Télécharger la présentation
La présentation est en train de télécharger. S'il vous plaît, attendez
Publié parIdelle Combe Modifié depuis plus de 10 années
1
Décomposer une image sur une base d'ondelettes
DAVID-LAGDIM-PERETTI-PIERSON-UGOLINI Images et Filtres: APP3
2
Introduction Technique inventée par Alfred Haar en 1909.
Compression sans pertes (quantification/seuillage →perte irréversible) Consiste à décomposer une image en plusieurs images de résolution inférieure. Espaces d'approximations de plus en plus grossiers : 𝑉 𝑖 . Espaces "capturant" les détails perdus entre chaque niveau d'approximation : 𝑊 𝑖 . DAVID-LAGDIM-PERETTI-PIERSON-UGOLINI
3
Axes d’étude Ondelettes de Haar Transformée de Haar 1D
Compression d’image Détection de contours Débruitage d’une image DAVID-LAGDIM-PERETTI-PIERSON-UGOLINI
4
I. Ondelettes de Haar 𝜑 0,0 𝜑 0,𝑖 𝜓 0,0 𝜓 0,𝑖 𝜑 1,0 𝜑 1,𝑖 𝜓 1,0 𝜓 1,𝑖
II III IV V VI 𝜑 1,0 𝜑 1,𝑖 𝜓 1,0 𝜓 1,𝑖 DAVID-LAGDIM-PERETTI-PIERSON-UGOLINI 𝜓 𝑛,𝑖 𝑥 = −1 𝑠𝑖 𝑥∈[𝑖;𝑖 𝑛+1 [ 𝑠𝑖 𝑥∈[𝑖 𝑛+1 ;𝑖 𝑛 [ 0 𝑠𝑖𝑛𝑜𝑛 𝜑 𝑛,𝑖 𝑥 = 1 𝑠𝑖 𝑥∈[𝑖;𝑖 𝑛 [ 0 𝑠𝑖𝑛𝑜𝑛
5
II. Transformée de Haar 1D (méthode 1)
Signal numérique unidimensionnel de taille n=8= 2 3 ⇒3 é𝑡𝑎𝑝𝑒𝑠 : 𝑠={ 𝑠 0 , 𝑠 1 ,…, 𝑠 𝑖 ,…, 𝑠 7 } ETAPE 1: On forme les paires : 𝑠 0 , 𝑠 𝑠 2 , 𝑠 𝑠 4 , 𝑠 𝑠 6 , 𝑠 7 On calcule les moyennes : 𝑣 0 = 𝑠 0 + 𝑠 1 2 ; 𝑣 1 = 𝑠 2 + 𝑠 3 2 ; 𝑣 2 = 𝑠 4 + 𝑠 5 2 ; 𝑣 3 = 𝑠 6 + 𝑠 7 2 On calcule les détails : 𝑤 0 = 𝑠 0 − 𝑠 1 2 ; 𝑤 1 = 𝑠 2 − 𝑠 3 2 ; 𝑤 2 = 𝑠 4 − 𝑠 5 2 ; 𝑤 3 = 𝑠 6 − 𝑠 7 2 On forme le vecteur 𝑠 ′ = [𝑣 0 , 𝑣 1 , 𝑣 2 , 𝑣 3 ],[ 𝑤 0 , 𝑤 1 , 𝑤 4 , 𝑤 3 ] ETAPE 2: On forme les paires : 𝑣 0 , 𝑣 𝑣 2 , 𝑣 3 On calcule les moyennes : 𝑣 0 ′ = 𝑣 0 + 𝑣 1 2 ; 𝑣 1 ′ = 𝑣 2 + 𝑣 3 2 On calcule les détails : 𝑤 0 ′ = 𝑣 0 − 𝑣 1 2 ; 𝑤 1 ′ = 𝑣 2 − 𝑣 3 2 On forme le vecteur 𝑠 ′′ = [𝑣 0 ′ , 𝑣 1 ′ ], [ 𝑤 0 ′ , 𝑤 1 ′ , 𝑤 0 , 𝑤 1 , 𝑤 4 , 𝑤 3 ] ETAPE 3: On forme les paires : 𝑣 0 ′ , 𝑣 1 ′ On calcule les moyennes : 𝑣 0 ′′ = 𝑣 0 ′ + 𝑣 1 ′ 2 On calcule les détails : 𝑤 0 ′′ = 𝑣 0 ′ − 𝑣 1 ′ 2 On forme le vecteur 𝑠 ′′′ = [𝑣 0 ′ ], [ 𝑤 0 ′′ , 𝑤 0 ′ , 𝑤 1 ′ , 𝑤 0 , 𝑤 1 , 𝑤 4 , 𝑤 3 ] TH d’ordre 1 I II III IV V VI DAVID-LAGDIM-PERETTI-PIERSON-UGOLINI TH d’ordre 2 TH d’ordre 3
6
II. Transformée de Haar 1D (méthode 2)
ETAPE 1: 𝑠 ′ =𝑠. 𝑊 1 avec 𝑊 1 = ETAPE 2: 𝑠 ′′ = 𝑠 ′ . 𝑊 2 avec 𝑊 2 = ETAPE 3: 𝑠 ′′′ = 𝑠 ′ . 𝑊 3 avec 𝑊 3 = Donc on a directement: 𝑠 ′′′ = 𝑠.𝑊 1 𝑊 2 𝑊 3 Avec 𝑊=𝑊 1 𝑊 2 𝑊 3 = TH d’ordre 1 I II III IV V VI TH d’ordre 2 DAVID-LAGDIM-PERETTI-PIERSON-UGOLINI TH d’ordre 3
7
III. Transformée de Haar 2D
Image numérique: 𝐼= 567 ⋯ 1536 ⋮ … ⋮ 448 ⋯ = 𝑠 𝑎 ⋮ 𝑠 ℎ Méthode 1: on réitère la transformée de Haar sur chacune des lignes et colonnes de 𝐼 et on obtient 𝑆. Méthode 2: on trouve directement 𝑆= 𝑊 𝑇 .𝐼.𝑊. Avec cette méthode on a directement la transformée de Haar inverse: 𝐼= 𝑊 𝑇 −1 .𝑆. 𝑊 −1 Signal unidimensionnel I II III IV V VI DAVID-LAGDIM-PERETTI-PIERSON-UGOLINI
8
Organisation suite à la TH d’ordre 1
Moyenne Moyenne de détails Détails de moyenne Détails I II III IV V VI DAVID-LAGDIM-PERETTI-PIERSON-UGOLINI
9
Organisation suite à la TH d’ordre 2
Moyenne (moyenne) Moyenne de détails (moyenne de détails) Détails de moyenne Détails (détails de moyenne) (détails) I II III IV V VI DAVID-LAGDIM-PERETTI-PIERSON-UGOLINI
10
IV. Compression d’image
Exemple de transformée de Haar à l’ordre 2 d’une image. Les coefficients d’approximation (moyenne) sont filtrés avec un filtrage passe-bas. Les coefficients de détail sont filtrés avec un filtrage passe-haut. I II III IV V VI DAVID-LAGDIM-PERETTI-PIERSON-UGOLINI
11
IV. Compression d’image
Transformée de Haar Suppression des hautes fréquences (pertes irréversibles) Transformée de Haar inverse I II III IV V VI DAVID-LAGDIM-PERETTI-PIERSON-UGOLINI
12
IV. Compression d’image
Image d’origine Image compressée I II III IV V VI DAVID-LAGDIM-PERETTI-PIERSON-UGOLINI
13
V. Détection de contours
Les informations sur le contour sont contenues dans la moyenne du détail et dans le détail de la moyenne. On ajoute alors ces deux matrices pour former la matrice contours. I II III IV V VI DAVID-LAGDIM-PERETTI-PIERSON-UGOLINI
14
V. Détection des contours
On retrouve l’image contenant les informations des contours I II III IV V VI DAVID-LAGDIM-PERETTI-PIERSON-UGOLINI
15
VI. Débruitage d’une image
On bruite notre image en simulant un bruit blanc gaussien de moyenne nulle. On crée une fonction de seuillage dont le paramètre 𝜀 détermine le minimum de la matrice. C’est-à-dire que toutes les valeurs 𝑥 𝑖 <𝜀 seront nulles. I II III IV V VI DAVID-LAGDIM-PERETTI-PIERSON-UGOLINI
16
VI. Débruitage d’une image
Image bruitée Image débruitée I II III IV V VI DAVID-LAGDIM-PERETTI-PIERSON-UGOLINI
17
Conclusion En comparaison avec la DCT, la compression par ondelettes de Haar offre une plus grande finesse au niveau de l’analyse du signal et permet de mieux s’adapter aux propriétés locales de l’image. DAVID-LAGDIM-PERETTI-PIERSON-UGOLINI
Présentations similaires
© 2024 SlidePlayer.fr Inc.
All rights reserved.