Vous êtes sur la page 1sur 19

03/05/2019

Chapitre 2 : Traitements de base sur les images

Ø Principe des transformations d'images


v Types de transformations d'images
v Transformations ponctuelles : table de correspondance (LUT)
v Lien avec l'histogramme
ØTransformations ponctuelles pour l’amélioration du contraste

v Transformations linéaires
v Transformations non linéaires
v Égalisation d'histogramme

ØAutres transformations ponctuelles


v Opérations arithmétiques
v Opérations logiques

Introduction

Les prétraitements d’une image consiste à effectuer des opérations visant à :

v Améliorer sa qualité visuelle

v Restaurer l’image en éliminant les défauts et les bruits et en renforçant


l’information utile qu’elle contienne.

v Compresser l’image afin de réduire l'espace nécessaire à son stockage et


diminuer le temps de sa transmission

Prétraitement

Améliora-on Compression

Restaura-on

1
03/05/2019

Transformation des images

Principe : Changer la valeur de chaque pixel d’une image I pour obtenir une
nouvelle image I’. Cette image résultat a même taille que I, mais des propriétés
plus intéressantes.

"
Notation : La transformation est notée " : #$%×$' → #′$%×$'

Types de transformations : En traitement d’image, on peut considérer 3 types


de transformations :

v Ponctuelle (ou pixel à pixel)

v Locales (ou de Voisinage)

v Globales

Transformation des images

v Ponctuelle (pixel à pixel) : La nouvelle valeur ! " #, % est obtenue à


partir de ! #, % seulement.

)
# #
)
& ', ( → &" ', ( = )(& ', ( ) % %
! #, % ! " #, %

Exemple :

ü Seuillage
ü Ajustement luminosité / contraste
ü Opérations algébriques
ü Manipulation d’histogramme

2
03/05/2019

Transformation des images

v Locales (ou de Voisinage) : La nouvelle valeur ! " #, % est obtenue à


partir de l’ensemble des valeurs initiales ! &(#, %) dans un voisinage
autour du pixel de coordonnées #, % .

-
# #

-
% %
* +, , → *" +, , = -(0(* +, , )) ! &(#, %) ! " #, %

Exemple :
ü Filtrage

Transformation des images

v Globales : La nouvelle valeur ! " #, % est obtenue à partir de l’ensemble


des valeurs de l’image initiale &.
*
#

* %
' (, ) → '" (, ) = *(') ! " #, %

Exemple :

ü Transformation dans l’espace de Fourier

3
03/05/2019

Transformation des images: Look-Up Table

v Principe : Une transformation ponctuelle ! change un niveau de gris # dans


Look Up Table
l’image initiale $ en un niveau de gris #′ pour obtenir l’image finale $′.

v Elle est donc définie par une table de correspondance ou LUT (Look-Up
Table) qui définit, pour chaque niveau de gris # le nouveau niveau #& = !(#)
sans modification spatiale de l'image.

Représentations de la LUT
# #& = !(#)
ü Table ou graphe
0 !(*)
1 !(+)
2 !(,)
3 !(-)
. . . . . .
i0 !(#*)
. . . . . .
255 !(,..)

Traitement d’images: 2éme GLSI, 2éme GTR 16

Transformation des images: Look-Up Table

v Implémentation :

Transformation linéaire :Utilisation d’une LUT (Look Up Table)


/* Initialisation de la LUT */
!"#$ & = ( à *++
&0&1&2
,-. & = *++ ∗ & ;
134 0&1&2

/* Utilisation de la LUT */
!"#$ & = 6 à 278&92:
!"#$ ; = 6 à 27<=>=22:
?@ &, ; = 8BC ?(&, ;) ;

4
03/05/2019

Transformation des images: Look-Up Table

v Exemple de transformation par LUT.

Exemple 1: Transformation identité : !" = !


identité

LUT
! !" = $(!)
0 '
1 (
2 )
3 *
... ...

I.1 Transformations des niveaux d’intensité


Amélioration

b.Transformation des images


Inversion Dynamique : : Look-Up Table
Amélioration

On inverse les extrêmes noir et blanc.


v Exemple
Parfois, de transformation
on distingue par LUT.
mieux certains détails en blanc sur fond noir qu’en noir
sur fond blanc : "
Exemple 2: Image en « inverse » : ! = '(( − !
! ",
v On inverse les$ extrêmes
% !&'" ( )noir
", $et%blanc.
*++ ( Parfois,
),", $- on distingue mieux certains
Restauration

détails en blanc sur fond noir qu’en noir sur fond blanc :
g(x,y) LUT
! !" = $(!)
0 '((
Restauration

1 '))
2 ')*
3 ')'
... ...
f(x,y)
inversion de l’échelle en niveau de gris

5
03/05/2019

Transformation des images : Look-Up Table

v Exemple de transformation par LUT. Notes


Exemple 3: « Seuillage » : !" = ( ' *! ! < ,-.
-// *! ! ≥ ,-.
binarisation
LUT
! !" = $(!)
0 '
1 '
2 '
3 '
... ...
130 255
145 255

Transformation des images : Look-Up Table

Lien de LUT avec l’histogramme.

v Une LUT définit la transformation t des niveaux de gris entre l’image


initiale et l’image finale.
Histogramme Transformations Amélioration du contraste Opérations algébriques

Notes
Transformations ponctuelles et histogramme
v Cette transformation change la distribution statistique des niveaux de gris,
Lien avec l'histogramme
caractérisée par l’histogramme de chaque image .
Une LUT définit la transformation t des niveaux de gris entre l'image
initiale et l'image finale.
Cette transformation change la
distribution statistique des niveaux de gris,
caractérisée par
l'histogramme
de chaque image

LPro GPI Vision Industrielle – UE3 : Analyse des Images – O. Losson & F. Cabestaing 14

6
03/05/2019

Transformations ponctuelles pour l’amélioration du contraste

Amélioration de l’image : Les opérations d’amélioration ont pour but de


rendre l’image plus lisible.

Les techniques d’amélioration cherchent essentiellement à augmenter les


contrastes afin de rendre les régions et les objets composants l’images bien
distinctes et bien séparées les uns des autres.

En effet L'oeil humain est particulièrement sensible aux contrastes assez forts.
Comment améliorer le contraste des images?

v Recadrage de la dynamique :
ü Transformation linéaire
ü Transformation linéaire avec saturation
ü Transformation linéaire par morceau
ü Transformations non linéaires
v Égalisation de l’histogramme

Transformations ponctuelles pour l’amélioration du contraste

v Recadrage de la dynamique :

q Il s’agit d’une transformation du type ! " = $ ! qui permet de modifier la


dynamique des niveaux de gris dans le but d’améliorer l’aspect visuel de
l’image.
q À un niveau de gris ! de l’image originale correspond le niveau $ ! dans
l’image transformée.
q On fait subir à chaque pixel un traitement ne dépendant que de sa valeur.
q La transformation $ ! peut être réalisée en temps réel sur l’image en cours
d’acquisition à l’aide d’une table de transcodage dans la quelle les valeurs
de la transformation sont mémorisées.
q Un adressage de cette mémoire par une donnée ! fournit directement la
valeur $ ! .

7
03/05/2019

19

Transformations
19 ponctuelles
I.2 Améliorations pour
par l’amélioration
manipulation du contraste
d’histogramme
I.2 Améliorations par manipulation d’histogramme
v Recadrage de Dynamique
e. Recadrage : : Transforma)on linéaire simple
la dynamique
Amélioration

e. Recadrage
v Expansion
Cette technique Dynamique
deestlautilisé
dynamique :est trop claire,
(Recadrage)
lorsque l’image : Cettetrop technique
foncée ou peuest utilisé
Amélioration

lorsque l’image
contrastée est trop
: technique
Cette estclaire,
utilisétrop foncée
lorsque ou peu
l’image estcontrastée
trop claire, trop foncée ou peu
contrastée :

ü Soit !"!# , !"%& la dynamique de l’image initiale avec !"!# et !"%& sont
On appelle dynamique : l'intervalle [a,b]
Restauration

respectivement les niveaux de gris minimal et maximal présents dans


Où a et b sont respectivement les niveaux de
l’image.
gris minimalLa dynamique
On appelle dynamique
et maximal maximale
présents est[a,b]
: l'intervalle
dans l’image. [0,255].
Restauration

Où a etmaximale
La dynamique b sont respectivement
est [0,255]. les niveaux de
üLeLe
butbut du
gris
du recadrage
minimal
recadrage dynamique
et maximal
dynamique présentsest
est de del’image.
dans redistribuer les
redistribuer les niveaux demaximale
La dynamique gris de l’image
est pour
[0,255].
niveaux
qu’ils detoute
occupent
Le but du
gris debande
la l’image
recadrage de pour qu’ils
nuances
dynamique est de
occupent toute la
possible, c.-à-d. a b
bande de lanuances
redistribuer dynamique maximale.
possible,
les niveaux c-à-d.
de gris de l’imagelapour
dynamique
qu’ils occupent toute la bande de nuances
maximale.
possible, c.-à-d. la dynamique maximale. !a
"!# !b"%&

Transformations ponctuelles pour l’amélioration du contraste


vRecadrage de la dynamique : Transforma)on linéaire simple
v Expansion de la dynamique (Recadrage) :
20 20
üLe recadrage de la dynamique consiste à utiliser une transformation
I.2 Améliorations
I.2 Améliorations parpar manipulation
manipulation d’histogramm
d’histogramme
linéaire permettant d’obtenir un nouvel histogramme ayant la dynamique
Le recadrage
Le recadrage 5′(#, %) consiste
de ladedynamique
la dynamique consiste à utiliser
à utiliser une transformation
une transformation linéair
linéaire
maximale : 255
Amélioration
Amélioration

permettant d’obtenir un nouvel histogramme ayant la dynamique


permettant d’obtenir un nouvel histogramme ayant la dynamique maximale : maximale :
üFonction de transformation :
!-!0 , !-.# → 2, +,,
!: $,!:
& $,
→ &0,255
→ 0,255
+,, + ,, 255 ∙255 ∙ -+ ,,
+ ,, 1 -$ 1 $
!(#, %) → !′(#, %) = (!(#, +
- −
%) ,,
→-!. → ,, -. ,,
-!0 )
/- /
0 &!1 $& 1 $! 5(#, %) g(x,y)g(x,y)
!-.# − !-!0 -!0 -.# 255
avec +(, -+) (,
,,- :,l’image
-) : l’image
,- originale
originale
(!(#, %) − !-!0 ) g(x,y)g(x,y) : l’image
: l’image améliorée
améliorée
∈ 2, 3
!-.# − !-!0

! #, % : pixel de l’mage originale f(x,y)f(


Restauration
Restauration

5(#, %)
!′ #, % : pixel de l’image améliorée !a-!0 00 255 5′(#, %)
a b b !-.# 0 255 255 . / 2. ∙/+ 23 ∙4+ 3 4
.567.1 567.589
1 .589
2/ 2/
& 1 $& 1 $
Pour Pour
le recadrage de la de
le recadrage dynamique : imadjust
la dynamique : imadjust .589 .∙ 589
& 1 ∙.&567
1 .∙567
$ ∙
4/ 4/
& 1 $& 1 $

8
03/05/2019

Transformations ponctuelles pour l’amélioration du contraste


21
21
21 I.2 par
I.2 Améliorations Améliorations
manipulationpar manipulation d’histogramme
d’histogramme
21

I.2 Améliorations par manipulation d’histogramme


I.2 Améliorations par manipulation d’histogramme
v Recadrage de laExemple
dynamique : Transforma)on
de recadrage dynamique linéaire
: simple

Amélioration
Exemple de recadrage dynamique :
Amélioration

v Exemple de recadrage
Expansion dynamique
de la dynamique
Exemple : (Recadrage)
de recadrage :
dynamique :
Amélioration

Amélioration

40 90 40 90
! ", $ % 5.1 ∗ *+ ", $ 40
, 40/
+,!! ',
", $ % 5.1 ∗ *+ ", $ , 40/ 90 40 90
", .
$ %=5.1
).∗0*+∗ ",
(+(',,.)
$ ! ",
40/$−%5%)
5.1 ∗ *+ ", $ , 40/
Restauration
Restauration

Restauration
Restauration

ü Effet : rehaussement du contraste par expansion de la dynamique


ü Remarque : pas d’effet si !"!# = % et !"&' = ())

Transformations ponctuelles pour l’amélioration du contraste

v Recadrage de la dynamique : Transforma)on linéaire avec saturation


v La transformation linéaire avec saturation est un cas particulier de
transformation linéaire simple.
ü On choisit deux seuils !"#$ et !"&' tel que :
#"#$ ≤ !"#$ < !"&' ≤ #"&'

ü On :
233
*(', -) → *′(', -) = (*(', -) − !"#$ )
!"&' − !"#$
*′(', -)
ü On peut obtenir des valeurs pour *′(', -) 255
en dehors de l’intervalle de variation
maximale des niveaux de gris.
ü Exemple : image codée sur 8 bits (valeurs
entre 0 et 255) : *(', -)
0 #"#$ #"&'255
*5 ', - ≤ 6 → *′(', -)=0
!"#$ !"&'
*5 ', - ≥ 233 → *5 ', - = 233

9
03/05/2019

Transformations ponctuelles pour l’amélioration du contraste


Transformation linéaire avec
v Recadrage de la dynamique : Transforma)on linéaire avec saturation
saturation
v La transformation linéaire avec t ti
saturation

Traitement d’images: 2éme GLSI, 2éme GTR 30

Autres transformations linéaires

Transformations ponctuelles pour l’amélioration du contraste

v Recadrage de la dynamique : Transforma)on linéaire par morceau

v La transformation linéaire par morceau : selon la pente locale (gain),


expansion ou compression de la dynamique

ü Rehaussement du contraste si !"#$ > &

ü Diminution du contraste si !"#$ < &

Traitement d’images: 2éme GLSI, 2éme GTR 32

10
03/05/2019

Transformations ponctuelles pour l’amélioration du contraste

v Égalisation de l’histogramme

q Égalisation d'histogramme est une méthode d'ajustement du contraste d’une


image numérique qui utilise l'histogramme.

q Elle consiste à appliquer une transformation sur chaque pixel de l'image, et


donc d'obtenir une nouvelle image à partir d'une opération indépendante
sur chacun des pixels.

q L’égalisation d'histogramme permet de mieux répartir les intensités sur


l'ensemble de la plage de valeurs possibles, en « étalant » l'histogramme.
c) Egalisation d'histogramme:
q L’égalisation
c) Egalisation est intéressante pour les images dont la totalité, ou seulement
d'histogramme:
Il faut charger l'image pout.tif avec la fonction imread, calculer la luminosité et le contraste avant et
Il faut charger une
après partie,
avoir
l'image estavec
effectué
pout.tif de lafaible
une contraste
egalisation
fonction (l'ensemble
d'histogramme:
imread, calculer des etpixels
la luminosité sontavant
le contraste d'intensité
et
c) Egalisation
>>sampl6
après avoir effectué c) une = d'histogramme:
imread('pout.tif');
egalisation
Egalisation d'histogramme:
d'histogramme:
proches).
>>sampl6 = imread('pout.tif');
>>mean2(pout)
Il faut charger l'image pout.tif
l'image avec la fonction imread, calculer la luminosité et le contraste avant et avant et
>>mean2(pout)Il faut charger
ans=110,3037 pout.tif avec la fonction imread, calculer la luminosité et le contraste
après avoir effectué
après avoir une egalisation
effectué une d'histogramme:
egalisation d'histogramme:
ans=110,3037
>>sampl6>>std2(pout)
= imread('pout.tif');
>>std2(pout) >>sampl6 = imread('pout.tif');
>>mean2(pout) ans=23,1811
>>mean2(pout)
ans=23,1811
>>pout_eg=histeq(pout);
ans=110,3037 //egalisation d'histogramme
ans=110,3037
>>pout_eg=histeq(pout);
>>std2(pout)
>>mean2(pout_eg)
>>std2(pout)
//egalisation d'histogramme
>>mean2(pout_eg) ans=23,1811
ans=127,2570
ans=23,1811
>>pout_eg=histeq(pout);
ans=127,2570 //egalisation d'histogramme
>>std2(pout_eg)
>>pout_eg=histeq(pout); //egalisation d'histogramme
>>mean2(pout_eg)
>>std2(pout_eg) >>mean2(pout_eg)
ans=74,7572
Transformations ans=127,2570 ponctuelles pour l’amélioration du contraste
ans=127,2570
ans=74,7572
>>std2(pout_eg)
>>std2(pout_eg)
ans=74,7572 Avant egalisation Après egalisation
ans=74,7572
Avant egalisation Après egalisation
v Égalisation de l’histogramme
Avant egalisation
Avant egalisation Après egalisation
Après egalisation

On remarque que la luminosité


On remarque augmente,
que la luminosité ainsi queainsi
augmente, le contraste de manière
que le contraste importante.
de manière importante.
On remarque On
queremarque
la luminosité
que augmente, ainsi
la luminosité que le contraste
augmente, de le
ainsi que manière importante.
contraste de manière importante.

2) Filtrage dans ledans


2) Filtrage domaine spatial.spatial.
le domaine
2) Filtrage2) dans le domaine
Filtrage dans spatial.
le domaine spatial.
Les applications de ce filtrage concernent principalement le lissage ou réduction de bruit, et
Les applications de ce filtrage concernent principalement le lissage ou réduction de bruit, et
l'accentuation et la détection de contours, afn de renforcer par exemple le contraste d'une image
l'accentuation et la détection de contours, afn delerenforcer parréduction
exemple ledecontraste
Les applications de ce filtrage concernent principalement lissage ou bruit, etd'une image
Les
légèrement applications
floue.
légèrement
l'accentuationl'accentuation
et floue.
la détection
de ce filtrage concernent principalement le lissage ou réduction de bruit, et 11
etdelacontours,
détectionafn
dede renforcer
contours, afnpardeexemple
renforcerle par
contraste d'une
exemple le image
contraste d'une image
légèrement floue.
Attenuation du bruit:
légèrement consiste au filtrage des hautes fréquences.
floue.
Attenuation du bruit: consiste au filtrage des hautes fréquences.
Attenuation du bruit: consiste
Attenuation au filtrage
du bruit: des au
consiste hautes fréquences.
filtrage des hautes fréquences.
03/05/2019

Transformations ponctuelles pour l’amélioration du contraste

v Égalisation de l’histogramme Egalisation d’histogramme


d histogramme
On cherche à aplanir l’histogramme

1. Calcul de l’histogramme ℎ(#) avec # ∈ 0, 255

,(-)
2. Normalisation de l’histogramme ℎ* # = avec # ∈ 0, 255
.

3. Densité de probabilité cumulative / # = ∑-234(ℎ* 1 )

4. Transformation des niveaux de gris de l’image 5 6 (x, y) = / 5 9, : ∗ 255

Traitement d’images: 2éme GLSI, 2éme GTR 35

7
Transformation non linéaire
I.1 Transformations des niveaux d’intensité
Amélioration

I.1 Transformations des niveaux d’intensité


Transformation logarithmique
Amélioration

c. Transformation logarithmique:
Amélioration

g(x,y)
!" #, %
!′()# logarithmique:
c. Transformation
Amélioration

"
! #, % = !&'" . *+ (. + ! #, % ) g(x,y)
! ", $ %*+ (. !+ !" ()# ) ∙ () + , /*", $-
! ", $ %
()*+&'"
, !&'"∙-() + , /*", $-
()*+ , ! -
Cette transformation&'"
Cettetransformation de l’intensité
de l’intensité permet de
permet de
Cette transformation de l’intensité permet de
dilater
dilaterles
les intensités faibles
intensités faibles et deetcompresser
de compresser les
Restauration

dilater les intensités faibles et de compresser


Restauration

les niveaux
niveaux d’intensités
d’intensité élevées.
élevées.
les niveaux d’intensités élevées.
*!&'" % 011 : pour une Image 8bits)
*!&'" % 011 : pour une Image 8bits)
!" ()# = 233: pour une Image 8 bits
f(x,y)! #, %
f(x,y)
Restauration
Restauration

12
03/05/2019

Transformation non linéaire

Correction gamma
Niveau d’intensité transformé
!′#$% L-1 : valeur maximale de
!" %, * = " . !(%, *). !" %, * l’intensité (=255)
(! #$% ).

v Lorsque . > 2: pour améliorer le contraste


dans les régions claires

v Lorsque . < 2 : pour améliorer le ! %, *


contraste dans les régions sombres

Niveau d’intensité original

v !" #$% = '((: pour une Image 8 bits

Transformation non linéaire

Exemple 5 : correction gamma


9

I.1 Transformations des niveaux d’intensité


Amélioration

! " ). & ! " #. %

!"' ! " #. &


Restauration

!"( ! " #. '

13
03/05/2019

Addition d’images
d images
Opérations arithmétiques et logiques sur les images

Opérations arithmétiques : Addition

v L’addition pixel à pixel de deux images F et G est définie par :

! ", $ = &'((* ", $ + , ", $ ; 255)

v L’addition d’images peut permettre

q De diminuer le bruit d’une vue dans une série d’images

q D’augmenter la luminance en additionnant une image avec elle – même.

Traitement d’images: 2éme GLSI, 2éme GTR 41

Opérations arithmétiques et logiques sur les images

Opérations arithmétiques : Soustraction

v La soustraction pixel à pixel de deux images F et G est définie par :


soustraction d’images
d images
! ", $ = &'"() ", $ − + ", $ ; 0)
v La soustraction d’images peut permettre
q La détection des défauts
q La détection des mouvements

Traitement d’images: 2éme GLSI, 2éme GTR 42

14
03/05/2019

Opérations arithmétiques et logiques sur les images

Opérations arithmétiques : Multiplication


v La multiplication peut se faire par deux manière:
q Multiplication d’une image par un ratio (facteur) est définie par :
Multiplication d’images
d images
M !, # = %&'()(!, #) ∗ ,-.&/; 255)
q Multiplication d’une image par une autre image :

M !, # = )(!, #) ∗ 3(!, #)
v La multiplication par un ratio réelle (scaling) est la plus utilisée.

v La multiplication d’image peut permettre d’améliorer le contraste ou


luminosité

Traitement d’images: 2éme GLSI, 2éme GTR 43

Opérations arithmétiques et logiques sur les images


Multiplication
Opérations arithmétiques : Multiplication
v Avec un facteur supérieure à 1, on illumine l'image alors qu'avec un facteur
inférieure à 1 on l'assombrit.

Image d'origine Multiplication par 3 Multiplication par 8

v Remarque 1 :Attention au dépassement de capacité


Attention au dépassement de capacité
v Remarque 2 : On peut multiplier par une image binaire pour obtenir un
masquage. On multiplie par 1 les pixels que l'on veut conserver et par 0 les
autres.

15
03/05/2019

Opérations arithmétiques et logiques sur les images

Opérations arithmétiques : Division

v La division peut se faire par deux manière:


q Division d’une image par un ratio (facteur) est définie par :

M !, # = %(!, #)/)*+,-

q Division d’une image par une autre image :

M !, # = %(!, #)/.(!, #)

v Le plus souvent, si la division donne un résultat non entier, le résultat est


arrondi à l'entier immédiatement inférieur.

v Utilisation pour la détection de changement(comme la soustraction).

Division
Opérations arithmétiques et logiques sur les images

Opérations arithmétiques : Division

Division de la première
Division image
de la première parpar
image la ladeuxième puisamélioration
deuxième puis amélioration du contraste
du contraste

16
03/05/2019

Opérations arithmétiques et logiques sur les images

Opérations logiques : ET

v Deux images de même taille en N&B ou en NdG.

v Chaque valeur de pixel de l’image résultat est obtenu par un ET logique sur
les pixels correspondant de l'image 1 et de l'image 2.

v Pour les images en niveaux de gris, l’opérateur logique est appliqué sur la
représentation binaire des niveaux de gris, en comparant les bits
correspondants.
v 2 niveaux de gris 47 et 252 codés sur 8 bits,

v 47 en binaire 00101111

v 252 en binaire 11111100

v Résultat 00101100 soit 44

Opérations arithmétiques et logiques sur les images

Opérations logiques : ET

v Attention aux différentes implémentations des opérateurs logiques

v Certaines considèrent 0 comme faux et toute valeur différente de 0 comme

vraie. Le résultat d’un ET sur 2 images NdG est donc une image binaire.

17
03/05/2019

Opérations arithmétiques et logiques sur les images

Opérations logiques : ET

Image N&B seuillage Image N&B seuillage Et logique

Forme des objets

D’autres applications : Masque pour isoler une région

Opérations arithmétiques et logiques sur les images

Opérations logiques : OU

v Deux images de même taille en N&B ou en NdG.

v Chaque valeur de pixel de l’image résultat est obtenu par un OU logique sur
les pixels correspondant de l'image 1 et de l'image 2.

v Pour les images en niveaux de gris, l’opérateur logique est appliqué sur la
représentation binaire des niveaux de gris, en comparant les bits
correspondants.

v 2 niveaux de gris 47 et 252 codés sur 8 bits,

v 47 en binaire 00101111

v 252 en binaire 11111100

v Résultat 11111111 soit 255

18
03/05/2019

Opérations arithmétiques et logiques sur les images

Opérations logiques : OU

Image N&B seuillage Image N&B seuillage OU logique


Forme des objets immobiles
D’autres applications : Fusion des images

Opérations arithmétiques et logiques sur les images

Opérations logiques : NON logique (NOT)


•Pour une image binaire, change la polarité

Image N&B seuillage NON Logique

19

Vous aimerez peut-être aussi