Prétraitement de l’image

Présentation au sujet: "Prétraitement de l’image"— Transcription de la présentation:

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

2 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)

3 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

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

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

6 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

7 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

8 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

9 Ajustement de dynamique
2 – Correction d’exposition

10 Ajustement de dynamique
3 – Égalisation d’histogramme

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

12 Augmentation de la dynamique dans les zones sombres

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

14 Exemples Transparent 14

15 Exemples Transparent 15

16 Exemples Transparent 16

17 Exemples Transparent 17

18 Exemples Transparent 18

19 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 :

20 Exemple Transparent 20

21 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

22 Lissage des bruits - Introduction
3 – Étude comparative

23 Exemple

24 Exemple

25 ce filtre produit une impression de FLOU sur les contours

26 Le filtre MOYENNEUR n ’est pas adapté au BRUIT IMPULSIONNEL

27 Le filtre MEDIAN est efficace sur du bruit impulsionnel

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

29 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

30 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

31 Comparaison Original Moyenne 5x5 Médiane Nagao

32 Exemples de lissage Nagao modifié Gaussien 11x11 Transparent 32

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

34 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

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

36 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

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