Traitement d’image

Traitement ponctuel
Traitement d’histogramme

Y.BENHAMZA 1
Types de Transformation
• On distingue 3 type d’opérations:
1. Opération ponctuelle: la nouvelle valeur d’un pixel dépend uniquement de
son ancienne valeur.
2. Opération locale: la nouvelle valeur d’un pixel dépend de son ancienne
valeur mais aussi de son voisinage.
3. Opération globale: la nouvelle valeur d’un pixel dépend de tous les pixels de
l’image

Transformation Ponctuelle: Transformation Locale Transformation Globale

Ex: Etirement Histogramme, Ex: Débruitage,Lissage, Contour… Ex: Transformée Fourier,
Ajustement des couleurs,… Transformé Cosinus… 2
Histogramme
• Tableau de 256 éléments dont les éléments sont le nombre
d’occurrence des pixels pour chaque niveau de gris.

im = imread('rice.png');
V = imhist(im);
Subplot(121);imshow(im);
Subplot(122);imhist(im);

3
• Différents traitement d’histogramme:
• Normalisation (étirement)
• Equalisation

4
Traitements de base d’une
image
• Pourquoi traiter ou prétraiter une image ?
• Corriger les effets du système d’acquisition (restauration, déconvolution)
• Réduire le bruit
• Améliorer la visualisation
• Améliorer le fonctionnement des étapes ultérieures de traitement (extraction
de caractéristiques, segmentation)
• Pour créer une nouvelle image (reconstruction)

5
 Définitions
• Luminance
• Image en niveaux de gris,
,
• , (Moyenne)

• Image couleur
,
• ,
(Une moyenne par canal )

Ex: Même image, Luminance différente

6
Luminance d’une image

Même image mais luminance différente

7
 Définitions
• Contraste :
• RMS: (Root Mean Square)
 

• Michelson: Variation entre niveaux de

gris min et max

8
Contraste
• Même image, deux différents contraste

• Mauvais contraste ?
• Faible ou excessif !
• Détails intéressants difficilement visibles !
9
Histogramme d’une image
• Outil de base pour les opérations ponctuelles
• Graphique de fréquence d’occurrence des niveaux de gris ou d’intensité

Histogramme = Distribution du niveau de gris

10
Histogramme d’une image
• L’histogramme représente la distribution des pixels en fonction de leur niveaux
de gris (ou de couleurs) dans une image
• Donne la fréquence d’apparition des différents niveaux de gris qui composent
l’image
• H(k) = nombre de pixels de l’image ayant la valeur k
• Histogramme cumulé : dénombre les occurrences cumulées de chacun des
niveaux
•

11
Histogramme d’une image

12
Histogramme d’une image
• L’histogramme donne une bonne indication sur la composition
photométrique de l’image: uniforme, unimodal, multimodal

13
Histogramme d’une image
Ne donne aucune indication sur la répartition (fréquences spatiales) de ces
niveaux de gris au sein de l’image
• Exemple : ces 3 images ont le même histogramme

14
Histogramme d’une image Couleur
• 3 histogrammes 1D sont utilisés
• Projection de l’histogramme couleur sur les 3 axes R, G, B

15
Histogramme d’une image
• L’analyse de l’histogramme fournit les informations suivantes:
1. La dynamique réelle de l’image et donc le contraste disponible
2. Le caractère aléatoire ou non de la distribution des niveaux de gris et la
similitude de l’histogramme (ou de morceaux) avec une distribution
statistique connue (ex. une gaussienne)
3. La présence de pics significatifs
4. Autres choses!?

16
Luminance Vs Contraste

17
Histogramme et contraste
• Histogramme étroit= faible contraste
• Histogramme étalé = fort contraste

18
Transformations ponctuelles
• Chaque pixel est transformé selon sa propre information:
• Niveau de Gris (Transformation Lumineuse)
• Position (Transformation Géométrique)
• La transformation peut être définie par
• Une fonction f: ,
• Ou si vous préférez
• Une table de Correspondance: table LUT (Look-Up Table)
• Une fonction par sous domaine (de niveau de gris)!
• f1 dans [0,d1], f1 dans [d1,d2],

19
Transformation Linéaire

20
Transformation Linéaire

21
Transformations Ponctuelles

22
Transformations Ponctuelles

23
Transformations ponctuelles
• inversion d’échelle
• Amélioration de contraste
• Amélioration de la luminance
• Contrôle de la luminosité

24
Inversion d’échelle (image négative)

25
Inversion d’échelle (image négative)

26
Amélioration de contraste d’une image
• Le changement est obtenu en multipliant les intensités de niveaux de
gris de l’image source par une constante
• : amélioration du contraste
• : réduction de contraste

•
•

27
Améliorations de contraste d’une image

28
Augmentation de la luminance d’une image
• Augmentation de la luminance d’une image
• Ceci est obtenu en ajoutant une constante b à la valeur de niveau de
gris de chaque pixel de l’image source
• Image devient plus blanche

29
Diminution de la luminance de l’image
• Diminution de la luminance d’une image
• Ceci est obtenu en retranchant une constante b à la valeur de niveau
de gris de chaque pixel de l’image source
• Image devient plus sombre:

30
• Augmentation puis diminution de la luminance d’une image
Résultat : perte de dynamique
• Problème de saturation du blanc (ou du noir)

31
Exemples d’amélioration de contraste et de
luminance

32
Combiner une réduction et une augmentation
de contraste
• Combiner une réduction et une augmentation de contraste
• Processus généralement non réversible
• Augmentation du contraste produit une saturation
• Réduction du contraste produit une perte dans les nuances de niveaux de gris

33
Traitements à base d’histogramme
• Normalisation (expansion de dynamique)
• Exploiter toute la dynamique de codage
• Rehaussement de contraste
• Égalisation
• Équilibrer la dynamique et augmenter le contraste
• Seuillage
• Simplifier l’image en regroupant les pixels selon leurs valeurs

34
Étirement d’histogramme

• Transformation affine du niveau de gris des pixels dont l’objectif que

l’image utilise toute la dynamique de représentation.

35
 Étirement d’histogramme

• De façon générale:

ex:[30,80] ex:[10,210]
− −𝑚𝑖𝑛 − +𝑚𝑖𝑛

ex:[0,200]
ex:[0,50]

− /(𝑚𝑎𝑥 − 𝑚𝑖𝑛 ) − ∗ (𝑚𝑎𝑥 − 𝑚𝑖𝑛 )

36
Étirement d’histogramme
Ex1:Les niveaux de gris d’une image, I, occupe l’intervalle [d1..d2]. On souhaite la
transformer pour qu’ils occupent un second intervalle [d3,d4].
• Question: Appliquer les transformations nécessaire.
Ex2: Essayez de normaliser l’histogramme de l’image suivante? Pourquoi ça ne
marche pas?

Ex3: Comment peut-on normaliser une image couleur?

37
Égalisation d’histogramme
• C’est une transformation des niveaux de gris dont le principe est
d’équilibrer le mieux possible la distribution des pixels dans la
dynamique

38
Égalisation d’histogramme : objectif

• Homogénéisation de la répartition des intensités des pixels

• Amplification des fluctuations dans les zones où elles sont faibles
• Étalement des détails concentrés dans un petit intervalle de niveaux
de gris

39
Étaler la bosse principale de l’histogramme en
largeur (histogramme plat)
• La plupart des pixels occupent une plage faible de l’histogramme. En
revanche, les deux queues correspondent à des pixels peu nombreux.

Maximiser
l’information!
Maximiser
l’entropie!

Uniforme!

40
• Exemple d’égalisation d’histogramme

41
• Exemple d’égalisation d’histogramme

42
Normalisation et égalisation d’histogramme :
• Deux effets différents
• La normalisation va changer la répartition spatiale des bâtons (bins)
de l’histogramme, mais pas leur taille
• L’égalisation va changer la répartition spatiale des bâtons (bins) de
l’histogramme et leur taille

43
Seuillage d’histogramme

• Le résultat est une image binaire selon la valeur de seuil choisi

44
Opérations arithmétiques sur les
images
Les images peuvent être manipulées arithmétiquement (+,-,*,/):
• Appliquer l’opération à chaque pixel
• Multiplication
• Utilisée pour le masquage (masking)
• Soustraction (différence)
• Utilisée pour supprimer le fond (background)
• Utilisée pour comparer des images
• Ex. comparaison de deux images de RX avant et après
• injection d’un produit de contraste (visualiser les vaisseaux sanguins)

45
• Exemple d’opérations arithmétiques

46
• Exemple d’opérations
arithmétiques
• Détection de défaut
• Recalage nécessaire
• ∈

47
• Exemple d’opérations arithmétiques

48
Opérations logiques sur les images

• Opérations logiques (ET, OU, NON)

• Le blanc représente 1 et le noir 0
• Opération NON = transformation négative

49
Transformation sur Image Couleurs

50
Fin.
• Quoi encore?
• Histogramme Matching.
• Equalization adaptative d’histogramme

51