Discussion :

[millie]

L'algorithme créait un noyau de convolution d'un certain rayon et d'un sigma défini.

Si le rayon vaut 1 par exemple, alors le noyau sera de taille 2*rayon+1 en largeur et 2*rayon +1 en hauteur.
Pour accèder à un élément du noyau, on note : kernel(i,j) ou (i,j) désigne la position (commence à 0 et pas à 1)

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
fonction creerNoyauGaussien(Entier rayon, Reel sigma) -> Noyau
 
kernel : Noyau de convolution de taille 
  largeur = 2*rayon+1
  hauteur = 2*rayon+1
  et centré en (rayon, rayon)
 
Si sigma == 0
 Erreur
Si rayon<1
  Erreur
 
Réel gaussianKernelFactor <- 0
Réel e <- 0
 
Pour ky = -rayon à rayon
 Pour kx = -rayon à rayon
 {
   e <-  exp( - (kx*kx+ky*ky) / (2*sigma*sigma))
   gaussianKernelFactor <- gaussianKernelFactor  + e
   kernel(kx+rayon, ky+rayon) <- e  
 }
 
  /*on divise tout par le facteur afin que la somme de tous les éléments
   * soient égaux à 1
   */
 
Pour ky = -rayon à rayon
 Pour kx = -rayon à rayon
 {
     kernel(kx+rayon, ky+rayon) <-  kernel(kx+rayon, ky+rayon) / gaussianKernelFactor
 }
 
retourner kernel

Rayon 3 : sigma 2


Rayon 3 : sigma 5

Rayon 5 : sigma 5


A noter que le temps d'attente devient infernal au dessus d'yn rayon 5 (matrice de convolution de taille 11*11), il vaut mieux passer dans l'espace de Fourier.

[PRomu@ld]

En général, utilisé tels quels, ils ne sont pas très utiles tant ils lissent les contours. Utilisés de manière adaptative, ils servent de prétraitement avant par exemple une segmentation.

Tu peux t'en servir aussi dans un domaine plus artistique, pour effectuer un effet de "glow" autour des objets (en combinant ça avec des masques).

[kromartien]

en fait alors une bonne utilisation serait de traiter algorithmiquement une image avec un kernel adaptatif, c'est à dire que le programmeur aura stocké des kernels spécifiques qui seront utilisés en fonction des caractéristiques de la zone de l'image à traiter.
Ça se fait? Ok merci la bonne idée.

[edit] J'ai supprimé mon post précédent que je retranscris ici, à replacer entre le post de millie et celui de Promu@ld :

"Le filtrage est-il le seul intérêt des kernels de convolution, ou ont-ils des applications plus spécifiques?"

[PRomu@ld]

En fait par adaptatif, je parle de l'application du filtre, en fait grosso modo, lorsque tu as un contour (où une différence très importante entre deux zones ce qui revient parfois au même ), tu n'appliques pas le filtre, ça permet de préserver le contour tout en réduisant le bruit dans les zones uniformes.

[kromartien]

oui c'est ça, mais je ne sais pas encore de quelle manière on peut caractériser une zone. Je pensais à une moyenne sur un carré de quatre pixels par exemple, méthode 'artisanale', mais je n'ai pas d'autre idée pour définir un seuil pour l'utilisation de tel ou tel kernel de convolution. S'il faut coupler ça avec de la détection de contours, ça devient assez difficile. Je suis en train de lire quelques cours à ce sujet, mais je suis bien loin d'une implémentation.

[PRomu@ld]

Si tu as des questions, ouvre un autre thread.