Vision par ordinateur

Techniques d’amélioration d’images

2ème année GI et 3ème année AE3S – ENSMR I. BENMILOUD
Master Intelligent Processing Systems –FSR

Année universitaire 2020/2021

Plan de la séance
- Traitement de bas niveau d’une image
• Définition de l’histogramme d’une image
• Expansion dynamique
• Egalisation d’histogramme
- Opérations arithmétiques
- Opérations logiques ET/OU/XOR

2
But

• Modifier la dynamique de l’image qui est trop claire ou trop foncée

• Faire apparaître des régions et rendre visible certains détails
• Rendre les images plus facile à interpréter par l’être humain et par la
machine

3
Amélioration d’images
Principe
- Changer la valeur de chaque pixel d'une image 𝐼 pour obtenir une
nouvelle image 𝐼′.
- Cette image résultat a la même taille que 𝐼, mais des propriétés plus
intéressantes.

4
Types d’amélioration d’images (1)
𝑡
- Transformation ponctuelle: 𝐼 𝑥, 𝑦 𝐼′ 𝑥, 𝑦 = 𝑡(𝐼 𝑥, 𝑦 )
• Seuillage, ajustement luminosité/Contraste
• Manipulation d’histogramme

A B

5
Types d’amélioration d’images (2)
𝑡
- Transformation locale: 𝐼 𝑥, 𝑦 𝐼′ 𝑥, 𝑦 = 𝑡(𝐼 𝑉(𝑥, 𝑦) )
• Filtrage

A B

6
Types d’amélioration d’images (3)
𝑡
- Transformation globale: 𝐼 𝑥, 𝑦 𝐼′ 𝑥, 𝑦 = 𝑡(𝐼)
• Transformation dans l’espace de Fourier
• Méthodes markoviennes

A B

7
Propriétés de l'image: Brillance/Luminance
Elle est définie comme la moyenne de tous les pixels de l’image
𝑀 𝑁
1
𝐵= 𝐼(𝑖, 𝑗)
𝑀𝑥𝑁
𝑖=1 𝑗=1

B=12 B=76 B=173

8
Propriétés de l'image: Contraste
Définition 1: Ecart type de la variance des niveaux de gris

𝑀 𝑁
1
𝐶= (𝐼 𝑖, 𝑗 − 𝐵)2
𝑀𝑥𝑁
𝑖=1 𝑗=1

Définition 2: Variation entre niveaux de gris min et max

max 𝐼 𝑖, 𝑗 − min(𝐼 𝑖, 𝑗 )
𝐶=
max(𝐼 𝑖, 𝑗 ) + min(𝐼 𝑖, 𝑗 )
9
Propriétés de l'image: Contraste

Contraste faible Contraste fort

10
Comment agir sur le contraste?
- Transformation linéaire
- Transformation linéaire avec saturation
- Transformation linéaire par morceau
- Transformation non-linéaire

11
Histogramme d’images: Définition et notation
• L’histogramme d’une image en niveau de gris dénombre les
occurrences de chacun des niveaux.
• h(i)= nombre de pixels dans l’image I ayant le niveau de gris i.

12
Histogramme d’images: Exemple
13 13 12 12 12 11 11 11
13 12 12 12 11 11 11 10
Les valeurs des
12 12 8 7 6 5 10 10
pixels
12 12 7 6 5 4 10 10
12 11 6 5 4 3 10 9
11 11 5 4 3 2 9 9
11 11 10 10 10 9 9 9
11 10 10 10 9 9 9 8

Pixel x 0 1 2 3 4 5 6 7 8 9 10 11 12 13
h 0 0 1 2 3 4 3 2 2 9 12 12 11 3
13
Histogramme d’images: Interprétation (1)
• Luminance de l’image= moyenne  des niveaux de gris
• Ecart-type σ=amplitude moyenne de la variation des niveaux de gris d’une
part et d’autre part de la moyenne

14
Histogramme d’images: Interprétation (2)
- Dynamique de l’image= nombre de niveaux 𝑖𝑚𝑖𝑛 , 𝑖𝑚𝑎𝑥 réellement
présents
- Contraste de l’image= peut être estimé par l’écart type σ

15
Histogramme d’images: Interprétation (3)
- Présence de pics significatifs pour certaines plages de niveaux de gris
(appelées modes), correspondent à des ensembles de pixels intéressants.

16
Histogramme d’images: Interprétation (4)

Présence de deux pics

Histogramme bimodal

Image mal contrastée

17
 Histogramme d’images: Interprétation (5)

Question: Quelles sont les images qui ont le même histogramme?

18
 Histogramme d’images: Interprétation (6)
- L’allure de h peut traduire des images trop
sombres, trop claires ou encore mal contrastées.
- On peut agir sur la forme de l’histogramme
• Transformation/modification (linéaire / par
morceaux)
• Egalisation

Deux images différentes (en termes de contenu sémantique) peuvent

aussi avoir le même histogramme 19
 Histogramme d’images: normalisé

La probabilité d’apparition d’un niveau de gris i dans l’image est

ℎ(𝑖)
ℎ𝑛 (𝑖) = avec ℎ𝑛 (i)ϵ [0,1]
𝑀𝑥𝑁

ℎ𝑛 (𝑖) = histogramme normalisé

20
 Histogramme d’images: cumulé

• L’histogramme cumulé dénombre les occurrences cumulées de

chacun des niveaux
ℎ𝑐 (𝑖) = 𝑖𝑘=0 ℎ(𝑘) avec ℎ𝑐 (i)ϵ [0,MxN]

ℎ𝑐 0 = ℎ(0)
• Il est défini de façon récursive par
ℎ𝑐 𝑖 = ℎ𝑐 𝑖 − 1 + ℎ(𝑖)

• La probabilité qu’un pixel ait un niveau de gris inférieur ou égal à i est

ℎ𝑐 (𝑖) ℎ𝑐 (255)
avec =1 pour une image codée sur 1octet
𝑀𝑥𝑁 𝑀𝑥𝑁
21
Histogramme d’images: normalisé et cumulé

Image de taille Histogramme h(i) (échelle G) Histogramme cumulé 𝒉𝒄 (i)

100x100 Histogramme normalisé 𝒉𝒏 (i) (échelle D) 22
 Revenons à notre problème du départ!

• Des images trop claires ou trop foncées

• D’une manière générale: l’histogramme est trop
concentré

Solution: application des méthodes ponctuelles

travaillant sur les niveaux de gris ou sur les histogrammes,
en général, ne modifiant pas l’information contenue dans
les images

23
 Transformation linéaire simple
- Soit 𝑖𝑚𝑖𝑛 , 𝑖𝑚𝑎𝑥 la dynamique de l’image
- Fonction de la transformation est:

255
𝑖′ = 𝑖 − 𝑖𝑚𝑖𝑛
𝑖𝑚𝑎𝑥 −𝑖𝑚𝑖𝑛 i i

𝑖−𝑖𝑚𝑖𝑛
avec ϵ 0,1
𝑖𝑚𝑎𝑥 −𝑖𝑚𝑖𝑛

- Effet:
• rehaussement du contraste par expansion de la dynamique 24
Expansion dynamique : Exemple Matlab
En Matlab :
I = imread('pout.tif');
J =imadjust(I); % rescale(I);
figure, subplot(1,2,1), imshow(I); subplot(1,2,2), imshow(J);
figure,subplot(1,2,1), imhist(I); subplot(1,2,2), imhist(J);

25
Limite de la transformation linéaire
Si la dynamique est déjà maximale, la transformation n’apporte aucun changement
𝑖𝑚𝑖𝑛 = 0, 𝑖𝑚𝑎𝑥 = 255

Après
transformation

26
 Transformation linéaire avec saturation

Définir deux seuils 𝑆𝑚𝑎𝑥 et 𝑆𝑚𝑖𝑛

Tel que: 𝑖𝑚𝑖𝑛 < 𝑆𝑚𝑖𝑛 < 𝑆𝑚𝑎𝑥 < 𝑖𝑚𝑎𝑥
𝒊𝒎𝒊𝒏 𝒊𝒎𝒂𝒙
255
𝑖′ = (𝑖 − 𝑆𝑚𝑖𝑛 )
(𝑆𝑚𝑎𝑥 − 𝑆𝑚𝑖𝑛 )

Effets:
• rehaussement du contraste pour 𝑆𝑚𝑖𝑛 < 𝑖 < 𝑆𝑚𝑎𝑥
• saturation
• à 0 pour 𝑖𝑚𝑖𝑛 < 𝑖 < 𝑆𝑚𝑖𝑛
• à 255 pour 𝑆𝑚𝑎𝑥 < 𝑖 < 𝑖𝑚𝑎𝑥

27
Transformation non-linéaire
x’= Log(x) pour
l’éclaircissement global de
l’image: utilisé pour traiter
des images trop sombres

x’= exp(x) pour l’assombrissement global de

28
l’image: utilisé pour traiter des images trop claires
Autres transformations (1)
Quantification
• Transformation linéaire par morceaux utilisant des paliers
• Exemple: paliers de mêmes largeurs et de hauteurs réparties
uniformément
• Résultat: seuls les niveaux de ces paliers sont conservés dans le résultat

29
Autres transformations (2)

30
Translation de l’histogramme
- Permet de faire varier la luminosité de l’image sans en changer le
contraste
𝐼 ′ = 𝐼 + 𝑡 avec t ∈ ℝ

31
Egalisation d’histogramme

- On cherche à obtenir une image où les niveaux de gris sont répartis de manière la
plus égalitaire possible (contraste maximal)
- Homogénéisation de la répartition des intensités des pixels
- Amplification des fluctuations dans les zones où elles sont faibles
- Etalement des détails concentrés dans un petit intervalle de niveaux de gris

32
Egalisation d’histogramme
On cherche une fonction de transformation t : i ↦ i'
• croissante (i.e. préservant l'ordre des niveaux de gris)
• qui génère (autant que possible) un histogramme h(I') «plat», c'est-à-dire une distribution
uniforme des niveaux de gris

33
Egalisation d’histogramme
• Calcul de l’histogramme ℎ𝑛 (k) avec k ∈ [0,255]
• Histogramme cumulé normalisé:
ℎ𝑐 (k)= 𝑘𝑖=0 ℎ𝑛 (i)
• Transformation des niveaux de gris de l’image par:

𝐼 ′ 𝑥, 𝑦 = ℎ𝑐 𝐼 𝑥, 𝑦 255
• Avantages:
- Permet d’augmenter le contraste de l’image
- Pour chaque niveau de gris, il y a approximativement le même nombre de pixels.

34
 Egalisation d’histogramme: Exemple
x histogramme Histogramme 𝐡𝐜 Nouvelle Valeur
cumulé 𝐡𝐜 normalisé valeur entière
0 0 0 1 1 1 2 2 2 2 0 3 3 0.03 0.3 0
3 3 3 3 4 4 6 6 6 6 1 3 6 0.05 0.6 1
7 7 7 7 4 5 6 6 6 6 2 4 10 0.08 1 1
7 7 7 7 7 7 6 6 6 6
3 4 14 0.12 1.4 1
7 7 7 7 7 7 6 6 6 6
4 3 17 0.14 1.7 2
7 7 7 7 7 7 6 6 6 6
5 1 18 0.15 1.8 2
8 8 8 8 8 9 9 9 9 9
6 20 38 0.32 3.8 4
8 8 8 8 8 8 10 10 10 10
8 8 8 8 8 8 11 11 11 11 7 22 60 0.50 6 6
8 8 8 8 8 8 11 11 11 11 8 31 91 0.76 9.1 9
8 8 8 8 11 11 11 11 11 11 9 5 96 0.80 9.6 10
8 8 8 8 11 11 11 11 11 11 10 4 100 0.83 10 10
11 20 120 1 12 12
35
Egalisation d’histogramme: Exemple Matlab

En Matlab :
I = imread('pout.tif');
J = histeq(I);
figure, subplot(1,2,1), imshow(I); subplot(1,2,2), imshow(J);
figure,subplot(1,2,1), imhist(I); subplot(1,2,2), imhist(J);

36
Egalisation d’histogramme: Exemple

Image originale Expansion dynamique Egalisation d’histogramme

37
Egalisation d’histogramme: Exemple

Expansion d’histogramme! Egalisation d’histogramme

38
Intérêt d’égalisation d’histogramme (1)
L’égalisation d’histogramme sur une même image avec des contrastes différents,
donne le même résultat pour toutes les images.

39
 Intérêt d’égalisation d’histogramme (2)

• Un problème des variations

d’illumination au sein de la base
• Normaliser l’ensemble des
histogrammes pour que les images
aient la même dynamique

40
Opérations arithmétiques: Addition
(reprendre)
• Soient f et g sont deux images, on peut définir l’addition R pixel à pixel de ces deux
images par:
R(x,y) = Min( f(x,y)+g(x,y) ; 255 )

• L’addition d’images peut permettre:

• De diminuer le bruit d’une vue dans une série d’images
• D’augmenter la luminance en additionnant une image avec elle-même

41
Opérations arithmétiques: Soustraction
• On peut définir la soustraction S pixel à pixel de deux
images f et g par:

S(x,y) = Max( f(x,y)-g(x,y) ; 0 )

• La soustraction d’images peut permettre:

• Détection de défauts (par comparaison avec une
image de référence)
• Détection de mouvements

42
Opérations arithmétiques: Multiplication
• La multiplication d’une image f par un ratio (facteur) peut se définir par:
S(x,y) = Max( f(x,y)*ratio ; 255)

• Permet d’améliorer le contraste ou la luminosité

x 1.5 x 1.2

Source : Eric Favier. L'analyse et le traitement des images. ENISE

43
Opérations arithmétiques: Division
• La division de deux images permet de corriger une illumination non
homogène:
𝑓(𝑥, 𝑦)
𝐷 𝑥, 𝑦 = 𝑔(𝑥, 𝑦)
• Exemple d’application: la suppression de l’ombre sur une image

f(x,y) g(x,y) D(x,y)

44
Opérations logiques: ET/OU/XOR
Nous avons les deux images binaires I1 et I2

I1 I2

ET logique: intersection OU logique: union OU exclusif logique: exclusion

45
Opérations logiques: ET/OU/XOR
Application: Masquage

Image 1 Image 2 (masque) ET (Image 1, Image 2) OU (Image 1, Image 2)

46