LES REHAUSSEMENTS D'IMAGES

Slides:



Advertisements
Présentations similaires
Traitement d’images : concepts fondamentaux
Advertisements

Transition image classique image numérique

MORPHOMETRIE ET QUANTIMETRIE
Traitement d’images : briques de base S. Le Hégarat
Introduction à limagerie numérique Acquisition, Caractéristiques, Espaces couleurs, Résolution.
Image Processing using Finite Automata Jean-Christophe Janodet Journée SATTIC.
L’encodage des images informatiques
(traitement d’images)
Traitements d'images et Vision par ordinateur
IMAGES NUMERIQUES Qu’est-ce qu’une image numérique ?
Chapitre 5 : Image couleur
Traitements d'images et Vision par ordinateur
Détection de « tâches dobjets artificialisés » D.Réchal IRD, ESPACE Dev 18/02/2011 – Montpellier (France)
1 Multimédia & Internet 2èmes Gestion/Communication Les formats graphiques David Crunelle – ESCG – Les Formats Graphiques.
Algorithmes sur les images dans Excel
Prétraitement de l’image
Applications du perceptron multicouche
Réalisateur : PHAM TRONG TÔN Tuteur : Dr. NGUYEN DINH THUC
Création d’un programme :
Formation au Numérique… …… savoir prendre de bonnes Résolutions !
Le filtrage d’images.
Chapitre 2 : Filtrage Professeur. Mohammed Talibi Alaoui
Saint-Roch de l’Achigan
Construction de modèles visuels
Traitements à base d’histogrammes Cours 6
Représentation numérique de l’information
GEO 2522: Synopsis GEO-2522 Chargé de cours: Yacine Bouroubi
Transformations-modifications dimages multispectrales.
Capsule 1 Introduction à Aphelion
Système d’information géographique
La Distribution des Données
Projet Traitement d'images en C
TRAITEMENT D’IMAGE SIF-1033.
Introduction au traitement d’images Simulation sous Matlab
Le filtrage d’images.
Interprétation automatique
L ’acquisition d ’images
TRAITEMENT D’IMAGE SIF-1033.
SIF-1033 Traitement d’image
Algorithmes sur les images dans Excel
Granulométrie de l’image
Module 4: Le filtrage d’images. Objectifs du filtrage.
Les satellites Le rayonnement solaire réfléchi par les objets
Ch 19 (20) Numérisation de l’information
Traitement d’images Prétraitements.
Principes, usages et conception
Introduction au Traitement d’image
Système d’information géographique
MAP-6014 Concepts avancés en mathématiques et informatique appliquées
SIF1033 TRAITEMENT D’IMAGE
Equipe SIMM Signaux et Image Multisources Multicomposantes
Pixels, Résolution, et Manipulations d’Images
PROGRAMMATION SCIENTIFIQUE EN C PRO Résolution de système d’équations non- linéaires (racines d’équations) u Méthode de la bissection u Analyse.
DESIGN GRAPHIQUE A. DAAIF ENSET Université Hassan II
Adobe Photoshop Création Bitmap.
Images. Une image est constituée de « pixels »: il y en a ici 600  500 = Ce sont des petits carrés colorés de manière uniforme. Codage de l’image.
Mathématiques pour Informaticien I
Les outils graphiques Qu’est-ce qu’un outil graphique?
Interfaces perceptuelles Interaction avec une caméra.
Traitement d’images 420-D78-SW A15 Semaine 02.
MATIÈRE Initiation aux images satellitales de résolution spatiale moyenne à haute: images du rayonnement solaire réfléchi Le rayonnement solaire.
Partie II : Segmentation
Présentation Projet 24 H BIARDEAU Mickael CHERREAU François FI2 AII Contrôle de la cuisson d'une crème alimentaire 1.
PROGRAMMATION SCIENTIFIQUE EN C
Traitement d’images Semaine 09 v.A15.
Télédétection et environnement
Traitement d’images Semaine 09 vA15.
Conversion des luminances en températures dans le cas des images du rayonnement émis par les objets.
Comparaison post-classification. Le problème du projet 3 Les changements du couvert arborescent dans le territoire urbain (zone blanche) de la Communauté.
Transcription de la présentation:

LES REHAUSSEMENTS D'IMAGES Les algorithmes de manipulation du contraste Les algorithmes de rehaussement par pseudo-couleurs Les algorithmes de création de composées-couleurs Les algorithmes de rehaussement d’images multispectrales Objectif : Redistribuer les valeurs numériques des pixels d’une image monochrome dans l’intervalle 0 à 255 (échelle de gris d’un médium d’affichage) afin d’améliorer les contrastes dans une image tels que perçus par l’humain. Cartes graphiques: permettent l’affichage d’images monochromes avec une profondeur de 8 bits (256 niveaux de gris). La majorité des images numériques sont exprimées en 8 bits mais la tendance actuelle est plutôt vers les 11 ou 12 bits et même 16 bits.

La manipulation du contraste: raison d’être Distinction entre deux objets adjacents selon l'écart de leurs VNs Cas d’une image à 8 bits : souvent, l’étendue des niveaux de gris de l’image ne couvre qu’une partie restreinte de l’intervalle de 256 niveaux de gris (effets atmosphériques, effets d'illumination, l'intervalle restreint des réflectances des objets pour un territoire donné, la résolution radiométrique des capteurs, etc). D'autre part l'oeil ne peut distinguer qu'une dizaine de niveaux de gris (20 à 30 selon d’autres). La concentration des valeurs de niveaux de gris dans un faible intervalle donne donc l'impression d'un faible contraste visuel sur un écran d’ordinateur (ou en cas d’impression). Plus la différence des valeurs numériques est grande, plus on a de la facilité à les percevoir comme des objets différents.

La manipulation du contraste: raison d’être Cas d’une image à plus que 8 bits : pour des raisons informatiques les valeurs numériques d’images à 11 ou 12 bits, et bien sûr 16 bits, sont exprimées automatiquement à 16 bits (65536 teintes de gris). Comme l’affichage d’une image se fait toujours à 8 bits, GEOMATIQUA applique une « compression d’échelle de gris » ou « rééchelonnement » (scaling) automatique. La plupart de temps les valeurs numériques de l’image sont lues et le minimum et maximum sont relevés. L’intervalle min-max est « projeté » à l’intervalle entre 0 et 255. Différentes façon de faire cette opération sont possibles

La manipulation du contraste VN du pixel de l’image de sortie VN du pixel de l’image d’entrée Fonction de transformation

Deux façons de manipuler le contraste Étirement de l’histogramme: on agit sur l’intervalle de valeurs de l’image d’entrée Modification de l’histogramme: on agit à la fois sur l’intervalle de valeurs de l’image d’entrée et sur la forme de son histogramme

Étirement Ex.: fonction de transfert par morceaux

Exemple: On veut accentuer le contraste dans la bande PIR d’une image multispectrale en ignorant les surfaces d’eau ainsi que les objets très brillants. L’histogramme est le suivant: En utilisant différentes fonctions d’étirement de l’histogramme donner les nouvelles valeurs de gris des pixels ayant des valeurs originales : 24, 67 et 190

Application d’un étirement par morceau: choix des seuils: exemple 40 et 180 Étirement linéaire entre 40 et 180… 24  0 67  190  255

L’image originale

L’image après rehaussement

Application d’un étirement par morceau: choix des seuils: exemple 40 et 180 Étirement fonction du carrée entre 40 et 180… 24  0 67  190  255

L’image originale

L’image après rehaussement

Application d’un étirement par morceau: choix des seuils: exemple 40 et 180 Étirement fonction de la racine carrée entre 40 et 180… 24  0 67  190  255

L’image originale

L’image après rehaussement

Modification de l’histogramme Forme souhaitée de l’histogramme de sortie: ex. isopopulation Fréquence cumulative

L’image après égalisation de l’histogramme

Le nettoyage du bruit + Rehaussement des arêtes Nous le verrons dans le cours du filtrage

Le seuillage: un exemple

Le seuillage: un exemple

Le seuillage: un exemple

Le seuillage: un exemple

Le seuillage: un exemple

Le seuillage: un exemple

Le seuillage: un exemple

Les pseudo-couleurs

Les pseudo-couleurs

La manipulation d’images à plusieurs composantes

1. Composés couleurs ETM1 ETM2 ETM2 ETM3 ETM3 ETM4 ETM3 ETM4 ETM6 ETM5

2. Les opérations mathématiques: un exemple les indices de végétation Normalized Vegetation Index ou NDVI= K*(PIR-ROUGE)/(PIR+ROUGE)

Indices de végétation : quelques idées d’application- densité du couvert végétal par arrondissement

Indices de végétation : quelques idées d’application- densité du couvert végétal par arrondissement

Un autre exemple: les rapports de bandes

Un autre exemple: les rapports de bandes IROC1 : ETM+5 PIR : ETM+4 Rapport ETM+4 sur ETM+5

Un autre exemple: la différence des bandes --- surtout utilisée pour la détection des changements avec des images multi-dates 1990 1988

DIFXS1(VERT)=127+XS1(1990)-XS1(1988) Un autre exemple: la différence des bandes --- surtout utilisée pour la détection des changements avec des images multi-dates DIFXS1(VERT)=127+XS1(1990)-XS1(1988)

DIFXS2(ROUGE)=127+XS2(1990)-XS2(1988) Un autre exemple: la différence des bandes --- surtout utilisée pour la détection des changements avec des images multi-dates DIFXS2(ROUGE)=127+XS2(1990)-XS2(1988)

DIFXS3(PIR)=127+XS3(1990)-XS3(1988) Un autre exemple: la différence des bandes --- surtout utilisée pour la détection des changements avec des images multi-dates DIFXS3(PIR)=127+XS3(1990)-XS3(1988)

Un autre exemple: la différence des bandes --- surtout utilisée pour la détection des changements avec des images multi-dates COMPOSÉ COULEUR: DIFXS1—ROUGE; DIFXS2---VERT; DIFXS3---PIR