Année 2022

Examen de Traitement d’Images : Concepts de base

Enseignante : S. Le Hégarat

Exercice I

1. On veut détecter des structures fines (i.e. avec au moins une dimension petite). Pour cela on considère
des éléments structurants ligne de longueur 2 pixels et d’orientations respectives 0°, 45°, 90° et -45°. On
réalise les ouvertures par chacun de ces éléments structurants et on compte le nombre de réponses
positives (1 sur le résultat de l’ouverture) en chaque pixel. Quelle valeur est attendue pour une structure
isotrope ? pour une structure fine ? en déduire un critère de détection des structures fines quelle que soit
leur direction.
2. En application de la méthode précédente, tracez les résultats respectifs de l’ouverture par chacun des 4
éléments structurants sur l’image binaire où les pixels à 1 sur l’image initiale correspondent aux cases en
rouge sur les figures ci-dessous, puis la somme des réponses (valeurs entre 0 et 4) et le résultat de
l’application de votre critère de détection des structures fines (valeurs binaires).

1 1
Ouverture par 1 1* par par
1* 1*

Ouverture par 1 somme des réponses détections

1*

-1-
 Année 2022

Exercice II

On veut reconnaitre des chiffres sur une image relativement bruitée comme ci-dessous :
3 5 6 5 6 6 4 7 9 6 3 6 5 6 5 3
4 5 6 4 4 6 7 4 0 6 6 4 4 5 7 7
4 6 7 8 10 13 4 5 3 7 4 10 8 8 5 5
6 3 12 12 11 12 12 2 5 1 8 9 9 9 3 7
7 6 10 7 3 8 9 4 5 5 10 11 11 8 6 6
8 8 11 5 6 5 12 5 5 6 12 7 15 11 5 5
5 6 11 4 4 5 9 9 3 9 12 4 13 9 5 4
5 5 11 13 11 11 9 5 8 15 4 6 9 10 4 4
6 6 4 11 11 9 8 5 6 6 6 6 7 14 7 4
4 4 8 5 4 5 12 6 8 3 8 5 14 11 4 4
5 9 9 6 5 5 9 6 4 6 4 6 12 9 5 4
6 7 5 4 7 8 12 5 7 5 4 5 8 12 4 7
7 5 10 12 9 10 11 6 6 4 5 2 14 12 7 6
4 4 3 10 10 7 2 6 5 5 5 6 9 12 5 4
5 7 4 5 6 4 5 5 6 5 6 6 4 8 6 5
3 3 5 4 7 5 6 5 2 6 4 2 6 7 5 5

1) Quelle est la nature du bruit ? On donne l’histogramme ci-dessus

2) On pense d’abord à appliquer un filtre sur l’image pour éliminer le bruit. Discuter du choix de ce
filtre en argumentant par rapport à la nature du bruit et au contenu des images.
3) Finalement, on décide d’appliquer un filtre médian 4-connexité. Compléter les valeurs manquantes
sur l’image ci-dessous.
4 5 6 6 6 6 7 6 7 6 6 5 6 5 6 5
4 5 6 5 6 6 4 5 4 6 4 6 5 6 5 6
5 10 10 7 4 5 4 7 8 8 8 5 6
5 11 12 9 5 3 5 8 9 9 8 6 6
7 7 8 9 5 5 5 10 10 11 9 6 6
8 8 10 6 5 6 9 5 5 11 9 5 5
6 6 11 5 5 5 9 5 8 9 10 5 5
5 6 11 11 11 9 9 8 6 9 9 5 4
6 5 8 11 11 9 9 6 6 6 6 6 9 10 4 4
5 6 5 6 5 5 8 6 6 6 5 6 11 11 5 4
6 7 8 5 5 5 9 6 6 4 6 5 9 11 4 5
7 6 7 6 6 5 5 5 5 12 9 7 5
6 7 5 10 6 6 5 4 5 9 12 6 7
5 4 4 10 5 6 5 5 6 9 9 6 5
5 4 5 5 6 5 5 5 5 6 5 6 6 7 5 5
3 4 4 5 6 6 5 5 6 5 5 5 5 7 6 5

4) Après filtrage, on décide d’appliquer un c-means avec c=2. Quelles autres méthodes auraient pu
être envisagée pour binariser l’image ?
5) On obtient 1=5 et 2=10. Tracer le résultat de la binarisation de l’image en coloriant les pixels à la
valeur 1 (après binarisation) sur la figure complétée à la question 3.

-2-
 Année 2022

6) Le résultat n’est pas si satisfaisant. Aussi acquière-t-on une deuxième image et on moyenne les
valeurs pixel à pixel avec la première image acquise. Comment qualifieriez-vous ce traitement en
termes de filtrage par exemple ?
7) Le résultat est donné ci-dessous : qu’en pensez-vous ?
6 5 6 5 7 6 6 7 7 4 4 6 5 4 4 5
5 5 5 4 5 6 7 5 3 6 7 5 5 5 6 7
5 6 7 8 11 12 5 5 4 7 6 11 9 9 6 4
5 4 11 12 13 13 10 3 6 5 8 10 10 9 4 6
6 7 10 5 3 8 11 6 5 5 9 11 11 8 4 7
7 7 11 4 5 4 10 6 6 7 12 7 12 11 6 6
6 5 11 5 5 5 10 6 5 9 12 5 12 10 5 4
4 4 11 10 10 12 12 6 7 14 4 6 9 11 5 6
6 5 4 12 10 11 10 7 6 6 5 6 8 11 7 4
5 4 7 5 4 7 11 7 7 5 6 4 12 9 6 5
6 8 6 6 4 5 9 5 6 7 4 6 9 11 5 6
5 5 5 6 7 8 9 6 5 6 5 5 9 13 5 8
6 5 10 12 10 12 10 5 6 5 6 4 12 12 7 7
5 4 7 11 8 10 4 5 6 6 5 7 10 11 6 4
6 6 5 6 7 5 3 5 6 5 5 6 6 7 6 4
4 5 6 4 6 5 5 4 4 5 4 3 6 5 5 4

8) Il reste cependant quelques faux positifs résiduels. Désignez-les. Comment proposez-vous de les
éliminer ?
9) Pour reconnaitre les chiffres on a besoin de détecter les « trous », les extrémités et de les situer
relativement.
a) Comment proposez-vous de détecter les trous ? comment caractériseriez-vous leur position ?
b) Comment proposez-vous de détecter les extrémités ? comment caractériseriez-vous leur
position ?
10) Donner le schéma fonctionnel de traitement de l’image enchainant : prétraitements de l’image,
isolement des chiffres et, pour chacun, détection des caractéristiques et reconnaissance à base de
règles de décision.

Bonus : Connaissez-vous d’autres approches qui ont de très bonnes performances pour la
reconnaissance de chiffres ?

-3-
 Année 2021

Examen de Traitement d’Images : Concepts de base

Enseignante : S. Le Hégarat

I - Problème

Pour détecter des points d’intérêt, aussi appelé points clés, on peut déterminer, pour un pixel p, dans
son voisinage 8-connexe, la plus longue chaine de pixels consécutifs présentant une différence (en
valeur absolue) avec le pixel central supérieure à un seuil donné s. On note cette longueur L(p).
11) Soit les 3 cas suivants :
+
+ +

a. Région homogène b. contour c. coin

a. Pour chacun de ces cas, donner les valeurs attendues pour L(p) en p indiqué par la croix rouge.
b. En déduire le seuil sur L(p) pour que p soit considéré comme un point d’intérêt.

12) Soit l’image suivante et son histogramme :

a. Quel seuil choisiriez-vous pour le calcul de s ?
b. Indiquer (en dessinant directement à la main)
au moins 10 points clés sur l’image.

13) Si vous deviez utiliser un algorithme de clustering de type c-means, combien de classes choisiriez-
vous ? Donner les valeurs attendues des moyennes
14) Soit l’image à niveau de gris suivante :
4 2 4 3 2 2 4 2 3 3 2 3 2 3 3 4 3 4 3 3 1 2 3 4
3 2 3 3 2 3 2 3 3 0 2 1 4 1 3 2 2 3 2 3 5 2 2 3
4 2 3 4 3 2 3 3 3 3 3 3 2 2 3 12 3 3 5 4 4 3 3 2
3 2 2 3 3 4 2 4 2 2 4 4 4 3 2 2 13 3 2 3 3 3 2 2
1 5 3 4 3 4 2 3 3 3 3 4 2 3 4 3 3 12 3 4 4 1 4 2
4 3 3 12 12 12 12 11 13 12 13 12 13 11 12 12 12 12 12 4 4 4 1 4
4 5 3 4 3 3 2 2 3 4 3 5 2 3 4 3 3 12 3 1 3 4 2 5
2 2 2 2 2 3 3 3 4 3 3 3 2 2 2 2 13 3 2 4 4 3 2 3
3 2 1 3 2 2 1 4 4 3 3 3 3 2 3 12 3 3 2 4 2 4 1 3
2 4 4 2 3 4 4 3 4 4 2 4 4 1 3 2 2 3 3 2 4 4 2 3
4 4 3 3 3 4 3 1 4 3 3 1 4 2 3 4 1 5 2 3 3 4 3 2
Figure 1 : Image des données
a. Sur combien de bits minimum est codée cette image ?
b. Pour s=5, indiquer les points clés et les longueurs L(p) associées
15) On veut à présent calculer un descripteur associé à ces points clés. Pour cela, on calcule quatre
images de gradient directionnel en utilisant les masques suivants :
-1 1 -1 -2 -1 -2 -1 -1 -2
-2 2 -1 1 1 -1
-1 1 1 2 1 1 2 2 1

-4-
 Année 2021

a. De quel type de masque s’agit-il ? Pourquoi y en a-t-il quatre ?

b. Complétez les valeurs manquantes (8 valeurs localisées sur la flèche) sur la Figure 2.

1 5 4 3 2 1 1 5 3 2 3 1 0 13 2 7 2 0 3 4 5 3
3 6 0 3 1 2 1 5 1 3 0 3 1 20 10 16 7 2 2 3 6 2
1 3 2 0 3 0 1 4 4 5 2 4 1 8 21 2 20 7 2 4 3 2
2 8 10 1 3 3 3 1 2 4 2 4 1 0 9 19 11 24 5 6 4 1
1 16 1 2 4 4 4 0 2 2 5 2 2 2 18 0 15 0 7 2
3 7 9 1 1 3 4 5 1 2 3 6 3 1 9 19 11 29 6 5 7 2
3 0 1 0 0 1 6 1 3 1 3 5 2 10 21 2 23 8 4 1 6 0
2 0 1 1 0 3 7 1 5 0 1 6 1 21 10 16 12 2 3 1 6 3
1 4 1 4 1 3 4 3 6 2 5 6 3 14 4 6 2 3 3 5 5 5

1 1 2 3 0 1 1 1 1 2 1 1 2 7 16 7 0 4 7 8 5 1
1 2 0 3 3 2 1 1 5 9 8 5 3 0 22 11 0 2 3 0 0
3 3 0 2 3 0 1 0 0 1 2 2 3 6 17 0 16 5 2 2 3 0
4 12 28 35 35 35 35 39 40 36 34 34 35 38 29 17 27 30 13 4 2 1
3 0 0 1 2 2 2 0 2 2 2 1 0 0 0 0 0 3 7 2 3 2
5 13 31 39 37 35 34 35 37 38 39 40 39 39 29 17 29 10 1 1 0
9 8 5 4 4 1 4 3 1 3 3 1 2 6 17 0 19 8 4 1 2 4
6 6 3 3 4 3 1 1 1 0 3 4 1 1 10 22 10 0 3 1 2 1
7 6 3 4 7 3 4 3 0 2 3 0 1 8 18 10 2 1 1 1 3 3

2 4 2 1 2 1 0 1 1 2 2 2 0 19 7 1 3 2 6 2 2 1
3 3 0 1 1 3 1 3 4 10 6 3 1 11 20 4 2 1 1 3 6 1
0 5 1 1 1 1 0 2 2 4 1 1 3 2 2 1 2 0 1 6 3 2
3 20 29 27 25 23 30 27 32 30 25 22 26 28 29 28 7 4 6 0 3 2
3 7 9 2 3 5 2 3 1 4 1 3 3 1 2 18 0 11 1 4 6
6 4 12 29 28 28 23 23 29 27 32 33 29 28 9 8 37 16 1 6 0
9 6 3 4 4 1 7 3 2 2 3 6 1 17 18 1 22 16 3 4 6 3
4 3 3 4 4 3 5 1 4 1 3 3 1 11 0 18 21 0 2 0 4 1
4 2 3 5 5 1 3 1 4 4 2 4 1 5 13 15 1 1 2 3 0 3

0 4 4 5 2 1 0 3 3 0 0 0 2 5 9 15 1 2 6 8 6 3
1 5 0 3 3 1 1 7 2 4 4 7 3 9 0 18 20 1 5 1 4 1
0 1 1 3 3 1 2 2 2 2 3 5 1 16 18 1 16 14 3 2 1 0
3 2 9 25 29 27 26 29 28 24 27 28 28 28 9 8 29 36 18 6 5 2
3 7 0 1 1 4 3 1 0 3 5 3 1 2 18 0 3 1 4 2
2 20 30 29 28 24 29 29 27 29 28 25 31 30 29 28 7 1 4 3 6 2
3 6 5 2 2 1 3 1 2 4 1 2 3 3 2 1 2 2 1 0 2 3
4 5 3 0 2 1 3 1 4 1 1 7 3 11 20 4 1 2 4 2 6 3
6 6 3 1 5 3 5 5 4 0 4 2 3 21 7 1 1 3 2 3 6 5

Figure 2 : Résultats des filtrages par les 4 masques proposés, en valeur absolue du résultat.
c. Pour trouver l’orientation du gradient, on regarde en chaque pixel quel est le masque qui a
donné la réponse maximale et, si cette réponse est supérieure à un seuil t. Pourquoi impose-t-on
une contrainte sur la valeur minimale du gradient directionnel ? Exprimez le calcul de la
direction à l’aide de l’opérateur argmax.
d. La figure suivante donne les maxima trouvés en chaque pixel.

-5-
 Année 2021

2 5 4 5 2 1 1 5 3 2 3 2 2 19 16 15 3 4 7 8 6 3
3 6 0 3 3 3 1 7 5 10 8 7 3 20 20 22 20 2 5 3 6 2
3 5 2 3 3 1 2 4 4 5 3 5 3 16 21 2 20 14 3 6 3 2
4 20 29 35 35 35 35 39 40 36 34 34 35 38 29 28 29 36 18 6 5 2
3 16 18 2 3 5 4 4 2 4 3 5 3 2 2 18 0 35 15 2 7 6
6 20 31 39 37 35 34 35 37 38 39 40 39 39 29 28 29 37 16 5 7 2
9 8 5 4 4 1 7 3 3 4 3 6 3 17 21 2 23 16 4 4 6 4
6 6 3 4 4 3 7 1 5 1 3 7 3 21 20 22 21 2 4 2 6 3
7 6 3 5 7 3 5 5 6 4 5 6 3 21 18 15 2 3 3 5 6 5

A partir des données suivantes, proposez une valeur pour t en argumentant votre choix.
H |C1||C2|(mu1-
n cumulé H mu1 |C1| mu2 |C2| mu2)^2
0 0 11,33 198 0
3 66 66 3 66 15,5 132 1167
6 120 54 4,35 120 22,08 78 1715
9 134 14 4,836 134 24,94 64 1862
12 135 1 4,889 135 25,14 63 1868
15 139 4 5,18 139 25,83 59 1870
18 149 10 6,04 149 27,43 49 1828
21 162 13 7,241 162 29,75 36 1719
24 165 3 7,545 165 30,27 33 1677
27 165 0 7,545 165 30,27 33 1677
30 172 7 8,459 172 30,35 26 1464
33 173 1 8,601 173 30,24 25 1423
36 186 13 10,52 186 24 12 637
39 196 10 11,97 196 0 2 237
42 198 2 12,27 198 0 0 0

e. Complétez les valeurs manquantes (6 valeurs dans des cases colorées) sur la Figure 3 qui
correspond aux orientations stockées.

45 0
90 0 -45
-45 90 90
45 45 0 0 0 0 0 0 0 0 0 0 0 45 -45 -45 -45
90 90
-45 0 0 0 0 0 0 0 0 0 0 0 0 0 -45 45 45 45
90 90 45
90 0 45
-45 0

Figure 3 : Résultats du calcul de la direction du gradient par pixel ; les cases vides correspondent à
des directions non significatives.
f. Sur un voisinage 8-connexité, on calcule l’histogramme 4-bins (un par direction considérée)
des orientations du gradient où chaque vote est pondéré par la valeur du gradient directionnel
maximum trouvé divisée par 10 (pour ne pas avoir de trop grand nombre). Par exemple, au
pixel de coordonnées (ligne, colonne) = (5,15), il y a 7 votants dont 4 pour l’orientation 0 avec
comme poids respectifs 3.8, 2.9, 3.9 et 2.9.
Calculez et comparez les histogrammes obtenus aux pixels de coordonnées extrémités de la
flèche (en rouge sur la Figure 2 par exemple).

-6-
 Année 2020

Examen de Traitement d’Images : Concepts de base

Enseignant : S. Le Hégarat

I - Exercice 1

Soit un problème de reconnaissance de forme, en l’occurrence de chiffres.

Soit l’image à niveau de gris suivante :

15 28 66 54 63 39 97 48 57 3 54 70 28 14 74 70 37 23 85 62 77 27 91 32
24 12 30 54 32 38 34 53 65 100 39 82 46 47 39 89 16 0 51 17 84 42 92 79
61 11 44 71 159 144 9 71 160 158 58 54 57 132 153 139 79 60 57 140 155 13 5 8
90 35 48 158 151 60 45 158 80 67 161 26 79 163 19 53 4 72 168 77 87 131 39 14
43 2 104 36 157 0 44 7 44 19 163 53 63 141 50 47 30 26 132 51 79 161 46 50
27 80 51 84 164 82 65 29 72 142 26 63 61 148 155 156 86 20 24 147 165 134 46 53
26 33 74 36 144 113 0 49 26 58 150 18 0 52 17 166 85 59 44 26 77 140 40 91
56 40 85 72 140 24 50 135 0 10 160 32 45 65 16 152 40 17 30 83 86 155 81 0
70 91 12 26 149 18 16 85 146 162 93 24 35 135 142 141 84 61 108 167 161 38 42 70
44 40 65 88 26 89 33 63 66 79 18 14 81 64 25 46 45 64 0 38 78 38 64 50
39 46 30 75 42 72 82 47 79 51 63 50 45 64 36 90 0 52 28 41 69 62 38 39
Figure 1 : Image des données
1) La première étape du traitement consiste à séparer le fond des objets d’intérêt (ici les chiffres).
Pour cela on veut appliquer l’algorithme d’Otsu.
a- Rappelez en quoi son critère (Equation 1) est optimal.

ˆ 1, ˆ 2   arg max C1 C2 1   2 2  (1)

1, 2

b- Appliquez l’algorithme précédent sur l’image de la Figure 1. Pour cela vous compléterez
l’histogramme et les valeurs manquantes dans le tableau suivant où |Ci| et i sont
respectivement le nombre d’éléments et la moyenne de la classe i, et COtsu = C1 C 2 1   2 2 .

c- Pourquoi n’a-t-on pas calculé les valeurs dans les 4 dernières cases ?
d- On choisit d’appliquer un seuillage à hystérésis avec pour seuils 90 et 105. Rappelez le
principe de ce type de seuillage et expliquez pourquoi on a fait ce choix. Expliquez
pourquoi le résultat est celui donné sur la Figure 2, en particulier quelle connexité a été
considérée.

-7-
 Année 2020

Niv.gris ≤15 ≤30 ≤45 ≤60 ≤75 ≤90 ≤105 ≤120 ≤135 ≤150 ≤165 ≤180
H cumulé 24 60 175 208 216 224 239 261
|C1| 24 264
1 7.5 16.5 25 46.5 49 51 57 65.5 66.5
|C2| 240 0
2 72.5 81.5 92.5 142 149.5 155 162 / /

COtsu 4946 7194 10035 10332 10314 10246 8148 / /

Tableau 1 : Calcul du critère d’Otsu

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 1 1 0 0 1 1 0 0 0 1 1 1 0 0 0 1 1 0 0 0
0 0 0 1 1 0 0 1 0 0 1 0 0 1 0 0 0 0 1 0 0 1 0 0
0 0 1 0 1 0 0 0 0 0 1 0 0 1 0 0 0 0 1 0 0 1 0 0
0 0 0 0 1 0 0 0 0 1 0 0 0 1 1 1 0 0 0 1 1 1 0 0
0 0 0 0 1 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0
0 0 0 0 1 0 0 1 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0
0 0 0 0 1 0 0 0 1 1 1 0 0 1 1 1 0 0 1 1 1 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Figure 2 : Image binaire obtenue après prétraitement.
2) On veut maintenant reconnaître les chiffres. Pour reconnaitre ces derniers, on décide de se
baser sur des caractéristiques simples, à savoir les extrémités et les trous dont on devra
déterminer le nombre et la position par rapport au barycentre de chaque chiffre.
a- Quelle est l’opération qui permettra de séparer les quatre chiffres présents sur la figure ?
Citez deux algorithmes permettant cette opération.
b- Proposez un algorithme très simple pour calculer le barycentre (ligne, colonne) de chaque
chiffre (après séparation à la question précédente).
c- Pour détecter les extrémités, on recherche pour chaque pixel à 1 la plus longue chaine de 0
consécutifs dans le voisinage 8-connexité. Calculer ce nombre pour chacun des 1 de la
Figure 2 (l’écrire dans la case correspondante). Proposez un critère par rapport à ce nombre
pour ne retenir que les ‘vraies’ extrémités et discutez sa robustesse.
d- Rappelez comment peut-on facilement obtenir le nombre de trous (par chiffre).
e- Est-ce que les trois éléments de critère mentionnés sont suffisants pour distinguer tous les
chiffres ? Sinon, quelles sont les ambigüités restantes ?

-8-
 Année 2020

II - Questions

1) Pour un élément structurant disque, à quoi est équivalent une fermeture de rayon 3 suivie d’une fermeture
de rayon 2 ? Citer la propriété justifiant la réponse.
2) Pour un élément structurant disque, à quoi est équivalent une érosion de rayon 3 suivie d’une érosion de
rayon 2 ? Citer la propriété justifiant la réponse.
3) Pour un élément structurant compact convexe, un ensemble de pixels également convexe est-il invariant
par ouverture ? par fermeture ? Si non, donner un contre-exemple.
4) Soit l’élément structurant suivant où l’astérisque indique le centroïde : 1* 1 1

Tracez les résultats respectifs de l’ouverture et de la fermeture l’image binaire suivante :

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 1 1 1 1 0 0 1 0 0 1 0 0 0 0 1 1 1 1 0 0 1 0 0 1 0 0
0 0 1 1 0 0 0 0 1 0 0 1 0 0 0 0 1 1 0 0 0 0 1 0 0 1 0 0
0 0 1 1 0 0 0 0 1 0 0 1 0 0 0 0 1 1 0 0 0 0 1 0 0 1 0 0
0 0 1 1 0 0 0 0 1 0 0 1 0 0 0 0 1 1 0 0 0 0 1 0 0 1 0 0
0 0 1 1 0 0 0 0 1 0 0 1 0 0 0 0 1 1 0 0 0 0 1 0 0 1 0 0
0 0 1 1 0 0 0 0 1 0 0 1 0 0 0 0 1 1 0 0 0 0 1 0 0 1 0 0
0 0 1 1 0 0 0 0 1 1 1 1 0 0 0 0 1 1 0 0 0 0 1 1 1 1 0 0
0 0 1 1 1 1 0 0 1 1 1 1 0 0 0 0 1 1 1 1 0 0 1 1 1 1 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

5) Quel est l’intérêt de réaliser une segmentation sur une image ?

6) Quel type de contours permet d’obtenir une segmentation ? Donnez un filtre permettant d’obtenir de tels
contours.

7) Pour une image incluant des objets très fins (jusqu’à un pixel d’épaisseur), quels détecteurs de contours
choisiriez-vous ?

-9-
 Année 2019

Examen de Traitement d’Images : Concepts de base

Enseignant : S. Le Hégarat

I - Exercice 1

Soit un problème d’estimation de deux populations de bactéries qui se distinguent par leur forme
plus ou moins allongée, plus ou moins longue.

3) La première étape du traitement consiste à séparer le fond des objets d’intérêt (ici les bactéries).
Pour cela on veut réaliser une segmentation.
e- Rappeler ce qu’est une segmentation et citer les méthodes vues en cours en commentant
brièvement leur pertinence pour ce problème.
f- On a l’idée de l’algorithme de segmentation suivant :
-- Tirer
Tirerdeux
deuxgermes
germesinitiaux
initiauxselon
selondeux
deuxmodes
modesprincipaux
principauxdedel’histogramme
l’histogramme
-- Initialiser
Initialiserdeux
deuxrégions
régionsR(i),
R(i),i{1,2},
i{1,2},avecavecchacun
chacun des
des germes,
germes, leurs centroïdes i i àà la
leurs centroïdes la
valeur(niveau
valeur (niveaude degris
gris) )du
dugerme,
germe,etetlelenombre
nombredederégions
régionsààN=2
N=2
-- Tant
Tantquequ’il reste des
il reste des pixels
pixels qui
qui n’appartiennent
n’appartiennent àà aucune
aucune région
région ::
Pourchaque
oo Pour chaquerégion
régionR(i),
R(i),i{1,N}:
i{1,N}:
 Re-calculer
Re-calculer son centroïde ii comme
son centroïde comme la la moyenne
moyenne des des valeurs
valeurs des
des pixels
pixels
dans
dansR(i)
R(i);;
 Pour
Pourpixel
pixelssvoisin
voisinenen4-connexité
4-connexitédudubord
borddedeR(i),
R(i),etetde
devaleur
valeuryyss::
2
 Soit
 Soitj arg
j lemin y s  kde région le plus proche de ys
centroïde
k1,N 
 Si j=i, alors mettre s dans R(i)
 Si
 j=i, alors mettre s dans R(i)
Sinon,
 Sinon, o Si s est aussi voisin de j, alors mettre s dans R(i)
o Sio s Sinon
est aussiinitier
voisin une
de j, alors mettrerégion
nouvelle s dans R(j)
de germe s et
o Sinon initier une
incrémenter N nouvelle région de germe s et incrémenter N
A quel type de segmentation s’apparente-t-il ?
2
Que signifie l’équation j  arg min y s  k ?
k1,N 

Que doit-on faire lors de l’initialisation d’une nouvelle région l.13 de l’algorithme ?

-10-
 Année 2019

g- Appliquer l’algorithme précédent sur l’image suivante. Pour cela vous donnerez
l’histogramme et préciserez les deux germes choisis.
7 7 7 7 7 7 7 7 7 7 6 6
7 7 7 3 7 7 7 7 7 6 6 6
7 7 3 3 3 7 7 7 6 6 6 5
7 3 3 3 3 3 7 6 6 6 5 5
7 7 3 3 3 7 6 6 6 5 5 5
7 7 7 3 7 7 6 6 1 5 5 5
7 7 7 7 7 6 6 1 1 1 5 5
7 7 7 7 6 6 6 6 1 5 5 5
7 7 7 6 6 6 5 5 1 5 5 5
7 7 6 6 6 5 5 1 1 1 5 5
7 6 6 6 5 5 5 5 1 5 5 5
6 6 6 5 5 5 5 5 5 5 5 5

4) A partir du résultat précédent, on veut en déduire l’image binaire des objets.

a) Expliquez comment vous utiliseriez la reconstruction géodésique binaire pour reconstruire le
fond et créer l’image binaire des objets.
5) On suppose ici que l’image binaire a été obtenue telle que les pixels true sont ceux à 1 ou 3
dans la figure 1 et les autres (de valeurs 5, 6 ou 7) sont à false.
a- Calculer l’érodé ultime pour l’élément structurant horizontal centré de 3 pixels de long :
1 | 1* | 1
b- Calculer le squelette utilisant les points d’ancrage précédents.
c- Pensez-vous que cela permette de distinguer les deux types de bactéries ?

-11-
 Année 2019

II - Exercice 2

En projection perspective, les droites parallèles dans l’espace 3D sont concourantes dans l’image et
se coupent en un même point appelé point de fuite.
1) Trouver au moins deux points de fuite sur l’image gauche ci-dessous.

Les points de fuite peuvent-ils être en dehors de l’image ? à l’intérieur ? à l’infini ?

2) Soit les images suivantes :

(a) (b)

(c) (d)

-12-
 Année 2019

La première (en haut à gauche) est l’image de données. Dites ce que représentent chacune des
autres images et comment elles ont pu être obtenues.
Comment peut-on trouver les droites à partir de la dernière image (d) ?
3) Pour trouver automatiquement les points de fuite en vision par ordinateur on s’intéresse aux
points d’intersection des droites détectées sur l’image. Soit l’image binaire suivante où les 0
sont indiqués par des cases vides.

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1
1 1 1 1
1 1 1 1
1 1 1 1
1 1 1 1
1 1 1 1
1 1 1 1
1 1 1 1
1 1 1 1
1 1 1 1
1 1 1
1 1
1 1
1 1
1 1

a) Sur cette image pour l’exercice on se limite aux points surlignés. Expliquez pourquoi considérer ces
points conduit à s’intéresser aux droites suivantes où b est fonction de a :
b=3-a ; b=6-2a ; b=12-4a ; b=4-4a ; b=9-9a ; b=15-15a ; b=3-6a ; b=5-10a ; b=10-20a
b) Tracer ces droites dans un repère orthonormé. Que remarquez-vous ?
c) A partir de votre figure, expliquez comment vous pouvez calculer les coordonnées du point de fuite
et les calculer.
Aide : pensez à la dualité point/droite pour la transformée considérée.
d) Pourquoi n’a-t-on pas considéré la droite horizontale ?

-13-
 Année 2018

Examen de Traitement d’Images : Concepts de base

Enseignant : S. Le Hégarat

I - Exercice 1

Soit un problème d’estimation de deux populations de

bactéries qui se distinguent par leur forme plus ou
moins allongée, plus ou moins longue.
6) La première étape du traitement consiste à séparer
le fond des objets d’intérêt (ici les bactéries). Citer
au moins deux algorithmes permettant cela en en
donnant les avantages et inconvénients respectifs.
7) La deuxième étape consiste à identifier les bactéries individuellement. Expliquez pourquoi les
trois cas représentés schématiquement ci-dessous correspondent à différentes complexités de
traitement.

(a) (b) (c) (d)

b) Pour le cas (a), donnez une méthode pour identifier les bactéries individuellement, et
rappeler brièvement un algorithme pour cette méthode.
c) Pour le cas (b), en vous appuyant sur les caractéristiques de forme (géométrie, topologie,
convexité etc.) donnez un critère le plus simple possible permettant d’identifier qu’on est
dans cette configuration et un algorithme l’instanciant.
Donnez alors une méthode pour séparer les bactéries en respectant au mieux leur forme.
d) Analysez le cas (c) en regard de ce que vous avez proposez pour le cas (b). Modifiez si
besoin votre approche.
e) Analysez le cas (d) en regard de ce que vous avez proposez pour les cas (b-c). Modifiez si
besoin votre approche.
8) On suppose à présent que les bactéries sont effectivement séparées en tant qu’objets
individuels. On se propose d’utiliser le squelette pour reconnaître les deux populations.
Expliquez pourquoi cela paraît plus avantageux que de travailler directement sur les objets-
bactéries.
9) Ayant l’histogramme suivant des longueurs l de squelette, comment sépareriez-vous les deux
populations de bactéries. En déduire le nombre d’individus de chaque population.
l 3 4 5 6 7 8 9 10 11
n 3 7 7 5 4 2 1 6 5

-14-
 Année 2018

II - Exercice 2

On cherche à reconnaitre des panneaux de signalisation

routière verticale. On admet que l’information de la
couleur (rouge) a déjà été utilisée pour obtenir l’image
binaire IB des pixels susceptibles d’appartenir au panneau.
4) Dans le cas idéal, on aurait un motif du type de celui
sur la Figure 1. On veut alors déterminer le centroide
de chaque panneau en faisant voter chaque pixel pour
la demi-droite médiatrice du segment joignant les
deux extrémités de la plus longue chaine de ‘0’ sur le
cercle 8-connexité autour du pixel considéré. Un exemple est donné sur la Figure 1a avec la
plus longue chaine en gris clair et la ½ médiatrice en rouge. Seuls les points avec une chaine de
longueur supérieure à 5 votent avec la valeur 1 et ceux avec une chaine de longueur égale à 4
votent avec la valeur 0,5.
Tracer sur la Figure 1b les pixels votant et les valeurs cumulées des votes obtenues.

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0
0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0
0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0
0 0 0 1 0 0 0 1 0 0 0 0 0 0 1 0 0 0 1 0 0 0
0 0 1 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0
0 0 1 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0
0 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0
0 0 0 1 0 0 0 1 0 0 0 0 0 0 1 0 0 0 1 0 0 0
0 0 1 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0
0 0 1 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0
0 0 1 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0
0 0 0 1 0 0 0 1 0 0 0 0 0 0 1 0 0 0 1 0 0 0
0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Figure 1a Figure 1b
5) Dans un cas moins idéal et plus réaliste, l’image IB est loin d’être parfaite car elle contient des
pixels faux positifs et des faux négatifs. Pour la suite, on suppose que l’on obtient le motif de la
Figure 2.
a) Proposez un traitement pour éliminer les faux positifs. Pouvez-vous en donner une
interprétation en termes de transformée en tout ou rien ?
b) Quel est l’effet des faux négatifs ?
c) En supposant que les faux négatifs ne sont pas très loin du seuil de détection, quelle(s)
technique(s) connaissez-vous qui permettraient d’en récupérer certains au moins ?

-15-
 Année 2018

0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 1 0 0 0 0 0
0 1 0 0 1 0 1 0 0 0 0
0 0 0 0 1 0 0 0 0 0 0
0 0 0 1 0 0 0 1 0 0 0
0 0 0 0 0 0 1 0 1 0 0
0 0 1 0 0 0 0 0 1 0 0
0 0 1 1 0 1 1 1 1 0 0
0 0 0 0 0 0 0 0 0 0 0
0 1 1 0 0 0 0 0 0 0 0
0 0 0 0 1 1 1 0 0 1 0
0 0 0 0 0 0 0 1 0 0 0
0 0 1 0 0 0 0 0 0 0 0
0 0 1 0 1 0 0 0 1 0 0
0 0 1 0 0 0 0 0 1 0 0
0 0 0 1 0 0 0 1 0 0 0
0 0 0 0 1 0 1 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0
Figure 2
6) On supposa à présent que l’on a estimé correctement le centroide de chaque panneau présent
sur l’image.
a) Proposez un traitement pour extraire chaque panneau en tant qu’ensemble de pixels
correspondant.
b) Quels traitements envisagez-vous sur ces ensembles de pixels (forme etc.) pour interpréter le
panneau au moins en tant que type de signalisation (danger, interdiction etc.) ?

-16-
 Année 2017

Examen de Traitement d’Images : Concepts de base

Enseignant : S. Le Hégarat

I Questions de cours

1. A quoi sert le filtrage passe-bas sur une image et quels sont les filtres les plus usuels ?

2. Pourquoi s’intéresse-t-on aux contours sur une image ? aux points d’intérêt (les
définir) ?

3. Qu’est ce que la transformée de Hough et à quoi sert-elle ?

4. Qu’est-ce que et comment fonctionne la croissance de régions ;

5. Qu’appelle-t-on graphe de régions et à quoi cela sert-il ?

II Problème

Soit l’image I :

51 45 44 1 61 42 66 12 70 65 0 31 23 70 32 6 51 57 88
123 32 40 18 64 56 11 27 58 72 11 0 32 61 40 60 41 62 84
0 94 53 28 133 91 69 101 147 155 67 0 72 46 141 137 64 23 22
97 58 50 153 137 61 70 157 29 34 138 53 13 165 68 23 147 49 31
57 73 141 77 137 51 77 44 56 36 141 38 116 0 69 33 150 45 4
67 76 147 143 156 131 32 11 157 169 42 0 72 0 56 149 51 40 51
46 0 26 0 133 11 26 47 0 48 159 24 4 52 146 24 63 54 0
1 46 120 33 156 0 0 151 53 52 143 16 52 149 62 57 28 90 73
10 0 74 49 165 31 17 38 140 136 88 5 75 166 138 170 152 80 79
36 58 89 1 4 35 94 0 41 136 78 64 76 13 77 88 75 50 64
0 0 102 52 64 44 22 26 10 5 55 37 31 24 103 32 87 17 103

1) On veut binariser cette image automatiquement.

a) Quelle(s) technique(s) connaissez vous qui le permette ?
b) On décide d’appliquer un c-means. Rappelez brièvement l’algorithme classique.
c) Pour accélérer les calculs, on décide de considérer l’histogramme. Expliquez en quoi
l’algorithme suivant est une bonne approximation du c-means classique pour c=2.

-17-
 Année 2017

Algoritme 1:
Initialisations:
N  nombre de bins de l’histogramme ;
Calculer l’histogramme cumulé, noté  ;
Calculer le tableau S des sommes partielles donnant pour chaque bin j, le produit du nombre de pixels
dans le bin, nj, multiplié par la valeur centrale du bin, xj (j[1,N], Sj=xjnj) ;
Calculer le tableau  des sommes partielles cumulées jusqu’à j : j[1,N], j = =ij Si ;
1=1init et 2=2init ;
Répéter jusqu’à convergence:
Calculer le seuil t=(1+2)/2 ; on note j(t) le bin auquel appartient t ;
Calculer les deux sommes Sum1=j(t) =i/ij(t) Sj et Sum2=N-j(t) =i/i>j(t) Sj ;
1= Sum1/j(t) et 2= Sum2/(N-j(t)) ;
Si t(1+2)/2, la convergence n’est toujours pas atteinte ;

d) Appliquez l’algorithme précédent à l’image I. Pour cela, vous compléterez les valeurs
manquantes dans les tableaux partiellement remplis ci-dessous :
Sommes partielles
Valeur max bin Histo-gramme Histo cumulé  Sommes partielles Sj cumul. j
15 35 35 262,5 262,5
30 19 427,5 690,0
45 30 1125,0 1815,0
60 117 1732,5 3547,5
75 146 1957,5 5505,0
90 15 161 1237,5 6742,5
105 8 169 780,0
120 225,0
135 8257,5
150 20 195 11107,5
165 11 206
170 3 209 502,5 13342,5

itération 0 1 2 3 4
1 0 21,6
2 63,3 92,2
t 31,6 56,9 68,4

2) On choisit finalement un seuil à la valeur th=83. Seuiller l’image. Qu’en pensez-vous ?

51 45 44 1 61 42 66 12 70 65 0 31 23 70 32 6 51 57 88
123 32 40 18 64 56 11 27 58 72 11 0 32 61 40 60 41 62 84
0 94 53 28 133 91 69 101 147 155 67 0 72 46 141 137 64 23 22
97 58 50 153 137 61 70 157 29 34 138 53 13 165 68 23 147 49 31
57 73 141 77 137 51 77 44 56 36 141 38 116 0 69 33 150 45 4
67 76 147 143 156 131 32 11 157 169 42 0 72 0 56 149 51 40 51
46 0 26 0 133 11 26 47 0 48 159 24 4 52 146 24 63 54 0
1 46 120 33 156 0 0 151 53 52 143 16 52 149 62 57 28 90 73
10 0 74 49 165 31 17 38 140 136 88 5 75 166 138 170 152 80 79
36 58 89 1 4 35 94 0 41 136 78 64 76 13 77 88 75 50 64
0 0 102 52 64 44 22 26 10 5 55 37 31 24 103 32 87 17 103

a) Expliquez pourquoi même un filtre médian n’est pas envisageable pour améliorer ce résultat.

-18-
 Année 2017

b) On décide alors d’utiliser plutôt un critère sur la taille des composantes connexes. Citer un
algorithme permettant le calcul des composantes connexes. Appliquez l’élimination des
composantes connexes de taille inférieure ou égale à 4 pixels sur l’image obtenue par seuillage à
la valeur th : indiquez les pixels de l’objet éliminés sur le résultat précédent.
c) Avant d’analyser les formes obtenues, on procède à un ébardage. Pourquoi ?
d) Ce traitement peut être réalisé par une transformée en tout ou rien d’élément structurant B1 ou
B2 (et leur variantes par rotation).
* 1 * 1 0 0
B1 0 1 0 B2 0 1 0
0 0 0 0 0 0
Justifiez que l’ébardage sélectionne les pixels vérifiant la double condition : (i) le nombre de
voisins 8-connexes est inférieur ou égal à 3, (ii) la suppression (mise à la valeur 0) du pixel
considéré ne change pas la topologie de l’image binaire.
e) Appliquez l’ébardage : indiquez les pixels de l’objet éliminés sur le résultat précédent.

3) Pour reconnaître les chiffres, on se propose d’utiliser des critères aussi simples que possible. Ici
l‘objet’ formé des pixels à la valeur 1 est supposé correspondre à un des chiffres à décoder, isolé par
étiquettage en composantes connexes par exemple
a) Expliquez l’intérêt de détecter les trous dans l’objet et donner un algorithme pour compter le
nombre de trous dans l’objet.
b) Expliquez l’intérêt de détecter les extrémités dans l’objet et donner un algorithme pour compter
le nombre de d’extrémités dans l’objet.
c) On appelle ‘point triple’ en 8-connexité, un pixel de l’objet vérifiant la condition : (i) la
suppression (mise à la valeur 0) du pixel considéré génère 2 nouvelles composantes connexes sur
l’image binaire (en plus de celle initiale). Sur l’image binaire suivante (qui n’est pas le résultat
des questions précédentes), quel(s) est(sont) le(s) point(s) triple(s) en 8-connexité ?

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 1 1 0 1 1 1 0 0 0 0 1 1 0 0 0
0 0 0 1 1 0 0 1 0 0 1 0 0 1 0 0 1 0 0
0 0 1 0 1 0 0 0 0 0 1 0 1 0 0 0 1 0 0
0 0 1 1 1 1 0 0 1 1 0 0 0 0 0 1 0 0 0
0 0 0 0 1 0 0 0 0 0 1 0 0 0 1 0 0 0 0
0 0 0 0 1 0 0 1 0 0 1 0 0 1 0 0 0 1 0
0 0 0 0 1 0 0 0 1 1 1 0 0 1 1 1 1 0 0
0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0

d) Quel pourrait-être à votre avis l’intérêt de détecter les points triples ?

-19-
 Année 2016

Examen de Traitement d’Images : Concepts de base

Enseignant : S. Le Hégarat

I Questions de cours (10pts)

Soit l’image suivante :

80 77 75 70 69 79 75 75 78 74 62 78 71 72 79 77
61 64 63 72 73 73 80 69 80 61 60 68 72 76 70 75
77 64 65 69 75 60 76 73 64 74 76 73 73 68 78 62
76 64 63 77 74 63 72 80 71 80 75 69 80 61 74 74
48 55 52 60 57 58 53 84 52 46 50 45 54 51 44 57
46 46 52 52 54 45 23 22 39 46 49 53 59 56 53 53
56 50 47 44 48 41 29 90 40 60 47 58 59 41 44 51
55 49 40 50 48 81 28 99 20 82 42 56 57 50 56 40
59 42 49 47 43 20 26 39 22 38 53 56 46 60 54 47
60 43 40 50 98 31 34 29 26 31 86 57 51 51 55 56
47 60 42 42 80 25 23 93 33 39 94 57 44 47 59 43
59 41 40 27 22 20 34 94 34 36 20 37 60 60 48 51
57 55 43 24 24 38 34 87 39 22 32 23 44 50 54 44
45 43 86 21 25 21 25 23 38 30 23 29 80 42 40 54
53 40 97 24 34 22 35 34 24 30 33 21 97 43 40 55
40 97 38 32 23 38 24 91 22 37 27 32 34 84 58 45
Fig.1 : Valeurs numériques de l’image

1) Appliquer une croissance de régions sur l'image de la Fig.1 à partir des germes 1, 2, 3 et 4. Les
coordonnées sont données en (ligne,colonne) à partir de (0,0) : G1=(2,3) ngris=69, G2=(5,2) ngris=52,
G3=(6,10) ngris=47, G4=(14,9) ngris=30. Le critère d’homogénéité de la région est que chacun de ses
pixels ait une valeur dans l’intervalle ngris du germe±10.
Est-ce que l'ordre de sélection des germes influence le résultat ?
Est-ce que tous les pixels sont labellisés ? Sinon que pensez-vous le la taille des régions non encore
étiquetées ?

2) Appliquer un filtre médian sur le résultat de segmentation obtenu précédemment. Quand un pixel est non
étiqueté, il ne vote pas dans le filtre médian. S'il y a ambigüité, le label du pixel est inchangé.
80 77 75 70 69 79 75 75 78 74 62 78 71 72 79 77
61 64 63 72 73 73 80 69 80 61 60 68 72 76 70 75
77 64 65 69 75 60 76 73 64 74 76 73 73 68 78 62
76 64 63 77 74 63 72 80 71 80 75 69 80 61 74 74
48 55 52 60 57 58 53 84 52 46 50 45 54 51 44 57
46 46 52 52 54 45 23 22 39 46 49 53 59 56 53 53
56 50 47 44 48 41 29 90 40 60 47 58 59 41 44 51
55 49 40 50 48 81 28 99 20 82 42 56 57 50 56 40
59 42 49 47 43 20 26 39 22 38 53 56 46 60 54 47
60 43 40 50 98 31 34 29 26 31 86 57 51 51 55 56
47 60 42 42 80 25 23 93 33 39 94 57 44 47 59 43
59 41 40 27 22 20 34 94 34 36 20 37 60 60 48 51
57 55 43 24 24 38 34 87 39 22 32 23 44 50 54 44
45 43 86 21 25 21 25 23 38 30 23 29 80 42 40 54
53 40 97 24 34 22 35 34 24 30 33 21 97 43 40 55
40 97 38 32 23 38 24 91 22 37 27 32 34 84 58 45
Fig.2 : Résultat du filtre médian appliqué sur l’image segmentée à partir des 4 germes.

Est-ce que le sens de balayage de l'image influence le résultat ?

Est-ce que le résultat va changer si on applique une deuxième fois le filtre médian ?
Si on n'avait pas voulu utiliser le filtre médian, quel autre filtre aurait-on pu utiliser ? Quel(s) autre
filtre(s) n'aurait-on pas pu utiliser (justifier).

3) Pour tracer les contours des régions, on procède de la façon suivante. On crée l'image binaire de la région
considérée. On en calcule le dilaté et l'érodé par l'élément structurant 4-connexité et on calcule la

-20-
 Année 2016

différence (‘xor’) entre ces deux résultats binaires. Le résultat final est un 'or' entre les contours obtenus
pour chaque région.
Calculer le résultat dans le cas de la Fig.3.
Expliquez pourquoi on a procédé comme indiqué plutôt que de calculer le gradient par filtrage (linéaire
par exemple).
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2 2 2 2 2 2 2 3 3 3 3 3 3 3 3
2 2 2 2 2 2 4 4 3 3 3 3 3 3 3 3
2 2 2 2 2 2 4 4 4 3 3 3 3 3 3 3
2 2 2 2 2 4 4 4 3 3 3 3 3 3
2 2 2 2 2 4 4 4 4 4 3 3 3 3 3 3
2 2 2 2 2 4 4 4 4 4 3 3 3 3 3 3
2 2 2 2 4 4 4 4 4 3 3 3 3 3
2 2 2 4 4 4 4 4 4 4 4 3 3 3 3 3
2 2 2 4 4 4 4 4 4 4 4 4 3 3 3 3
2 2 2 4 4 4 4 4 4 4 4 4 3 3 3 3
2 2 4 4 4 4 4 4 4 4 4 3 3 3
2 2 4 4 4 4 4 4 4 4 4 4 4 3 3 3
Fig.3 : Image des régions sur laquelle calculer les contours.

4) Expliquez pourquoi le contour apparait épais sur le résultat.

Quel opérateur de MM permettrait d'affiner le contour sur le résultat obtenu ?

5) Quelle méthode/algorithme/transformée permettrait de détecter les droites sur la Fig.4.

Précisez comment seraient détectées les droites (dans quel espace ? Par seuillage ou autre ?).
Quelles sont les valeurs de détection attendues ?
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0
0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0
0 0 0 0 0 1 1 0 1 1 0 0 0 0 0 0
0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0
0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0
0 0 0 0 1 1 0 0 0 1 1 0 0 0 0 0
0 0 0 1 1 0 0 0 0 0 1 1 0 0 0 0
0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0
0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0
0 0 1 1 0 0 0 0 0 0 0 1 1 0 0 0
0 1 1 0 0 0 0 0 0 0 0 0 1 1 0 0
Fig.4 : Image des contours affinés des régions.

-21-
 Année 2015

Examen de Traitement d’Images : Concepts de base

Enseignant : S. Le Hégarat

I Questions de cours (8pts)

1) Pour un élément structurant boule, à quoi est équivalent une érosion de rayon 3 suivie d’une érosion de
rayon 2 ? Citer la propriété justifiant la réponse.
2) Pour un élément structurant boule, à quoi est équivalent une fermeture de rayon 3 suivie d’une fermeture
de rayon 2 ? Citer la propriété justifiant la réponse.
3) Pour un élément structurant compact convexe, un ensemble de pixels également convexe est-il invariant
par ouverture ? par fermeture ? Si non, donner un contre-exemple.

4) Soit l’élément structurant suivant : 

Tracer le résultat de l’ouverture et de la fermeture des images binaires suivantes :

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0
0 0 0 0 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 0 0 0 0 0 0
0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 0
0 0 1 1 1 0 1 1 1 1 0 0 0 0 0 0 0 0 1 1 1 0 1 1 1 1 0 0 0 0 0 0
0 0 1 1 1 0 1 1 1 0 0 0 0 0 0 0 0 0 1 1 1 0 1 1 1 0 0 0 0 0 0 0
0 0 1 1 1 1 1 1 0 0 0 1 1 0 1 1 0 0 1 1 1 1 1 1 0 0 0 1 1 0 1 1
0 0 1 1 1 1 1 1 0 0 0 1 1 0 1 1 0 0 1 1 1 1 1 1 0 0 0 1 1 0 1 1
0 0 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 0 0 0 0 0 0 0
0 0 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 0 0
0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 0
0 0 0 0 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 0 0 0 0 0 0
0 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

5) A quoi servent les opérateurs (1) reconstruction géodésique, et (2) squelette ?

6) Appliquer un filtre médian sur la figure suivante issue d’une segmentation :
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0
0 0 0 0 1 1 1 1 1 1 0 0 1 0 0 0
0 0 0 1 1 1 1 2 1 1 1 0 0 0 0 0
0 0 4 1 1 0 3 1 1 1 0 0 3 0 0 0
0 0 1 1 1 0 1 1 1 0 0 0 0 0 0 0
0 0 1 1 1 1 1 1 0 0 0 3 3 0 4 4
0 0 2 2 2 2 2 2 0 0 0 3 3 0 4 4
0 0 2 2 2 2 2 2 1 0 0 0 0 0 0 0
0 0 2 2 1 2 2 2 2 2 0 0 0 0 0 0
0 0 0 2 2 2 2 2 2 2 2 0 4 2 0 0
0 0 0 0 2 2 2 2 2 2 0 0 0 0 0 0
0 0 0 0 0 2 2 2 2 0 0 0 0 2 0 0
0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

7) Quel(s) autre(s) filtre(s) pourrait-on appliquer qui ai(en)t un sens ? Justifiez.

8) On situeriez-vous les points d’intérêt ? Justifiez (brièvement).

-22-
 Année 2015

II Problème (12 pts)

Soit l’image suivante :

46 71 36 73 76 0 57 45 47 87 77 62 49 81 73 94 65 102 47 34 45 81 55 81 48 40 70 72 72 75 94
50 52 60 35 85 50 51 69 36 71 47 62 35 43 37 39 29 54 80 42 36 57 70 81 40 42 40 32 79 88 7
23 16 59 61 59 58 43 65 50 56 55 51 52 95 60 34 63 37 74 70 47 63 91 51 93 79 77 71 59 90 47
74 70 22 10 52 35 33 19 27 96 26 99 67 39 74 50 77 61 47 72 43 68 36 82 58 71 90 29 52 59 34
71 17 21 47 17 23 13 71 82 14 30 73 57 40 57 42 73 64 68 21 20 21 49 74 27 20 71 57 62 57 80
51 50 38 64 40 69 26 79 36 37 43 17 27 22 53 66 20 12 10 87 66 87 12 20 87 68 17 18 21 82 57
40 54 85 72 68 53 57 74 23 76 69 67 74 65 26 13 68 61 79 32 83 64 57 23 35 55 58 58 76 19 73
43 32 53 57 62 75 98 54 66 78 76 120 68 84 77 94 81 84 83 67 52 53 56 23 73 55 57 98 47 52 61
56 92 68 65 26 48 71 45 88 63 48 47 40 70 61 81 43 84 49 75 61 77 66 62 85 66 70 65 51 46 46

1) Compléter le tableau suivant donnant l’histogramme et l’histogramme cumulé et tracer ces histogrammes
niveau de gris x 0 10 20 30 40 50 60 70 80 90 100 110 120
histogramme cumulé 1 4 21 106 152 198 241 277 278 279
histogramme 1 3 17 21 29 46 43 25 1 1

2) On rappelle l’algorithme d’Otsu qui permet de définir automatiquement un seuil

• Calcul de l’histogramme de l’image
• Initialisations: 1=min(I), |C1|=0, 2=<I>, |C2|=N, s=0, Dmax=0
• Pour chaque bin j de l’histogramme centré autour de xj et ayant nj pixels
• 1= (|C1|1+nj.xj)/(|C1|+nj); |C1|  |C1|+nj;
• 2= (|C2|2-nj.xj)/(|C2|-nj); |C2|  |C2|-nj
• si |C1||C2|(1- 2)2>Dmax, alors Dmax= |C1||C2|(1- 2)2 et s=xj

Appliquer cet algorithme pour compléter le tableau ci-dessous et justifier que le seuil d’Otsu soit 45.

niveau de gris x 10 20 30 40 50 60 70 80 90 100 110 120

histogramme 4 17 1 1
1 0,0 5,0 13,1 19,0 38,9 53,6 55,3 55,4 55,6
|C1| 0 4 21 278 279
2 56,1 56,8 59,6 62,6 76,6 106,7 171,0 237,0 122,0
|C2| 279 275 258 1 0
sqrt(Dmax) 0,0 1718,9 3421,7 4349,8 4974,8 5263,5 5230,1 4834,3 4025,8 3121,5 2724,4 3027,3 0,0

Seuiller l’image. Qu’en pensez-vous ?

46 71 36 73 76 0 57 45 47 87 77 62 49 81 73 94 65 102 47 34 45 81 55 81 48 40 70 72 72 75 94
50 52 60 35 85 50 51 69 36 71 47 62 35 43 37 39 29 54 80 42 36 57 70 81 40 42 40 32 79 88 7
23 16 59 61 59 58 43 65 50 56 55 51 52 95 60 34 63 37 74 70 47 63 91 51 93 79 77 71 59 90 47
74 70 22 10 52 35 33 19 27 96 26 99 67 39 74 50 77 61 47 72 43 68 36 82 58 71 90 29 52 59 34
71 17 21 47 17 23 13 71 82 14 30 73 57 40 57 42 73 64 68 21 20 21 49 74 27 20 71 57 62 57 80
51 50 38 64 40 69 26 79 36 37 43 17 27 22 53 66 20 12 10 87 66 87 12 20 87 68 17 18 21 82 57
40 54 85 72 68 53 57 74 23 76 69 67 74 65 26 13 68 61 79 32 83 64 57 23 35 55 58 58 76 19 73
43 32 53 57 62 75 98 54 66 78 76 121 68 84 77 94 81 84 83 67 52 53 56 23 73 55 57 98 47 52 61
56 92 68 65 26 48 71 45 88 63 48 47 40 70 61 81 43 84 49 75 61 77 66 62 85 66 70 65 51 46 46

3) Pour améliorer le résultat précédent, on utilise un a priori qui est que la classe ‘sombre’ a un ordre de
grandeur en nombre de pixels égal à la plus grande dimension de l’image.
Justifier que cette hypothèse définisse un nouveau seuil plus bas environ égal à 25.

-23-
 Année 2015

4) Rappeler le principe (en termes d’information a priori et d’hypothèses) du seuillage à hystérésis et en

donner le résultat en utilisant les deux seuils précédents et la 4-connexité.

46 71 36 73 76 0 57 45 47 87 77 62 49 81 73 94 65 102 47 34 45 81 55 81 48 40 70 72 72 75 94
50 52 60 35 85 50 51 69 36 71 47 62 35 43 37 39 29 54 80 42 36 57 70 81 40 42 40 32 79 88 7
23 16 59 61 59 58 43 65 50 56 55 51 52 95 60 34 63 37 74 70 47 63 91 51 93 79 77 71 59 90 47
74 70 22 10 52 35 33 19 27 96 26 99 67 39 74 50 77 61 47 72 43 68 36 82 58 71 90 29 52 59 34
71 17 21 47 17 23 13 71 82 14 30 73 57 40 57 42 73 64 68 21 20 21 49 74 27 20 71 57 62 57 80
51 50 38 64 40 69 26 79 36 37 43 17 27 22 53 66 20 12 10 87 66 87 12 20 87 68 17 18 21 82 57
40 54 85 72 68 53 57 74 23 76 69 67 74 65 26 13 68 61 79 32 83 64 57 23 35 55 58 58 76 19 73
43 32 53 57 62 75 98 54 66 78 76 121 68 84 77 94 81 84 83 67 52 53 56 23 73 55 57 98 47 52 61
56 92 68 65 26 48 71 45 88 63 48 47 40 70 61 81 43 84 49 75 61 77 66 62 85 66 70 65 51 46 46

5) On souhaite obtenir en sortie un objet d’épaisseur égale à 1 traçant un chemin 8-connexe du point le plus à
gauche vers le point le plus à droite. Pour trouver ce chemin, on définit une 3-connexité qui à partir d’une
direction d’arrivée en un pixel définit comme voisins (et donc suivant potentiels) les 3 pixels présentant un
angle de 0, +/4 et –/4 par rapport à la direction d’arrivée.
Sur la figure suivante (qui n’est pas nécessairement le résultat de la question précédente !), éliminer les
pixels qui ne sont pas atteignables selon le tracé d’un chemin partant du pixel de coordonnées
(ligne,colonne)=(2,0) et en restant dans la composante 8-connexe de ce pixel.

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0
0 0 1 1 0 1 1 1 1 0 1 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0
0 1 1 0 1 1 1 0 0 1 1 0 0 1 0 0 0 0 0 1 1 1 0 0 1 1 0 0 0 0 0
0 0 1 0 1 0 1 0 1 1 1 1 1 1 0 0 1 1 1 0 0 0 1 1 0 0 1 1 1 0 0
0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 1 0 0 0 0 0 0 0 1 1 0 0 0 0 1 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

6) En déduire la distance de chacun des pixels restants (toujours selon la 3-connexité définie) au pixel initial
et le chemin le plus long.

-24-
 Année 2014

Examen de Traitement d’Images : Concepts de base

Enseignant : S. Le Hégarat

Soit une image de disparités, comme celles sur la Figure 1a ou la Figure 1b. On rappelle que la disparité est
inversement proportionnelle à la profondeur (en 1/z).
Pour analyser automatiquement cette image, on calcule une image où chaque ligne est l'histogramme des
disparités de la ligne correspondante sur l'image d'origine. Une telle image est appelée image « u-disparité ».
Par exemple, en l'absence de bruit (cas de la Figure 1a), on obtient l’image de la Figure 2a.
1) Dans ce cas idéal (Figure 2a), que contient l'image u-disparité ? A quoi correspondent les segments de
droite verticaux ? A quoi correspond le segment de droite "en biais" ?
2) Dans le cas bruité (Figure 2b), les segments de droite n'apparaissent pas aussi clairement. Ils sont alors
sélectionnés à partir des maxima locaux 4-connexité, soit horizontale et verticale, soit diagonales (1er et
2nd bissectrices). Complétez l’image binaire représentée sur la Figure 3 qui correspond à ces maxima
locaux.
Précisez pourquoi on n’envisage pas de considérer des maxima régionaux ?
3) Quelle transformée va alors permettre de détecter les segments de droites ? Précisez dans quelle mesure
elle n'est-elle pas (trop) sensible aux non-détections ?
Pratiquement, on va chercher des droites sous la forme x=ay+b (avec x indice de colonne, et y indice de
ligne). Pourquoi a-t-on choisi cette forme (aidez-vous, si besoin, du cas idéal représenté sur la
Figure 2a) ?
4) Le Tableau 1 suivant donne, en fonction du paramètre a représenté en colonne (1ère colonne), les valeurs
du paramètre b pour différentes équations.
Expliquez d’où proviennent ces équations.
5) L’image de la transformée est alors calculée sur le domaine (a,b)[-0.5,1.5][-5,15], à partir du
Tableau 1. Elle est représentée sur l’image de la Figure 4 avec a variant en ligne et b en colonne.
Expliquez à quoi correspondent les valeurs obtenues : concrètement comment sont-elles obtenues à partir
du Tableau 1 ? Prenez au moins un exemple pour illustrer vos propos.
6) Comment apparaissent les segments recherchés ?
En déduire un algorithme sous forme de pseudo-code, avec appel des fonctions classiques (supposées
exister en bibliothèque) en précisant les paramètres en entrée et en sortie.

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 5 5 5 5 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 5 5 5 5 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 5 5 5 5 1 1 1 1 1 1
2 2 2 2 2 2 2 2 2 2 5 5 5 5 2 2 2 2 2 2
3 3 3 3 3 3 3 3 3 3 5 5 5 5 3 3 3 3 3 3
4 4 13 13 13 13 13 4 4 4 5 5 5 5 4 4 4 4 4 4
5 5 13 13 13 13 13 5 5 5 5 5 5 5 5 5 5 5 5 5
6 6 13 13 13 13 13 6 6 6 6 6 6 6 6 6 6 6 6 6
7 7 13 13 13 13 13 7 7 7 7 7 7 7 7 7 7 7 7 7
8 8 13 13 13 13 13 8 8 8 8 8 8 8 8 8 8 8 8 8
9 9 13 13 13 13 13 9 9 9 9 9 9 9 9 9 9 9 9 9
10 10 13 13 13 13 13 10 10 10 10 10 10 10 10 10 10 10 10 10
11 11 13 13 13 13 13 11 11 11 11 11 11 11 11 11 11 11 11 11
12 12 13 13 13 13 13 12 12 12 12 12 12 12 12 12 12 12 12 12
13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13
14 14 14 14 14 14 14 14 14 14 14 14 14 14 14 14 14 14 14 14
15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15
Figure 1a : Image de disparités dans un cas idéal sans bruit

-25-
 Année 2014

0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 1 1 1 0 0
0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0
0 0 0 0 0 0 1 0 0 1 0 0 0 1 1 0 0 0 0 1
0 0 0 0 1 0 1 0 0 0 5 6 4 5 1 0 0 0 0 0
0 1 0 0 0 1 1 1 1 0 5 5 5 4 0 0 1 1 0 0
2 1 1 0 0 1 1 0 1 1 5 5 6 5 0 2 1 1 1 1
2 3 3 3 1 1 2 1 3 1 5 6 5 5 2 3 1 2 3 2
2 3 3 3 2 3 2 4 4 3 5 5 5 5 3 3 3 3 3 3
4 4 12 14 13 14 12 4 3 3 5 5 5 5 4 4 4 5 5 5
5 5 13 13 13 13 14 5 6 5 5 4 4 5 6 6 6 5 6 5
6 5 13 13 14 12 12 6 6 6 6 7 7 6 6 7 6 6 7 6
6 7 13 13 14 12 13 8 7 7 7 7 7 7 8 7 8 7 8 7
7 9 13 14 13 13 13 9 7 9 9 9 8 7 8 8 8 7 8 8
8 10 13 13 13 13 13 9 8 9 8 8 8 8 9 9 9 9 10 9
9 9 12 14 14 13 13 9 11 11 9 11 10 10 10 10 10 10 9 10
10 11 14 13 14 12 12 11 11 11 11 11 12 10 11 11 10 10 12 10
12 12 13 12 13 13 12 12 12 11 11 11 12 11 12 13 11 12 12 13
13 14 13 14 13 12 14 13 12 13 13 13 12 12 13 13 12 13 13 14
13 13 14 15 15 13 14 15 14 13 14 14 13 15 13 15 14 15 13 14
15 14 16 15 14 15 16 15 15 16 15 14 15 16 14 14 16 15 16 15
Figure 1b : Image de disparités dans un cas avec bruit

20 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
20 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
20 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
16 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0
16 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 16 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 16 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 16 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 11 4 0 0 0 0 0 0 0 5 0 0 0 0 0 0
0 0 0 0 0 15 0 0 0 0 0 0 0 5 0 0 0 0 0 0
0 0 0 0 0 0 15 0 0 0 0 0 0 5 0 0 0 0 0 0
0 0 0 0 0 0 0 15 0 0 0 0 0 5 0 0 0 0 0 0
0 0 0 0 0 0 0 0 15 0 0 0 0 5 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 15 0 0 0 5 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 15 0 0 5 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 15 0 5 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 15 5 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 20 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 20 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 20 20 20 20 20
Figure 2a : Image u-disparité dans le cas idéal de la Fig.1a

15 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
17 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
15 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
13 3 0 0 1 2 1 0 0 0 0 0 0 0 0 0 0 0 0 0
9 7 0 0 1 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 10 2 0 0 3 1 0 0 0 0 0 0 0 0 0 0 0 0 0
0 5 5 6 0 3 1 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 3 11 2 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 2 6 7 0 0 0 0 0 0 2 1 2 0 0 0 0 0
0 0 0 0 2 8 5 0 0 0 0 0 0 4 1 0 0 0 0 0
0 0 0 0 0 1 10 4 0 0 0 0 2 2 1 0 0 0 0 0
0 0 0 0 0 0 1 10 4 0 0 0 1 3 1 0 0 0 0 0
0 0 0 0 0 0 0 4 6 5 0 0 0 4 1 0 0 0 0 0
0 0 0 0 0 0 0 0 6 7 2 0 0 5 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 5 7 3 1 2 2 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 5 8 4 1 2 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 5 10 5 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 5 11 4 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 7 7 6 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 5 9 6 0 0 0
Figure 2b : Image u-disparité dans le cas non idéal de la Fig.1b

-26-
 Année 2014

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0
0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0
0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0
0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0
0 0 0 0 0 0 0 0 1 1 0 0 0 1 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0
Figure 3 : Image binaire des maxima locaux

0 0 0 0 0 0 1 1 1 0 0 1 1 1 2 2 1 0 1 1
0 0 0 0 0 0 1 2 0 0 1 1 1 3 1 1 1 1 0 1
0 0 0 0 0 0 2 1 0 2 0 1 3 2 1 1 1 0 1 1
0 0 0 0 0 1 2 1 1 0 2 3 3 0 1 1 2 1 0 3
0 0 0 0 0 3 2 0 2 0 6 1 1 2 1 2 2 3 9 4
0 0 0 0 3 2 1 1 2 6 2 2 3 1 3 8 6 1 0 0
0 0 0 3 3 1 3 4 6 4 3 2 6 3 2 1 0 0 0 0
0 1 1 7 9 3 5 3 3 2 2 3 1 1 0 0 0 0 0 0
5 13 6 1 3 3 2 3 1 2 1 1 0 0 0 0 0 0 0 0
4 2 3 1 4 1 2 2 1 1 0 0 0 0 0 0 0 0 0 0
2 2 3 2 2 1 2 1 0 0 0 0 0 0 0 0 0 0 0 0
Figure 4 : Transformée de ???

Tableau 1
a b(x,y)
-1 1 2 3 8 9 10 11 6 7 9 10 13 14 16 18 20 21 22 24 25 26
-0,8 1 2 2 7 8 9 10 5 6 8 8 11 12 14 15 17 18 19 21 21 22
-0,5 1 1 2 7 7 8 8 4 4 6 7 9 10 11 13 14 15 16 17 18 19
-0,3 0 1 1 6 6 6 7 2 3 5 5 7 7 9 10 11 11 12 14 14 15
0 0 0 0 5 5 5 5 1 1 3 3 5 5 6 7 8 8 9 10 10 11
0,3 0 -1 -1 4 4 4 4 0 -1 2 1 3 3 4 4 5 5 6 7 6 7
0,5 -1 -1 -2 4 3 3 2 -2 -2 0 -1 1 1 1 2 2 2 3 3 3 4
0,8 -1 -2 -2 3 2 1 1 -3 -4 -2 -2 -1 -2 -2 -1 -1 -2 -1 -1 -1 0
1 -1 -2 -3 2 1 0 -1 -4 -5 -3 -4 -3 -4 -4 -4 -4 -5 -4 -4 -5 -4
1,3 -1 -3 -4 1 0 -1 -3 -5 -7 -5 -6 -5 -6 -7 -7 -7 -8 -7 -8 -9 -8
1,5 -2 -3 -5 1 -1 -3 -4 -7 -8 -6 -8 -7 -9 -9 -10 -10 -12 -11 -11 -13 -12

a b(x,y)
-1 27 28 29 30 31 32 33 34 35 20 21 22 22 22 23 24 25 26 28 29
-0,8 23 24 25 26 27 28 29 29 30 18 19 20 20 20 21 21 22 23 25 25
-0,5 19 20 21 22 22 23 24 25 26 16 17 18 18 17 18 19 19 20 21 22
-0,3 15 16 17 17 18 19 20 20 21 14 15 16 15 15 16 16 16 16 18 18
0 11 12 13 13 13 14 15 15 16 12 13 14 13 12 13 13 13 13 14 14
0,3 7 8 9 9 9 10 11 10 11 10 11 12 11 10 11 10 10 10 11 10
0,5 3 4 5 5 4 5 6 6 7 8 9 10 9 7 8 8 7 7 7 7
0,8 -1 0 1 0 -1 1 2 1 2 6 7 8 6 5 6 5 4 3 4 3
1 -5 -4 -3 -4 -5 -4 -3 -4 -3 4 5 6 4 2 3 2 1 0 0 -1
1,3 -9 -8 -7 -8 -10 -9 -8 -9 -8 2 3 4 2 -1 1 -1 -2 -3 -4 -5
1,5 -13 -12 -11 -13 -14 -13 -12 -14 -13 0 1 2 -1 -3 -2 -4 -5 -7 -7 -9

-27-
 Année 2013

Examen de Traitement d’Images : Concepts de base

Enseignant : S. Le Hégarat

On considère un motif régulier (texture artificielle) dont un extrait est représenté sur l’image I :

Question 1 :
a- Compléter l’histogramme H(n) et l’histogramme cumulé C(n) où n est le niveau de gris (l’image
est codée sur 8 bits).
n 20 40 60 80 100 120 140 160 180 200 220 240 260
C(n) 17 48 84 150 222 290 306 324 324
H(n) 17 31 36 31 32 40 16 0

b- Tracer ces histogrammes.

Question 2 :
On veut seuiller cette image pour séparer les cellules du motif.
a- Justifier que si l’on utilise un seul seuil ce soit 125.
b- Le résultat est alors celui de la Figure 2. Sachant que la texture est supposée très régulière, en fait
il s’agit plus ou moins de cellules de 33 pixels, commentez ce résultat. En particulier, expliquez
pourquoi on risque fort de sous-estimer le nombre de cellules.

Question 3 :
On décide alors d’utiliser deux seuils : un seuil bas à 115 et un seuil haut à 135. Les résultats sont alors
les suivants : on code en 0 les pixels de valeur sur I inférieure au seuil bas, en 2 ceux de valeur sur I
supérieure au seuil haut et en 1 ceux de valeur sur I entre les deux seuils.
a- Quelle technique classique de seuillage utilise deux seuils ?
b- Rappelez comment elle fonctionne. Donnez un exemple classique d’utilisation.
c- Expliquez pourquoi cette technique ici n’est pas intéressante.

Question 4 :
On s’oriente vers une technique de reconstruction géodésique avec pour marqueur l’image issue du
seuillage supérieur à 135, et comme ensemble géodésique celle issue du seuillage supérieur à 115.
a- Sur la Figure 3 tracer le résultat de la reconstruction géodésique avec comme élément structurant
l’élément 4-connexité.
b- Ce résultat vous semble-t-il satisfaisant ?
c- On teste alors l’enchaînement de deux reconstructions géodésiques successives avec l’élément
structurant horizontal centré à 3 pixels et l’élément structurant vertical centré à 3 pixels (l’union
des deux donnant l’élément 4-connexité). Tracez le résultat sur la Figure 4.
d- Commentez ce résultat.

Question 5 :
On pense alors à une troisième technique à base de la transformée en tout ou rien. Soit les éléments
structurants suivants :
1 0 0 0 0 0 1
1 1 1 0 1 0 1 1 1 0 1
0 0 0 0 1 0 1

-28-
 Année 2013

Où la valeur 1 représente un test relatif à l’objet et la valeur 0 un test relatif au fond.

a- Appliquez successivement ces cinq transformées en tout ou rien à l’image des valeurs supérieures
au seuil haut bordée de 1 (cf. Figure 5) en indiquant les résultats successifs avec des couleurs
différentes.
b- Que pensez-vous maintenant du résultat ? A quelle(s) technique(s) le traitement précédent fait-il
penser ?
c- Donner un cas où il aurait fallu itérer l’application successive des cinq transformées en tout ou
rien plus d’une fois.

Question 6 :
Soit le résultat final de la détection des contours des cellules.
a- Expliquez comment obtenir la valeur moyenne des pixels de chaque cellule via un étiquettage en
composantes connexes
b- Donnez un algorithme d’étiquetage en composantes connexes.

Question 7 :
Soit, sur la Figure 6, l’image J résultat du calcul de ces moyennes (on a supprimé les contours des
cellules pour plus de lisibilité de l’image.
a- Donnez l’histogramme de l’image J si l’on utilise un pas de 20. Combien de classes discernez-
vous ?
b- Recommencez avec un pas de 10. Combien de classes discernez-vous à présent ?
c- Commentez cette sensibilité de l’histogramme.

19 16 133 189 105 66 109 221 56 76 104 143 51 11 56 197 61 49

97 47 53 182 114 95 82 208 130 99 106 151 17 16 70 116 34 31
50 63 25 135 99 85 130 187 123 123 86 170 64 73 38 205 85 52
167 234 227 136 169 234 125 147 206 116 174 165 221 170 156 221 144 202
58 12 53 167 31 28 50 194 107 94 91 190 37 58 117 159 48 50
17 89 58 126 67 65 78 166 106 104 93 171 70 105 20 208 83 85
21 131 39 162 110 27 128 121 89 84 113 150 134 19 47 120 98 135
175 195 186 134 120 199 200 134 133 154 189 178 204 176 195 172 224 165
58 72 32 164 101 98 53 210 78 124 135 131 20 132 99 162 101 32
122 65 19 146 121 49 48 230 123 40 19 230 71 28 39 119 44 60
132 23 26 163 36 22 77 172 118 72 15 128 49 97 127 130 56 96
170 131 150 195 204 183 170 148 202 139 227 207 194 119 142 213 191 188
112 84 110 158 52 61 72 196 79 84 37 233 60 54 16 210 25 10
107 89 66 226 46 131 24 220 78 63 40 144 79 69 12 221 32 80
68 118 129 227 69 39 33 180 48 87 66 151 30 110 25 183 53 25
158 170 133 227 180 126 204 122 222 156 167 203 209 223 160 155 145 196
113 68 96 161 76 47 51 180 88 64 16 140 51 66 44 230 61 89
130 92 113 116 131 26 69 200 94 86 30 120 130 59 42 136 107 113
Figure 1 : image acquise I.

-29-
 Année 2013

0 0 1 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0
0 0 0 1 0 0 0 1 1 0 0 1 0 0 0 0 0 0
0 0 0 1 0 0 1 1 0 0 0 1 0 0 0 1 0 0
1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1
0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0
0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0
0 1 0 1 0 0 1 0 0 0 0 1 1 0 0 0 0 1
1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1
0 0 0 1 0 0 0 1 0 0 1 1 0 1 0 1 0 0
0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 0 0 0
1 0 0 1 0 0 0 1 0 0 0 1 0 0 1 1 0 0
1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1
0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0
0 0 0 1 0 1 0 1 0 0 0 1 0 0 0 1 0 0
0 0 1 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0
1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1
0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0
1 0 0 0 1 0 0 1 0 0 0 0 1 0 0 1 0 0
Figure 2 : I seuillée à 125.
0 0 1 2 0 0 0 2 0 0 0 2 0 0 0 2 0 0
0 0 0 2 0 0 0 2 1 0 0 2 0 0 0 1 0 0
0 0 0 1 0 0 1 2 1 1 0 2 0 0 0 2 0 0
2 2 2 2 2 2 1 2 2 1 2 2 2 2 2 2 2 2
0 0 0 2 0 0 0 2 0 0 0 2 0 0 1 2 0 0
0 0 0 1 0 0 0 2 0 0 0 2 0 0 0 2 0 0
0 1 0 2 0 0 1 1 0 0 0 2 1 0 0 1 0 1
2 2 2 1 1 2 2 1 1 2 2 2 2 2 2 2 2 2
0 0 0 2 0 0 0 2 0 1 1 1 0 1 0 2 0 0
1 0 0 2 1 0 0 2 1 0 0 2 0 0 0 1 0 0
1 0 0 2 0 0 0 2 1 0 0 1 0 0 1 1 0 0
2 1 2 2 2 2 2 2 2 2 2 2 2 1 2 2 2 2
0 0 0 2 0 0 0 2 0 0 0 2 0 0 0 2 0 0
0 0 0 2 0 1 0 2 0 0 0 2 0 0 0 2 0 0
0 1 1 2 0 0 0 2 0 0 0 2 0 0 0 2 0 0
2 2 1 2 2 1 2 1 2 2 2 2 2 2 2 2 2 2
0 0 0 2 0 0 0 2 0 0 0 2 0 0 0 2 0 0
1 0 0 1 1 0 0 2 0 0 0 1 1 0 0 2 0 0
Figure 3 : I seuillée à 115 et 135.

-30-
 Année 2013

0 0 1 2 0 0 0 2 0 0 0 2 0 0 0 2 0 0
0 0 0 2 0 0 0 2 1 0 0 2 0 0 0 1 0 0
0 0 0 1 0 0 1 2 1 1 0 2 0 0 0 2 0 0
2 2 2 2 2 2 1 2 2 1 2 2 2 2 2 2 2 2
0 0 0 2 0 0 0 2 0 0 0 2 0 0 1 2 0 0
0 0 0 1 0 0 0 2 0 0 0 2 0 0 0 2 0 0
0 1 0 2 0 0 1 1 0 0 0 2 1 0 0 1 0 1
2 2 2 1 1 2 2 1 1 2 2 2 2 2 2 2 2 2
0 0 0 2 0 0 0 2 0 1 1 1 0 1 0 2 0 0
1 0 0 2 1 0 0 2 1 0 0 2 0 0 0 1 0 0
1 0 0 2 0 0 0 2 1 0 0 1 0 0 1 1 0 0
2 1 2 2 2 2 2 2 2 2 2 2 2 1 2 2 2 2
0 0 0 2 0 0 0 2 0 0 0 2 0 0 0 2 0 0
0 0 0 2 0 1 0 2 0 0 0 2 0 0 0 2 0 0
0 1 1 2 0 0 0 2 0 0 0 2 0 0 0 2 0 0
2 2 1 2 2 1 2 1 2 2 2 2 2 2 2 2 2 2
0 0 0 2 0 0 0 2 0 0 0 2 0 0 0 2 0 0
1 0 0 1 1 0 0 2 0 0 0 1 1 0 0 2 0 0
Figure 4 : I seuillée à 115 et 135.
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 1
1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 1
1 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 1 0 0 1
1 1 1 1 1 1 1 0 1 1 0 1 1 1 1 1 1 1 1 1
1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 1
1 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 1 0 0 1
1 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1
1 1 1 1 0 0 1 1 0 0 1 1 1 1 1 1 1 1 1 1
1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 1 0 0 1
1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 1
1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1
1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1
1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 1
1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 1
1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 1
1 1 1 0 1 1 0 1 0 1 1 1 1 1 1 1 1 1 1 1
1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 1
1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Figure 5 : I seuillée à 135.

-31-
 Année 2013

56 56 56 98 98 98 100 100 100 44 44 44 52 52

56 56 56 98 98 98 100 100 100 44 44 44 52 52
56 56 56 98 98 98 100 100 100 44 44 44 52 52

53 53 53 65 65 65 98 98 98 67 67 67 83 83
53 53 53 65 65 65 98 98 98 67 67 67 83 83
53 53 53 65 65 65 98 98 98 67 67 67 83 83

61 61 61 67 67 67 80 80 80 74 74 74 65 65
61 61 61 67 67 67 80 80 80 74 74 74 65 65
61 61 61 67 67 67 80 80 80 74 74 74 65 65

98 98 98 59 59 59 65 65 65 51 51 51 38 38
98 98 98 59 59 59 65 65 65 51 51 51 38 38
98 98 98 59 59 59 65 65 65 51 51 51 38 38

102 102 102 67 67 67 63 63 63 65 65 65 93 93

102 102 102 67 67 67 63 63 63 65 65 65 93 93
Figure 6 : image J des valeurs moyenne des cellules.

-32-
 Année 2012

Examen de Traitement d’Images : Concepts de base

Enseignant : S. Le Hégarat

On considère un système de détection des lignes haute-tension embarqué sur un hélicoptère en basse
altitude (il s’agit de détecter les lignes comme des obstacles à éviter). Soit l'image 1111, I, suivante,
prise de nuit sous éclairement des projecteurs de l’hélicoptère (les lignes, métalliques, sont supposées
briller plus que les nuages).

4 1 1 1 2 2 5 2 7 7 7
3 2 2 3 2 4 7 7 3 4 4
3 3 3 7 7 7 3 4 4 6 7
4 7 7 7 3 3 3 6 6 6 3
7 3 3 3 6 6 6 2 3 6 6
7 6 6 6 2 2 5 5 6 3 4
6 2 2 2 5 5 2 2 4 4 2
3 5 5 5 2 2 4 5 1 1 1
5 5 2 2 4 4 1 1 1 1 1
3 5 4 4 2 2 1 1 0 0 0
5 3 5 2 2 2 1 4 1 0 1
Figure 1 : image acquise I.

Question 1 :

Compléter l’histogramme H(n) et l’histogramme cumulé C(n) où n est le niveau de gris (l’image est
codée sur 3 bits).
n 0 1 2 3 4 5 6 7
C(n) 4 20 63 93 121
H(n) 4 16 19 16 14

Tracer ces histogrammes

Question 2 :

On veut détecter automatiquement deux distributions l’une Gaussienne et l’autre uniforme à partir des
histogrammes. On extrait d’abord la distribution uniforme.
a- Quelle est la forme géométrique de l’histogramme d’une distribution uniforme, et quelle est la
forme géométrique de l’histogramme cumulé d’une distribution uniforme ?
b- Expliquez pourquoi on considère généralement plus robuste de travailler à partir de
l’histogramme cumulé.

-33-
 Année 2012

c- En déduire les limites vraisemblables de la partie uniforme de H ? Justifiez.

d- Est-ce qu’elle représente les câbles ou le paysage ? Justifiez.

Question 3 :

Compléter le seuillage supérieur ou égal à la valeur de niveau de gris 4, de l'image I, donnant l’image
résultat J =

1 0 0 0 0 0 1 0 1 1 1
0 0 0 0 0 1 1 1 1
0 0 1 1 0 1 1
1 1 0 0 0 1 1 1 0
1 0 0 0 1 1 1
1 1 1 1 0 0 1
1 0 0 0 1 1 0 0 1 1 0
0 1 1 1 0 0 0
1 1 0 0 0 0 0
0 1 1 1 0 0 0 0 0 0 0
1 0 1 0 0 0 0 1 0 0 0

Question 4 :

On s’intéresse à la détection des câbles électriques, supposés rectilignes, parallèles, équidistants et allant
au moins par 3. De plus on suppose que la mise au point de la caméra est optimale : les câbles sont
d’épaisseur 1 pixel dans l’image et distants de 1 pixel également.
On choisit une approche à base d’opérateurs de morphologie mathématique.

a- Justifiez le choix de l’élément structurant élémentaire B, pour nettoyer du bruit dans J sans
perturber la détection des droites.
B = 1* 1 où * marque le centre
b- Effectuer une ouverture par B (sur la figure suivante on a redessiné en ‘fond’ l’image de la
question 3). Sur les bords de l’image on restreindra l’élément structurant à son intersection avec
l’image. Vous pourrez tracer en précisant ce dont il s’agit un résultat intermédiaire sur l’image en
coloriant les pixels avec une couleur C1 (gris foncé par exemple) tandis que le résultat final sera
tracé en coloriant les pixels avec une couleur C2 (gris clair par exemple). On note J’ le résultat.
1 0 0 0 0 0 1 0 1 1 1
0 0 0 0 0 1 1 1 1
0 0 1 1 0 1 1
1 1 0 0 0 1 1 1 0
1 0 0 0 1 1 1
J’= 1 1 1 1 0 0 1
1 0 0 0 1 1 0 0 1 1 0
0 1 1 1 0 0 0
1 1 0 0 0 0 0
0 1 1 1 0 0 0 0 0 0 0
1 0 1 0 0 0 0 1 0 0 0

Quel type de bruit cette opération a-t-elle supprimé ?

c- Justifiez le choix de l’élément structurant V, notamment sa taille, pour détecter les câbles par
érosion.

-34-
 Année 2012

V = 1*

1
d- Effectuez l’érosion par V de J’. Pour traiter les bords, on considérera ici que J’ est bordée de
double rangées de 0. On note J’’ le résultat.

1 0 0 0 0 0 1 0 1 1 1
0 0 0 0 0 1 1 1 1
0 0 1 1 0 1 1
1 1 0 0 0 1 1 1 0
1 0 0 0 1 1 1
J’’= 1 1 1 1 0 0 1
1 0 0 0 1 1 0 0 1 1 0
0 1 1 1 0 0 0
1 1 0 0 0 0 0
0 1 1 1 0 0 0 0 0 0 0
1 0 1 0 0 0 0 1 0 0 0

Question 5 :

a- Donnez la transformée de J’’ vue en cours qui permettra finalement de détecter les câbles
automatiquement.

b- Le tableau suivant calcule linéairement les valeurs bi=fi(a) où i[1,15] et fi est linéaire.
a b1 b2 b3 b4 b5 b6 b7 b8 b9 b10 b11 b12 b13 b14 b15
-3 33 36 28 20 23 35 12 15 18 30 22 25 14 17 20
-2,75 31 33 26 19 22 33 12 14 17 28 21 24 14 16 19
-2,5 28 31 24 18 20 30 11 14 16 26 20 22 13 16 18
-2,25 26 28 22 16 19 28 11 13 15 24 18 21 13 15 17
-2 23 25 20 15 17 25 10 12 14 22 17 19 12 14 16
-1,75 21 22 18 14 16 23 10 11 13 20 16 18 12 13 15
-1,5 18 20 16 13 14 20 9 11 12 18 15 16 11 13 14
-1,25 16 17 14 11 13 18 9 10 11 16 13 15 11 12 13
-1 13 14 12 10 11 15 8 9 10 14 12 13 10 11 12
-0,75 11 11 10 9 10 13 8 8 9 12 11 12 10 10 11
-0,5 8 9 8 8 8 10 7 8 8 10 10 10 9 10 10
-0,25 6 6 6 6 7 8 7 7 7 8 8 9 9 9 9
0 3 3 4 5 5 5 6 6 6 6 7 7 8 8 8
0,25 1 0 2 4 4 3 6 5 5 4 6 6 8 7 7
0,5 -2 -3 0 3 2 0 5 5 4 2 5 4 7 7 6
0,75 -5 -5 -2 1 1 -3 5 4 3 0 3 3 7 6 5
1 -7 -8 -4 0 -1 -5 4 3 2 -2 2 1 6 5 4

Précisez chacune de ces relations fi où i[1,15].

c- Les lignes étant parallèles, justifiez que l’on recherche pour chaque valeur de a le (ou les)
mode(s) principal(aux) parmi les valeurs de b.
d- Complétez les deux dernières colonnes du tableau suivant qui détecte ce(s) mode(s).

-35-
 Année 2012

a mode 1 nb occ mode 2 nb occ

-3 20 2 / 0
-2,75 33 2 19 2
-2,5 18 2 20 2
-2,25 28 2 13 2
-2 25 2 17 2
-1,75 18 2 16 2
-1,5 18 2 20 2
-1,25 11 3 13 3
-1 12 10 3
-0,75 11 4
-0,5 8 10 6
-0,25 7 4
0 6 5
0,25 4 3 6 3
0,5 5 3 0 2
0,75 3 3 -5 2
1 4 2 2 2

e- En déduire le nombre de lignes à haute tension sur l’image, ainsi que leur inclinaison. Justifiez
votre réponse.

-36-
 Année 2011

Examen de Traitement d’Images : Concepts de base

Enseignant : S. Le Hégarat

On cherche une méthode de détection automatique des objets de forme triangulaire. Un cas idéal est
celui représenté sur la figure 1

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0
0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0
0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0
0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 0
0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 0
0 0 0 0 1 1 1 1 1 1 1 0 0 0 0 0
0 0 0 0 1 1 1 1 1 1 1 0 0 0 0 0
0 0 0 1 1 1 1 1 1 1 1 1 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Figure 1 : Triangle ‘idéal’.

Nous proposons les étapes suivantes.
1) Détection de contours.
2) Détection des directions des gradients sur les contours.
3) Accumulation dans l’espace image : un point ‘vote’ pour tous les points de la droite
perpendiculaire à la direction du gradient en ce point.

Question 1 :

Les deux images de la figure 2 ont été obtenues par filtrage linéaire selon les directions horizontale
et verticale de l’image de la figure 1. Précisez quels sont ces deux filtres (en donnant leur masque
de convolution ainsi que leur nom) et complétez les valeurs manquantes.
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 1 0 -1 0 0 0 0 0 0 0 0 0 0 -1 -2 -1 0 0 0 0 0
0 0 0 0 0 3 0 -3 0 0 0 0 0 0 0 0 0 0 -1 -2 -1 0 0 0 0 0
0 0 0 0 1 4 0 -4 -1 0 0 0 0 0 0 0 0 -1 ? -2 ? -1 0 0 0 0
0 0 0 0 3 4 0 -4 -3 0 0 0 0 0 0 0 0 -1 -2 -2 -2 -1 0 0 0 0
0 0 0 1 ? 3 0 -3 -4 -1 0 0 0 0 0 0 -1 -2 -1 0 -1 -2 -1 0 0 0
0 0 0 3 4 1 0 -1 -4 -3 0 0 0 0 0 0 -1 -2 -1 0 -1 -2 -1 0 0 0
0 0 1 4 3 0 0 0 -3 -4 -1 0 0 0 0 -1 -2 -1 0 0 0 -1 -2 -1 0 0
0 0 3 ? 1 0 0 0 -1 ? -3 0 0 0 0 -1 -2 -1 0 0 0 -1 ? -1 0 0
0 1 4 3 0 0 0 0 0 -3 -4 -1 0 0 ? -2 -1 0 0 0 0 0 -1 -2 -1 0
0 2 ? 1 0 0 0 0 0 -1 -3 -2 0 0 0 1 3 4 4 4 4 4 3 1 0 0
0 1 1 0 0 0 0 0 0 0 -1 -1 0 0 1 3 4 4 4 4 4 4 4 3 1 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Figure 2 : Résultats des filtrages directionnels du ‘triangle ‘idéal’. Les lignes et colonnes du bord
ont été éliminées par rapport à l’image de la figure 1.

-37-
 Année 2011

Question 2 :

Les deux images de la figure 3 sont les résultats d’un affinement de contours appliqué sur les
images précédentes (de la figure 2). Elles ont été obtenues en ne gardant que les maxima locaux.
Précisez la connexité utilisée et justifiez le critère de maxima local plutôt que régional
(éventuellement au travers d’un exemple). Complétez les valeurs manquantes.
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -2 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -2 0 0 0 0 0 0
0 0 0 0 4 0 -4 0 0 0 0 0 0 0 0 0 -2 -2 -2 0 0 0 0 0
0 0 0 0 ? 0 -4 0 0 0 0 0 0 0 0 0 -2 -2 -2 0 0 0 0 0
0 0 0 4 0 0 0 -4 0 0 0 0 0 0 0 -2 0 0 0 -2 0 0 0 0
0 0 0 4 0 0 0 -4 0 0 0 0 0 0 0 -2 0 0 0 -2 0 0 0 0
0 0 4 0 0 0 0 0 -4 0 0 0 0 0 -2 0 0 0 0 0 ? 0 0 0
0 0 4 0 0 0 0 0 -4 0 0 0 0 0 -2 0 0 0 0 0 -2 0 0 0
0 4 0 0 0 0 0 0 0 -4 0 0 0 -2 0 0 0 0 0 0 0 ? 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 4 4 4 4 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 4 4 4 4 4 4 0 0 0

Figure 3 : Résultats de l’affinement de contours des images de la figure 2.

Quel sérieux inconvénient présente cette méthode d’affinement de contours ? Donnez d’autres
méthodes d’affinement de contours.

Question 3 :

L’image de la figure 4 donne l’angle perpendiculaire à la direction du gradient. Explicitez son

calcul et justifiez les valeurs numériques obtenues.
/ / / / / / / / / / /
/ / / / / -90 / / / / /
/ / / / / -90 / / / / /
/ / / / -27 -90 -154 / / / /
/ / / / -27 -90 -154 / / / /
/ / / -27 / / / -154 / / /
/ / / -27 / / / -154 / / /
/ / -27 / / / / / -154 / /
/ / -27 / / / / / -154 / /
/ -27 / / / / / / / -154 /
/ / / 90 90 90 90 90 / / /
/ / 90 90 90 90 90 90 90 / /

Figure 4 : Image des directions perpendiculaires au gradient pour l’image du ‘triangle idéal’.

Question 4 :

A partir de l’image des directions de gradient (figure 4) on construit l’image des valeurs
cumulatives de la façon suivante. Chaque point M ayant une direction de gradient bien définie d
‘vote’ (incrément de 1) pour tous les points de la droite passant par M et perpendiculaire à d dans
l’espace image.
a) Justifiez alors que les points d’un segment de droite isolé aient pour valeur la longueur de ce
segment dans l’espace image.
b) quel est la valeur du point intersection de deux segments de droite ?
c) La figure 5 présente les résultats obtenus à partir de l’image des directions de gradients de la
figure 4. Complétez les valeurs manquantes.

-38-
 Année 2011

1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 15 1 1 1 1 1
1 1 1 1 1 ? 1 1 1 1 1
1 1 1 1 8 1 8 1 1 1 1
0 0 0 0 7 0 7 0 0 0 0
0 0 0 7 0 0 0 7 0 0 0
0 0 0 7 0 0 0 7 0 0 0
0 0 7 0 0 0 0 0 7 0 0
0 0 7 0 0 0 0 0 7 0 0
5 ? 5 5 5 5 5 5 5 12 5
7 14 7 7 7 7 ? 7 7 ? 7
0 0 0 0 0 0 0 0 0 0 0

Figure 5 : Résultat dans l’espace des valeurs cumulatives considéré pour l’image du ‘triangle idéal’.

Question 5 :

Déduire de la question précédente le critère pour détecter les angles d’un triangle et par la suite un
triangle équilatéral (panneau de signalisation par exemple).
Dans un cas moins idéal, justifiez que l’on fasse ‘voter’ chaque point non pas avec une valeur de 1
mais une valeur proportionnelle à la norme du gradient.

Question 6 :

Comparez cette approche avec une approche à base de transformée de Hough.

-39-
 Année 2009

Examen de Traitement d’Images : Concepts de base

Enseignant : S. Le Hégarat

Soit l’image binaire suivante, sur laquelle on trouve des structures ‘boule’ : celles encerclées, et des
structures ‘filiforme’ : les autres — les pixels à 1 sont en noir et ceux à 0 en blanc.

1) Sur l’image binaire précédente, on souhaite distinguer les structures ‘boule’ des structures
‘filiformes’. Quel opérateur de morphologie mathématique (précisez l’élément structurant)
permet d’éliminer les structures filiformes ? Donnez le résultat obtenu.
2) Quelle autre opération de morphologie mathématique permet de restaurer l’intégralité des
structures ‘boule’ dans leur forme sur l’image initiale ? Précisez et justifiez l’élément
structurant utilisé. Donnez le résultat obtenu.
3) Donnez un cas de positionnement d’une structure ‘boule’ et d’une structure ‘filiforme’
conduisant à une erreur lors de la restauration et proposez un palliatif si l’on a un a priori sur
la taille des structures ‘boule’.
4) Effectuer la différence avec l’image binaire initiale pour obtenir les structures ‘filiformes’.
5) Dans le cas de l’image binaire étudiée, des ouvertures par des éléments structurants
appropriés permettent de distinguer les structures ‘filiforme’ en fonction de leur orientation.
Donnez ces éléments structurants en précisant quelle orientation de structure il distingue.
6) Donnez le résultat après ouverture en précisant à chaque fois le résultat de l’érosion.
7) Que remarquez-vous dans le cas des structures ‘filiforme’ orientées à 45° par rapport à
l’horizontal ?

-40-
 Année 2007

Examen de Traitement d’Images : Concepts de base

Enseignant : S. Le Hégarat

Exercice I : Calcul de la distance à un objet

a) Donner l’algorithme de calcul de distance discrète ;
b) L’appliquer dans le cas suivant en utilisant le masque 4-connexité ;
c) L’appliquer dans le cas suivant en utilisant le masque 8-connexité ;
d) Comparer les résultats et commenter.

Exercice II : Morphologie mathématique

Soit l’élément structurant suivant :
Et l’objet suivant :

a) Donner l’érodé de l’objet par l’élément structurant ;

b) Donner l’ouvert de l’objet par l’élément structurant ;
c) Donner le dilaté de l’objet par l’élément structurant ;
d) Donner le fermé de l’objet par l’élément structurant ;
e) Pouvez-vous citer un ou plusieurs éléments structurants (et la façon de les utiliser)
permettant d’arriver à l’objet suivant ?

-41-
 Année 2007

f) Décrivez les opérateurs de morphologie mathématique permettant de ‘passer’ de

l’imagette initiale à l’imagette finale selon les étapes suivantes :

Exercice III : Pré-traitements, Filtrage

1) Soit l’imagette à valeurs à niveaux de gris suivante.
50 0 0 0 255 255 255 255
0 0 0 0 255 255 255 105
0 10 0 0 255 235 255 255
0 0 0 50 255 155 255 255
0 0 90 0 255 255 255 255
70 0 0 0 195 255 255 255
0 30 0 0 255 255 205 255
0 0 0 0 255 255 255 255
Appliquer le filtre [1 2 1] en colonnes puis en lignes.
Donner un filtre 2D équivalent. Est-il plus intéressant (et pourquoi) d’appliquer 2 filtres
1D ou 1 filtre 2D.
2) Donner les cinq filtres lisseurs de base vus en cours en précisant à chaque fois les
performances attendues en fonction du type de bruit.
3) Quels sont les (pré)traitements ayant permis de ‘passer’ de l’imagette initiale à
l’imagette finale selon les étapes suivantes ? Justifier à chaque fois votre réponse ET
proposer des alternatives.

-42-
 Année 2007

-43-
 Année 2006

Examen de Traitement d’Images : Concepts de base

Enseignant : S. Le Hégarat

I Représentation discrète et morphologie mathématique

1) Donner le nombre de composantes connexes de l’objet suivant :

La courbe est-elle simple ? Précisez à chaque fois la connexité.

2) Calcul de la distance à un objet :

a) Donner l’algorithme
b) L’appliquer dans le cas suivant en précisant le masque utilisé

3) Soit l’élément structurant suivant :

a) Donner l’ouvert et le fermé de l’objet de la question 1)
b) Que se passe-t-il si l’on applique deux ouvertures successives ? Qu’en est-il dans le cas
d’une fermeture, d’une érosion et d’une dilatation ?

4) A quoi servent les ‘opérateurs’ suivants :

- top hat,
- filtre alterné séquentiel,
- reconstruction géodésique,
- squelette.

-44-
 Année 2006

II Classification, segmentation, filtrage

1) A quoi sert une classification ?
Sur les images suivantes combien voyez-vous de classes ? Combien de régions ? Justifiez.

2) Enoncez le critère du Maximum A Posteriori.

Que signifie MPM et quelle est la différence avec le MAP ?
Qu’est ce qu’un recuit simulé ? A quoi cela sert-il ?

3) Donner les cinq filtres lisseurs de base vus en cours en précisant à chaque fois les performances
attendues en fonction du type de bruit.

III Divers
Quels traitements appliqués à partir de l’image bruitée ont conduit aux images suivantes ?
Commentez vos réponses, notamment vis-à-vis de la qualité du traitement et des alternatives.
(‘Poivre et sel’)

Ajout de bruit
impulsionnel

??????????’

???????????
??????????’

??????????’

-45-