Traitements d'images et Vision par ordinateur

Slides:



Advertisements
Présentations similaires
Traitement d’images : concepts fondamentaux
Advertisements


Traitement d’images : briques de base S. Le Hégarat
Traitements d'images et Vision par ordinateur
Filtrage d’image Cours 7
Le filtrage d’images.
Chapitre 2 : Filtrage Professeur. Mohammed Talibi Alaoui
Traitements d'images et Vision par ordinateur
Le filtrage d’images.
Module 4: Le filtrage d’images. Objectifs du filtrage.
Traitement d’images Prétraitements.
MAP-6014 Concepts avancés en mathématiques et informatique appliquées
INF-1019 Programmation en temps réel
PIF-6003 Sujets spéciaux en informatique I
Photoshop CS4 Partie 2 Ahmed CHAWKI Peng ZHAO SI28 Automne 09.
N OTION DE F ONCTION S ÉRIE N °5. Ecrire l’image d’un nombre x par la fonction définie.
Filtrage des images.
Les propriétés d’une fonction racine carrée a) Représentation d’une racine carrée b) Recherche de la règle d’une racine carrée.
Cours #6 Filtrage n Découverte Plan du cours n 2- Pré-traitement des images u 2.1 Amélioration du contraste u 2.2 Filtrage :  Filtre gaussien  Filtres.
Fonction affine, fonction linéaire Joanna Klockowska Jolanta Szadkowska.
Courbes d'Interpolation Interpolation de Lagrange, et Interpolation B-spline.
Développement de la technique d'holographie acoustique de champ proche temps réel pour l'analyse de sources de bruit fluctuantes Doctorant : Directeurs.
PR É PARER PAR: - REDJAI ABDELFATAH - BENATTOUS TAREK PR É PARER PAR: - REDJAI ABDELFATAH - BENATTOUS TAREK Theme Etude les fonctionnement de l’oscilloscope.
Comparing color edge detection and segmentation methods Projet TIM.
Traitement d’images 420-D78-SW A16 Semaine 02 Plan de leçon  Images : définition  Mat : définition  Filtres de lissage  Les fonctions et méthodes.
Médiane Moyenne Quartile Mode. Exemple 1 : Soit les données suivantes On ordonne les données Moyenne : Somme des données divisée.
Université Hassan 1er Faculté des sciences et techniques MST Génie biomedical instrumentation et maintenance.
Exercice 2 : On sait que f est une fonction affine, qu’elle est décroissante, que f(1) = - 5, et que f(-1) et f(2) sont dans l’ensemble { - 8 ; - 3 ; 1.
Traitement d’images 420-D78-SW A17 Semaine 02.
La cavité : filtre spatial
Pierre Joli Cours de Mathématique Pierre Joli
Introduction à la vision artificielle Traitement des images
Lecture de carte 3 Les échelles DFM / DIMT - TOPO 201.
Une communication par l’image, pourquoi ?
Loi Normale (Laplace-Gauss)
Analyse en Composantes Principales A.C.P. M. Rehailia Laboratoire de Mathématiques de l’Université de Saint Etienne (LaMUSE).
Fonctions affines.
Détection de coutours - Exemples élémentaires -
Exercice 2 Soit la série statistique
Simulation des nanostructures à base de nanorubans de graphène
Qu’apprend-on dans ce chapitre
(Aix 98) Résoudre le système d'équations : 2x + y = 90
3°) Equation f(x) = g(x) f et g sont deux fonctions.
Qu’apprend-on dans ce chapitre
Exercice 7 Déterminez en quels points des courbes des fonctions définies sur R par f(x) = 2x² + 12x – 2 et g(x) = - 3x² + 6x – 5 les tangentes respectives.
Connaître les fonctions affines
Exercice 10 : Résolvez graphiquement à 0,1 près les équations et inéquations suivantes : 1°) f(x) = 20 2°) f(x) < °) f(x) ≥ 40 4°) f(x) = g(x) 5°)
Exercice 1 : On donne le tableau de valeurs suivant :
La droite de régression
C1 – Interpolation et approximation
SIF-1033 Traitement d’image
TRAITEMENT D’IMAGE SIF-1033.
SUJETS SPÉCIAUX EN INFORMATIQUE I
Concepts avancés en mathématiques et informatique appliquées
3.4 Les variables dans les formules de mesure
Applications du filtrage
Dérivation et intégration
ACP Analyse en Composantes Principales
Exercice 2 : On sait que f est une fonction affine, qu’elle est décroissante, que f(1) = - 5, et que f(-1) et f(2) sont dans l’ensemble { - 8 ; - 3 ; 1.
Composition et mélange
I Définition : Elle est définie ...
Les méthodes non paramétriques
Résolution d’un problème de diffusion 1D
SIF1033 TRAITEMENT D’IMAGE
Exercice 1 : Quelles fonctions définies sur R sont affines ? linéaires ? 1°) f(x) = ( 5x – 3 ) / √2 2°) g(x) = x + 3 3°) h(x) = °)
Fabienne BUSSAC EQUATIONS (1) 1. Définition
Systèmes de deux équations à deux inconnues
Relier proportionnalité et fonction linéaire
Les diagrammes à l’échelle
Filtrage Traitement d’images. Introduction : L’image possède une redondance spatiale dans sa nature ; c’est-à- dire; les pixels voisins (en 4-voisin ou.
Transcription de la présentation:

Traitements d'images et Vision par ordinateur Convolution Merci à Alain Boucher - IFI

Convolution numérique Et autres filtres d'images

Vision par ordinateur - Alain Boucher Convolution discrète La convolution discrète est un outil permettant la construction de filtres linéaires ou de filtres de déplacements invariants L ’équation de convolution, notée g(x), de la séquence f(x) avec une fonction h(x) est : h(x) est appelée masque de convolution, noyau de convolution, filtre, fenêtre, kernel, … En pratique, la convolution numérique d'une image se fera simplement par une sommation de multiplications. Vision par ordinateur - Alain Boucher

Exemple de convolution 2D Vision par ordinateur - Alain Boucher

Convolution numérique * K Noyau de convolution Image Vision par ordinateur - Alain Boucher

Convolution numérique R = I*K R(1,1) = I(0,0) K(0,0) + I(1,0) K(1,0) + I(2,0) K(2,0) + I(0,1) K(0,1) + I(1,1) K(1,1) + I(2,1) K(2,1) + I(0,2) K(0,2) + I(1,2) K(1,2) + I(2,2) K(2,2) Vision par ordinateur - Alain Boucher

Convolution numérique R = I*K R(2,1) = I(1,0) K(0,0) + I(2,0) K(1,0) + I(3,0) K(2,0) + I(1,1) K(0,1) + I(2,1) K(1,1) + I(3,1) K(2,1) + I(1,2) K(0,2) + I(2,2) K(1,2) + I(3,2) K(2,2) Vision par ordinateur - Alain Boucher

Convolution numérique R = I*K R(x,y) = I(x-1,y-1) K(0,0) + I(x, y-1) K(1,0) + I(x+1, y-1) K(2,0) + I(x-1,y) K(0,1) + I(x,y) K(1,1) + I(x+1,y) K(2,1) + I(x-1,y+1) K(0,2) + I(x,y+1) K(1,2) + I(x+1,y+1) K(2,2) Vision par ordinateur - Alain Boucher

Convolution numérique R = I*K R(N-2,M-2) = I(N-3,M-3) K(0,0) + I(N-2,M-3) K(0,1) + I(N-1,M-3) K(0,3) + I(N-3,M-2) K(1,0) + I(N-2,M-2) K(1,1) + I(N-1,M-2) K(1,2) + I(N-3,M-1) K(2,0) + I(N-2,M-1 )K(2,1) + I(N-1,M-1) K(2,2) Vision par ordinateur - Alain Boucher

Convolution numérique Problème : Que faire avec les bords de l'image ? Mettre à zéro (0) Convolution partielle Sur une portion du noyau Miroir de l'image f(x-1,y) = f(x+1,y) … (pas de solution miracle) ? Vision par ordinateur - Alain Boucher

Vision par ordinateur - Alain Boucher Masque de convolution Le masque de convolution est le plus souvent Carré De taille 3x3 ou 5x5 (ou plus, mais impair) Ce masque représente un filtre linéaire permettant de modifier l'image. Dans différent cas, on divisera le résultat de la convolution par la somme des coefficients du masque. Vision par ordinateur - Alain Boucher

Vision par ordinateur - Alain Boucher Le filtre moyenne Le filtre moyenne Permet de lisser l'image (smoothing) Remplace chaque pixel par la valeur moyenne de ses voisins Réduit le bruit Réduit les détails non-important Brouille ou rend floue l'image (blur edges) Filtre dont tous les coefficients sont égaux. Exemple de filtres moyennes : 1 1/9 1 ou 1/9 3x3 5x5 Vision par ordinateur - Alain Boucher

Exemples de filtres moyennes Original Moyenne 5x5 Moyenne 11x11 Source : monkey.geog.ucsb.edu/mh/115b/filter.pdf Vision par ordinateur - Alain Boucher

Vision par ordinateur - Alain Boucher Autre exemple sur les valeurs des coefficients du masque : h (x)=1/10 * 111 121 111 Réponse impulsionnelle : h(i,j)=1/λ ^ 2 ou λ est la sommation  h(i,j) de 3X3 ou 5X5 Vision par ordinateur - Alain Boucher

Vision par ordinateur - Alain Boucher Le filtre Gaussien G (x ,y ) = 1 / 2πσ e ( X² + Y²/ 2σ² ) Vision par ordinateur - Alain Boucher

Vision par ordinateur - Alain Boucher Le filtre Gaussien Image d'une gaussienne Fonction gaussienne en 3D Le filtre gaussien donnera un meilleure lissage et une meilleure réduction du bruit que le filtre moyenne. Vision par ordinateur - Alain Boucher

Gaussiens 3X3 1 2 4 Gaussiens 7X7 1 4 7 16 26 41

Exemples de filtres gaussiens Original Gauss 5x5 Gauss 11x11 Vision par ordinateur - Alain Boucher

Vision par ordinateur - Alain Boucher Filtre médian Pour nettoyer le bruit dans une image, il existe mieux que le filtre moyenne ou le filtre gaussien. Il s'agit du filtre médian. C'est un filtre non-linéaire, qui ne peut pas s'implémenter comme un produit de convolution. On remplace la valeur d'un pixel par la valeur médiane dans son voisinage NxN. bruit 30 10 20 250 25 10, 10, 10, 20, 20, 25, 30, 30, 250 médiane Vision par ordinateur - Alain Boucher

Exemple de filtre médian Original Moyenne 3x3 Médian 3x3 Vision par ordinateur - Alain Boucher

Nettoyage du bruit dans une image Bruit "poivre et sel" 3 X 3 Moyenne 5 X 5 Moyenne 7 X 7 Moyenne Filtre médian Vision par ordinateur - Alain Boucher