TRAITEMENT D’IMAGES ET

RECONNAISSANCE DE FORMES
MASTER PRO GL-1

Asma Ben Abdallah

AU 2020
HISTOGRAMME D’UNE IMAGE
HISTOGRAMME D’UNE IMAGE

3
LUMINANCE, CONTRASTE D’UNE IMAGE

4
LUMINANCE, CONTRASTE D’UNE IMAGE

5
HISTOGRAMME : ANALYSE ET
TRANSFORMATION

6
MODIFICATION DE L’HISTOGRAMME
 On cherche à améliorer l’image en lui appliquant une
transformation ponctuelle d’intensité.
 A tout pixel d’intensité as on associe une intensité
a’s= T(as)
 La transformation T est choisie croissante de façon à
conserver les contrastes relatifs entre régions
 L’image est considérée ici soit comme un signal
déterministe, soit comme un ensemble de
réalisations d’une variable aléatoire
 Les méthodes de transformation d’histogramme
permettent de corriger le contraste et l'échelle des
couleurs
 La modification de l’histogramme n'altère pas les
7
informations contenues dans l'image mais les rend
plus ou moins visibles.
MODIFICATION DE L’HISTOGRAMME
COURBE TONALE
 La modification d'un histogramme est généralement
représentée sur une courbe : courbe tonale.
 La courbe tonale indique 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. L
 La diagonale indique la courbe telle que les valeurs initiales sont
égales aux valeurs finales (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.
8
MODIFICATION DE L’HISTOGRAMME
COURBE TONALE

9
EXPANSION DYNAMIQUE

- Méthode consistant à utiliser au mieux

l’échelle de niveaux de gris.

• Transformation linéaire
• Transformation linéaire avec saturation
• Transformation linéaire par morceau

10
EXPANSION (ETIREMENT) DE DYNAMIQUE‫‏‬

11
TRANSFORMATION LINÉAIRE
- Une image à haut contraste a un histogramme bien réparti.
-Un‫‏‬histogramme‫‏‬bien‫‏‬réparti‫‏‬permettra‫‏‬d’obtenir‫‏‬un‫‏‬bon‫‏‬contraste!

Exemple pour M=255 et m=0

12
13
TRANSFORMATION LINÉAIRE

14
 Courbe tonale
correspondant à
Implémentation l’expansion de
l’histogramme

15
EXPANSION DE L’HISTOGRAMME : ILLUSTRATION

16
TRANSFORMATION LINÉAIRE AVEC
SATURATION

17
TRANSFORMATION LINÉAIRE AVEC
SATURATION

18
19
TRANSFORMATION NON LINÉAIRE : ILLUSTRATION

Avec un contre-jour, le but est d’atténuer la

présence du soleil se trouvant dans l’axe de
l’appareil photo

20
CORRECTION DYNAMIQUE DE L’IMAGE

21
CORRECTION DYNAMIQUE DE L’IMAGE

Dans le cas où l’histogramme initial occupe toute la plage de dynamique,

aucun changement n’est visible

22
ÉGALISATION D’HISTOGRAMME
 L'histogramme cumulé représente la distribution cumulé
des intensités des pixels d'une image, c'est-à-dire le
nombre de pixels ayant au moins une intensité
lumineuse donnée.
 Cette transformation consiste à rendre le plus plat
possible l’histogramme des niveaux de gris de l’image.
 L’image est associée à une modélisation probabiliste dont
l’histogramme représente la densité de probabilité de la
variable niveau de gris
 Cette méthode permet de renforcer le contraste sur des
détails de l’image qui sont masqués par des variations
d’intensité de plus grande amplitude et à plus grande
échelle.
23
ÉGALISATION D’HISTOGRAMME

24
HISTOGRAMME: ÉGALISATION

25
Cas discret : Exemple

26
27
28
Correction de la dynamique de l’image:
Dans le cas où l’histogramme initial occupe toute la plage de dynamique
aucun changement n’est visible

L’égalisation d’histogramme peut améliorer une image là où la correction

dynamique de l’histogramme est inefficace

29
EXEMPLE (1): EGALISATION DE L’HISTOGRAMME

30
EXEMPLE (2): EGALISATION DE
L’HISTOGRAMME

31
EXEMPLE (3): MODIFICATION DE L’HISTOGRAMME

32
CONCLUSION : HISTOGRAMME D’UNE IMAGE

Outil de base utilisé par certains opérateurs d'analyse.

On retiendra cependant qu'il ne faut pas considérer

l'histogramme comme une caractéristique fondamentale
de l'image dans la mesure où on peut le transformer
radicalement sans changer significativement l'image.

33
SEUILLAGE (1)

 Consiste à mettre à zéro tous les pixels ayant un

niveau de gris inférieur à une certaine valeur
(appelée seuil, en anglais thresold) et à la valeur
maximale les pixels ayant une valeur supérieure.
Seuillage :
 I’(i,j)=255 si I(i,j) > seuil

 I’(i,j)=0 sinon

 Le résultat du seuillage (ou binarisation) est une

image binaire contenant des pixels noirs et blancs.
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. 34
SEUILLAGE (2)
 Voici une image en 256 niveaux de gris et les résultat
d'une opération de seuillage avec les valeurs
respectives de seuil de 125 et 200 :

Seuillage :
I’(i,j)=255 si I(i,j) > (seuil
:128)
I’(i,j)=0 sinon

Courbe tonale de
l’opération de
35
seuillage
SEUILLAGE (3)

 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 :
Seuillage :
 I’(i,j)=255 si I(i,j) > seuilBinf et I(i,j)< seuilBsup

 I’(i,j)=0 sinon

Courbe tonale de l’opération de

seuillage
36
INVERSION
 consiste, à inverser les valeurs des pixels par rapport à
la moyenne des valeurs possibles. Le résultat obtenu est
appelé négatif.

Courbe tonale de l’opération 37

d’inversion
 Amélioration du contraste
Autres exemples de transformations

38
 OPÉRATIONS PONCTUELLES SUR LES IMAGES

OPÉRATIONS LOGIQUES : ET, OU, XOR, NOT

OPÉRATIONS ARITHMÉTIQUES : ADDITION,
SOUSTRACTION, MULTIPLICATION, DIVISION

39
3.1 OPÉRATIONS LOGIQUES
• Opérations réalisées bit par bit sur les images
• Appliqués à des images en niveaux de gris, les
opérations logiques s’effectuent sur des chaînes de bits:

40
OPÉRATIONS LOGIQUES SUR LES IMAGES

41
OPÉRATIONS LOGIQUES SUR LES IMAGES

42
OPÉRATIONS ARITHMÉTIQUES SUR LES IMAGES

Addition, soustraction, multiplication

43
ADDITION D’IMAGES

44
45
SOUSTRACTION D’IMAGES

46
SOUSTRACTION D’IMAGES

47
MULTIPLICATION D’IMAGES

48

Image originale Masque multiplicateur Image résultat

CHAPITRE 3 : PRÉTRAITEMENT
D’IMAGES
CONVOLUTION
FILTRAGE SPATIALE

49
MODIFICATION DES VALEURS D’UNE IMAGE

 Pour l’instant, nous avons vu surtout des

transformations ponctuelles des pixels
d’une image
 Lire la valeur d’un pixel -> la remplacer par
une autre

 Il existe aussi des transformations locales

- Lire la valeur de quelques pixels voisins ->
calculer une nouvelle valeur pour un pixel

 …et des transformations globales

- Lire la valeur de tous les pixels de l’image ->
calculer une nouvelle valeur pour un seul pixel
50
 51

Analyse Spatiale
CONVOLUTION NUMÉRIQUE
Convolution : C'est l'opérateur de base du traitement linéaire des
images. Elle est apparue très tôt dans les premiers systèmes
d'analyse d'images et a fait le lien théorique avec les filtres et le
traitement du signal. Filtrer une image I consiste à convoluer sa
fonction d’intensité I(i,j) avec une fonction h(i,j)

 Soit I une image numérique (fonction d’origine).

 Soit h une fonction de [x1,x2]X[y1,y2] à valeurs réelles
(la fonction h est appelée : masque de convolution, noyau de
convolution, fenêtre, kernel, filtre).
 La convolution de I par h est définie par :

52
CONVOLUTION NUMÉRIQUE

54
CONVOLUTION NUMÉRIQUE

55
CONVOLUTION NUMÉRIQUE : R=I*K

56
CONVOLUTION NUMÉRIQUE : R=I*K
Le‫‏‬centre‫‏‬de‫‏‬cette‫‏‬de‫‏‬K‫‏‬est‫‏‬déplacée‫‏‬d’un‫‏‬pixel‫‏‬à‫‏‬l’autre‫‏‬sur‫‏‬l’image‫‏‬I

R(1,2)=I(0,1) K(0,0) + I(0,2) K(0,1)+ I(0,3) K(0,2)

+I(1,1) K(1,0) + I(1,2) K(1,1)+ I(1,3) K(1,2)
+I(2,1) K(2,0) + I(1,2) K(2,2)+ I(2,3) K(2,2) 57
CONVOLUTION NUMÉRIQUE : R=I*K

R(x,y)=I(x-1,y-1) K(0,0) + I(x-1,y) K(0,1)+ I(x-1,y+1) K(0,2)

+ I(x,y-1) K(1,0) + I(x,y) K(1,1)+ I(x,y+1) K(1,2) 58
+ I(x+1,y-1) K(2,0) + I(x,y) K(2,1)+ I(x+1,y+1) K(2,2)
CONVOLUTION NUMÉRIQUE : R=I*K

R(N-2,M-2)=I(N-3,M-3) K(0,0) + I(N-3, M-2) K(0,1)+ I(N-3, M-1) K(0,2)

+ I(N-1, M-3) K(1,0) + I(N-2, M-2) K(1,1)+ I(N-2, M-1) K(1,2)
59
+ I(N, M-3) K(2,0) + I(N, M-2) K(2,1)+ I(N+1, M-1) K(2,2)
CONVOLUTION NUMÉRIQUE : R=I*K

60
MASQUE DE CONVOLUTION

61
EXERCICE EFFECTUER LA CONVOLUTION

62
CORRTIN

63
64
 Filtrage Spatial:

Lissage et détection de bruit

Détection de contours

65
DEUX TYPES POUR LE FILTRAGE SPATIALE

66
FILTRES PASSE-BAS

 But :
 Lissage d’images
 Élimination du bruit

 Principe: INTÉGRATION (Sommation)

 Filtre de moyenne (passe-bas)
 Filtre gaussien (passe-bas)
 Filtre médian (passe-bas non-linéaire),
 ….

67
FILTRES PASSE-BAS

 Le bruit dans une image est induit par :

 Le moyen d’acquisition.
 Les conditions extérieures d’acquisition
(luminosité, mouvement, …).
FILTRES PASSE-BAS

69
70
EXEMPLE DE FILTRES MOYENNEUR

71
EXEMPLE DE FILTRES MOYENNEUR

72
FILTRES GAUSSIEN

et un exemple de masque 5×5 discret 73

avec σ=1,4 :
EXEMPLE:
FLITRE GAUSSIEN DE TAILLE 5 ET SIGMA=1

74
EXEMPLE:
FLITRE GAUSSIEN DE TAILLE 5 ET SIGMA=1

75
EXEMPLE:
FLITRE GAUSSIEN DE TAILLE 5 ET SIGMA=1

76
EXEMPLE DE FILTRES GAUSSIEN

77
EXEMPLE DE FILTRES GAUSSIEN

78
Le bruit diminue, les faux contours diminuent.

79
 Image originale

Filtre : Moyenne Filtre : Gaussien

80
FILTRE MEDIAN : NON LINÉAIRE

81
EXEMPLE DE FILTRES MEDIAN

82
NETTOYAGE DU BRUIT DANS UNE IMAGE

83
84
 Filtrage Spatial:

Détection de bruit
Détection de contours

85
 Détection de contours

1. La détection de contours est une technique de

réduction d'information dans les images, qui
consiste à transformer l'image en un
ensemble de courbes, pas forcément fermées,
formant les frontières significatives de l'image

2. Les applications en traitement d’images sont

diverses, citons : Reconnaissance d’objets,
de formes, reconstruction 3D, Compression
d’images, ..
86
Détection de contours : Exemples
d’applications

Détection de visages

Reconnaissance de
caractères : traitement
automatique de
chèques, de courrier, …
87
 Détection de contours : Exemples
d’applications

Reconstruction 3D
des images
médicales à partir
d’images‫‏‬2D 88

Mise en correspondance
 Plan
1. Modélisation du contour
1.1 Modèle de contours
1.2 Formulation du problème de détection
2. Filtrage
2.1 Filtrage du premier ordre
2.2 Filtrage du second ordre
3. Post-traitements
89
I. MODÈLES DE CONTOURS : QU’EST CE QU’UN
CONTOUR

90
I. Modèles de contours : Qu’est ce qu’un contour
Un profil d’intensité d’une ligne dans une image est représenté par des
signaux 1D.

91
I. Modèles de contours : Qu’est ce qu’un contour

Remarque : toute zone

de discontinuité ne
caractérise pas forcément
un contour.
92
MODÈLES DE CONTOURS

93
MODÈLES DE CONTOURS AVEC BRUIT

94
DÉTECTION DES POINTS DE CONTOURS

Il existe plusieurs méthodes pour détecter les

points de contours par exemple par dérivées premières
et par dérivées secondes.

Méthodes analytiques:
1) Approches par dérivées premières
2) Approches par dérivées secondes

95
FILTRES DIFFÉRENTIELS
FORMULATION DU PROBLÈME DE DÉTECTION

96
FILTRES DIFFÉRENTIELS
DÉRIVÉE PREMIÈRE

 Lapremière dérivée (gradient)

de l’image est l’opérateur de
base pour mesurer les contours
dans l’image.

 Version discrète
= 0 si aucun changement de tons
≠ 0 si changement de tons
 Compare deux pixels 97
DÉRIVÉE D’UNE IMAGE ET CONTOURS

98
 II. Détection des contours:
Opérateur gradient

 Le filtrage est effectué selon les

lignes de l’image ensuite selon les
colonnes.

Pour chaque opérateur (Filtre), deux

masques sont utilisés de façon à
déterminer le gradient de l’images dans
deux directions orthogonalmes.
LE GRADIENT
 Le gradient de  au point (x,y) est un vecteur à
deux dimensions

 f 
 Gx    x 
F      
 Gy    f 
  y 

100
GRADIENT : NORME ET DIRECTION

101
CALCUL SIMPLE DU GRADIENT

102
GRADIENT : NORME ET DIRECTION

103
DÉRIVÉE DISCRÈTE ET MASQUE
CORRESPONDANT
Approximation‫‏‬de‫‏‬la‫‏‬dérivée‫‏‬d’une‫‏‬fonction‫‏‬discrète‫‏‬1D par
différences locales :

Masques de convolution 1D correspondants :

-1 +1 Ou -1 +1 ou 1/2 -1 0 +1

104
GRADIENT (VERSION ÉLÉMENTAIRE 3X3)

105
FILTRE DE ROBERTS
Filtre de Roberts
Filtre de Roberts
FILTRE DE PREWITT
FILTRE DE SOBEL
EXEMPLE (SOBEL)
EXEMPLES DE DÉTECTION DE CONTOURS
 II. Détection des contours:

DEUXIÈME DÉRIVÉE DE L’IMAGE:

OPÉRATEUR LAPLACIEN

119
FILTRES DIFFÉRENTIELS

120
DÉRIVÉES DE L’IMAGE

121
EXEMPLE AVEC UN CONTOUR ‘RAMPE’

122
LE LAPLACIEN
 Le Laplacien est le plus simple opérateur dérivatif
isotropique : c'est un scalaire

 Le Laplacien est un opérateur linéaire à deux

dimensions

 f  f
2 2

 f
2
2 
x y 2

123
LE LAPLACIEN : VERSION DISCRÈTE

 Dérivé partielle seconde de f(x,y) dans la direction

de x
 2f
2  f ( x  1, y )  f ( x  1, y )  2 f ( x , y )
x
 Dérivé partielle seconde de f(x,y) dans la direction
de y
 2f
2  f ( x , y  1)  f ( x , y  1)  2 f ( x , y )
y

 2 f  [ f ( x  1, y )  f ( x  1, y )
 f ( x , y  1)  f ( x , y  1) ]  4 f ( x , y )
124
LE LAPLACIEN : FORMULATION D’UNE VERSION DISCRÈTE
LE LAPLACIEN : FORMULATION D’UNE VERSION DISCRÈTE
LE LAPLACIEN
 Intensifie les discontinuité de tons
 Amenuise les changements lents

 Résulte en des images avec des arêtes et des

discontinuités grises sur fond noir sans détails

127
COMPARAISON GRADIENT / LAPLACIEN
COMPARAISON GRADIENT / LAPLACIEN
DÉRIVÉES

 Profil horizontal
 Rampe
 Point isolé
 Ligne mince
 Marche (escalier)
 Plusieurs sections
constantes (plats)

130
DÉRIVÉES

 Dérivé première
 arêtes grossières
 changements abruptes (escalier)
 Dérivé seconde
131
 détails fins tel lignes et points
 double aux changements abruptes
LE LAPLACIEN

132
LE LAPLACIEN

0 -1 0 -1 -1 -1

-1 5 -1 -1 9 -1

0 -1 0 -1 -1 -1

Isotropique 90 Isotropique 45

133
II. DÉTECTION DES POINTS DE CONTOURS
Le contour se matérialise par une rupture d’intensité dans l’image selon
une direction donnée. Pour détecter les contours, la méthodologie
consiste en deux étapes principalement:

134
II. DÉTECTION DES POINTS DE CONTOURS

Etape 1 :

* Localiser et quantifier les contours par un calcul de gradient

ou de Laplacien par exemple, dans des directions privilégiées. Il
repose sur l’étude des dérivées de la fonction d’intensité dans
l’image:
 Les extrema locaux du gradient de la fonction d’intensité
 Les passages par zéro du Laplacien.
* La difficulté réside dans la présence du bruit dans l’image.

Etape 2 : Former les contours

 Relier les points contours et les fermer.
 Isoler les contours du reste de l’image par un seuillage
adéquat.
135
II. DÉTECTION DES POINTS DE CONTOURS
II.1 SEUILLAGE DU GRADIENT
(MÉTHODE 1)

136
II.1 SEUILLAGE DU GRADIENT
(MÉTHODE 1)

Une fois la norme du gradient calculée en

chaque point de l’image, il faut seuiller cette
norme pour décider si un pixel fait partie ou
non d’un contour.

Tous les pixels possédant une norme supérieure

à un seuil S sont déclarés appartenir à un
contour.

Tout le problème réside alors dans le choix du

seuil :
- Un seuillage trop bas nous amène à
une sur- détection : on détecte
beaucoup de bruit et des contours
épais apparaissent
- Un seuillage trop haut amène à une
sous-détection : contours non fermés 137
EXEMPLE DE DETECTION DE CONTOURS PAR
SEUILLAGE DU GRADIENT

138
II. DÉTECTION DES POINTS DE CONTOURS
II.2 SEUILLAGE DU GRADIENT
(MÉTHODE 2)

139
Extraction des maxima locaux de la norme du gradient
Extraction des maxima locaux de la norme du gradient
Seuillage par hystéresis

142
SEUILLAGE DU GRADIENT PAR HYSTÉRÉSIS (MÉTHODE 2)

143
144
145
III OPÉRATEURS GRADIENT : MÉHODE DE SEUILLAGE

146
III OPÉRATEURS GRADIENT : MÉHODE DE SEUILLAGE

147
III OPÉRATEURS GRADIENT : MÉHODE DE SEUILLAGE

148
DÉTECTION DE CONTOURS
LAPLACIEN

149