Vous êtes sur la page 1sur 4

Conversion binaire de l’image

Image binaire

Parmi les images numériques, et en particulier, les images matricielles, les images binaires
sont les plus simples. Bichromes (la plupart du temps noire et blanche) elles sont
ontologiquement numériques c'est-à-dire que leur codage et leur décodage peuvent être faits
directement vers la base 2.

Qu’est ce que la binarisation ?

La binarisation appelée aussi seuillage, est la technique de classification la plus simple. Les
pixels de l’image sont partagés par un seuil T en deux classes. En général, ils sont représentés
par une classe de pixels noirs et une autre classe de pixels blancs. L’image est alors séparée en
deux classes, une classe représentant le fond de l’image et une autre classe représentant la
scène de l’image (L’objet). La binarisation permet alors de conserver l’information comprise
entre 0 et T ou entre T+1 et 255. Le reste des informations est par conséquent ignoré.

Une technique similaire à la binarisation existe, c’est la segmentation d’image. Cependant, il


ne faut pas confondre binarisation et segmentation d’image. La binarisation produit toujours
deux classes alors que la segmentation peut en produire plusieurs. Toutefois, ces deux termes
sont souvent confondus par abus de langage.

L’utilité de la binarisation.

La binarisation est souvent la première étape dans les systèmes de traitement et d’analyse
d’images. Elle a pour but de diminuer la quantité d’informations présentes dans l’image, et de
ne garder que les informations pertinentes. Les performances des étapes suivantes dans les
systèmes de traitement et d’analyse d’images dépendent fortement du résultat obtenu lors de
la binarisation. C’est pour cette raison que la méthode de binarisation utilisée doit être la plus
adaptée possible. Elle doit, d’une part, conserver le maximum d’informations utiles présentes
dans l’image de départ, et d’autre part, éliminer un maximum de bruit présent dans l'image.

Ces dernières décennies, un très grand nombre de techniques de binarisation ont été proposées
avec chacune d’entre elles des caractéristiques différentes. Il est donc important de bien
connaitre le document que l'on souhaite binariser afin d'obtenir le résultat souhaité.
Méthode d'OTSU

Qu'est ce que la méthode d'OTSU ?


La méthode d'OTSU est utilisée pour effectuer un seuillage automatique à partir de la forme
de l'histogramme de l'image.Cette méthode nécessite donc le calcul préalable de l’histogramme de
l'image. L'algorithme suppose alors que l'image à binariser ne contient que deux classes, (Les objets
et l'arrière-plan). L' algorithme itératif calcule alors le seuil optimal T qui sépare ces deux classes
afin que la variance intra-classe soit minimale et que la variance inter-classe soit maximale.
(Wikipédia)

Variance intra-classe :

Oméga 1 représente la probabilité d'être dans la classe 1


Oméga 2 représente la probabilité d'être dans la classe 2
Sigma 1 représente la variance de la classe 1
Sigma 2 représente la variance de la classe 2
Variance inter-classe :

Sigma représente la variance de l'image


Sigma w représente la variance intra-classe

Calcul de la probabilité de la classe 1 et 2 :


Pour calculer la probabilisé d'être dans la classe 1 ou 2 en fonction du seuil T, il suffit de
sommer les probabilités de chaque niveau de gris.
Calcul de la probabilité de chaque niveau de gris :
Calcul de l’histogramme :
L’histogramme est un graphique représentant la répartition des valeurs de niveau de gris dans une
image. Pour calculer l’histogramme, il faut donc parcourir l’image dans sa totalité et compter le
nombre de pixels qu’il y a pour chaque niveau de gris.

Calcul de la probabilité de chaque niveau de gris :


La probabilité de chaque niveau de gris est calculée en divisant le nombre de pixels présent pour
chaque niveau de gris par le nombre total de pixels dans l’image.

Calcul de la variance de chaque classe :

N1 est un vecteur de 0 à T-1


N2 est un vecteur de T à 255
Moy1 représente la moyenne de la classe 1
Moy2 représente la moyenne de la classe 2

Calcul de la moyenne de chaque classe :


La moyenne de chaque classe est calculée en sommant le vecteur N qui est multiplié par la probabilité
de chaque niveau de gris. Le tout est ensuite divisé par la probabilité de la classe.
N1 est un vecteur de 0 à T-1
N2 est un vecteur de T à 255

Vous aimerez peut-être aussi