IMAGES : CONCEPTS DE BASE

Asma Ben Abdallah

M. C. en Informatique

AU 2022
 IMAGES : CONCEPTS DE BASE

Objectif du cours :

o Présenter les notions de base en analyse d'images

et reconnaissance des formes

o Préparer les prérequis pour assimiler les concepts liés

à la vision d’ordinateur et à l’apprentissage machine.

o Appliquer les approches IA en imagerie médicale.

2
 PLAN DU COURS
Partie 1 : Bases du traitement d’image

Partie 2 : Amélioration d’image (1)

Opérations ponctuelles sur l’image

Modification de la brillance et de contraste
Opérateurs logiques et arithmétiques
Histogramme et traitement à base d’histogramme

Opérations locales sur l’image

Convolution numérique discrète
Filtres passe bas usuels et lissage
Contour et types de contours
Filtres Passe haut et détections de contours

Opérations globales sur l’image

Partie 3 : Segmentation
3
PARTIE 1 : TRAITEMENT
D’IMAGES
NOTIONS DE BASE

4
I. NOTIONS DE BASE

 Traitement d'images :

 est né de l’idée et la nécessité de remplacer l’observateur

humain par la machine en vue de traiter et analyser
finement les phénomènes enregistrés, les archiver et les
illustrer,
 est souvent synonyme d'amélioration des images avec
pour but l'obtention d'une plus grande lisibilité,

 il n'y a pas création d'informations, mais mise en

évidence de l'information pertinente déjà présente,

 il facilite les traitements ultérieurs.

5
QU’EST CE QU’UNE IMAGE NUMÉRIQUE?
 Image numérique:

C’est une représentation planaire d’une scène ou d’un objet situé

généralement dans un espace tridimensionnel.
Toute image acquise, créée, traitée ou stockée sous forme binaire

 Acquise par des convertisseurs analogiques numériques

(scanners, appareils photos, caméscopes numériques, cartes
d’acquisition numérisant directement une source comme la
télévision).
 Créée directement par des programmes informatiques, via la souris,
les tablettes graphiques, ou par la modélisation 3D (images de
synthèse).
 Traitée grâce à des outils informatiques (peut être transformée, nous
pouvons appliquer dessus des filtres variés,…).
 Stockée sur un support informatique (magnétique, magnéto-
6
optique, …).
FORMELLEMENT
Suivant les méthodes employées pour la traiter, l’image numérique
peut être considérée comme :
1. Un signal bidimensionnel à support et à valeurs bornés noté
A[i,j] avec [i,j] NxM et 0<=i<=N-1 ; 0<=j<=M-1.

L’image résulte de l’échantillonnage du signal continu A(i,j).

On désigne par s=[i,j] un site de coordonnées [i,j] dont la valeur

notée A[s] ou A[i,j]. On appelle pixel le couple(s, A[s]).

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

2. L’image numérique peut être considérée aussi :

• Comme une fonction en deux dimensions f(x,y) où

x et y sont les coordonnées spatiales, et la valeur
prise par f (son amplitude) est appelée l’intensité
ou niveau de gris.
• Quand x, y et les valeurs prises par la fonction
sont des quantités discrètes finies, alors on a une
image numérique.
ANALYSE D’IMAGES (IMAGE ANALYSIS)
 Techniques de traitement d'images : toutes les
techniques ayant pour but la modification des
caractéristiques chromatiques des pixels des images
bitmap (Entrée et la sortie : image).

 Le terme générique analyse d’images désigne

l’ensemble d’opérations allant : de l’extraction de
l’information à partir des images numérique, au
traitement, puis à l’intérprétaion (Entrée : image,
Sortie : information ou description ).

 Exemple : les zones d’une image aérienne peuvent être :

 caractérisées par leur forme (carré, linéique, …) 9

 étiquettées par les termes : villa, parc, route, …

II. EXEMPLES DE CHAMPS D’APPLICATION

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

 La numérisation d’une image est la conversion de celle-ci de

son état analogique en une image numérique.

 L’image numérique est représentée par une matrice

bidimensionnelle de valeurs numériques I(i,j) où i, j :
coordonnées cartésiennes d’un point de l’image et I(i, j) :
niveau de gris en ce point

 La numérisation d’une image est composée de deux étapes :

 Numérisation des coordonnées : Echantillonnage spatial
(sampling).
 Numérisation des valeurs prises : Quantification
(quantization).
14
NUMÉRISATION DE L’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.

 L’échantillonnage est limité par la capacité du capteur,

(nombre de pixels disponible).
 On parle de sous-échantillonnage lorsque l'image est
déjà discrétisée et qu'on diminue le nombre
d'échantillons.

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

 De point de vue informatique, une image est représentée par un

tableau de pixels à deux dimensions M X N ( M : hauteur, N :
largeur).
 Un élément (pixel) est repéré par ses coordonnées (i,j). L’origine
du repère image se trouve en haut à gauche.
 Chaque élément a une valeur entière dans l’intervalle
[Lmin, Lmax]. Cette une valeur est codée sur un certain nombre
de bits déterminant la couleur ou l'intensité du pixel, appelée
profondeur de codage (parfois profondeur de couleur).
 Le nombre de bits requis pour représenter les niveaux de gris
dans l’intervalle L est K. La relation entre K et L est : L=2^k
Par exemple, pour k=1 bit, L=2^1=2 (noir, blanc),
k=8, L=2^8= 256 (256 niveaux de gris),…
 Pour une image ayant une résolution de MxN pixels et une
résolution de K bits (ou de L niveaux de tons), le nombre de bits
pour stocker une image est:
b=M X N X K 23

Une image de 64X64 et de profondeur 8 requiert 64*64*8= 32 768 bits

IV. REPRÉSENTATION DES IMAGES
En résumé :

 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

 La résolution d’une image est le nombre de pixel par

unité de longueur décrivant la finesse des détails dans
une image bitmap. La résolution se mesure
principalement en :
 dpi (ppi) : dot (pixel) per inch (2.54 cm)
 ppm :pixel par millimètre

 Plus le nombre de pixels par inch (pouce) est grand,

plus la résolution est élevée

25
V. NIVEAUX DE GRIS ET COULEURS

 Une image est représentée par un tableau à deux

dimensions dont chaque case est un pixel.

 De point de vue informatique, nous pouvons

représenter une image par un tableau de pixels
dont chaque case contient une valeur laquelle est
codée sur un certain nombre de bits déterminant
la couleur ou l'intensité du pixel, appelée
profondeur de codage (parfois profondeur de
couleur).

26
V.1 IMAGES BINAIRES

 Images binaires : En stockant un bit

dans chaque case, il est possible de
définir deux couleurs (noir ou blanc).

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).

Par convention, la valeur zéro représente le noir

(intensité lumineuse nulle)
et la valeur 255 le blanc (intensité lumineuse maximale)
28
Illustrations d’images en niveau de gris:
profondeur de codage variant de 2 à 8 bits
(de gauche à droite, de haut en bas).
29
V.3 IMAGES EN COULEUR

 Plusieurs espaces de codage de couleurs existent :

CMJN, TSL, RVB, …
 Le plus utilisé pour le maniement des images est
l’espace colorimétrique Rouge, Vert, Bleu RVB ou
RGB Red Green Blue).

 Ce principe de synthèse additive de la couleur se

retrouve dans la plupart des dispositifs lumineux de
restitution de la couleur : écrans cathodiques (CRT),
écrans à cristaux liquides (LCD), Plasma. Il est
utilisé par les moniteurs d’ordinateur pour afficher
les couleurs
30
IMAGES COULEURS: L’ESPACE RGB (RVB)
 L'espace RGB est l'espace vectoriel engendré par les
3 composantes primaires (Rouge, Vert, Bleu).

 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)

 Pour réduire la place occupée par l'information de

couleur, on utilise une palette de couleurs (ou
tables d’index) « attachée » à l'image.
 On parle alors de couleurs indexées : la valeur
associée à un pixel renvoie à l'entrée
correspondant à cette valeur dans une table (ou
palette) de couleurs appelée look-up table (LUT)
dans laquelle on dispose de la représentation
complète de la couleur considérée.
 La palette ou look-up (LUT) ne permet de
sélectionner qu'un nombre limité de couleurs
(256, par exemple).

34
IMAGES À PALETTES, IMAGES
EN 256 COULEURS (8 BITS)

 Selon le nombre de couleurs présentes dans l'image, on

peut gagner une place non négligeable : on considère
en pratique que 256 couleurs ; parmi les 16 millions de
couleurs 24 bits ; sont suffisantes.
 Pour les coder, on aura donc une palette occupant 24
bits x 256 entrées, soit 3 x 256 octets, et les pixels de
l'image seront associés à des index codés sur un octet.
 L'occupation d'une telle image est donc de 1 octet par
pixel plus la LUT, ce qui représente un peu plus du
tiers de la place occupée par une image en couleurs 24
bits (plus l'image contient de pixels, plus le gain de
place est important, la limite étant le tiers de la place
occupée par l'image en couleurs vraies).
 On peut changer seulement la LUT d'une image en
conservant les valeurs des index de l'image 35
IMAGES À PALETTES, IMAGES
EN 256 COULEURS (8 BITS)

36
V.5 IMAGES AVEC GESTION DE LA
TRANSLUCIDITÉ

Utile lorsqu'une image est intégrée à un

document comme une page web, on peut voir le
document à travers les pixels transparents.

Une image PNG avec un fond transparent,

 On peut attribuer à une image un sur un fond blanc.
canal supplémentaire, appelé
canal alpha, qui définit le degré
de transparence de l'image.
 Il s'agit d'un canal similaire aux
canaux traditionnels définissant
les composantes de couleur, codé
sur un nombre fixe de bits par
pixel (en général 8 ou 16). On
échelonne ainsi linéairement la La même image sur un fond en damier
translucidité d'un pixel, de permet d’observer la transparence.
l'opacité complète à la
37
transparence.
VI. TYPES ET FORMATS D'IMAGES
 Une image matricielle (ou image en mode
point, ou en anglais une « bitmap » ou « raster »)
est une image numérique dans un format de
données qui se compose d'un tableau de pixels ou
de points de couleur, généralement rectangulaire,
qui peut se visualiser sur un moniteur
d’ordinateur, tout autre dispositif d'affichage, ou
simplement sur une feuille de papier.

 Exemple : images en niveaux de gris ou couleurs

de type photo : GIF, PCX, BMP, JPEG, PPM,
PGM…

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

 La notion de formats d’images est très importante pour le

concepteur et l’utilisateur.
 De point de vue concepteur c’est la capacité de son outil à
gérer le maximum de format et à stocker ses résultats sous
différents formats lisibles. De côté utilisateur, c’est son besoin
de lire des images quelques soit le format proposé.
 Dans des domaines particuliers les formats sont
généralement spécifiques aux concepteurs pour avoir main
mise sur le marché.
 En imagerie médicale un format commun a été proposé
appelé DICOM et dont 30% seulement des constructeurs le
respecte.
 Sur un support de masses (disques ...) les images sont
stockées sous la forme de fichiers qui contiennent :
 Une entête ( Hauteur, Largeur, LUT)
 La valeur des pixels

40
FORMATS D'IMAGES

Il existe deux grandes catégories de format :

 Sans compression :
 PBM Noir et Blanc
 PGM Nivaux de gris
 PPM Couleurs
 BMP format Windows
 Avec compression
 Sans perte (TIFF, PNG, GIF ...)
 Avec perte (JPEG ...)

41
Illustrations de
Formats d’Images
42
VII. OPÉRATIONS ENTRE IMAGES

 Rappel & définitions :

 Chaque pixel de l’image est défini par sa position

(i, j) et son intensité k dans l’image.

 Il existe deux types de transformations sur les

pixels de l’image :
 les transformations géométriques qui
modifient les positions des pixels,
 les transformations radiométriques qui
modifient les intensités des pixels.

 Possibilité d’effectuer des opérations entre images,

qui utilisent ces deux types de transformation 43
VII. OPÉRATIONS ENTRE IMAGES
A. EXEMPLES DE TRANSFORMATIONS GÉOMÉTRIQUES
Comme exemple de transformations géométriques, nous pouvons
citer la transformation affine.

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

 On peut alors définir une

matrice de translation T

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 :

• 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:

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

Image originale Masque multiplicateur Image résultat

VII. OPÉRATIONS ENTRE IMAGES
B. EXEMPLES DE TRANSFORMATIONS RADIOMÉTRIQUES

52
 PARTIE 2 : AMÉLIORATION
D’IMAGES

OPÉRATIONS PONCTUELLES SUR

L’IMAGE

53
I. AMÉLIORATIONS D’IMAGES NUMÉRIQUES

But de l’amélioration de l’image

 L’amélioration vise à rendre les images plus aptes à l’interprétation humaine
ou à celle de la machine.
 La manipulation peut se faire dans le domaine spatial (accès direct aux valeurs
de pixels) ou dans le domaine fréquentiel (modification de la transformée de
Fourier de l’image).

Pourquoi améliorer une image ?

 Modifier la brillance.
 Augmenter le contraste
 Image trop claire ou trop foncée
 Régions à faire apparaître
 Nécessité de modifier ses niveaux de gris afin de rendre visibles certains
détails

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

1) A quoi correspond la brillance d’une image ?

2) A quoi correspond le contraste d’une image ?
3) Qu’est-ce qu’un histogramme ? Histogramme normalisé?
4) Opérations ponctuelles d’images modifiant l’histogramme

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 :

o Le rapport entre les luminosités maximale et minimale d’une image.

o Ou l’écart-type des variations de niveaux de gris dans l’image.
Plusieurs formules existent, par exemple :

écart-type des variations de

niveaux de gris dans l’image

variation maximale entre

valeurs de niveaux de gris
min et max dans l’image

o Un contraste élevé donne de l'impact à une image et permet d'en

distinguer les détails, surtout dans les zones sombres. 59
o Deux images totalement différentes peuvent avoir le même contraste.
ILLUSTRATIONS DE LA MOYENNE (BRILLANCE,
LUMINOSITÉ)

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

B. Soit l’image J1x3 composée d’ 1 ligne et de 3 colonnes:

1
40 100 160 Imoy = 1∗3 40 + 100 + 160 = 100

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

Etant donné une image codée sur 8 bits (i dans [0..255]

1. Calculer la luminance de l’image. Commenter

2. Calculer le contraste de l’image par les deux formules

3. Est-ce que l’image nécessite une amélioration? Laquelle

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

 L’histogramme décrit la répartition des niveaux de gris de l’image

 Mais ne donne aucune information spatiale
 Deux images différentes (en termes de contenu sémantique) peuvent aussi
avoir le même histogramme

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

 Comme exemple de transformations

ponctuelles modifiant l’histogramme citons :

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

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

aucun changement n’est visible

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.

 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 grande79
échelle.
ÉGALISATION D’HISTOGRAMME

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

Hn(i) 10/51 8/51 9/51 2/51 14/51 1/51 5/51 2/51

C(i) 10/51 18/51 27/51 29/51 43/51 44/51 49/51 51/51

k= i après 10/51 18/51 27/51 29/51 43/51 44/51 49/51 51/51

égalisation *7 *7 *7 *7 *7 *7 *7 *7
= 1.37 =2,47 =3,7 =3,98 =5,90 =6,04 =6,73 =7.0
=1 2 4 4 6 6 7 7

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

Avant égalisation : 8 classes

distinctes

Après égalisation : 5 classes

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

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

dynamique de l’histogramme est inefficace

83
EGALISATION : ILLUSTRATIONS

84
EGALISATION : ILLUSTRATIONS

85
EGALISATION : ILLUSTRATIONS

86
EGALISATION : ILLUSTRATIONS

87
EGALISATION : ILLUSTRATIONS

88
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.

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

 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 90

réside dans le choix du seuil à adopter.

 EXERCICES
Ex-1: Soit l'image en niveau de gris I suivante quantifiée sur 256 valeurs
(profondeur de codage 8 bits) 10 30 10 10
10 30 10 10
10 30 10 10
10 20 10 100
10 20 10 100

1. Calculer la brillance et le contraste de l'image I.

2. Représenter graphiquement l'histogramme de cette image
3. Etirer l’histogramme
4. Calculer l’image après étirement

Ex-2: Soit l'image en niveau de gris I suivante quantifiée sur 256 valeurs
(profondeur de codage 8 bits)

1. Calculer la brillance et le contraste de l'image I. 10 12 10 10

2. Représenter graphiquement l'histogramme 10 12 10 10
de cette image 10 12 10 10
3. Egaliser l’histogramme 10 238 239 240
4. Calculer l’image après étirement 10 238 238 240
SEUILLAGE : ILLUSTRATIONS
 Voici une image en 256 niveaux de gris et les résultats 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

92
SEUILLAGE : ILLUSTRATIONS

93
SEUILLAGE

 Il est possible de définir deux valeurs ( ou plus) 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
94
5. INVERSION
 Consiste, à inverser les valeurs des pixels par rapport à la moyenne
des valeurs possibles.
 Le résultat obtenu est appelé négatif.
 K’= 𝐿 − 1 − 𝐾 (L est la dynamique de l’image, exemple L=256)

Courbe tonale
de l’opération
d’inversion

95
5. INVERSION

96
RÉFÉRENCES

1. Introduction au traitement d'images. Diane Lingrand. Édition Vuibert, 2008.

2. Le traitement des images. Henri Maître. Hermes Science Publications 2002.
3. Analyse d'images : filtrage et segmentation. J.P. Cocquerez et S. Philipp.
Masson 1995.
4. Le traitement des images. I. Bloch, Y. Gousseau, H. Maître, D. Matignon, B.
Pesquet-Popescu, F. Schmitt, M. Sigelle, F. Tupin, tome 2. Version 5.0,
2005. (sur internet ttps://perso.telecom-paristech.fr/bloch/ANIM/poly-anim-
t2.pdf).
5. http://perso.ensta-paristech.fr/~manzaner/Cours
6. https://www.isima.fr/~vbarra/IMG/pdf/diapos_cours.pdf

97