Traitements des images - opérations simples
Transcription
Traitements des images - opérations simples
OPERATIONS GLOBALES OPERATIONS LOCALES Traitements des images - opérations simples Pr. I. ZAMBETTAKIS February 19, 2016 1 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Opérations de type radiométrique (n.d.g.) et non géométrique (pixel) comme en photo m faire subir une LUT (look up table) (makelut, applylut). LUT : table de transformation des niveaux de gris 2 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Opérations de type radiométrique (n.d.g.) et non géométrique (pixel) comme en photo m faire subir une LUT (look up table) (makelut, applylut). LUT : table de transformation des niveaux de gris 1 LUT d’entrée : 3 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Opérations de type radiométrique (n.d.g.) et non géométrique (pixel) comme en photo m faire subir une LUT (look up table) (makelut, applylut). LUT : table de transformation des niveaux de gris 1 LUT d’entrée : compression de l’info 4 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Opérations de type radiométrique (n.d.g.) et non géométrique (pixel) comme en photo m faire subir une LUT (look up table) (makelut, applylut). LUT : table de transformation des niveaux de gris 1 LUT d’entrée : compression de l’info amélioration de l’image 5 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Opérations de type radiométrique (n.d.g.) et non géométrique (pixel) comme en photo m faire subir une LUT (look up table) (makelut, applylut). LUT : table de transformation des niveaux de gris 1 LUT d’entrée : compression de l’info amélioration de l’image 2 LUT de sortie : affichage 6 Pr. I. ZAMBETTAKIS Traitements des images 2 Introduction Transformations d’histogrammes Seuillage OPERATIONS GLOBALES OPERATIONS LOCALES Transformations d’histogrammes : définitions Histogramme : estimation de la densité de probabilité de l’intensité lumineuse (imhist) boite de pétri nombre de pixels 200 180 160 140 120 100 80 60 40 20 0 0 50 100 150 200 250 niveaux de gris 7 Pr. I. ZAMBETTAKIS Traitements des images 2 Introduction Transformations d’histogrammes Seuillage OPERATIONS GLOBALES OPERATIONS LOCALES Transformations d’histogrammes : définitions Histogramme : estimation de la densité de probabilité de l’intensité lumineuse (imhist) boite de pétri nombre de pixels 200 180 160 140 120 100 80 60 40 20 0 0 50 100 150 200 250 niveaux de gris Histogramme à valeur cumulée : fonction de répartition de l’intensité pxls de valeur < valeur courante de n.d.g. 9000 taille de I 8000 7000 6000 5000 4000 3000 2000 1000 0 8 0 50 Pr. I. ZAMBETTAKIS 100 150 200 250 300 Traitements des images 2 niveaux de gris OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Transformations d’histogrammes Amélioration du contraste par : 1 étalement de l’histogramme (imadjust) par une LUT 9 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Transformations d’histogrammes Amélioration du contraste par : 1 étalement de l’histogramme (imadjust) par une LUT linéaire ou non (correction γ) 10 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Transformations d’histogrammes Amélioration du contraste par : 1 étalement de l’histogramme (imadjust) par une LUT linéaire ou non (correction γ) monotone ou non (apparition de faux contours) 11 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Transformations d’histogrammes Amélioration du contraste par : 1 étalement de l’histogramme (imadjust) par une LUT linéaire ou non (correction γ) monotone ou non (apparition de faux contours) 2 égalisation (ou aplanissement) de l’histogramme (histeq) 12 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Transformations d’histogrammes Amélioration du contraste par : 1 étalement de l’histogramme (imadjust) par une LUT linéaire ou non (correction γ) monotone ou non (apparition de faux contours) 2 égalisation (ou aplanissement) de l’histogramme (histeq) H parfaitement plat → HVC linéaire 13 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Transformations d’histogrammes Amélioration du contraste par : 1 étalement de l’histogramme (imadjust) par une LUT linéaire ou non (correction γ) monotone ou non (apparition de faux contours) 2 égalisation (ou aplanissement) de l’histogramme (histeq) H parfaitement plat → HVC linéaire principe de l’algorithme : de proche en proche on enlève des pixels du ou des n.d.g. suivants pour avoir l’HVC désiré (choix des pxls en fn des n.d.g. de leurs voisins). 14 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Transformations d’histogrammes Amélioration du contraste par : 1 étalement de l’histogramme (imadjust) par une LUT linéaire ou non (correction γ) monotone ou non (apparition de faux contours) 2 égalisation (ou aplanissement) de l’histogramme (histeq) H parfaitement plat → HVC linéaire principe de l’algorithme : de proche en proche on enlève des pixels du ou des n.d.g. suivants pour avoir l’HVC désiré (choix des pxls en fn des n.d.g. de leurs voisins). → image moins naturelle mais mise en valeur de certains détails. 15 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage : objectifs et principe Objectifs : 16 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage : objectifs et principe Objectifs : compression 17 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage : objectifs et principe Objectifs : compression supprimer les bruits (tâches) + ombres sur le fond 18 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage : objectifs et principe Objectifs : compression supprimer les bruits (tâches) + ombres sur le fond → mise en valeur des objets 19 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage : objectifs et principe Objectifs : compression supprimer les bruits (tâches) + ombres sur le fond → mise en valeur des objets Principe : ∀P (i, j ) ∈ image z (i, j ) := z (i, j ) (:= 1 binarisation) si Smin ≤ z (i, j ) ≤ Smax z (i, j ) := 0 sinon 20 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage : objectifs et principe Objectifs : compression supprimer les bruits (tâches) + ombres sur le fond → mise en valeur des objets Principe : ∀P (i, j ) ∈ image z (i, j ) := z (i, j ) (:= 1 binarisation) si Smin ≤ z (i, j ) ≤ Smax z (i, j ) := 0 sinon réglage arbitraire de Smin et de Smax ⇒ création de faux objets ou suppression d’objets pertinents 21 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage : objectifs et principe Objectifs : compression supprimer les bruits (tâches) + ombres sur le fond → mise en valeur des objets Principe : ∀P (i, j ) ∈ image z (i, j ) := z (i, j ) (:= 1 binarisation) si Smin ≤ z (i, j ) ≤ Smax z (i, j ) := 0 sinon réglage arbitraire de Smin et de Smax ⇒ création de faux objets ou suppression d’objets pertinents conserver le caractère multiniveaux d’objets qui se touchent 22 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage : objectifs et principe Objectifs : compression supprimer les bruits (tâches) + ombres sur le fond → mise en valeur des objets Principe : ∀P (i, j ) ∈ image z (i, j ) := z (i, j ) (:= 1 binarisation) si Smin ≤ z (i, j ) ≤ Smax z (i, j ) := 0 sinon réglage arbitraire de Smin et de Smax ⇒ création de faux objets ou suppression d’objets pertinents conserver le caractère multiniveaux d’objets qui se touchent binarisation (im2bw) Pr. I. ZAMBETTAKIS 23 Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Techniques simples de seuillage optimum 1 méthode des max 24 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Techniques simples de seuillage optimum 1 méthode des max 1 pour tout couple de maximas (M1 , M2 ) on calcule M1 M2 |G1 − G2 | S= G1 + G2 , M1 M2 |G1 − G2 | max 2 25 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Techniques simples de seuillage optimum 1 méthode des max 1 pour tout couple de maximas (M1 , M2 ) on calcule M1 M2 |G1 − G2 | S= 2 G1 + G2 , M1 M2 |G1 − G2 | max 2 variante : pour tout couple de maximas (M1 , M2 ) on cherche pour chaque minimum Ni compris entre M1 et M2 , M M F (Ni ) = min( 1 , 2 ) Ni Ni S= G1 + G2 , F (Ni ) maximum /(M1 , M2 ) maximorum / i 2 26 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Techniques simples de seuillage optimum 1 méthode des max 1 pour tout couple de maximas (M1 , M2 ) on calcule M1 M2 |G1 − G2 | S= 2 variante : pour tout couple de maximas (M1 , M2 ) on cherche pour chaque minimum Ni compris entre M1 et M2 , M M F (Ni ) = min( 1 , 2 ) Ni Ni S= 2 G1 + G2 , M1 M2 |G1 − G2 | max 2 G1 + G2 , F (Ni ) maximum /(M1 , M2 ) maximorum / i 2 méthode du min-max S = 1er mimimum après 1er maximum (fond clair) Pr. I. ZAMBETTAKIS Traitements des images 2 27 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Techniques simples de seuillage optimum Inconvénients : 28 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Techniques simples de seuillage optimum Inconvénients : 1 l’histogramme doit être parfaitement non bruité 29 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Techniques simples de seuillage optimum Inconvénients : 1 2 l’histogramme doit être parfaitement non bruité le max doit correspondre au fond 30 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Techniques simples de seuillage optimum Inconvénients : 1 2 3 l’histogramme doit être parfaitement non bruité le max doit correspondre au fond l’éclairage doit être uniforme : image = fond clair (ou sombre) + objets sombres (ou clairs) 31 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Techniques simples de seuillage optimum Inconvénients : 1 2 3 l’histogramme doit être parfaitement non bruité le max doit correspondre au fond l’éclairage doit être uniforme : image = fond clair (ou sombre) + objets sombres (ou clairs) Remarque : pour la méthode du min-max, si le fond est foncé S = dernier mimimum avant le dernier maximum 32 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage statistique : notations Problème : trouver k ∈ [0, M [ qui sépare l’histogramme en 2 classes C0 et C1 , le mieux possible au sens d’un certain critère. 33 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage statistique : notations Problème : trouver k ∈ [0, M [ qui sépare l’histogramme en 2 classes C0 et C1 , le mieux possible au sens d’un certain critère. Notations : 34 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage statistique : notations Problème : trouver k ∈ [0, M [ qui sépare l’histogramme en 2 classes C0 et C1 , le mieux possible au sens d’un certain critère. Notations : h (i ) = nombre de pixels de niveau de gris i, (h (i ) ∈ [0, M [); 35 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage statistique : notations Problème : trouver k ∈ [0, M [ qui sépare l’histogramme en 2 classes C0 et C1 , le mieux possible au sens d’un certain critère. Notations : h (i ) = nombre de pixels de niveau de gris i, (h (i ) ∈ [0, M [); N = N0 + N1 = nombre total de pixels 36 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage statistique : notations Problème : trouver k ∈ [0, M [ qui sépare l’histogramme en 2 classes C0 et C1 , le mieux possible au sens d’un certain critère. Notations : h (i ) = nombre de pixels de niveau de gris i, (h (i ) ∈ [0, M [); N = N0 + N1 = nombre total de pixels h (i ) pi = proba. d’observer un n.d.g. i sur l’image N 37 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage statistique : notations Problème : trouver k ∈ [0, M [ qui sépare l’histogramme en 2 classes C0 et C1 , le mieux possible au sens d’un certain critère. Notations : h (i ) = nombre de pixels de niveau de gris i, (h (i ) ∈ [0, M [); N = N0 + N1 = nombre total de pixels h (i ) pi = proba. d’observer un n.d.g. i sur l’image N k moments d’ordre 0 : p (C0 ) = ∑ pi i =0 p (C1 ) = M −1 ∑ pi i =k +1 38 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage statistique : notations Problème : trouver k ∈ [0, M [ qui sépare l’histogramme en 2 classes C0 et C1 , le mieux possible au sens d’un certain critère. Notations : h (i ) = nombre de pixels de niveau de gris i, (h (i ) ∈ [0, M [); N = N0 + N1 = nombre total de pixels h (i ) pi = proba. d’observer un n.d.g. i sur l’image N k moments d’ordre 0 : p (C0 ) = ∑ pi i =0 p (C1 ) = M −1 ∑ pi i =k +1 moments d’ordre 1 (moyennes) : M −1 k M −1 M1T = ∑ ipi , M1,C0 = i =0 ∑ ipi ∑ ipi i =0 p (C0 ) , M1,C1 = i =k +1 p (C1 ) 39 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage statistique : variance inter-classes(graythresh) Variance inter-classes de l’image seuillée au niveau k : V (k ) = p (C0 ) (M1,C0 − M1T )2 + p (C1 ) (M1,C1 − MT )2 k tel que V (k ) maximum 40 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage statistique : variance inter-classes(graythresh) Variance inter-classes de l’image seuillée au niveau k : V (k ) = p (C0 ) (M1,C0 − M1T )2 + p (C1 ) (M1,C1 − MT )2 k tel que V (k ) maximum mise en oeuvre rapide, en ligne, par : N0 N1 (M1,C0 − M1,C1 )2 V (k ) = , (Fukunaga); N2 41 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage statistique : variance inter-classes(graythresh) Variance inter-classes de l’image seuillée au niveau k : V (k ) = p (C0 ) (M1,C0 − M1T )2 + p (C1 ) (M1,C1 − MT )2 k tel que V (k ) maximum mise en oeuvre rapide, en ligne, par : N0 N1 (M1,C0 − M1,C1 )2 V (k ) = , (Fukunaga); N2 pb si ∃ki , kj très 6= avec V (ki ) ≃ V (kj ) autour du max : image seuillable : V (k ) présente un maximum franc 42 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage statistique : variance inter-classes(graythresh) Variance inter-classes de l’image seuillée au niveau k : V (k ) = p (C0 ) (M1,C0 − M1T )2 + p (C1 ) (M1,C1 − MT )2 k tel que V (k ) maximum mise en oeuvre rapide, en ligne, par : N0 N1 (M1,C0 − M1,C1 )2 V (k ) = , (Fukunaga); N2 pb si ∃ki , kj très 6= avec V (ki ) ≃ V (kj ) autour du max : image seuillable : V (k ) présente un maximum franc bons résultats pour les images où les classes claire et sombre sont assez bien équilibrées. Pr. I. ZAMBETTAKIS Traitements des images 2 43 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage statistique : entropie k E (C0 ) = − ∑ p (i /C0 ) log [p (i /C0 )] i =0 M −1 E (C1 ) = − ∑ p (i /C1 ) log [p (i /C1 )] i =k +1 k tel que E (k ) = E (C0 ) + E (C1 ) max bien pour la détection des petites classes dans les grandes (défauts) 44 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage statistique : entropie k E (C0 ) = − ∑ p (i /C0 ) log [p (i /C0 )] i =0 M −1 E (C1 ) = − ∑ p (i /C1 ) log [p (i /C1 )] i =k +1 k tel que E (k ) = E (C0 ) + E (C1 ) max bien pour la détection des petites classes dans les grandes (défauts) bien aussi si classes voisines =⇒ champ d’application plus large 45 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage statistique : entropie k E (C0 ) = − ∑ p (i /C0 ) log [p (i /C0 )] i =0 M −1 E (C1 ) = − ∑ p (i /C1 ) log [p (i /C1 )] i =k +1 k tel que E (k ) = E (C0 ) + E (C1 ) max bien pour la détection des petites classes dans les grandes (défauts) bien aussi si classes voisines =⇒ champ d’application plus large temps de réalisation comparable 46 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage statistique : conservation des moments statistiques Hypothèse : images ”de nature binaire” 47 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage statistique : conservation des moments statistiques Hypothèse : images ”de nature binaire” champ d’application : images mal contrastées (sombres) 48 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage statistique : conservation des moments statistiques Hypothèse : images ”de nature binaire” champ d’application : images mal contrastées (sombres) 1 calcul des moments d’ordre j, (j = 1, 2, 3) 49 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage statistique : conservation des moments statistiques Hypothèse : images ”de nature binaire” champ d’application : images mal contrastées (sombres) 1 calcul des moments d’ordre j, (j = 1, 2, 3) pour l’image théorique : C0 , n.d.g. z0 =⇒ Mj = z0j p (C0 ) + z1j p (C1 ) : inconnus k→ C1 , n.d.g. z1 50 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage statistique : conservation des moments statistiques Hypothèse : images ”de nature binaire” champ d’application : images mal contrastées (sombres) 1 calcul des moments d’ordre j, (j = 1, 2, 3) pour l’image théorique : C0 , n.d.g. z0 =⇒ Mj = z0j p (C0 ) + z1j p (C1 ) : inconnus k→ C1 , n.d.g. z1 M −1 pour l’image réelle Mj′ = ∑ i j pi : connus i =0 51 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage statistique : conservation des moments statistiques Hypothèse : images ”de nature binaire” champ d’application : images mal contrastées (sombres) 1 calcul des moments d’ordre j, (j = 1, 2, 3) pour l’image théorique : C0 , n.d.g. z0 =⇒ Mj = z0j p (C0 ) + z1j p (C1 ) : inconnus k→ C1 , n.d.g. z1 M −1 pour l’image réelle Mj′ = ∑ i j pi : connus i =0 2 conservation des moments statistiques Mj = Mj′ =⇒ système de 3 équations à 3 inconnues z0 , z1 , p (C0 ) 52 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage statistique : conservation des moments statistiques Hypothèse : images ”de nature binaire” champ d’application : images mal contrastées (sombres) 1 calcul des moments d’ordre j, (j = 1, 2, 3) pour l’image théorique : C0 , n.d.g. z0 =⇒ Mj = z0j p (C0 ) + z1j p (C1 ) : inconnus k→ C1 , n.d.g. z1 M −1 pour l’image réelle Mj′ = ∑ i j pi : connus i =0 2 3 conservation des moments statistiques Mj = Mj′ =⇒ système de 3 équations à 3 inconnues z0 , z1 , p (C0 ) N0 k par p (C0 ) = N1 Pr. I. ZAMBETTAKIS Traitements des images 2 53 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage :conclusions Méthodes statistiques nettement meilleures : 54 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage :conclusions Méthodes statistiques nettement meilleures : pas d’hypothèse sur l’histogramme 55 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage :conclusions Méthodes statistiques nettement meilleures : pas d’hypothèse sur l’histogramme généralisable à plusieures classe : 56 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage :conclusions Méthodes statistiques nettement meilleures : pas d’hypothèse sur l’histogramme généralisable à plusieures classe : temps de calcul beaucoup plus long 57 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage :conclusions Méthodes statistiques nettement meilleures : pas d’hypothèse sur l’histogramme généralisable à plusieures classe : temps de calcul beaucoup plus long ne pas réitérer C0 /C1 , mais faire directement C0 /C1 /C2 58 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Introduction Transformations d’histogrammes Seuillage Seuillage :conclusions Méthodes statistiques nettement meilleures : pas d’hypothèse sur l’histogramme généralisable à plusieures classe : temps de calcul beaucoup plus long ne pas réitérer C0 /C1 , mais faire directement C0 /C1 /C2 multiseuillage quelque soit la méthode, dans le cas de dérive d’éclairement calculer S ou k dans chaque portion de l’image puis recoller les portions binaires; le recollement ne sera pas parfait mais ce sera mieux qu’un seuil abhérent ! 59 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Lissages logiques sur images binaires lissage : suppression des pixels isolés, bosses et trous (à l’échelle du pixel) 60 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Lissages logiques sur images binaires lissage : suppression des pixels isolés, bosses et trous (à l’échelle du pixel) X = x ( ∏ ai ) + x ( ∑ ai ) x : ancienne valeur, X : nouvelle valeur, ai : valeurs des voisins 61 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Lissages logiques sur images binaires lissage : suppression des pixels isolés, bosses et trous (à l’échelle du pixel) X = x ( ∏ ai ) + x ( ∑ ai ) x : ancienne valeur, X : nouvelle valeur, ai : valeurs des voisins enlève les pixels isolés et bouche les trous, conserve les creux et les bosses; 62 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Lissages logiques sur images binaires lissage : suppression des pixels isolés, bosses et trous (à l’échelle du pixel) X = x ( ∏ ai ) + x ( ∑ ai ) x : ancienne valeur, X : nouvelle valeur, ai : valeurs des voisins enlève les pixels isolés et bouche les trous, conserve les creux et les bosses; peu sensible au voisinage (V8 ou V4) 63 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Lissages logiques sur images binaires lissage : suppression des pixels isolés, bosses et trous (à l’échelle du pixel) X = x ( ∏ ai ) + x ( ∑ ai ) x : ancienne valeur, X : nouvelle valeur, ai : valeurs des voisins enlève les pixels isolés et bouche les trous, conserve les creux et les bosses; peu sensible au voisinage (V8 ou V4) érosion X = ∏ (x, ai ) - dilatation X = ∑ (x, ai ) 6= suivant l’ordre et le voisinage 64 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Lissages logiques sur images binaires opérateurs logiques spécialisés 65 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Lissages logiques sur images binaires opérateurs logiques spécialisés construits à partir de la table de vérité 66 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Lissages logiques sur images binaires opérateurs logiques spécialisés construits à partir de la table de vérité cablage à partir du tableau de Karnaugh, par test sur la valeur de x 67 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Lissages logiques sur images binaires opérateurs logiques spécialisés construits à partir de la table de vérité cablage à partir du tableau de Karnaugh, par test sur la valeur de x opérateur arithmétique : reconstructeur d’histogramme 68 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Lissages logiques sur images binaires opérateurs logiques spécialisés construits à partir de la table de vérité cablage à partir du tableau de Karnaugh, par test sur la valeur de x opérateur arithmétique : reconstructeur d’histogramme pour chaque pixel, calculer : g (x ) = x + ∑ (ai ) =⇒ image fictive G à 5 ou 9 n.d.g. V 69 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Lissages logiques sur images binaires opérateurs logiques spécialisés construits à partir de la table de vérité cablage à partir du tableau de Karnaugh, par test sur la valeur de x opérateur arithmétique : reconstructeur d’histogramme pour chaque pixel, calculer : g (x ) = x + ∑ (ai ) =⇒ image fictive G à 5 ou 9 n.d.g. V seuillage binaire de G par S : conserver les pixels de poids > S ou ≥ S. 70 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Convolution discrète définition (imfilter) : I : image de taille mn, =⇒ G = I ⊗ M : M : masque de même taille, m −1 n −1 G (α, β) = ∑ ∑ I (i, j ) M (α − i, β − j ) i =0 j =0 au point [(α, β) ∈ (0, 0) , (m − 1, n − 1)] chaque pt de la nouvelle image G est le résultat d’une convolution 71 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Convolution discrète définition (imfilter) : I : image de taille mn, =⇒ G = I ⊗ M : M : masque de même taille, m −1 n −1 G (α, β) = ∑ ∑ I (i, j ) M (α − i, β − j ) i =0 j =0 au point [(α, β) ∈ (0, 0) , (m − 1, n − 1)] chaque pt de la nouvelle image G est le résultat d’une convolution en pratique : taille de M limitée 72 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Convolution discrète définition (imfilter) : I : image de taille mn, =⇒ G = I ⊗ M : M : masque de même taille, m −1 n −1 G (α, β) = ∑ ∑ I (i, j ) M (α − i, β − j ) i =0 j =0 au point [(α, β) ∈ (0, 0) , (m − 1, n − 1)] chaque pt de la nouvelle image G est le résultat d’une convolution en pratique : taille de M limitée convolution au voisinage d’un pixel (opération locale) 73 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Convolution discrète définition (imfilter) : I : image de taille mn, =⇒ G = I ⊗ M : M : masque de même taille, m −1 n −1 G (α, β) = ∑ ∑ I (i, j ) M (α − i, β − j ) i =0 j =0 au point [(α, β) ∈ (0, 0) , (m − 1, n − 1)] chaque pt de la nouvelle image G est le résultat d’une convolution en pratique : taille de M limitée convolution au voisinage d’un pixel (opération locale) balayage de toute l’image par M 74 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Convolution discrète exemple 3x3 : a1 a8 a7 V1 V8 V7 V 2 P V 6 ⊗ a2 a9 a6 a3 a4 a5 V3 V4 V5 nouvelle valeur de P en fonction de ses voisins : G ( P ) = V 1 a5 + V 2 a6 + V 3 a7 + V 4 a8 +V5 a1 + V6 a2 + V7 a3 + V8 a4 + Pa9 75 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Convolution discrète exemple 3x3 : a1 a8 a7 V1 V8 V7 V 2 P V 6 ⊗ a2 a9 a6 a3 a4 a5 V3 V4 V5 nouvelle valeur de P en fonction de ses voisins : G ( P ) = V 1 a5 + V 2 a6 + V 3 a7 + V 4 a8 +V5 a1 + V6 a2 + V7 a3 + V8 a4 + Pa9 remarque : normaliser G = I ⊗ M pour avoir une image exploitable coefficient de normalisation fn du masque appliqué 76 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Convolution discrète exemple 3x3 : a1 a8 a7 V1 V8 V7 V 2 P V 6 ⊗ a2 a9 a6 a3 a4 a5 V3 V4 V5 nouvelle valeur de P en fonction de ses voisins : G ( P ) = V 1 a5 + V 2 a6 + V 3 a7 + V 4 a8 +V5 a1 + V6 a2 + V7 a3 + V8 a4 + Pa9 remarque : normaliser G = I ⊗ M pour avoir une image exploitable coefficient de normalisation fn du masque appliqué convolution =⇒ filtrage linéaire PB ou PH 77 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Les filtres PB moyenneurs Ils suppriment les HF c.a.d. les pics de l’histogramme, sur l’image ils conservent les formes en étalant les bruits isolés) et les contours. 1 1 1 1 1 1 1 1 fspecial(’average’) : 1 1 1 ou 1 0 9 8 1 1 1 1 1 (pxls 1 1 1 78 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Les filtres PB moyenneurs Ils suppriment les HF c.a.d. les pics de l’histogramme, sur l’image ils conservent les formes en étalant les bruits (pxls isolés) et les contours. 1 1 1 1 1 1 1 1 1 fspecial(’average’) : 1 1 1 ou 1 0 1 9 8 1 1 1 1 1 1 1 2 1 1 2 fspecial(’unsharp’) : 2 4 2 16 1 2 1 privilégie le pxl central donc conserve assez bien les contours. 79 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Les filtres PB moyenneurs Ils suppriment les HF c.a.d. les pics de l’histogramme, sur l’image ils conservent les formes en étalant les bruits (pxls isolés) et les contours. 1 1 1 1 1 1 1 1 1 fspecial(’average’) : 1 1 1 ou 1 0 1 9 8 1 1 1 1 1 1 1 2 1 1 2 fspecial(’unsharp’) : 2 4 2 16 1 2 1 privilégie le pxl central donc conserve assez bien les contours. 3 filtres moyenneurs sélectifs : remplacer le n.d.g. de P par la moyenne des n.d.g. 80 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Les filtres PB moyenneurs Ils suppriment les HF c.a.d. les pics de l’histogramme, sur l’image ils conservent les formes en étalant les bruits (pxls isolés) et les contours. 1 1 1 1 1 1 1 1 1 fspecial(’average’) : 1 1 1 ou 1 0 1 9 8 1 1 1 1 1 1 1 2 1 1 2 fspecial(’unsharp’) : 2 4 2 16 1 2 1 privilégie le pxl central donc conserve assez bien les contours. 3 filtres moyenneurs sélectifs : remplacer le n.d.g. de P par la moyenne des n.d.g. du 8V qui a la + faible variation de n.d.g. parmi les 5 8V du 24V de P; 81 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Les filtres PB moyenneurs Ils suppriment les HF c.a.d. les pics de l’histogramme, sur l’image ils conservent les formes en étalant les bruits (pxls isolés) et les contours. 1 1 1 1 1 1 1 1 1 fspecial(’average’) : 1 1 1 ou 1 0 1 9 8 1 1 1 1 1 1 1 2 1 1 2 fspecial(’unsharp’) : 2 4 2 16 1 2 1 privilégie le pxl central donc conserve assez bien les contours. 3 filtres moyenneurs sélectifs : remplacer le n.d.g. de P par la moyenne des n.d.g. du 8V qui a la + faible variation de n.d.g. parmi les 5 8V du 24V de P; des 5, 4 ou 3 pxls dont la moyenne des n.d.g. est la + proche ZAMBETTAKIS Traitements des images 2 du n.d.g. Pr. de I.P. 82 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Les filtres PB adaptatifs principe (wiener2) : filtre linéaire qui s’adapte localement à l’écart type (+ σ est petit + le lissage est fort) 1 mesure de m et de σ pour chaque voisinage =⇒ image statistique I (m, σ) (2 valeurs par pxl) 83 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Les filtres PB adaptatifs principe (wiener2) : filtre linéaire qui s’adapte localement à l’écart type (+ σ est petit + le lissage est fort) 1 mesure de m et de σ pour chaque voisinage =⇒ image statistique I (m, σ) (2 valeurs par pxl) 2 calcul d’un gain K par un algorithme d’optimisation 84 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Les filtres PB adaptatifs principe (wiener2) : filtre linéaire qui s’adapte localement à l’écart type (+ σ est petit + le lissage est fort) 1 mesure de m et de σ pour chaque voisinage =⇒ image statistique I (m, σ) (2 valeurs par pxl) 2 calcul d’un gain K par un algorithme d’optimisation 3 P := P + K (P − Pprédit ) 85 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Les filtres PB adaptatifs principe (wiener2) : filtre linéaire qui s’adapte localement à l’écart type (+ σ est petit + le lissage est fort) 1 mesure de m et de σ pour chaque voisinage =⇒ image statistique I (m, σ) (2 valeurs par pxl) 2 calcul d’un gain K par un algorithme d’optimisation 3 P := P + K (P − Pprédit ) plus sélectif : préserve mieux les contours et les HF 86 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Les filtres PB adaptatifs principe (wiener2) : filtre linéaire qui s’adapte localement à l’écart type (+ σ est petit + le lissage est fort) 1 mesure de m et de σ pour chaque voisinage =⇒ image statistique I (m, σ) (2 valeurs par pxl) 2 calcul d’un gain K par un algorithme d’optimisation 3 P := P + K (P − Pprédit ) plus sélectif : préserve mieux les contours et les HF surtout performant dans le cas de bruits additifs blancs (gaussien) 87 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Les filtres PB statitiques ne créent pas de nouvelles valeurs donc n’atténuent pas les contours ! 88 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Les filtres PB statitiques ne créent pas de nouvelles valeurs donc n’atténuent pas les contours ! 1 filtre médian (medfilt2) : 89 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Les filtres PB statitiques ne créent pas de nouvelles valeurs donc n’atténuent pas les contours ! 1 filtre médian (medfilt2) : principe : ordonner les n.d.g. des 9 pxls du carré 3X3 puis affecter au pxl central la valeur médiane (la 5ième ) 90 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Les filtres PB statitiques ne créent pas de nouvelles valeurs donc n’atténuent pas les contours ! 1 filtre médian (medfilt2) : principe : ordonner les n.d.g. des 9 pxls du carré 3X3 puis affecter au pxl central la valeur médiane (la 5ième ) astuce d’implémentation : trier uniquement les 5 premiers ! 91 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Les filtres PB statitiques ne créent pas de nouvelles valeurs donc n’atténuent pas les contours ! 1 filtre médian (medfilt2) : principe : ordonner les n.d.g. des 9 pxls du carré 3X3 puis affecter au pxl central la valeur médiane (la 5ième ) astuce d’implémentation : trier uniquement les 5 premiers ! TB pour le lissage des images binaires aussi 92 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Les filtres PB statitiques ne créent pas de nouvelles valeurs donc n’atténuent pas les contours ! 1 filtre médian (medfilt2) : principe : ordonner les n.d.g. des 9 pxls du carré 3X3 puis affecter au pxl central la valeur médiane (la 5ième ) astuce d’implémentation : trier uniquement les 5 premiers ! TB pour le lissage des images binaires aussi 2 filtre ”compte-sup” 93 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Les filtres PB statitiques ne créent pas de nouvelles valeurs donc n’atténuent pas les contours ! 1 filtre médian (medfilt2) : principe : ordonner les n.d.g. des 9 pxls du carré 3X3 puis affecter au pxl central la valeur médiane (la 5ième ) astuce d’implémentation : trier uniquement les 5 premiers ! TB pour le lissage des images binaires aussi 2 filtre ”compte-sup” principe : affecter au pxl central le n.d.g. le + présent ds le carré 3X3 94 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Les filtres PB statitiques ne créent pas de nouvelles valeurs donc n’atténuent pas les contours ! 1 filtre médian (medfilt2) : principe : ordonner les n.d.g. des 9 pxls du carré 3X3 puis affecter au pxl central la valeur médiane (la 5ième ) astuce d’implémentation : trier uniquement les 5 premiers ! TB pour le lissage des images binaires aussi 2 filtre ”compte-sup” principe : affecter au pxl central le n.d.g. le + présent ds le carré 3X3 renforce TB les frontières 95 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Les filtres PB statitiques ne créent pas de nouvelles valeurs donc n’atténuent pas les contours ! 1 filtre médian (medfilt2) : principe : ordonner les n.d.g. des 9 pxls du carré 3X3 puis affecter au pxl central la valeur médiane (la 5ième ) astuce d’implémentation : trier uniquement les 5 premiers ! TB pour le lissage des images binaires aussi 2 filtre ”compte-sup” principe : affecter au pxl central le n.d.g. le + présent ds le carré 3X3 renforce TB les frontières en pratique prendre + de 9 pts, mais pas trop car les contours finiraient par être atténués 96 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Les filtres PH : le gradient Ils suppriment les BF : ne laissent passer que les pics de l’histogramme sur l’image ils renforcent les zones de contraste définition du gradient : ∂f pour une fonction continue : [grad (f )](x0 ,y0 ) = ∂x ∂f ∂y (x0 ,y0 ) " # 2 1/2 ∂f 2 ∂f ∂f ∂f mod. = arg. = arctan / + ∂x ∂y ∂x ∂y (x0 ,y0 ) (x0 ,y0 ) 97 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Les filtres PH : le gradient Ils suppriment les BF : ne laissent passer que les pics de l’histogramme sur l’image ils renforcent les zones de contraste définition du gradient : ∂f pour une fonction continue : [grad (f )](x0 ,y0 ) = ∂x ∂f ∂y (x0 ,y0 ) " # 2 1/2 ∂f 2 ∂f ∂f ∂f mod. = arg. = arctan / + ∂x ∂y ∂x ∂y (x0 ,y0 ) (x0 ,y0 ) sur la trame, pour I (i, j ) : I (i + 1, j ) − I (i − 1, j ) ∂I I (i, j + 1) − I (i, j − 1) ∂I , = = ∂x i,j 2d.i.p. ∂y i,j 2d.i.p. 98 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Les filtres PH : les masques de type gradient 1 Prewitt (edge(’prewitt’)) et Sobel (edge(’sobel’)) : q 1 G (i, j ) = √ (I ⊗ GH )2 + (I ⊗ GV )2 avec : 2 3GH −1 0 1 −1 0 1 −1 0 1 Prewitt 3GV −1 −1 −1 0 0 0 1 1 1 Prewitt 4GH −1 0 1 −2 0 2 −1 0 1 Sobel 4GV −1 −2 −1 0 0 0 1 2 1 Sobel 99 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Les filtres PH : les masques de type gradient 1 Prewitt (edge(’prewitt’)) et Sobel (edge(’sobel’)) : q 1 G (i, j ) = √ (I ⊗ GH )2 + (I ⊗ GV )2 avec : 2 3GH −1 0 1 −1 0 1 −1 0 1 Prewitt 2 3GV 4GH 4GV −1 −1 −1 −1 0 1 −1 −2 −1 0 0 0 −2 0 2 0 0 0 1 1 1 −1 0 1 1 2 1 Prewitt Sobel Sobel q 1 Roberts: G (i, j ) = √ (I ⊗ Gd )2 + (I ⊗ Gg )2 2 1 0 0 1 Gd = G = 0 −1 g −1 0 Pr. I. ZAMBETTAKIS Traitements des images 2 100 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Les filtres PH : les masques de type gradient 3 Canny filtre gaussien 2D puis gradient G = Gh = −1 0 1 Gv = 1 (|Gh | + |Gv |) 2 1 0 −1 101 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Les filtres PH : les masques de type gradient 3 Canny filtre gaussien 2D puis gradient G = Gh = −1 0 1 4 Gv = 1 (|Gh | + |Gv |) 2 1 0 −1 Robinson 3x3 : G1,2 = ±GH , G3,4 = ±GV , G5,6 = ±GD , G7,8 = ±GG 1 G (i, j ) = ∑81 |I ⊗ Gi | 8 102 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Les filtres PH : les masques de type gradient 3 Canny filtre gaussien 2D puis gradient G = Gh = −1 0 1 4 5 Gv = 1 (|Gh | + |Gv |) 2 1 0 −1 Robinson 3x3 : G1,2 = ±GH , G3,4 = ±GV , G5,6 = ±GD , G7,8 = ±GG 1 G (i, j ) = ∑81 |I ⊗ Gi | 8 Gk : gradients circulaires ←→ directions de Freeman −1 1 1 1 G = maxk {I ⊗ Gk } G0 = −1 −2 1 5 −1 1 1 Pr. I. ZAMBETTAKIS Traitements des images 2 103 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris De l’image gradient au contour interprétation de l’image gradient 104 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris De l’image gradient au contour interprétation de l’image gradient 1 G = 0 : zone homogène 105 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris De l’image gradient au contour interprétation de l’image gradient 1 G = 0 : zone homogène 2 G 6= 0 ds 1 région étendue 106 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris De l’image gradient au contour interprétation de l’image gradient 1 G = 0 : zone homogène 2 G 6= 0 ds 1 région étendue valeurs faibles et assez = ←→ dégradé (zone ombrée) :sert en 3D 107 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris De l’image gradient au contour interprétation de l’image gradient 1 G = 0 : zone homogène 2 G 6= 0 ds 1 région étendue valeurs faibles et assez = ←→ dégradé (zone ombrée) :sert en 3D valeurs fortes et chaotiques → renseignements sur la texture 108 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris De l’image gradient au contour interprétation de l’image gradient 1 G = 0 : zone homogène 2 G 6= 0 ds 1 région étendue valeurs faibles et assez = ←→ dégradé (zone ombrée) :sert en 3D valeurs fortes et chaotiques → renseignements sur la texture 3 G 6= 0 ds 1 bande étroite : zone de contraste 109 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris De l’image gradient au contour interprétation de l’image gradient 1 G = 0 : zone homogène 2 G 6= 0 ds 1 région étendue valeurs faibles et assez = ←→ dégradé (zone ombrée) :sert en 3D valeurs fortes et chaotiques → renseignements sur la texture 3 G 6= 0 ds 1 bande étroite : zone de contraste méthode globale : extraction du contour par seuillage de G 110 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris De l’image gradient au contour interprétation de l’image gradient 1 G = 0 : zone homogène 2 G 6= 0 ds 1 région étendue valeurs faibles et assez = ←→ dégradé (zone ombrée) :sert en 3D valeurs fortes et chaotiques → renseignements sur la texture 3 G 6= 0 ds 1 bande étroite : zone de contraste méthode globale : extraction du contour par seuillage de G méthode séquentielle d’extraction de contour : 111 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris De l’image gradient au contour interprétation de l’image gradient 1 G = 0 : zone homogène 2 G 6= 0 ds 1 région étendue valeurs faibles et assez = ←→ dégradé (zone ombrée) :sert en 3D valeurs fortes et chaotiques → renseignements sur la texture 3 G 6= 0 ds 1 bande étroite : zone de contraste méthode globale : extraction du contour par seuillage de G méthode séquentielle d’extraction de contour : 1 détection d’un maxima local dans G 112 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris De l’image gradient au contour interprétation de l’image gradient 1 G = 0 : zone homogène 2 G 6= 0 ds 1 région étendue valeurs faibles et assez = ←→ dégradé (zone ombrée) :sert en 3D valeurs fortes et chaotiques → renseignements sur la texture 3 G 6= 0 ds 1 bande étroite : zone de contraste méthode globale : extraction du contour par seuillage de G méthode séquentielle d’extraction de contour : 1 2 détection d’un maxima local dans G suivi de ligne de maximas dans G jusqu’à fermeture du contour ou chute du gradient (¡ au seuil de détection) 113 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Les filtres PH : le laplacien définition du laplacien pour une fonction continue : 2 2 ∂2 f ∂ f + 2 ∇ f (x0 ,y0 ) = ∂x 2 ∂y (x0 ,y0 ) 114 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Les filtres PH : le laplacien définition du laplacien pour une fonction continue : 2 2 ∂2 f ∂ f + 2 ∇ f (x0 ,y0 ) = ∂x 2 ∂y (x0 ,y0 ) pour I (i, j ) sur la ligne i : I (i, j + 1) − I (i, j ) I (i, j ) − I (i, j − 1) , pte à dr. = pte à g. = d.i.p. d.i.p. variation de la pente en (i, j ) : pente à pente à = 2I (i, j ) − I (i, j − 1) − I (i, j + 1) − droite gauche 115 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Les filtres PH : le laplacien définition du laplacien pour une fonction continue : 2 2 ∂2 f ∂ f + 2 ∇ f (x0 ,y0 ) = ∂x 2 ∂y (x0 ,y0 ) pour I (i, j ) sur la ligne i : I (i, j + 1) − I (i, j ) I (i, j ) − I (i, j − 1) , pte à dr. = pte à g. = d.i.p. d.i.p. variation de la pente en (i, j ) : pente à pente à = 2I (i, j ) − I (i, j − 1) − I (i, j + 1) − droite gauche il s’agit en réalité d’une approximation de −∇2 f ! Pr. I. ZAMBETTAKIS Traitements des images 2 116 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Les filtres PH : le laplacien sur la trame, pour I (i, j ) : ∂I = I (i, j ) − I (i − 1, j ) ∂x i,j ∂I = I (i, j ) − I (i, j − 1) ∂y i,j 117 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Les filtres PH : le laplacien sur la trame, pour I (i, j ) : ∂I = I (i, j ) − I (i − 1, j ) ∂x i,j ∂I = I (i, j ) − I (i, j − 1) ∂y i,j ∂2 I ∂I ∂I = − ∂x 2 ∂x ∂x i +1,j i,j 2 i,j ∂I ∂I ∂ I = − ∂y 2 i,j ∂y i,j +1 ∂y i,j ∇2 I (i,j ) = L = I (i + 1, j ) + I (i, j + 1) + I (i − 1, j ) + I (i, j − 1) − 4I (i, j ) 118 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris De l’image laplacien au contour masques : 0 −1 0 1 −1 4 −1 , 4 0 −1 0 −1 −1 −1 1 −1 8 −1 , 8 −1 −1 −1 −1 −2 −1 1 −2 12 −2 12 −1 −2 −1 forte variation des n.d.g. =⇒ max de G =⇒ point d’inflexion de L = ∇2 I 119 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris De l’image laplacien au contour masques : 0 −1 0 1 −1 4 −1 , 4 0 −1 0 −1 −1 −1 1 −1 8 −1 , 8 −1 −1 −1 −1 −2 −1 1 −2 12 −2 12 −1 −2 −1 forte variation des n.d.g. =⇒ max de G =⇒ point d’inflexion de L = ∇2 I dans l’image L, intensification de la pente là où la variation des n.d.g. est la plus forte dans I 120 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris De l’image laplacien au contour masques : 0 −1 0 1 −1 4 −1 , 4 0 −1 0 −1 −1 −1 1 −1 8 −1 , 8 −1 −1 −1 −1 −2 −1 1 −2 12 −2 12 −1 −2 −1 forte variation des n.d.g. =⇒ max de G =⇒ point d’inflexion de L = ∇2 I dans l’image L, intensification de la pente là où la variation des n.d.g. est la plus forte dans I détection du contour par zero-crossing (edge(’zerocross’)) : le max de G correspond au passage par 0 de L 121 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Application du laplacien à la suppression de flou flou : de temps en temps (avec une certaine règle de proba.), tache lumineuse + large que le pxl visé −→ déborde sur ses voisins V1 − 1 V7 V2 P V6 donc P reçoit : V3 V4 V5 122 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Application du laplacien à la suppression de flou flou : de temps en temps (avec une certaine règle de proba.), tache lumineuse + large que le pxl visé −→ déborde sur ses voisins V1 − 1 V7 V2 P V6 donc P reçoit : V3 V4 V5 1 une fraction de ce qu’il aurait dû recevoir 123 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Application du laplacien à la suppression de flou flou : de temps en temps (avec une certaine règle de proba.), tache lumineuse + large que le pxl visé −→ déborde sur ses voisins V1 − 1 V7 V2 P V6 donc P reçoit : V3 V4 V5 1 une fraction de ce qu’il aurait dû recevoir 2 de ses voisins, de la lumière qu’il n’aurait pas dû recevoir 124 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Application du laplacien à la suppression de flou flou : de temps en temps (avec une certaine règle de proba.), tache lumineuse + large que le pxl visé −→ déborde sur ses voisins V1 − 1 V7 V2 P V6 donc P reçoit : V3 V4 V5 1 une fraction de ce qu’il aurait dû recevoir 2 de ses voisins, de la lumière qu’il n’aurait pas dû recevoir solution de Pratt : I + ∇2 I =⇒ rehaussement de contours (edge crispening) 125 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Application du laplacien à la suppression de flou flou : de temps en temps (avec une certaine règle de proba.), tache lumineuse + large que le pxl visé −→ déborde sur ses voisins V1 − 1 V7 V2 P V6 donc P reçoit : V3 V4 V5 1 une fraction de ce qu’il aurait dû recevoir 2 de ses voisins, de la lumière qu’il n’aurait pas dû recevoir solution de Pratt : I + ∇2 I =⇒ rehaussement de contours (edge crispening) champ d’application : même flou sur toute l’image dû à 126 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Application du laplacien à la suppression de flou flou : de temps en temps (avec une certaine règle de proba.), tache lumineuse + large que le pxl visé −→ déborde sur ses voisins V1 − 1 V7 V2 P V6 donc P reçoit : V3 V4 V5 1 une fraction de ce qu’il aurait dû recevoir 2 de ses voisins, de la lumière qu’il n’aurait pas dû recevoir solution de Pratt : I + ∇2 I =⇒ rehaussement de contours (edge crispening) champ d’application : même flou sur toute l’image dû à une faible défocalisation 127 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Application du laplacien à la suppression de flou flou : de temps en temps (avec une certaine règle de proba.), tache lumineuse + large que le pxl visé −→ déborde sur ses voisins V1 − 1 V7 V2 P V6 donc P reçoit : V3 V4 V5 1 une fraction de ce qu’il aurait dû recevoir 2 de ses voisins, de la lumière qu’il n’aurait pas dû recevoir solution de Pratt : I + ∇2 I =⇒ rehaussement de contours (edge crispening) champ d’application : même flou sur toute l’image dû à une faible défocalisation un milieu diffusant entre le capteur et la scène Pr. I. ZAMBETTAKIS Traitements des images 2 128 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Application du laplacien à la suppression de flou hypothèse : Io : image floue = superposition de toutes les taches d’Airy It : image théorique flou ⇔ système de mn équations (une par pixel P ) d’inconnues α et It de la forme : Io (P ) = αIt (P ) + 1−α 8 ∑ I t ( Vi ) 8 i =1 α ∈ [0.6, · · · 1] 129 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Application du laplacien à la suppression de flou hypothèse : Io : image floue = superposition de toutes les taches d’Airy It : image théorique flou ⇔ système de mn équations (une par pixel P ) d’inconnues α et It de la forme : Io (P ) = αIt (P ) + 1−α 8 ∑ I t ( Vi ) 8 i =1 α ∈ [0.6, · · · 1] 1−α ≪1 8 1−α 8 1 =⇒ It (Vi ) ≈ Io (Vi ) donc It (P ) ≈ Io (P ) − ∑ I o ( Vi ) α 8α i =1 # " 8 1−α 8Io (P ) − ∑ Io (Vi ) = Io (P ) + K ∇2 Io (P ) It ( P ) ≈ Io ( P ) + 8α 130 i =1 faible défocalisation =⇒ α ≥ 0.6 =⇒ Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Application du laplacien à la suppression de flou mise en oeuvre : 1 se placer sur une zone de contraste important 131 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Application du laplacien à la suppression de flou mise en oeuvre : 1 2 se placer sur une zone de contraste important calculer pour différentes valeurs de α les It correspondant à Io connue 132 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Application du laplacien à la suppression de flou mise en oeuvre : 1 2 3 se placer sur une zone de contraste important calculer pour différentes valeurs de α les It correspondant à Io connue choisir le meilleur It (donc le α correspondant) : 133 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Application du laplacien à la suppression de flou mise en oeuvre : 1 2 3 se placer sur une zone de contraste important calculer pour différentes valeurs de α les It correspondant à Io connue choisir le meilleur It (donc le α correspondant) : visuellement 134 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Application du laplacien à la suppression de flou mise en oeuvre : 1 2 3 se placer sur une zone de contraste important calculer pour différentes valeurs de α les It correspondant à Io connue choisir le meilleur It (donc le α correspondant) : visuellement par un critère automatique d’autofocus (∇2 It min) 135 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Application du laplacien à la suppression de flou mise en oeuvre : 1 2 3 se placer sur une zone de contraste important calculer pour différentes valeurs de α les It correspondant à Io connue choisir le meilleur It (donc le α correspondant) : visuellement par un critère automatique d’autofocus (∇2 It min) remarques : 136 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Application du laplacien à la suppression de flou mise en oeuvre : 1 2 3 se placer sur une zone de contraste important calculer pour différentes valeurs de α les It correspondant à Io connue choisir le meilleur It (donc le α correspondant) : visuellement par un critère automatique d’autofocus (∇2 It min) remarques : 1 dans les appareils photo c’est fait par télémétrie 137 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Application du laplacien à la suppression de flou mise en oeuvre : 1 2 3 se placer sur une zone de contraste important calculer pour différentes valeurs de α les It correspondant à Io connue choisir le meilleur It (donc le α correspondant) : visuellement par un critère automatique d’autofocus (∇2 It min) remarques : 1 2 dans les appareils photo c’est fait par télémétrie 1 pour Pratt K = 1 =⇒ α = > 0.6 : 9 chaque tache d’Airy est supposée horizontale sur le 8V 138 Pr. I. ZAMBETTAKIS Traitements des images 2 OPERATIONS GLOBALES OPERATIONS LOCALES Opérateurs logiques pour images binaires Convolution pour images à niveaux de gris Application du laplacien à la suppression de flou mise en oeuvre : 1 2 3 se placer sur une zone de contraste important calculer pour différentes valeurs de α les It correspondant à Io connue choisir le meilleur It (donc le α correspondant) : visuellement par un critère automatique d’autofocus (∇2 It min) remarques : 1 2 3 dans les appareils photo c’est fait par télémétrie 1 pour Pratt K = 1 =⇒ α = > 0.6 : 9 chaque tache d’Airy est supposée horizontale sur Rle 8V en toute rigueur il faudrait prendre K = K (α) = des fonctions d’Airy en chaque pixel et choisir le α tel que K (α) max;(application en microscopie). 139 Pr. I. ZAMBETTAKIS Traitements des images 2