrique et la transformée de Fourier
TRAITEMENT D’IMAGE SIF-1033.
TRAITEMENT D’IMAGE SIF-1033.
TRAITEMENT D’IMAGE SIF-1033.
TRAITEMENT D’IMAGE SIF-1033.
TRAITEMENT D’IMAGE SIF-1033.
PIF-6003 Sujets spéciaux en informatique I
TRAITEMENT D’IMAGE SIF-1033.
SIF-1033 Traitement d’image
TRAITEMENT D’IMAGE SIF-1033.
TRAITEMENT D’IMAGE SIF-1033.
Les propriétés des fonctions
Base de données multimédia Cordelia Schmid
Appariement de deux images
Interprétation automatique
TRAITEMENT D’IMAGE SIF-1033.
TRAITEMENT D’IMAGE SIF-1033.
ACTIVITE 3 Point : A (3 ; -4) -3x+5 f: x abscisse y ordonnée -4
MAP-6014 Concepts avancés en mathématiques et informatique appliquées
TRAITEMENT D’IMAGE SIF-1033.
TRAITEMENT D’IMAGE SIF-1033.
SIF-1033 Traitement d’image
TF Rappel fin du cours précédent (16 avril) :
SIG3141 Partie I: Analyse de Fourier ESIEA D Kateb
DU TRAITEMENT DU SIGNAL
B A R Relation : Une relation de A vers B est un ensemble de liens entre les éléments de deux ensembles. Un élément de A peut.
Couche limite atmosphérique
Opérations sur les limites Limite de u(x)LLL ++ –– ++ Limite de v(x) L’ ++ –– ++ –– –– Limite de u(x) + v(x) Forme indéterminée de 1e espèce.
TRAITEMENT D’IMAGE SIF-1033 Segmentation des images par détection de contours et d’arêtes u Détection des contours et arêtes u Dérivée première (gradient)
INF-1019 Programmation en temps réel
  Comment calculer ce signal analytique ?
SUJETS SPÉCIAUX EN INFORMATIQUE 1
SUJETS SPÉCIAUX EN INFORMATIQUE I
INF-1019 Programmation en temps réel
Transformée de Hartley
SIF1033 TRAITEMENT D’IMAGE
Couche limite atmosphérique
DU TRAITEMENT DU SIGNAL
Concepts avancés en mathématiques et informatique appliquées MAP-6014.
Calcul mental. 1.Fractions Simplifiez : Simplifiez :
GRAPHISME PAR ORDINATEUR
Traitement du signal (images) u Sujets –Détection des droites –Transformée de Hough (espace paramétré) *avec la pente et l’ordonnée à l’origine *avec.
Convolution / corrélation / appodisation 04/11/ ANF la mesure en sismologie.
Traitement d’images Semaine 09 v.A15.
Cap-formation-2006, résumé par J. Malbos1 EFIDIR : Extraction et Fusion d’Informations pour la mesure de Déplacement par Imagerie Radar 2. Extraction d'informations.
TRAITEMENT D’IMAGE SIF-1033.
Concepts avancés en mathématiques et informatique appliquées
Couche limite atmosphérique
Les propriétés des fonctions
Active Noise Cancellation
Les propriétés des fonctions
Transcription de la présentation:

TRAITEMENT D’IMAGE SIF-1033

Détection d’objets par corrélation spectrale Corrélation spatiale              Corrélation spectrale Exemple Examen final

Corrélation spatiale Appariement d’objets par corrélation Avec l’origine de w à 0,0 Avec l’origine de w à J/2,K/2

Corrélation spectrale Tout comme la convolution, la corrélation est onéreuse en temps de machine Pour accélérer la détection d’objet nous pouvons accomplir la corrélation dans le domaine spectral La propriété de corrélation de la transformée de Fourier stipule que: f(x,y)  w(x,y) <=> F*(u,v) W(u,v) F*(u,v): conjuguée complexe de F(u,v) W(u,v): Transformée de Fourier de w(x,y)

Corrélation spectrale Pour obtenir la corrélation spectrale nous devons alors accomplir les opérations suivantes: Faire la transformée de Fourier directe de f(x,y) pour obtenir F(u,v), {f(x,y)} = F(u,v) Faire la transformée de Fourier directe de w(x,y) pour obtenir W(u,v), {w(x,y)} = W(u,v)

Corrélation spectrale Pour obtenir la corrélation spectrale nous devons alors accomplir les opérations suivantes: Pour chaque point u,v du domaine spectral faire les calculs suivants:

Corrélation spectrale Pour obtenir la corrélation spectrale nous devons alors accomplir les opérations suivantes: Effectuer la transformée de Fourier inverse du résultat de F*(u,v) W(u,v) -1{F*(u,v) W(u,v)} = f(x,y)  w(x,y)

Corrélation spatiale (VS spectrale)

Exemple forme_tank.raw détecterobjet /u/dmatensr/meunier/sif1033/images/rivTANK.rast           

Résumé Détection d’objets par corrélation spectrale Corrélation spatiale Corrélation spectrale