Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Bases de l’imagerie<br />
Spécialité IMAgerie<br />
<strong>BIMA</strong> - <strong>Examen</strong> <strong>session</strong> 1<br />
13 décembre 2010<br />
Le barème, sur 40, n’est donné qu’à titre indicatif, et est susceptible d’être modifié. Aucun document<br />
ni machine électronique ne sont autorisés. Durée de l’examen : 2h.<br />
Exercice 1 — Questions de cours (4 points)<br />
1. Si on détecte, dans le spectre de Fourier d’une image une bande de fréquence particulièrement<br />
forte, est-il possible de la localiser dans le domaine spatial ? (5 lignes maximum)<br />
2. Expliquer le principe du codage RVB d’une couleur. (5 lignes maximum)<br />
3. Expliquer le fonctionnement de l’algorithme du graph cut. Est-ce un algorithme de fusion<br />
ou de division de régions ? (5 lignes maximum)<br />
4. Dans le contexte de l’analyse linéaire discriminante (ALD), On considère la matrice X des<br />
n vecteurs des données rangés en colonnes, et supposés de moyenne nulle, répartis en deux<br />
classes selon les proportions (n 1 , n 2 ), et de barycentres (g 1 , g 2 ). Fournir :<br />
(a) la définition de la matrice de variance/covariance (notée V ) en fonction de n et X ;<br />
(b) la définition de la matrice de variance inter-classe (notée W ) en fonction de n 1 , n 2 , g 1<br />
et g 2 ;<br />
(c) le critère d’optimisation de l’ALD en fonction de V et W .<br />
Exercice 2 — Images et histogrammes (12 points)<br />
Dans cet exercice, nous travaillons sur des images en noir et blanc dont les niveaux de gris<br />
peuvent être répartis sur 0, . . . , L − 1, avec L = 51. On considère une image I, qui possède<br />
l’histogramme suivant :<br />
k 4 6 8 10 12 14 18 20 22 29<br />
H(k) 10 10 10 20 10 10 10 20 50 50<br />
1. Quel est le nombre P de pixels dans l’image I ? Que représente L ?<br />
2. Tracer cet histogramme et donner, pour I les valeurs de k min et k max .<br />
3. Calculer l’histogramme cumulé H c (k).<br />
4. Calculer et dessiner l’histogramme étiré sur l’intervalle maximum possible de niveaux de<br />
gris dans le cadre de cet exercice.<br />
5. Calculer et dessiner l’histogramme égalisé. On rappelle que l’égalisation d’histogramme<br />
transforme un niveau de gris k en k ′ = Int ( + L−1<br />
P<br />
H c(k) ) et H c (k) l’histogramme cumulé<br />
du niveau de gris k. Int + est la fonction qui arrondit à l’entier supérieur (pour simplifier<br />
les calculs de tête).<br />
6. Quelle différence y a-t-il entre un étirement et une égalisation d’histogramme.<br />
Université Pierre et Marie Curie 1 Master 1 Informatique
Exercice 3 — Réflexion (6 points)<br />
La distance de Bhattacharya permet (entre autres) de mesurer l’écart entre deux histogrammes<br />
H 1 et H 2 , respectivement des images I 1 et I 2 (dans cet histogramme, on appellera<br />
P le nombre de pixels qu’elles contiennent - les images sont de même taille), et est définie par la<br />
formule suivante :<br />
L−1<br />
∑ √<br />
d(H 1 , H 2 ) = √ 1 − H1 (k)H 2 (k)<br />
où H 1 (k) (respectivement H 2 (k)) est le nombre de pixels de niveau de gris k présents dans l’image<br />
divisé par le nombre total de pixels dans l’image I 1 (respectivement I 2 ) : H 1 (k) et H 2 (k) sont<br />
donc ici des histogrammes normalisés.<br />
k=0<br />
1. À quoi sera égale la distance de Bhattacharya entre deux images complétement identiques ?<br />
Justifier en donnant l’expression de cette distance dans ce cas particulier.<br />
2. Donner l’expression de la distance de Bhattacharya entre deux images I 1 et I 2 complétement<br />
homogènes, mais d’un niveau de gris différent (k 1 pour I 1 et k 2 pour I 2 ) ? Est-ce que la<br />
valeur de cette distance est dépendante de k 1 et k 2 ? Expliquer pourquoi ?<br />
Exercice 4 — Aliasing (6 points)<br />
On considère la fonction 2D suivante (sinus cardinal 2D) :<br />
sinc 2d (x, y) = sin(2πf ox)<br />
2πf o x<br />
· sin(2πf oy)<br />
2πf o y<br />
( ) (<br />
La transformée de Fourier de sinc 2d (x, y) s’écrit : T F [sinc 2d (x, y)] = S(u, v) = 1<br />
u<br />
Rect<br />
f0 2 2f o<br />
Rect<br />
Rappel : la fonction Rect(t) est la fonction ”Porte” :<br />
{<br />
1 si |t| ≤<br />
1<br />
Rect(t) =<br />
2<br />
(2)<br />
0 sinon<br />
1. sinc 2d (x, y) est-il un signal à bande limitée ?<br />
(a) Quelle est sa fréquence de coupure ?<br />
(b) Représenter graphiquement S(u, v).<br />
2. On échantillonne sinc 2d avec f e = f o .<br />
(a) Le signal est-il échantillonné de sorte à ne pas perdre d’information lors de la discrétisation<br />
(théorème de Shannon) ?<br />
(b) Quelle est la fréquence de coupure limite f l e ?<br />
(c) Représenter graphiquement le spectre du signal échantillonné pour f e = 4f o .<br />
(1)<br />
v<br />
2f o<br />
).<br />
2
Exercice 5 — Transformée de Fourier Rapide (12 points)<br />
Rappel : en 1d, la Transformée de Fourier Discrète (TFD) X(h) d’un signal numérique x(n) de<br />
N échantillons s’écrit :<br />
h ∈ {0; N − 1} X(h) =<br />
N−1<br />
∑<br />
k=0<br />
x k e − 2iπhk<br />
N (3)<br />
1. Quel est le nombre de multiplications et d’additions nécessaires pour calculer un X(h)<br />
donné par l’équation 3 ? En déduire la complexité du calcul de la TFD.<br />
2. on note WN<br />
hk<br />
2iπhk<br />
= e− N . Montrer que si N est pair (i.e. N = 2M), la TFD peut s’écrire :<br />
X(h) =<br />
M−1<br />
∑<br />
k=0<br />
x 2k W hk<br />
M<br />
Indication : on utilisera le fait que W 2hk<br />
2M<br />
+ W h 2M<br />
= W hk<br />
M .<br />
M−1<br />
∑<br />
k=0<br />
x 2k+1 W hk<br />
M (4)<br />
3. On considère maintenant le signal discret constitué par les échantillons pairs du signal de<br />
départ, signal de taille M = N 2 . On note E h la transformée de Fourier de ce signal, i.e. :<br />
h ∈ {0; M − 1} E h =<br />
M−1<br />
∑<br />
k=0<br />
x 2k W hk<br />
M (5)<br />
De manière identique, en notant O h la transformée de Fourier pour les échantillons impairs,<br />
on a :<br />
h ∈ {0; M − 1} O h =<br />
M−1<br />
∑<br />
k=0<br />
x 2k+1 W hk<br />
M (6)<br />
Montrer alors que la TFD du signal de départ (à N échantillons) peut s’écrire :<br />
(a) h ∈ {0; M − 1}, on a X(h) = E h + W2M h · O h en utilisant directement l’équation 4.<br />
(b) h ∈ {M; 2M − 1} : X(h) = E h − W2M h · O h.<br />
Indication : on utilisera les propriétés suivantes pour h ∈ {M; 2M − 1} :<br />
W h+M<br />
M<br />
= W h+M h+M h+M<br />
M<br />
, et W2M<br />
= −W2M .<br />
4. La décomposition précédente du calcul de la TFD, connue sous le nom d’algorithme de<br />
Cooley-Tukey, permet de calculer la TFD d’un signal de taille N en calculant 2<br />
TFD sur des sigaux de taille M = N 2<br />
(+ une addition/soustraction et une multiplication).<br />
Dans le cas où le signal de départ est une puissance de 2, i.e. N = 2 M , il est possible<br />
d’appliquer la décomposition précédente de manière récursive.<br />
– Montrer que le schéma de récursion pour le nombre d’opérations élémentaires T (N) à<br />
effectuer pour calculer la TFD sur un signal de dimension N s’écrit :<br />
T (1) = b<br />
T (N) = 2 · T ( N 2 ) + a · N (7)<br />
– Donnez les valeurs de a et b dans notre cas. En déduire que T (N) = N(b + a · log 2 (N)).<br />
– Quelle est alors la complexité du calcul de la TFD dans ce cas ?<br />
Indication : effectuer une sommation de chaque T (i) de l’équation 7, puis un télescopage<br />
pour les termes identiques de chaque côté de l’équation.<br />
3