Académique Documents
Professionnel Documents
Culture Documents
AU 2022
IMAGES : CONCEPTS DE BASE
Objectif du cours :
2
PLAN DU COURS
Partie 1 : Bases du traitement d’image
Partie 3 : Segmentation
3
PARTIE 1 : TRAITEMENT
D’IMAGES
NOTIONS DE BASE
4
I. NOTIONS DE BASE
Traitement d'images :
5
QU’EST CE QU’UNE IMAGE NUMÉRIQUE?
Image numérique:
Exemple :
- Signal bidimensionnel : une image possède deux dimensions: largeur et hauteur.
- Signal fini : une image possède des dimensions finies
exemple : 640x480, 800x600 points (pixels)…
- Signal échantillonné : les pixels d’une image sont régulièrement espacés sur une
grille carrée.
- Valeurs quantifiées : les valeurs des pixels appartiennent à un intervalle borné
7
connu (par exemple [0,Ng] où Ng est la valeur maximale du niveau de gris, par
exemple [0,255]).
FORMELLEMENT
10
10
II. EXEMPLES DE CHAMPS D’APPLICATION
Reconnaissance de
caractères Chèques
et Courrier
11
11
II. EXEMPLES DE CHAMPS D’APPLICATION
12
12
II. EXEMPLES DE CHAMPS D’APPLICATION
Reconstruction 3D
13
III. NUMÉRISATION D’UNE IMAGE
15
En 2D, une image numérique est une image échantillonnée et quantifiée
NUMÉRISATION DE L’IMAGE
Etape-1 : Echantillonnage d’une image
(résolution spatiale).
C’est le procédé de discrétisation spatiale d’une image qui
consiste à associer à chaque zone rectangulaire ou carrée
R(i,j) d’une image continue une valeur I(i,j) unique.
La résolution spatiale est le plus petit détail discernable.
16
NUMÉRISATION DE L’IMAGE
ECHANTILLONNAGE ET INFORMATION
Illustrations de
l’échantillonnage
17
ECHANTILLONNAGE ET INFORMATION
512*512
512*512 50 * 50
50 * 50
NUMÉRISATION DE L’IMAGE
ECHANTILLONNAGE ET INFORMATION
Pour stocker numériquement un signal Sur cet exemple, la tension en rouge est
mesurée 5 fois
(1D), l'échantillonnage va le réduire à
une suite de points discrets. Par la
suite :
seule l'information présente sur le
point de capture est enregistrée,
tout le reste est perdu.
Si la fréquence d'échantillonnage est
très faible, les acquisitions seront
très espacées et, de ce fait si le
signal original comporte des détails
entre deux positions de capture, ils
ne seront pas enregistrés.
Sur cet exemple, la tension en rouge
est mesurée 14 fois
Le signal reconstruit
ressemble très peu au
signal analogique 19
NUMÉRISATION DE L’IMAGE (10)
Etape-2 : Quantification
La quantification désigne le nombre de valeurs
différentes disponible que peut prendre I(i,j).
La résolution tonale est le plus petit changement
discernable.
20
NUMÉRISATION DE L’IMAGE (11)
QUANTIFICATION ET INFORMATION
Illustrations de la quantification
21
NUMÉRISATION DE L’IMAGE (13)
QUANTIFICATION ET INFORMATION
La quantification peut faire apparaître des faux
contours
22
IV. REPRÉSENTATION DES IMAGES
La surface de l’image
numérique est divisée en
éléments de tailles fixes :
pixels
Les pixels ont chacun
comme caractéristique
prélevée à l’emplacement
correspondant dans
l’image un niveau de gris
ou une couleur
24
IV. REPRÉSENTATION DES IMAGES
25
V. NIVEAUX DE GRIS ET COULEURS
26
V.1 IMAGES BINAIRES
27
V.2 IMAGES EN NIVEAUX DE GRIS
Images en niveaux de gris : codés sur n (2 :8) bits.
4 niveaux = 2 bits
8 niveaux = 3 bits
16 niveaux = 4 bits (Bitmap 16 couleurs ou 16 niveaux de
gris). En stockant 4 bits dans chaque case, il est possible de
définir pour chaque pixel, c'est-à-dire 16 dégradés de gris
allant du noir au blanc ou bien 16 couleurs différente.
32 niveaux = 5 bits
64 niveaux = 6 bits
128 niveaux = 7 bits
256 niveaux = 8 bits. Images en teintes (ou niveaux) de
gris. On ne code ici plus que le niveau de l'intensité
lumineuse, généralement sur un octet (256 valeurs).
Les primaires RVB sont des primaires additives, c’est-à-dire, que les
contributions de chacun sont ajoutés pour créer le résultat.
Si les trois composantes ont une valeur égale, une nuance de gris
neutre est obtenue.; s’ils ont la valeur 255, un blanc pur est obtenu.
Une valeur égale à 0 pour chacune produit du noir.
31
IMAGES COULEURS : IMAGES 24 BITS
Le codage de la couleur est réalisé sur trois octets.
Chaque octet représentant la valeur d'une composante
couleur par un entier de 0 à 255.
Ces trois valeurs codent généralement la couleur dans
l'espace RVB. Le nombre de couleurs différentes
pouvant être ainsi représenté est de 256 x 256 x 256
possibilités, soit près de 16 millions (16777216) de
couleurs.
R G B Couleur
0 0 0 noir
0 0 1 nuance de noir
255 0 0 rouge
0 255 0 vert
0 0 255 bleu
32
128 128 128 gris
255 255 255 blanc
IMAGE EN NIVEAU DE GRIS/ EN COULEURS
33
V.4 IMAGES À PALETTES, IMAGES EN 256
COULEURS (8 BITS)
34
IMAGES À PALETTES, IMAGES
EN 256 COULEURS (8 BITS)
36
V.5 IMAGES AVEC GESTION DE LA
TRANSLUCIDITÉ
38
IMAGES VECTORIELLES
Une image vectorielle, en informatique, est une image
numérique composée d'objets géométriques individuels
(segments de droite, polygones, arcs de cercle, etc.) définis
chacun par divers attributs de forme, de position, de
couleur, etc.
Elle se différencie de cette manière des images matricielles
(ou « bitmap »), dans lesquelles on travaille sur des pixels
Par nature, un dessin vectoriel est dessiné à nouveau à
chaque visualisation, ce qui engendre des calculs sur la
machine.
L’avantage de ce type d'image est la possibilité de l'agrandir
indéfiniment sans perdre la qualité initiale, ainsi qu'un
faible encombrement.
L'usage de prédilection de ce type d'images concerne les
schémas qu'il est possible de générer avec certains logiciels
de DAO (Dessin Assisté par Ordinateur) comme AutoCAD
ou CATIA
Exemple de formats d’images : SVG, flash, AI, Eps, DXF. 39
FORMATS D'IMAGES
40
FORMATS D'IMAGES
41
Illustrations de
Formats d’Images
42
VII. OPÉRATIONS ENTRE IMAGES
44
VII. OPÉRATIONS ENTRE IMAGES
A. EXEMPLES DE TRANSFORMATIONS GÉOMÉTRIQUES
Dans le plan 2D, la translation de vecteur (tx, ty )t , transforme le
point P(x, y) en P '(x ', y ') tel que :
𝑥 ′ = 𝑥 + 𝑡𝑥
𝑦 ′ = 𝑦 + 𝑡𝑦
et l'écriture matricielle de la
translation devient :
45
VII. OPÉRATIONS ENTRE IMAGES
B. EXEMPLES DE TRANSFORMATIONS GÉOMÉTRIQUES
46
VII. OPÉRATIONS ENTRE IMAGES
B. EXEMPLES DE TRANSFORMATIONS RADIOMÉTRIQUES
Opérations Logiques :
47
VII. OPÉRATIONS ENTRE IMAGES
B. EXEMPLES DE TRANSFORMATIONS RADIOMÉTRIQUES
48
VII. OPÉRATIONS ENTRE IMAGES
B. EXEMPLES DE TRANSFORMATIONS RADIOMÉTRIQUES
Opérations Arithmétiques: Addition
49
VII. OPÉRATIONS ENTRE IMAGES
B. EXEMPLES DE TRANSFORMATIONS RADIOMÉTRIQUES
Opérations Arithmétiques: Soustraction
50
VII. OPÉRATIONS ENTRE IMAGES
B. EXEMPLES DE TRANSFORMATIONS RADIOMÉTRIQUES
Opérations arithmétiques: Multiplication
51
52
PARTIE 2 : AMÉLIORATION
D’IMAGES
53
I. AMÉLIORATIONS D’IMAGES NUMÉRIQUES
54
I. AMÉLIORATIONS D’IMAGES NUMÉRIQUES
Types d’améliorations:
1) Amélioration ou transformation ponctuelle (point-processing).
T est un est un opérateur sur un seul point (point-operator)
2) Transformation Locale.
T est un est un opérateur local (local or neighborhood operator)
3) Transformation Globale.
T est un est un opérateur global
55
I. AMÉLIORATIONS D’IMAGES NUMÉRIQUES
TRANSFORMATIONS PONCTUELLES
Rappels - définitions
56
II. PROPRIÉTÉS DE L’IMAGE
BRILLANCE, CONTRASTE
57
BRILLANCE, LUMINOSITÉ
o La luminance ou brillance est définie comme la moyenne
de tous les pixels de l’image
o Dans les deux images suivantes, seule la luminance est
différente :
58
CONTRASTE D’UNE IMAGE
Le contraste peut être défini comme :
60
ILLUSTRATIONS DU CONTRASTE
61
RÉSUMÉ : BRILLANCE ET CONTRASTE
62
EXEMPLE : BRILLANCE, CONTRASTE
A. Soit l’image I1x3 composée d’ 1 ligne et de 3 colonnes:
1
80 100 120 Imoy = 1∗3 80 + 100 + 120 = 𝟏𝟎𝟎
1 3
𝑗=1(𝐼(1, 𝑗) − Imoy)
𝐶= 2 120−80
1∗3 C=
𝟏𝟐𝟎+𝟖𝟎
1
= ((80 − 100)2 + (100 − 100)2 + (120 − 100)2)
3 40
= = 0,2
1 1 𝟐𝟎𝟎
= ((20)2 + (0)2 + (20)2 = (20)2 + (0)2 + (20)2)
3 3
𝟖𝟎𝟎
=
𝟑
160−40
1 C=
𝐶= (40 − 100)2 + (100 − 100)2 + (160 − 100)2 𝟏𝟔𝟎+𝟒𝟎
3
120
=
1
(60)2 + (0)2 + (60)2 =
𝟕𝟐𝟎𝟎
= = 0,6 63
3 𝟑 𝟐𝟎𝟎
Exercice 1
5 5 100 100
5 5 100 100
5 100 100 20
5 100 100 20
5 20 20 20 64
III. HISTOGRAMME D’UNE IMAGE
65
III. HISTOGRAMME D’UNE IMAGE
66
HISTOGRAMME : ANALYSE ET TRANSFORMATION
Rehaussement de l’histogramme H
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 linéaire
Egalisation
…
67
IV. AMÉLIORATIONS PONCTUELLES MODIFIANT
L’HISTOGRAMME
Modifications d’histogrammes
Modification de la luminance k
T : k → k’ = T (k)
Différentes fonctions T et différents impacts sur l’image
1) Translation de l’histogramme
2) Normalisation de l’histogramme
(Expansion ou étirement )
3) Egalisation de l’histogramme
4) Seuillage
5) Inversion d’image
…
68
1. TRANSLATION DE L’HISTOGRAMME
Permet de faire varier la luminosité de l’image sans en changer le
contraste
On obtient une image plus claire ou plus sombre
On peut écrire: I’(i,j)= I(i,j) + t
69
2. EXPANSION (ETIREMENT) DE DYNAMIQUE
TRANSFORMATION LINÉAIRE
- Une image à haut contraste a un histogramme bien réparti. Donc pour
changer le contraste on peut effectuer une transformation affine sur les
niveaux de gris :
70
2. EXPANSION (ETIREMENT) DE DYNAMIQUE
71
TRANSFORMATION LINÉAIRE
Pour changer le contraste on effectue une transformation affine sur les
niveaux de gris comme suit :
𝐿−1
𝐼′ 𝑖, 𝑗 = (𝐼 𝑖, 𝑗 − 𝐼𝑚𝑖𝑛)
𝐼𝑚𝑎𝑥 − 𝐼𝑚𝑖𝑛
Exemple: L=256 et m=0
72
TRANSFORMATION LINÉAIRE
73
74
Courbe tonale
correspondant à
Implémentation l’expansion de
l’histogramme
75
TRANSFORMATION NON LINÉAIRE : ILLUSTRATION
L’étirement est une transformation linéaire et ponctuelle.
D’autres transformations peuvent être appliquées.
Par exemple, avec un contre-jour, le but est d’atténuer la
présence du soleil se trouvant dans l’axe de l’appareil photo
76
CORRECTION DYNAMIQUE DE L’IMAGE
77
CORRECTION DYNAMIQUE DE L’IMAGE
78
3. 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.
80
Cas discret : Exemple d’égalisation
Profondeur de codage : 3 bits, Dynamique=[0,7]
Intensité i 0 1 2 3 4 5 6 7
H(i) 10 8 9 2 14 1 5 2
81
Cas discret : Exemple d’égalisation
Profondeur de codage : 3 bits, Dynamique=[0,7]
Intensité i 0 1 2 3 4 5 6 7
H(i) 10 8 9 2 14 1 5 2
k = i après 1 2 4 4 6 6 7 7
égalisation
H(k) 10 8 11 15 7
82
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
83
EGALISATION : ILLUSTRATIONS
84
EGALISATION : ILLUSTRATIONS
85
EGALISATION : ILLUSTRATIONS
86
EGALISATION : ILLUSTRATIONS
87
EGALISATION : ILLUSTRATIONS
88
CONCLUSION : HISTOGRAMME D’UNE IMAGE
89
4. SEUILLAGE
Seuillage (thresholding) : traitement ramenant l’image à
deux ou quelques niveaux d’intensité
Le seuillage binaire (binarization) est défini par la mise à
zéro de tous les pixels ayant un niveau de gris inférieur
à une certaine valeur (appelée seuil ou threshold) 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
Ex-2: Soit l'image en niveau de gris I suivante quantifiée sur 256 valeurs
(profondeur de codage 8 bits)
Seuillage :
I’(i,j)=255 si I(i,j) > (seuil
:128)
I’(i,j)=0 sinon
92
SEUILLAGE : ILLUSTRATIONS
93
SEUILLAGE
I’(i,j)=0 sinon
Courbe tonale
de l’opération
d’inversion
95
5. INVERSION
96
RÉFÉRENCES
97