Traitement des images numériques

TP 4 : Filtrage, rehaussement de contours et segmentation

Université Paris 13, Institut Galilée
Master Ingénierie et Innovations en Images et Réseaux - 1ère année
2017-2018

Consignes
• Récupérer le fichier TP4.zip sur le site

http://www.laurentoudre.fr/tin.html

• Ouvrir MATLAB et créer un répertoire de travail. Dézipper le fichier TP4.zip dans ce répertoire.
• A la fin de la séance, récupérer les scripts que vous avez écrits et les envoyer par e-mail au chargé de TP
ainsi qu’à vous même afin de les conserver pour la prochaine séance.

Rendu
• Quatre fichiers : TP4Partie1.m, TP4Partie2.m, TP4Partie3.m, TP4Partie4.m et TP4Partie5.m Chaque
fichier doit contenir votre nom, votre prénom et la date.
• Compte-rendu succinct à rendre à la fin de la séance, contenant les observations, commentaires et réponses
aux questions. Le compte rendu doit contenir votre nom et votre prénom.

Plan de l’étude
1 Réhaussement de contours 2
1.1 Rappels de cours . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Etude sous MATLAB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

2 Segmentation d’image 3
2.1 Segmentation par seuillage de valeurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Segmentation par détection de contours . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.3 Fusion des deux méthodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.4 Décomposition QuadTree pour la segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

Laurent Oudre, Gabriel Dauphin, Azeddine Beghdadi 1

1 Réhaussement de contours
1.1 Rappels de cours
Le but de la détection de contours est de repérer les points d’une image numérique qui correspondent à un
changement brutal de l’intensité lumineuse. Ces changements de propriétés de l’image traduisent en général
des événements importants ou des formes qu’il est important de détecter. Certaines méthodes de détection
de contours utilisent des filtres (linéaires ou pas), qui vont permettre de mettre en évidence les contours : on
appelle cette tâche le réhaussement de contours.
Nous allons étudier ici le problème du réhaussement des contours grâce au filtrage linéaire. Ces filtres
sont définis par leur masque h(m, n) de taille Mh × Nh . A l’inverse des filtres vus dans le TP3, les filtres
réhausseurs de contours sont des passe-bande ou des passe-haut, c’est-à-dire qu’ils laissent les moyennes ou les
hautes fréquences presque inchangées et qu’ils atténuent les basses fréquences.
Ces filtres vont être conçus pour mettre en évidence des changements brutaux d’amplitude dans une direction
donnée. Nous allons considérer deux types de filtres :
• Les filtres du premier ordre (gradient et Sobel) sont basés sur un calcul de dérivée. Les contours (dans
la direction définie par le masque) sont visibles dans l’image filtrée car ils correspondent aux pixels ayant
des amplitudes élevées (en valeur absolue)
• Les filtres du second ordre (laplacien et LOG) sont basés sur un calcul de dérivée seconde. Cette fois-ci,
les contours correspondent dans l’image filtrée à des transitions entre des valeurs négatives et positives.
Certains filtres vont produire des amplitudes élevées pour les changements foncé vers clair, d’autres pour les
changements clair vers foncé, et d’autres pour les deux types de changements. Attention, même si l’image
originelle prend des valeurs entre 0 et 1, l’image filtrée peut comporter des coefficients négatifs ou supérieurs
à 1. Il faudra donc souvent retraiter l’image filtrée avant de l’afficher (par exemple en en prenant la valeur
absolue, ou en utilisant la commande mat2gray déjà utilisée dans le TP précédent).

1.2 Etude sous MATLAB

1. Créer sous MATLAB un script vide nommé TP4Partie1.m
2. Créer une image X de taille 256 × 256 représentant un carré gris clair sur un fond gris foncé. Le carré se
situera vers le milieu de l’image.
3. Filtres gradients.  
  1
h1 = 1 −1 h2 =
−1
(a) Appliquer le filtre de masque h1 et stocker l’image filtrée dans la matrice Y1. Afficher sur la même
figure X, mat2gray(abs(Y1)) et mat2gray(Y1). Dans quelle direction ce filtre réhausse-t-il les con-
tours ? Est-il sensible aux transitions clair/foncé, foncé/clair ou aux deux ?
(b) Appliquer le filtre de masque h2 et stocker l’image filtrée dans la matrice Y1. Afficher sur la même
figure X, mat2gray(abs(Y2)) et mat2gray(Y2). Dans quelle direction ce filtre réhausse-t-il les con-
tours ? Est-il sensible aux transitions clair/foncé, foncé/clair ou aux deux ?
4. Filtres de Sobel.
       
1 0 −1 2 1 0 1 2 1 0 1 2
h3 = 2 0 −2 h4 = 1 0 −1 h5 =  0 0 0 h6 = −1 0 1
1 0 −1 0 −1 −2 −1 −2 −1 −2 −1 0
(a) Appliquer le filtre de masque h3 et stocker l’image filtrée dans la matrice Y3. Afficher sur la même
figure X, mat2gray(abs(Y3)) et mat2gray(Y3). Dans quelle direction ce filtre réhausse-t-il les con-
tours ? Est-il sensible aux transitions clair/foncé, foncé/clair ou aux deux ? Comparer les résultats
avec ceux du filtre h1.
(b) Appliquer le filtre de masque h4 et stocker l’image filtrée dans la matrice Y4. Afficher sur la même
figure X, mat2gray(abs(Y4)) et mat2gray(Y4). Dans quelle direction ce filtre réhausse-t-il les con-
tours ? Est-il sensible aux transitions clair/foncé, foncé/clair ou aux deux ?
(c) Appliquer le filtre de masque h5 et stocker l’image filtrée dans la matrice Y5. Afficher sur la même
figure X, mat2gray(abs(Y5)) et mat2gray(Y5). Dans quelle direction ce filtre réhausse-t-il les con-
tours ? Est-il sensible aux transitions clair/foncé, foncé/clair ou aux deux ? Comparer les résultats
avec ceux du filtre h2.

Laurent Oudre, Gabriel Dauphin, Azeddine Beghdadi 2

 (d) Appliquer le filtre de masque h6 et stocker l’image filtrée dans la matrice Y6. Afficher sur la même
figure X, mat2gray(abs(Y6)) et mat2gray(Y6). Dans quelle direction ce filtre réhausse-t-il les con-
tours ? Est-il sensible aux transitions clair/foncé, foncé/clair ou aux deux ?
5. Filtre laplacien.  
0 1 0
1
h7 = 1 −4 1
8
0 1 0
Appliquer le filtre de masque h7 et stocker l’image filtrée dans la matrice Y7. Afficher sur la même figure
X, mat2gray(abs(Y7)) et mat2gray(Y7). Dans quelle direction ce filtre réhausse-t-il les contours ?
6. Filtre LOG. Le filtre de Marr et Hildreth, aussi appelé LOG pour Laplacien du[Of] Gaussien est très
utilisé pour détecter les contours car il permet de résoudre certains problèmes rencontrés avec le filtre
laplacien. En effet, le filtre laplacien réalise une double dérivation, qui est extremement sensible au bruit.
L’idée est donc d’appliquer le laplacien non pas directement sur l’image, mais sur une image déjà filtrée
par un filtre Gaussien (donc potentiellement débruitée). Le filtre LOG dépend donc d’un paramètre σ
qui est l’écart-type du filtre Gaussien appliqué en pré-traitement. On choisit σ de façon à réduire l’effet
nuisible dû au bruit.
Pour construire le masque d’un filtre LOG, on utilise comme d’habitude la fonction fspecial de MATLAB :

h = fspecial('log',[5 5],1); % Filtre LOG de taille 5 x 5 et d'ecart type 1

(a) Appliquer un filtre LOG de taille 15 × 15 et d’écart-type σ = 1 (dont on stockera le masque dans h8)
et stocker l’image filtrée dans la matrice Y8. Afficher sur la même figure X, mat2gray(abs(Y8)) et
mat2gray(Y8). Dans quelle direction ce filtre réhausse-t-il les contours ?
(b) Faire varier la valeur de σ et commenter.
(c) Comparer les résultats du filtre laplacien et du filtre LOG.

7. Relancer tout votre script, en définissant cette fois-ci X comme l’image cameraman.tif renormalisée.
Commenter les résultats obtenus.
8. Appliquer pour chacun des filtres définis ci-dessus, la commande AffichageFiltrage(X,h) déjà utilisée
au TP3, pour afficher les spectres de l’image originelle, de l’image filtrée ainsi que la réponse en fréquence
du filtre. Commenter les réponses fréquentielles des différents filtres. Attention, l’image filtrée présentée
ici n’est pas retraitée (pas de valeur absolue ni de mat2gray), ce qui explique que tous les coefficients
négatifs soient mis à 0 (noir), et que tous les coefficients supérieurs à 1 soient mis à 1 (blanc).

La fonction AffichageFiltrage(X,h) fournie réalise les étapes suivantes :

• Prend en entrée une image renormalisée X, et un masque de convolution h
• Calcule l’image filtrée Y
• Affiche sur la même image, de gauche à droite et de haut en bas :
• L’image originelle (en haut à gauche)
• Le spectre de l’image originelle en échelle linéaire (en haut au milieu gauche)
• Le spectre de l’image filtrée en échelle linéaire (en haut au milieu droit)
• La réponse en fréquence du filtre en échelle linéaire (en haut à droite)
• L’image filtrée (en bas à gauche)
• Le spectre de l’image originelle en échelle logarithmique (en bas au milieu gauche)
• Le spectre de l’image filtrée en échelle logarithmique (en bas au milieu droit)
• La réponse en fréquence du filtre en échelle logarithmique (en bas à droite)

2 Segmentation d’image
La segmentation d’image est une opération de traitement d’images qui a pour but de rassembler des pixels entre
eux suivant des critères pré-définis. Les pixels sont ainsi regroupés en régions, qui constituent un pavage ou une
partition de l’image. Il peut s’agir par exemple de séparer les objets du fond. Il existe de nombreux types de
méthodes de segmentation d’image : certaines sont basées sur les contours, d’autres sur un seuillage des pixels
en fonction de leur intensité, d’autres découpent l’image en régions connexes , etc....
Nous allons ici considérer une image composée de pièces de monnaie sur un fond relativement uniforme, et
tenter de segmenter cette image avec différentes techniques.

Laurent Oudre, Gabriel Dauphin, Azeddine Beghdadi 3

2.1 Segmentation par seuillage de valeurs
Nous allons dans un premier temps réaliser une segmentation grâce à un seuillage des valeurs des pixels. Notre
but ici est que les pièces apparaissent en blanc et que le fond devienne noir. Nous allons donc créer une image
binaire booléenne, composée uniquement de 0 et de 1. Nous allons donc définir deux seuils Tmin et Tmax : tous
les pixels dont la valeur sera comprise entre Tmin et Tmax seront mis à 1 (blanc), tandis que tous les autres
seront mis à 0 (noir). La question restante est donc : comment choisir ces seuils ?

1. Créer sous MATLAB un script vide nommé TP4Partie2.m

2. Ouvrir l’image coins.png, la stocker dans une matrice X et la renormaliser. Afficher l’image.
3. Tracer l’histogramme de l’image (avec un pas de 0.001) et identifier les différents pics de l’histogramme.
Quelles sont les zones correspondant au fond ? aux pièces ?

Pour calculer et tracer un histogramme d’une image renormalisée sous MATLAB, on peut utiliser :

bins = 0:0.001:1; % Liste des niveaux de gris que l'on veut considerer
[h]=hist(X(:),bins); % Cree l'histogramme pour les niveaux definis dans le vecteur bins
bar(bins,h); % Trace l'histogramme sous forme de barres

4. En observant l’histogramme, déterminer les seuils Tmin et Tmax à utiliser.

5. Créer une image binaire booléenne X bin de même taille que X, valant 1 pour les pixels de X compris entre
Tmin et Tmax et 0 sinon. La zone correspondant au fond sera donc noire, et les zones correspondant aux
pièces seront blanches. Afficher X et X bin sur la même figure.

Pour créer une matrice booléenne sous MATLAB, il suffit d’écrire une condition portant sur une matrice : tous les
pixels pour lesquels cette condition est vraie seront mis à 1, et tous les autres à 0.

X bin = (X>0.1);
% X bin a la meme taille que X : tous les pixels de X superieurs a 0.1
% sont mis a 1 dans X bin, les autres sont mis a 0
X bin= (X>0.1 & X<0.3);
% X bin a la meme taille que X : tous les pixels de X compris entre 0.1 et 0.3
% sont mis a 1 dans X bin, les autres sont mis a 0

6. Tester plusieurs valeurs de Tmin et Tmax jusqu’à avoir une segmentation de bonne qualité.
7. Si il reste des points isolés qui ne sont pas de la bonne couleur, nous pouvons essayer d’appliquer un
filtrage médian sur l’image X bin grâce à la commande medfilt2 (comme nous avions fait pour du bruit
poivre et sel). Réaliser cette opération : vous devriez obtenir une segmentation parfaite.

2.2 Segmentation par détection de contours

Nous allons maintenant essayer de réaliser une autre segmentation qui va se baser non pas sur les valeurs des
pixels, mais sur une détection de contours. Nous n’allons donc pas travailler sur l’image originelle, mais sur une
image filtrée ayant des contours rehaussés. Nous allons définir un seuil T : tous les pixels de l’image réhaussée
dont la valeur est supérieure à T seront mis à 1, tandis que tous les autres seronts mis à 0. Les contours des
pièces seront donc en blanc et le reste en noir.

1. Créer sous MATLAB un script vide nommé TP4Partie3.m

2. Ouvrir l’image coins.png, la stocker dans une matrice X et la renormaliser.
3. Calculer les images Y1 et Y2 correspondant au filtrage de X respectivement par les masques h1 et h2.
Calculer Y=sqrt(abs(Y1).^2+abs(Y2).^2) (pseudo-gradient). Afficher Y en utilisant mat2gray.
4. Tracer l’histogramme de Y (avec un pas de 0.001) afin de déterminer le seuil T à utiliser.

5. Créer une image Y bin de même taille que Y valant 1 pour les pixels de Y supérieurs à T et 0 sinon. Les
contours des pièces seront donc blancs et tout le reste de l’image sera noir. Afficher X et Y bin sur la
même figure.
6. Tester plusieurs valeurs de T jusqu’à voir apparaı̂tre tous les contours des pièces.

Laurent Oudre, Gabriel Dauphin, Azeddine Beghdadi 4

2.3 Fusion des deux méthodes
Nous avons étudié deux méthodes de segmentation : la première méthode nous a permis de faire une image
noire avec les pièces de couleur blanche, alors que la deuxième nous a permis de trouver les contours des pièces.
En revanche la deuxième méthode a donné de moins bons résultats : alors comment obtenir des contours de
pièces de bonne qualité ? Une des façon de résoudre le problème est de fusionner les résultats. Au lieu de
détecter les contours sur l’image originelle, nous allons détecter les contours sur l’image déjà segmentée par la
première méthode.

1. Créer sous MATLAB un script vide nommé TP4Partie4.m

2. Ouvrir l’image coins.png, la stocker dans une matrice X et la renormaliser.

3. Reprendre les commandes MATLAB pour générer l’image segmentée finale X bin du script TP4Partie2.m
4. Reprendre les commandes MATLAB pour générer l’image segmentée finale Y bin du script TP4Partie3.m,
mais en prenant en entrée l’image X bin convertie en double (et non l’image Y).
5. Afficher sur une même figure X et Y bin : le résultat doit être parfait

2.4 Décomposition QuadTree pour la segmentation

La décomposition QuadTree permet de représenter une image sous forme de blocs cohérents (souvent carrés), qui
peuvent ensuite être fusionnés pour former une segmentation (approchesplit & merge). L’idée est la suivante :
on part en général d’une image originelle de taille carrée dont la taille est une puissance de 2 (on rajoute si
besoin des pixels supplémentaires si ce n’est pas le cas). On divise l’image en 4 carrés et on regarde si chacun
des carrés formés est homogène (selon un critère à déterminer). Si le carré considéré est homogène, on passe
au carré suivant. Si le carré considéré n’est pas homogène, on le redivise en 4 carrés plus petits et on étudie
l’homogénéité de chacun des 4 petits carrés ainsi formés. Le processus est réitéré jusqu’à ce que tous les carrés
soient homogènes, ou que les carrés atteignent une taille suffisamment petite (par exemple 2 × 2).
Cet algorithme de décomposition prend donc en entrée deux paramètres : la taille minimale d’un carré
(critère d’arrêt), et un critère d’homogénéité. On peut par exemple décider qu’un carré est homogène si l’écart
type des pixels le composant est inférieur à un seuil. On peut également s’intéresser à l’écart entre le pixel ayant
la valeur la plus élevé et le pixel ayant la valeur la plus faible, et décider que le carré est homogène si cet écart
ne dépasse pas un seuil.
Une fois cette décomposition réalisée (phase split ), la segmentation consiste à fusionner (phase merge) les
carrés qui se ressemblent afin de former une segmentation.
La fonction splitmerge.m fournie réalise ces deux étapes et montre d’une part la décomposition en carrés
qui a été faite, et d’autre part la segmentation effectuée.

1. Créer sous MATLAB un script vide nommé TP4Partie5.m

2. Ouvrir l’image coins.png, la stocker dans une matrice X et la renormaliser.
3. Tester la fonction splitmerge.m sur l’image X, en choisissant une taille minimale de 2 pixels, et le critère
d’homogénéité par défaut.

Pour lancer la fonction splitmerge.m on utilisera les commandes suivantes :

taille min=2;
splitmerge(X,taille min,@predicate);
La fonction predicate.m contient le critère définissant la condition pour qu’un carré soit subdivisé. Un exemple est
proposé par défaut, mais vous pouvez essayer de faire varier ce critère.

4. Faire varier le critère d’homogénéité dans la fonction predicate.m et commenter les résultats.

Laurent Oudre, Gabriel Dauphin, Azeddine Beghdadi 5