Pr´ etraitements
Introduction
Cette phase a lieu juste apr`es l’acquisition des images et a pour objectif d’am´eliorer la qualit´e de l’image en vue de sa segmentation.
Le temps de traitement (temps CPU) est tr`es important. C’est un facteur d´ecisif, il doit ˆetre le plus petit possible. Ceci implique que les op´erateurs doivent ˆetre locaux, c’est-`a-dire qu’ils doivent intervenir sur un nombre limit´e de pixels et essentiellement sur des pixels dans le voisinage proche du pixel courant.
Les techniques de pr´etraitements les plus courantes sont :
• La modification d’histogramme
• La r´eduction du bruit par filtrage
• Le lissage local ou semi-local
• L’utilisation de la couleur (fausses couleurs)
1 Modification d’histogramme
1.1 D´ efinitions
Unhistogramme simpleest un tableau donnant, pour chaque valeur de niveau de gris, le nombre de pixels ayant ce niveau.
k
n 255 20
0 40
N
255 n fonction monotone
croissante
Fig.1 – Modification d’histogramme
h(n)
N est la fr´equence d’apparition du niveau n ou encore la probabilit´e d’obtenir le niveau n (c’est une densit´e de probabilit´e).
N repr´esente le nomber total de pixels.
Remarque : on utilise souvent l’histogramme d’une zone de l’image (AOI).
Unhistogramme cumul´e est un tableau donnant pour chaque valeur de niveau de gris le nombre de pixels ayant un niveau de gris inf´erieur ou ´egal `a cette valeur.
h(n)
N est alors une fonction de r´epartition donnant la probabilit´e d’obtenir un niveau de gris inf´erieur ou ´egal `a N.
1.2 Expression de la dynamique (recadrage)
A[i, j] 7−→t A0[i, j]
t: [a, b] 7−→t [0,255]
n 7−→t n0= 255∗ n−a b−a
255 A’
a b A 255
LUT : Look Up Table
Fig.2 – Recadrage d’histogramme
255 A’
a b A
255
255 A’
A
Fig.3 – Expression de la dynamique
1.3 Dilatation des zones claires
255 A’
A 255
Fig.4 – Dilatation des zones claires
1.4 Dilatation des zones sombres
255 A’
A 255
Fig.5 – Dilatation des zones sombres
1.5 Inversion dynamique
255 A’
A 255
Fig.6 – Inversion dynamique
1.6 Extraction d’une fenˆ etre d’intensit´ e
255 A’
A 255
a b
Fig.7 – Extraction d’une fenˆetre d’intensit´e
1.7 Egalisation d’histogramme (lin´ earisation)
Le but est de rendre l’histogramme le plus plat possible.
• Distribution uniforme des niveaux de gris
• Maximisation de l’entropie de l’image
• Image donnant une information maximale
255 k
n
255 N/255
n’
Fig.8 – Egalisation d’histogramme
255 k
n
255 N
n’
H’
Fig.9 – Lin´earisation
2 R´ eduction du bruit par filtrage
2.1 Les sources de bruit
2.1.1 Bruits li´es aux conditions de prise de vues
Ce sont des ´evenements v´erifiant les conditions d’acquisition du signal.
• Le boug´e
• Probl`emes li´es `a l’´eclairage de la sc`ene observ´ee
2.1.2 Bruits li´es au capteur
• Capteur mal r´egl´e
• Capteur de mauvaise qualit´e (distorsion de la gamme des niveaux de gris ou en flou)
2.1.3 Bruits li´es `a l’´echantillonnage
Ces bruits refl`etent essentiellement des probl`emes de quantification (CCD).
• pr´ecision d’environ 1/512
• probl`emes dans le cas d’applications de grande pr´ecision
2.1.4 Bruits li´es `a la nature de la sc`ene Exemples :
• Nuage sur les images satellitaires
• Poussi`eres dans les sc`enes industrielles
• Brouillard pour les sc`enes routi`eres
2.2 Filtrage d’images
2.2.1 Bruits d’images
C’est un champ al´eatoire caract´eris´e par sa densit´e de probabilit´efet sa fonction de r´epartition F.
En g´en´eral :f(a) =C.exp(−K|a|α)
2.2.2 Filtres lin´eaires stationnaires
Les op´erateurs sont caract´eris´es par leur r´eponse impulsionnelle (RI)h(x, y) et, C(x, y) =A∗h(x, y) =
Z Z
A(α, β).h(x−α;y−β).dαdβ Dans le cas d’une image num´erique, on a :
B[i, j] =X
m
X
n
h[m, n].A[i−m;j−n] =X
m
X
n
A[m, n].h[i−m;j−n]
A(x, y) est une image `a traiter dont l’information utile est un ´echelon unitaireU(x, y) perturb´e par un bruit blanc stationnaire centr´e : B(x, y) de densit´e spectraleN02.
U(x, y) =
½ 0 si x <0 1 si x≥0 A(x, y) =U(x, y) +B(x, y) Apr`es la phase de filtrage, on a :
C(x, y) =h∗A(x, y) =h∗U(x, y) +h∗B(x, y) =D(x, y) +N(x, y) N(x, y) est une perturbation al´eatoire dont on voudra minimiser la variance.
On a doncEC(x, y) =D(x, y).
L’intensit´e moyenne des r´egions de l’image ne doit pas ˆetre modifi´ee. On a donchtelle que : Z Z
h(x, y)dxdy= 1 La variance du bruit en sortie du filtre devient :
var(N) =E{N2(x, y)} −0 = Z Z
SN N(x, y)dxdy= Z Z
|ˆh(x, y)|2SBB(x, y)dxdy SBB : densit´e sp´ectrale de puissance du bruit B.
SN N : densit´e sp´ectrale de puissance du bruit N.
ˆh(x, y) : transform´ee de Fourier de la r´eponse impulsionnelle h.
var(N) =N02 Z Z
h2(x, y).dxdy (relation de Parseval)
2.2.3 Exemples de filtres r´educteurs de bruit 2.2.4 Filtre moyenneur
La r´eponse impulsionnelle dans le pav´e£
−2t;t2¤ .£
−2t;t2¤
esth(x, y) = t12
On a un bruit blanc de densit´e spectraleN02 et,var(N) =Nt202
La composante d´eterministe du signal de sortie est donn´ee par :
D(x, y) =
0 six≤ −2t
1
2+xt six∈¤
−2t;2t£
1 six≥2t
2.2.5 Filtre gaussien
Il a ´et´e utilis´e par David Marr, l’un des pioniers du traitement de l’image [Marr80].
La r´eponse impulsionnelle est donn´ee par :
h(x, y) = 1 2Πσ2.exp
µ
−(x2+y2) 2σ2
¶
avec
var(N) = N02 4Πσ2
De plus,
D(x, y) =erf³x σ
´
avec erf : primitive de la fonction √12Π.exp−x22 valant 12 `a l’origine.
2.2.6 Filtre exponentiel de Shen [Shen85]
h(x, y) =β2
4 .exp(−β(|x|+|y|))
var(N) =β2 16.N02 D(x) =
½ 1
2.exp(βx) six≤0 1−12exp(−βx) six >0
3 Lissage
Le lissage est utile dans le cas des bruits “poivre et sel”, c’est-`a-dire dans le cas des bruits tr`es localis´es et tr`es perturbants. Ces bruits induisent des trous ou des coupures sur des formes ou des fronti`eres pas tr`es nettes. La solution est alors d’appliquer un lissage local ou semi-local.
SoientW une fenˆetre de taille [-m ;m]x[-n ;n], gl’image brute etgω l’image trait´ee ou liss´ee.
gω(x, y) = X
(i,j)∈ω
ω(i, j).g(x−i, y−j)
Lesω(i, j) sont d´efinis par l’op´erateur de lissage.
Exemples :
ω1 = 1 9
1 1 1
1 1 1 1 1 1
(1)
ω2 = 1 10
1 1 1
1 2 1 1 1 1
(2)
ω3 = 1 16
1 2 1
2 4 2 1 2 1
(3)
ω4 =
−1 −1 −1
−1 8 −1
−1 −1 −1
(4)
ω5 =
0 −1 0
−1 4 −1
0 −1 0
(5)
Le lissage correspond `a un moyennage combin´e `a un filtre passe-bas (cf. exemples 1, 2 et 3) ou bien `a l’application d’un laplacien et d’un filtre passe-haut (cf. exemples 4 et 5).
4 Utilisation de la couleur
4.1 Fausses couleurs
L’application de cette technique sur des images en couleur permet de modifier les couleurs sans rajouter d’information. Elle permet une am´elioration du contraste entre les couleurs naturelles et les couleurs trait´ees, ce qui permet une meilleure d´etection.
4.2 Pseudo-couleurs
On effectue l’affectation d’une couleur `a un niveau de gris (on ne traite que les images en noir et blanc). On s’aper¸coit que la d´etection `a l’oeuil humain est meilleure car l’oeuil est plus sensible au contraste couleur qu’au contraste de niveaux de gris.