Scribd Logo
Importer

Bienvenue sur Scribd !

  • 2 vues

    TP°3

    Transféré par

    hamze
    tp de traitemen d'image

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd

    TP°3

    Transféré par

    hamze
    2 vues5 pages
    tp de traitemen d'image

    Copyright

    © © All Rights Reserved

    Formats disponibles

    PDF, TXT ou lisez en ligne sur Scribd

    Avez-vous trouvé ce document utile ?

    Ce contenu est-il inapproprié ?

    tp de traitemen d'image

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    2 vues5 pages

    TP°3

    Transféré par

    hamze
    tp de traitemen d'image

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    Vous êtes sur la page 1sur 5

    Vision Artificielle & Traitement d’images Master SIE/S1

    TP°3 : Manipulation d'images en Python


    Filtrage des images

    Introduction
    Lors de l’acquisition, de la transmission ou de la compression d’une image, il peut
    apparaitre de nombreuses dégradations. Un des domaines principaux en traitement d’image
    consiste à traiter et corriger ces dégradations pour obtenir une image de meilleure qualité. On
    s’intéresse ici à deux types de dégradations fréquemment rencontrées dans les images:

    Le bruit additif, qui affecte tous les pixels de l’image. Dans ce TP, nous considérerons
    un bruit blanc additif Gaussien, de moyenne nulle et de variance 𝜎 2 . Il s’agit d’un modèle
    fréquemment utilise en première approximation pour modéliser le bruit d’acquisition et de
    lecture (si l’on ne dispose pas d’un modèle plus raffine). Le bruit Gaussien affecte à la fois les
    basses et les hautes fréquences. Il est caractérisé par sa variance 𝜎 2 : plus 𝜎 2 est élevé, plus
    l’image est dégradée, l’addition du bruit gaussien aux images est effectuée par le programme
    ci-dessous.

    Le bruit impulsionnel, n’affecte que certains pixels de l’image. Dans ce TP, nous
    considérerons un bruit sel et poivre, qui est une dégradation de l’image sous la forme de
    pixels noirs et blancs repartis au hasard. Ce bruit est dû soit à des erreurs de transmission de
    données, soit à la défaillance d’éléments du capteur CCD, soit à la présence de particules fines
    sur le capteur d’images. On le caractérise par le pourcentage p de pixels modifies : plus p est
    élevé, plus l’image est dégradée, l’addition du bruit impulsionnel aux images est effectuée par
    le programme ci-dessous

    A .U. 2024/2025 -1- ENS-Meknès


    Vision Artificielle & Traitement d’images Master SIE/S1

    Notion du filtrage
    Le filtrage dans le traitement d’image est un processus qui permet de nettoyer les
    apparences et permet de mettre en surbrillance sélective des informations spécifiques. Un
    certain nombre de techniques sont disponibles et les meilleures options peuvent dépendre
    de l’image et comment elles seront utilisées. Le traitement d’image analogique et
    numérique peut nécessiter un filtrage pour produire un résultat final utilisable et attrayant.
    Cela peut être une partie courante du processus d’édition utilisé pour préparer les images à
    distribuer.

    Pourquoi filtrer
    Le filtrage d’une image est effectué pour assurer certaines fonctionnalités qui incluent :

     Eliminer ou réduire le bruit dans une image.

     Détecter les bords d’une image.

     Convolution entre une image et un filtre.

    Les filtres peuvent être séparés en deux catégories, filtres linéaires et non linéaires.

    1. Filtrage non-linéaires
    – filtres médian
     Le niveau de gris du pixel central est remplacé par la valeur médiane de tous les pixels
    de la fenêtre d'analyse centrée sur le pixel. La taille du filtre médian dépend de la
    fréquence du bruit et de la taille des détails significatifs de l'image traitée.

     Filtre mieux le bruit impulsionnel (type «poivre et sel»).

    Calcul :

     Trier les niveaux par ordre croissant.

     Donner au pixel d'analyse le niveau situé au milieu des niveaux triés.

    Exemple : La figure suivante illustre le fonctionnement d'un filtre médian de fenêtre


    d'analyse de taille 3*3 :

    A .U. 2024/2025 -2- ENS-Meknès


    Vision Artificielle & Traitement d’images Master SIE/S1

    – Filtre min – max

     Garantit que la valeur de tout pixel appartient à l'intervalle des valeurs de ses
    voisins débruitage efficace, il préserve mieux les contours que le filtre médian.

    Manipulation 1: Filtrage Non linéaire des images


    1. Lire et afficher l’image lena_bruit.jpg.

    2. Ecrire un programme qui permet de filtrer l’image « lena_bruit.jpeg » par un filtre


    médian de tailles 3x3 et 5x5.

    3. Ecrire un programme qui permet de filtrer l’image « lena_bruit.jpeg » par un filtre min
    max de taille 3x3.

    4. Comparer les résultats obtenus pour les deux filtres

    2. Filtrage linéaire
    Le filtrage linéaire d’une image s’effectue par une opération appelée convolution. Soit I
    une image numérique, soit h une fonction de [𝑥1 , 𝑥2 ] × [𝑦1 , 𝑦2 ] à valeurs réelles, la
    convolution de I par h est définie par :

    Tels que h est un noyau de convolution.

    Exemple
    Par exemple, supposons que l’image soit:

    Et le noyau de convolution est :

    Donc

    A .U. 2024/2025 -3- ENS-Meknès


    Vision Artificielle & Traitement d’images Master SIE/S1

    2.1 Filtre Moyenneur :


     Le niveau de gris du pixel central est remplacé par la moyenne des niveaux de gris des
    pixels environnants. La taille du filtre dépend de l'intensité du bruit et de la taille des
    détails significatifs de l'image traitée.

     Dépend de l'importance à donner au pixel d'analyse et à ses voisins:


     Exemples des filtres moyenneurs

     Le filtre moyenneur permet de :

     Lisser l’image (Smothing)


     Remplacer chaque pixel par la valeur moyenne de ses voisins
     Réduire le bruit et les détails non-important
     Brouille ou rendre floue l’image ( blur edges).

    2.2 Filtre Gaussien: Le filtre gaussien est un filtre linéaire isotrope spécial avec des
    propriétés mathématiques bien précises. La fonction Gaussienne est très connue dans
    la nature. La fonction Gaussienne est aussi souvent utilisée dans les distributions
    statistiques, elle est définie en 2D par :

     Prametres : Moyenne 𝜇 , écart-type 𝜎

    A .U. 2024/2025 -4- ENS-Meknès


    Vision Artificielle & Traitement d’images Master SIE/S1

    Manipulation 2: Filtrage linéaire des images

    1. Filtrer l’image « lena_bruit.jpg » par un filtre moyenneur de taille 3x3, et 5x5.


    Comparer les résultats obtenus.

    2. Filtrer la même image avec le filtre gaussien de taille 5x5 pour d’écart type =2, pour
    l’écart type = 7 et pour l’écart type = 14. Comparer les résultats obtenus.

    3. Comparer les résultats obtenus pour les deux filtres (moyenneur et gaussien).

    Manipulation 3 : Addition du bruit aux images

    1. Lire et afficher l’image rice.png.

    2. Ecrire un programme qui permet d’ajouter un bruit impulsionnel à l’image, Afficher


    l’image bruitée « rice_bruit_impu.jpg ».

    3. Ecrire un programme qui permet d’ajouter un bruit gaussien à l’image, Afficher l’image
    bruitée « rice_bruit_gaus.jpg ».

    4. Ecrire un programme qui permet de supprimer le bruit des images


    rice_bruit_impu.jpg » et « rice_bruit_gaus.jpg » par les filtres suivants : médian 3x3, min
    max 3x 3, moyenneur 3x3 et gaussien de taille 5x5 et d’écart type =2. Interpréter les
    résultats obtenus.

    A .U. 2024/2025 -5- ENS-Meknès

    Vous aimerez peut-être aussi