Traitement d`images niveau de gris
Download
Report
Transcript Traitement d`images niveau de gris
Morphologie pour le traitement
dโimages en niveau de gris
Cours de traitement dโimages | Décembre 2012
John Chaussard | Paris XIII , Institut Galilée , LAGA | Bureau D402
[email protected]
Chapitre
1
Introduction
INTRODUCTION
Une image binaire est un sous-ensemble I de โค๐ : on
représente les points appartenant à I par des pixels blancs sur
une grille, et les autres points par des pixels noirs.
I = { (-2,-1),(-2, 0),(-1,0),(1,-1),(1,1) }
0
0
0
1
0
1
1
0
0
0
1
0
0
1
0
3
INTRODUCTION
On peut aussi représenter une image binaire par un relief
topographique, où les pixels à 1 sont les sommets et les pixels
à 0 sont le sol.
0
0
0
0
0
0
1
0
1
0
0
0
1
1
0
0
0
0
0
0
4
INTRODUCTION
En général, dans une image, les valeurs des pixels ne sont pas
limitées à 0 et 1, mais peuvent prendre des valeurs dans
différents ensembles.
Par exemple, une image en niveau de gris (8 bits) de
dimension
n
est
__________________________________________________
176 173 172 174 175 174 175
_____
179 185 187 181 174 173 165
__________________________________________________
197 181 168 167 171 169 170
_____
161 170 180 183 180 174 175
5
INTRODUCTION
On peut noter dโautres types dโimages, comment les images
en niveau de gris 16 bits ou 32 bits, permettant de récupérer
des informations plus précises (souvent utilisé dans des
domaines tels que lโastronomie, le médical, โฆ).
Ce
sont
en
________________________________________
général
__________________________________________________
210 246 283 281 292
_____
186 231 346 450 417
179 189 312 475 400
6
INTRODUCTION
Les
images
couleur
____________________________________
sont
Canal bleu
__________________________________________________
51 51 53 54 60 57
______
15
89
53
30
44
53
55
58
91 23
95 3499 4710261 9861 60
70 65
86 6195 639768 9967 65
101 1036110774 110
89 114
101 107
102 101
65
82100 9899 107
103 109
107 108
106 104 Canal vert
73
86 101 113 111 110
113 111 115 116 115 113
Canal rouge
7
INTRODUCTION
Les
images
HDR
__________________________
sont
généralement
Canal bleu
_____________________________________
0,55 0,53 0,57 0,66 0,71
0,7
0,61 0,61 0,65 0,72 0,79 0,79
0,55 0,53 0,57 0,66 0,71
0,62 0,63
0,6
0,59
0,7
0,6
0,71
0,61 0,61 0,56
0,65 0,35
0,720,350,79
0,490,79
0,55 0,61
0,72 0,71
0,620,76
0,630,84
0,6 0,91
0,59 0,92
0,6
0,71
0,8
0,81
0,560,85
0,350,91
0,35 1,01
0,49 1,09
0,55 0,61 Canal vert
0,79
0,8
0,77 0,75 0,79 0,99
0,71 0,46 0,45 0,62 0,72
0,9
Canal rouge
8
INTRODUCTION
Dans la suite, on sโintéressera surtout aux images 2d en
niveau de gris 8 bits.
Tout comme les images
binaires, on peut voir toute
image en niveau de gris
comme
un
relief
topographique,
où
les
valeurs élevées sont des
montagnes tandis que les
valeurs basses sont des
fossés.
9
INTRODUCTION
On définira de manière générale une image I n-dimensionnelle
comme une application dโun sous-ensemble A de โค๐ (appelé le
domaine de I) vers un ensemble quelconque B (qui représente
les valeurs de I).
On écrira :
_________________________________
10
PLAN
Erosion et dilatation en niveau
de gris
Erosion
Filtres par reconstruction
Reconstruction supérieure
Reconstruction inférieure
Dilatation
Filtres avancés
Ouverture et fermeture en niveau
ASF
de gris
H-extrema et maxima régionaux
Ouverture
Ligne de partage des eaux
Fermeture
11
Chapitre
2
Erosion et dilatation en niveau de gris
Chapitre
Section
2
Lโérosion
1
LโÉROSION
EN NIVEAU DE GRIS
Revenons sur une image binaire, et calculons lโérosion de I par
E:
Quelle « formule » a-t-on appliqué pour calculer
0
1
0
0
0
0
1
1
0
1
0
1
E
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
0
0
0
0
1
0
1
1
1
1
1
0
0
1
0
0
1
1
1
0
0
0
0
1
1
1
1
0
0
0
0
1
1
1
1
1
1
0
0
0
0
0
1
1
1
1
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
la valeur de ces deux pixels ?
____________________________________
__
____________________________________
__
I
๐ผโ๐ธ
14
LโÉROSION
EN NIVEAU DE GRIS
On peut définir lโérosion binaire, tout comme lโérosion en
niveau de gris, en termes de minimum :
Soit ๐ผ: ๐ด โ โค๐ โ ๐ต (I est donc une image n-dimensionnelle
de domaine A et dont les valeurs dโarrivée se situent dans
B), et ๐ธ โ โค๐ un élément structurant.
On définit lโérosion de I par E lโapplication notée ๐ผ โ ๐ธ
telle
que,
โ๐ฅ โ ๐ด, ๐ผ โ ๐ธ ๐ฅ =
___________________________________
On dira que โ๐ฆ โ ๐ด, ๐ผ ๐ฆ = +โ. Ceci fait sens si lโélément
structurant contient lโorigine (ce qui est souvent le cas en
pratique).
15
LโÉROSION
EN NIVEAU DE GRIS
Ex : Calculer ๐ผ โ ๐ธ
1
1
0
0
1
1
0
1
0
E
82
76
81
81
81
75
80
77
80
84
79
78
82
82
84
80
83
84
91
92
94
96
93
96
102 100 103 103 110 112
100 110 109 112 110 115 I
๐ผโ๐ธ
16
LโÉROSION
Ex : Calculer ๐ผ โ ๐ธ
1
0
0
0
1
1
0
0
1
E
82
76
81
81
81
75
80
77
80
84
79
78
82
82
84
80
83
84
91
92
94
96
93
96
EN NIVEAU DE GRIS
!!
______________________
__
______________________
______________________
______________________
_________
102 100 103 103 110 112
100 110 109 112 110 115 I
๐ผโ๐ธ
17
LโÉROSION
EN NIVEAU DE GRIS
Regardons lโeffet « topographique » de lโérosion
On considère I comme un relief, avec ses
montagnes et ses canyons.
Lโérosion de I par E revient à creuser les
flancs de terre de I avec E : lโérosion rétrécit
(en hauteur et largeur) les montagnes, et
élargit les trous.
I = imread('line.png');
E = strel('line',27,0);
Erod = imerode(I, E);
E
________
__________
18
LโÉROSION
EN NIVEAU DE GRIS
E
I
๐ผโ๐ธ
I = imread('image_ex1.png');
E = strel(โdisk',14,0);
Erod = imerode(I, E);
19
Chapitre
Section
2
La dilatation
2
LA
DILATATION EN NIVEAU DE GRIS
Revenons sur une image binaire, et calculons la dilatation de I
par1 E1 : 0
0
0
1
1
1
0
E
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
0
0
0
0
0
0
1
1
1
0
0
0
0
0
0
0
0
1
0
0
0
0
0
1
0
0
1
0
0
0
0
1
1
0
1
1
0
0
0
0
0
0
1
1
1
1
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
Quelle « formule » a-t-on appliqué pour calculer la
valeur de ces deux pixels ?
________________________________________
________________________________________
__________
I
๐ผโ๐ธ
21
LA
DILATATION EN NIVEAU DE GRIS
On peut définir la dilatation binaire, tout comme la dilatation en
niveau de gris, en termes de maximum:
Soit ๐ผ: ๐ด โ โค๐ โ ๐ต et ๐ธ โ โค๐ un élément structurant.
On définit la dilatation de I par E lโapplication notée ๐ผ โ
๐ธ telle que, โ๐ฅ โ ๐ด, ๐ผ โ ๐ธ ๐ฅ = ________________________
On dira que โ๐ฆ โ ๐ด, ๐ผ ๐ฆ = โโ. Ceci fait sens si lโélément
structurant contient lโorigine (ce qui est souvent le cas en
pratique).
22
LA
DILATATION EN NIVEAU DE GRIS
Ex : Calculer ๐ผ โ ๐ธ
0
1
0
0
1
1
0
1
1
๐ธ
E
82
76
81
81
81
75
80
77
80
84
79
78
82
82
84
80
83
84
91
92
94
96
93
96
102 100 103 103 110 112
100 110 109 112 110 115 I
๐ผโ๐ธ
23
LA
DILATATION EN NIVEAU DE GRIS
Ex : Calculer ๐ผ โ ๐ธ
0
0
1
0
0
1
0
0
1
E
82
76
81
81
81
75
80
77
80
84
79
78
82
82
84
80
83
84
91
92
94
96
93
96
______________________
______________________
______________________
______________________
____________
102 100 103 103 110 112
100 110 109 112 110 115 I
๐ผโ๐ธ
24
LA
DILATATION EN NIVEAU DE GRIS
Regardons lโeffet « topographique » de la dilatation
On considère I comme un relief, avec ses
montagnes et ses canyons.
La dilatation de I par E revient à élargir les
flancs de terre de I avec E : la dilatation élargit
les montagnes, et rétrécit (en hauteur et
largeur) les trous.
I = imread('line.png');
E = strel('line',27,0);
Dil = imdilate(I, E);
E
__________
_______
25
LA
DILATATION EN NIVEAU DE GRIS
E
I
๐ผโ๐ธ
I = imread('image_ex1.png');
E = strel(โdisk',14,0);
Dil = imdilate(I, E);
26
Chapitre
2
Section
3
Propriétés de lโérosion et de la
dilatation
EROSION
ET DILATATION
:
PROPRIÉTÉS
On définit une relation dโordre entre les images en niveau de
gris :
Soient deux images ๐ผ, ๐ฝ: ๐ด โ โค๐ โ ๐ต,
๐ผ โค ๐ฝ โ โ๐ฅ โ ๐ด, ๐ผ ๐ฅ โค ๐ฝ(๐ฅ)
Cette relation dโordre remplacera le relation dโinclusion utilisée
pour les propriétés des images binaires.
28
EROSION
ET DILATATION
:
PROPRIÉTÉS
On définira aussi le maximum et le minimum de deux images :
Soient deux images ๐ผ, ๐ฝ: ๐ด โ โค๐ โ ๐ต, โ๐ฅ โ ๐ด
๐ผ โจ ๐ฝ ๐ฅ = ๐๐๐ฅ ๐ผ ๐ฅ , ๐ฝ ๐ฅ
๐ผ โง ๐ฝ ๐ฅ = ๐๐๐(๐ผ ๐ฅ , ๐ฝ ๐ฅ )
29
EROSION
ET DILATATION
:
PROPRIÉTÉS
Lโérosion en niveau de gris possède les mêmes propriétés
que lโérosion binaire : décomposable, invariante par
translation de lโimage, croissante du point de vue de
lโimage, décroissante du point de vue de lโélément
structurant, โฆ
La dilatation en niveau de gris possède les mêmes propriétés
que la dilatation binaire : associative, commutative,
invariante par translation, croissante, décomposable, โฆ
Attention : comme dit précédemment, la relation dโinclusion
doit être remplacée par le symbole โค défini à la diapositive 22.
30
EROSION
ET DILATATION
:
PROPRIÉTÉS
La dilatation et lโérosion en niveau de gris sont des opérateurs
duaux. Si on pose ๐ผ ๐ ๐ฅ = โ๐ผ(๐ฅ), alors
๐ผ โ ๐ธ ๐ฅ =________________
31
EROSION
ET DILATATION
:
PROPRIÉTÉS
Nous possédons en plus, pour les images en niveau de gris,
une autre propriété de décomposabilité plus forte que celle déjà
obtenue pour les images binaires.
Cette propriété porte sur la décomposition dโun élément
structurant en deux maximums :
Soient ๐ผ: ๐ด โ โค๐ โ ๐ต et ๐ธ, ๐น โ โค๐ ,
๐ผ โ ๐ธ โจ ๐น =_____________
๐ผ โ ๐ธ โจ ๐น =_____________
Rappel :
Ici, I est une image en niveau de gris ndimensionnelle,
E et F sont des éléments structurant n-
32
Chapitre
2
Section
Conclusion & applications
4
EROSION ET DILATATION : CONCLUSION &
APPLICATIONS
Lโérosion permet de creuser les flancs dโune image, ce qui
provoque un rétrécissement (en altitude et en largeur) de ses
montagnes, et un élargissement (rien en profondeur) des ses
canyons.
La dilatation permet dโélargir (rien en altitude) les
montagnes dโune image, et rétrécit (en largeur et profondeur)
ses canyons.
34
EROSION ET DILATATION : CONCLUSION &
APPLICATIONS
E est un disque euclidien de rayon 20.
I
_______
________
35
EROSION ET DILATATION : CONCLUSION &
APPLICATIONS
Tout comme nous lโavions fait en binaire, nous pouvons
détecter les contours dโune image avec lโérosion et la dilatation.
I
___________
____________
_______________
36
Chapitre
3
Ouverture et fermeture en niveau de
gris
Chapitre
Section
3
Lโouverture
1
LโOUVERTURE
EN NIVEAU DE GRIS
En niveau de gris, lโouverture se définit de la même manière
quโen binaire :
Soit ๐ผ: ๐ด โ โค๐ โ ๐ต et ๐ธ โ โค๐ , on définit lโouverture de I
par E comme
๐ผโ๐ธ = ๐ผโ๐ธ โ๐ธ
39
LโOUVERTURE
EN NIVEAU DE GRIS
Regardons lโeffet « topographique » de lโouverture
On considère I comme un relief, avec ses
montagnes et ses canyons.
Lโouverture de I par E revient à
_______________
_____________________________________
_
I = imread('line.png');
E = strel('line',27,0);
Op = imopen(I, E);
E
______
________
40
LโOUVERTURE
EN NIVEAU DE GRIS
E
I
Remarquez lโeffet
de creusement ici
๐ผโ๐ธ
I = imread('image_ex1.png');
E = strel('disk',14,0);
Op = imopen(I, E);
41
Chapitre
Section
3
La fermeture
2
LA
FERMETURE EN NIVEAU DE GRIS
En niveau de gris, la fermeture se définit de la même manière
quโen binaire :
Soit ๐ผ: ๐ด โ โค๐ โ ๐ต et ๐ธ โ โค๐ , on définit la fermeture de I
par E comme
๐ผโฆ๐ธ = ๐ผ โ ๐ธ โ ๐ธ
43
LA
FERMETURE EN NIVEAU DE GRIS
Regardons lโeffet « topographique » de la fermeture
On considère I comme un relief, avec ses
montagnes et ses canyons.
La fermeture de I par E revient à
______________
_____________________________________
__
I = imread('line.png');
E = strel('line',27,0);
Cl = imclose(I, E);
E
_______
_______
44
LA
FERMETURE EN NIVEAU DE GRIS
E
I
Remarquez lโeffet
de jonction ici
๐ผโฆ๐ธ
I = imread('image_ex1.png');
E = strel('disk',14,0);
Cl = imclose(I, E);
45
Chapitre
3
Section
3
Propriétés de lโouverture et de la
fermeture
OUVERTURE ET FERMETURE : PROPRIÉTÉS
Lโouverture en niveau de gris possède les mêmes propriétés
que lโouverture binaire : anti-extensive, croissante du point
de vue de lโimage, décroissante du point de vue de
lโélément structurant, idempotente โฆ
La fermeture en niveau de gris possède les mêmes
propriétés que la fermeture binaire : extensive, croissante du
point de vue de lโimage, et du point de vue de lโélément
structurant, idempotente โฆ
Attention : comme dit précédemment, la relation dโinclusion
doit être remplacée par le symbole โค défini à la diapositive 22.
47
Chapitre
3
Section
Conclusion & applications
4
OUVERTURE ET FERMETURE : CONCLUSION &
APPLICATIONS
Lโouverture permet dโaplanir les sommets dโune image.
La fermeture permet de combler les ravins dโune image.
49
CAS PRATIQUE : SUPPRESSION DE BRUIT
POIVRE ET SEL
I = imread('chien_bruit.png');
Problème : supprimer le bruit sur lโimage.
Gamma4 = strel('diamond', 1);
Op = imopen(I, Gamma4);
DeuxGamma8 = strel('square', 5);
Cl = imclose(Op, DeuxGamma8);
๐ผ
Cette technique fonctionne
généralement bien pour le
bruit « poivre & sel »
_______
50
CAS
PRATIQUE
:
TOP HAT
Problème : extraire les grains de riz de lโimage
๐ผ
Seuil à 100
Seuil à 130
Le seuil à 100 permet de correctement extraire les grains du
bas, et le seuil à 130 permet dโextraire les grains du haut. Le
gradient dโéclairage vertical ne nous permet pas de trouver
un seuil satisfaisant !
51
CAS
PRATIQUE
:
TOP HAT
Solution : utiliser une ouverture pour extraire le fond de lโimage
๐ผโ๐ธ
๐ผ
๐ธ
Lโopération Top-Hat,
_______________
__________
qui
est
un
Seuil à 50 de __________
résidu
dโouverture,
__________________________________________________
___
52
Chapitre
4
Filtres par reconstruction
Chapitre
4
Section
Reconstruction inférieure et
ouverture par reconstruction
1
RECONSTRUCTION
INFÉRIEURE
Comme en binaire, on va procéder par étapes. Tout dโabord,
nous définissons la dilatation conditionnelle, où lโintersection
est remplacée par le minimum :
Soient ๐ผ, ๐: ๐ด โ โค๐ โ ๐ต , et soit ๐ธ โ โค๐ , la dilatation
conditionnelle de M par E restreinte à I est
_______________________________________
E
M
I
๐โ๐ธ โง๐ผ
55
RECONSTRUCTION
INFÉRIEURE
On peut itérer la dilatation conditionnelle :
Soient ๐ผ, ๐: ๐ด โ โค๐ โ ๐ต, et soit ๐ธ โ โค๐ , on notera
(๐ โ๐ผ ๐ธ)๐ = (( ๐ โ๐ผ ๐ธ โ๐ผ ๐ธ) โฆ โ๐ผ ๐ธ) (n fois)
Ce qui nous amène à la reconstruction inférieure :
La reconstruction inférieure de M par E restreinte à I est
________________________________________
(répétition de la dilatation conditionnelle jusquโà stabilité).
56
RECONSTRUCTION
Exemple 1d :
INFÉRIEURE
I
E
๐ผ โ๐ธ ๐
M
57
RECONSTRUCTION
Exemple 2d :
INFÉRIEURE
M
I
_________
58
RECONSTRUCTION
INFÉRIEURE
Exemple 2d :
La valeur de ce pixel P est 85.
Imaginons que I soit un relief
montagneux où vous vous
promenez.
I
๐ผ โฮ4 ๐
Vous partez des points de M, et vous
voulez aller vers P en descendant le
moins possible dโaltitude.
Dans le meilleur des cas, vous
devrez nécessairement descendre à
lโaltitude 85 pour rejoindre P.
59
RECONSTRUCTION
INFÉRIEURE
Que se passe-t-il si on ajoute un chemin « haut » entre M et P
?
I
๐ผ โฮ4 ๐
Le chemin haut permet à lโalgorithme de faire un détour pour
atteindre certains pixels de lโimage : la reconstruction possède
des zones plus claires.
60
RECONSTRUCTION
INFÉRIEURE
Que se passe-t-il si on « creuse » le relief à certains endroits ?
I
En creusant le relief,
on force lโalgorithme à
devoir descendre plus
bas pour accéder à
certains pixels : la
reconstruction
possède des zones
๐ผ โ๐ธplus
๐ foncées.
Iโ
๐ผโฒ โฮ4 ๐
61
LโOUVERTURE
PAR RECONSTRUCTION
Lโouverture par reconstruction consiste à réaliser une
ouverture, puis une reconstruction de lโimage de départ à partir
de son ouvert :
Soit ๐ผ: ๐ด โ โค๐ โ ๐ต, et soient ๐ธ, ๐น โ โค๐ , lโouverture par
reconstruction (sous F) de I par E est
______________________________________________
_____
Généralement, F (utilisé pour la reconstruction) sera un
élément structurant de voisinage (ฮ4 , ฮ8 , โฆ).
62
LโOUVERTURE
PAR RECONSTRUCTION
Exemple 1d :
F
E
I
๐ผ โ ๐ธ = ๐ผ โฮ4 ๐ธ
En 1d, la reconstruction après lโouverture ne sert à rienโฆ
63
LโOUVERTURE
Exemple 2d :
PAR RECONSTRUCTION
E
๐ผ โฮ4 ๐ธ
I
๐ผโ๐ธ
64
LโOUVERTURE
PAR RECONSTRUCTION
Exemple 2d :
Im = imread('pills.png');
El = strel('square', 5);
Op = imopen(Im, El);
R = imreconstruct(Op, Im);
๐ผ๐
๐ผ๐ โ 2ฮ8
๐ผ๐ โฮ4 2ฮ8
65
Chapitre
4
RECONSTRUCTION
Section
SUPÉRIEURE ET
FERMETURE PAR RECONSTRUCTION
2
RECONSTRUCTION
SUPÉRIEURE
Nous procédons comme dans la section précédente :
Soient ๐ผ, ๐: ๐ด โ โค๐ โ ๐ต, et soit ๐ธ โ โค๐ ,
lโérosion conditionnelle de M par E restreinte à I est
๐ โ๐ผ ๐ธ = ๐ โ ๐ธ โจ ๐ผ
67
RECONSTRUCTION
SUPÉRIEURE
On peut itérer lโérosion conditionnelle :
Soient ๐ผ, ๐: ๐ด โ โค๐ โ ๐ต, et soit ๐ธ โ โค๐ , on notera
(๐ โ๐ผ ๐ธ)๐ = (( ๐ โ๐ผ ๐ธ โ๐ผ ๐ธ) โฆ โ๐ผ ๐ธ) (n fois)
Ce qui nous amène à la reconstruction supérieure :
La reconstruction supérieure de M par E restreinte à I est
๐ผ ๐ป๐ธ ๐ = (๐ โ๐ผ ๐ธ)โ
(répétition de lโérosion conditionnelle jusquโà stabilité).
68
RECONSTRUCTION
Exemple 1d :
I
SUPÉRIEURE
E
M
๐ผ ๐ป๐ธ ๐
69
RECONSTRUCTION
SUPÉRIEURE
Exemple 2d :
M
I
๐ผ ๐ปฮ4 ๐
Cette technique permet de ________________________
70
RECONSTRUCTION
Exemple 2d :
SUPÉRIEURE
La valeur de ce pixel P est 217.
Imaginons que I soit un relief
montagneux où vous vous
promenez.
I
Vous partez des points de M (ici, ce
sont les points à 0 de M qui nous
intéressent, donc les points du
bord de lโimage), et vous voulez
aller vers P en montant le moins
possible en altitude.
๐ผ ๐ปฮ4 ๐ Dans le meilleur des cas, vous
71
RECONSTRUCTION
INFÉRIEURE
Que se passe-t-il si on creuse un peu entre M et P ?
I
๐ผ โฮ4 ๐
Ca ne change pas beaucoup le résultat, car il faudra toujours
monter aussi haut pour atteindre le pixel P.
72
RECONSTRUCTION
INFÉRIEURE
Que se passe-t-il si on construit une chaîne de montagnes
autour de P ?
I
๐ผ โฮ4 ๐
Pour aller de M à P, il faudra monter plus haut :
__________________
________________________________________________
73
RECONSTRUCTION
INFÉRIEURE
Que se passe-t-il si on construit une tranchée pour aller à P ?
I
๐ผ โฮ4 ๐
Pour aller de M à P, on peut trouver un chemin (plus long) qui
reste bas : on peut atteindre P en montant moins en altitude. La
valeur de P dans lโimage reconstruite est plus basse.
74
LA
FERMETURE PAR RECONSTRUCTION
La fermeture par reconstruction consiste à réaliser une
fermeture, puis une reconstruction de lโimage de départ à partir
de son fermé :
Soit ๐ผ: ๐ด โ โค๐ โ ๐ต, et soient ๐ธ, ๐น โ โค๐ , la fermeture par
reconstruction (sous F) de I par E est
๐ผโฆ๐น ๐ธ = ๐ผ ๐ป๐น ๐ผโฆ๐ธ
Généralement, F (utilisé pour la reconstruction) sera un
élément structurant de voisinage (ฮ4 , ฮ8 , โฆ).
75
LA
FERMETURE PAR RECONSTRUCTION
Exemple 2d :
Im = imread('pills.png');
El = strel('square', 5);
Cl = imclose(Im, El);
R = imreconstruct(255-Cl, 255-Im);
R = 255-R;
๐ผ๐
๐ผ๐โฆ2ฮ8
๐ผ๐โฆฮ4 2ฮ8
76
Chapitre
4
Section
Propriétés des filtres par
reconstruction
3
PROPRIÉTÉS DES FILTRES PAR
RECONSTRUCTION
Dans une image en niveau de gris, une zone plate est une composante
connexe de pixels ayant le même niveau de gris.
Ex : Décomposer cette image en zones plates (en considérant la 8connexité) (chaque zone plate possède une lettre différente).
2
3
5
2
3
2
3
5
2
3
2
2
2
1
3
2
1
1
1
3
4
1
1
4
4
I
Zones plates de I
78
PROPRIÉTÉS DES FILTRES PAR
RECONSTRUCTION
A une image en niveau de gris, on associe comme
partitionnement naturel sa décomposition en zones plates.
Tous les filtres par reconstruction sont des filtres
___________: ils fusionnent des zones plates.
79
PROPRIÉTÉS DES FILTRES PAR
RECONSTRUCTION
Les filtres par reconstruction possèdent aussi une propriété de
croissance vis-à-vis de lโélément structurant et de la partition :
plus lโélément structurant utilisé est grand, et plus des
zones plates de lโimage auront été fusionnées.
Soit ๐ผ: ๐ด โ โค๐ โ ๐ต, soient ๐ธ, ๐น โ โค๐ , et soit ๐น un filtre par
reconstruction dépendant dโune image et dโun élément
structurant.
Si ๐ธ โ ๐น, alors ๐(ฮจ ๐ผ, ๐ธ ) ______________________๐(ฮจ ๐ผ, ๐น ).
80
PROPRIÉTÉS DES FILTRES PAR
RECONSTRUCTION
Ouverture par reconstruction : taille de lโélément struct. et
zones plates
๐ผ
๐ผ โฮ4 12ฮ8
๐ผ โฮ4 25ฮ8
๐ผ โฮ4 50ฮ8
53218 zones plates 39223 zones plates 28008 zones plates 14034 zones plat
81
Chapitre
5
Filtres avancés
Chapitre
5
Section
ASF en niveau de gris
1
ASF
EN NIVEAU DE GRIS
Comme en binaire, les ASF en niveau de gris sont une
séquence dโouvertures et de fermetures.
Soit ๐ผ: ๐ด โ โค๐ โ ๐ต et ๐ธ โ โค๐ ,
๐
๐ด๐๐น๐๐,๐ธ
๐ผ = ((((((๐ผ โ ๐ธ) โข ๐ธ) โ 2๐ธ) โข 2๐ธ) โฆ โ ๐๐ธ) โข ๐๐ธ)
๐
๐ด๐๐น๐๐,๐ธ
๐ผ = ((((((๐ผ โข ๐ธ) โ ๐ธ) โข 2๐ธ) โ 2๐ธ) โฆ โข ๐๐ธ) โ ๐๐ธ)
Ces transformations sont généralement indiquées dans le cas
de présence de bruit additif et soustractif.
84
ASF
EN NIVEAU DE GRIS
Exemple : retirer du bruit avec seulement un ouverture et une
fermeture
Im = imread('chien_bruit.png');
Im =
2));
imopen(Im,
strel('diamond',
Im = imclose(Im, strel('diamond',
15));
๐ผ๐
(๐ผ๐ โ 2ฮ4 ) โข 15ฮ4
85
ASF
EN NIVEAU DE GRIS
Im =
Exemple : retirer du bruit avec une ASF
imread('chien_bruit.png');
for i=1:2
El = strel('diamond', i);
Im = imopen(Im,El);
Im = imclose(Im,El);
end
๐ผ๐
El = strel('diamond', 11);
Im = imclose(Im,El);
__________________________
86
ASF
PAR RECONSTRUCTION
Les ASF par reconstruction permettent de « simplifier » une
image en diminuant le nombre de zones plates.
Soit ๐ผ: ๐ด โ โค๐ โ ๐ต et ๐ธ โ โค๐ ,
๐
๐ด๐๐น๐๐,๐ธ,๐น
๐ผ = ((((( ๐ผ โ๐น ๐ธ โข๐น ๐ธ) โ๐น 2๐ธ) โข๐น 2๐ธ) โฆ โ๐น ๐๐ธ) โข๐น ๐๐ธ)
๐
๐ด๐๐น๐๐,๐ธ,๐น
๐ผ = ((((( ๐ผ โข๐น ๐ธ โ๐น ๐ธ) โข๐น 2๐ธ) โ๐น 2๐ธ) โฆ โข๐น ๐๐ธ) โ๐น ๐๐ธ)
Comme on utilise une ASF et des reconstructions, lโaction
fusionne des petites montagnes (ouverture par recons.) et des
petites vallées (fermeture par recons.), puis continue en
sโattaquant à des structures plus grandes.
87
ASF
EN NIVEAU DE GRIS
Exemple : retirer du bruit avec une ASF par reconstruction
Im = imread('chien_bruit.png');
for i=1:2
El = strel('diamond', i);
M = imopen(Im,El);
Im = imreconstruct(M,Im,4);
M = imclose(Im,El);
๐ผ๐
Im
Im,4);
=
imreconstruct(255-M,255-
Im = 255-Im;
end
Im =
2));
2
๐ด๐๐น๐๐,ฮ
4 ,ฮ4
๐ผ๐ โ 2ฮ4 โข 4ฮ4
imopen(Im,
strel('diamond',
Im = imclose(Im, strel('diamond',
4));
ASF
PAR RECONSTRUCTION
Les ASF par reconstruction fusionnent les zones plates dโune image
de façon plus efficace quโune simple ouverture ou fermeture par
reconstruction.
๐ผ
53218 zones plates
5
๐ด๐๐น๐๐,ฮ
๐ผ
8 ,ฮ8
30838 zones plates
17
๐ด๐๐น๐๐,ฮ
๐ผ
8 ,ฮ8
18011 zones plates
40
๐ด๐๐น๐๐,ฮ
๐ผ
8 ,ฮ8
7299 zones plates
Chapitre
5
Section
2
H-extrema et extrema régionaux
H-EXTREMA
Le but des h-extrema est de supprimer des montagnes (ou des vallées)
dont la hauteur (ou profondeur) est inférieure à h. Cโest un filtre basé
non pas sur la taille des éléments (largeur), mais sur leur hauteur.
Commençons par les h-maxima : comment supprimer, dans le signal
1d ci-dessous, les montagnes de hauteur inférieure à 30 ?
E
30
๐ผ
๐ผ โ๐ธ (๐ผ โ 30)
๐ผ-30
91
H-EXTREMA
On peut définir la transformation h-maxima :
Soient ๐ผ: ๐ด โ โค๐ โ ๐ต, ๐ธ โ โค๐ et โ โ ๐ต, le h-maxima de I
(sous E) est
________________________________
Le h-minima se définit de la même manière :
Soient ๐ผ: ๐ด โ โค๐ โ ๐ต, ๐ธ โ โค๐ et โ โ ๐ต, le h-minima de I
(sous E) est
_________________________________________
92
H-EXTREMA
Exemple : retirer du bruit
๐ผ๐
๐ป๐๐ด๐30,ฮ8 ๐ผ๐
๐ป๐๐ด๐50,ฮ8 ๐ผ๐
On peut retirer du bruit avec cette transformation : elle détruit les
montagnes trop basses (le bruit) mais abaisse aussi le niveau
des autres montagnes (perte de contraste).
Lโintérêt de cette transformation réside dans les extremas
93
EXTREMA
RÉGIONAUX
Un
maximum
(minimum)
_____________________
régional
est
une
__________________________________________________
_____.
Ex :
94
EXTREMA
RÉGIONAUX
Comment obtenir les maxima régionaux ?
Un maximum régional est une zone plate qui nโest pas
adjacente à une zone plate de plus haute altitude -> cโest donc
le sommet dโune montagne de lโimage.
Une transformation h-max, avec h=1, supprimera tous les
sommets de toutes les montagnes.
Le résidu dโune telle transformation permettra de récupérer
les sommets des montagnes, donc les maxima régionaux.
95
EXTREMA
E
RÉGIONAUX
๐ผ๐
๐ป๐๐ด๐1,๐ธ (๐ผ๐)
๐ผ๐
๐ป๐๐ด๐1,๐ธ (๐ผ๐)
๐ผ๐ โ ๐ป๐๐ด๐1,๐ธ (๐ผ๐)
96
EXTREMA
RÉGIONAUX
On peut définir la transformation de maximum et minimum
régional :
Soient ๐ผ: ๐ด โ โค๐ โ ๐ต et ๐ธ โ โค๐ ,
_____________________________ (maximum
régional)
____________________________ (minimum régional)
97
EXTREMA
RÉGIONAUX
:
APPLICATIONS
Les extrema régionaux des h-maxima (ou minima) permettent
de récupérer des objets dโintérêt dans une imageโฆ
๐
๐๐ด๐ฮ8 (๐ป๐๐ด๐20,ฮ8 ๐ผ๐ )
๐ผ๐
Pourquoi des tâches blanches apparaissent ?
๐
๐๐ด๐ฮ8 (๐ป๐๐ด๐30,ฮ8 ๐ผ๐ )
98
EXTREMA
RÉGIONAUX
:
APPLICATIONS
E
๐ผ๐
A h=30, on identifie trois extremas régionaux
intéressantsโฆ
๐ป๐๐ด๐30,๐ธ ๐ผ๐
๐
๐๐ด๐๐ธ (๐ป๐๐ด๐30,๐ธ ๐ผ๐ )
๐ผ๐
A h=90, on identifie deux extremas régionaux trop
larges
๐ป๐๐ด๐90,๐ธ ๐ผ๐
๐
๐๐ด๐๐ธ (๐ป๐๐ด๐90,๐ธ ๐ผ๐ )
EXTREMA
RÉGIONAUX
:
APPLICATIONS
Au fur et à mesure que h augmente, on coupe de plus en plus
les montagnes de lโimage. Certains maximas régionaux
deviennent plus larges.
Cependant, à la limite de la disparition, ces maximas peuvent
aussi se fusionner avec des zones plates de lโimage (qui
nโétaient pas intéressantes), donnant ces tâches blanches qui
apparaissent parfois.
Conclusion : faire croître le paramètre h permet de supprimer
des maximas régionaux insignifiants, mais rend certains
maximas régionaux trop larges dans le résultat.
100
EXTREMA
RÉGIONAUX
:
APPLICATIONS
Pour résoudre ce problème, on peut additionner les maximaux
régionaux des différents h-maxima obtenus, et seuiller le
résultatโฆ
๐ผ๐
Seuil de ๐
à 15
๐
= ______________________________________
101
Chapitre
5
Section
La ligne de partage des eaux
3
LA
LIGNE DE PARTAGE DES EAUX
La ligne de partage (watershed en anglais) des eaux consiste,
à partir de marqueurs M représentant des lacs, et dโun relief R,
à faire monter le niveau de lโeau et de trouver les endroits W où
les lacs se rejoignent.
W
R
M
103
LA
LIGNE DE PARTAGE DES EAUX
On souhaite extraire les frontières des cellules
Les lacs de départ (traits blancs) repèrent les cellules et le fond de lโimage. Le relief
de propagation est le gradient de lโimage (la frontière souhaitée est alors une
montagne, non pas un escarpement).
104
LA
LIGNE DE PARTAGE DES EAUX
Im = imread('cell.png');
M = imread('marker.png');
El = strel('square', 7);
Relief = imdilate(Im, El) - Im;
๐ผ๐
๐
%On doit forcer les lacs de départ à
être les seuls minimaux régionaux de
Relief
%On procède à une reconstruction
supérieure de Relief à partir de M
%Cโest à cause de la ligne de
partage
des
eaux,
bizarrement
implémentée dans Matlab
Relief = 255- Relief;
Relief = imreconstruct(M, max(Relief
,M));
Relief = 255- Relief;
๐
๐๐๐๐๐
๐
S = watershed(Relief);
105
LA
LIGNE DE PARTAGE DES EAUX
En conclusion, la ligne de partage des eaux permet de
segmenter (trouver les frontières) dโobjets dans une image.
La fonction de relief est souvent le gradient de lโimage.
La tâche difficile consiste à trouver de bons marqueurs pour les
objets (par trop, pas trop peu, pour obtenir les bonnes
frontières). Il faut bien analyser le problème, et utiliser les outils
de morphologie vu précédemment.
106