Cours

Ecole Nationale des Sciences Appliquées,
Kenitra
Traitement d’images
Tarik BOUJIHA
Année Universitaire 2020/2021

Fonctionnement du cours:
• Chaque séance de 1h30
Travaux dirigés:
• Chaque séance de 1h30
Travaux pratiques:
• Programmation sous Matlab, C/C++.

• Complétés par des périodes de pratiques libres
Evaluation:
• Examens théorique ………………......%

• Travaux pratiques……………………....%
• Projet appliqué…………………………...%
2
Traitement d’images !???
Un ensemble de méthodes dont l’objectif est:
• Transformer l’image: améliorer l’apparence ou coder de manière plus

compacte en vue d’une transmission
• Extraction de l’information: Reconnaissance automatique de l’écriture,

de visage ou la détection d’objets, …
• Traitement de scène en temps réel: La perception par des automates
Exemple: Navigation autonome des véhicules.
• Restauration : Corriger les défauts liés à l’acquisition
• Domaine très vaste: il trouve de plus en plus d’applications

3
Introduction aux images numériques
 Domaines d’applications
 TI et les autres disciplines
 Définitions
 Schéma d’un système de traitement d’images
 Formats d’images
 Images couleurs
4
Domaines d’applications
Transformation ou amélioration d’image
5
Retouche d’image
6
Création de panoramas
Photo au format allongé, c’est également un angle de champ vaste
7
Imagerie médicale
Rehaussement du
contraste
Détection des tumeurs

cancéreuses
8
Imagerie médicale
Picture Archiving and Communication System (Pacs)
9
Imagerie médicale
Objectifs du PACS
 Améliorer l’accessibilité
 Images accessibles rapidement dès leur production

 Même image accessible en plusieurs endroits
 compte rendu rattaché aux images
 comparaison et suivi des différents examens d'un patient
 Permettre la disparition des supports de l'image tels que le film,

le papier:
 Acte économique
 Acte écologique
 Acte organisationnel
10
Imagerie médicale
Aide au diagnostic
Examen
Système de recherche Base de données
Cas sélectionnés par

le système
+ + +
informations + informations 11
informations
informations
Route intelligente
Localisation de voiture Radars automatiques
Reconnaissance des
panneaux routiers
12
Télédétection
• Météo
• Cartographie
• Analyse des ressources terrestres
• Etc.
13
Analyse d’images de documents
Reconnaissance de caractères Séparation texte/dessin
Reconnaissance de structure fine d’un document
14
Autres domaines d’applications
 Domaine industriel: le contrôle automatique par la vision

est de plus en plus répandu dans les chaînes de fabrication.
15
 Domaine militaire: des dispositifs de plus en plus

performants, capable de détecter et de reconnaître
automatiquement leurs cibles.
16
 Sécurité:
Reconnaissance d’empreintes
Détection de mouvement
Vidéosurveillance
17
 Sécurité:
Reconnaissance de visage
18
 Multimédia:
• Indexation, restauration d’images, fouille (descripteurs)

• Reconnaissance d'action dans un match de tennis (œil de faucon)
. Recherche d'images dans une base de données à partir d'une
requête visuelle
19
Traitement d’images et les autres disciplines
Analyse numérique
Analyse des Théorie de
données l’information
Traitement
Programmation Statistique
d’images
Electronique Théorie du signal
Optique
20
Définitions
 La vision humaine est une source d’inspiration pour les chercheurs

en traitement d’images et vision par ordinateur mais ...
 Le système de vision humain est extrêmement complexe
 On voit plus avec le cerveau qu’avec les yeux
 Rôle du cerveau :
 Intègre les vues gauche et droite (stéréovision) pour recréer
l’information de profondeur
 Effectue la segmentation, la reconnaissance et l’interprétation
 Est spécialisé dans la reconnaissance de visages
 La vision par ordinateur désigne la compréhension d'une scène ou

d'un phénomène à partir d'informations « image ».
21
Définitions
Du SVH au système de vision par ordinateur
Remplacer l’œil humain par des caméras.

 Elle ne souffrent pas de fatigue.
 Sont plus efficaces
 Mais ont une plage d’utilisation (en terme de luminosité) pour l’instant
plus petite que celle de l’œil.
Remplacer la vision humaine fait face à de nombreuses problématiques.
Donner à un dispositif électronique et informatique la capacité à interpréter

l’image pour en retirer les informations qu’elle souhaite.
22
Définitions
Concevoir un système de vision
Trois étapes:
 Définition du cahier de charges
 Etude de la faisabilité:
 Conception de l’éclairage.
 Choix du capteur.
 Conception logicielle.
 tests
 Mise en production
 Un capteur est un semi conducteur qui convertit la lumière en tension
électrique en fonction du degré de luminosité
Phénomène physique Grandeur mesurée Capteur

Lumière visible Flux photonique émis ou réfléchi CCD, CMOS, Scanner,..
Rayonnement Infra-rouge Luminance Infra-rouge (chaleur) Bolomètres,…
Echo ultrasonore Distance Echographie
Résonance magnétique Présence d’un corps chimique IRM
Echo électromagnétique Distance Radar

23
Définitions
Chaîne de traitement des images:
 Acquisition: Convertir l’image d’une vue réelle en une image numérique
 Pré-traitement: Préparer l’image au traitement et à l’analyse (filtrage,

simplification, changement d’espace couleur, …).
 Traitement:
* Traitement bas-niveau : l’image est décrite de manière numérique

(structurelle), il n’y a pas de liens avec la réalité qu’elle représente.
* Traitement haut-niveau : l’image est décrite de manière symbolique,
un lien existe avec la scène observée.
 Analyse (décision ou interprétation): Interpréter les informations et

décider d’une action à engager : l’image est alors décrite de manière
sémantique.
24
Définitions
 Qu’est-ce qu’une image: point de vue mathématique.
 une image avant numérisation est un signal continu 2D ou 3D

(en tenant compte de la profondeur de l’image ou de temps)
 Une image peut donc être vue comme une fonction :

I : S ---------> Ω
(x, y) ---------> I(x, y)
Dans le domaine continu :

S = [0, nl-1]×[0, nc-1]
Ω = [0, ValMax]
Dans le domaine discret :

S = {0,1,…, nl-1}×{0,1,…, nc-1}
Ω = {0,…, Ng}
25
Définitions
D’un signal continu à un signal discret

Signal continu (référence) Signal échantillonné
Étape 1
Echantillonnage: Les valeurs du signal sont prises régulièrement à

une période d’échantillonnage Te. Signal quantifié (4 niveaux)
Codage (4 niveaux  2bits)
Étape 2
Étape 3
Quantification : l’amplitude du signal échantillonné est

représentée par un nombre fini de valeurs d’amplitude
(niveaux de quantification). 26
Définitions
 Qu’est-ce qu’une image numérique:
image numérique = échantillonnage + quantification + codage
L’ échantillonnage est le procédé de discrétisation spatiale

d’une image consistant associer à chaque pixel une valeur
unique
Quantification: désigne le nombre de valeurs différentes que

peut prendre un pixel
27
Définitions
Codage : les niveaux de quantification sont codés sous la forme

d’un mot binaire sur k bits ( 2k niveaux possibles).
1 BITS 2 BITS 3 BITS
4 BITS 5 BITS 8 BITS
 Attribuer une valeur numérique pour chaque pixel de l'image.
 Le nombre de niveaux de quantification de la luminance est

généralement de 256, chaque niveau étant alors codé sur 8
bits. 28
Définitions
Résolution
 La résolution correspond à la finesse de la description spatiale
 La résolution d'une image est définie par un nombre de pixels par unité de
longueur de la structure à numériser en dpi (dots per inch) ou ppp (points par
pouce)
1 inch= 1 pouce = 2,54 cm
Définition
 La définition est le nombre de pixels que comporte une image
numérique en longueur et en hauteur.
29
Définitions
Comment calculer une résolution / Définition ?
Il faut mettre en relation 3 paramètres :
 Les dimensions physiques de l’image finale sur un écran.
 Les dimensions physiques de l’image source ( page à scanner).
 Le nombre de points par unité de mesure.
Exemple:
 Le nombre de pixels par unité de mesure est de 300 dpi.
 Les dimensions physiques de l’image source est de 30 cm ×20 cm.
 La taille en pixels du fichier image est 3543*2362 pixels
30
Schéma d’un système de traitement d’images
Monde réel
Acquisition Scène physique  représentation numérique
Suppression du bruit, augmentation de

Pré-Traitement contraste, lissage, rehaussement de
contours  description structurelle de
l’image.
Segmentation Créer une partition de l’image en région
Analyse Extraction de l’information
Stockage
Visualisation
ou/et
Transmission
31
Schéma d’un système de traitement d’images
32
Différents types d’image
 Image Binaire: les pixels sont représentés par deux états logiques 0
(noir) et 1 (blanc). C’est un codage de l’image sur 1 bit.
Un pixel correspond à un bit: en noir et blanc

33
 Image en niveaux de gris : chaque pixel est codé sur N bits, ce qui lui
affecte des valeurs entières comprises entre 0 (noir) et 2N-1 (blanc).
Un pixel correspond à 8 bits (soit un octet): 256 niveaux de gris

34
 Image Couleur (RVB): chaque pixel correspond à la synthèse additive de 3

images, rouge, verte et bleu. Chaque pixel est donc codé sur 3× N bits.
Un pixel correspond à 24 bits: 16 777 216 couleurs
35
 Image indexée : la couleur ou l’intensité des niveaux de gris est

déterminé par un index auquel correspond la couleur en question.
Un pixel correspond à un indice

36
Voisinage d’un pixel
Voisinage d’un pixel, pavage ou maillage est l'arrangement géométrique des

pixels dans l'image.
On utilise généralement un des 3 types:
 le maillage carré qui correspond plus à la réalité.
 le maillage rectangulaire.
 le maillage hexagonal (maillage de référence pour le domaine de la
morphologie mathématique).
pavage rectangulaire : pavage hexagonal :
4-voisins 8-voisins
6-voisins
37
Voisinage d’un pixel
Distance: Tout pixel d'une image est caractérisé par un couple de

coordonnées (x,y). On peut donc calculer des distances entre pixels.
Les distances les plus courantes sont (pour deux pixels P(i,j) et Q(k,l)):
 Distance Euclidienne :  ( P(i, j ), P(k , l ))  (i  k ) 2  ( j  l ) 2
 Distance de Manhattan :  ( P(i, j ), P(k , l ))  i  k  j  l
 Distance « tour d’échiquier » :  ( P(i, j ), P(k , l ))  max( i  k , j  l )
j l
Tour d'échiquier
i
Euclidienne
Manhattan
k
38
Taille d’un pixel
Taille écran en (cm*cm)
14" soit 35,56 cm 17" soit 43,18 cm 19" soit 48,26 cm 21" soit 53,34 cm
28,8 cm × 21,6 cm 34,4 cm × 25 cm 38,4 cm × 28,8 cm 42,4 cm × 31 cm
Définition de l'écran Taille pixel en (mm*mm)
VGA(640*480 ) 0,45 × 0,45 0,54 × 0,54 0,60 × 0,60 0,66 × 0,66
XGA(1024*768) 0,28 × 0,28 0,34 × 0,34 0,37 × 0,37 0,41 × 0,41
SXGA(1280*1024) 0,22 × 0,21 0,27 × 0,25 0,30 × 0,28 0,33 × 0,31
UXGA(1600*1200) 0,18 × 0,18 0,21 × 0,21 0,24 × 0,24 0,26 × 0,26
39
Images Couleur
Couleur = sensation physiologique liée à trois facteurs :
 la lumière qui éclaire une scène,
 la nature des objets de la scène,
 le système visuel de l’observateur.

40
Images Couleur
 la lumière:
onde électromagnétique, se propageant dans l'espace et le temps.
• Ondes caractérisées par leur longueur d'onde λ,
• Trajet parcouru par l'onde pendant une période T, et leur
fréquence υ; λ = c /υ , c est la vitesse de la lumière dans le
vide , soit environ 300 000 km/s.
Les particules de la lumière sont appelées les photons
violet : 0.4 - 0.446 mm

Chaque longueur d'onde bleu : 0.446 - 0.500 mm
correspond a une vert : 0.500 - 0.578 mm
sensation perceptive jaune : 0.578 - 0.592 mm
appelée "couleur". orange : 0.592 - 0.620 mm
rouge : 0.620 - 0.7 mm
41
Images Couleur
 La nature des objets :

 les objets qui produisent de la lumière, comme le Soleil, les
flammes, les lampes, etc.
 les objets qui ne sont visibles que s'ils sont éclairés (invisibles
dans l'obscurité).
42
Images Couleur
 La nature des objets :
 Un corps de couleur blanche , renvoie en principe toutes les radiations.
 Un corps de couleur noir absorbe au contraire toutes les radiations.
 Selon l’absorption des longueurs d’ondes, la couleur de l’objet est différente.
La couleur d’un objet est liée à la lumière qui

l’éclaire.
(objet qui paraît de couleur jaune à la lumière du jour, éclairé
par une lumière rouge, ce corps paraîtra rouge clair. Eclairé
par une lumière verte, il paraîtra brun).
43
Images Couleur
 Le système visuel de l’observateur :
L’œil humain est constitué de trois types de photorécepteur (les cônes),
chacun particulièrement sensible à une longueur d’onde du domaine
visible :
 Les Cônes L sensibles au rouge (ondes longues : 700 nm)
 Les Cônes M sensibles au vert (ondes moyennes : 546.1 nm)
 Les Cônes S sensibles au bleu (ondes courtes : 438.8 nm)
Grâce à la superposition de trois sources colorées à différentes intensités,

notre œil est capable de distinguer des millions de couleurs.
Pas de couleur sans lumière : la nuit tous les chats sont gris 44
Images Couleur
 Colorimétrie:
Ensemble des techniques qui permettent la

définition, la comparaison et l’étude des
couleurs.
 Trichromie:
Le principe est de reproduire un très grand

nombre de couleurs à partir de trois couleurs
primaires
45
Espace colorimétriques
 La question principale que nous allons considérer dans la

suite est :
« Comment représenter ces couleurs dans un espace qui soit a

la fois facile a manipuler et qui soit pertinent en termes
d'analyse d'images couleur ? »
 Toute couleur peut être représentée comme une combinaison

linéaire de trois primaires C1, C2 et C3.
 Beaucoup d'espaces de couleur :

Espaces définis par la CIE (Commission Internationale de l'Éclairage) :
RGB, XYZ, HSV, YUV, Lab, ...
46
 Espace RGB :
 L'espace RGB est l'espace vectoriel engendré par les 3 composantes

primaires (Rouge, Vert, Bleu).
 RGB est un espace permettant de définir les couleurs de manière

additive.
 L’espace RGB reste de loin le plus utilisé et le plus simple à manipuler.
 Les cartes d’acquisition, les caméras, les écrans,… effectuent leurs

échanges d’information uniquement en utilisant le triplet (R,G,B).
 La relation pour convertir une image couleur en niveau de

gris d’après CIE est :
Ng = 0.299R + 0.587G + 0.114B
 Limite :
l’impossibilité de reproduire un certain nombre de couleurs par superposition
des trois spectres.
47
 Espace XYZ :
L'espace XYZ (CIE 1931) est défini à diagramme CIE
partir d'une transformation linéaire sur Triangle XYZ (spectre visible)
l'espace RGB telle que toutes les
couleurs du spectre visible soient
contenues dans le triangle xyz.
Transformation des coordonnées RGB en

coordonnées XYZ:
 X   2,769 1,7518 1,1300  R 

    
  
Y  1, 000 4,5907 0, 0601 G 
 Z   0,000 0,0565 5,5943  B 
    
Triangle de maxwell
48
 Espace HSV ou TSV :
Le principe de l'espace HSV est de caractériser les couleurs de façon plus

intuitive, conformément à la perception naturelle des couleurs, en termes
de :
1- Teinte (Hue): déterminée par la longueur d’onde dominante (rouge,

jaune ,...).
2- Saturation : c'est le taux de pureté de la couleur, qui doit varier

entre la pureté maximale (couleur éclatante) et l'achromatisme
(niveau de gris).
3- Valeur (value): c'est la mesure de l'intensité lumineuse de la

couleur, qui doit varier entre le noir absolu et le blanc.
49
Le passage de RGB à HSV se fait par une transformation non linéaire.

Plusieurs opérateurs ont été proposés pour la conversion.
 Espace HSV ou TSV :
Image couleur
50
Composante Valeur Composante Teinte Composante Saturation
Modèles et outils fondamentaux
 Le modèle linéaire
 Le modèle fréquentiel
 Le modèle statistique
 …
51
 Le modèle linéaire
Dans le modèle linéaire, la structure mathématique sous-jacente est

l'Espace Vectoriel. Les opérateurs fondamentaux sont ceux qui
préservent la structure d'espace vectoriel, c'est-à-dire les applications
linéaires :
f (I  J )  f (I )  f ( J )
f (aI )  af ( I )
Pour les images, ces opérateurs correspondent aux convolutions
52
 La convolution
Soit I une image numérique.

Soit h une fonction de [x1,x2]×[y1,y2] à valeurs réelles.
La convolution de I par h est définie par :
( I * h)( x, y )    h(i, j ) f ( x  i, y  j )
i j
La fonction h est dite le noyau de convolution
Propriétés de la convolution
Commutativité f *g = g * f
Associativité (f *g) * h = f * (g* h)
Distributivité f * (g+ h) = (f *g) + (f*h)
53
 Le modèle fréquentiel
Le modèle fréquentiel tend à décrire l'image en termes de structures

périodiques, en la décomposant dans une base de fonctions périodiques
simples, comme des sinusoïdes.
La transformée de Fourier
La transformée de Fourier permet la décomposition d'un signal f(x,y) en

combinaison linéaire de sinusoïdes complexes, dont les coefficients F[u,v]
dit coefficients de Fourier, fournissent des informations sur les fréquences
(u,v) et permettent des manipulations dans le domaine fréquentiel.
54
 Le modèle statistique
On s'intéresse dans ce modèle aux propriétés statistiques des images :
 La distribution des valeurs prises par les pixels,
 La corrélation existant entre les pixels spatialement proches,
 La fréquence d’occurrence de certaines structures spatiales,

 …
les mesures statistiques fournissent des grandeurs et fonctions empiriques

sur lesquelles peuvent s’appuyer des modèles probabilistes utilisés par les
algorithmes d’analyse d’images.
55
 Histogramme
 L’histogramme est une fonction H(x) permettant de
donner la fréquence d’apparition des différents
niveaux de gris x qui composent l’image.
 En abscisse on représente les niveaux de gris et en
ordonnée leurs fréquences d’apparition.
 L’histogramme des niveaux de gris nous informe sur
la concentration de l’image.
 Pour une image couleur, il y a un histogramme par
composante
Image originale Niveau de gris
il fournit diverses informations comme les statistiques d’ordre1.

56
 Histogramme cumulé
Image originale Histogramme cumulé
l’histogramme cumulé représente le nombre de pixels dont le niveau de gris

<= x .
57
quelques traitement d’analyse effectués à partir de l’histogramme :
 Normalisation
la normalisation de l’histogramme, ou expansion de dynamique, est une

transformation affine du niveau de gris des pixels de telle sorte que l’image
utilise toute la dynamique de la représentation.
1
D
2
f (i, j )  [ f (i, j ) _ N g min ] 
N g max  N g min
58
 Egalisation d’histogramme
l’égalisation d’histogramme est une transformation de niveau de gris dont le

principe est d’équilibrer le mieux possible la distribution des pixels dans la
dynamique (l’obtention d’un histogramme plat).
HC[ f (i, j )]
f (i, j )  [2 _ 1] 
D
nl * nc
59
 Luminance ou brillance de l’image:
 La luminance (ou brillance) est définie comme la moyenne de tous

les pixels de l’image.
 Pour augmenter la luminance, il suffit de décaler l’histogramme :

A(i,j) = B(i, j) + b
 Dans les deux images suivantes, seule la luminance est différente
60
 Contraste de l’image: Peut être défini de plusieurs façons
 Variance des niveaux de gris (N nombre de pixels dans l’image)
 Variation entre niveaux de gris max et min
 Modifier le contraste d’une image c’est multiplier chaque valeur

des pixels par un facteur.
61
 Segmentation
La segmentation d’images est un domaine vaste où l’on retrouve de très

nombreuses approches:
– Le seuillage
– La détection de frontières
– La recherche de régions
– L’approche de la classification
62
Addition des images
 Soient f et g sont deux images, on peut définir l’addition R pixel

à pixel de ces deux images par :
R(x,y) = f(x,y) + g(x,y)
 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
+ =
63
Soustraction d’images
• On peut définir la soustraction S pixel à pixel de deux images f et
g par :
S(x,y) = f(x,y) - g(x,y)
• La soustraction d’images peut permettre:
– Détection de défauts
– Détection de mouvements
64
Multiplication d’images
 La multiplication M d’une image f par un ratio (facteur) peut se définir
par :
M(x,y) = f(x,y) * ratio
 La multiplication d’images peut permettre d’améliorer le contraste ou
la luminosité
x 1.5 =
x 1.2 =
65
Opérations logiques ET, OU et Ou exclusif
Images Binaires
 ET logique: intersection logique
 OU logique: Union logique
 OU exclusif: exclusion logique
66
Changement d’échelle
 Interpolation du plus proche voisin par copie des pixels
12 12 20 20
12 20 Zoom
12 12 20 20
18 14 18 18 14 14
18 18 14 14
 Interpolation bilinéaire :
 Plus complexe
 Offre de bien meilleur résultats
P(1,1) n1 P(1,2)
 n1 = (p(1,1)+p(1,2))/2
 n2 = (p(1,1)+p(2,1))/2 n2 n3 n4
 n3 = (p(1,1)+p(1,2)+p(2,1)+p(2,2))/4
 n4 = (p(1,2)+p(2,2))/2 P(2,1) n5 P(2,2)
 n5 = (p(2,1)+p(2,2))/2
67
Changement d’échelle
Image originale
Interpolation du plus proche voisin
Interpolation bilinéaire 68
Filtrage et détection de contour
69
Pourquoi filtrer une image?
 Pour réduire le bruit dans l’image (sujet de ce chapitre)
 Pour détecter les contours d’une image (sujet du chapitre

suivant)
70
Filtrage
Le bruit d’image:
Le bruit d’image est la présence d’informations parasites qui

s’ajoutent de façon aléatoire aux détails de la scène
photographiée numériquement.
71
Filtrage
Les sources de bruit
 Bruits liés aux conditions de prise de vues:
 Flou de bougé
 Problèmes liés à l’éclairage

de la scène observée
72
Filtrage
Les sources de bruit
 Bruits liés au capteur:

 Capteur mal réglé
 Capteur de mauvaise qualité
 Types de capteur (radar, laser, microscope électronique…)
 Bruits liés à l’échantillonnage ET/OU à la quantification
 Bruits liés à la nature de la scène :

 Nuage sur les images satellitaires
 Poussières dans les scènes industrielles
 Brouillard pour les scènes routières
73
Filtrage
Modèles de bruit
Flou de bougé Bruit multiplicatif
Un bruit gaussien ou bruit

blanc
Poivre et sel Bruit additif 74

Filtrage
Définition
Le principe du filtrage est de modifier la valeur des pixels d'une image, généralement
dans le but de:
 Améliorer la perception de certains détails,

 Réduction du bruits,
 Compenser certains défauts du capteur.
En pratique, il s'agit de créer une nouvelle image en se servant des valeurs des pixels
de l'image d'origine, i.e obtenir une image qui soit la plus proche possible de l’image
idéale qui aurait était obtenue si le système d’acquisition était parfait.
Il ne faut pas confondre le filtrage avec toutes les transformations de l'image d'origine :
zoom, découpage, …
75
Filtrage
Objectif :
 Le lissage: il s’agit de supprimer le bruit, ou les petites variations, présent dans une
image.
 La restauration d’images : a pour but de supprimer les dégradations subies par une
image à l’aide de connaissance a priori sur ces dégradations.
 L’amélioration d’images : consiste à modifier les caractéristiques visuelles de l’image

pour faciliter son interprétation par l’oeil humain.
76
Filtrage
Type :
 Filtrage global: chaque pixel de la nouvelle image est calculé en prenant en compte
la totalité des pixels de l’image de départ. Le passage du domaine spatial au domaine
fréquentiel .
 Filtrage local: chaque pixel de la nouvelle image est calculé en prenant en compte
Seulement un voisinage du pixel correspondant dans l'image d'origine.
77
Filtrage
catégories :
Deux catégories de filtres locaux :
 Filtres linéaires exprimés sous forme de convolution
 Filtres non linéaires: une forme non linéaire
généralité :
Il est d'usage de choisir un voisinage carré et symétrique autour du pixel considéré.
Il est caractérisé par: la forme, la taille et l’algorithme de calcul de la valeur finale
un voisinage de 7×7 pixels un voisinage de 3×3 pixels
Pixel à traiter un voisinage de 5×5 pixels

La somme des coefficients du filtre doit être égale à 1 => ne pas modifier la luminance
de l’image
78
Filtrage
Principe du filtrage linéaire
Considérons une image I et un filtre bidimensionnel h.
Le filtrage de l’image I par le filtre h est une image F dont les luminances sont
données par :
F ( x, y )   h ( a , b ) I ( x  a , y  b )
a ,b
Si le filtre est de taille (2n+1)*(2n+1) alors les indices a et b varient de – n à + n.
79
Filtrage
Exemple:
Masque ou Noyau de convolution
Image originale
Les nouvelles valeurs sont calculées par le produit scalaire entre le noyau de convolution
et le voisinage du pixel.
La nouvelle valeur = (1×12 + 2×20 + 1×8 + 2×13 + 5×4 + 2×10 + 1×16 + 8×2 + 1×22) = 180
Ou = 180/16 = 11 (si normalisé)

La nouvelle valeur du pixel est 11 80
Filtrage
Réponse fréquentielle d’un filtre
La réponse fréquentielle d’un filtre est donnée par :
H(w1,w2)  h(n1,n2)e j(w1n1w2n2)

n1,n2
Ou w1 et w2 varient de – π à + π. Les variables w1 et w2

représentent respectivement la fréquence ligne et la fréquence
colonne.
81
Filtrage
Exemple:
 1 1 1 
 
h1 1 8 1 H(w1, w2)  9  (2 cosw1  1)(2 cosw2  1)
 
 1 1 1 
 
 1 1 1 
 
h2 1 9 1 H2(w1, w2) 10  (2 cosw1  1)(2 cosw2  1)
 
 1 1 1 
 
82
Filtrage
Problèmes:
Effets de bords: On ne peut pas calculer
directement la nouvelle valeur d’un pixel situé sur le
bord de l’image.
Solution:
Plusieurs méthodes existent pour traiter les bords
d’une image :
 Zero-padding : le voisinage en dehors de l’image est considéré comme un

ensemble de pixels à valeurs nulles.
 Duplication : Le voisinage en dehors de l’image prend la valeur du pixel de

l’image le plus proche.
 Négliger les bords
83
Filtrage
Passe-bas:
 Réduit le bruit
 Réduit les faibles détails de l’images
 Créé du flou (haute fréquence)
Exemple 1: Filtres Moyenneurs

Le choix: dépend de l’importance à donner au pixel d’analyse et à ses voisins
Propriété :
1. la valeur d’un pixel est relativement similaire à celle de ses voisins
2. La somme des coefficients du filtre =1 (Luminance conservée)
3. Plus d est grand, plus le lissage sera important, et plus l’image filtrée
perd les détails de l’image originale
Si tous les coefficients du noyau sont positifs : le filtre est passe-bas
84
Filtrage
Exemple 1: Filtres Moyenneurs
Image originale Image filtrée

 Rend l’image floue, en particulier les contours
 Élimine les dégradations locales de faibles dimensions
85
Filtrage
Exemple 2: Filtres Gaussien
Le filtre Gaussien est défini par:
1 x2  y2
h ( x, y )  . exp( )
2 2
2 2
σ détermine la largeur de la cloche

Gaussienne
 Le filtre gaussien donne un meilleur lissage et une meilleure réduction du bruit

que le filtre moyenneur.
 Les pixels près du centre ont un poids plus important que ceux des autres.
 En général, un filtre Gaussien avec :
 σ<1 est utilisé pour réduire le bruit,
 σ>1 est utilisé pour rendre l’image floue.
 A noter que plus σ est grand, plus la cloche Gaussienne est large et plus
le flou appliqué à l’image sera marqué.
86
Filtrage
Exemple 2: Filtres Gaussien
  1.0 avec taille 5x5   1.6 avec taille 7x7
 4 18 29 18 4  2 7 12 14 12 7 2
   
 18 80 132 80 18  7 18 32 38 32 18 7 
1 
1  12 32 57 69 57 32 12 
29 132 218 132 29  14 38 14 
1344  
1279 12
38 69 84 69
 18 80 132 80 18  32 57 69 57 32 12 
 4 18 29 18 4   
  7 18 32 38 32 18 7 
2 7 2 
 7 12 14 12
Avantage :
 limite l’effet de flou (contours mieux conservés)
 Filtre séparable: possibilité d'obtenir le même résultat en filtrant les lignes
puis les colonnes avec un même masque 1D
87
Filtrage
Exemple 3: Filtre médian (non linéaire)
Les filtres moyenneurs ont tendance à rendre l'image floue et donc à perdre de
l'informations sur les contours caractérisés par des fortes variations d'intensité.
Pour diminuer cet effet, on ne moyenne plus sur le voisinage mais on prend la valeur
médiane sur ce voisinage.
Valeurs triées dans un tableau
12 13 14 15 18 19 21 27 29
Valeur médiane
15 18 14
29 27 13 18
12 19 21
Zone de l’image avant filtrage Zone de l’image après filtrage
88
Filtrage
Exemple 3: Filtre médian (non linéaire)
 Filtre non-linéaire.
 Élimine le bruit impulsionnel.
 Préserve l'information de contour
 peut être appliqué itérativement.
Application du filtre médian
Image bruitée «Poivre et Sel » Image filtrée
89
Filtrage
Passe-haut:
 Accentue les contours ( rehaussement)

 Augmente les détails de l’images
 Amplifie le bruit
Exemple 1:
0 -1 0 Si le noyau contient des coefficients positifs et
négatifs. Le filtre correspondant a en partie ou
-1 5 -1 totalement un comportement de type passe-haut
0 -1 0
90
Filtrage
Exemple 1: Laplacien
Principe : Le Laplacien mesure la rapidité des changements d'intensité sur le voisinage
afin de rendre les contours visible
Le coefficient central est ajusté de manière à ce que la somme

des coefficients du filtre soit égale à zéro.
91
Pourquoi filtrer une image?
 Pour réduire le bruit dans l’image (sujet de ce chapitre)
 Pour détecter les contours d’une image (sujet du chapitre

suivant)
92
Détection de contour
Définition de contour
L’image est représentée par son intensité lumineuse (la fonction d’intensité de
l’image).
Les contours d’une image correspondent aux plus importantes variations de sa
fonction d’intensité.
Les contours représentent la partie la plus informative de l’image.
f Lieu d’une forte transition
A B
A B profil
Les contours représentent des hautes fréquences de l’image .
93
Rôle
Le rôle de cette étape dans la chaîne de traitement est l’extraction de contours.

C’est une étape préliminaire de nombreuses applications de l’analyse d’images.
Il existe plusieurs modèles de contours:
Marche escalier Toit Pointe
94
La détection de contours est une technique de réduction d’information et de

reconnaissance des formes. Elle consiste à transformer l’image en un ensemble
de courbes, pas forcément fermées, formant les frontières significatives de
l’image.
Extraction de contours de l’image de LENA
95
Profile de l’image
Dérivée première
(Gradient)
Dérivée seconde
(Laplacien)
96
Approche gradient
Le gradient d’une image I(x,y) est le vecteur :
t
 I I 
I ( x, y )   ( x, y ), ( x, y ) 
 x y 
Il est caractérisé par un module m et une direction θ dans l’image:
I ( x, y ) 2 I ( x, y )
2
I ( x, y ) I ( x, y )
m 
y
  arctan( )
x y x
On distingues deux catégories de méthodes de calcul de gradients:
 Gradients niveaux de gris
 Gradients couleur
97
 Gradients niveaux de gris
• Le calcul du gradient niveaux de gris est réalisé par les opérateurs

classiques de détection de contours dans des images monochromatiques.
• La détection de contours dans les images niveaux de gris repose sur

une opération de convolution locale de l’image par un filtre 2D donné.
• La convolution consiste à balayer d’une manière séquentielle l’image par

une fenêtre et appliquer le filtre aux pixels afin d’estimer les transitions
significatives dans l’image.
• Quelques opérateurs: Sobel, Prewitt, Roberts, Kirsch, Canny, Deriche,

Shen et Castan, etc.
98
Approche gradient
 Roberts:
0 0 0   0 0 0
   
hx   0 1 0  hy   0 0 1 
 0 0  1  0 1 0
   
99
 Prewitt:
-1 0 1 1 1 1
hx= -1 0 1 hy= 0 0 0
-1 0 1 -1 -1 -1
Image originale Détection de contours avec l’opérateur

Prewitt
100
 Sobel:
1 0 1  1 2 1
   
hx  14  2 0  2 hy  4  0 0 0 
1
1 0  1    1  2  1
  
Image originale Détection de contours avec

l’opérateur Sobel
101
 Kirsch:
  3  3  3   3  3 5
   
hx  15   3 0  3 
1
hy  15   3 0 5 
1
5 5 5   3  3 5
   
Image originale
Somme des résultats

obtenus avec les 2 noyaux 102
 Gradients couleur
On distingues trois approches de calcul de gradients dans les

images couleur:
• Approches scalaires
• Approches perceptuelles
• Approches vectorielles
103
 Approches scalaires
Approches scalaires ou approches marginales effectuent un calcul de

gradient sur chaque composante de l’espace étudié, puis fusionnent les
différents gradients pour donner naissance à un seul gradient couleur.
104
 Approches perceptuelles
• Elles sont basées sur des caractéristiques du système visuel humain
Exemple: Gradient TLS
1. Conversion de l’espace RGB à l’espace TLS
2. Calcul du gradient sur chaque composante couleur (T, L et S)
3. Calcul de :
4. Calcul de gradient par :
105
 Approches vectorielles
Elles traitent les couleurs des pixels comme vecteurs et s’efforçent de

garder la nature vectorielle de la représentation de la couleur tout au
long du processus, sans considérer chaque canal de façon indépendante.
Exemple: Gradient Di-Zenzo
Le gradient de Di-zenzo est défini à partir des deux valeurs propres λ1

et λ12 selon l’équation suivante :
106
Illustration de différents gradients couleur
107
Mini-Projets
1. Tatouage d’images.
2. Compression d'images par La Transformée de Cosinus Directe (DCT).
3. Compression d'images par La méthode de HUFFMAN.
4. Détection de contour par la méthode de Dériche et comparaison avec les méthodes

classiques.
5. Détection de contour par la méthode de Canny et comparaison avec les méthodes

classiques
6. Détecteur Harris
7. Contours actifs
8. Transformée de Hough
9. Morphologie Mathématique des images binaires et aux niveaux de gris.
108

Cours

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

Transféré par

Droits d'auteur :

Formats disponibles

Ecole Nationale des Sciences Appliquées,

Année Universitaire 2020/2021

• Chaque séance de 1h30

• Chaque séance de 1h30

• Programmation sous Matlab, C/C++.

• Examens théorique ………………......%

Un ensemble de méthodes dont l’objectif est:

• Transformer l’image: améliorer l’apparence ou coder de manière plus

• Extraction de l’information: Reconnaissance automatique de l’écriture,

• Traitement de scène en temps réel: La perception par des automates

Exemple: Navigation autonome des véhicules.

• Restauration : Corriger les défauts liés à l’acquisition

• Domaine très vaste: il trouve de plus en plus d’applications

 TI et les autres disciplines

 Schéma d’un système de traitement d’images

Transformation ou amélioration d’image

Photo au format allongé, c’est également un angle de champ vaste

Détection des tumeurs

Picture Archiving and Communication System (Pacs)

 Images accessibles rapidement dès leur production

 Permettre la disparition des supports de l'image tels que le film,

Système de recherche Base de données

Cas sélectionnés par

Localisation de voiture Radars automatiques

Reconnaissance de caractères Séparation texte/dessin

Reconnaissance de structure fine d’un document

Autres domaines d’applications

 Domaine industriel: le contrôle automatique par la vision

Autres domaines d’applications

 Domaine militaire: des dispositifs de plus en plus

Autres domaines d’applications

Autres domaines d’applications

Autres domaines d’applications

• Indexation, restauration d’images, fouille (descripteurs)

Electronique Théorie du signal

 La vision humaine est une source d’inspiration pour les chercheurs

 Le système de vision humain est extrêmement complexe

 On voit plus avec le cerveau qu’avec les yeux

 Effectue la segmentation, la reconnaissance et l’interprétation

 Est spécialisé dans la reconnaissance de visages

 La vision par ordinateur désigne la compréhension d'une scène ou

Du SVH au système de vision par ordinateur

Remplacer l’œil humain par des caméras.

Remplacer la vision humaine fait face à de nombreuses problématiques.

Donner à un dispositif électronique et informatique la capacité à interpréter

Phénomène physique Grandeur mesurée Capteur

Rayonnement Infra-rouge Luminance Infra-rouge (chaleur) Bolomètres,…

Echo ultrasonore Distance Echographie

Résonance magnétique Présence d’un corps chimique IRM

Echo électromagnétique Distance Radar

Chaîne de traitement des images:

 Acquisition: Convertir l’image d’une vue réelle en une image numérique

 Pré-traitement: Préparer l’image au traitement et à l’analyse (filtrage,

* Traitement bas-niveau : l’image est décrite de manière numérique

 Analyse (décision ou interprétation): Interpréter les informations et

 Qu’est-ce qu’une image: point de vue mathématique.

 une image avant numérisation est un signal continu 2D ou 3D

 Une image peut donc être vue comme une fonction :

Dans le domaine continu :

Dans le domaine discret :

D’un signal continu à un signal discret

Echantillonnage: Les valeurs du signal sont prises régulièrement à

Quantification : l’amplitude du signal échantillonné est

L’ échantillonnage est le procédé de discrétisation spatiale