livre-algorithmes.pdf
Une fonction en informatique est similaire à une fonction mathématique vecteur inconnu X ? quelle est la matrice A? quel est le second membre B ?
Cours de mathématiques - Exo7
Le triangle de Pascal est un algorithme pour calculer ces coefficients ( Cela revient à identifier 1 avec le vecteur (10) de R2
Cours de mathématiques - Exo7
Un algorithme est une suite d'instructions données permettant d'atteindre un objectif ou Le second vecteur est un vecteur vertical dirigé vers le bas.
Python au lycée - tome 1
Le but est de découvrir des algorithmes d'apprendre la programmation pas à pas à travers des activités mathématiques/informatiques. Cela te permettra de
LATEX pour le prof de maths !
11 janv. 2021 3.10.1 Des symboles dans un environnement mathématique . ... On écrit 1er 1re
Exercices de mathématiques - Exo7
20 104.02 Racine carrée équation du second degré 332 458.00 Calcul de valeurs propres et de vecteurs propres ... 337 473.00 Algorithme du simplexe.
Introduction aux probabilités et à la statistique Jean Bérard
1. présenter le formalisme mathématique des modèles probabilistes (ou comme La probabilité P sur ? constitue le second ingrédient.
Maths Première Python
Deux vecteurs sont colinéaires si et seulement si leur déterminant est nul. c) Méthode 1?) Algorithme ... Un trinôme est un polynôme du second degré.
Quelques méthodes mathématiques pour le traitement dimage
4 janv. 2009 L'algorithme de Brenner est souvent utilisé car il présente généralement ... dM dt. (t) = ? (t) . On appelle vecteur normal `a la courbe un ...
2janvier2009
Cecoursest uneintroduction `alath ´eoriemath´ematiquedetraitement del'image. Ilestdonc incompletcarles m´ethodesdansce domainesontnombr eusesetvari ´ees.Onse polariserasur lesm´ethodesvariationnelles.M.Bergounioux Master2-2008-2009
2Chapitre1
Introduction
1.1Qu'est-ce qu'uneimagenum ´erique?
chacununeportion del'image.Une imageestd ´efiniepar: -lenombre depixelsquilacomposeen largeuret enhauteur(qui peutvarierpr esque`a l'infini), -l'´etenduedes teintesdegris oudescouleurs quepeutpr endrechaque pixel(onparle de dynamiquedel'image).1.Lesimagesbinair es(noirou blanc)
Exemple,images lesplussimples, unpixelpeut prendre uniquementlesvaleurs noirou blanc.C'esttypiquement letyped'image quel'onutilise pourscannerdu textequand celuiciest compos´ed'uneseule couleur.2.Lesimagesen teintesdegris
Eng´en´eral,lesimages enniveauxde grisrenferment 256teintesde gris.Image`a256 couleurs,simplement chacunedeces 256couleursest d´efiniedans lagammedes gris. Parconventionla valeurz´erorepr´esentelenoir (intensit´elumineusenulle) etlavaleur255leblanc (intensit´elumineusemaximale).
3.Lesimagescouleurs
S'ilexisteplusieurs modesder epr´esentationde lacouleur, leplusutilis ´epourle manie- mentdesimages num´eriquesestl'espace couleurRouge,V ert,Bleu(R,V ,B). Cetespacecouleur estbas´esurla synth`eseadditivedes couleurs,c'est `adire quele m´elangedes troiscomposantes (R,V,B)donneune couleur. 34CHAPITRE1.INTRODUCTION
1.1.1Quelquesd ´efinitions
Pixelsetniveaux degris
Echantillonnageetquantification
1.1.QU'EST -CEQU'UNEIMAGENUM
ERIQUE?5
L'´echantillonnageestlepr oc´ed´edediscr ´etisationspatialed'une imageconsistant `aasso- cier`achaquezone rectangulair eR(x,y)d'uneimagecontinue uneunique valeurI(x,y).Onparlede sous-´echantillonnagelorsquel'imageest d´ej`adiscr´etis´eeetqu'on diminuelenombr e
d'´echantillons. lalimitation dunombre devaleursdif f´erentesquepeutpr endreI(x,y). L'´echantillonnageestune ´etapefondamentalequi doittenircompte ducontenuinforma- tionnelpertinentde l'image`aanalyser. Surl'exempleci-dessous,en1d, lesignal´echantillonn´e "ressemble»`aunesinuso ¨ıdedefr ´equence8fois plusfaible:6CHAPITRE1.INTRODUCTION
Ceph´enom`eneappel´ealiasingestencore pireen2D,car ilaffectelafr´equenceetla direction desstructur esp´eriodiques.Imaginonspar exemplequ'onsouhaite ´echantillonnerl'image cor- respondantauxbandesnoires ci-dessous:Avecun´echantillonnageadapt´e,l'imagenum ´eriquefaitappara ˆıtredesstructures conformes`a
l'informationpr´esentedansl'image :Maisenconsid ´erantseulement1 ´echantillonsur 2,unestr ucturedif f´erenteapparaˆıt,dontl'ana-
lyse(ici desbandesverticales, plus´epaisses)nesera pasconforme`alar ´ealit´edel'objet :ImageoriginaleImage
sous-´echantillonn´ee1.1.QU'EST -CEQU'UNEIMAGENUM
ERIQUE?7
Laquantificationpeut ´egalementfaire apparaˆıtredesdistortionsdansles images.Commepour l'´echantillonnage,il existedesr `eglespourd ´eterminerlabonne quantification(lebon nombre debits)pour coderlesimages num´eriques.L 'uned´ependducapteur,etde sacapacit´eeffective `aobserverdes signauxdevaleurs diff´erentes:lerapportsignalsur bruit. Lerapportsignal surbruit estd´efini`apartirdu rapportentre l'amplitudedesniveaux de grismesurablespar lecapteurn max -n min etleniveau dubruit, engr osl'´ecart-typeσ n dela perturbational ´eatoirequiaffecte lesniveauxde gris.Enprenantlelogarithme, onale nombre debitsutile aucapteurpour coderlesimages. Outrelescapacit´esducapteur ,lenombr edebitsr´eellementn ´ecessairespourcoderune imagevaried'une image`al'autre, enfonctiondeleurcontenuinformationnel. Cenombre d´ependdel'entropie,d´efinie`apartirde ladistributiondes niveauxdegris del'image(statis- tique). E=- p i log 2 (p i o`uNestle nombrede niveauxdegrispr´esents,p i estlapr oportion(08CHAPITRE1.INTRODUCTION
Profil-Histogramme
Ilestpossible detracerun traitsurle flancduz `ebredel'imageenniveaux degrisci-dessous etobtenirle profilcorr espondant,c'est`adire leniveaudegrisdechaque pointoupixel travers´e parlaligne : entrelesdonn´eesnum´eriquescodant lanuancede grisetla positiondespixels del'image.1.2Qu'est-ceque letraitementd'image ?
Lespagesqui suiventsontextraites descoursen ligne[BMT,M].1.2.QU'EST -CEQUELETRAITEMENTD'IMAGE? 9
1.2.1Quelquesaspects duTraitement d'Image
-Filtrage/d ´econvolution(oufiltrage inverse) -Compression -Segmentation -Restauration/ reconnaissance -Reconstructiontomographique10CHAPITRE1.INTRODUCTION
1.2.QU'EST -CEQUELETRAITEMENTD'IMAGE? 11
Danscecours nous´evoqueronssuccessivementtroisaspects fondamentaux: -Filtrage L'outilmath´ematiqueessentielpour lefiltrageest latransformationde Fourier(outoute autretransformationdumˆemetypecomme latransformationen ondelettes) -Segmentation Lasegmentationfait intervenirdesnotions d'optimisation,desoutils g´eom´etriqueset des´equationsaux d´eriv´eespartielles
-Restauration Lesmod`elesvariationnels enrestauration utilisentdel'optimisation etdel'analysefonc- tionnellefine (Banach,th´eoriedela mesure).12CHAPITRE1.INTRODUCTION
1.2.2Applications
-Robotique-Industrie -Assemblage,reconnaissance depi`eces -Contrˆoledequalit ´e -V´ehiculeautonome -etc... -T´el´ed´etection -M´et´eo -Cartographie -Analysedesr essourcesterr estres -Astronomie -Restauration -etc... -Applicationsmilitaires -Guidagede missile -Reconnaissance(a´erienne,sous-marine,etc ...) -etc... -Imageriem ´edicale -Tomographie -Aideaudiagnostic -Comptage(nombre decellules) -Suivideformes anatomiques1.2.QU'EST -CEQUELETRAITEMENTD'IMAGE? 13
-Restauration -etc... -S´ecurit´e -Reconnaissance(d'empreintes, visages,signatures) -D´etectiondemouvement -etc...14CHAPITRE1.INTRODUCTION
Chapitre2
Traitementponctueldesimages
num´eriques Ons'int´eressed'abordauxtraitements ponctuelsquiconsistent`afaire subir`achaquepixel unecorrection ned´ependantquede savaleur. Ontrouve danscettecat ´egorie,lesfonctions de recadrageoud'´egalisationdedynamique, debinarisation... Saufmention particuli`ere,noussupposeronsdans cequisuit desimagescomportantN 2 pixelscod ´essur 256niveauxde grisdiff ´erents.2.1Correctionponctuelle d'uneimage -Recadragededynamique
Ils'agitd'une transformationdutype f
=t(f)quipermetde modifierladynamique des niveauxde grisdansle butd'am´eliorerl'aspectvisueldel'image.Aunniveau degrisfde
l'imageoriginale correspondle niveaut(f)dansl'imagetransform ´ee.On faitsubir`achaque pixeluntraitement ned´ependantquede savaleur. Latransformationt(f)peutˆetrer´ealis´ee entemps r´eelsurl'image encoursd'acquisition `al'aided'une tabledetranscodage dansla- quellelesvaleurs dela transformationsontm ´emoris´ees.Unadr essagedecette m´emoirepar unedonn´eeffournitdirectement lavaleurt(f).2.1.1Transformation derecadrage
Onsupposeune imagede d´epartpr´esentantun histogrammeconcentr´edansl'intervalle recadragededynamiqueconsiste`a´etendreladynamiquedel'image transform´ee`al'´etendue totale[0,255].Latransformation derecadrage estdonc uneapplicationaf finequis'´ecrit: 1516CHAPITRE2.TRAITEMENT PONCTUELDES IMAGESNUM
ERIQUES
OriginalRecadrage: a=30,b=200
Variantespourlerehaussement descontrastes
Lestypesde correctiondonn ´esci-dessouspermettent d'accentuerlecontraste dansune plagepr´ecisedeniveau. Dilatationdela dynamiquedeszones sombresDilatation deladynamique deszonesclair esFonctionder ehaussementde contraste.
2.1.CORRECTION PONCTUELLED'UNEIMAGE -RECADRAGEDEDYNAMIQUE 17
t(f)= b a (255-b)f+255(b-a) 255-aOriginalHistogramme
Dilatationdela dynamiquedeszones claires
Dilatationdela dynamiquedeszones sombres
18CHAPITRE2.TRAITEMENT PONCTUELDES IMAGESNUM
ERIQUES
2.1.2Egalisationde l'histogramme
L'histogrammed'uneimageestrar ementplatce quitraduitune entropie nonmaximale.La transformationd'´egalisationestconstr uitede tellefac¸onquel'histogramme del'imagetrans- form´eesoitle plusplatpossible. Cettetechniqueam ´eliorelecontrasteetpermet d'augmenterartificiellementlaclart ´ed'uneimage grˆace`aunemeilleur er´epartitiondesintensit ´esrelatives.
Fonctiond'aplatissementcontinue
Consid´eronsl'histogrammecontinuh(f)donn´eci-dessous.En notantf =t(f),l'histo- gramme´egalis´eh(f )doits'approcher delaformeid´ealed´ecriteci-dessous. Deuxsurfaces´el´ementairesencorrespondance dansleshistogrammes initiauxet´egalis´es, pr´esententlem ˆemenombre depointscequipermetd' ´ecrire: f =t(f)= 256N 2 f 0 h(s)ds.
Histogrammed'origineHistogramme platid ´eal
Fonctionid ´ealed'´egalisationd'unhistogrammeFonctiond'aplatissementdiscr `ete
discr`etesuivante: f =t(f)= 256N 2 f i=0 h(i).
2.1.CORRECTION PONCTUELLED'UNEIMAGE -RECADRAGEDEDYNAMIQUE 19
OriginalHistogramme
2.1.3Binarisation
Lebutde labinarisation d'uneimageest d'affecterun niveauuniformeau pixelspertinents etd'´eliminerlesautr es.Seuillage
Leseuillageconsiste `aaffecter leniveau255auxpixels dontlavaleur estsup´erieure`aun seuilSet0le niveauauxautr es.Legraphe delatransformation correspondanteest lesuivantFonction"seuillage»
20CHAPITRE2.TRAITEMENT PONCTUELDES IMAGESNUM
ERIQUES
Seuillage`a70
Extractiond'une fenˆetr ed'intensit´e
Aveclatransformationd ´ecriteci-dessous,la nouvelleimagene visualisequeles pixelsdont leeniveau d'intensit´eappartient `al'intervalle[a,b].Sousr ´eserved'uneconnaissance apriori deladistribution desniveauxde grisdesobjets del'imageoriginale, cettetechnique permet unesegmentationd'objets particuliersdel'image.Fonction"fenˆetred'intensit´e»
OriginalHistogramme
2.2.ANA YSEDELANETTET
ED'UNEIMAGE NUM
ERIQUE21
Seuillageavec fenˆetred'intensit´eentre 30et1002.2Anaysede lanettet´ ed'uneimage num´erique
Lafocalisationautomatique, oumise aupoint,des syst`emesdeprise devue traditionnels(appareilsphoto,,graphiquescam´erasanalogiques... )exploite g´en´eralementunt ´el´em`etrequi
mesureavecpr´ecisionladistance appareil-planobjet. Lessyst`emesde visionnum´eriquesac- tuels(appareils etcam´erasnum´eriques... )r´ealisentautomatiquementleur miseaupoint `apar-tird'uneanalyse del'image restitu´ee.Pourcela uncrit`eredenettet´edel'image estd´etermin´e
`apartirdes valeursf(i,.j):= f ij del'intensit´e(luminance)des pixels.Ungrandnombr edecrit `eresa´et´epropos ´e.Parmiles plusutilis´esfigurent lescrit`eresbas´es
surl'analyse deladistribution desniveauxd'intensit ´epixel etceuxmesurant lecontenuspec- traldel'image. Lapremi `erecat´egorierepose surlefaitquelad ´efocalisationengendr el'uniformisationdes niveauxdegris, oucequi revientau mˆeme,quel'imagenettepr ´esentel'histogramme leplus large. Lasecondecat ´egorierepose surleprincipesimilairequ'une imagefocalis´ eecontientplus defr ´equencesspatiales´elev´eesqu'uneimage floue. Danstoutesces m´ethodes,onr echerchela distancedemiseaupointquiassurela majora- tionducrit `ere2.2.1Exemplesde crit`eres denettet´ e
Crit`eresdenettet´ebas´ essurl'analyse del'histogrammedel'imageOnnoteh
k ladistributionstatistique (histogramme)des niveauxkd'intensit´edes pixels.22CHAPITRE2.TRAITEMENT PONCTUELDES IMAGESNUM
ERIQUES
Crit`eremath´ematique
M´ethodedeF=
k>T kh kMendelsohnTestunparam `etrechoisi
etMayallprocheduniveaudegris moyendel'imageM´ethodedeF=
k>T (k-T)h k etT= i j f ij ij i j ijMasonetGreen Δ
ij =2 (f i,j+1 -f i,j-1 2 +(f i+1,j -f i-1,j 2 +(f i-1,j-1 -f i+1,j+1 2 +(f i-1,j+1 -f i+1,j-1 2VariancedesF=
i j f 2 ij N 2 i j f ij 2 N 4 niveauxdegris Crit`eresdenettet´ebas´ essurl'analyse spectraledel'imageCrit`eremath´ematique
Norme?
1 dugradient 1 F= i,j (|f i,j -f i,j-1 |+|f i,j+1 -f i,jNorme?
2 dugradientF= i,j (f i+1,j -f i,j 2 +(f i,j+1 -f i,j 2Remarquesg´ en´erales
queleursperformances d´ependentdutype etducontenu del'imageanalys ´ee; -Enr `egleg´en´erale,l'extremum descrit`eresestpeuprononc ´elorsquel'image contientpeu ded´etails2.3.CORR
ELATIOND'IMAGESNUM
ERIQUES23
-L'algorithmedeBrennerest souventutilis´ecaril pr´esenteg´en´eralementunebonne sen- sibilit´eet lacharge decalculsqu'il n´ecessiteestraisonnable.2.3Corr´ elationd'imagesnum´eriques
N. Cesfonctionssont repr´esentativesdedeux imagesnum´eriquesmonochromes comportant N 2 pixels.Leursversions centr´eesetr ´eduitessontd ´efiniesrespectivement par f c (i,j)= f(i,j)-µ f f etg c (i,j)= g(i,j)-µ g g o`uµetσsontrespectivement lamoyenneetl'´ecarttypede chaquefonction.Lafonctiond'intercorr´elationentref
c etg c estd´efiniepar larelation : fg (k,l)= 1 N 2 i,j f c (i,j)g c (i-k,j-l).(2.3.1) Ilestsouvent pluspratiquede travaillersurdes imagesdontles valeurssontcentr ´eeset r´eduites.Cecipermet d'unepart d'´eliminerde? fg (k,l)lecarr ´edesmoyennes desimages, d'autrepartdenormaliserles fonctionsdecorr ´elation. Pour´eviterlesef fetsdebor dquiintroduisentunbiais danslecalcul de? fg (k,l)ilconvient:quotesdbs_dbs46.pdfusesText_46[PDF] algorithme vecteurs colinéaires casio PDF Cours,Exercices ,Examens
[PDF] algorithme vecteurs colinéaires ti PDF Cours,Exercices ,Examens
[PDF] Algorithme Vecteurs Cour PI 2nde Mathématiques
[PDF] Algorithme volume - Dm de maths 2nde Mathématiques
[PDF] Algorithme!! 2nd :) 2nde Mathématiques
[PDF] Algorithme!!! 2nde Mathématiques
[PDF] Algorithme, affecter un nombre ? x 2nde Mathématiques
[PDF] Algorithme, Aidez moi svp c'est urgent 1ère Mathématiques
[PDF] Algorithme, devoir maison de maths 2nde Mathématiques
[PDF] Algorithme, pgrm calculatrice 2nde Mathématiques
[PDF] Algorithme, SPE Maths Terminale Mathématiques
[PDF] Algorithme: fonctions affines 1ère Mathématiques
[PDF] Algorithme: reconnaitre triangle rectangle 2nde Mathématiques
[PDF] Algorithmes 2nde Mathématiques