1 / 47

Les pixels

Les pixels. Contenu tiré du cours par Derek Hoiem. http://www.notcot.org/post/4068/. Administration. Des questions? TP1? Matlab + algèbre linéaire (Maxime) Heures de disponibilités (JF): cette semaine. Doodle (voir Facebook). Aujourd’hui: les pixels. Qu’est-ce qu’un pixel?

zivanka-rumer
Download Presentation

Les pixels

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Les pixels Contenu tiré du cours par Derek Hoiem http://www.notcot.org/post/4068/

  2. Administration • Des questions? TP1? • Matlab + algèbre linéaire (Maxime) • Heures de disponibilités (JF): cette semaine. • Doodle (voir Facebook)

  3. Aujourd’hui: les pixels • Qu’est-ce qu’un pixel? • Comment représenter une image? • Quelles opérations peut-on faire sur les pixels?

  4. Rappel: formation d’une image

  5. Plan de capteurs

  6. Une matrice de pixels

  7. Une matrice de pixels

  8. Constance d’intensité 8

  9. Constance d’intensité

  10. Images couleur

  11. Image couleur R G B

  12. Images dans Matlab • Une image est une matrice • Si nous avons use image RGB de dimensions NxM appelée “im” • im(1,1,1) = haut-gauche dans le canal “R” • im(y, x, 2) = y pixels plus bas, x pixels à droits, dans le canal “G” • im(N, M, 3) = bas-droite dans le canal “B” • imread(filename) retourne use image en “uint8” (0 à 255) • On peut convertir en “double” (0 à1) avec im2double colonnes R lignes G B

  13. Exemple 13

  14. Espaces de couleur: RGB 0,1,0 Espace “par défaut” R (G=0,B=0) 1,0,0 0,0,1 G (R=0,B=0) B (R=0,G=0) • Désavantages: • Corrélation • Perception Image de: http://en.wikipedia.org/wiki/File:RGB_color_solid_cube.png

  15. “Uniformité perceptuelle”

  16. Espace de couleur: CIE L*a*b* Espace de couleur “perceptuellement uniforme” L (a=0,b=0) a (L=65,b=0) b (L=65,a=0) Luminance = intensité Chrominance = couleur

  17. Si vous pouviez choisir, garderiez-vous la luminance ou la chrominance?

  18. Si vous pouviez choisir, garderiez-vous la luminance ou la chrominance?

  19. Plus d’information dans la luminance Seulement la couleur, intensité constante

  20. Plus d’information dans la luminance Seulement l’intensité, couleur constante

  21. Plus d’information dans la luminance Image originale

  22. Espace de couleur: HSV Très intuitif H (S=1,V=1) S (H=1,V=1) V (H=1,S=0)

  23. Petit exemple (bis)? 24

  24. Équilibre des blancs

  25. Constance de couleur

  26. Constance de couleur

  27. Équilibre des blancs • Manuellement • Sélection d’un objet neutre dans la scène • Automatique (AWB) • “Grey world”: moyenne de la scène est grise • “White world”: objet le plus brillant est blanc

  28. Équilibre des blancs • Idée: multiplier chaque couleur par un facteur

  29. Idées importantes • En moyenne, les images ont une valeur moyenne grise… cela peut être utilise pour détecter des distorsions • Les différences plus importantes sont plus visibles, alors l’utilisation de toute la gamme d’intensité améliore l’apparence • C’est habituellement plus intuitif de travailler dans un espace de couleur autre que RGB

  30. Reproduction tonale • Problème typique: • E.g., camera capture des valeurs d’intensité 12 bit, mais nos écrans ne peuvent qu’afficher 8 bits!

  31. Linéaire En fonction des pixels les plus clairs En fonction des pixels les plus sombres

  32. Opérateur global (Reinhard et al.) • Solution route simple: utiliser une transformée non-linéaire

  33. Non-linéaire Reinhard En fonction des pixels les plus sombres

  34. Transformée ponctuelles Some figs from A. Efros’ slides

  35. Négatif

  36. Log

  37. Puissance

  38. “Clarification” d’images

  39. Exemples

  40. Égalisation d’histogramme • Idée de base: ré-assigner les valeurs d’intensité pour “égaliser” l’histogramme • Histogramme: décompte du nombre de pixels qui ont une valeur d’intensité • Histogramme cumulatif: combien de pixels ont au-moins une valeur d’intensité 42

  41. Contraste http://en.wikipedia.org/wiki/Histogram_equalization

  42. Histogrammes & histogrammes cumulatifs Histogrammes cumulatifs

  43. Égalisation d’histogrammes

  44. Algorithme • But: Déterminer une fonction f(i) qui re-distribuera les valeurs d’intensité afin de les rendre plus uniformes. • Calculer l’histogramme cumulatif • f(i) = c(i) / N * 255! • Combiner les deux valeurs: 46

  45. Remarques • Couleur • Souvent mieux de travailler sur la luminance (sans toucher à la chrominance) • Régions • Utilisez un masque pour déterminer une région à re-travailler • Fonctions MATLAB utiles: • rgb2hsv, hsv2rgb, hist, cumsum

  46. Exemples pratiques

  47. À retenir • Connaissez bien les espaces de couleur: RGB, HSV, Lab • Ajustements simples: contraste, équilibrage des blancs, égalisation d’histogrammes • Lorsqu’on travaille sur le contraste dans une image couleur, souvent mieux de travailler sur la luminance!

More Related