Organisation du cours

• 14 séances d’1h30 (CM/TP)
  • Implémentation en Python utilisant les librairies NumPy et SciPy
  • Utilisation des notebook jupyter
• Évaluation :
  • 1 ou 2 TP notés (note individuelle)
  • 1 projet en binôme
    • étude bibliographique, implémentation
    • rapport écrit, présentation orale
• Enseignant : Emmanuel.Caruyer@irisa.fr
  • CR CNRS, Équipe-projet Empenn
  • Traitement d’images médicales, neuroimagerie

Ressources

• Site web du cours : http://emmanuelcaruyer.com/imagerie-numerique.php
  • Transparents
  • Exemples de cours (Assurez-vous que vous pouvez les exécuter et les comprendre)
  • Sujets de TD et code source à compléter si besoin
• Bibliographie (complétée pendant le cours)
  • Stéphane Mallat. 2008. A wavelet tour of signal processing: the sparse way. Academic Press.

A wavelet tour of signal processing

Compression d’images

Une image compressée en JPEG et en JPEG2000 (même taille de fichier)

[source : wikibook https://fr.wikibooks.org/wiki/Le_format_JPEG_2000]

Progrès liés :

• à la représentation mathématique des images
• à la compréhension du système visuel humain

Débruitage (1)

Imagerie par résonance magnétique

Imagerie radar

Photographies numériques (différents réglages ISO)

Débruitage (2)

\[I[i,j] = I_0[i, j] + \epsilon, \qquad \epsilon \sim \mathcal{N}(0, \sigma^2)\]

Rapport signal sur bruit (Signal to Noise Ratio) \[SNR = \frac{1}{nm} \sum_{i=1}^n \sum_{j=1}^m I[i,j] / \sigma\]

Problèmes inverses (1) – Inpainting

Un masque de la grille à effacer

[source : G’MIC, David Tschumperlé]

Problèmes inverses (2) – super-résolution

800x600 (Taille originale de l’image: 381x231px)

source : G’MIC, David Tschumperlé

Problèmes inverses (3) – défloutage (deblurring)

Exemple de flou : bokeh – partie d’une photo hors zone de mise au point