Boulo thomas

rapport.md

@@ -164,18 +164,21 @@ Exercice 1 : Filtrage linéaire bidimensionnel non récursif dans le domaine spa
 ![](moly_orig.PNG)![](moly_smooth.PNG)
 ![](freq_moly_orig.PNG)![](freq_moly_smooth.PNG)
 </span>
+> L'image est bien "adoucie" (smooth), on note que les fréquences élevées sont filtrées.
 
 #### Sharpen
 <span class="dual">
 ![](moly_orig.PNG)![](moly_sharpen.PNG)
 ![](freq_moly_orig.PNG)![](freq_moly_sharpen.PNG)
 </span>
+> On a ici rendu l'image plus "affutée" (sharpen), on distingue mieux les contours : en effet, les hautes fréquences sont plus présentes que dans l'image originale. 
 
 #### Shadows
 <span class="dual">
 ![](moly_orig.PNG)![](moly_shadow.PNG)
 ![](freq_moly_orig.PNG)![](freq_moly_shadow.PNG)
 </span>
+> A la manière de la fonction sharpen, des hautes fréquences sont ajoutées. A cela s'ajoute l'apparition d'ombres au niveau des changements de couleur (zones responsables des hautes fréquences de l'image)
 
 #### Convolution
 
@@ -183,29 +186,34 @@ Exercice 1 : Filtrage linéaire bidimensionnel non récursif dans le domaine spa
 <span class="dual">
 ![](TestConvolve_orig.PNG)![](TestConvolve_customkernel.PNG)
 </span>
-> La convolution est correcte
+> La convolution est correcte : il s'agit bien d'une détection de contour.
 
 ##### Flou Gaussien
 <span class="dual">
 ![](moly_orig.PNG)![](moly_gaussien.PNG)
 ![](freq_moly_orig.PNG)![](freq_moly_gaussien.PNG)
 </span>
+> Ce filtre effectue une moyenage de l'intensité avec les intensités environnantes, d'où l'effet de flou : les contours sont adoucis, les hautes fréquences atténuées.
 
 ##### Gradient N
 <span class="dual">
 ![](moly_orig.PNG)![](moly_gradientN.PNG)
 ![](freq_moly_orig.PNG)![](freq_moly_gradientN.PNG)
 </span>
+> Ce filtre effectue une forme de détection de contour par sa forme (sur la verticale) et in intensification des couleurs (par sa forme sur l'horizontale) :
+```
+-1 -2 -1
+0 0 0
+1 2 1
+```
+D'où d'effet d'ombre et les intensités de couleur plus tranchantes.
 
 ##### Laplacien
 <span class="dual">
 ![](moly_orig.PNG)![](moly_laplacien.PNG)
 ![](freq_moly_orig.PNG)![](freq_moly_laplacien.PNG)
 </span>
-
-### Commentaires
-
-- <todo/>
+> Cette convolution soustrait à chaque pixel les intensités (pondérées) des pixels environnants, d'où l'intensification des intensités (plus sombre ou plus clair que l'original). 
 
 
 
@@ -218,6 +226,7 @@ Exercice 2 : Filtres non-linéaires bidimensionnels, les filtres médians
 ### Moyenne
 <span class="dual">![](cornee_orig.PNG)![](cornee_mean.PNG)</span>
 
+> Les deux filtres, moyenneur et median, ne laissent pas apparaitre de différence entre les deux images. Cependant, les représentations fréquentielles laissent apparaitre des différences : le filtre median semble filtrer plus de fréquences (hautes) que le filtre mean.
 
 ### Bateau, Salt and Pepper
 <span class="dual">![](bateau_orig.PNG)![](bateau_saltandpepper.PNG)</span>
@@ -227,13 +236,60 @@ Exercice 2 : Filtres non-linéaires bidimensionnels, les filtres médians
 #### Moyenne, taille 3
 <span class="dual">![](bateau_saltandpepper.PNG)![](bateau_saltandpepper_mean3.PNG)</span>
 
-
+> On constate que les filtres moyenneur et median, ont rendu le bruit moins visible. Cependant, le filtre ayant le mieux fait disparaitre le bruit, à savoir le filtre median, à également été le plus destructif : l'image originale est moins reconnaissable qu'avec le filtre moyenneur.
 
 Exercice 3 : Introduction à la détection de contours
 -------------------------------------------------------------------------------
+Pour détecter un contour avec un masque 1x3, un masque (-x, 0, x) peut être utilisé, avec x l'intensité du contour en fonction de la différence d'intensité des pixels environnant : une zone homogène donnera un résultat nul alors qu'un changement d'intensité donnera une valeur positive ou nulle en fonction de la transition et de la valeur de x :
+* si x>=1, un passage de clair à gauche vers sombre à droite donnera une valeur non nulle, les autres changements donnant une valeur nulle.
+* si x<=-1, un passage de sombre à gauche vers clair à droite donnera une valeur non nulle, les autres changements donnant une valeur nulle.
 
+* Si l'on suit cette logique, le filtre 1x3 proposé précement peut être transformé en filtre 3x3 suivant :
+```
+0 0 0
+x 0 -x
+0 0 0
+```
+Ce filtre détecte toujours les discontinuités horisontales.
+<span >![](detail_horiz.PNG)</span>
 
+* Pour une discontinuité verticale :
+```
+0 x 0
+0 0 0
+0 -x 0
+```
+<span >![](detail_vertical.PNG)</span>
 
+> Pour une discontinuité oblique, deux solution, suivant l'angle de la discontinuité :
+
+* 45° :
+```
+x 0 0
+0 0 0
+0 0 -x
+```
+<span >![](detail_45deg.PNG)</span>
+
+* 315° (-45°) :
+```
+0 0 -x
+0 0 0
+x 0 0
+```
+<span >![](detail_315deg.PNG)</span>
+
+#### Sobel + médian
+<span class="quad">![](bateau_noise.PNG)![](bateau_sobel.PNG)[](bateau_medianSobel.PNG)</span>
+
+#### Médian, taille 3
+<span class="dual">![](bateau_saltandpepper.PNG)![](bateau_saltandpepper_median3.PNG)</span>
+
+> L'image traitée aven un filtre médian est contient moins de bruit, même l'image avec le traitement du filtre de Sobel. Le traitement du filtre de Sobel fait bien, avec au filtre médian, une détection des contours (sans orientation comme dans les premiers exemples de cet exercice).
+
+#### Red_COQ2
+<span class="quad">![](redCoq2_orig.PNG)![](redCoq2_sobel.PNG)![](redCoq2_redCoq2_sobelThreshold.PNG)</span>
+> Le filtre de sobel a fait ressortir les contours des cellules, et le seuillage a éliminé les parties trop claires. Il ne reste alors que les cellules et les impuretés (leur contour est lui aussi ressorti).
 
 
 Partie II : Morphologie Mathématique
@@ -279,7 +335,7 @@ Traitement d'images binaires
 
 On prend une forme de base, puis on le dilate beaucoup.
 
-> Dilatation circulaire / rectangulaire
+> On remarque que la dilatation se fait en utilisant un élément carré
 <span class="quad">![](binary_dilate_cercle.PNG)![](binary_dilate_rectangle.PNG)</span>
 
 
@@ -343,13 +399,17 @@ Morphologie décimale
 > Approximation des contours via érosion
 <span class="quad">![](Cornee_erodeCercle1_approxContour.PNG)</span>
 
+> On constate que l'on peut détecter les contour des cellules, cependant le centre des celules (noyaux) ressort lui aussi par cette technique.
+
 ### Gradient morphologique
 
 > Originale / Gradient de Sobel
 <span class="quad">![](babouin_orig.PNG)![](babouin_sobel.PNG)</span>
 
 > Originale / Dilatée / Érodée / Gradient morphologique
-<span class="quad">![](babouin_orig.PNG)![](babouin_dilate2cercle.PNG)![](babouin_erosion2cercle.PNG)![](babouin_sobel.PNG)</span>
+<span class="quad">![](babouin_orig.PNG)![](babouin_dilate2cercle.PNG)![](babouin_erosion2cercle.PNG)![](babouin_gradientmorpho.PNG)</span>
+
+> Le filtre de sobel effectue une meilleur détection des contours que le gradient morphologiue (contours plus flous).
 
 
 ### Filtrage morphologique
@@ -362,6 +422,8 @@ Morphologie décimale
 > Originale / ... / Ouverture
 <span class="quad">![](babouin_orig.PNG)![](babouin_ouverture1.PNG)![](babouin_diffOuverture.PNG)</span>
 
+> Faire la différence entre la fermeture/ouverture et l'originale donne des détecions de contours avec moins d'intensité que le filtre de sobel, mais semblent avoir plus de détails dans les zones ayant beaucoup de contours (zones de poils par exemple) et moins de détails dans les zones avec moins de sontours à détecter (yeux par exemple) qu'avec Sobel.
+
 
 Exercices d'application
 -------------------------------------------------------------------------------
@@ -375,6 +437,8 @@ Exercices d'application
 > Originale / Binarisation / Érosion / Dilatation / Comptage
 <span class="quad">![](meb_orig.PNG)![](meb_binary.PNG)![](meb_erodeCercle2.PNG)![](meb_dilate4.PNG)![](meb_countIs407.PNG)</span>
 
+> On supprime bien els grosses billes, mais il reste des petits éléments de la taille des billes qui sont comptés comme étant des billes.
+
 
 ### Image circuit "binarisée"