Imagerie Médicale 1 Contexte Introduction et pré-traitements Yannick BOURSIER ESIL - GBM3 - 2012/2013 Thèmes abordés Notion d’image, espace de représentation Pré-traitements, Opération sur les histogrammes Filtrage : linéaire, non-linéaire, morphologie mathématique Notion de contour / région Segmentation et classification Multi-résolution Recalage Imagerie 3D : synthèse, réalité virtuelle, reconstruction d’image Imagerie Médicale ? ??? Imagerie Médicale Caméra CCD ... CT Scan, Radiographe, Angiographe ... Gamma-caméra, PET-Scan ... OCT ... Echographe ... IRM ... MEG ... EEG, ECG ... Système d’imagerie Un triplet : - Illuminant / Lumière - Matière / Objet - Observateur / Capteur 1 acquisition = 1 «image» Image Image - Représentation discrète d’un monde continu - Initialement, un espace 2D issu d’un procédé photographique - Flux de données qui peut être “compris” par un observateur Propriétés d’une image - Représentation partielle d'une scène réelle - Volonté de proposer une entité observable par l'oeil humain - Généralement structurée comme une matrice Image Information élémentaire - Grandeur physique définie et limitée par le capteur - Pseudo-ponctuelle : notion de pixel (Picture Element) - Information géométrique : position relative des points caméra Représentation informatique - Stockage dans un fichier - Représentation interne au logiciel - Représentation pour l’affichage Imagerie Médicale Image : nature et dimension Images en niveaux de gris Images couleurs Images de natures différentes (ex: scanner X et IRM) Volume numérique (imagerie 3D ou imagerie temporelle) Ensembles d’images (ex: scanner X spectral) Espace de représentation Le choix de l’espace de représentation nécessite: - Une connaissance du phénomène étudié - Une connaissance du milieu dans lequel il est immergé Le capteur employé définit déjà un premier espace de représentation Possibilité de changer d’espace de représentation Représentation surfacique Objectifs Améliorer la qualité des images - Débruitage, rehaussement de contraste, ... Transformer les images - Comparaison de deux images issues de 2 points de vue différents, ... Mesurer/extraire des informations - Caractérisation de formes, mesures de surfaces, de volumes, de quantités physiques, ... Vers l'image numérique Le système visuel La lumière et les couleurs L'image L'image numérique Le système visuel humain Le système visuel humain est constitué de deux parties : l Un capteur : l'œil l Une système d'encodage : le cerveau. Vision : Perception visuelle et décodage mental La physiologie de l'œil est relativement bien comprise La perception (traitement) de l’information image est plus complexe ... Concepts en théorie de la Vision Traitement de l’information « Image » l Comportement passif du système visuel l Comportement actif du système visuel Le comportement passif l Notions de détection et de perception l Caractéristiques physiques du système visuel l Dimension, résolution, luminosité, contraste l Étudier la réponse du système visuel à des variations du signal Au départ est la lumière Au départ est la lumière Théorie corpusculaire (Newton) Théorie ondulatoire (Huygens ) Théorie électromagnétique (Maxwell). Mécanique ondulatoire (Louis de Broglie) : dualité onde-corpuscule. Au départ est la lumière Théorie corpusculaire (Newton) Théorie ondulatoire (Huygens ) Théorie électromagnétique (Maxwell). Mécanique ondulatoire (Louis de Broglie) : dualité onde-corpuscule. La lumière résulte de la sensation produite par les ondes électromagnétiques dans un domaine spectral allant de 380 nanomètres a 780 nanomètres. Cette bande est appelée "spectre visible". Au départ est la lumière Théorie corpusculaire (Newton) Théorie ondulatoire (Huygens ) Théorie électromagnétique (Maxwell). Mécanique ondulatoire (Louis de Broglie) : dualité onde-corpuscule. La lumière résulte de la sensation produite par les ondes électromagnétiques dans un domaine spectral allant de 380 nanomètres a 780 nanomètres. Cette bande est appelée "spectre visible". Chaque longueur d'onde correspond a une sensation perceptive appelée "couleur". Au départ est la lumière Théorie corpusculaire (Newton) Théorie ondulatoire (Huygens ) Théorie électromagnétique (Maxwell). Mécanique ondulatoire (Louis de Broglie) : dualité onde-corpuscule. La lumière résulte de la sensation produite par les ondes électromagnétiques dans un domaine spectral allant de 380 nanomètres a 780 nanomètres. Cette bande est appelée "spectre visible". Chaque longueur d'onde correspond a une sensation perceptive appelée "couleur". Au départ est la lumière Lumière visible 380 nm 770 nm Énergie électromagnétique possédant une distribution spectrale d’énergie Au départ est la lumière Lumière visible 380 nm 770 nm Énergie électromagnétique possédant une distribution spectrale d’énergie Spectre invisible : • • • rayons γ rayons X ondes radio Au départ est la lumière Lumière visible 380 nm 770 nm Énergie électromagnétique possédant une distribution spectrale d’énergie Spectre invisible : • • • rayons γ rayons X ondes radio Lumière monochromatique : Lumière dont le spectre a une largeur de bande de 1 nm La sensibilité de l’œil humain L'œil humain est sensible aux rapports d'intensités plutôt qu'aux intensités comme des valeurs absolues La sensibilité de l’œil n’est pas uniforme Colorimétrie • Perception de la couleur purement psychophysiologique. • Existence de trois types de cônes sensibles respectivement au rouge, au vert et au bleu dans la rétine de l'œil humain. Colorimétrie La rétine de l’oeil contient deux types de cellules sensibles : - Les bâtonnets : responsables de la vision nocturne. Fournissent une réponse photométrique, pas de détermination de couleurs. - Les cônes : fournissent une réponse photométrique ET chromatique. Pigments dont les maximums d’absorption se situent dans le bleu, vert ou rouge. Bas des couleurs et l’aspect trichromatique. Colorimétrie L’oeil ne présente pas la même courbe de sensibilité dans toutes les longueurs d’onde. Sensibilité à 660 nm dix fois moindre qu’à 560 nm. Moyenne entre individus ... Le comportement actif • Situé au niveau des aires supérieures du cerveau • Nombreuses opération mentales • Processus d’interprétation • Nombreuses influences (Re)construire l’information • Comportement actif illustré • Non démontré • Uniquement l’information ? (Re)construire l’information • Comportement actif illustré • Non démontré • Uniquement l’information ? (Re)construire l’information • Comportement actif illustré • Non démontré • Uniquement l’information ? Le chemin de l’ambiguïté Reconstruire plusieurs solutions de l’information Le chemin de l’ambiguïté Reconstruire plusieurs solutions de l’information Le chemin de l’ambiguïté Reconstruire plusieurs solutions de l’information Le chemin de l’ambiguïté Reconstruire plusieurs solutions de l’information Intervention de facteurs psychologiques et de la mémoire Piéger le système visuel Impossibilité de construire une solution à l’information Piéger le système visuel Impossibilité de construire une solution à l’information Trident impossible Escalier de Penrose Piéger le système visuel Impossibilité de construire une solution à l’information Trident impossible Escalier de Penrose Chute d’eau et Belvédère de MC Escher Conditions de perception • Attention quand on fait de la visualisation ! La «référence» visuelle peut parfois être mise en défaut. Conditions de perception • Attention quand on fait de la visualisation ! La «référence» visuelle peut parfois être mise en défaut. Illusion de Hermann Conditions de perception • Attention quand on fait de la visualisation ! La «référence» visuelle peut parfois être mise en défaut. Illusion de Hermann Illusion de Zöllner Conditions de perception Conditions de perception Conditions de perception Conditions de perception Conditions de perception Conditions de perception Conditions de perception Conditions de perception Conditions de perception Conditions de perception Conditions de perception Conditions de perception Conditions de perception • Différence de luminosité - Une pomme devant l’étalage sous le soleil est plus appétissante que sous le néon de la cuisine ... - Soleil, lampe électrique, lampe au tungstène, etc., autant de lumières qui rendent la pomme différente en apparence. Exemple pour les images ? Conditions de perception Conditions de perception • Différence de taille - Les couleurs qui couvrent de larges surfaces semblent plus vives et plus criardes que ces mêmes couleurs sur de petites surfaces. C’est l’effet de surface. - Exemple : sélection d’un papier mural à partir d’un échantillon parfois décevante lorsqu’il est posé sur le mur (couleur alors trop vive). Exemple pour les images ? Conditions de perception Conditions de perception Conditions de perception • Différence de fond/contexte - L’effet de contraste est important mais peu souhaitable pour bien apprécier une couleur. - Phénomène utilisé par les bijoutiers et par les marchands de fruits «haut de gamme». Conditions de perception Espaces colorimétriques • Mise en place d’espace colorimétriques • Systèmes adaptés et ciblés pour diverses applications Le modèle TSL Modèle de couleur de Munsell (1946) : TSL Le modèle TSL est fondé sur un modèle "perceptif" de la couleur : T : Teinte (ou chrominance) : longueur d'onde dominante de la distribution spectrale de la couleur S : Saturation : proportion de couleur pure par rapport au blanc L: Luminance : intensité d'excitation visuelle, indépendant de T et S Le modèle TSL Modèle de couleur de Munsell (1946) : TSL Le modèle TSL est fondé sur un modèle "perceptif" de la couleur : T : Teinte (ou chrominance) : longueur d'onde dominante de la distribution spectrale de la couleur S : Saturation : proportion de couleur pure par rapport au blanc L: Luminance : intensité d'excitation visuelle, indépendant de T et S 1 T S L 0 Le modèle RVB Le modèle RVB Modèle classique Rouge Vert Bleu C = r.Rouge + v.Vert + b.Bleu avec r,v,b dans [0,1] Le modèle RVB Modèle classique Rouge Vert Bleu C = r.Rouge + v.Vert + b.Bleu avec r,v,b dans [0,1] Modèle des primitives soustractives Cyan Magenta Jaune Cyan = Vert + Bleu = Blanc - Rouge Magenta = Rouge + Bleu = Blanc - Vert Jaune = Rouge + Vert = Blanc - Bleu Le modèle RVB Modèle classique : additif • Utilisés pour l'éclairage, la vidéo, les caméras et les moniteurs. • Nécessite une source lumineuse pour créer des couleurs Modèle des primitives soustractives • Fondé sur la qualité d'absorption des couleurs de l'encre sur le papier. • Également appelé CMJN : impression quadrichromique TSL – RVB : Illustrations PowerPoint PhotoShop TSL – RVB : Illustrations Le modèle YIQ Un dérivé du modèle RVB Il s’agit d’un recodage de RVB établi par le National Television Standards Committee (N.T.S.C.) Utilisé pour la transmission de signaux de télévision Y 0,30 0,59 0,11 R I = 0,60 − 0,28 − 0,32 V Q 0,21 − 0,52 0,31 B En particulier : Y = 0,30.R + 0,59.V + 0,11.B correspond à l’équivalent "N&B" (niveau de gris) de la couleur RVB Les tables de couleurs Préambule : L'œil peut distinguer environ 350 000 couleurs. Pour une teinte donnée, l'œil ne peut distinguer plus d'une centaine de niveaux d'intensité. Intérêt de la mise en place d'une table pour gérer un nombre limité de couleurs Index i : Ci égal à une couleur C = r.R + v.V + b.B Si la table est codée sur 8 bits : 28 = 256 couleurs Si la table est codée sur 12 bits : 212 = 4096 couleurs Le codage des couleurs Codage binaire des données Codage sur 8 bits (Binary Digit) 8 bits 0 1 128 64 0 1 1 1 0 0 32 16 8 4 2 1 256 valeurs entières : 0..255 8 bits = 1 octet = 1 byte Puissances de 2 successives 1024 octets = 1 Kilo-octet (Ko) 1024 Ko = 1 Méga-octet (Mo) 1024 Mo = 1 Giga-octet (Go) Le codage des couleurs Couleur discrète C = r.R + v.V + b.B avec r,v,b dans [0,…,255] (codage sur 8 bits) è 16 777 216 couleurs codables (24 bits). Remarque : Teintes monochromes (niveaux de gris) C = i.R + i.V + i.B A propos des limites de l’œil humain Le nombre moyen de couleurs distinguées par l ’œil humain sur une image est environ 350 000 Pour une échelle monochromatique, ce nombre tombe à une centaine Pour une image en niveau de gris, le nombre de teintes « utiles » chute encore plus. 256 niveaux 128 niveaux 64 niveaux 32 niveaux 16 niveaux 8 niveaux 2 niveaux Acquisition et numérisation Réalité Milieu continu Acquisition et numérisation Réalité Milieu continu ECHANTILLONNAGE Image numérique Milieu discret Acquisition et numérisation Acquisition et numérisation Théorie de l'échantillonnage (théorie de Shannon, 1948 ) : Un signal continu, de bande passante limitée, est équivalent à un ensemble discret d'échantillons mesurés sur ce signal à intervalles suffisamment serrés (fréquence d'échantillonnage au moins supérieure à 2 fois la fréquence maximale). Acquisition et numérisation Théorie de l'échantillonnage (théorie de Shannon, 1948 ) : Un signal continu, de bande passante limitée, est équivalent à un ensemble discret d'échantillons mesurés sur ce signal à intervalles suffisamment serrés (fréquence d'échantillonnage au moins supérieure à 2 fois la fréquence maximale). Image : Signal à deux dimensions Fréquences temporelles è Fréquences spatiales Acquisition et numérisation Théorie de l'échantillonnage (théorie de Shannon, 1948 ) : Un signal continu, de bande passante limitée, est équivalent à un ensemble discret d'échantillons mesurés sur ce signal à intervalles suffisamment serrés (fréquence d'échantillonnage au moins supérieure à 2 fois la fréquence maximale). Image : Signal à deux dimensions Fréquences temporelles è Fréquences spatiales Echantillon = Pixel (Picture Element) Acquisition et numérisation Acquisition et numérisation Image numérique = Fonction discrète de [1,…,N] x [1,…,M] qui à chaque position (i,j) associe une information particulière Une position (i,j) de la "grille" est appelée Pixel (Picture Element) Acquisition et numérisation Image numérique = Fonction discrète de [1,…,N] x [1,…,M] qui à chaque position (i,j) associe une information particulière Une position (i,j) de la "grille" est appelée Pixel (Picture Element) L'information représentée peut être - une couleur (photographies) - une autre information codée sous la forme d'une couleur Composition de l’image bitmap EN-TETE (HEADER) - Codage des octets (poids faible/poids fort) Nombre de points (lignes et colonnes) Géométrie de l'image Orientation des images Aspect ratio (pour uniformiser l'affichage) Origine de l'image Planar/non planar (codage par 3 plans de 8 bits superposés) Profondeur du codage (8 bits, 24 bits, monochrome 12 bits, …) LUT (table de couleurs) Compression Commentaires + Grille de "pixels" Codage et résolution Poids des images stockées ? Quelques exemples de formats bitmap Quelques logiciels Retouche photo Traitement d'images • Adobe PhotoShop (PC-MAC) • NIH Image (MAC) http://www.adobe.com • Paint Shop Pro (PC) http://www.jasc.com/ • Gimp (Linux) http://www.gimp.org http://rsb.info.nih.gov/nih-image • Scion Image (PC) http://www.scioncorp.com • Media Cybernetics Image Pro Plus (PC) http://www.mediacy.com Les petit + • XN View (PC) : Convertisseur de 120 formats et xv (Unix/Linux) http://perso.wanadoo.fr/pierre.g Traitement d’image l Améliorer le contenu de l’image l Extraire une information l Identification de structures l Détection de zones è Ajouter un sens par un procédé automatique è Améliorer la lisibilité de l’image Pré-traitements Générer une image libérée des défauts propres aux capteurs l Supprimer les facteurs de bruit l Rehausser les signaux utiles Difficilement déconnectable des étapes ultérieures de traitement Pré-traitements l Opérations globales Traitent l’ensemble des pixels sans qu’intervienne leur position spatiale l Opérations locales (convolution) Prennent en compte les relations des pixels avec leurs voisins l Opérations entre images (séries d’acquisition) Les corrections photométriques Visent à corriger les défauts propres aux capteurs (mauvaise qualité) ou à leur utilisation • Défauts de linéarité • Défaut d’homogénéité La meilleure restauration possible consiste à agir directement au niveau du capteur. Si cela n'est pas possible, la connaissance de l'appareil doit permettre de construire un modèle a priori du phénomène de dégradation Les corrections photométriques Un capteur image est caractérisé par : • Son rapport signal sur bruit, sa Sensibilité et sa Sensibilité spectrale. • Une fonction de transfert qui tient compte de la correction Gamma nécessaire. • Une résolution maximale. • Un temps d'intégration. • Un seuil de Saturation. • Sa Rémanence. Les défauts de linéarité Se traduisent par une une distorsion de la gamme des niveaux de gris, provoquant une saturation Utilisation de tables de transcodage utilisant un calibrage sur une plage de luminances continue L’exemple de la correction Gamma L'intensité lumineuse reproduite à l'écran n'est pas une fonction linéaire de la tension d'entrée Les défauts d’homogénéité Dus aux inhomogénéités spatiales des capteurs (ou éventuellement aux défauts des optiques ou des éclairages). Correction rigoureuse très coûteuse : rarement effectuée. Mise en place des corrections approximatives • Segmentation en quelques zones quasi-homogènes. • Corrections locales (soustraction d'une moyenne flottante, division par un contraste flottant) Les défauts d’homogénéité Problèmes d'éclairage Dérive du contraste Reflets spéculaires vs lumière diffuse Les défauts d’homogénéité Un exemple en imagerie cérébrale Intensité section Condition A Condition B cortex Manipulations d'histogramme A la limite du pré-traitement • Objectif : donner à l'utilisateur un document possédant une meilleure lisibilité. • Utilisent principalement l'information contenue dans l'histogramme • Appliquent aux niveaux de gris de l'image une modification indépendante de leurs positions dans cette image • Opération globale L’histogramme des couleurs • Comptage, pour une image donnée, du nombre d’apparition de chaque couleur h(k) = N � M � (I(i, j) == k) i=1 j=1 • Est essentiellement calculé sur les luminances • Histogramme cumulé Illustration sur une image simple 4 niveaux de gris Distribution bi-modale Étalement d'histogramme (recadrage ou expansion dynamique) • Image peu contrastée • Utiliser dynamique complète autorisée • Dilatation artificielle mais linéaire de l'échelle de gris utilisée • On en retire usuellement un meilleur contraste • Pas toujours possible ………………… Étalement d'histogramme (expansion dynamique) Étalement d'histogramme (expansion dynamique) Égalisation d'histogramme (linéarisation) • Soit un histogramme de niveaux de gris dont les composantes non nulles sont groupées dans la partie basse, médiane ou haute. • Égalisation : Transformation permettant un étalement (?) de ces niveaux selon des proportions uniformes le long de la gamme • • - Étendre le contraste (comme précédemment) - Ramener le document dans une situation où il est aisé de la comparer à un autre. Égalisation d'histogramme principe l Transformer l'histogramme en un histogramme plat par une table de transcodage strictement monotone (préservation de l'ordre des contrastes) l Transcodage par équipopulation. l Séparation des valeurs les plus représentées dans l'image et rapprochement des valeurs marginales. Égalisation d'histogramme principe • • • • Fonction de distribution cumulative (fdc). Transformation non-linéaire des niveaux de gris. Niveaux de gris g uniformément distribués Fonction de densité de probabilité constante pour tout g. Égalisation d'histogramme algorithme /* Initialisation de l'histogramme */ for (i=0; i<256; i++) H[i] = 0 ; /* Calcul de l'histogramme */ for (i=0; i<M; i++) for (j=0; j<N; j++) H[Im[i][j]] ++ /* Calcul de l'histogramme proportionné */ for (i=0; i<256; i++) Hr[i] = H[i] / (M*N) ; Somme = 0 ; /* Calcul de l'histogramme cumule */ for (k=0; k<255; k++) { Somme += Hr[k] ; HC[k] = Somme ; } /* Egalisation */ for (i=0; i<M; i++) for (j=0; j<N; j++) { Niveau_Initial = Im[i][j] ; ImEq[i][j] = 255 * HC[NiveauInitial] ; } Égalisation d'histogramme illustration Image originale Image égalisée Histogrammes : illustrations Histogrammes : illustrations Image originale Histogrammes : illustrations Image originale Étalement d'histogramme Histogrammes : illustrations Image originale Étalement d'histogramme Égalisation d'histogramme Plus rares… • "Manipulations" d'histogramme • Transcodages non monotones • Dynamiques locales • Interactivité importante • Pseudo-couleur • Signal luminance è Trois tables R,G,B • Représentation cognitive Corrections géométriques • Corrections de distorsion, de défauts de parallaxe • Déformation grand angle … • Distorsions géométriques • Mouvements à l'acquisition • Connaissance de la déformation (modèle) • Interpolations • Triangulations - Maillages Corrections géométriques 1 – Distorsion due à l'objectif 2 – Erreur de perspective 3 – Offset d'orientation Notions de prise de vue S Champ de vue (FoV) Distance de travail (WD) Scène Lentille Distance focale (Df) Capteur Prise de vue et échantillonnage S Avec Tmin= Taille du plus petit élément WD Prof. de champ Résolution (SR) Fov Exemples en photographie Exemples en photographie Objectifs FishEye Exemples en photographie Exemples en photographie Exemples en photographie Exemples en photographie Exemples divers Images courbes • Analyse de la distorsion de grilles de calibration • Correction par transformation inverse Exemples divers Capsules endoscopiques Suppression du bruit Préliminaire : filtrage • Élimination de certaines composantes fréquentielles • Filtrage : application d'une transformation mathématique modifie la valeurs des pixels. • transformation linéaire è filtrage linéaire. • prise en compte des valeurs de gris au voisinage de chaque pixel transformé è fonction de convolution. Filtrage linéaire Un filtre linéaire est défini par: Une fenêtre carrée de dimension impaire (3 ou 5) qui est déplacée sur l'image Une matrice de coefficients de même dimension (3 ou 5) a1,1 a1,2 a1,3 a2,1 a2,2 a2,3 a3,1 a3,2 a3,3 Ne(x,y) : niveau d'entrée du pixel de coordonnées x et y Ns(x,y) : Niveau de sortie donné par : Ns(x,y) = a1,1. Ne(x-1,y-1) + a1,2. Ne(x-1,y) + a1,3. Ne(x-1,y+1) + a2,1. Ne(x,y-1) + a2,2. Ne(x,y) + a2,3. Ne(x,y+1) + a3,1. Ne(x+1,y-1) + a3,2. Ne(x+1,y) + a3,3. Ne(x+1,y+1) Le bruit : Hypothèses Principes de base : • On utilise la redondance élevée du signal d'image pour éliminer le bruit • On atténue les hautes fréquences qui contiennent essentiellement du bruit. Hypothèses générales : • Le bruit est additif • Le bruit est indépendant du signal • Le bruit est fortement décorrélé (bruit à large bande) Modèle le plus simple : le bruit blanc (spectre de densité de puissance uniforme ou à autocorrélation microscopique). Le filtrage anti-bruit (opérateurs de lissage) Moyennage – Filtres passe-bas 1 1 1 1 1 1 1 2 1 W1 = 1/9 1 1 1 W2 = 1/10 1 2 1 W3 = 1/16 2 4 2 1 1 1 1 1 1 1 2 1 Le filtrage anti-bruit (opérateurs de lissage) Moyennage – Filtres passe-bas 1 1 1 1 1 1 1 2 1 W1 = 1/9 1 1 1 W2 = 1/10 1 2 1 W3 = 1/16 2 4 2 1 1 1 1 1 1 1 2 1 Défauts : - Certaines fréquences détruites - Images dégradée - Contours altérés Application au rééchantillonnage 70 % Problème : destruction d’information (de fréquences ?) : Application au rééchantillonnage 70 % Problème : destruction d’information (de fréquences ?) : Repliement de spectre (aliasing) Application au rééchantillonnage 70 % Problème : destruction d’information (de fréquences ?) : Anti-aliasing 70 % Repliement de spectre (aliasing) Le filtrage anti-bruit (opérateurs de lissage) Laplacien – Filtres passe-haut -1 -1 -1 0 -1 0 W4 = -1 8 -1 W5 = -1 4 -1 -1 -1 -1 0 -1 0 Le lissage "min-max" • Cas particulier : Plus un opérateur linéaire (sinon en limite). • Consiste à remplacer la valeur au pixel (x,y) par le minimum ou le maximum sur la fenêtre centrée en ce point selon la proximité de ces deux valeurs à la valeur centrale. Soit m (resp. M) la valeur minimale (resp. maximale) de l'information portée par l'image sur la fenêtre W centrée au point (x,y). On obtient : gW(x,y) = m (resp. M) si g(x,y) < (resp. >) (M-m)/2 Lissage robuste : Lissage médian • Préserve les contours. • Principe : Remplacer la valeur du pixel central par la valeur médiane de la répartition (luminances triées dans l'ordre croissant) des niveaux de gris des pixels situés à l'intérieur de cette fenêtre Lissage robuste : Lissage médian • Préserve les contours. • Principe : Remplacer la valeur du pixel central par la valeur médiane de la répartition (luminances triées dans l'ordre croissant) des niveaux de gris des pixels situés à l'intérieur de cette fenêtre Lissage robuste : Lissage de Nagao • Utilisé fréquemment dans les images comportant de très fortes structures artificielles • Découpe d'une fenêtre 5x5 centrée sur le pixel en 9 fenêtres de 9 pixels • Mesure sur chacune de ces fenêtres d'une valeur de l'homogénéité (variance par exemple). • Le pixel central est alors remplacé par la valeur de la zone la plus homogène. Lissage : Illustrations Image brute filtrage de moyenne filtrage médian filtre de Nagao