exposé en ondelettes
DESCRIPTION
Exposé en Ondelettes . Titre : TOC 2D et leurs application dans la détection de contour. Présenter par : Mounir GRARI Najlae KORIKACHE. Plan. la transformée de Fourier 2D Ondelette, et famille d’Ondelettes 2D Transformée en ondelettes directionnelles - PowerPoint PPT PresentationTRANSCRIPT
1
Exposé en Ondelettes
Titre : TOC 2D et leurs application dans la détection de contour
Présenter par :Mounir GRARINajlae KORIKACHE
2
Plan• la transformée de Fourier 2D
• Ondelette, et famille d’Ondelettes 2D
• Transformée en ondelettes directionnelles
• Algorithme de détection de contours dans une image :– Diversité des approches face au problème de la détection des arêtes :– Le détecteur multi-échelles de Canny :– Implémentation par convolution de gaussienne :– Test sur des images réel :
• Comparaisons entres les Algorithme déjà implémenté sous Matlab pour détection de contour (edge avec sobel, Canny, Prewitt, Roberts, zero-cross)
3
Introduction :
Chercher les contours, ou les arêtes d'une image est un problème universel, utile aussi bien en imagerie médicale qu'en imagerie astrale, en vidéo, ou même en météorologie (par exemple pour détecter les fronts nuageux en assimilation de données satellitaires) ...
Le but de ce travail est d’introduire les transformée en ondelettes continues 2D et de donner un exemple d’application dans la détection des contours d’une image.
4
la transformée de Fourier 2D
La transformée de Fourier bidimensionnelle d’une fonction f intégrable sur 2 est définie par :
xdexfkf xki .2
2)()(ˆ
Si )( 22 Lf , la formule de synthèse de f s’écrira :
2
.2)(ˆ)( kdekfxf xki
Les définitions d'une ondelette et de la transformée en ondelettes telles qu'elles sont définis en dimension 1 se généralisent naturellement à 2 (et même à n) dimensions en faisant varier les variables d'intégration et le paramètre de translation x dans 2 et non plus dans .
TOC 2D et leurs application dans la détection de contour
5
Ondelette, et famille d’Ondelettes 2D
.
TOC 2D et leurs application dans la détection de contour
Ondelettes 2D :
)( 22 L est dite une Ondelette 2D si elle remplit la condition d’admissibilité suivante :
2 2
2
)(ˆ
kdk
kc
Ce qui implique : 0)(2
xdx
6
Ondelette, et famille d’Ondelettes 2D
On utilise, dans la pratique, une condition plus forte en imposant à l’Ondelette un nombre p de moments nuls :
0)(2
xdxxn
1,......,2,1,0 pn
Et .0)(2
xdxxp
Ce qui signifie que la transformée de Fourier de l’Ondelette doit s’annuler comme
p
k
en 0k
dans l’espace spectral.
TOC 2D et leurs application dans la détection de contour
7
Ondelette, et famille d’Ondelettes 2D
Famille d’Ondelettes 2D : A partir d’une Ondelette )(x
, la famille d’Ondelettes est définie par dilatation, rotation
et translation :
a
bxR
ax
ba
1)(
),,(
Avec 2b
, a une échelle positive et R la rotation d’angle de 2 , de matrice
R =
sin
cos
cos
sin
Ondelettes isotropes :
Une Ondelette est dite isotrope si la valeur de )(x
ne dépend que de la distance à
l’origine x
(ie radial )()( xhx
.
TOC 2D et leurs application dans la détection de contour
8
Ondelette, et famille d’Ondelettes 2DOndelette de Morlet anisotrope : L’Ondelette de Morlet (complexe) est définie par:
uxixeex
.522
)(
Où )sin,(cos u
est le vecteur unitaire dans la direction .
TOC 2D et leurs application dans la détection de contour
9
Ondelette, et famille d’Ondelettes 2D Ondelettes isotropes : Laplaciens itérées de Gaussienne : Pour 1n , on définit une Ondelette nh2 par :
2
)()1()(2
2
2
2
2
xnnn e
yxxh
Sa transformée de Fourier est donnée par : 22
22 4)(ˆ kn
nnn ekkh
Pour n = 2, 2h est appelé le Laplacien de la Gaussienne, utilisé souvent en Vision par
ordinateur. Dans la littérature, 2h est appelé le chapeau mexicain.
TOC 2D et leurs application dans la détection de contour
10
Ondelette, et famille d’Ondelettes 2D Chapeau mexicain H2
TOC 2D et leurs application dans la détection de contour
11
Ondelette, et famille d’Ondelettes 2D
TOC 2D et leurs application dans la détection de contour
12
Ondelette, et famille d’Ondelettes 2D
TOC 2D et leurs application dans la détection de contour
Chapeau mexicainH8
13
Ondelette, et famille d’Ondelettes 2D
Remarque : L’Ondelette nh2 a exactement 2n moments nuls .le maximum de sa transformée de
Fourier nh2ˆ se trouve en nk 20 .
TOC 2D et leurs application dans la détection de contour
14
Transformée en ondelettes directionnelles Définition :
Soit une Ondelette 2D. La transformée en Ondelettes directionnelle d’une
fonction )( 22 Lf est définie, pour 2,0,0,2
ax par :
tda
xtR
atfRfaxWf ax
2
1)()(,),,( ,
Où R désigne la matrice de rotation :
sin
cosR
cos
sin
Si l’ondelette est isotrope, alors :
)()(a
xt
a
xtR
La transformée en ondelettes devient donc,
tda
xt
atffaxWf ax
)(1
)(,),(2,
TOC 2D et leurs application dans la détection de contour
15
Transformée en ondelettes directionnelles Reconstruction :
Pour pouvoir inverser la transformée en odelettes directionnelle, on utilise le théorème suivant :
Théorème :
Soit une ondelette réelle et )( 22 Lf , ),,( axWf
sa transformée en ondelettes directionnelle. Si
2 2
2
)(ˆ
dC
Alors on a : (i) Une formule de conservation de l’énergie :
2
00
2
3
2
2
2)(),,(
a
xdxfCbda
dadabWf
(ii) Une formule de reconstruction :
2
0 032
1),,(
1)( bd
a
dad
a
btR
aabWf
Ctf
TOC 2D et leurs application dans la détection de contour
16
Transformée en ondelettes directionnelles
Démonstration : (i) Démontrons d'abord la formule de conservation d'énergie. Cette démonstration repose sur la formule de Parseval. Appliquons Parseval à la définition de ),,( axWf
:
ababRfRfabWf
,,)(,ˆ)(,),,(
Or )(1
)(, a
btR
aR
ab
, donc en appliquant les propriétés, on obtient :
bibiab eaRaeaRaR
.2.2
, ))((ˆ)()(
TOC 2D et leurs application dans la détection de contour
17
Transformée en ondelettes directionnellesDonc :
deaRfaabWf bi .22
))((ˆ)(ˆ),,(
Dans le membre de droite, on connaît la transformée de Fourier inverse de
))((ˆ)(ˆ
aRaf , Donc :
))((ˆ)(ˆ)(),,(),,(ˆ
aRfaabWfbFafW
Par conséquent, puisque la transformée de Fourier conserve la norme 2L :
22
222
2)(ˆ)(ˆ),,(
daRfabdabWf
En rajoutant l’intégration sur les angles et sur les échelles a et en appliquant le théorème de Fubini-Tonelli :
22
0 2,0
222
0 03
2
))((ˆ1)(ˆ),,(
ddadaRa
fbda
dadabWf
aa
TOC 2D et leurs application dans la détection de contour
18
Transformée en ondelettes directionnellesConsidérons alors le double intégral entre crochets et faisons le changement de variables
)(),(
aRa
Donc ),( 21
avec
211 sincos aa
212 cossin aa Calculons le déterminant de la matrice Jacobienne :
2
1
a
a
2
1
On trouve2
a , donc dadad 2
Or
a , donc
CddadaRaa 2 2
2
0 2,0
2 )(ˆ))((ˆ1
On obtient ainsi la formule.
TOC 2D et leurs application dans la détection de contour
19
Transformée en ondelettes directionnelles
(ii) Pour obtenir la formule de reconstruction, nous utilisons encore la formule de Parseval ;
Notons )()(~
xx
, étant réelle, un simple changement de variable xx
dans
la définition de la transformée de Fourier de )(~
x
donne :
)(ˆ)(~̂
Soit I définie par :
22
.2))((ˆ),,()(1
),,(
deaRaaWfbda
btR
aabWfI ti
On a déjà montré à l’équation précédente que :
))((ˆ)(ˆ),,(
aRfaaWf
TOC 2D et leurs application dans la détection de contour
20
Transformée en ondelettes directionnelles
La quantité I s’écrit donc :
2
.22
2 ))((ˆ)(ˆ
deaRfaI ti
Intégrons I par rapport aux variables a et pour obtenir le membre de droite J de la formule :
2
0 0 3.2
22
2))((ˆ)(ˆ
a
ti da
dadeaRfaJ
A cette étape, si l’on vérifie les hypothèses de Fubini, ce qui est le cas pour )(ˆ 21 Lf , on peut inverser les intégrales. J vaut alors :
dda
daaRefJ
a
ti
2
2
0 0
2.2 ))((ˆ)(ˆ
TOC 2D et leurs application dans la détection de contour
21
Transformée en ondelettes directionnelles
J vaut alors :
dda
daaRefJ
a
ti
2
2
0 0
2.2 ))((ˆ)(ˆ
Or on a déjà vu que
2 2
2
2
0 0
2 )(ˆ))((ˆ Cdd
a
daaR
a
Donc : 2
.2)(ˆ
defCJ ti
On reconnaît la transformée de Fourier inverse de )(ˆ 21 Lf , c’est-à-dire f . On a donc
bien )(1
tfJC
Cependant, les hypothèses nous placent dans le cas ou f est dans )( 22 L : la quantité
2
.2)(ˆ
def tidoit alors être prise au sens de la semi-convergence : elle définit
)(xf par prolongement de 1F de )()( 2221 LL à )( 22 L .
TOC 2D et leurs application dans la détection de contour
22
Algorithme de détection de contours dans une image
a. Diversité des approches face au problème de la détection des arrêtes :
Chercher les contours, ou les arêtes d'une image est un problème universel, utile aussi bien en imagerie médicale qu'en imagerie astrale, en vidéo, ou même en météorologie (par exemple pour détecter les fronts nuageux en assimilation de données satellitaires) ... Les recherches en compression d'images (enjeu très important et actuel du traitement d'images) s'orientent d'ailleurs vers la définition de nouvelles bases adaptées à la géométrie des contours de l'image (ce sont en effet les contours d'une image qui portent l'essentiel de l'information).
TOC 2D et leurs application dans la détection de contour
23
Algorithme de détection de contours dans une image
Donoho et Candes ont défini les Ridgelets, transformés directionnelles qui fonctionnent à l'aide de familles :
a
bxua
.2/1
Ou le paramètre d’échelle a est un réel positif, le paramètre de localisation b est un réel, et le
paramètre d’orientation u
appartiens à la sphère unité 1dS de d ; à l'aide de cette transformée, ils définissent les curvelets. Cette approche est poursuivie par, Do et Vetterli, qui ont définis les contourlets. Mallat et Le Pennec profitent également de la géométrie de l'image en définissant des bandelettes, obtenues par déformations d'ondelettes anisotropes, construites selon la direction de régularité maximale de la fonction, puis alignées dans une direction fixe.
TOC 2D et leurs application dans la détection de contour
24
Algorithme de détection de contours dans une image
Les arêtes dessinent les contours des objets, des structures présentes sur l'image, et constituent les zones que l'oeil perçoit le mieux : ce sont des zones ou l'intensité lumineuse varie brusquement. Nous pouvons alors intuitivement définir les points d'une arête comme ceux ou
le gradient de l'intensité lumineuse I
est maximum.
Le gradient de l'image en x est supérieur à celui en les points marqués +
TOC 2D et leurs application dans la détection de contour
25
Algorithme de détection de contours dans une image
Définition : (intuitive)
Un point (x0 ; y0) d'une image appartient à une arête si en ce point le module du gradient de l'intensité
lumineuse I
est localement maximum dans la direction de I
.
Définition : (Canny)
Un point (x0 ; y0) d'une image appartient à une arête si en ce point le module du gradient de l'intensité
lumineuse lissée par un noyau a , )( aI
est localement maximum dans la direction
de )( aI
.
Définition : (Mallat-Zhong, Mallat-Hwang)
Soit une image f que l'on lisse par un noyau de convolution a d'échelle a variant
continument entre 0 et amax ; Posons a *f ga . Alors s'il existe une chaine interrompue à
travers les échelles reliant des Maxima locaux de ag
dans la direction de ag
, le sommet
(x0; y0) de cette chaine vers les échelles fines 0) (a est un point de contour.
TOC 2D et leurs application dans la détection de contour
26
Algorithme de détection de contours dans une image
.
b. Le détecteur de Canny multi-échelles
i. Formule mathématique du détecteur La méthode de Mallat-Zhong fait intervenir une ondelette bidimensionnelle et
vectorielle dont les deux composantes sont les dérivées selon x et selon y d'une fonction y) (x, :
yx
21 et
Ici est un noyau de lissage que nous choisirons positif et soit isotrope, soit à variables séparées ; il vérifiera (r et alpha désignent ici les coordonnées polaires) :
1 2
yx 21 . y)(x,ou g(r) ))sin(r ),cos((r On notera :
21,
TOC 2D et leurs application dans la détection de contour
27
Algorithme de détection de contours dans une image
On définit ainsi deux transformées en ondelettes, l'une détectant les singularités verticales et l'autre les singularités horizontales d'une image, dont les valeurs à l'échelle 0a et au point
vu, de 2 sont :
),(),(),(),,( 1112
vufdxdya
vy
a
uxyxfavufW
),(),(),(),,( 2222
vufdxdya
vy
a
uxyxfavufW
Où
),(a
1 ),(
a
y
a
xyx pp
a Et ),( ),( yxyx pa
pa
pour 2,1p
TOC 2D et leurs application dans la détection de contour
28
Algorithme de détection de contours dans une image
Et donc
),)((),,( vufaavufW a
Cette transformée peut être écrite de manière plus synthétique sous forme vectorielle :
),(),,()),,(),,,((),,( 21 vyuxyxfavufWavufWavufW a
Ainsi, en chaque point (u; v) de 2 , on connait, a une échelle fixée, le vecteur
)),,(),,,((),,( 21 avufWavufWavufW
Or, du fait que dérivation et convolution commutent, il vient que :
),)((),,(1 vufu
aavufW a
et ),)((),,(2 vufv
aavufW a
Où ),(1
),(a
y
a
x
avua
TOC 2D et leurs application dans la détection de contour
29
Algorithme de détection de contours dans une image
On remarque donc, que la transformée qui à l’image f associe ),,( avufW
est proportionnelle au gradient de l’image lissé par un noyau de convolution d’échelle a. L’importance de cette propriété s’agit de repérer les arêtes de l’image,il faut donc trouver les
maxima locaux du module ),,( avufW
dans la direction du gradient de ),)(( vuf a
,or
d’après la formule trouvé on voit que l’angle défini entre l’axe des abscisse et ),,( avufW
est
le même que celui entre l’axe et l’abscisse et ),)(( vuf a
,autrement dit,à un lissage par
une gaussienne près,l’orientation du gradient de l’image.
Au lieu de représenter ),)(( vuf a
par ses deux composantes ),,(1 avufW et ),,(2 avufW ,
il est plus pratique de trouver les points de contours, d’utiliser son module et son orientation.
TOC 2D et leurs application dans la détection de contour
30
Algorithme de détection de contours dans une image
2221 ),,(),,(),,( avufWavufWavuMf
0),,(),,(
),,(tan),,( 1
1
21
avufsiW
avufW
avufWavuAf
0),,(),,(
),,(tan 1
1
21 avufsiW
avufW
avufW
),,( avuMf est le module (à un facteur a prés) en (u,v) du gradient
y
f
x
f aa )(,
)(
de l’image f convoluée par noyau de lissage à l’échelle a ; ),,( avuAf est l’orientation en (u,v) du gradient de l’image lissée par ce même noyau à l’échelle a.
TOC 2D et leurs application dans la détection de contour
31
Algorithme de détection de contours dans une imageii. Noyau de lissage : Gaussien isotrope et ces propriétés
La gaussienne : La gaussienne est probablement le noyau de lissage le plus utilisée en traitement de l’image ; outre ses propriétés de régularité, en dimension deux une gaussienne est à la fois une fonction isotrope et une fonction tensorielle (ce qui algorithmiquement est un grand avantage).
Définition:
Une gaussienne G de variance 2 est une fonction définie de
2 par:
Rappelons que
dxdye yx
2
22 )(
Et
dxe x
2
2
Ainsi, l'intégrale sur 2
de G vaut 1, ce qui implique 1)0,0(ˆ G La gaussienne est bien un noyau de lissage.
2
22
222
1),(
yx
eyxG
TOC 2D et leurs application dans la détection de contour
32
Algorithme de détection de contours dans une image
TOC 2D et leurs application dans la détection de contour
33
Algorithme de détection de contours dans une imageIsotropie de la gaussienne : Puisque la gaussienne ne dépend que de 22 yx , alors Une gaussienne est isotrope. Notons en particulier que :
22,
xxR
eex
R est la matrice de rotation d'angle .
Transformée de Fourier d’une gaussienne
2
2)2(
21
22.122
),(ˆ
eG
La transformée d’une gaussienne de variance 2 reste donc une gaussienne mais de variance
22)2(
1
. Elle est donc parfaitement invariante pour
2
12 :
)()( 2
22
122
)( eeF yx
TOC 2D et leurs application dans la détection de contour
34
Algorithme de détection de contours dans une image
TOC 2D et leurs application dans la détection de contour
35
Algorithme de détection de contours dans une image
Invariance par convolution. Proposition :
La convolution de la gaussienne G de variance 2 par elle-même est encore une gaussienne,
mais de variance 22 :
)2
,2
(2
1),)((
yxGyxGG
TOC 2D et leurs application dans la détection de contour
36
Algorithme de détection de contours dans une image
iii. Détecteur multi échelles et transformé en ondelettes directionnelle
Le détecteur multi échelles est fondé sur une transformée en ondelettes vectorielle :
),(),,()),,(),,,((),,( 21 uyuxyxfavufWavufWavufW a
Cette transformée peut être interprétée comme une transformée en ondelettes continue 2D directionnelle, comme nous allons le prouver ici et nous verrons les propriétés qui en découlent. Considérons la transformée en ondelettes continue directionnelle de f avec pour ondelette d’analyse 1 .
2
)),((1
),(),,,( 11 dxdya
vy
a
uxR
ayxfavufW
On peut aussi utiliser 2 au lieu de 1 et définir ainsi ),,,(2 avufW . représente la
direction de l'analyse. La proposition suivante montre qu'on peut exprimer ),,,(1 avufW (et
),,,(2 vuafW ) en fonction de ),,(1 avufW et ),,(2 avufW .
TOC 2D et leurs application dans la détection de contour
37
Algorithme de détection de contours dans une image
Proposition : Si est un noyau de lissage isotrope, alors :
),,(sin),,(cos),,,( 211 avufWavufWavufW
),,(cos),,(sin),,,( 212 avufWavufWavufW
Autrement dit :
),,(
),,(
cos
sin
sin
cos
),;,(
),,,(2
1
2
1
avufW
avufW
avufW
avufW
On le note, de manière plus synthétique :
WRW
TOC 2D et leurs application dans la détection de contour
38
Algorithme de détection de contours dans une image
Démonstration : Rappelons que :
yet
x
21
Où est un noyau de lissage isotrope
Commençons par remarquer que :
2
)),((1
),(),,,( 11 dxdya
vy
a
uxR
ayxfavufW
2)),((),( 1 dxdyyxRavayuaxf
Le même changement de variables peut être fait pour ),,,(2 avufW , et pour ),,(1 avufW
et ),,(2 avufW .
TOC 2D et leurs application dans la détection de contour
39
Algorithme de détection de contours dans une image
Exprimons maintenant )),(( yxRx
et )),(( yxRy
; pour cela, notons :
)),(),,((),( 21 yxRyxRyxR
Avec
yxyxR
yxyxR
cossin),(
sincos),(2
1
)),(),,((),( 21 yxRyxRyx est un changement de variables polaire.
Or
)),(),,((
)),(),,((
21
21
yxRyxRy
yxRyxRx
y
R
y
R
x
R
x
R
21
21
)),(),,((
)),(),,((
21
21
yxRyxRy
yxRyxRx
TOC 2D et leurs application dans la détection de contour
40
Algorithme de détection de contours dans une image
C’est-à-dire
)),((
)),((
cos
sin
sin
cos
),(
),(
yxRy
yxRx
yxRy
yxRx
La matrice jacobienne du changement de variables est la matrice de rotation R : appliquons à l’égalité précédente l’opérateur RR 1)( et remarquons également que est isotrope, donc
),()),(( yxyxR Ce qui donne :
)),((
)),((
cos
sin
sin
cos
),(
),(
yxy
yxx
yxRy
yxRx
Il n’y a alors plus qu’à multiplier cette égalité par ),( vayuaxfa et à l’intégrer sur x et y
pour obtenir le résultat.
TOC 2D et leurs application dans la détection de contour
41
Algorithme de détection de contours dans une image
iv. Module Mf, orientation Af, et transformé en ondelettes directionnelle Si on se place en un point ),( yx de l’image et à une échelle a fixée.
Dans la proposition précédente, la transformée en ondelettes directionnelle ),,,( ayxfW
a
été exprimé en fonction du détecteur fW
; on a vu que le détecteur peut s’exprimer également à l’aide d’un module ),,( ayxMf et d’une orientation ),,( ayxAf , qui représente (à un lissage par un noyau de convolution d’échelle a prés) l’orientation du gradient de l’image.
Quels liens y a t il entre la transformée en ondelette directionnelle ),,,( ayxfW
et le
module et l’orientation ?
Proposition : Si
est le gradient d’un noyau isotrope alors :
)sin(
cos(),,(),,,(
ayxMfayxfW
Ou ),,( ayxAf
TOC 2D et leurs application dans la détection de contour
42
Algorithme de détection de contours dans une image
Démonstration :
Pour démontrer ce résultat, il suffit de repartir de la proposition précédente et d’utiliser les définitions de Mf et Af ; on a :
sin),,(
cos),,(
),,(
),,(2
1
ayxMf
ayxMf
ayxfW
ayxfW
Cela donne :
),,(sin
),,(cos
cos
sin
sin
cos
),,,(
),,,(2
1
ayxMf
ayxMf
ayxfW
ayxfW
)sin(
)cos(),,(
ayxMf
TOC 2D et leurs application dans la détection de contour
43
Algorithme de détection de contours dans une image
a. Notre Implémentation par convolutions de gaussienne :
Conversion de l'image en matrice : Avant toute chose, l'image est convertie en un tableau de flottant : elle sera notée w(x; y), ou 1<x<width et 1<y< height. Par exemples pour ma photo de taille 279*220 en pixels La matrice w représentative sera de trois couches de taille 279*220
Garder juste le niveau de gris : En utilisant une fonction de Matlab on garde seulement une représentation de L’image avec le niveau de gris w=RGB2gray(x); Donc w devient une matrice de taille 279*220 (la même taille de l’image en pixels)
TOC 2D et leurs application dans la détection de contour
44
Algorithme de détection de contours dans une image
Calcul de la transformée en ondelette dans la direction de x : Convolution de f par un masque gaussien (avec conv2) pour trouvé la norme de ),,(1 avufW Le résultat est une matrice Ix de la même taille que l’image Si on affiche cette matrice comme une image on remarque très bien les points de singularité Verticales
Calcul de la transformée en ondelette dans la direction de y : Convolution de f par un masque gaussien pour trouvé la norme de ),,(2 avufW : Le résultat est une matrice Iy de la même taille que l’image Si on affiche cette matrice comme une image on remarque très bien les points de singularité Horizontales
TOC 2D et leurs application dans la détection de contour
45
Algorithme de détection de contours dans une image
Calculs de la norme du gradient Mf : La norme du gradient n’est rien d’autre que la racine carrée d’Ix² et Iy² Le résultat est une matrice de la même taille que l’image.
Chercher les points ou la norme du gradient est maximal : Nous allons nous basé sur l’interpolation pour déterminer les point ou la norme du gradient est maximale.
TOC 2D et leurs application dans la détection de contour
46
Algorithme de détection de contours dans une image
Test sur des images réelles Afin de valider l'algorithme, nous l'avons d'abord appliqué à des images simples : Image avec deux couleur noir et blanc qui contient des carrées et des ellipses :
TOC 2D et leurs application dans la détection de contour
47
Algorithme de détection de contours dans une image
On remarque très bien la détection des singularités verticales et les singularisées Horizontales dans la deuxième et la troisième image puis en suite la norme du Gradient puis les points détecté comme contours dans la 5éme image (par notre algorithme), et en dernier les contours détectés par la fonction edge de Matlab (implémente la plupart des détecteurs). On remarque que pour les dessins simples notre détecteur se comporte très bien.
TOC 2D et leurs application dans la détection de contour
48
Test sur des images plus réelles : Comme deuxième validation de notre algorithme nous allons le tester pour une ancienne image de Bab Algharbi :
TOC 2D et leurs application dans la détection de contour
Algorithme de détection de contours dans une image
49
Algorithme de détection de contours dans une image
On remarque très bien la détection des singularités verticales et les singularisées Horizontales dans la deuxième et la troisième image.
La norme du Gradient sur la quatrième image puis les points détectés comme contours dans la 5eme image (par notre implémentation du détecteur de Canny), et en dernier les contours détectés par la fonction edge de Matlab (implémente la plupart des détecteurs). Dans notre implémentation du détecteur de Canny on trouve ce qu’on appel des singularités non significatives, mais bien sur cela peut s’amélioré en augmentant la noircit de l’image (diminuer l’éclairage de l’image) On remarque aussi que même pour des images réelles notre implémentation du détecteur se comporte très bien.
TOC 2D et leurs application dans la détection de contour
50
Test sur des images plus réelles : Comme troisième validation de notre algorithme nous allons le tester pour l’exemple classique la Gorie:
TOC 2D et leurs application dans la détection de contour
Algorithme de détection de contours dans une image
51
Algorithme de détection de contours dans une image
On remarque très bien la détection des singularités Verticales et les singularisées Horizontales dans la deuxième et la troisième image.
La norme du Gradient sur la quatrième image puis les points détectés comme contours dans la 5eme image (par notre implémentation du détecteur de Canny), et en dernier les contours détectés par la fonction edge de Matlab (implémente la plupart des détecteurs). On remarque aussi que même pour des images réelles notre implémentation du détecteur se comporte très bien.
TOC 2D et leurs application dans la détection de contour
52
Algorithme de détection de contours dans une imageTest sur des images plus réelles : Comme troisième validation de notre algorithme nous allons le tester sur « portes de garages »:
TOC 2D et leurs application dans la détection de contour
53
Algorithme de détection de contours dans une imageAvec plus de détails
On remarque très bien la détection des singularités Verticales et les singularisées Horizontales dans la deuxième et la troisième image.
La norme du Gradient sur la quatrième image puis les points détecté comme contours dans la 5eme image (par notre implémentation du détecteur de Canny), et en dernier les contours détectés par la fonction edge de Matlab (implémente la plupart des détecteurs). On remarque aussi que même pour des images réelles notre implémentation du détecteur se comporte très bien.
TOC 2D et leurs application dans la détection de contour
54
Test sur des images plus réelles : Comme troisième validation de notre algorithme nous allons le tester pour ma photo personnelle :
On remarque très bien la détection des singularités Verticales et les singularisées Horizontales dans la deuxième et la troisième image
TOC 2D et leurs application dans la détection de contour
Algorithme de détection de contours dans une image
55
Comparaisons entre différents Algorithmes Comparaisons entres les Algorithme déjà
implémenté sous Matlab pour détection de contour (edge avec sobel, Canny, Prewitt, Roberts, zero-cross)
Nous avons mis en place un programme sous Matlab qui fait la détection de contour avec les algorithmes de détection de contour les plus connue se basent sur les transformés en ondelettes :
TOC 2D et leurs application dans la détection de contour
56
Comparaisons entre différents Algorithmes
Première comparaison
TOC 2D et leurs application dans la détection de contour
57
Comparaisons entre différents AlgorithmesDeuxième comparaison
On remarque que le détecteur de Canny donne toujours de meilleurs résultats.
TOC 2D et leurs application dans la détection de contour
58
Comparaisons entre différents AlgorithmesDeuxième comparaison
TOC 2D et leurs application dans la détection de contour
59
Conclusion et Perspectives du travail :
Durant ce modeste travail, nous avons expliqué la notion de transformée en ondelettes continues 2D et ses différentes propriétés, puis nous avons appliquer cette notion dans la détection de contours et enfin, nous avons fait une implémentation du détecteur de Canny appliquée à un ensemble d’images et de photos.
Et comme perspectives de ce travail ; on propose : – Calcul des singularités lipchitziennes aux Points de contours
– Travailler avec les trois couleurs de base au lieu du niveau de gris
TOC 2D et leurs application dans la détection de contour
60
Merci