cours2

Filtrage
❑ Le principal objectif du filtrage est de prétraiter une image afin que l’image filtrée
soit plus adaptée que l’image originale pour une application spécifique.
❑ Différentes méthodes de filtrage ont été développées pour réduire le bruit,
rehausser des contours, calculer certaines caractéristiques de l’image (gradient,
laplacien).
❑ Catégories :
- linéaire / non-linéaire
- passe-bas / passe-haut
Filtre linéaire
• Le filtre linéaire (Convolutions)
• Un opérateur F de traitement d’images transforme une Image I en
Image F(I).
Convolution
L’équation générale de la convolution, notée g(x):
g(x) = f(x) * h(x)
f(x) est la fonction d’origine .

g(x) est la fonction convoluée (résultat de convolution).
h(x) est appelé masque de convolution, fenêtre, kernel .. .
Convolution
• La convolution consiste à balayer l’image avec le masque.
Balayage de
convolution
Image
Convolution 2D
Filtres Linéaires: Lissage
• Le lissage est une opération fondamentale en traitement d’images, qui

permet de supprimer les petits détails dans une image.
• L’effet du lissage est d’engendrer du flou sur l’image.

Lissage: Filtre moyeuneur
• Les filtres moyenneurs calculent la moyenne, éventuellement
pondérée, des pixels situés dans le voisinage de chaque pixel. Cette
famille de filtres permet de réduire le bruit dans l'image, ce qui rend
les zones homogènes plus lisses.
Avec un filtre moyenneur de paramètre k=3, pour calculer la nouvelle valeur du
pixel rouge (de valeur 123, situé à : ligne 3, colonne 3) de l’image originale de
gauche, on calcule la valeur moyenne des pixels situés dans un carré de dimension
3×3 centré sur ce pixel. Cela donne la nouvelle valeur du pixel sur l’image
transformée (pixel vert sur l’image de droite, à la même position) :
(42 + 111 + 154) + (23 + 123 + 176) + (63 + 145 + 134)

= 108
9
Lissage: Filtre Gaussien
• Les coefficients d’un masque de lissage peuvent être donner par une
fonction mathématique gaussienne:
Le filtre gaussien donne un meilleur lissage et une meilleure réduction du

bruit que le filtre moyenneur.
Filtres non linéaires: Le filtre médian
• Le filtre médian est un filtre numérique non linéaire, souvent utilisé
pour la réduction de bruit.
• La réduction de bruit est une étape de prétraitement classique visant à
améliorer les résultats de traitements futurs (détection de bords par
exemple).
• La technique de filtre médian est largement utilisée en traitement
d’images numériques car il permet sous certaines conditions de réduire
le bruit tout en conservant les contours de l'image.
Le filtre médian
• L'idée principale du filtre médian est de remplacer chaque entrée par la valeur médiane de son
voisinage.
• Par exemple, si on considère ces neuf pixels, dont une valeur aberrante (ici 121) :
4 6 7
6 121 8
7 8 11
le filtre médian va considérer les valeurs du voisinage par valeurs croissantes :
4 6 6 7 7 8 8 11 121
et prendre la valeur médiane, ici la valeur 7. La sortie du filtre donnera donc :

4 6 7
6 7 8
7 8 11
Le filtre médian: Elimination de bruit poivre
et sel
Le bruit "poivre et sel" (ou impulsionnel ) est un type de bruit qui peut affecter une image. Il se caractérise par
l'apparition aléatoire de pixels très sombres (poivre) et très clairs (sel) dans l'image, simulant l'apparence de
grains de poivre et de sel dispersés sur une surface. Ce type de bruit peut être introduit par des imperfections
dans le processus de capture d'image ou de transmission de données.
Le filtre médian est plus adapté que le filtrage
linéaire pour réduire le bruit impulsionnel.
Exemple d’application: la reconnaissance de visage basée
sur les reseaux de neurons convolutifs (CNNs)
Réseaux de neurones convolutifs
❖ La couche de convolution
Extraction des
❖ La couche de Pooling caractéristiques
Améliorer
Typiquement l’efficacité
presentéeduà traitement
❖ La couche de correction en enjouant
appliquant le de
rôle d’unetoutfonction
Réduirefinlafiltres.
la les detaille
réseau l’image
pour en
d’activation.
conservant
construire les lesconnexions
carctérsitisques
❖ La couche Fully Connected importantes.
nécéssaires . 13
▪ Un CNN (ou Réseau de Neurones Convolutifs) est un réseau de neurones
artificiel qui comporte des couches de convolutions. Ces couches de
convolution intègrent des filtres conçus pour extraire des caractéristiques
locales, telles que des bords, des textures ou des motifs. Cette extraction vise à
capturer des informations significatives pour la tâche à accomplir.
▪ La couche de convolution : Extraction des caractéristiques en appliquant

les filtres.
▪ La couche de Pooling : Réduire la taille de l’image tout en conservant les
carctérsitisques importantes.
▪ La couche de correction : Améliorer l’efficacité du traitement en jouant le
rôle d’une fonction d’activation.
▪ La couche Fully Connected : Typiquement presentée à la fin de réseau pour
construire les connexions nécéssaires .
Les Systèmes Embarqués
un système temps réel lorsque ce système est capable de contrôler un procédé physique à une vitesse adaptée à l'évolution
du procédé contrôlé.
• Système autonme : Système qui fonctionne sans intervention
humaine
• Chaine d’information
• Un système est autonome grâce aux composants de la chaine

d’information.
Exemple d’un portail électrique : permet d’entrer et de
sortir des gens et des voitures.
Traiter
Aquérir
Actionner
Les caractéristiques d’un SE

cours2

Transféré par

Droits d'auteur :

Formats disponibles

cours2

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

cours2

Transféré par

Droits d'auteur :

Formats disponibles

Filtrage

❑ Différentes méthodes de filtrage ont été développées pour réduire le bruit,

rehausser des contours, calculer certaines caractéristiques de l’image (gradient,

• Le filtre linéaire (Convolutions)

• Un opérateur F de traitement d’images transforme une Image I en

f(x) est la fonction d’origine .

• Le lissage est une opération fondamentale en traitement d’images, qui

• L’effet du lissage est d’engendrer du flou sur l’image.

(42 + 111 + 154) + (23 + 123 + 176) + (63 + 145 + 134)

Le filtre gaussien donne un meilleur lissage et une meilleure réduction du

et prendre la valeur médiane, ici la valeur 7. La sortie du filtre donnera donc :

▪ La couche de convolution : Extraction des caractéristiques en appliquant

• Un système est autonome grâce aux composants de la chaine

Vous aimerez peut-être aussi