Vous êtes sur la page 1sur 19

Analyse d’images (Image Analysis) :

Informatique visuelle - Vision par ordinateur


Utilisation d’un ordinateur pour interpréter le monde extérieur au
Introduction travers d’images.

Elise Arnaud
Images −→ Objets
elise.arnaud@imag.fr

� Traitement d’images (Image Processing).


� Reconnaissance des formes (Pattern Recognition).
cours inspiré par X. Descombes, J. Ros, A. Boucher, A. Manzanera, E. Boyer
� Vision par ordinateur (Computer Vision).

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Plan du cours Plan du cours

5 cours magistraux 3 heures 5 TP 3 heures


1. introduction - pré-traitement 1. format d’images, histogramme
2. extraction de caractéristiques : les contours, les points 2. filtrage local, gradients
d’intérêt et la mise en correspondance
3. segmentation d’images
3. segmentation d’images
4. détection de peau
4. un peu de géométrie ...
5. points d’intérêt et suivi
5. analyse du mouvement et suivi

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA
Contrat Contrat

� Note finale : dépend de la note à l’examen, et des notes de TP


� Pas de retard en cours
� Travaux pratiques

� les téléphones portables sont interdits en classe (il faut
programmation en C/C++
� un rapport à rendre après chaque scéance, avant la scéance penser à les éteindre) ... et en salle de TP
suivante
� sauf pendant les tps, les ordinateurs portables sont fermés
� les transparents sont mis à disposition ... mais ne sont pas
suffisants : prendre des notes !

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Contrat Avant de continuer ...

� N’hésitez pas poser des questions


les rapports de tp
� pendant ou après le cours par courriel
� ceci est un cours de vision ... donc expliquez et démontrez le � à mon bureau en dehors des heures de classes (Inria,
contenu du cours Montbonnot)
� montrez des résultats sur les images : choisir les images,
expliquer les résultats, faire le lien avec le cours � Si vous ne comprenez pas ce que le professeur raconte
� Pas besoin d’expliquer le génie logiciel ou la programmation � Si le professeur parle trop vite
� Utilisez votre programme et vos résultats pour analyser et
expliquer
� N’hésitez pas à le dire !!

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA
Plan Création de panoramas
http://www.cs.ubc.ca/~lowe/research.html

1. Quelles applications ?

2. Complexité de la vision humaine

3. Qu’est ce qu’une image ?

4. La chaı̂ne de traitement

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Imagerie météorologique Imagerie médicale


c
�Anne Cuzol http://www-sop.inria.fr/asclepios/

Vision industrielle www.uratek.fr

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA
Surveillance Vers l’animation : capture de mouvement
c
�David Knossow
www.uratek.fr

Vers l’animation : réalité augmentée


http://www.cs.ubc.ca/~lowe/research.html

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Analyse de document vidéo et multimédia Plan


France Telecom

1. Quelles applications ?

2. Complexité de la vision humaine

3. Qu’est ce qu’une image ?

4. La chaı̂ne de traitement

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA
La vision humaine Quelques illusions d’optique
Akiyoshi Kitaoka
La vision humaine est une source d’inspiration pour les ingénieurs
en vision par ordinateur afin de construire des modèles
algorithmiques mais ...
� le système de vision humain est extrèmement complexe
(neurosciences)
� on voit avec le cerveau, et pas avec les yeux

Rôle du cerveau
� intègre les vues gauche et droite (stéréovision)
� recrée l’information de profondeur
� effectue la segmentation, la reconnaissance et l’interprétation
� est spécialisé dans la reconnaissance de visages

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Quelques illusions d’optique Quelques illusions d’optique


Akiyoshi Kitaoka Akiyoshi Kitaoka

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA
Importance de l’interprétation importance de l’interprétation
(pour compléter, corriger ou interpréter l’information) (pour compléter, corriger ou interpréter l’information)

Pintos - Bev Doolittle

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

importance de l’interprétation spécialisation dans la reconnaissance de visages


(pour compléter, corriger ou interpréter l’information)

Woodland Encounter - Bev Doolittle The forest has eyes - Bev Doolittle

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA
spécialisation dans la reconnaissance de visages Plan

1. Quelles applications ?

2. Complexité de la vision humaine

3. Qu’est ce qu’une image ?


� notions de base
� codage de l’information et formats des fichiers
� interprétation mathématique
� histogramme

4. Vers une chaı̂ne de traitement

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Qu’est ce qu’une image ? Qu’est ce qu’une image ?

images naturelles vs images synthétiques


� Une image est avant tout un signal 2D
� Souvent, cette image représente une scène 3D

D’un point de vue mathématique


� une image est une matrice de nombres représentant un signal le bruit dans une image
� plusieurs outils permettent de manipuler ce signal

D’un point de vue humain


� une image contient plusieurs informations sémantiques
� il faut interpréter l’information au-delà de la valeur des Le bruit est du à
nombres � la qualité de l’appareil d’acquisition
� les conditions de prise de vue : luminosité, mouvement de la
scène, etc.
Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA
Qu’est ce qu’une image ? Qu’est ce qu’une image ?

Quelques éléments simples d’une image

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Qu’est ce qu’une image ? Qu’est ce qu’une image ?


Une image numérique est un tableau de pixel.
Un pixel s est décrit par : Un profil d’intensité d’une ligne dans une image est un signal 1D
� ses coordonnées dans l’image (i, j)
� sa valeur I(i, j), représentant sa couleur (ou son niveau de
gris)

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA
Qu’est ce qu’une image ? Le codage des couleurs
Résolution d’une image : finesse de la descrition spatiale La valeur I(i, j) d’un pixel s = (i, j) représente son intensité
lumineuse
En niveau de gris
� binaire : I(i, j) = 0 noir ou I(i, j) = 1 blanc
� codage 8 bits : (le plus classique) I(i, j) = 0, ..., 255 du plus
foncé au plus clair
En couleur
� codage dans l’espace RGB : trois intensités lumineuses
Quantification d’une image : plage de couleurs
rouge, vert, bleu.
� codage 24 bits : IR (i, j) = 0, ..., 255 ; IV (i, j) = 0, ..., 255 ;
IB (i, j) = 0, ..., 255

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Le codage des couleurs ... importance de la couleur Le codage des couleurs


l’espace Lab (espace à luminance séparée)
� L : la luminance, exprimée en pourcentage (0 pour le noir 100 pour
le blanc)
� a et b deux gammes de couleur allant respectivement du vert au
rouge et du bleu au jaune avec des valeurs allant de -120 +120.

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA
Le codage des couleurs Images vectorielles vs images bitmap
l’espace HSL (Hue, Saturation, Luminance)
(espace à luminance séparée)
� teinte : perception de la couleur (T-shirt mauve ou orange),
� saturation : pureté de la couleur (T-shirt neuf ou délavé)
� luminance : quantité de lumière de la couleur (T-shirt au soleil ou à
l’ombre).

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Image vectorielle Image bitmap

� Décomposition en objets graphiques élémentaires


� Tableau de points
� Primitives graphiques basées sur des concepts mathématiques
� Pas de notion d’objet
(cercle, rectangle, segment, arc, courbe ...)
� Codage d’une suite de points
� Stockage : position, caractéristiques (couleur, épaisseur trait,
� Résolution : densité de pixels dans l’image
style trait)
� Plus la résolution est élevée, plus l’image a de pixels
� Avantages :
� indépendance par rapport la résolution � Avantages :
� écriture fine et lisible � adaptable aux images complexes
� modification des objets aisée (forme et apparence) � format proche du matériel

� Inconvénients : � Inconvénients :
� Ne permet pas de traiter des formes trop complexes (paysage) � Taille importante indépendante de l’information de l’image
� Pas d’effets spéciaux (flou...)

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA
Formats de fichier d’images Formats de fichier d’images
� Une image est stockée soit dans un fichier sous la forme de
texte, soit dans la mémoire de l’ordinateur sous la forme d’un Les formats simples :
vecteur
� fichiers textes comportant un entête contenant les dimensions
de l’image et le format des pixels.
� Exemples : les formats PNM (portable anymap) : PBM
(portable bitmap), PGM (protable grayscale map), PPM
(portable pixmap).

Les formats compressés :
opérations de base : lecture et écriture.
� l’information est compressée de manière à réduire la taille des
� informations nécessaires la manipulation d’une image : fichiers images.
* nombre de lignes, nombre de colonnes, � Exemples, les formats images du web : le format GIF
* format des pixels (bit, niveaux de gris, niveaux de couleurs), (Graphics Interchange Format, Compuserve), le format JPEG
* compression éventuelle.
(Joint Photographic Experts Group)
� une multitude de formats permettant de stocker ces
informations existent
Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Formats de fichier d’images - les formats simples Formats de fichier d’images - les formats simples
Les fichiers correspondants sont constitués des éléments suivants :
1. Un ”nombre magique” pour identifier le type du fichier : P1 ou P4
pour PBM, P2 ou P5 pour PGM et P3 ou P6 pour PPM. P1
2. Un caractère d’espacement (blanc, TABs, CRs, LFs). # feep.pbm
24 7
3. La largeur de l’image (valeur décimale, codée en ASCII) suivie d’un 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
caractère d’espacement, la longueur de l’image (valeur décimale, 0 1 1 1 1 0 0 1 1 1 1 0 0 1 1 1 1 0 0 1 1 1 1 0
ASCII) suivie d’un caractère d’espacement. 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 1 0
4. Uniquement pour PGM et PPM : l’intensité maximum (valeur 0 1 1 1 0 0 0 1 1 1 0 0 0 1 1 1 0 0 0 1 1 1 1 0
décimale comprise entre 0 et 255, codée en ASCII) suivie d’un 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0
caractère d’espacement. 0 1 0 0 0 0 0 1 1 1 1 0 0 1 1 1 1 0 0 1 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5. Largeur × hauteur nombres. Ces nombres sont soit des valeurs
décimales codées en ASCII et séparées par des espacements dans le Fichier PBM dune image 24×7 dont les valeurs sont codées en ASCII
cas des formats P1, P2, P3, soit directement les valeurs binaires sur
1 ou 2 octets dans le cas des formats P4, P5, P6. Dans ce dernier
cas, il n’y pas de caractères d’espacement entre les valeurs, et le
type utilisé est le caratère.

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA
Formats de fichier d’images - les formats simples L’image comme fonction
On peut voir l’image comme une fonction
P2 # feep.pgm
24 7 I: S → Ω
15 (i, j) → x = I(i, j)
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 3 3 3 3 0 0 7 7 7 7 0 0 11 11 11 11 0 0 15 15 15 15 0
0 3 0 0 0 0 0 7 0 0 0 0 0 11 0 0 0 0 0 15 0 0 15 0 En discret
0 3 3 3 0 0 0 7 7 7 0 0 0 11 11 11 0 0 0 15 15 15 15 0
0 3 0 0 0 0 0 7 0 0 0 0 0 11 0 0 0 0 0 15 0 0 0 0 S = {0, 1, ..., nl − 1} × {0, 1, ..., nc − 1}
0 3 0 0 0 0 0 7 7 7 7 0 0 11 11 11 11 0 0 15 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Ω = {0, 1, ..., 255}
En continu
Fichier PGM d’une image 24×7. Les valeurs d’intensité codées en ASCII S = [0, nl − 1] × [0, nc − 1]
sont au maximum de 15
Ω = [0, P ]
Avantage de la représentation continue : possibilité de dériver

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

L’image comme surface Histogramme d’une image


En utilisant la représentation précédente, on peut voir l’image L’histogramme d’une image h(x) est la fonction qui associe à une
comme une surface valeur d’intensité x le nombre de pixels dans l’image ayant cette
valeur.

(Pour une image couleur, il y a un histogramme par composante)


Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA
Plan Chaine de traitement

1. Quelles applications ?

2. Complexité de la vision humaine

3. Qu’est ce qu’une image ?

4. Vers une chaı̂ne de traitement

c
�Antoine Manzanera
Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Chaine de traitement Chaine de traitement

Différent niveaux d’analyse


Exemple bas niveau : améliorer les caractéristiques d’une image

Les différentes phases de l’analyse d’une image :


1. Acquisition
2. Traitement de bas niveaux : filtrage et extraction d’indices.
3. Traitement de haut niveaux : reconnaissance des formes,
reconstruction, calculs de positions, calculs de mouvements
Les éléments impliqués :
1. des primitives images : points d’intérêts, des segments, des
contours.
2. des caractéristiques photo-métriques : niveaux de gris, de
couleurs.
3. des caractéristiques géométriques : caméras, mouvements.
Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA
Chaine de traitement Chaine de traitement
Différent niveaux d’analyse
Exemples bas niveau : détection de contours, détection de points
d’intérêt Différent niveaux d’analyse
Exemples moyenhaut niveau : suivi 2D

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Chaine de traitement Chaine de traitement

Différent niveaux d’analyse Différent niveaux d’analyse


Exemples haut niveau : shape from shading Exemples haut niveau : suivi et reconstruction 3D

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA
Pré-traitement d’images

Informatique visuelle - Vision par ordinateur

Pré-traitement d’images

Elise Arnaud
elise.arnaud@imag.fr
Le prétraitement regroupe l’ensemble des processus visant à
améliorer les caractéristiques d’une image

cours inspiré par X. Descombes, J. Ros, A. Boucher, A. Manzanera, E. Boyer, M Black, V. Gouet-Brunet

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Pré-traitement d’images Filtrage

� Le lissage local : il s’agit de supprimer le bruit, ou les petites


Familles de filtres
variations, présent dans une image. L’intensité d’un pixel est
transformée en fonction des intensités sur un petit voisinage � Passe-haut : élimine les fréquences basses
du pixel. � Passe-bas : élimine les fréquences hautes
� L’amélioration d’images consiste à modifier les � Passe-bande : ne laisse passer qu’une gamme de fréquences
caractéristiques visuelles de l’image (contraste, ...) pour
faciliter son interprétation par l’œil humain � Lissage de l’image
� � Filtres passe-bas
La restauration d’images a pour but de supprimer les
� Pour quoi faire ? élimination du bruit (pré-traitement)
dégradations subies par une image à l’aide de connaissance a
� Dérivation de l’image
priori sur ces dégradations.
� Filtres passe-haut
� Pour quoi faire ? Extraction de contours, points d’intérêt, etc.
Rappel : le bruit est une altération de l’image, pouvant être causé par les
processus d’acquisition, de transmission ou de stockage

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA
Filtrage Implémentation des filtres linéaires : convolution
le filtrage est une opération de voisinage : la valeur d’un pixel est soit I une image numérique ; soit h une fonction de
remplacée par la valeur d’une fonction appliquée à ce pixel et à ses [x1 , x2 ] × [y1 , y2 ] à valeurs réelles (noyau de convolution)
voisins. La convolution de I par h est définie par :
y2
x2 �

(I ∗ h)(x, y) = h(i, j)I(x − i, y − j)
i=x1 j=y1

� filtres linéaires : la fonction appliquée est une combinaison


linéaire
→ utilisation de masques de convolution Les nouvelles valeurs sont calculées par le produit scalaire entre le noyau
� filtres non linéaires de convolution et le voisinage du pixel
Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

filtres linéaires séparables Filtrage isotropes / anisotropes


� Une réponse impulsionnelle h est séparable selon x et y ssi :

h(x, y) = hx (x).hy (y)

� En terme de filtrage d’une image par convolution : En 2D : un filtre est isotrope si le filtrage réalisé est indépendant
de l’orientation des structures de l’image.
g(x, y) = h(x, y) ∗ f (x, y) = hy (y) ∗ (hx (x) ∗ f (x, y))

� Avantages d’un filtre séparable


� Le filtrage d’un signal 2D est ramené au filtrage d’un signal 1D
� réduction du temps de calcul : pour une convolution par un
masque de filtrage de dimension H, la complexité est de 2H
au lieu de H 2
� Possibilité d’implémenter récursivement le filtrage

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA
Filtrage linéaire Filtrage linéaire
filtre moyenneur  
1 1 1 amélioration du filtre moyenneur : filtre gaussien
masque de convolution de taille 3 × 3 : h = 19  1 1 1  � approximation discrète d’un noyau Gaussien 2D
1 1 1
� �
1 x2 +y 2
G(x, y) = 2πσ 2
exp − 2σ 2

� donne plus d’importance aux pixels du centre


 
  1 4 6 4 1
1 2 1  4 16 24 16 4 
1  1  6 24 36 24 6


� filtre passe-bas h3×3 = 2 4 2  h5×5 =

16 246 
 4 16 24 16 4


rend l’image floue, en particulier les contours 1 2 1
� élimine les dégradations locales de faibles dimensions 1 4 6 4 1
� peut être appliqué itérativement
Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Filtrage linéaire Filtrage non linéaire


comparaison filtre moyenneur vs filtre gaussien
filtre non linéaire le plus utilisé : le filtre médian
remplace la valeur d’un pixel par la médiane des valeurs de ses
voisins

� supprime le bruit impulsionnel


� préserve l’information de contour
� peut être appliqué itérativement

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA
Filtrage non linéaire Filtre faisant intervenir les variations d’intensité

filtre non linéaire le plus utilisé : le filtre médian


Toujours dans l’objectif d’améliorer les caractéristiques du filtre et
en particulier la préservation des contours dans l’image, on peut
utiliser un filtre faisant intervenir des variations d’intensité.

soit d(i, j, k, l) la variation d’intensité entre les pixels (i, j) et (k, l)



|I(i, j) − I(k, l)| si I(i, j) �= I(k, l)
d(i, j, k, l) =
1/2 sinon
alors les coefficients du masque sont déterminés par :

1/d(i, j, i + m, j + m)
h(m, n) = �
(k,l)∈V 1/d(i, j, i + k, j + l)

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Filtre faisant intervenir les variations d’intensité Histogramme d’une image


L’histogramme d’une image h(x) est la fonction qui associe à une
valeur d’intensité x le nombre de pixels dans l’image ayant cette
1/d(i, j, i + m, j + m) valeur.
h(m, n) = �
(k,l)∈V 1/d(i, j, i + k, j + l)

� La distance est plus importante sur un contour que dans une


région homogène.
� Les points fortement bruitées ont peu d’influence (h(m, n)
petit)
� Si le pixel est sur un contour, les pixels voisins de même
région auront un poids important alors que les pixels voisins
de région différente auront peu de poids. Le contour est de
cette manière préservé.

(Pour une image couleur, il y a un histogramme par composante)


Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA
Histogramme d’une image Histogramme d’une image

� brillance d’un histogramme : moyenne d’intensité des pixels de


� histogramme normalisé : proportion de pixel en fonction du
l’image
niveau de gris (densité de probabilité)
décalage de l’histogramme ⇒ augmentation de la brillance
h(x)
x → hn (x) =
nb pixels

� dynamique de l’image : [min, max]


min : valeur minimale des niveaux de gris de l’image
max : valeur maximale des niveaux de gris de l’image

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Histogramme d’une image Histogramme d’une image


� � égalisation d’un histogramme : transformation des niveaux de
expension de dynamique : transformation des niveaux de gris
de telle sorte que l’image utilise toute la dynamique (entre 0 gris dont le but est d’équilibrer le mieux possible la
et 255) distribution de pixels dans la dynamique

� l’histogramme cumulé hc (x) = z≤x hn (z) doit être le plus
255 linéaire possible
IExp (i, j) = (I(i, j) − min)
max − min
IEga (i, j) = 255 × hc (I(i, j))

Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA Elise Arnaud elise.arnaud@imag.fr M2P UFR IMA

Vous aimerez peut-être aussi