Formation traitement d_images

3 217 vues

Publié le

2 commentaires
0 j’aime
Statistiques
Remarques
  • Il y'a beaucoup de diapos qui ne s'affichent pas correctement, mais j'ai compris l'important. Merci infiniment et bon courage et continuation
       Répondre 
    Voulez-vous vraiment ?  Oui  Non
    Votre message apparaîtra ici
  • ╔═══════════════════════════════╗ ║█▀▀═█═█═█▀█═█▀█═█▀█═█▀▀═█═█═█▀▀║ ║█═══▀▀█═█═█═█▀█═█▀▀═▀▀█═▀▀█═▀▀█║ ║▀▀▀═▀▀▀═▀═▀═▀═▀═▀═══▀▀▀═▀▀▀═▀▀▀║ ╚═══════════════════════════════╝
       Répondre 
    Voulez-vous vraiment ?  Oui  Non
    Votre message apparaîtra ici
  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
3 217
Sur SlideShare
0
Issues des intégrations
0
Intégrations
451
Actions
Partages
0
Téléchargements
186
Commentaires
2
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Formation traitement d_images

  1. 1. Traitement d’images<br />Généralité et exemples<br />0%<br />100%<br />
  2. 2. Plan <br />Introduction<br /> ►Segmentation<br /> ►Détection de Contours<br /> ►Filtrage<br />Conclusion<br />2<br />
  3. 3. 3<br />Introduction<br />Image Numérique: Echantillonnage et Quantification<br />x<br />I(x,y)<br />R(x,y)<br />L'échantillonnageest le procédé de discrétisation spatiale d'une image consistant à associer à chaque zone rectangulaire R(x,y) d'une image continue une unique valeur I(x,y).<br />On parle de sous-échantillonnage lorsque l'image est déjà discrétise et qu'on diminue le nombre d'échantillons.<br />y<br />La quantificationdésigne la limitation du nombre de valeurs différentes que peut prendre I(x,y).<br />Une image numérique est une image échantillonnée et quantifiée.<br />
  4. 4. 4<br />Segmentation<br />
  5. 5. Segmentation<br />5<br />Segmentation d’images : <br />• En analysed’image, ce qui nous intéresse, cesont les objets des images.<br />• Définition : <br />Objet : partiesémantiquementcohérentedansl’image<br />• En pratique : souvent<br />– Connexe<br />– Couleurcohérente<br />– Délimité par des contours nets<br />• Maisaussi<br />– Texture cohérente<br />– Information à priori<br />
  6. 6. Segmentation<br />6<br />Plusieursapproches:<br /><ul><li>Approches GLOBALES: Histogrammes
  7. 7. Approches LOCALES: Regiongrowing,
  8. 8. Approches HYBRIDES: Split & Merge, CSC</li></li></ul><li>7<br />Effectif<br />Histogramme<br />Niveau de gris<br />Segmentation<br />►Histogrammes<br />L'histogrammereprésente la répartition des pixels en fonction de leurniveau de gris.<br /><ul><li>Rapide et simple
  9. 9. Peut sensible au bruit
  10. 10. Méthode globale: ignore les informations de proximité.
  11. 11. Elle ne permet pas de définir des objets, mais seulement des ensembles de points.</li></li></ul><li>Segmentation<br />8<br />►Croissancede regions (region growing)<br />Exemple<br />Exemple<br />Algorithme<br />Exemple<br /><ul><li>Rapide et simple.
  12. 12. Méthode locale: aucune vision globale du problème.
  13. 13. Problème du gradient.
  14. 14. Algorithme sensible à l’ordre de parcours des points.</li></ul>Idée:<br />On part d’un point amorce (seed) et l’on l’étend en ajoutant les points de la frontières qui satisfont le critère d’homogénéité<br />TANT QUE image n’est pas segmentée en entier<br />1. Choisir un pixel non-étiqueté<br />2. Examiner les voisins :<br />Vjsimilaire ⇒ étiquette k<br />3. TANT QUE Vj ∈ Région k<br />Examiner les voisins<br />Visimilaire ⇒ étiquette k<br />4. k = k + 1 et retour à ①<br />Seuil = 4<br />Seuil = 7<br />Seuil = 3<br />Seuil = 6<br />
  15. 15. Segmentation<br />9<br />►Split and Merge<br />composé de deux phases:<br />►Phase 1 : Créer les zones homogènes = SPLIT<br />►Phase 2 : Les regrouper = MERGE(cherche tous les couples de régions adjacentes dans l'arbre issu du découpage et cherche à les fusionner si leur couleur est assez proche.)<br />
  16. 16. 10<br />Segmentation<br />►Split and Merge<br />Split<br />Exemple<br />La méthode de découpage de l'imageutiliséedanscetalgorithmeestbasésur la notion de .quadtree.Cette structure de donnéesest un arbrequaternaire qui permet de stocker l'image à plusieursniveaux de résolution.<br />Image initiale<br />L’image est stockée dans un arbre. <br />Initialement, arbre racine = image complète<br />Split 1<br />Split 2<br />Split 3<br />Homogénéité = critère sur la variance <br /> de la couleur.<br />
  17. 17. 11<br />Segmentation<br />►Split and Merge<br />Construction du RAGRegionAdjacancy Graph<br />Quadtree<br />RAG<br />
  18. 18. La distance en terme d’homogénéité de régions est portée par l’arrête valuée qui les relie dans le RAG<br />Segmentation<br />►Split and Merge<br />MERGE:<br /><ul><li>Chaque nœud du RegionAdjacency Graph est examiné.
  19. 19. Si un des voisins de ce nœud est à une distance inférieure à un seuil de regroupement, les deux nœuds fusionnent dans le RAG.
  20. 20. Lorsque plus aucun nœud ne peut fusionner avec l’un de ses voisins, STOP.</li></ul>12<br />
  21. 21. Segmentation<br />13<br />►Split and Merge<br />Exemple<br />Original<br />Original<br />Split & Merge<br />Split & Merge<br /><ul><li>Méthode hybride locale/globale: permet de contrer le problème du gradient.
  22. 22. Méthode assez complexe
  23. 23. Découpage un peu « carré »</li></li></ul><li>14<br />Détection de contours<br />
  24. 24. Détection de contours<br />15<br />Un contour peut approximativement être défini comme une zone de l’image ou l’intensité des pixels change brusquement.<br />Cette discontinuité dans l’image est le passage d’un niveau de gris à un autre, de manière plus ou moins rapide.<br />Techniquement, la détection de contours est le procédé de localisation des pixels se trouvant sur les bords<br />
  25. 25. Détection de contours<br />16<br />Exemple: Masque de Sobel<br />Le masque de Sobel mesure le gradient d’une image 2D.<br />Typiquement, il est utiliser pour trouver une approximation du gradient en tout point d’une image au niveaux de gris.<br />Une paire de masques à convolution, l’un estimant le gradient suivant l’axe-x, et l’autre selon l’axe-y.<br />Sx<br />Sy<br />Magnetude:<br />Pour un pixel de coordonnées (i,j), Sx et Sy sont:<br />Sx = I[i-1][j+1]+2I[i][j+1]+I[i+1][j+1]-(I[i-1][j-1]+2I[i][j-1]+I[i+1][j-1])<br />Sy = I[i+1][j+1]+2I[i+1][j]+I[i+1][j-1]-(I[i-1][j+1]+2I[i-1][j]+I[i-1][j-1])<br />AfterSx and Sy are computed for every pixel in an image, the resulting magnitudes must bethresholded. All pixels will have someresponse to the templates, but only the very large responseswill correspond to edges.<br />S<br />
  26. 26. Détection de contours<br />17<br />Exemples<br />
  27. 27. 18<br />Filtrage<br />
  28. 28. Filtrage<br />19<br />L'objectif du filtrage est de réduire les variations d'intensité au sein de chaque région de l'image tout en respectant et préservant l'intégrité des scènes :<br />les transitions entre régions homogènes, <br />les éléments significatifs de l'image<br />Différentes méthodes de filtrage ont été développées suivant le type et l’intensité du bruit, ou les applications auxquelles on destine l'image. <br />- FiltresLineaires,<br />- Filtres Non-Lineaires<br />
  29. 29. Filtrage<br />20<br />Filtres linéaires : Lissage<br />Le lissage est une opération fondamentale en traitement d'images, elle vise à atténuer ou supprimer les aspérités et petits détails dans une image.<br />En d'autres termes, la corrélation de l'image avec le masque M remplace (en parallèle) le niveau de gris de chaque pixel par une moyenne pondérée de ceux de son voisinage. <br /> L'effet du lissage est de "mélanger" les niveaux de gris dans un voisinage, donc d'engendrer du flou sur l'image. <br />
  30. 30. Filtrage<br />21<br />Filtres linéaires : Lissage<br />Lissage : Elimination du bruit<br />Lissage : Amélioration de la détection de contours<br />Image originale<br />Lissage 3x3<br />Lissage 7x7<br />Lissage 15x15 <br />Extraction d'arêtes sur<br />l'image originale<br />Extraction d'arêtes sur<br />l'image bruitée<br />Extraction d'arêtes surl'image bruitée lissée 5x5<br />Extraction d'arêtes sur<br />l'image lissée 5x5<br />Image bruitée<br />Lissage linéaire 3x3<br />
  31. 31. Filtrage<br />22<br />Filtres Non-Linéaires : Le filtre médian<br />Par exemple, soit n = 9, et considérons les 9 valeurs<br />17, 1, 3, 5, 3, 1, 12, 2, 7.<br />Notons que certaines valeurs peuvent être répétées, et qu'il ne faut pas supprimer les répétitions! <br />En les ordonnant de la plus petite à la plus grande, on obtient la suite1, 1, 2, 3, 3, 5, 7, 12, 17.<br />La valeur au milieu de cette suite ordonnée est la 5ème, à savoir 3, qui est donc la médiane des 9 valeurs.<br />Le filtre médian est un filtre spatial qui calcule en chaque pixel la médiane des niveaux de gris des pixels de sa fenêtre.<br />Non-création de nouveaux niveaux de gris<br />
  32. 32. Filtrage<br />23<br />Le filtre médian: Elimination du bruit poivre et sel<br />Le filtre médian: Elimination du bruit poivre et sel<br />Le bruit impulsif, aussi appelé bruit poivre et sel, est une dégradation de l'image où certains pixels deviennent aléatoirement soit blancs, soit noirs. <br />Lissage linéaire <br />5x5<br />Filtrage médian<br />5x5<br />2ème applicationdu filtre médian<br />3x3<br />On suppose généralement que la probabilité qu'un pixel devienne blanc (resp. noir) est constante sur l'image, et que le devenir de chaque pixel est indépendant de celui des autres. <br />Filtrage médian<br />3x3<br />
  33. 33. 24<br />< 1mm de <br />Conclusion<br />Médical<br />Contrôle de trafic: <br />Détectiond’infractions, Identification de matricules, Préventiond’accidents, etc…<br />Face expression Detection<br />Guidageautomatique:<br />Autosurveillance, Navigation, <br />etc…<br />Micro robots de détection de cancers, tumeurs,<br />etc…<br />Intelligence Artificielle<br />Traitement d’images<br />2cm<br />
  34. 34. 25<br />

×