Vous êtes sur la page 1sur 14

Chapitre IV: Manipulation d’Histogramme Docteur Ingénieur Seddik Hassene

Chapitre IV

MANIPULATION D’HISTOGRAMME

I. DEFINITIONS, PRESENTATION ET MOMENTS


Un histogramme est un graphique statistique permettant de représenter la distribution des
intensités des pixels d'une image, c'est-à-dire le nombre de pixels pour chaque intensité
lumineuse. Par convention un histogramme représente le niveau d'intensité en abscisse en allant
du plus foncé (à gauche) au plus clair (à droite). L’histogramme est traduit par le comptage de
l’occurrence de chaque niveau de gris dans l’image.
Ainsi, l'histogramme d'une image en 256 niveaux de gris sera représenté par un graphique
possédant 256 valeurs en abscisses, et le nombre de pixels de l'image en ordonnées.
Formellement la représentation mathématique est écrite comme suit :

ℎ: 0 , L − 1 → ℵ (1)

→ h( ) = (2)

: Kiéme niveau de gris ; : Nombre de pixels dans ce niveau de gris

L’histogramme normalisé s’écrit alors comme suit :

( )= (3)

: Le nombre de pixels total, ( ) : La probabilité d’observer

Prenons par exemple l'image suivante composée de niveaux de gris:


L'histogramme et la palette associés à cette image sont respectivement les suivants :

Fig.1 Distribution d’histogramme

53
Chapitre IV: Manipulation d’Histogramme Docteur Ingénieur Seddik Hassene

L'histogramme fait apparaître que les tons gris clairs sont beaucoup plus présents dans
l'image que les tons foncés.
Le ton de gris le plus utilisé est le 11ème en partant de la gauche. Pour les images en couleur
plusieurs histogrammes sont nécessaires. Par exemple pour une image codée en RGB :
 un histogramme représentant la distribution de la luminance,
 trois histogrammes représentant respectivement la distribution des valeurs respectives des
composantes rouges, bleues et vertes.

Tous les paramètres statistiques sur les niveaux de gris peuvent être calculés à partir de
l’histogramme « Moment d’ordre 1, 2, 3 ‘skewness’, 4 ‘kurtosis’:
1 255
   H i 
256 i  0
(4)

Fig.2 Moyenne d’une dynamique

Le moment d’ordre 1 donne un aperçu sur la moyenne de la dynamique de l’image

1 255
2   H i  i   
2
(5)
256 i 0

Fig.3 Variance d’un Histogramme

Le moment d’ordre 2 identifie comme son nom l’indique le taux de variation de la dynamique.

1 255
S  H i   i   
3
(6)
256 i  0
Le coefficient de Skewness mesure le degré d'asymétrie de la distribution.

54
Chapitre IV: Manipulation d’Histogramme Docteur Ingénieur Seddik Hassene

Fig.4 Moment d’ordre 3 d’un Histogramme

1 255
K  H i   i   
4
(7)
256 i  0

Fig.5 Moment d’ordre 4 d’un Histogramme

Le coefficient de Kurtosis mesure le degré d'écrasement de la distribution.

NB : Notons que les trois images ci dessous ont même histogramme:

Fig.6 Différentes scènes pour un même Histogramme

55
Chapitre IV: Manipulation d’Histogramme Docteur Ingénieur Seddik Hassene

II. MANIPULATION D ‘HISTOGRAMMES


1. Histogramme cumulé

L'histogramme cumulé représente la distribution cumulée des intensités des pixels d'une
image, c'est-à-dire le nombre de pixels ayant au moins une intensité lumineuse donnée.
i
Hc  i    H k  Avec H(k) valeur de l’histogramme.
k 0
Hc(0)=H(0) et Hc(i)=Hc(i-1)+H(i) i>0
Hc(255)= NP nombre total de pixels de l’image.

Réciproquement on peut passer de Hc(i) à H(i) par la formule suivante:


H(0)=Hc(0) .......... H(i)=Hc(i)-Hc(i-1)

Fig.7 Histogramme cumulé

2. Modification de l'histogramme

L'histogramme est un outil très utile pour étudier la répartition des composantes d'une
image mais il permet également de corriger le contraste et l'échelle des couleurs pour des images
sur-exposées ou sous-exposées. En outre sa modification n'altère pas les informations contenues
dans l'image mais les rend plus ou moins visibles.
La modification d'un histogramme est généralement représentée sur une courbe (appelée
courbe tonale) indiquant la modification globale des composantes de l'image avec en abscisse les
valeurs initiales et en ordonnées les valeurs après modification. La courbe tonale correspond à
une fonction de transfert définie par une table de transcodage appelé look up table, notée LUT.

56
Chapitre IV: Manipulation d’Histogramme Docteur Ingénieur Seddik Hassene

Ainsi la diagonale indique la courbe telle que les valeurs initiales sont égales aux valeurs finales,
c'est-à-dire lorsque aucune modification n'a eu lieu. Les valeurs à gauche de la valeur moyenne
sur l'axe des abscisses représentent les pixels "clairs" tandis que ceux à droite représentent les
pixels foncés.

Fig.8 Courbe Tonale

Ainsi, si la courbe de modification de l'histogramme est située en dessous de la diagonale,


les pixels auront des valeurs plus faibles et seront donc éclaircis. A l'inverse si la courbe est au
dessus de la diagonale, les pixels seront assombris.

Fig.9 Assombrissement Fig.10 Eclaircissement

3. Egalisation de l’Histogramme

L'égalisation d'histogramme a pour but d'harmoniser la répartition des niveaux de luminosité de


l'image, de telle manière à tendre vers un même nombre de pixel pour chacun des niveaux de
l'histogramme. Cette opération vise à augmenter les nuances dans l'image. Cette opération donc
Consiste `a rendre le plus plat possible, l’histogramme des niveaux de gris de l’image. L’image
est associée `a une modélisation probabiliste dont l’histogramme représente la densité de
probabilité de la variable niveau de gris. Permet de renforcer le contraste sur des détails qui sont
masques par des variations d’intensité de plus grande amplitude et a plus grande échelle.

Soit f(x, y) : ensemble de réalisations d’une variable aléatoire F admettant une densité de
probabilité h non nulle sur ]Minf(x, y), Maxf(x, y)[ et une fonction de répartition H
histogramme normalisé cumulé).
Problème : chercher T continue, dérivable au moins par morceaux et strictement croissante, telle
que la variable aléatoire G=T(F) soit uniformément répartie dans l’intervalle [gmin, gmax].
Soit g la densité de probabilité´e de G et T’ la fonction dérivée de T.

57
Chapitre IV: Manipulation d’Histogramme Docteur Ingénieur Seddik Hassene

( )
= ( )
= ; < < (8)

Avec = ( )et r le niveau de gris observé sur f, d’où

( )=( − ). ℎ( ) + ; [ ( , )] < < [ ( , )] (9)

Fig.11 Egalisation d’Histogramme

La courbe tonale correspondant à l'égalisation de l'histogramme dépend totalement de


l'image. Toutefois la plupart des outils proposent généralement un outil permettant de faire cette
opération automatiquement.

4. Etirement de l'histogramme

L'étirement d'histogramme (aussi appelé "linéarisation d'histogramme" ou "expansion


de la dynamique") consiste à répartir les fréquences d'apparition des pixels sur la largeur de
l'histogramme. Ainsi il s'agit d'une opération consistant à modifier l'histogramme de telle
manière à répartir au mieux les intensités sur l'échelle des valeurs disponibles. Ceci revient à
étendre l'histogramme afin que la valeur d'intensité la plus faible soit à zéro et que la plus haute
soit à la valeur maximale.
– Une image `a haut contraste aura un histogramme bien réparti
De cette façon, si les valeurs de l'histogramme sont très proches les unes des autres,
l'étirement va permettre de fournir une meilleure répartition afin de rendre les pixels clairs
encore plus clairs et les pixels foncés proches du noir.

58
Chapitre IV: Manipulation d’Histogramme Docteur Ingénieur Seddik Hassene

Fig.12 Elimination des tons extremes


Fig.13

Fig.14 Une meilleure répartition de la dynamique

Il est ainsi possible d'augmenter le contraste d'une image. Par exemple une image trop foncée
pourra devenir plus "visible". Toutefois cela ne donne pas toujours de bons résultats...
La courbe tonale correspondant à un étalement de l'histogramme est de la forme suivante:

Fig.15 Courbe Tonale d’un étirement

Le formellement mathématique de l’étirement est comme suit:

( , ) [ ( , )]
( , )= [ ( , )] [ ( , )]
( − )+ (10)

59
Chapitre IV: Manipulation d’Histogramme Docteur Ingénieur Seddik Hassene

Si le codage est sur 1 octet alors M=255 et m=0


Si le codage est sur 2 octet alors M=65535 et m=0

5. Compression de l'histogramme

Une compression d’histogramme est traduite par la figure suivante

Fig.16 Compression d’Histogramme

Son formellement mathématique est illustré par l’équation suivante :

( , )= [ ( , )] [ ( , )]
( ( , )− [ ( , )]) + (11)

Fig.17 Exemple de Compression d’Histogramme

6. Variation des différentes scènes : Etalement de la dynamique des niveaux de gris

On peut commander le contraste ou la luminance des différentes scènes et image par


manipulation d’histogrammes. Plusieurs logiciels permettent cette manipulation afin de corriger
la visibilité et la netteté de l’image et vis versa.

60
Chapitre IV: Manipulation d’Histogramme Docteur Ingénieur Seddik Hassene

Scène à forte luminance


Scène à faible luminance

Amplitude
Amplitude

Niveaux de Gris NG
Niveaux de Gris NG

Scène à bas contraste Scène à haut contraste


Amplitude

Amplitude

Niveaux de Gris NG Niveaux de Gris NG

Fig.18 Variation de scènes

61
Chapitre IV: Manipulation d’Histogramme Docteur Ingénieur Seddik Hassene

Exemple

Fig.19 Exemple de Variation de scènes

7. Seuillage

L'opération dite de "seuillage simple" consiste à mettre à zéro tous les pixels ayant un
niveau de gris inférieur à une certaine valeur (appelée seuil, en anglais treshold) et à la valeur
maximale les pixels ayant une valeur supérieure. Ainsi le résultat du seuillage est une image
binaire contenant des pixels noirs et blancs, c'est la raison pour laquelle le terme de binarisation
est parfois employé. Le seuillage permet de mettre en évidence des formes ou des objets dans
une image. Toutefois la difficulté réside dans le choix du seuil à adopter.
Voici une image en 256 niveaux de gris et les résultats d'une opération de seuillage avec
les valeurs respectives de seuil de 125 et 200 :

62
Chapitre IV: Manipulation d’Histogramme Docteur Ingénieur Seddik Hassene

La courbe tonale de l'opération de seuillage est la suivante :

Seuil

Fig.20 Courbe tonale de l'opération de seuillage

Par opposition au "seuillage simple" il est possible de définir deux valeurs de seuil,
respectivement borne inférieure et borne supérieure, afin de mettre à la valeur maximale les
pixels ayant une valeur comprise entre les bornes et à zéro l'ensemble des autres valeurs :

Fig.21 Courbe tonale de l'opération de seuillage par hystérésis

8. Inversion (négative)

L'opération d'inversion consiste, comme son nom l'indique, à inverser les valeurs des
pixels par rapport à la moyenne des valeurs possibles. Le résultat obtenu est appelé négatif.

63
Chapitre IV: Manipulation d’Histogramme Docteur Ingénieur Seddik Hassene

Fig.22 La courbe tonale de l'opération d'inversion vidéo est la suivante :

Fig.23 Courbe tonale de l'opération d’inversion

Exemple

Fig.24 Courbe tonale de l'opération d’inversion

64
Chapitre IV: Manipulation d’Histogramme Docteur Ingénieur Seddik Hassene

Image originale

Image inversée

Fig.25 Inversion d’histogrammes

65
Chapitre IV: Manipulation d’Histogramme Docteur Ingénieur Seddik Hassene

9. Recadrage de la dynamique

Fig.26 Recadrage des intensités de gris

66