Professional Documents
Culture Documents
Chapitre1 TIRF IASRIA
Chapitre1 TIRF IASRIA
Traitement d’Image et
Reconnaissance de Formes
Transformations d’Images
AFEF ELLOUMI OUESLATI
2
Transformations ponctuelles
3
Transformations de voisinage
4
Transformations spectrales
Introduction Transformations ponctuelles Transformations de voisinage Transformations spectrales
Introduction
• Une scène est un grande quantité d’informations dont il faut extraire
l’information utile
Il faut soumettre l’image à des transformations
Image Image
source
Transformation 1 Résultat
Image
source 1
Image Image
source 2
Transformation 2 Résultat
Image
source 3
Transformations ponctuelles
• Pour ces transformations, la nouvelle valeur d’un pixel dépend uniquement de
son ancienne valeur
• m’(i,j)=f1(m(i,j)) ou
• m’(i,j)=f2(m1(i,j),m2(i,j))
Transformations ponctuelles
• Remarque 1 :
1 1 1
• Soit l’exemple suivant : M= 0 1 0 +5
1 0 0
Transformations ponctuelles
• Remarque 2 :
1 1 1
• On reprend le même exemple : M= 0 1 0 +5
1 0 0
Solution:
• Il faut remettre les valeurs dans l’intervalle
• On peut utiliser une simple division sur le nombre total de pixels
Opération de normalisation
Transformations ponctuelles
• Exemples:
• addition : superposition de deux images ImR1=Im1+Im2
Im1 Im2
Im1 M
Transformations de voisinage
• Dans ces transformations la nouvelle valeur d’un pixel dépend des anciennes
valeurs du pixel et de ses voisins
On a V= (P1+P2+P3+P4+P5+P6+P7+P8+P9)/9
1 1 1
1/9. 1 1 1
1 1 1
Transformations de voisinage
• Dans ces transformations la nouvelle valeur d’un pixel dépend des anciennes
valeurs du pixel et de ses voisins donc il faut définir le voisinage
• Exemple de voisinages
V2 V3 V4 V5 V9
1
𝟏
V2
1 0 1 1 0 1 0 1 1 1
𝟏 1 𝟏 1 𝟏 1 1 𝟏 1 1 𝟏 1
0 1 0 1 1 1
Transformations de voisinage
• Dans ces transformations la nouvelle valeur d’un pixel dépend des anciennes
valeurs du pixel et de ses voisins.
• Produit de convolution
On rappelle que :
Le produit de convolution est la réponse d’un système à une excitation
donnée (h(t) est la réponse impulsionnelle)
x(t) y(t)
h(t)
La procédure :
On prend le symétrique d’un signal qu’on décale par rapport à l’autre et
on mesure leur similitude (l’aire commune) en fonction du décalage
Transformations de voisinage
Produit de convolution
• On rappelle pour le signal 1D et on passe à 2D
• Cas 1D continu +∞
𝑦 𝑡 = 𝑥 𝑡 ∗ ℎ 𝑡 = න 𝑥 −𝑢 + 𝑡 ℎ 𝑢 𝑑𝑢
• Cas 1D discret −∞
𝑁−1
1
𝑦 𝑛 =𝑥 𝑛 ∗ℎ 𝑛 = 𝑥 −𝑖 + 𝑛 ℎ(𝑖)
𝑁
0
• Cas 2D
f(x,y) g(x,y)
h(x,y)
• Cas 2D continu
+∞ +∞
𝑔 𝑥, 𝑦 = 𝑓 𝑥, 𝑦 ∗ ℎ 𝑥, 𝑦 = න න f(−α + 𝑥, −β + y)ℎ α, β 𝑑α𝑑β
−∞ −∞
• Cas 2D discret
𝑁−1 𝑀−1
1
𝑔 𝑛, 𝑘 = 𝑓 𝑛, 𝑘 ∗ ℎ 𝑛, 𝑘 = 𝑓 −𝑖 + 𝑛, −𝑗 + 𝑘 ℎ(𝑖, 𝑗)
𝑁𝑀
𝑖=0 𝑗=0
Transformations de voisinage
Produit de convolution
Transformations de voisinage
Produit de convolution
Transformations de voisinage
Produit de convolution
Transformations de voisinage
Produit de convolution
• Algorithme : balayage de l'image par le masque de convolution
Transformations de voisinage
Produit de convolution
• Algorithme : balayage de l'image par le masque de convolution
• Gestion des bords
• On constate que pour les pixels du bord, le masque déborde de l'image. Les
valeurs résultat des pixels du bord sont dans ce cas indéfinies.
Transformations de voisinage
Algorithme parallèle et algorithme séquentiel
Il existe deux manières de calculer l’image transformée
- Algorithme parallèle
• Si tous les pixels sont modifiés en même temps.
• L’algorithme est dit parallèle.
• Dans ce cas, la nouvelle valeur d’un pixel est obtenue en utilisant uniquement
les anciennes valeurs des pixels voisins.
• Ceci nécessite de travailler sur deux matrices.
• C’est l’algorithme que nous allons adopter
Transformations de voisinage
- Algorithme séquentiel
• Si le travail s’effectue sur la même matrice, la nouvelle valeur d’un
pixel est utilisée pour déterminer la nouvelle valeur des pixels suivants.
• Tout se passe comme si les pixels sont modifiés séquentiellement. Un tel
algorithme est dit séquentiel.
• Dans le cas des algorithmes itératifs, un algorithme séquentiel converge
beaucoup plus rapidement qu’un algorithme parallèle.
Transformations spectrales
• Afin d’analyser un signal ou une image , il est impératif de travailler
sur deux domaines
• Temporel (signal 1D) et fréquentiel
• Spatial (signal 2D) et fréquentiel
Transformations spectrales
Transformée de Fourier
• On rappelle pour le signal 1D
• Cas 1D continu, on considère le signal x(t) à énergie finie
+∞
𝑑é𝑓.
𝑇𝐹 𝑥(𝑡) = 𝑋 𝑓 = න 𝑥 𝑡 exp −𝑖2𝜋𝑓𝑡 𝑑𝑡 = "Transformée de Fourier" de 𝑥 𝑡
−∞
et
+∞
Transformations spectrales
Transformée de Fourier
• On rappelle pour le signal 1D
• Cas 1D discret
Transformations spectrales
Transformée de Fourier
• On passe à 2D maintenant
• Cas 2D continu, on considère l’image f(x,y) continue
+∞ +∞
𝑑é𝑓.
𝑇𝐹 𝑓(𝑥, 𝑦) = 𝐹 𝑢, 𝑣 = න න 𝑓(𝑥, 𝑦) exp −𝑖2𝜋(𝑢𝑥 + 𝑣𝑦) 𝑑𝑥𝑑𝑦
−∞ −∞
et
+∞ +∞
−1 𝑑é𝑓.
𝑓 𝑥, 𝑦 = 𝑇𝐹 𝐹 𝑢, 𝑣 = න න 𝐹(𝑢, 𝑣) exp 𝑖2𝜋(𝑢𝑥 + 𝑣𝑦) 𝑑𝑢𝑑𝑣
−∞ −∞
Transformations spectrales
Transformée de Fourier Exercice
1. Calculer la TF d’un signal sinusoïdal de la forme x(t)=Acos (2π𝑓0 𝑡)
Transformations spectrales
Transformée de Fourier : Correction Exercice
A
X(f)= (𝜕(𝑓 − 𝑓0 )+𝜕(𝑓 + 𝑓0 ))
2
X(f)=𝐴𝑇𝑠𝑖𝑛𝑐(𝜋𝑓𝑇)
Transformations spectrales
Transformée de Fourier Exercice
3. Déduire la TF2D d’une image sinusoïdale
Transformations spectrales
Transformée de Fourier Exercice
3. Déduire la TF2D d’une image sinusoïdale
Transformations spectrales
Transformée de Fourier Exercice correction
Déduire la TF2D d’une image sinusoïdale 2 𝑟𝑎𝑖𝑒𝑠 𝑑𝑒 𝑑𝑖𝑟𝑎𝑐 𝑎𝑢𝑠𝑠𝑖
Transformations spectrales
Transformée de Fourier Exercice correction
4. Déduire la TF2D d’une image carrée 2 𝑠𝑖𝑛𝑢𝑠 𝑐𝑎𝑟𝑑𝑖𝑛𝑎𝑢𝑥
Transformations spectrales
Transformée de Fourier
Transformations spectrales
Propriétés de la Transformée de Fourier 2D
1. La séparabilité
TF 2D peut être obtenue en effectuant 2 fois la TF 1-D : simplifier les
calculs
2. La translation
Transformations spectrales
Propriétés de la Transformée de Fourier 2D
2. La translation
pour une représentation correcte dans le cas 1D
Exemple
Transformations spectrales
Propriétés de la Transformée de Fourier 2D
2. La translation on représente la TF2D centrée
Transformations spectrales
Propriétés de la Transformée de Fourier 2D
3. Périodicité et symétrie du conjugué :
La TF discrète et son inverse sont périodiques et de période N :
F(u,v)=F(u+N,v)=F(u,v+N)=F(u+N,v+N)
Remarque : On rappelle qu’échantillonner dans un domaine revient à périodiser dans le
domaine dual et donc l’image et sa TF2D sont toutes les deux numériques et périodiques
Si F * est le conjugué de F, on a : F(u,v)=F*(−u,−v)
4. Rotation
Si l’image f subit une rotation θ, alors sa TF2D F subit la même rotation:
Transformations spectrales
Propriétés de la Transformée de Fourier 2D
5. Linéarité
La TF2D est linéaire : si une image est constituée par plusieurs images
élémentaires alors son spectre est la somme pondérée des spectres
Transformations spectrales
Propriétés de la Transformée de Fourier 2D
Transformations spectrales
Algorithme de la Transformée de Fourier 2D: la FFT
Transformations spectrales
Application de la Transformée de Fourier 2D
Mise en évidence des propriétés des textures