Vous êtes sur la page 1sur 52

24/02/2008 21:33

Master en Informatique
et Tlcommunications
Traitement dImage Numrique

Professeur A. HAOUARI
1

Chapitre I: Gnralits;
dfinitions principales

24/02/2008 21:33

Gnralits; dfinitions principales


Lobjectif de ce chapitre est de donner les dfinitions de base
utilises dans le domaine de lImagerie Numrique, de
comprendre le processus de formation de limage numrique
partir dune scne 3D et un survol rapide des domaines
dapplication.
Dfinition de lImage
Limage est une reprsentation dune personne ou dun objet
par la peinture, la sculpture, le dessin, la photographie, le film,
etc.
Cest aussi un ensemble structur dinformations qui, aprs
affichage sur lcran, ont une signification pour lil humain.
3

Reprsentation dimage
1) Reprsentation continue (analogique)
Image = fonction dau moins deux variables relles
y Image : f(x,y)

image 2D

y Volume : f(x,y,z)
image 3D
y Squence dimage : f(x,y,t)
y Squence de volumes : f(x,y,z,t)
image 4D
Les valeurs prises par f(.) peuvent tre
y Scalaires (intensit lumineuse)
y Vectorielles (couleur (RVB, ..), imagerie multispectrale,
image de paramtres...)
y Relles ou complexes
4

24/02/2008 21:33

Reprsentation dimage
Une image 2D f(x,y) scalaire relle peut tre vue comme une
surface en 3D :

Si f(.) reprsente une intensit lumineuse

Reprsentation dimage
Une image est la projection plane dune scne 3D

24/02/2008 21:33

Reprsentation dimage
2) Reprsentation chantillonne
chantillonnage dune fonction f(x,y)
fe(x,y) = f(x,y).i j ( x - i x , y - j y )
x pas dchantillonnage dans la direction x
y pas dchantillonnage dans la direction y

i j ( x - i x , y - j y ) Peigne de Dirac 2D

Reprsentation dimage
Image Numrique:
Une forme discrte d'un phnomne continu.
Elle est gnralement bidimensionnelle.

Il y a 3 types dimage

24/02/2008 21:33

Reprsentation dimage

Image couleur

Image en niveaux
de gris

image code
8bits/pixel/couleur
Image code
8bits/pixel
28 =256 niveaux
de gris

Image binaire

image code

2 niveaux: noir

1bit/pixel

et blanc

Reprsentation dimage
3) Reprsentation matricielle ou vectorielle
Reprsentation matricielle
On considre l'image comme un ensemble de points, les pixels.
(pixels = picture elements = lments images = les plus petits
constituants d'une image). Chaque point est dfini par sa couleur.
Une image matricielle (bitmap) est dcrite par
un tableau de pixels
les informations de couleur de ces pixels

10

24/02/2008 21:33

Reprsentation dimage
reprsentation vectorielle
Les images vectorielles dcrivent les objets qu'elles contiennent
par leurs caractristiques gomtriques, sous forme de
"vecteurs" et dans un espace donn.

11

Reprsentation dimage
Une image vectorielle est dcrite par :
un ensemble dobjets gomtriques 2D
leurs positions dans limage
leurs proprits de couleur, dpaisseur, etc.

12

24/02/2008 21:33

Vectorielle ou matricielle: Avantages et inconvnients


Image vectorielle

Image matricielle

cration

Logiciel de dessin

Acquisition

Difficile

Logiciel de retouche
dimage
Facile

modification

Facile

Difficile

Redimensionnement Insensible
Taille mmoire

Petite

Sensible
Grande
13

Ex: Redimensionnement dune image

14

24/02/2008 21:33

Reprsentation dimage
Image naturelle Plusieurs
moyens d'acquisition: camra,
microscope, tomographie,
infra-rouge, satellite,
Image artificielle Plusieurs
outils de reprsentation:
synthse d'images, ralit
virtuelle, visualisation
scientifique, jeux vido, etc.
15

Reprsentation dimage
Reprsentations frquentielles
Notion de frquence spatiale:
Dans ce cas, lespace de travail est lespace image. On parlera
de deux types de frquences:
Les basses frquences qui caractrisent les zones
homognes, ou continues par rapport une proprit de
limage telle que lintensit lumineuse (niveau de gris) ou
la texture.
Les hautes frquences qui caractrisent les dtails et les
contours dans limage.
16

24/02/2008 21:33

17

Reprsentation dimage
Transforme de Fourier 2D
Dans ce cas, lespace de travail est lespace de Fourier: on passe
de lespace image lespace de Fourier par une transformation de
Fourier bidimensionnelle.
Transforme de Fourier Discrte 2D (DFT)

1
F (u, v ) =
MN

M 1 N 1

m=0 n=0

f [ m , n ] ex p ( 2 j (

m u nv
+
))
M
N

DFT

18

24/02/2008 21:33

Reprsentation dimage

Haute
frquence

fx
fy

DFT

Basse
frquence
fx
19

fy

Reprsentation dimage
Ex1
DFT
u

20

10

24/02/2008 21:33

Reprsentation dimage
Ex2: Fentrage frquentiel

21

Reprsentation dimage
Dans ce cours : image = information issue d'un capteur
(camra, ).

22

11

24/02/2008 21:33

IMAGERIE NUMRIQUE:Traitement

23

APPLICATIONS
Robotique (Industrie)
Assemblage, Reconnaissance de pices, Contrle de qualit
Vhicule autonome, etc.

24

12

24/02/2008 21:33

APPLICATIONS

Reconnaissance des
pices mcaniques

25

Cassure

Cheveux

Inclusions

Analyse
Analysede
deDEFAUTS
DEFAUTSsur
surdes
desBOUTEILLES
BOUTEILLES

26

13

24/02/2008 21:33

APPLICATIONS
Tldtection:
Mto, Cartographie, Analyse des ressources terrestres
Astronomie. etc.

Cartographie et dlimitation
des inondations

Suivi du cyclone

27

APPLICATIONS
Les images satellitaires et ariennes
servent :
la classification des types de cultures
l'valuation de la sant des cultures
l'estimation de la production totale
d'une rcolte
la cartographie des caractristiques
du sol

28

14

24/02/2008 21:33

Surveillance des feux de forts

Image visible

Image infrarouge thermique

29

APPLICATIONS
L'identification de la couverture du sol
tablit la ligne de base partir de
laquelle des activits de suivi (et de
dtection) des changements peuvent
tre

effectues,

et

fournir

des

informations prliminaires pour les


cartes thmatiques
Couverture et
utilisation du sol

30

15

24/02/2008 21:33

APPLICATIONS
Applications militaires
Guidage de missiles,
reconnaissance arienne sousmarine, etc.
Missile guidage laser

Dtection et protection
des vhicules de combat
31

APPLICATIONS

32

16

24/02/2008 21:33

APPLICATIONS
Imagerie mdicale
Tomographie, Aide au diagnostique, Comptage du nombre de
cellules, Suivi de formes anatomiques
etc.

Image IRM

Rayons-X

33

APPLICATIONS

Rayons-X

Mdecine nuclaire

34

17

24/02/2008 21:33

APPLICATIONS

Dtection des tumeurs cancreuses


partir dune mammographie (Rayons X)

Limage de la
rtine humaine

35

APPLICATIONS
Scurit
Reconnaissance d'empreintes, visages, signatures
Dtection de mouvement, etc.

36

18

24/02/2008 21:33

APPLICATIONS

37

Lecture Automatique de Documents

38

19

24/02/2008 21:33

Un systme d identification de l individu


chantillonnage
et Codage

Dtection
de Contours

Extraction de
Paramtres

Vecteur de
Paramtres

a1
a
2
a 3

#
a i

#
a
n

Dcision

C est
M. X

Comparaison

Bibliothque
39

40

20

24/02/2008 21:33

ACQUISITION DUNE IMAGE NUMRIQUE


1. I(x,y) continue 2. I(x,y) numrise (chantillonne et quantifie)

scne

Camra
(CCD, Vidicon)

1.

2.

Projection 2D dune scne 3D


I(x,y) reprsente lintensit de la
lumire au point (x,y)
Matrice o la valeur de chaque
lment reprsente lintensit
discrte de la lumire

Numriseur

Image
numrique

Pixel
(picture element)
0: noir
255: blanc
41

Scne
Ensemble des objets qui se trouvent dans le champ de
vision
Source lumineuse
Soleil
clairage ambiant
Projecteurs
Laser
Autres

42

21

24/02/2008 21:33

Processus de formation de limage

43

Capteur
Camra vido
Appareil photo
Camra numrique
Camra thermique, 3-D, multispectrale, haute vitesse, ...
Numriseur
Numriseur de trame vido.
Numriseur balayage (scanner).

44

22

24/02/2008 21:33

Types de capteurs
CCD:Charged Coupled Device
Meilleure qualit
Moins de bruit
Demande plus de puissance (100X)
Plus sensible
CMOS: Complementary Metal Oxide Semiconductor
Gnralement moins cher
Plus de bruit,
Demande moins de puissance
Moins sensible

45

Caractristiques d'un capteur image


- Rapport signal sur bruit
- Sensibilit
- Sensibilit spectrale
- Fonction de transfert
- Correction Gamma
- Rsolution
- Temps d'intgration
- Saturation
- Rmanence
46

23

24/02/2008 21:33

Processeur
Ordinateur
Unit de traitement de signal (DSP)
Logique programme
Circuit intgr ddi
Ordinateurs parallles
Affichage (facultatif)
Moniteur vido
Moniteur dordinateur

47

Logiciel
Progiciels spcialiss
Aphelion, Visilog, KBVision
Outils mathmatiques
Matlab, Maple, Mathmatica
Programmation
C, C++, Java,

48

24

24/02/2008 21:33

Capteurs
Principe gnral (ex: photodiode)
L'nergie incidente est convertie en signal lectrique
La sortie est proportionnelle la lumire
Un filtre pour augmenter la slectivit

49

Capteurs
En Matrice

50

25

24/02/2008 21:33

CCD couleur (Charge-Coupled Device)


Avec filtre, puis
interpolation (Note:
tri-CCD aussi
possible avec un
systme optique
(prisme) et 3
matrices CCD)

51

sens de parcours
squentiel dune image
pour des raisons doptimisation, cest dans ce sens que
seront rangs les pixels dans le tableau image

52

26

24/02/2008 21:33

TRAITEMENT DIMAGERIE NUMRIQUE

53

TRAITEMENT DIMAGES VS VISION

Bas Niveau

Transmission, Compression
Rehaussement, Restauration

Traitement

Super-rsolution

dimages

Dtection contours, Segmentation

Suivi de forme

Vision

Strovision
Reconnaissance des formes

Haut Niveau Comprhension de limage


54

27

24/02/2008 21:33

EXEMPLES DE TRAITEMENT DIMAGES

55

LIMAGE NUMRIQUE EN NIVEAUX DE GRIS

56

28

24/02/2008 21:33

Le Traitement dImages et les autres disciplines

Analyse
numrique

Thorie du
signal

Informatique

Traitement
dimages

lectronique
Optique

Thorie des
systmes

Statistique

Thorie de
linformation

Neurophysiologie

57

Relation entre le Traitement dImages


et le Traitement des Signaux

58

29

24/02/2008 21:33

Position du traitement dimages :


Traitement
numrique des signaux

Traitement
dimages

Analyse de
scnes

Reconnaissance
de formes

Intelligence
artificielle

59

Chane complte de traitement dimages et vido

60

30

24/02/2008 21:33

Numrisation dimages
Numrisation: tape essentielle pour passer dune
reprsentation continue une reprsentation discrte
chantillonnage
Quantification

61

chantillonnage

1 pixel
quantification
0 1 2 3 4 5 6 7

0
1
2
5
1
0
1
1
2
1

5
5
3
7
7
2
3
2
1
0

7
0
4
6
5
1
1
3
2
1

6
7
0
0
0
5
2
2
3
1

5
6
5
6
4
0
7
4
5
2

4
5
3
6
5
0
0
6
1
2

3
2
3
6
6
7
0
7
1
3

2
3
5
4
5
6
0
5
5
6

1
2
2
3
4
5
0
4
2
4

1
0
2
3
5
6
1
7
6
4

1 pixel (3 bits)
codage 1
binaire

stockage
62

31

24/02/2008 21:33

Numrisation dimages
Les images en couleurs sont reprsentes par leurs composantes.
Chaque composante est reprsente son tour comme une image

63

chantillonnage
tape ncessaire quand le signal sous-jacent est analogique
Dans le cas 1-D l chantillonnage est bien expliqu, bien connu,
bien compris et bien utilis.
La gnralisation, sans faire attention, de 1-D M-D est
dangereuse!
La nature des signaux M-D est presque toujours diffrente de
celle des signaux 1-D.
Les contraintes des applications et des ralisations sont
diffrentes.
64

32

24/02/2008 21:33

chantillonnage

65

chantillonnage
Dans le cas 1-D on utilise le thorme bien connu de
lchantillonnage : Un signal analogique peut tre entirement
reconstruit partir de ses chantillons s il est chantillonn au
moins au double de sa frquence maximum.
La frquence maximum doit tre connue (peut tre mesure
avec des analyseurs de spectre)
Le signal doit tre stationnaire (transforme de Fourier)
La condition est donne pour la reconstruction du signal
analogique
66

33

24/02/2008 21:33

chantillonnage
L chantillonnage M-D de f(x, y) est ralis en prlevant des
chantillons espacs priodiquement. Le signal chantillonn est
donn par:
fe(x,y) = f(x,y).i j ( x - i x , y - j y )
x pas dchantillonnage dans la direction x
y pas dchantillonnage dans la direction y

67

chantillonnage
i j ( x - i x , y - j y ) Peigne de Dirac 2D
La relation dans le domaine frquentiel devient:

1 k =+ l=
k
k

Fe (u, v) =
F
u
,
v

xy k = l=
x
y

68

34

24/02/2008 21:33

Thorme dchantillonnage
Un signal analogique 2D peut tre entirement reconstruit
partir de ses chantillons pour autant que les frquences
dchantillonnage soient au moins deux fois plus grandes que les
frquences maximales du signal

1
1
2umax ;
2vmax
x
y

f e 2 f max_ image

Hypothses
Les frquences maximales du signal sont connues
Le signal est stationnaire

69

chantillonnage
Limage chantillonne est donc :

~
f e ( x, y) = f (ix, jy) ( x ix, y jy)
i

Avec un capteur matrice :

70

35

24/02/2008 21:33

chantillonnage

71

Quantification
Dfinitions
Quantification uniforme
Quantification non-uniforme

72

36

24/02/2008 21:33

Quantification
Dfinition:La quantification dsigne la limitation du nombre de
valeurs diffrentes que peut prendre I(x,y).

Quantification : discrtisation de l'espace des couleurs ou


niveaux de gris, elle dfinit le nombre de couleurs utilises pour
dessiner l'image

73

Quantification
le principe : codage des valeurs relles en valeurs entires de
manire optimale i.e. remplacer toute valeur situe entre 2
niveaux de dcision conscutifs di et di+1 par un niveau de
reconstruction ri avec [m, M] la gamme dynamique du signal
quantifier
d0

d1

di

di+1

dn

max(f)=M

min(f)=m
r0

r1

ri

rn-1

contrainte : nouvelle image ressemblant le plus possible l'image


74
initiale

37

24/02/2008 21:33

Effets de l'chantillonnage : pixelisation

Perte de nettet
Dtails moins visibles/ moins prcis
Perte de rsolution
75

Effets de la quantification l'acquisition

76

38

24/02/2008 21:33

Effets de la quantification l'acquisition

8 bits (256 niv.)

4 bits (16 niv.)

2 bits (4 niv.)

Apparition de faux contours


Bruit de quantification
Effet visible lil en dessous de 6/7 bits
Quantification sur 8 bits pour laffichage

77

Effets de lclairage l'acquisition

clairage non uniforme !


Correction de l'clairage

Une bonne acquisition

Des traitements facilits

78

39

24/02/2008 21:33

Relation entre les pixels


Pavages et maillages
Il y a 3 types: triangulaire, carr, et hexagonal.

On place un point au centre de chaque pav, et on joint par une


ligne ceux parmi ces points dont les pavs correspondants se
touchent par un ct. Cela donne le maillage correspondant au
pavage, comme illustr ci-dessous :

79

Relation entre les pixels

Comme le maillage forme un rseau, les pixels sont les points


coordonnes entires selon deux axes. Donc tout pixel se code
comme un couple (i,j) d'entiers.
En maillage carr il est d'usage de prendre le premier axe i
orient vers le bas et le deuxime axe j orient vers la droite
80

40

24/02/2008 21:33

Relation entre les pixels


Dans un maillage carr (aussi appel grille), tout pixel a 2 types
de voisins, savoir ses 4 voisins selon les axes, et ses 4 voisins
selon les diagonales. La relation de proximit entre deux voisins
axiaux est plus forte que celle entre deux voisins diagonaux.

4 horizontaux et verticaux
(i+1, j), (i-1, j), (i, j+1), (i, j-1)
4-voisins de P ->N4(p)
le point central P(i, j)

81

Relation entre les pixels


4 diagonaux
(i+1, j+1), (i+1, j-1), (i-1, j+1), (i-1, j-1)
4-voisins diagonaux de P ->ND(p)
le point central P(i,j)

Adjacence connectivit
Dans le cas du maillage carr, la notion du voisinage permet de
dfinir deux types dadjacence:

82

41

24/02/2008 21:33

Relation entre les pixels


deux pixels p et q sont dits
4-adjacents s'ils sont voisins suivant un axe,
8-adjacents s'ils sont voisins suivant un axe ou une diagonale.
j

i
Pour le maillage triangulaire (correspondant au
pavage hexagonal), il n'y a qu'une seule relation
d'adjacence, appele 6-adjacence.
83

Relation entre les pixels


tant donn un pixel (i,j), en maillage carr les pixels adjacents
(i, j) sont :
(i+1, j), (i-1, j), (i, j+1), et (i, j-1) pour la 4-adjacence ;
les mmes, plus (i+1, j+1), (i+1, j-1), (i-1, j+1), et (i-1, j-1)
pour la 8-adjacence.
On vrifie les relations suivantes :
(i, j) est 4-adjacent (i', j') si et seulement si |i-i'| + |j-j'| = 1.
(i, j) est 8-adjacent (i', j') si et seulement si

max(|i-i'|, |j-j'|) = 1.
84

42

24/02/2008 21:33

Relation entre les pixels


En maillage triangulaire, les pixels 6-adjacents (i, j) sont:
(i+1, j), (i-1, j), (i, j+1), (i, j-1), (i+1, j+1), et (i-1, j-1) pour des
axes formant un angle de 60 ;
(i+1, j), (i-1, j), (i, j+1), (i, j-1), (i+1, j+1), et (i-1, j-1) pour des
axes formant un angle de 120.
j

j
i

85

Relation entre les pixels


Chemins
Soit k le nombre dsignant l'adjacence choisie, c..d. k = 4 ou 8
pour le maillage carr du plan (k = 6, pour le maillage cubique de
l'espace tri-dimensionnel et k = 6 pour le maillage triangulaire du
plan). On parlera donc de la relation de k-adjacence entre les
pixels (ou voxels).
dfinition
Un k-chemin du pixel p au pixel q est une suite x0, ..., xn (o n est
un entier naturel) de pixels tels que
x0 = p et xn = q,
pour i = 0, ..., n-1, xi est k-adjacent xi+1.
86

43

24/02/2008 21:33

Relation entre les pixels


Remarques
1) n est la longueur du chemin.
2) Un chemin de longueur n comporte donc n+1 pixels et n
transitions
3) En maillage carr tout 4-chemin est un 8-chemin
4) Dans toute la suite, on se limitera au cas du maillage carr.
Distances

87

Relation entre les pixels


dfinition
La k-distance dk(p,q) entre deux pixels p et q est la longueur
minimum d'un k-chemin de p q. Il s'agit bien d'une distance
dans le sens qu'elle vrifie les axiomes suivants :
dk(p, p) = 0, et pour p diffrent de q on a dk(p, q) > 0
(identit et positivit) ;
dk(p, q) = dk(q, p) (symtrie) ;
dk(p, r) est plus petit que ou gal dk(p, q) + dk(q, r)
(ingalit triangulaire).
88

44

24/02/2008 21:33

Relation entre les pixels


Dans le cas du maillage carr il est facile de voir que si p et q sont
de coordonnes (i, j) et (i', j') respectivement, alors
d4(p, q) = |i-i'| + |j-j'|

et

d8(p, q) = max(|i-i'|, |j-j'|).


Connexit
Dfinition
Soit X un ensemble de pixels. On dit que X est k-connexe si pour
tous p, q dans X, il existe un k-chemin de p q entirement inclus
dans X.
89

Relation entre les pixels


Toutes les composantes (de
1 5 ) sont 4-connexes

les composantes 8-connexes sont:


la runion des ensembles 1 3
la runion des ensembles 4 et 5.
Remarque
90

45

24/02/2008 21:33

Relation entre les pixels


L'ensemble vide et les singletons {p} sont k-connexes ;
tant donn une famille d'ensembles k-connexes ayant un pixel
p en commun, la runion de ces ensembles est k-connexe.
En maillage carr tout 4-chemin est un 8-chemin, donc un
ensemble 4-connexe sera toujours 8-connexe
Un ensemble n'tant pas toujours connexe, on peut alors le
dcomposer en ses composantes connexes.
Dfinition
On appelle une composante k-connexe de X une partie k-connexe
maximale de X.
91

Relation entre les pixels


Si X est non-vide, les composantes k-connexes de X forment
une partition de celui-ci, c..d. elles sont non-vides,
mutuellement disjointes, et recouvrent X.
Pour un pixel p de X, la composante k-connexe de X contenant
p est la runion de toutes les parties k-connexes de X
contenant p.
En maillage carr une composante 8-connexe de X est la
runion d'une ou plusieurs composantes 4-connexes de X
relies entre elles par des connexions en diagonale.
92

46

24/02/2008 21:33

Relation entre les pixels


Pixels objets et pixels fond
Le support dune image peut tre divis en deux classes:
La classe des points objets note
La classe des points fond note
Dfinition
P et Q deux lments de

S et

sont connects dans

un chemin connexe inclus dans

sil existe

, reliant P Q.

Des exemples illustrant cette dfinition sont donns par la figure


ci-aprs;
93

Relation entre les pixels

Sur cette figure, les lments de

sont reprsents par x, le

fond est constitu des autres lments.


Dfinition
Une composante connexe est par dfinition une classe
dquivalence de la relation dquivalence " tre connect dans

S"

94

47

24/02/2008 21:33

Relation entre les pixels


En utilisant la notion de connexit, la classe des points fond
note

peut tre subdivis en deux rgions: la rgion fond et

la rgions compose de trous dfinies de la faon suivante:


Dfinition:
Lunique composante de

dont les lments sont connects

au bord du support de limage est dfinie comme tant le fond


de limage.
Les autres composantes de S sont dfinies comme tant les

S.

trous de
Si

S na pas de trou, on dit que S est simplement connexe.

95

Relation entre les pixels

Les points nots constituent le fond.


Les points nots x constituent la composante 8-connexe S1
Les points nots o constituent le trou de S1
Les points nots + constituent la composante simplement connexe
S2

96

48

24/02/2008 21:33

Relation entre les pixels


Dfinition
Un trou est un point de

intrieur

, cest--dire que tout

chemin connexe reliant ce point au bord du support de limage


passe par un point de

Remarque
La notion de connexit permet de dfinir un grand nombre de
concepts topologiques tels que composante, intrieur, extrieur,
frontire.
En effet, en analyse dimage, des mthodes couramment utilises
sappuient sur la notion de frontire des composantes, des
paramtres associs la gomtrie et la forme sen dduisent.
97

Relation entre les pixels


Pour cela, il est ncessaire de dfinir les notions darc, de courbe
et de frontire en discret.
Dfinition
Un ensemble de points S est un arc si S est connexe et si chacun
de ses points exceptes les extrmits, a exactement deux
voisins.

98

49

24/02/2008 21:33

Relation entre les pixels


Proprits
Un arc est simplement connexe
Courbe: dfinition
Une composante

S est dite une courbe si elle est connexe et si

chacun de ses points a exactement deux voisins.

99

Relation entre les pixels


On peut alors dfinir les notions de frontire et de point intrieur:
Dfinition

S qui ont un voisin (au


S compose la frontire de S

Lensemble des points de la composante


sen de la connexit dans
Dfinition
Dans le cas o

) dans

S est simplement connexe, les points de S qui ne

sont pas points frontires, sont dfinies comme des points


intrieurs la composante

100

50

24/02/2008 21:33

Relation entre les pixels

S est une composante 4-connexe


X Points intrieurs Points frontires
101

Relation entre les pixels

S est une composante 8-connexe


X Points intrieurs Points frontires
102

51

24/02/2008 21:33

Relation entre les pixels

S composante 8-connexe; non simplement connexe


x Points intrieurs; Points frontires extrieurs
x Points frontires intrieurs

103

52