Your SlideShare is downloading. ×
  • Like
Formation traitement d_images
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×

Now you can save presentations on your phone or tablet

Available for both IPhone and Android

Text the download link to your phone

Standard text messaging rates apply

Formation traitement d_images

  • 1,863 views
Published

 

  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
  • 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
    Are you sure you want to
    Your message goes here
  • ╔═══════════════════════════════╗ ║█▀▀═█═█═█▀█═█▀█═█▀█═█▀▀═█═█═█▀▀║ ║█═══▀▀█═█═█═█▀█═█▀▀═▀▀█═▀▀█═▀▀█║ ║▀▀▀═▀▀▀═▀═▀═▀═▀═▀═══▀▀▀═▀▀▀═▀▀▀║ ╚═══════════════════════════════╝
    Are you sure you want to
    Your message goes here
    Be the first to like this
No Downloads

Views

Total Views
1,863
On SlideShare
0
From Embeds
0
Number of Embeds
1

Actions

Shares
Downloads
62
Comments
2
Likes
0

Embeds 0

No embeds

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
    No notes for slide

Transcript

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