Analyse et traitement des images

Thèmes abordés

Ingénieurs en instrumention, instrumentation, Python, numpy, scipy, matplotlib, Spyder, Transformation des images, Impact du bruit sur les images, Impact du bruit, Image en niveau de gris, image en couleur, Transformée de Fourier, Fourier

Résumé du document

Toutes les simulations seront réalisées sous l'environnement Python sur PC. Vous serez amenés à utiliser plusieurs bibliothèques scientifiques notamment numpy, scipy et matplotlib... Vous utiliserez l'éditeur Spyder, qui précharge les modules scientifiques.
Dans Spyder, vous pouvez entrer vos commandes directement dans la console, ou bien créer un script et l'exécuter ou n'exécuter que les lignes sélectionnées. Une aide en ligne est aussi disponible via l'inspecteur d'objet, qui est automatiquement activé lorsque vous entrez des commandes dans l'éditeur ou la console. Vous disposez également d'une aide en ligne par help (nom_de_la fonction).
Un compte-rendu individuel est demandé à la fin de chaque séance.

Extraits

[...] Analysez la transformée de Fourier de cette image. Commentez puis exécutez le code ci-dessous : : dft = cv2.dft(np.float32(img), flags = cv2.DFT_COMPLEX_OUTPUT) dft_shift = np.fft.fftshift(dft) magnitude_spectrum = 20*np.log(cv2.magnitude(dft_shift[:,:,0]+1, fig = plt.figure(figsize=(12,12)) ax1 = fig.add_subplot(2,2,1) ax1.imshow(img, cmap ax1.title.set_text('Input Image') ax2 = fig.add_subplot(2,2,2) ax2.imshow(magnitude_spectrum, cmap ax2.title.set_text('FFT of image') 3. Analysez l'impact du paramètre d sur l'image et son spectre de fréquence Calculez la transformée de Fourrier de cette image. Commentez votre résultat. C. Transformation des images Les différentes opérations sont appliquées sur l'image « lenna512.bmp ». [...]

[...] Exercice 1 : Redimensionnement des images 1. Donnez les dimensions de l'image « lenna.bmp » Echantillonnez l'image par un facteur 2 selon chacune des directions, puis affichez l'image en vous aidant de : img_downscaled = downscale_local_mean(img, plt.imshow(img_downscaled, cmap = 'gray') 3. Calculez la taille de l'image sous-échantillonnée puis vérifiez la. Anisa MOKRAOUI Itérez le processus d'échantillonnage puis affichez l'image obtenue. Commentez le résultat Il est également possible de sous-échantillonner l'image comme suit : img_rescaled = rescale(img /4.0, anti_aliasing = False) plt.imshow(img_rescaled, cmap = 'gray') Affichez l'image sous-échantillonnée et expliquez la différence par rapport à la question précédente Commentez cette autre possibilité de redimensionner : img_resize = resize(img, (160,160), anti_aliasing = True) plt.imshow(img_resize, cmap = 'gray') Exercice 2 : Quantification 1. [...]

[...] Anisa MOKRAOUI 1 Manipulation de données Pour les simulations vous serez amenés à faire appel aux bibliothèque cv2, numpy, matplotlib : import cv2 import numpy as np from matplotlib import pyplot as plt from skimage import io, color Exercice 1 : Image en noir et blanc On voudrait synthétiser l'image représentée par la figure 1. Chaque carreau est de taille 16*16 pixels. Par combien de niveau de gris, cette image peut être représentée ? Figure 1 Construisez cette image binaire en vous aidant de np.ones, np.zeros, np.vstack, np.hstack. [...]

[...] On peut en déduire que le domaine fréquentiel de l'image est à 125. In dft = cv2.dft(np.float32(img), flags = cv2.DFT_COMPLEX_OUTPUT) #On fait la tranformée de Fourier discrete de la fonction l'image qui est convertit dft_shift = np.fft.fftshift(dft) #permet de centrer le résultat magnitude_spectrum = 20*np.log(cv2.magnitude(dft_shift[:,:,0]+1,dft_shift[:,:,1]+1) #permet d'obtenir le spectre de magnétude fig = plt.figure(figsize=(12,12)) ax1 = fig.add_subplot(2,2,1) ax1.imshow(img, cmap='gray') localhost:8888/lab/tree/Jupyter lab/TP1_TI_Jean_GUN/TP1_TI_Jean_GUN.ipynb 12/20 13/10/2022 12:31 TP1_TI_Jean_GUN ax1.title.set_text('Input image') ax2 = fig.add_subplot(2,2,2) ax2.imshow(magnitude_spectrum, cmap='gray') ax2.title.set_text('FFT of image') Plus la variable d augmente plus l'écart entre chaque sinusoide se creuse. [...]

[...] Affichez la valeur du coin droit haut, du coin droit bas, du coin gauche haut, du coin gauche bas de l'image « flowers.tif » en niveau de gris. Donnez la principale différence entre les deux modes de lecture io.imread et cv2.imread. Exercice 2 : Espace des couleurs Extrayez les trois composantes de l'image dans l'espace des couleurs RGB en vous aidant de cv2.split(color_opencv) et de cv2.split, puis affichez les. Extrayez les trois composantes de l'image dans l'espace des couleurs LAB en vous aidant de cv2.split(color_opencv) et de cv2.split, puis affichez les. [...]