République Algérienne Démocratique et populaire.

Ministère de l’enseignement supérieur et de la Recherche scientifique.

Université : El Bachir el Ibrahimi.

Département d’électronique

M1 Systèmes télécommunication

Travaille personnel :
Detection de contour d’une image niveaux de gris

Réalisé par : Encadré par :

Tebbani Keltoum Pr.Z.Messali

Année universitaire : 2022/2023

Detection de contour d’une image niveaux de gris

Introduction:
Le traitement d’images est un domaine très vaste qui a connu, et qui connaît encore, un
Développement important depuis quelques dizaines d’années.

On désigne par traitement d'images numériques l'ensemble des techniques permettant De

modifier une image numérique afin d'améliorer ou d'en extraire des informations.

De ce fait, le traitement d’images est l’ensemble des méthodes et techniques opérant Sur
celles-ci, dans le but de rendre cette opération possible, plus simple, plus efficace et plus
Agréable, d’améliorer l’aspect visuel de l’image et d’en extraire des informations jugées
Pertinentes.

I. Définition d’une image:

Une image est obtenue par transformation d’une scène réelle par un capteur. La numérisation
d’une image consiste à passer de la représentation continue à discrète. Une image peut être
définie par une fonction, f(x, y), où x et y sont des coordonnées spatiales planes. L’amplitude
de f pour chaque paire de coordonnées (x, y) est appelée intensité de l’image au point donné.
Une image peut alors être assimilée à une matrice de points appelés « pixels ».

1. Images à niveaux de gris:

Le niveau de gris est la valeur de l’intensité lumineuse en un point. La couleur du pixel peut
prendre des valeurs allant du noir au blanc Cette valeur peut être comprise par exemple entre
0 et 255. Chaque pixel n'est donc plus représenté par 1 bit, mais par 1 octet.

Figure1:Sous image de taille 5×5

2
Detection de contour d’une image niveaux de gris

II. La détection de contour:

La détection de contour est une étape préliminaire à de nombreuses applications de l'analyse

d'images. Les contours constituent en effet des indices riches, au même titre que les points
d'intérêts, pour toute interprétation ultérieure de l'image.

Il s’effectue classiquement de deux manières. La première « approche Gradient ». Tandis que la

deuxième « approche Laplacien »

Il convient, avant de détailler ces deux approches de donner la définition d’un contour.

Les contours dans une image proviennent des : discontinuités de la fonction de réactance
(texture, ombre), discontinuités de profondeur (bords de l'objet), et sont caractérisés par des
discontinuités de la fonction d'intensité dans les images

Figure2: Exemple réal de l’existence des contours

Figure3 : Types des contours

3
Detection de contour d’une image niveaux de gris

Le principe de la détection de contours repose donc sur l'étude des dérivées de la fonction
d'intensité dans l'image : les extrema locaux du gradient de la fonction d'intensité et les
passages par zéro du Laplacien.

Robert

Gradient Sobel

Detection
Prewitt
de countour
laplacien de
Laplacien
gaussien

Figure4 : schéma des méthodes classiques de detection de contour

III. Domaine d’application :

La détection des contours est l'outil principal pour la reconnaissance de formes, la
segmentation d'images et l'analyse de scènes. Il est une tâche extrêmement populaire dans des
domaines tels que la vision par ordinateur et le traitement d'images. Il n'est pas difficile de
comprendre pourquoi : en tant qu'êtres humains, nous dépendons de la détection des contours
pour des tâches telles que la perception de la profondeur et la détection d'objets dans notre
champ de vision, c'est par exemple une étape indispensable à la reconnaissance de formes.
Ces algorithmes sont également utilisés en imagerie médicale, cartographie…

Figure4 : Différance entre la detection humane des contours et de l’ordinateur

4
Detection de contour d’une image niveaux de gris

IV. Le Bruit :
En général, le bruit d’images est considéré comme un champ aléatoire caractérisé par sa
densité de probabilité et sa fonction de répartition .La nature plus ou moins impulsionnelle du
bruit peut être décrite à l’aide de densité de probabilités de la forme
𝜶)
𝒇 = 𝑪. 𝒆(−𝑲|𝝏| (01)
Un bruit dans une image est considéré comme un phénomène de brusque variation de
l’intensité d’un pixel par rapport à ses voisins, et sa affecter négativement l’information de
l’image … on peut le remarque sa dans l’exemple [Figure 5].

Figure5: Detection de contour au préséance de bruit

V. Le Filtrage:

Le principe du filtrage est de modifier la valeur des pixels d'une image, généralement dans le
but d'améliorer son aspect. En pratique, il s'agit de créer une nouvelle image en se servant des
valeurs des pixels de l'image d'origine

Figure6 : réduisent de bruit par convolution avec une fonction gaussienne

5
Detection de contour d’une image niveaux de gris

VI. Approche Gradient:

Le principe classique de la détection de contours dans cette méthode repose sur l'étude de la
première dérivées de la fonction d'intensité dans l'image( les extrema locaux du gradient de la
fonction d'intensité).

Figure7 : premier dérivative

On considère cette équation de la première dérivée dans un cas continu ( ∆𝑥 tant vers 0)
𝑑𝑓 𝑓(𝑥)−𝑓(𝑥−∆𝑥)
= 𝑙𝑖𝑚∆𝑥→0 = 𝑓 ′ (𝑥) (02)
𝑑𝑥 ∆𝑥

Mais comme si l’image numérique est sous forme discrète on place « ∆𝑥 » par un « 1 ».
𝑑𝑓
𝑑𝑥
= 𝑓(𝑥) − 𝑓(𝑥 − 1) = 𝑓 ′ (𝑥) (03)

L’équation est en fonction des pixels de limage [Figur8], il signifie seulement de multiple
par se filtre [-1 1] qui applet Backward difference , c’est pas le seule filtre on peut considère
encore :

Forward difference:
𝑑𝑓
𝑑𝑥
= 𝑓(𝑥) − 𝑓(𝑥 − 1) = 𝑓 ′ (𝑥) (04)

[1 -1]

Central difference:
𝑑𝑓
𝑑𝑥
= 𝑓(𝑥) − 𝑓(𝑥 − 1) = 𝑓 ′ (𝑥) (05)

[-1 0 1] Figure8: localisation des pixels

. dans limage

6
Detection de contour d’une image niveaux de gris

Dérivée en deux dimensions :

On n’oublie pas que l’image a deux dimension donc il faux que le drivée une fois par rapport
a « x » et une autre par rapport a « y » comme suit :
𝑑𝑓 𝑓(𝑥+1,𝑦)−𝑓(𝑥,𝑦)
𝑑𝑥
= ∆𝑥
= 𝑓 (𝑥 + 1, 𝑦) − 𝑓(𝑥, 𝑦) (06)

𝑑𝑓 𝑓(𝑥,𝑦+1)−𝑓(𝑥,𝑦)
𝑑𝑦
= ∆𝑥
= 𝑓 (𝑥, 𝑦 + 1) − 𝑓(𝑥, 𝑦) (07)

En plus l'Orientation des axes [Figure9] les équitations devenues comme suit :
𝑑𝑓
𝑑𝑥
= 𝑓(𝑖 + 1, 𝑗 ) − 𝑓(𝑖, 𝑗) (08)

𝑑𝑓
= 𝑓(𝑖, 𝑗 ) − 𝑓(𝑖, 𝑗 + 1) (09)
𝑑𝑦

Figure9 : Orientation des axes.

Le vecteur gradient est défini au point M(x, y) par :

𝑑𝐴 𝑑𝐴
⃗ 𝐴(𝑥, 𝑦) = (
∇ , )
𝑑𝑥 𝑑𝑦

Figure10: Orientation du contour

⃗ 𝐴(𝑥, 𝑦) est normal à la courbe de niveau donnée par A(x, y) = cstt qui passe par M.
∇

Au point M(x, y) l’orientation Φdu gradient est donnée par :

𝑑𝐴
𝑑𝑦
Φ = 𝑎𝑟𝑐𝑡𝑎𝑛 ( ) 𝑑𝐴
(10)
𝑑𝑥

𝑑𝐴 2 𝑑𝐴 2
Et sa norme est : |𝛻 𝐴(𝑥, 𝑦)| = √( ) + ( ) (11)
𝑑𝑥 𝑑𝑦

7
Detection de contour d’une image niveaux de gris

Filtre de Roberts :
Calculé sur 4 points, ce filtre consiste en l'application du double masque suivant

En pratique, le filtre de Roberts se calcule de la façon suivante :

𝑑𝑓
𝑑𝑥
(𝑥, 𝑦) = 𝑓(𝑥, 𝑦) − 𝑓(𝑥 + 1, 𝑦 + 1) (12)

𝑑𝑓
𝑑𝑥
(𝑥, 𝑦) = 𝑓(𝑥 + 1, 𝑦) − 𝑓(𝑥, 𝑦 + 1) (13)

Filtre de Prewitt et Filtre de Sobel :

Autres méthodes pour calculés les filtres sur 9 points:

𝑎0 𝑎1 𝑎2
[𝑎7 [𝑖, 𝑗] 𝑎3] 𝑀𝑥 = 𝑎2 + 𝑐𝑎3 + 𝑎4 − (𝑎0 + 𝑐𝑎7 + 𝑎6) (14)
𝑎6 𝑎5 𝑎4

𝑀𝑦 = 𝑎6 + 𝑐𝑎5 + 𝑎4 − (𝑎0 + 𝑐𝑎1 + 𝑎2) (15)

Si en fixe c=1, on obtient le filtre de Prewitt qui effectue une moyenne locale sur 3 points en
même temps que la dérivation. Il est défini par le double masque suivant (normalisé par un
facteur de 1/3)

Et si en le fixe a 2, on obtient le filtre de Sobel qui est une variante du filtre de Prewitt mais
permet de privilégier le calcul suivant certaines directions (horizontale, verticale, obliques). Les
filtres sont donc les suivants

8
Detection de contour d’une image niveaux de gris

Filtre de Canny :
L'algorithme a été conçu par John Canny en 1986 pour être optimal suivant trois critères
clairement explicités :
Bonne détection : faible taux d'erreur dans la signalisation des contours (Minimiser la
probabilité de faux positif et faux négative)
Bonne localisation : minimisation des distances entre les contours détectés et les contours réels
Clarté de la réponse : une seule réponse par contour et Minimiser le nombre de maxima locaux
autour de vrai bord.

Exemples : par des codes MATLab on a détecte ces contours par des déférentes méthodes …

VII. Approche Laplacien:

Le principe classique de la détection de contours dans cette méthode repose sur l'étude de la
deuxième dérivée de la fonction d'intensité dans l'image (les passages par zéros du Laplacien
de la fonction d'intensité).

On considère cette équation de la deuxième dérivée dans un cas continu (h tant vers 0)

𝑓′(𝑥−ℎ)−𝑓 ′(𝑥)
𝑓 ′ ′(𝑥) = 𝑙𝑖𝑚ℎ→0 ℎ
= 𝑓′(𝑥 + 1) − 𝑓′(𝑥) (16)

Mais comme si l’image numérique est sous forme discrète on place « ℎ » par un « 1 ».

𝑓 ′′ (𝑥) = 𝑓(𝑥 + 2) − 2𝑓 (𝑥 + 1) + 𝑓(𝑥) (17)

9
Detection de contour d’une image niveaux de gris

Laplacien :
𝑑 𝑑
𝑑2 𝑑2
En mathématique : ∇2 = ∇. ∇= (𝑑𝑥 𝑑𝑥
𝑑 ).( 𝑑 ) = + (18)
𝑑𝑥 2 𝑑𝑦 2
𝑑𝑦 𝑑𝑦

Donc c’est une procédure de double différenciation représentée par la somme des dérivées
secondes partielle de I(x,y) (intensité lumineuse au point de coordonnée x et y

Ou :

Laplacien de Gaussien :

C’est la deuxième dérivée de la gaussienne (Figure11)

Figure11 : Laplacien de Gaussien

Conclusion :
Dans ce rapport nous avons présenté quelques méthodes de détection de contour à savoir
les méthodes des principes généraux d’utilisation des méthodes de dérivation :

Utilisation du gradient et Utilisation du Laplacien.

Dans ces derniers la Dérivées de second ordre : Opérateur Laplacien, Filtre de Canny,
Laplacien de Gaussien…

10