1 / 101

Le filtrage d’images

Le filtrage d’images. Objectifs du filtrage. Nomenclature. Nomenclature. Les fréquences spatiales. Catégories. Filtres dans le domaine spatial Filtres dans un autre domaine que le spatial (ex. domaine des fréquences) Filtres morphologiques. Filtres dans le domaine spatial.

ryder
Download Presentation

Le filtrage d’images

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Le filtrage d’images

  2. Objectifs du filtrage

  3. Nomenclature

  4. Nomenclature

  5. Les fréquences spatiales

  6. Catégories • Filtres dans le domaine spatial • Filtres dans un autre domaine que le spatial (ex. domaine des fréquences) • Filtres morphologiques

  7. Filtres dans le domaine spatial • Filtres de lissage (passe bas) • Filtres de détection d’arêtes (passe haut) • Filtres de détection de lignes/de points Voisinage 8 Voisinage 4

  8. Filtres de lissage (passe bas)Application majeure: nettoyage du bruit aléatoire • Filtres linéaires: moyenneur, gaussien • Filtres non-linéaires: ex. médian, divers filtres dits adaptatifs

  9. Hypothèse de base: une valeur qui diffère beaucoup des valeurs de son voisinage immédiat c’est le plus souvent du bruit • Prendre en compte les valeurs de tendance centrale dans le voisinage, aide à supprimer le bruit.

  10. Filtres linéaires (masques de convolution)

  11. Filtre de convolution spatiale

  12. Filtres linéaires N=arrondi (2*σ2+1) σ2 = 3

  13. Filtres linéaires Uniforme (b) Filtre circulaire (R=2.5) a) Filtre rectangulaire (J=K=5) Triangulaire a) Filtre pyramidal (J=K=5) a) Filtre conique (R=2.5)

  14. Filtres non linéaires - Médian - Adaptatif La valeur du pixel central est remplacée par la moyenne de la sous-région avec la variance minimale

  15. Ok ! mais je rends l’image floue en même temps…. Pourquoi? Parce qu’on réduit l’amplitude des arêtes, les contrastes entre objets…. Alors….

  16. Cherche à ajuster l’action du filtre, dote le avec un peu d’intelligence, de finesse…Faits le comprendre qu’il y a une arête ou une cible importante dans le voisinage du pixel ….

  17. Filtre adaptatif de Nagao Remplace le pixel central par la moyenne de l’opérateur avec la plus faible variance

  18. Exemple: bruit dû au scannage des photos

  19. Les filtres adaptatifs

  20. Filtre de détection d’arêtes/de lignes • Gradient • Autres

  21. Arête: notion fondamentale Les arêtes sont des zones de quelques pixels de large marquant une transition entre deux régions homogènes de brillance ou de texture différente

  22. Lignes : Définition dépend de l’échelle de travail Les lignes sont des zones de peu de pixels de large entre deux arêtes en proximité physique

  23. Points (spots): Définition dépend de l’échelle de travail Variation très localisée de la brillance de l’image

  24. Test: trouvons arêtes, lignes, points

  25. Gradient

  26. Sx= Sy c) Magnitude et angle d’orientation du gradient

  27. Est: Nord-Est: Nord : Nord-Ouest KIRCH Le facteur de normalisation de chacun des masques est 1/15 Ouest: Sud-Ouest: Sud: Sud-Est:

  28. Passages par zéro: algorithme de Marr

  29. Max des 4 filtres

  30. Détection de points

  31. Le rehaussement d’arêtes • Masques de convolution • Rehaussement spéciaux

  32. Le rehaussement d’arêtes • Masques de convolution

  33. Masques de convolution Image originale: sans étirement; étirement linéaire; étirement r.carrée Réh. d’arêtes: sans étirement; étirement linéaire; étirement r.carrée

  34. Le rehaussement d’arêtes 2. Rehaussements spéciaux: rehaussement par soustraction d’une image lissée

  35. Rehaussements spéciaux Image originale Image lissée (9x9 gaussien) Soustraction (c=0.6)

  36. Catégories • Filtres dans le domaine spatial • Filtres dans un autre domaine que le spatial (ex. domaine des fréquences) • Filtres morphologiques

  37. Un tour de magie????

  38. La théorie du signal

  39. Un exemple simple

  40. Un exemple simple

  41. .

  42. .

More Related