Traitement des Éléments Multimédia Filtrage PDF

Ecole des Hautes Etudes d'Ingénierie EHEIO - Oujda Traitement des Eléments Multimédia Filtrage Dr. EL OUTMANI Ayyoub 2024/2025 [email protected] Filtrage et restauration...

Ecole des Hautes Etudes d'Ingénierie EHEIO - Oujda Traitement des Eléments Multimédia Filtrage Dr. EL OUTMANI Ayyoub 2024/2025 [email protected] Filtrage et restauration des images Les objectifs du filtrage et la restauration des images se résument à l'augmentation de la qualité de son rendu visuel, à réduire le bruit, à compenser certains défauts du capteur et ceci dont le but de faciliter une étude ultérieure. Pour atteindre ces différents objectifs, nous utiliserons des filtres. Néanmoins, ces filtres ne permettent que partiellement la restauration et l'amélioration des images numériques. 2 Perturbation des images et bruit Les sources du bruit sont très variées, en effet : Une sous ou sur illumination durant l'acquisition de la photo réduit le nombre de couleurs utilisées pour représenter cette scène. La présence de champs magnétique peur perturber les capteurs. L'étape de quantification et celle d'échantillonnage peuvent induire des bruits. Les transmissions des images peuvent occasionner des perturbations. Le bruit peut être dépendant des données de l'image (par exemple le bruit dû à l'échantillonnage) ou indépendant de ces données (par exemple les poussières sur l'objectif). Le bruit peut être modélisé par un l’ajout d’un terme additif ou multiplicatif au signal original. 3 Perturbation des images et bruit Bruits de poivre et sel : Bruits de poivre et sel modélise assez bien les poussières sur une pellicule ou sur un scanner, les petits objets sur l'image ou les pertes de données. 4 Perturbation des images et bruit Bruits de poivre et sel : Exercice : 1. Ecrire une fonction 𝑃𝑜𝑖𝑣𝑟𝑒𝑆𝑒𝑙(𝐼, 𝑝) qui applique à une image 𝐼 un bruit poivre et sel de 𝑝%. 2. Ecrire un script 𝑎𝑓𝑓𝑖𝑐ℎ𝑒𝑟𝐵𝑟𝑢𝑖𝑡. 𝑚 qui affiche l’image I ainsi que l’application du bruit à 2%, 10% et 20%. 5 Filtrage et convolution La convolution est le processus consistant à ajouter chaque élément de l'image à ses voisins immédiats, pondéré par les éléments du filtre. C'est une forme de produit de convolution. 6 Filtrage et convolution La convolution est le processus consistant à ajouter chaque élément de l'image à ses voisins immédiats, pondéré par les éléments du filtre. C'est une forme de produit de convolution. 7 Filtrage et convolution La convolution est le processus consistant à ajouter chaque élément de l'image à ses voisins immédiats, pondéré par les éléments du filtre. C'est une forme de produit de convolution. 8  Filtrage et convolution Filtre Linéaire - Filtre moyenneur Il consiste à remplacer un pixel par la moyenne de ses voisins et de lui- même. Ecrire une fonction 𝑓𝑖𝑙𝑡𝑟𝑒_𝑚𝑜𝑦(𝐼, 𝑝) qui applique une convolution à Exercice l’image 𝐼 en utilisant un Filtre moyenneur de taille 2 × 𝑝 + 1 9 Filtrage et convolution Filtre Linéaire - Filtre Gaussien Il consiste à convoler l'image dégradée avec une gaussienne dont l'expression est : Pour effectuer cette convolution, on utilise un masque de convolution obtenu par discrétisation de hσ sur un noyau généralement de taille (2𝑝 + 1) × (2𝑝 + 1). Pour permettre des calculs rapides nous utilisons des masques à coefficients entiers. 10 Filtrage et convolution Filtre Non Linéaire - Filtre Conservatif Le principe de ce filtre consiste à conserver la valeur du pixel si cette valeur est dans l'intervalle déterminé par les valeurs des 8 pixels voisins. Sinon la valeur du pixel sera remplacée par la valeur la plus proche parmi celles des pixels voisins. 11 Filtrage et convolution Filtre Non Linéaire - Filtre Median Le principe de cette méthode consiste à remplacer un pixel par la médiane de ses voisins. Cela consiste à ranger par ordre croissant les valeurs des pixels voisins et prendre pour nouvelle valeur du pixel celle se trouvant au milieu. 12 Filtrage et convolution Les filtres passe-bas et passe-haut sont des concepts fondamentaux en traitement d'images et en traitement du signal. Ces filtres sont utilisés pour modifier le contenu fréquentiel d'une image en atténuant ou en accentuant certaines fréquences: Filtre passe-bas : Un filtre passe-bas permet le passage des basses fréquences tout en atténuant ou bloquant les hautes fréquences, ainsi la réduction des variations rapides d'intensité dans l’image. (Exemple : Filtre moyenneur). Ces filtres sont souvent utilisés pour réduire le bruit et rendre une image plus lisse. Filtre passe-haut : Un filtre passe-haut laisse passer les hautes fréquences tout en atténuant ou bloquant les basses fréquences. Il accentue les variations rapides d'intensité et met en évidence les contours et les détails fins. Ces filtres sont appliqués pour : Accentuation des contours : Les filtres passe-haut sont souvent utilisés pour améliorer la netteté des contours dans une image. Détection de contours : Ils sont également utilisés dans des applications telles que la détection de bord pour identifier les changements soudains d'intensité. 13 Filtrage et convolution Filtre passe-haut - Filtre de netteté L'objectif de ce filtre est d'accentuer les variations d'intensité des pixels afin de rendre les contours plus nets et les détails plus visibles. Ce filtre est caractérisé par un noyau comportant des valeurs négatives autour du pixel central. Cette accentuation peut permettre de mettre en exergue les limites entre les zones homogènes de l'image. 0 -1 0 -1 -1 -1 -1 5 -1 -1 9 -1 0 -1 0 -1 -1 -1 Cependant, l'utilisation de ce filtre entraîne l'apparition de quelques effets indésirables, notamment une augmentation du bruit. En effet, le filtre passe-haut accentue les détails de l'image, ce qui a pour effet automatique de renforcer le bruit. 14 Filtrage et convolution Filtre passe-haut – Détection des contours La détection de contour est une étape préliminaire à de nombreuses applications dans le traitement d’image. Les contours constituent en effet des indices riches pour toute interprétation ultérieure de l’image. Pour faire simple, l’opérateur calcule le gradient de l'intensité de chaque pixel. Ceci indique la direction de la plus forte variation du clair au sombre, ainsi que le taux de changement dans cette direction. On connait alors les points de changement soudain de luminosié, correspondant probablement à des bords. Les filtres de Prewitt, de Sobel, et le filtre laplacien sont tous des filtres utilisés en traitement d'images pour détecter les contours et les changements brusques d'intensité dans une image. 15 Filtrage et convolution Filtre passe-haut - Filtre de prewitt Le filtre de Prewitt est un filtre de détection de contours qui utilise des masques de convolution pour calculer les dérivées partielles de l'image selon les axes x et y. Filtre de Prewitt Horizontal Filtre de Prewitt Vertical -1 0 1 -1 -1 -1 -1 0 1 0 0 0 -1 0 1 1 1 1 Ces filtres calculent les dérivées partielles de l'image par rapport aux axes x et y, mettant ainsi en évidence les contours verticaux et horizontaux. 16 Filtrage et convolution Filtre passe-haut - Filtre de Sobel Les filtres de Sobel sont conçus pour réduire les effets du bruit par rapport au filtre de Prewitt tout en détectant efficacement les contours. Filtre de Sobel Horizontal Filtre de Sobel Vertical -1 0 1 -1 -2 -1 -2 0 2 0 0 0 -1 0 1 1 2 1 17 Filtrage et convolution Filtre passe-haut - Filtre Laplacien Le filtre Laplacien est un filtre de détection de contours qui accentue les variations d'intensité dans toutes les directions. Filtre Laplacien 0 1 0 1 -4 1 0 1 0 Ce filtre attribue un poids plus élevé au pixel central tout en soustrayant les valeurs des pixels voisins, accentuant ainsi les changements brusques d'intensité et mettant en évidence les contours. 18