Rappels sur le filtrage

Le filtrage spatial d’une image I consiste à convoluer cette image considérée

comme une fonction I(x,y) avec une fonction f(x,y) appelée réponse impulsionnelle
du filtre.

Ces filtres peuvent être linéaires ou non-linéaires. Un filtre linéaire est un filtre qui
applique un opérateur linéaire au signal d’entrée. Cela signifie que le résultat du
filtrage se présente comme une combinaison linéaire des niveaux de gris d’un
voisinage de l’image. Les filtres passe-haut font ressortir les contours, les filtres
passe-bas floutent l’image. 

La convolution est souvent utilisée pour le lissage, l’accentuation et la détection des

contours. L’accentuation et la détection sont en quelque sorte les opérations
contraires du lissage : On amplifie les hautes fréquences spatiales, caractéristiques
des transitions rapides. 
La plupart du temps il faut combiner filtre non linéaire et filtre linéaire afin de détecter
ce que l'on souhaite tout en faisant abstraction du bruit.

Formule du filtrage - cas continu  :

Formule du filtrage - cas discret (cas des images numériques) : 

     

Présentation des approches classiques

Opérations sur la dérivée

On utilise les dérivées car elles éliminent les variations lentes et détectent les
variations locales d'intensité des pixels.

Méthode 1. Calcul de f’(x)

Si l'on prend l'unité comme période d’échantillonnage, les valeurs de x les plus
proches le sont pour h=1. On obtient donc une dérivée approchée du signal en
calculant f(x) – f(x-1), ce qui correspond à une convolution par la matrice [-1 1 0].

Avec un signal d'origine monodimensionnel de 7 échantillons unité provenant d'un

rectangle : 
On obtient, suite à cette convolution : 

Les bords sont détectés. On observe que cela revient à faire la différence entre le
signal et le signal décalé d’une unité vers la droite. 
Inconvénient : La transition ascendante est bonne mais la transition descendante est
décalée d’une unité vers la droite.

Méthode 2. Calcul à partir de la Méthode de Taylor

Cette méthode remédie au décalage précédemment observé. 

On a :

Soit

: 

A un facteur ½ près, on peut réaliser cette opération par convolution avec la matrice
M=[-1 0 -1]. On obtient  :
Inconvénient : Cette fois-ci, la symétrie est bonne mais la largeur des bords détectés
est double. 

On se place maintenant dans le cas d'un signal bidimensionnel. 

La matrice 3x3 réalisant la dérivation partielle horizontale (δ ∂f /δ ∂x) est :

                
La matrice 3x3 réalisant la dérivation partielle verticale (δ ∂f /δ y) est :

               

Méthode 3. Dérivée partielle seconde

On pousse la dérivée partielle de Taylor jusqu’à au second ordre pour trouver une
expression approchée de (∂(δ ² f ) /δ ∂x ²) :

En remplaçant f’ par f(x)-f(x-1) :

Au facteur 2 près on obtient la matrice : 

                 
Et, pour (∂(δ ² f ) /δ ∂y ²) : 

               
 Remarque générale sur les opérateurs de dérivation : Ils font apparaître des valeurs
négatives. On ajoute une constante positive en guise de correctif.

Deux grands types de méthodes dérivatives

On distingue donc deux types de méthodes dérivatives : celles basées sur la dérivée
première et l’extraction de ses maxima locaux, et celle basée sur la dérivée
seconde et l’extraction de ses passages par zéros. Les premières s’appuient sur
des filtres étroits basés sur le gradient, les secondes sur des filtres larges basés sur
le laplacien.

Introduction au Gradient

Définition

Le gradient, en un pixel d'une image numérique, est un vecteur caractérisé par son
amplitude et sa direction :

o L'amplitude est liée à la quantité de variation locale des niveaux de gris.

o La direction est orthogonale à la frontière qui passe au point considéré.
Calcul
 Il faut choisir deux directions privilégiées (naturellement celles associées au
maillage : ligne et colonne) orthogonales, sur lesquelles on projette le gradient. Puis
on effectue deux calculs identiques donnant le vecteur gradient en chaque point (x,y)
de l'image : 

Propriétés

o Le gradient est orthogonal et normal aux courbes de niveaux de l’image.

o La direction du gradient est orthogonale à la frontière qui passe au point
considéré et maximise la dérivée directionnelle.
o Sa norme est la valeur de cette dérivée.
o Le gradient est orienté dans le sens de croissance du champ, cette croissance
étant d’autant plus forte que la normale du gradient est importante (d’après l’inégalité
de Cauchy-Schwarz).

Introduction au Laplacien

Définition

Le laplacien est un opérateur différentiel égal à la somme de toutes les deuxièmes

dérivées partielles non mixtes d'une variable dépendante.

Calcul

Propriété

L'opérateur laplacien est linéaire.

Haut de page

Dérivation par différence finie

Filtres de dérivée première

Longueur du vecteur gradient

Calcul

A partir des propriétés du gradient, on peut considérer que le contour d’une image
correspond au gradient dont la norme est à son maximum. Le module du gradient est
défini par :

Masque associé

En appliquant la formule du gradient à une image (fonction de deux variables) on

obtient deux dérivées partielles, suivant x (colonnes) et suivant y (lignes) dont les
masques sont :

Avantages et inconvénients

Le problème est que la dérivation accentue le bruit (pixels parasites de répartition

aléatoire). Des filtres dérivés plus robustes, ont donc été proposés parmi lesquels
Roberts, Prewitt, Sobel, Kirsch, Robinson.

Roberts

Calcul

Il s’effectue sur quatre points.

Masques associés
Avantages et inconvénients

L’avantage de cet opérateur est sa rapidité; le calcul de l’amplitude consistant à faire

la somme des valeurs absolues de la différence de deux pixels. De plus, il conserve
les détails car il utilise des matrices 2x2 et donc agit localement. 
L’inconvénient de cet opérateur est son extrême sensibilité au bruit du fait de sa
petite taille.

Prewitt

Il est directionnel.

Calcul

Il s’effectue sur 9 points : On réalise la moyenne locale sur 3 points en même temps
que la dérivation.

C'est une convolution entre un opérateur de lissage et un opérateur de dérivation.

Masque associé

Inconvénient

Cet opérateur est sensible aux bruit.

Sobel
Ce filtre est directionnel.
Calcul

Le calcul s’effectue sur 9 points. Il s’agit d’une variante du filtre de Prewitt qui
privilégie le calcul suivant certaines directions (horizontale, verticale, obliques). 
On dénombre huit directions possibles : N-S ; S-N ; O-E ; E-O ; NE-SO ; SO-NE ;
NO-SE ; SE-NO. 
Ex : la dérivée NE-SO accentue les contours orientés NO-SE et engendre un effet
d’optique d’ombre portée sur l’image, comme si elle était éclaire par une lumière
rasante provenant du NO.

Masques associés

Avantages et inconvénients

Le détecteur de Sobel donnera de meilleurs résultats au prix d'une complexité de

calcul plus grande que celle de Roberts.

Kirch

Il s’agit d’une variante classique du filtrage gradient.

Calcul

La méthode proposée consiste à filtrer l’image avec 8 masques directionnels. 

L’orientation du contour (orientation du filtre + 45°) est dans ce cas déduite par le
filtre donnant le résultat le plus élevé ( qui est considéré comme représentant
l’intensité du gradient).

Masque associé
On utilise un facteur de normalisation 1/15.

Inconvénient

Le coût d'implémentation des masques directionnels est élevé.

Conclusion sur ces variantes du gradient

L'ensemble des opérateurs précédents, issus du gradient, sont moins précis que le
filtre gradient pur mais plus fiables car plus robustes.

Filtres de dérivée seconde

Masque d’approximation du Laplacien

Calcul

On a : 
Masque associé

On définit les dérivées partielles du second ordre grâce aux filtres suivants :

 
Ainsi, l'opérateur laplacien donne une approximation directe de la somme des
dérivées secondes, ce qui peut être obtenu avec la matrice sommant les deux
précédentes  : 
  
Variantes de ce filtre basées sur d'autres approximations : 

Avantages et inconvénients

Bien que la méthode du laplacien respecte les contours formés, elle reste moins
utilisée car plus sensible au bruit. 
Pour éviter le bruit, on filtre l’image I avec un filtre G le plus souvent de
typeGaussien : 

ayant pour Laplacien :  plus connu

sous le nom de "chapeau mexicain".

Le paramètre σ est destiné a régler la résolution à laquelle les contours sont

détectés. On constate sur ces images l'évolution du niveau de détail en fonction de σ
:

            
Marr et Hildreth

Cet opérateur est la combinaison d'un filtre Gaussien de paramètres de variance

sigmaX et sigmaY avec un opérateur Laplacien (4-connecté).
Il s'agit d'un détecteur de contours permettant de limiter les amplifications des hautes
fréquences des dérivées secondes par une gaussienne de variance ajustable.

Huertas et Medioni

Leur hypothese de travail est qu'au voisinage d'un passage par zero, l'image
Laplacien peut être approximée avec un polynôme de degré 3 sur les lignes et les
colonnes. Les passages par zero identiant les contours sont alors detectes de
maniere analytique à l'aide de celui-ci et non plus sur l'image Laplacien.

Comparaison Gradient/Laplacien

Illustrations

Résultats

Les deux techniques sont assez proches. Globalement, le laplacien est plus sensible
au bruit mais sa complexité est moindre surtout par rapport aux variantes
directionnelles du gradient de type Sobel ou Prewitt. En effet, le laplacien nécessite
une convolution, le gradient deux.
Au final, les points obtenus par ces deux techniques sont non-structurés, d'où la
nécessité de post-traitements. Des filtrages ultérieurs simples comme le seuillage
permettent de compenser le bruit mais leur enchainement est délicat.

Haut de page
Dérivation par filtrage optimal

Principe : les trois critères

Le résultat d'une détection de contours peut être évalué à l'oeil nu mais cela reste
alors subjectif. Trois critères objectifs de performance d'un détecteur de contours ont
été énoncés par Canny :

L’efficacité de détection

Il doit exister une faible probabilité de manquer un point de contour et de détecter un

point qui n’en est pas un. L'efficacité de la détection se définit donc comme le
quotient de la réponse du filtre à l'emplacement de la transition par la valeur efficace
du bruit après filtrage.

On a : : 
Le critère de localisation

Les points détectés comme contours doivent être aussi proches que possible des
points de contours réels. Cela revient à maximiser l'écart type de la position des
passages par zéro :

Le critère d'unicité

Un contour ne doit provoquer qu’une seule réponse de l'opérateur d'extraction, ce qui

impose de minimiser l'expression :

Opérateurs
Canny - Deriche

Calculs

L’obéissance à ces trois critères permet d’obtenir une équation différentielle dont la
solution est :
Canny impose
des conditions initiales à cette résolution d’équation mais ces dernières sont
coûteuses en implémentation. 
C’est pourquoi Dériche les a redéfinies en vue d’effectuer un traitement récursif et
donc plus rapide : l'opération de convolution est effectuée en un nombre fixe
d'opérations par point de l'image. Le détecteur optimal donne une image résultat
dans laquelle les contours seront localisés au maximum du gradient de l'image
initiale convolué avec une gaussienne de Deriche. Les conditions aux limites sont
données par : 

 
On obtient alors : a1 = a2 = a4 = c = 0.

D'où le filtre optimal : 

Inconvénients

Le filtre de Dériche est anisotrope : il détecte mieux les coutours horizontaux et

verticaux que les contours diagonaux.

De plus il ne faut l'utiliser que quand le rapport signal/bruit est inférieur à 1.

Shen – Castan

Shen et Castan ont adopté la même démarche que celle de Canny et Dériche mais
leur formalisation des critères décrivant un détecteur de contour optimal est
différente.

Calculs

Le filtre de lissage obtenu par Shen et Castan s'écrit :

 avec  et le filtre de
dérivation correspondant : 

 avec 

Le paramètre α définit la largeur du filtre : plus il est petit, plus le lissage effectué par
le filtre est important.
 Avantages et Inconvénients

Le filtre de Shen et Castan est anisotrope et très sensible au bruit. Par contre, si
l'écart-type de la gaussienne est élevé, l'opérateur sera robuste vis à vis du bruit,
mais les contours seront mal localisés. Enfin, la discontinuité d'ordre 1 au point 0 du
filtre peut entrainer la détection de contours multiples.

Haut de page
Identification des points de contour

Le calcul du gradient ou du laplacien, bien que constituant la partie essentielle de la

détection des contours, ne fournit pas directement les points de contour. 
A la fin de cette étape on obtient un classement des pixels de l’image en points
contour et points non contour. Les points contours forment entre eux et selon leur
emplacement des composantes connexes qui constituent des régions.

Point sur le seuillage

Le seuillage permet d'extraire le contour que l'on a détecté et de ne garder que les
valeurs les plus significatives. On élimine ainsi les erreurs dues au bruit de l'image
originale.

Approche gradient

Extraction des extréma locaux

On sélectionne les les passages par zéro de la dérivée de la norme du gradient dans
la direction du gradient. 
Pour cela, on détermine, pour un pixel p donné, les valeurs du gradient sur la droite
passant par p et ayant pour direction celle de son gradient. On vérifie ensuite que le
gradient en p est bien localement maximal sur cette droite.

Seuillage par hystérésis

On effectue ensuite un seuillage par hystérésis de l'image des maximums locaux

(avec valeurs de la norme du gradient)

Le principe est d'utiliser deux seuils pour la norme du gradient : Sb (seuil bas) et Sh
(seuil haut) et de sélectionner les pixels pour lesquels :

o la norme du gradient est supérieure à Sb;

o le pixel est connecté à un pixel pour lequel la norme du gradient est
supérieure à Sh par un chemin constitué de pixels dont la norme du gradient est
supérieure à Sb

Approche Laplacien

Extraction des des passages par zéro

Une fois le Laplacien calculé, on recherche ses passages par zéros et on crée une
image de ces passages. Seuls les pixels pour lesquels le laplacien change de signe
sont sélectionnés.

Seuillage

On élimine les points de trop faible gradient. 

Pour cela, on effectue un seuillage des passages par zéro. L’élimination des
passages par zéro de faible norme peut s'effectuer par :

o algorithme de seuillage quelconque. (Ex : algorithme de seuillage par

hystérésis précédemment décrit pour l'approche gradient.)
o méthodes basée sur le suivi de frontières et sur un calcul local du gradient.
Ainsi, les passages par zéro extraits définissent des lignes fermées délimitant les
régions de points connexes où le laplacien est positif ou négatif.

Paramétrage du seuillage

Les deux paramètres du seuillage par hystérésis jouent sur la détection des
contours. Le seuil bas sert à éliminer le bruit et le seuil haut permet d'écarter les faux
contours qui peuvent avoir été détectés. 
Ainsi, plus le seuil bas sera faible et le seuil haut élevé, plus il y aura de contours
détectés au détriment du bruitée. Il faut donc trouver un compromis.

Pré et post traitements

Pré-traitement

Les filtres larges de type Laplacien sont souvent précédés par des filtres passe-
bas(filtres de lissage) à large support car ils sont très sensibles au bruit. Cela facilite
le calcul de la dérivée. Pour cette opération, on choisit souvent un filtre gaussien. Or,
ce filtre a le défaut de flouter l’image. La plupart du temps il faut donc combiner
astucieusement filtre non linéaire et filtre linéaire. On peut aussi restaurer l’image
afin d'en compenser les déformations.

Post-traitement
Les filtres passe-bas ou passe-haut peuvent aussi servir de finalisation à un filtrage
pour réduire le bruit ou la quantité de détails par exemple.

On peut ensuite passer à l'étape de segmentation qui doit permettre de réaliser une

partition de l'image en ensembles connexes homogènes (régions) afin de faciliter
leur liaison et d'opérer à une « fermeture des contours ».

Le principe de ces méthodes consiste à prolonger les extrémités des chaînes

ouvertes (composantes connexes) générées par l’extraction des points contour. Pour
cela, on va utiliser la direction estimée du contour au point extrémité afin de
déterminer les points voisins candidats au prolongement du contour. Il s'agit de ceux
perturbant le moins cette direction.