Cours TI

TRAITEMENT D’IMAGES
Analyse d’images
Ines KETATA
Maître Assistante à l’ISIMED- Université de Gabes
1
Objectifs du cours
• Etudier les concepts de bases du Traitement des images

et la vision par ordinateur en vue de la compréhension
Analyse d’images
de l’image numérique.
• Introduire les concepts, outils et les Techniques

nécessaires à ces études.
2
Contenu
1. Définitions préliminaires
2. Image matricielle
3. Numérisation
Analyse d’images
4. Systèmes de couleurs
5. Traitement d’image
6. Analyse d’image : Opération et primitive
7. Segmentation d’images
3
Chapitre
1
Analyse d’images
Définitions préliminaires
4
1- Définitions préliminaires
Définition de l’image
Définition de l’image numérique
Types d’images
Définition du traitement d’images :

Analyse d’images
Objectifs de traitement d’images
Machine de traitement d’images
Applications de traitement d’images
Domaines de recherche
Difficultés
5
1-1 Qu'est-ce qu'une image ?
Une image est avant tout un signal 2D (x,y)
Une image est une représentation visuelle voire mentale

de quelque chose (objet, être vivant et/ou concept). Elle
peut être naturelle ou artificielle.
Analyse d’images
Souvent, cette image représente une réalité 3D (x,y,z).
6
1-2 Perception de l’image ?
D'un point de vue mathématique :

Une image est une matrice de nombres représentant
un signal
Plusieurs outils permettent de manipuler ce signal.
Analyse d’images
D'un point de vue humain :

Une image contient plusieurs informations
sémantiques.
Il faut interpréter le contenu au-delà de la valeur des

nombres
7
1-2 Perception de l’image ?
Images naturelles et artificielles

Image naturelle - Plusieurs moyens d'acquisition
camera, microscope, infra- rouge, satellite,...
Analyse d’images
Image artificielle - Plusieurs outils de

représentation
synthèse d'images, réalité virtuelle, visualisation
scientifique,...
8
1-3 Image numérique
L’image numérique désigne toute image (dessin,

icône, photographie…) acquise, créée, traitée et
stockée sous forme binaire.
acquise par des convertisseurs analogique-numérique situés
dans des dispositifs comme les scanners, les appareils
photo ou les caméscopes numériques ;
Analyse d’images
créée directement par des programmes informatiques, grâce

à une souris, des tablettes graphiques ou par de
la modélisation 3D (ce que l’on appelle, par abus de langage,
les « images de synthèse ») ;
traitée grâce à des outils informatiques, de façon à la
transformer, à en modifier la taille, les couleurs, d’y ajouter
ou d'en supprimer des éléments, d’y appliquer
des filtres variés, etc. ;
stockée sur un support informatique (disquette, disque
dur, CD-ROM…).
9
x =
58 59 60 61 62 63 64 65 66 67 68 69 70 71 72
y = 41 210 209 204 202 197 247 143 71 64 80 84 54 54 57 58
42 206 196 203 197 195 210 207 56 63 58 53 53 61 62 51
Analyse d’images
43 201 207 192 201 198 213 156 69 65 57 55 52 53 60 50

44 216 206 211 193 202 207 208 57 69 60 55 77 49 62 61
45 221 206 211 194 196 197 220 56 63 60 55 46 97 58 106
46 209 214 224 199 194 193 204 173 64 60 59 51 62 56 48
47 204 212 213 208 191 190 191 214 60 62 66 76 51 49 55
48 214 215 215 207 208 180 172 188 69 72 55 49 56 52 56
49 209 205 214 205 204 196 187 196 86 62 66 87 57 60 48
50 208 209 205 203 202 186 174 185 149 71 63 55 55 45 56
51 207 210 211 199 217 194 183 177 209 90 62 64 52 93 52
52 208 205 209 209 197 194 183 187 187 239 58 68 61 51 56
53 204 206 203 209 195 203 188 185 183 221 75 61 58 60 60
54 200 203 199 236 188 197 183 190 183 196 122 63 58 64 66
55 205 210 202 203 199 197 196 181 173 186 105 62 57 64 63
10
Les propriétés d'une image numérique sont celles d'un

signal :
déterministe ou aléatoire (signal optique),

Analyse d’images
numérique (représentation discrète),
positif (en général),
de représentation spatiale finie
11
1-4 Deux types d’images
On distingue deux types d’images numérique :
Images matricielles ou mode point:

une matrice (un tableau) de données numériques.
à chaque position (x,y) de la matrice correspond une couleur
pour visualiser l'image sur l'écran d'un ordinateur.
Analyse d’images
Images vectorielles ou mode trait:

Une représentation des données de l'images par des formes
géométriques qui vont pouvoir être décrites d'un point de vue
mathématique.
Deux Objets vectoriels Changement d ’ordre des Groupement d ’objets

plans 12
Image vectorielle
Analyse d’images
Principe :
Définie par des coordonnées
numériques et des formules
mathématiques :
indépendance du facteur échelle,
pas de perte qualité.
13
Image matricielle
Analyse d’images
Principe :
Définie par une dimension fixe
et un nombre de couleurs fixe.
dépendance du facteur échelle,
Risque de perte qualité.
14
1-5 Le traitement d’images
Ensemble de méthodes et de techniques permettant de :

modifier l’image pour améliorer son aspect visuel,
la préparer à la transmission par voie télématique,
la préparer à l'extraction d'une mesure,
extraire des informations pertinentes.
Analyse d’images
Ciel
Arbres
Arbre
Maison
Voiture
15
1-6 Traitement d’images
Objectifs
Analyse
•Détection
•Estimation
Amélioration •Segmentation
• correction de couleur •Modélisation
• correction d’histogramme Restauration
• compensation
Analyse d’images
• correction de contraste
Vision par
ordinateur
Codage Reconnaissance de
• compression forme
• transmission • primitives
• adéquation à un standard • description sémantique
Manipulation
• Cryptage
• Tatouage
16
Chaîne typique
Acquisition
Transmission
image Extraction Reconnaissance

Analyse d’images
Segmentation
numérique de Interprétation
Classification
primitives
Amélioration
Restauration paramètres symboles
sémantique
Ecran
Visualisation Film
Stockage
17
Applications
Télévision numérique,
Vidéo,
Cartographie,
Analyse d’images
Robotique,
Inspection,
Sécurité,
Bases de données,
Médecine,
Météorologie,
Armement.
18
Domaines de recherches
Amélioration de l’apparence de l’image,
Debruitage d’images,
Analyse d’images
Indexation d’images,
Compression d’images,
Cryptage d’images,
Classification d’images,
Reconnaissance de caractères
19
Exemples concrets du traitement d’images
Contrôle de présence/absence. Sur des chaînes de

production, on vérifie en bout de chaîne avec une caméra
vidéo la présence d'une pièce dans un ensemble plus
complexe.
Analyse d’images
Contrôle du niveau de maturation des fruits sur une chaîne

de conditionnement. Il s'agit de reconnaître à la couleur et à la
texture du fruit son degré de maturité et donc la catégorie
sous laquelle il sera emballé puis vendu.
Construction et correction de cartes géographiques d'après

des images satellites ou des images aériennes.
20
Exemples concrets du traitement d’images
Surveillance et évaluation de la production agricole par la

détermination du degré de maturation des cultures.
Reconnaissance de l'écriture pour reconnaitre

automatiquement les adresses manuscrites sur le courrier
Analyse d’images
postal.
Recherche d'image par le contenu: rechercher, parmi une

base de données d'images, les images similaires à une image
exemple.
Segmentation et suivi de cellules vivantes en microscopie.

Cela permet d'analyser le comportement d'une population de
cellules et ainsi de détecter certaines anomalies.
21
Difficultés
Bruit,
Dégradation,
Analyse d’images
Flou,
Perte d’information,
Sécurité,
Apprentissage
22
Chapitre
2
Analyse d’images
Image Matricielle
23
2- Images Matricielles
Elles sont constituées de pixels de différentes couleurs

disposés en lignes et en colonnes.
Elles sont définies par leurs dimensions en nombre de

pixels ainsi que par le nombre de couleurs possibles.
Analyse d’images
Chaque pixel possède une adresse numérique et est

stocké dans une zone de mémoire appelée matrice.
Les images matricielles dépendent de la résolution :

elles comportent un nombre fixe de pixels qui représentent les
données de l'image.
24
2- Image Matricielle
2-1 Pixel
Les pixels sont les plus petits éléments employés par les
moniteurs et imprimantes d'ordinateur pour représenter
des caractères, des graphiques et des images.
Une image numérique est formée d'une grille de petits

carrés appelés pixels.
Analyse d’images
Un pixel est :
une unité de base de

l'image.
un pas de discrétisation.
25
2-2 La dynamique d’une image
La dynamique d'une image correspond à l'étendu de la

gamme de couleurs que peuvent prendre les pixels d’une
image.
La dynamique de l’image détermine si une image est :

Analyse d’images
binaire,
en niveau de gris,
en fausses couleurs (couleurs indexées),
ou en couleurs « vrai ».
26
2-3 Dimension
Taille de l ’image = Largeur  Hauteur
255
256 nuance de gris

(nombre de lignes)
Analyse d’images
Hauteur
0
Largeur (nombre de colonnes)
27
2-4 Représentation discrète d’une l’image
Une représentation discrète des phénomènes continus.
bidimensionnelle pour les images :
[1..L] x [1..C]  [1,M]p (L lignes, C colonnes)
tridimensionnelle pour les vidéos :

Analyse d’images
[1..L] x [1..C] x [1..T]  [1,M]p (vidéo de T im.)
L : nombre de lignes
C : nombre de colonnes
[1,M]p : M+1 valeurs d ’intensité, sur un espace à
p dimensions (p= nombre de plan~ matrice)
28
2-5 Image binaire
Une image binaire est une image ayant deux couleurs

possibles généralement noir est blanc.
Dans ces images, un seul bit suffit à représenter chaque

pixel (1=blanc ou 0=noir).
Analyse d’images
Si I est une image binaire, alors :

(p,M) = (1,1)
p=1  un seul plan = une seule
matrice.
M=1  m+1 valeur d’intensité.
29
2-6 Image en niveau de gris
255
256 nuance de gris

Analyse d’images
30
2-6 Image en niveau de gris
Appelées dans le langage courant images en noir et blanc.
Dans ces images chaque pixel :

contient un seul nombre qui correspond à la nuance
de gris de l'image.
Analyse d’images
Les nuances de gris couvrent tout le spectre du blanc au noir,

en une échelle de 256 nuances.
est représentée par un octet (8 bits).
Si I est une image en niveaux de gris, alors (p,M) =

(1,255).
31
2-7 Image en couleur indexée
Les images en couleur indexé sont créées à l'aide d'une

palette limitée attachée à cette image et qui comprend n
couleurs différentes.
n=512;
n=256;
n=64;
Analyse d’images
La donnée correspondant à chaque pixel consiste en un

indice qui pointe vers une couleur précise dans la palette.
Ce format ne convient pas à des images en couleurs

réelles, à cause du nombre restreint de couleurs et de
palettes différentes qu'il est possible d'utiliser.
Si I est une image en couleur indexée, (p,M) = (1,n-1).

n = taille de l’indexe
32
2-8 Image en « vrai couleur »
Il s'agit d'une appellation trompeuse :

on est dans un monde numérique (discret, fini) qui ne
peut pas rendre compte de la réalité (infinie).
Une image couleur comporte pour chaque pixel une

information sur sa composition en Rouge, Vert et Bleu :
Analyse d’images
toute couleur peut, être obtenue par un mélange de

ces 3 couleurs fondamentales.
Chacune de ces couleurs fondamentales RVB dispose
de 256 nuances possibles soit 256*256*256
possibilités= 16 millions de possibilités.
Une l'image en « vrai couleur » se décompose en trois

plans fondamentaux qui sont le Rouge, le Vert et le Bleu.
33
2-8 Image en « vrai couleur »
Si I est une image couleur, alors (p,M) = (3,255)
Une image
couleur
Les trois plans RVB
Chaque plan a 256 nuances de
Analyse d’images
couleurs
Matrice R Matrice V Matrice B
34
2-9 Résolution
La résolution est une mesure de la clarté ou du niveau de

détail et de finesse d'une image numérique.
La définition complète du terme résolution recouvre les

notions de résolution spatiale et de résolution en
luminance.
Analyse d’images
Dans l'usage courant, le terme résolution est souvent

employé pour parler de la résolution spatiale uniquement.
Plus la résolution,est grande, plus l'image est détaillée, et

plus le fichier correspondant est volumineux.
la résolution spatiale s'exprime en pixels au pouce et

souvent abrégé « dpi » pour dots per inch.
35
2-9 Résolution
La résolution en luminance, ou nombre de bits, se

rapporte à l'échelle de gris ou aux couleurs possibles de
chaque pixel.
Analyse d’images
36
2-9 Résolution
La résolution en luminance, détermine le nombre de

nuances ou de couleurs possibles pour chaque pixel.
Plus le nombre de bits est grand, plus le nombre de

couleurs possibles est élevé.
Analyse d’images
vraie couleur fausse couleur en niveau de binaire

24 bits 8 bits gris 1bits
8 bits
Résolution en luminance
37
2-10 Histogramme
Définitions :
L’histogramme est une fonction permettant de donner

la fréquence d’apparition des différents niveaux de
gris qui composent l’image.
Analyse d’images
Un histogramme est un graphique statistique

permettant de représenter la distribution des
intensités des pixels d'une image.
Par convention un histogramme représente le niveau

d'intensité en abscisse en allant du plus foncé (à
gauche) au plus clair (à droite).
38
2-10 Histogramme
h(i) = fréquence d’apparition du pixel i

i 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
h(i) 5 14 17 16 12 8 1 3 1 2 4 7 6 2 1 1
Histogramme
18
Analyse d’images
16
14
h(i) : fréquence
12
10
Série1
8
6
4
2
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
i : couleur
C’est la fréquence d’apparition d’une valeur de pixel
Histo(i)=Card{Pixel(x,y)=i}
39
2-10 Histogramme
Exemple d’une image I(x,y) ayant 16 niveaux de gris

(codée sur 4 bits)
L’histogramme représente la fréquence d’apparition
d’un pixel ayant un niveau de gris i;
Le principe est de compter chaque pixel selon son
niveau de gris
Analyse d’images
Exemple :
• le pixel ayant un niveau de gris = 2 est présent 17 fois
• le pixel ayant un niveau de gris = 10 est présent 4 fois
40
Analyse d’images
2-10 Histogramme
Exemples d'histogramme d’une image au niveau

de gris: dynamique [0..255]
41
Analyse d’images
2-10 Histogramme
Exemples d'histogramme d’une image au niveau

de gris: dynamique [0..40]
42
2-10 Histogramme
Algorithme
1 - Soit I(x,y) une image ayant i niveau de gris et de taille n*m;

2- On crée un tableau h de dimension égale aux niveaux de gris i;
Analyse d’images
Pour C de 1 à n
Pour L de 1 à m
NiveauGris = I(C,L);
h(NiveauGris) = h(NiveauGris) +1;
fin
fin
43
2-11 Contour
les contours sont les lieux de variations significatives de

l'information au niveaux de gris.
Un contour est une transition marquée entre deux régions

ayant chacune une luminosité distincte.
Analyse d’images
Contour
44
Analyse d’images
2-11 Contour
Image au niveau de gris Image contour
45
2-12 Texture
Une texture est une répétition spatiale :

d’un même motif,
dans différentes directions de l'espace.
La texture décrit :
Analyse d’images
un aspect homogène de la surface,
une information visuelle qui permet de la décrire

qualitativement a l'aide des adj. : grossière, fine,
lisse, tachetée, granuleuse, marbrée, régulière ou
irrégulière
46
2-12 Texture
bulles canevas lierre

Analyse d’images
bois
herbe laine eau sable
47
2-13 Formats d’images
Un format d'image comprend en général un en-tête qui

contient des données sur l'image (taille de l'image en
pixels par exemple) suivie des données de l'image.
On distingue des formats :

Compressés
Analyse d’images
Sans perte
avec perte
les formats en vrai couleurs;
et à couleur indexée.
non compressés.
48
Analyse d’images
49
JPEG (Joint Photo Expert Group)

Ce format est la représentation d'une norme ISO.
Statut par rapport aux brevets
Nombre de couleurs supportées :

Analyse d’images
Ce format permet une représentation en vraies couleurs (16

millions).
Compression :
La compression utilisée est une compression avec perte.
Le taux de compression varie de 1% (qualité la meilleure) à

99% (qualité la moins bonne).
50
JPEG 2000 (Joint Photo Expert Group 2000)
Compression
basée sur un système qui permet une compression plus
importante avec une perte de qualité imperceptible à l'oeil nu.
Analyse d’images
Nombre de couleurs supportées

16 millions de couleurs
Usages
Internet.
51
PNG (Portable Network Graphics)

vraies couleurs, niveaux de gris et 8 bits indexés/
Compression
Analyse d’images
La compression est sans perte.

Animation
Le format PNG ne supporte pas les animations.
Tous usages et surtout internet.
52
GIF (Compuserve Graphics)

Ce format supporte 256 couleurs avec palette.
Compression
Analyse d’images
L'algorithme de compression permet une compression sans

perte
Animation
Possible
Usages
Tout ce qui contient peu de nuances de couleurs et avec des
transitions de couleurs brusques.
Internet
53
Analyse d’images
L'image de gauche, la couleur des pixels de la

première ligne est homogène:
donc facile à compresser.
L’image de droite, la couleur des pixels de la première
ligne varie grandement :
(plus difficile à compresser).
54
TIFF (Tag Image File Format)

16 millions.
Compression
Analyse d’images
avec ou sans compression avec plusieurs modes de compressions (sans

perte).
Animation
Ce format ne supporte pas les animations.
Usage
Tous usages sauf internet car trop volumineux.
55
Chapitre
3
Analyse d’images
Numérisation
56
3- Numérisation
3-1 Principe
L'obtention d'une image numérique nécessite deux processus :
Echantillonnage spatial de l'image (sampling) :
Discrétisation dans le temps :
Découpage en « tranche » (pavage) : définition de la

résolution spatiale de l’image (nombre pixels en
Analyse d’images
horizontal et en vertical).
Quantification du niveau de luminance (quantization):
Définition de la résolution de luminance :
Choix de la précision de représentation de chaque pixel.
Précision du nombre de bits utilisé pour le codage de

chaque échantillon (pixel). 57
3- Numérisation
3-1 Principe
scanner
Analyse d’images
image réelle
caméra numérique
numériseurs
Numérisation = Échantillonnage + Quantification
58
3- Numérisation
3-2 Echantillonnage et Quantification
Scène
Echantillonnage Quantification
0
1 Pixel
2
3
4
Analyse d’images
5
6
7
1 Pixel (3bits)
1 1 0
Chaine de traitement
59
3- Numérisation
Analyse d’images
3-2 Echantillonnage et Quantification
Exemple de Variation de quantification :

A)452x374 256 tons de gris B)128 C)64 D)32
E)16 F)8 G)4 H)2 60
Chapitre
4
Analyse d’images
Systèmes de couleurs
61
4- Systèmes de couleurs
4-1 Les espaces des couleurs
Le spectre de couleurs qu'un périphérique permet

d'afficher est appelé gamut ou espace colorimétrique.
Les couleurs n'appartenant pas au gamut sont appelées

couleurs hors-gamme.
Analyse d’images
L'affichage de couleur sur un écran ou l'impression sur du

papier, se réalise le plus souvent à partir d'un faible
nombre de couleurs primaires.
C'est ce que l'on appelle la synthèse de couleurs.
On distingue deux types de synthèse de couleurs :

Synthèse additive :
Synthèse soustractive.
62
Synthèse additive :
Combinaison de trois faisceaux lumineux de couleurs
rouge, verte et bleue à proportions variées pour
produire la plupart des couleurs.
Les trois faisceaux lumineux de couleurs rouge, verte et bleue,
chacune fournie un tiers de la gamme des longueurs d'ondes
Analyse d’images
du spectre de la lumière.
Cette méthode est appelée "additive" parce que la

somme de ces trois couleurs de base (à intensité
égale) donne du blanc.
Autrement dit, la somme des composants de base restitue le
tout.
On nomme parfois les couleurs rouge, verte et bleu les

primaires additives.
63
Synthèse additive : Principe
S2
G
S1
Analyse d’images
S3
R
B
64
Synthèse soustractive :
Utilisation de trois couleur de base le cyan, le magenta
et le jaune pour supprimer certaines couleurs de la
couleur blanche et obtenir une couleur souhaitée.
chacun des trois couleurs de base absorbe les ondes d'une
primaire additive (le rouge, le vert ou le bleu) et réfléchit les
Analyse d’images
ondes des deux autres.

le jaune absorbe les ondes bleues et réfléchit les ondes
rouges et vertes.
le magenta réfléchit les ondes rouges et bleues au
détriment des ondes vertes.
magenta + jaunes, on obtient une surface qui absorbe les
ondes bleues et vertes, et qui réfléchit les ondes rouges.
On nomme parfois les couleurs jaune, magenta et cyan les

primaires soustractive.
65
Synthèse soustractive : Principe

Analyse d’images
Filtre jaune Filtre magenta Filtre cyan
66
Synthèse soustractive : Principe

Analyse d’images
Filtre jaune +magenta+cyan

Absorption des toutes les couleurs primaire additives
67
On appelle ainsi espace de couleurs la représentation

mathématique d'un ensemble de couleurs.
Il en existe plusieurs espaces de couleurs , parmi lesquels

les plus connus sont :
Analyse d’images
Le codage RGB,
Le codage CMYK,
Le codage HSV,
Le codage CIE,
Le codage YUV,
Le codage YIQ.
68
4-1-1 Codage RGB
Le codage RGB, mis au point en 1931 par la Commission

Internationale de l'Eclairage (CIE) basé sur la synthèse
additive de couleurs.
Synthèse additive
Analyse d’images
Utilisé par l’écran d'ordinateur ou de télévision.

69
4-1-2 Codage CMYK
Basé sur la synthèse soustractive de couleurs et nommé

aussi de quadrichromie, ou modèle CMYK (Cyan, Magenta,
Jaune, Noir pur, ou en français CMJN).
Synthèse soustractive
Analyse d’images
Utilisé pour produire la couleur en imprimerie.

70
4-1-3 RGB vs CMYK
Cubes RGB
Cubes CMY
Analyse d’images
71
4-1-4 Codage HSV
Le modèle HSV (Hue, Saturation, value, ou en français TSV), est

un modèle de représentation proche de la perception humaine
mis au point pour permettre une gestion interactif rapide d'une
couleur.
Contrairement au modèle RGB, le modèle HSV plus facile à
utiliser lors du réglage ou l'éclaircissement d’une couleur.
Analyse d’images
Le modèle HSV consiste à décomposer la couleur selon des

critères physiologiques :
la teinte (en anglais Hue), correspondant à la perception de

la couleur (mauve ou orange, etc.),
la saturation, décrivant la pureté de la couleur, c'est-à-dire

son caractère vif ou terne (neuf ou délavé),
la valeur, indiquant la quantité de lumière de la couleur, c'est-

à-dire son aspect clair ou sombre.
72
4-1-4 Codage HSV
La teinte décrit la nuance de couleur et où cette couleur se trouve

dans le spectre de couleur Rouge, jaune, etc .
La saturation est un pourcentage qui s'étend de 0 à 100. Un

rouge pur qui n'a aucun blanc est 100% saturé.
La valeur, comme la Saturation, est un pourcentage qui va de 0 à

Analyse d’images
100. quand la teinte est rouge et la valeur est élevée, la couleur

semble brillante/lumineux. Quand la valeur est basse, elle
semble foncée.
73
4-1-4 Codage HSV
RGB  HSV
V = max ( R, G, B ),
V - min( R, G, B)
Analyse d’images
S = ,
V
 G-B si V = R

 V - min ( R, G, B)
 B-R si V = G
H = 2 +
 V - min( R, G, B)
 + R -G
4 V - min( R, G, B) si V = B

74
4-1-5 Codage CIE La*b*
Enfin en 1976, la CIE développe le modèle colorimétrique

La*b* (aussi connu sous le nom de CIE Lab), dans lequel
une couleur est repérée par trois valeurs :
L, la luminance, exprimée en pourcentage (0 pour le

noir à 100 pour le blanc)
Analyse d’images
a et b deux gammes de couleur allant respectivement

du vert au rouge et du bleu au jaune avec des valeurs
allant de -120 à +120.
Le mode Lab couvre l'intégralité du spectre visible par l'oeil

humain et le représente de manière uniforme.
75
4-1-5 Codage CIE La*b*
La*b* permet de décrire l'ensemble des couleurs visibles

indépendamment de toute technologie graphique.
Il comprend la totalité des couleurs RGB et CMYK.
PhotoShop utilisent ce mode pour passer d'un modèle de

représentation à un autre.
Analyse d’images
Il s'agit d'un mode très utilisé dans l'industrie, mais peu

retenu dans la plupart des logiciels.
difficile à manipuler.
Les modèles de la CIE ne sont pas intuitifs, mais le fait de

les utiliser garantit qu'une couleur créée selon ces
modèles seront vus de la même façon par tous !
76
4-1-6 Codage YUV
Le modèle YUV (appelé aussi YCbCr) est un modèle de

représentation de la couleur dédié à la vidéo analogique.
Il s'agit du format utilisé dans les standards PAL (Phase

Alternation Line) et SECAM (Séquentiel Couleur avec
Mémoire).
Analyse d’images
Le paramètre Y représente la luminance (c'est-à-dire

l'information en noir et blanc).
U et V permettent de représenter la chrominance, c'est-à-

dire l'information sur la couleur.
Ce modèle a été mis au point pour les téléviseurs

couleurs, et noir et blanc
77
4-1-6 Codage YUV
RGB  YUV
Y  + 0.299 + 0.587 + 0.114

Analyse d’images
R
U  = - 0.147 - 0.289 + 0.463 G 
     
V  + 0.615 - 0.515 - 0.100  B 
78
Analyse d’images
4-1-6 Codage YUV
79
4-1-6 Codage YIQ
Le modèle YIQ est très proche du modèle YUV.
Il est utilisé dans le standard vidéo NTSC (utilisé entre

autres aux États-Unis et au Japon).
Le paramètre Y représente la luminance.

Analyse d’images
I et Q sont respectivement les composantes chromatiques

représentant les oppositions cyan-orange et magenta-
bleu.
Y  0.299 0.587 0.114  R R 1 0.956 0.621  Y 

 I =0.596 -0.275 -0.321 G G =1 -0.272 -0.647   I 
Q 0.212 -0.523 0.311  B B 1 -1.105 1.702  Q
80
4-2 Algorithme de conversion couleur
http://www.cs.rit.edu/~ncs/color/t_convert.html
Analyse d’images
http://www.cs.rit.edu/~ncs/color/
81
Partie
2
Analyse d’images
Traitement de l’image
numérique
82
Chapitre
5
Analyse d’images
Traitement d’image
83
5- Traitements d’images
Objectif:
Amélioration de la qualité du signal afin de faciliter
l’extraction de l’information recherchée.
Amélioration de la luminance ou de la brillance

Analyse d’images
Rehaussement de contraste
Filtrage du bruit
Etc.
Les méthodes utilisées (soit numérique, soit analogique)

sont empruntées au méthode du traitement du signal
84
5- Traitement d’image
5-1 Luminance ou brillance
C’est la quantité d’énergie (lumière) reçue par unité de

surface (pixel) nommé dans la pratique Intensité
lumineuse I.
 I x, y dxdy
Analyse d’images
1 L -1 C -1
f  x, y 
yx
I= =  
 dxdy LC x = 0 y = 0
yx
85
5-2 Contraste
C’est une mesure relative aux

différences de luminosités dans
les images.
Analyse d’images
86
5-2 Contraste
Autres définitions :
1 L -1 C -1
C=  
LC x =0 y =0
( f ( x, y ) - I ) 2
Analyse d’images
max  f x, y  - min  f x, y 

C=
max  f x, y  + min  f x, y 
87
5-3 Amélioration
Ponctuelles: J(x0,y0) = f[I(x0,y0)]

Opération sur les histogrammes
Analyse d’images
locales:
J(x0,y0) = f[I(V)]V: voisinage de (x0,y0)
Filtres,..
globales: J(x,y) = f[I(x,y]

Transformée de fourrier,..
88
5.4 Améliorations Ponctuelles
Manipulation d’histogrammes :
Image originale
Analyse d’images
décalage : Brillance
Étirement : Contraste
89
Amélioration de la luminance : image en niveau de gris.
 I x, y dxdy
1 L -1 C -1
  f  x, y 
yx
I= =
 dxdy LC x =0 y =0
yx
Analyse d’images
f x, y  f  x, y  + I
90
Amélioration de la luminance : image couleur.
F(x,y)=f(x,y)+n
Analyse d’images
n=0 n=-80 n=+80
image source Résultat 91

Amélioration du contraste par Transformation linéaire :
f’(x,y) 255
f ' ( x, y ) = ( f ( x , y ) - min)
max - min
Analyse d’images
255
( f ( x , y ) - min)
 0 ,1
max - min
0
min max f(x,y)
92
Exemple : Amélioration du contraste par Transformation

linéaire :
Analyse d’images
93
Amélioration du contraste par Transformation linéaire

avec saturation :
255
f ' ( x, y ) = ( f ( x , y ) - S min )
S max - S min
Analyse d’images
f ' ( x, y )  0  f ' ( x, y ) = 0
f ' ( x , y )  255  f ' ( x , y ) = 255
min( f ( x , y ))  S min  S max

S min  S max  max( f ( x , y ))
94
Exemple : Amélioration du contraste par Transformation

linéaire avec saturation :
Analyse d’images
95
Amélioration du contraste par Seuillage :

Analyse d’images
96
Égalisation de l’histogramme
Est une transformation des niveaux de gris dont le
principe est d’équilibrer le mieux possible la
distribution des pixels dans la dynamique ( on cherche
à obtenir un histogramme plat)
Analyse d’images
97
Égalisation de l’histogramme
* H c I 
N max
I '=
NP
H c  f  x , y 
fn ew x , y  = N m ax *
Analyse d’images
L*C
NP : est le nombre de pixel de l’image,

Nmax :est le niveau de gris maximal,
HC(I) : la fréquence cumulée.
L : nombre de ligne de l’image
C: nombre de colonne de l’image
f: image origine
98
5.4 Améliorations locales
Se proposent généralement de :
Réduire les effets des dégradations (ou bruits) subies

par une image Filtre de lissage ou filtre passe bas.
Analyse d’images
Bruit Bruit
Originale impulsionnel
gaussien
Mise en évidence des hautes fréquences  Détection

des contours avec les filtres dérivatifs ou Filtre passe
haut (voir partie contour).
99
Les filtres de lissage :

Consistant à atténuer les composantes de l'image
ayant une fréquence haute (pixels bruits).
Qu’est-ce qu’une fréquence dans une image ?

Fréquence = changement d’intensité
Analyse d’images
Basses fréquences : régions homogènes

Hautes fréquences : contours, changement brusque d’intensité, bruit
Haute fréquence
Basse fréquence
100
Les filtres de lissage :

Filtrages Linéaires
Filtre de moyenne (moyenneur)
Filtre gaussien
Analyse d’images
Filtrages non linéaires

Filtre médian
Filtre adaptatif
101
Un filtre est une transformation mathématique (appelée

produit de convolution) permettant, pour chaque pixel de la
zone à laquelle il s'applique, de modifier sa valeur en
fonction des valeurs des pixels avoisinants, affectées de
coefficients.
C’est une matrice, caractérisée par ses dimensions et ses

coefficients, dont le centre correspond au pixel concerné.
Analyse d’images
Les coefficients du tableau déterminent les propriétés du

filtre. Voici un exemple de filtre 3 x 3 :
Le produit de la matrice image, par le filtre donne une

matrice correspondant à l'image traitée.
102
Principe des Filtrages Linéaires :

C’est une transformation mathématique (appelée
produit de convolution) permettant, pour chaque pixel
de la zone à laquelle il s'applique, de modifier sa
valeur en fonction des valeurs des pixels avoisinants,
affectées de coefficients.
Analyse d’images
Les coefficients sont données par une matrice de

calcul appelé matrice de convolution.
La matrice de convolution définit le nombre de voisin

concernés et la pondération à appliquer sur leur
valeur de gris. 103
Principe de convolution :
g ( x, y ) = c1 f ( x1 , y1 ) + c2 f ( x2 , y2 ) + ... + cn f ( xn , yn ) (c1 + c2 + ... + cn )

n
1
= n c f (x , y )
i i i
 ci
Analyse d’images
i =1
i =1
avec : f (x, y) image à traiter

g (x, y) image traitée
ci coefficient (poids) de la matrice de convolution
104
Exemple de Filtre de lissage moyenne ou moyenneur:
Exemple de filtre Passe-Bas

Filtre 1 Filtre 2 Filtre 3
Analyse d’images
lissage
Plus le filtre grossit plus le lissage devient important, et plus le

flou s'accentue 105
Exemple de Filtre de lissage moyenne ou moyenneur:

0 5 7 6 5 4 3 2 1 1
1 5 0 77 6 5 2 3 2 0
2 3 4 0 5 3 3 5 2 2
5 7 6 0 6 6 6 4 3 3
1 7 5 0 4 5 6 5 4 5
0 2 1 5 0 0 7 6 5 6
Analyse d’images
1 3 1 2 7 0 0 0 0 1
1 2 3 2 4 6 7 5 4 7
2 1 2 3 5 1 1 5 2 6
1 0 1 1 2 2 3 6 4 4
0 5 7 6 5 4 3 2 1 1
1 3 4 4 5 4 3 3 2 0
2 4 4 4 4 4 4 3 2 2
Novelle valeur du pixel central 5 4 4 3 4 5 4 4 4 3
1 4 4 3 3 4 5 5 5 5
(0+5+7+1+5+0+2+3+4)/9 = 43
(5+7+6+5+0+7+3+4+0)/9
= (7+6+5+0+7+6+4+0+5)/9 0 2 3 3 4 5 3 5 5 6
1 3 2 3 5 4 4 3 3 1
1 2 2 3 3 4 4 4 4 7
2 2 2 3 5 3 3 5 4 6
106
1 0 1 1 2 2 3 6 4 4
Filtre gaussien
 
- u 2 + v 2 
 
g (u , v) =
1 2
 *e 2 2
2
– On choisit la taille du filtre (pixel)
Analyse d’images
– On prend
w

5 Exemple w = 3  = 3/ 5
• Propriété du filtre gaussien  Filtre : 0.0277 0.1110 0.0277
g (u, v) = 0.1110 0.4452 0.1110
séparable
1. Filtrer l'image avec le filtre
gaussien 1D vertical 0.0277 0.1110 0.0277
2. Filtrer le résultat avec le filtre
gaussien 1D horizontal
Filtres 1D : 0.1664 0.6672 0.1664
107
Filtre non linéaire d’ordre ou médian

Analyse d’images
108
Filtre non linéaire Adaptatif
si |filtre[I(x,y)] -I(x,y)|< Seuil T

Analyse d’images
J(x,y) = filtre [I(x,y)]
Sinon J(x,y) = I(x,y)
109
5-5 Conclusion
Le traitement d'images se définit aussi

comme un ensemble d'opérations et de
primitives destinées à extraire de l'image
brut des informations qualitatives et
Analyse d’images
quantitatives.
à suivre ….
110

Cours TI

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours TI

Transféré par

Droits d'auteur :

Formats disponibles

TRAITEMENT D’IMAGES

• Etudier les concepts de bases du Traitement des images

• Introduire les concepts, outils et les Techniques

6. Analyse d’image : Opération et primitive

Définition de l’image numérique

Définition du traitement d’images :

Objectifs de traitement d’images

Machine de traitement d’images

Applications de traitement d’images

Une image est avant tout un signal 2D (x,y)

Une image est une représentation visuelle voire mentale

Souvent, cette image représente une réalité 3D (x,y,z).

D'un point de vue mathématique :

D'un point de vue humain :

Il faut interpréter le contenu au-delà de la valeur des

Images naturelles et artificielles

Image artificielle - Plusieurs outils de

L’image numérique désigne toute image (dessin,

créée directement par des programmes informatiques, grâce

43 201 207 192 201 198 213 156 69 65 57 55 52 53 60 50

Les propriétés d'une image numérique sont celles d'un

déterministe ou aléatoire (signal optique),

numérique (représentation discrète),

positif (en général),

de représentation spatiale finie

On distingue deux types d’images numérique :

Images matricielles ou mode point:

Images vectorielles ou mode trait:

Deux Objets vectoriels Changement d ’ordre des Groupement d ’objets

Ensemble de méthodes et de techniques permettant de :

image Extraction Reconnaissance

Amélioration de l’apparence de l’image,

Exemples concrets du traitement d’images

Contrôle de présence/absence. Sur des chaînes de

Contrôle du niveau de maturation des fruits sur une chaîne

Construction et correction de cartes géographiques d'après

Exemples concrets du traitement d’images

Surveillance et évaluation de la production agricole par la

Reconnaissance de l'écriture pour reconnaitre

Recherche d'image par le contenu: rechercher, parmi une

Segmentation et suivi de cellules vivantes en microscopie.

Elles sont constituées de pixels de différentes couleurs

Elles sont définies par leurs dimensions en nombre de

Chaque pixel possède une adresse numérique et est

Les images matricielles dépendent de la résolution :

Une image numérique est formée d'une grille de petits

une unité de base de

La dynamique d'une image correspond à l'étendu de la

La dynamique de l’image détermine si une image est :

en fausses couleurs (couleurs indexées),

Taille de l ’image = Largeur  Hauteur

256 nuance de gris

Largeur (nombre de colonnes)

Une représentation discrète des phénomènes continus.

bidimensionnelle pour les images :

[1..L] x [1..C]  [1,M]p (L lignes, C colonnes)

tridimensionnelle pour les vidéos :

[1..L] x [1..C] x [1..T]  [1,M]p (vidéo de T im.)

Une image binaire est une image ayant deux couleurs

Dans ces images, un seul bit suffit à représenter chaque

Si I est une image binaire, alors :

256 nuance de gris

Appelées dans le langage courant images en noir et blanc.

Dans ces images chaque pixel :