Chapitre 1

Ministère de l’Enseignement Supérieur
et de la Recherche Scientifique ‫وزارة التعليـم العالي والبحث العلمي‬

Université de Carthage ‫جامعـة قرطاج‬
‫المدرسـة الوطنية للمهندسين بقرطاج‬
Ecole Nationale d’Ingénieurs de Carthage
Traitement d’Images et
Reconnaissance des Formes
Cours Master de Recherche
Automatique Robotique et Traitement de l’Information
2ème ARTI
AFEF ELLOUMI OUESLATI
Cours 2ème ARTI
Introduction
Année Universitaire 2020-2021
PLAN
1 Introduction
2 Eléments de colorimétrie
3
Systèmes de représentation de couleurs
4
Représentation numérique d’une image
5
Les formats d’images
6 Processus de traitement et d’analyse d’images
1
Systèmes de représentation Représentation numérique Processus de traitement et
Introduction Eléments de colorimétrie de couleurs d’une Image Les formats d’images s d’analyse d’images
Introduction
• Question?
Est-ce que nous les humains, nous faisons du traitement d’images?
ou est ce que cette notion nous est étrangère ?
• Réponse:
Oui nous les humains, nous faisons du traitement d’images!!!!
- À chaque fois que nous récupérons une image avec nos yeux
- A chaque fois que nous nous rappelons d’une scène
- A chaque fois que nous rêvons
Nous faisons du traitement d’image à une fréquence très élevée
grâce à notre cerveau
•Question?
Si nous faisons si bien le traitement d’images, pourquoi avoir un
cours?
• Réponse:
Nous avons besoin de comprendre le fonctionnement du cerveau,
le modéliser, le programmer et le donner à la machine !!!!!
Afef Elloumi Oueslati Traitement d’Images et Reconnaissance des Formes 4

Introduction Eléments de colorimétrie de couleurs d’une Image Les formats d’images s d’analyse d’images
Introduction
• Pour l’être humain, l’image constitue l’une des principales sources

d’information
• Une scène contient une quantité importante d’information qu’il est

important de traiter et d’analyser pour prendre une décision
• Le traitement d’image permet :
• La recherche d’information pour une interprétation par l’homme
• L’analyse des scènes pour la perception par la machine
Afef Elloumi Oueslati Traitement d’Images et Reconnaissance des formes 5
2
Introduction Eléments de colorimétrie de couleurs d’une Image Les formats d’images d’analyse d’images
Introduction
• L’ image est passée par plusieurs étapes depuis 1950 et jusqu’à aujourd'hui :
• La restauration : essayer d’éliminer les bruits liés à l’acquisition

• Le rehaussement : améliorer l’aspect visuel de l’image
• La classification : différents types d’images
- Imagerie médicale ,
- Imagerie satellite et aérienne,
- Télésurveillance et armement….
• La reconstruction : pour le contrôle qualité
• La détection, la poursuite et la localisation : pour la robotique mobile
- Analyse du mouvement,
- Détection d’obstacles,
- Suivi de trajectoires,
- vision des images 3D ….
• La compression et l’indexation : gestion des données multimédias
- Codage
- Transmission
Introduction Eléments de colorimétrie Systèmes de représentation Représentation numérique Les formats d’images Processus de traitement et
de couleurs d’une Image d’analyse d’images
Eléments de colorimétrie
• La lumière : toute source lumineuse visible est composée d’un mélange
d’ondes électromagnétique cohérente (de couleurs pures)
• Les longueurs d’onde du spectre visible s’étendent approximativement entre

380 (violet) et 720 (rouge)
• Les couleurs trouvent leur origine dans la séparation de la lumière blanche

naturelle en composantes absorbées et composantes réfléchies
- Les couleurs représentent des sensations de couleur
- Le blanc est un mélange de couleurs
- Le noir est l’absence de couleur
3
• Les longueurs d’onde du spectre visible s’étendent approximativement entre
380 (violet) et 720 (rouge)
• Les longueurs d’onde : leurs tailles, les fréquences associées et leur utilisations
4
• Le spectre électromagnétique : emplacement et caractérisation des longueurs
d’onde du spectre visible
• La combinaison de trois longueurs d’ondes particulière permet de

synthétiser toutes les couleurs
• Les trois couleurs de base sont appelées « couleurs primaires »
• Une couleur peut être représentée dans un système à trois dimensions.
- Système RGB (Red Green Blue)
-Système CMY (Cyan Magenta Yellow)
-Système HLS (Hue Luminance Saturation)
-Système XYZ
5

Le Système RGB (Red Green Blue)
• Lors du mélange additif RGB, des couleurs primaires R (Red) G (Green) et B

(Blue) sont pondérées par leur intensité respectives a b et c et projetées sur un
écran noir avec un certain recouvrement.
• Le système RGB est dit aussi système additif.
• Les couleurs RGB sont dites couleurs primaires de lumière. La Commission

Internationale d’Eclairage (CIE) a défini en 1931 les longueurs d’ondes des
couleurs primaires RGB : R=700 nm, G=546.1 nm et B = 435.8 nm.
• Le système RGB est dédié à l’affichage sur écran

• Dans le système RGB, une couleur est définie par trois coordonnées (r,g,b).
• L’origine (0,0,0) correspond à la couleur noir.

• Le blanc est obtenu lorsque r=g=b=valeur maximale (100%).
(1,1,1) (codage binaire) et (255,255,255) (codage 8bits)
• Sur la droite reliant l’origine au sommet du cube, on trouve tous les points de
l’espace vérifiant r=g=b et donc les couleurs grises.
6

• Sur machine, avec le système RGB, si on visualise chaque composante dans
une image à une dimension, elle est affichée en niveau de gris
Représentation d’une image couleur
sur 3 plans indépendants

• Sur machine, avec le système RGB, une couleur est définie par trois matrices
superposées représentant respectivement le rouge, le vert et le bleu.
7

Le Système CMY (Cyan Magenta Yellow )
• Le système RGB ne convient pas dans le cas de l’imprimerie car les surfaces
sont blanches. On utilise alors le système soustractif CMY (Cyan Magenta
Yellow) qui est le complémentaire du RGB.
• Les couleurs sont mélangées sur une surface blanche. Ce sont les couleurs
primaires que nous avons l’habitude de manipuler
• Les couleurs cyan magenta et jaune sont dites couleur primaire du pigment.
• Ce système est dédié pour l’imprimerie

Le Système CMY (Cyan Magenta Yellow )
• Dans le système CMY, une couleur est définie par trois coordonnées (c,m,y).
• L’origine (0,0,0) correspond à la couleur blanche.

• Le noir est obtenu lorsque c=m=y=valeur maximale (100%).
(1,1,1) (codage binaire) et (255,255,255) (codage 8bits)
• Sur la droite reliant l’origine au sommet du cube, on trouve tous les points de
l’espace vérifiant c=m=y et donc les couleurs grises.
8

Le Système HLS (Hue Luminance Saturation)
Le système HLS se base sur des variables possédant une interprétation plus
intuitive:
• La teinte (Hue en anglais) : La teinte est associée à la longueur d’onde. Elle est
mesurée par un angle
• La Luminance (Lightness ):quantité de lumière transmise (la couleur est plus

ou moins claire ou sombre). Elle est mesurée par un pourcentage (de 0 à 100).
• La saturation (Saturation en anglais) : la saturation est associée à la saturation

en couleur (ou bien le degré de blanc dans la couleur). Elle est mesurée par un
pourcentage (de 0 à 100).

Le Système HLS (Hue Luminance Saturation)
9

Le Système XYZ
• Un espace de couleurs appelé XYZ (mathématique) a été introduit en 1931 par
CIE. Les composantes du système XYZ sont liées à celles de RGB par la
relation :
• La normalisation des composantes XYZ par rapport à X+Y+Z,

donne le système xyz défini par :
• Il est possible de décrire l’ensemble

des couleurs par deux composantes normalisées
x et y appelées variables de chrominance.

La table de correspondance de couleurs « Color LUT »
• Dans la pratique, les couleurs sont définies par des tables de correspondance
dites « Table de Correspondance des Couleurs » ou bien « Color Look Up
Table » (en abrégé « Color LUT »).
• La table est composée de trois colonnes représentant chacune une composante

de couleur dans le système considéré (généralement RGB).
• La restitution d’une image se fait pixel par pixel. Pour chaque pixel, on
récupère son code qui est un entier appartenant à l’intervalle [0,255], on
consulte la « color LUT » pour récupérer la définition (r,g,b) qu’on envoie vers
le système de visualisation.
10

• Une image peut avoir une représentation raster ou une représentation
vectorielle
• Image Raster
• Une image est une fonction à deux dimensions z=f(x,y)
• (x,y) sont les coordonnées du point
• z représente la couleur associée
• Une image doit être numérisée pour être traitée par un ordinateur
• Il faut appliquer un échantillonnage spatial sur (x,y) les coordonnées du
point
• Il faut appliquer une quantification sur z qui représente la couleur
associée
Résultat de l’opération : une matrice de pixels
(picture elements)
• i représente l’indice de ligne, j l’indice de colonne

• ai,j représente la couleur

Image Raster
• Numérisation d’une image : échantillonnage spatial et quantification
11

Image Raster
• L’échantillonnage spatial donne une répartition des pixels qui peut être sous la
forme d’une trame carrée ou une trame hexagonale
• La trame hexagonale est intéressante mais difficile à mettre en œuvre

• La trame carrée est plus simple et c’est celle que nous allons utiliser

Image Raster
(V9) (V5)
Remarque : le pixel est comptabilisé dans le voisinage d’où V9 et V5

• On peut avoir également V2, V3, V4, comme on peut avoir un voisinage
quelconque
• Quantification : l’intensité de la lumière est représentée sur un nombre fini des
niveaux de gris (2k)
12

Résolution d’image
• Echantillonnage spatial Résolution spatiale (en pixels)
• Quantification Résolution colorimétrique (en bits)
• Résolution spatiale : Le nombre de pixels/ligne * nombre de pixels/colonne

Le nombre total de pixels
L’intervalle séparant deux pixels
Ex: 512*512 pixels, 1024*4096 pixels …….
• Résolution colorimétrique : Le nombre de bits réservé pour coder un pixel

La quantification
La profondeur de bits
Ex: 1 bit, 2 bits, …..8 bits ……
• On peut classer les images par ordre croissant de qualité

• Image binaire (1 bit: 0 et 1)
• Image en niveaux de gris (de 2 à 8 bits)
• Image en couleurs (24 bits / 8 bits par composante)

Résolution d’image
Résolution spatiale Résolution colorimétrique
13

Exercice Résolution d’image
• Soit les trois images suivantes
1) Donner la résolution spatiale et colorimétrique associée à chacune
2) Donner la ou les matrices associées à chacune

Exercice Résolution d’image (correction)
• Soit les trois images suivantes
1) la résolution spatiale (RS) la résolution colorimétrique (RC)
2) Donner la ou les matrices associées à chacune
RS= 3*3 =9 pixels 1 0 1

RC=1 bit (0 et 1) 0 1 0
1 0 1
3 1 0
RS= 3*3 =9 pixels 0 1 2
RC=2 bits (0,1,2,3) 2 0 3
R V B
RS= 3*3 =9 pixels 150 255 0 0 255 12 0 255 0
RC=24 bits (8 bits/ 0 0 235 0 0 0 0 195 0
composante)
0 255 0 0 255 180 214 255 0
14

Image vectorielle
Quand l’image est constituée de lignes et de régions homogènes
• il est plus intéressant de la représenter autrement que sous la forme d’une
matrice de pixels.
• Dans ce cas elle est dite image vectorielle.
• Elle peut être considérée comme un ensemble de vecteurs.
• Elle demande moins de mémoire et les transformations géométriques sont
plus faciles et donc plus rapides
• Cette représentation d’image est connue sous le vocable « graphique ».
Les formats d’images

• Une image numérique doit être stockée dans un fichier
• Le stockage se fait selon un arrangement particulier de pixels : le
format d’image
• Le format d’image est précisé dans l’extension du fichier
• On distingue plusieurs format:
-(.bmp) le format BMP (sous « paint » plate-forme WINDOWS),

- (.gif) le format GIF, image compressée (LZW,) codage sur 8 bits
donc limité à 256 niveaux
- (.jpg) le format JPEG (partager sur internet), bon rapport qualité/
espace
- (.psd) le format PSD, natif au logiciel Adobe Photoshop. Codage
sur 8, 16, 24 ou 32 bits
- (.tif) le format TIFF le plus universel ,
- (.pdf) le format PDF : utilisé par Adobe Acrobat
15
Chaine de traitement d’image (Traitement Journalier)

Restauration
Rehaussement
Segmentation
Analyse des
caractéristiques
:
Prise de décision
Chaine de traitement d’image(Utilité de la Machine)
16
Cours 2ème ARTI
Chapitre1: Transformations d’Images

Année Universitaire 2020-2021
PLAN
1
Introduction
2
Transformations ponctuelles
3
Transformations de voisinage
4
Transformations spectrales
1
Introduction Transformations ponctuelles Transformations de voisinage Transformations spectrales
Introduction
• Une scène est un grande quantité d’informations dont il faut extraire
l’information utile
Il faut soumettre l’image à des transformations
Image Image
source
Transformation 1 Résultat
Image
source 1
Image Image
source 2
Transformation 2 Résultat
Image
source 3
• Les transformations sont classées de la manière suivante:

• Transformations ponctuelles
• Transformations de voisinage
• Transformations morphologiques
• Transformations spectrales
• Pour ces transformations, la nouvelle valeur d’un pixel dépend uniquement de
son ancienne valeur
• m’(i,j)=f1(m(i,j)) ou
• m’(i,j)=f2(m1(i,j),m2(i,j))
• Ces transformations peuvent être réalisées avec :
• Les opérations arithmétiques : addition, soustraction, multiplication, division

par
• une constante
• ou avec une autre image
• Les opérations logiques: OU, ET, NON, ……

• une constante
• ou avec une autre image
• Les anamorphoses : l’application d’ un log ou d’une exponentielle.
2
• Remarque 1 :
1 1 1
• Soit l’exemple suivant : M= 0 1 0 +5
1 0 0
• Cette transformation est une addition entre matrice et un scalaire

• Elle se fait point par point
• Le nombre d’opération (fait par la machine) est égal à 9 qui est la valeur de la
résolution spatiale
• Le nombre réel d’opération est 2 (0+5 et 1+5) et donc il dépend réellement de la
résolution colorimétrique
Opter pour une solution judicieuse et plus optimale

• Faire uniquement 2 opérations d’addition et mettre dans une table de
0 5
correspondance 1 +5 = 6
• Le reste des opérations sont de simples affectations
C’est ce que nous faisons nous réellement
• Remarque 2 :
1 1 1
• On reprend le même exemple : M= 0 1 0 +5
1 0 0
• Quelle est la résolution colorimétrique de la matrice initiale?

• Chaque pixel est codé sur 1 bit
• Quelle est la résolution colorimétrique de la matrice M après l’addition ?

• Chaque pixel doit être codé sur 3 bits (car valeur max 6)
• Il y a un problème de dépassement de capacité car au départ

on a réservé 1 bit
Solution:
• Il faut remettre les valeurs dans l’intervalle
• On peut utiliser une simple division sur le nombre total de pixels
Opération de normalisation
3
• Exemples:
• addition : superposition de deux images ImR1=Im1+Im2
Im1 Im2
• Logique : masquage avec (Et et Ou)

ImR2=Et(Im1,M) ImR3=Ou(Im1,M)
Im1 M
• Dans ces transformations la nouvelle valeur d’un pixel dépend des anciennes
valeurs du pixel et de ses voisins
• Exemple le calcul d’une moyenne est une transformation de voisinage

• Si on veut calculer la moyenne de 9 pixels comment on fait ?
• on fait la somme de tous les pixels sur 9
On a V= (P1+P2+P3+P4+P5+P6+P7+P8+P9)/9
• On doit utiliser une matrice
1 1 1
1/9. 1 1 1
1 1 1
• Cette transformation de voisinage est linéaire donc

• On doit faire un produit de convolution entre l’image et la matrice de la
transformation
4
valeurs du pixel et de ses voisins donc il faut définir le voisinage
• Exemple de voisinages
V2 V3 V4 V5 V9
1
𝟏
V2
1 0 1 1 0 1 0 1 1 1
𝟏 1 𝟏 1 𝟏 1 1 𝟏 1 1 𝟏 1
0 1 0 1 1 1
valeurs du pixel et de ses voisins.
• Quand cette transformation est linéaire , on procède par produit de

convolution entre l’image et la matrice de la transformation
• Produit de convolution
 On rappelle que :
 Le produit de convolution est la réponse d’un système à une excitation
donnée (h(t) est la réponse impulsionnelle)
x(t) y(t)
h(t)
La procédure :
On prend le symétrique d’un signal qu’on décale par rapport à l’autre et
on mesure leur similitude (l’aire commune) en fonction du décalage
C’est le même principe pour l’image (signal 2D)
Afef Elloumi Oueslati Traitement d’Images et Reconnaissance des Formes10
5
Produit de convolution
• On rappelle pour le signal 1D et on passe à 2D
• Cas 1D continu
𝑦 𝑡 =𝑥 𝑡 ∗ℎ 𝑡 = 𝑥 −𝑢 + 𝑡 ℎ 𝑢 𝑑𝑢
• Cas 1D discret
1
𝑦 𝑛 =𝑥 𝑛 ∗ℎ 𝑛 = 𝑥 −𝑖 + 𝑛 ℎ(𝑖)
𝑁
• Cas 2D
f(x,y) g(x,y)
h(x,y)
• Cas 2D continu
𝑔 𝑥, 𝑦 = 𝑓 𝑥, 𝑦 ∗ ℎ 𝑥, 𝑦 = f(−α + 𝑥, −β + y)ℎ α, β 𝑑α𝑑β

• Cas 2D discret
1
𝑔 𝑛, 𝑘 = 𝑓 𝑛, 𝑘 ∗ ℎ 𝑛, 𝑘 = 𝑓 −𝑖 + 𝑛, −𝑗 + 𝑘 ℎ(𝑛, 𝑘)
𝑁𝑀
• Le produit de convolution est le principe du filtrage spatial linéaire
• Un filtre spatial est donc défini par :
• Le support du filtre : taille et forme du voisinage considéré : c'est souvent un

carré de taille impaire (3x3, 5x5, 7x7, ...) mais cela peut être une croix, un
disque, etc. ;
• La position du pixel central dans le support ;
• L'algorithme utilisé pour le calcul de la valeur de sortie à partir des valeurs du

voisinage.
6
• Algorithme : balayage de l'image par le masque de convolution
• Le masque est superposé sur l'image,

en le positionnant sur le voisinage du pixel
courant ;
• Chaque coefficient du masque est multiplié

Avec le pixel qu'il recouvre, puis on additionne
toutes les valeurs pour obtenir la valeur de
Sortie du pixel courant ;
• Cette opération est répétée pour tous les

pixels de l'image.

Exemple avec la matrice du filtre −1 −2 −1
0 𝟎 0
1 2 1
• Le masque est superposé sur l'image,
en le positionnant sur le voisinage
du pixel courant le zéro sur le 75 ;
• Chaque coefficient du masque est
Multiplié avec le pixel qu'il recouvre,
puis on additionne toutes les valeurs pour
obtenir la valeur de sortie du pixel courant ;
• (-1)*0+(-2)*0+(-1)*75+(0)*0+(0)*75+(0)*80+
+(1)*0+(2)*75+(0)*80 =155
• Cette opération est répétée pour tous les

pixels de l'image.
7
• Cette opération est répétée pour tous les pixels de l'image.
• Gestion des bords
• On constate que pour les pixels du bord, le masque déborde de l'image. Les
valeurs résultat des pixels du bord sont dans ce cas indéfinies.
• Pour obtenir des valeurs plausibles, on peut adopter différentes solutions:

• Zero-padding : on suppose que les pixels en dehors de l'image sont de
valeur nulle ;
• Duplication : on duplique les premières et dernières lignes et colonnes au
delà des bords ;
8
Algorithme parallèle et algorithme séquentiel
Il existe deux manières de calculer l’image transformée
- Algorithme parallèle
• Si tous les pixels sont modifiés en même temps.
• L’algorithme est dit parallèle.
• Dans ce cas, la nouvelle valeur d’un pixel est obtenue en utilisant uniquement
les anciennes valeurs des pixels voisins.
• Ceci nécessite de travailler sur deux matrices.
• C’est l’algorithme que nous allons adopter
- Algorithme séquentiel
• Si le travail s’effectue sur la même matrice, la nouvelle valeur d’un
pixel est utilisée pour déterminer la nouvelle valeur des pixels suivants.
• Tout se passe comme si les pixels sont modifiés séquentiellement. Un tel
algorithme est dit séquentiel.
• Dans le cas des algorithmes itératifs, un algorithme séquentiel converge
beaucoup plus rapidement qu’un algorithme parallèle.
9
• Afin d’analyser un signal ou une image , il est impératif de travailler
sur deux domaines
• Temporel (signal 1D) et fréquentiel
• Spatial (signal 2D) et fréquentiel
• Plusieurs transformations permettent de basculer du domaine spatial

au domaine fréquentiel:
La transformée de Fourier, de Walsh, Hadamard, cosinus ……
• La transformation que nous allons considérer est la Transformée de

Fourier
• On rappelle pour le signal 1D et on passe à 2D
Transformée de Fourier
• On rappelle pour le signal 1D
• Cas 1D continu, on considère le signal x(t) à énergie finie
é .
𝑇𝐹 𝑥(𝑡) = 𝑋 𝑓 = 𝑥 𝑡 exp −𝑖2𝜋𝑓𝑡 𝑑𝑡 = "Transformée de Fourier" de 𝑥 𝑡
et
𝑥 𝑡 = 𝑇𝐹 𝑋 𝑓 = 𝑋 𝑓 exp 𝑖2𝜋𝑓𝑡 𝑑𝑓 = "Transformée de Fourier inverse"
Notation: x(t)  X(f);

X(f) = “spectre d’amplitude” et Arg[X(f)] =“spectre de phase” du signal
• x(t) et X(f) sont deux descriptions équivalentes du même signal
Description fréquentielle même information

Description temporelle
10
• On rappelle pour le signal 1D
• Cas 1D discret
Pour la Transformée de Fourier discrète il faut

-Discrétisation de t : t  nTe
- Discrétisation de f : f  k Fe/N
avec Te= Fe =1
1
𝑋(𝑘) = 𝑥(𝑛)𝑒 , 𝑛 = 0, … , 𝑁 − 1
𝑁
𝑁 𝑁
𝑥 𝑛 = 𝑋(𝑘)𝑒 ,𝑘 = − ,…, − 1
2 2
• On passe à 2D maintenant
• Cas 2D continu, on considère l’image f(x,y) continue
é .
𝑇𝐹 𝑓(𝑥, 𝑦) = 𝐹 𝑢, 𝑣 = 𝑓(𝑥, 𝑦) exp −𝑖2𝜋(𝑢𝑥 + 𝑣𝑦) 𝑑𝑥𝑑𝑦
et
é .
𝑓 𝑥, 𝑦 = 𝑇𝐹 𝐹 𝑢, 𝑣 = 𝐹(𝑢, 𝑣) exp 𝑖2𝜋(𝑢𝑥 + 𝑣𝑦) 𝑑𝑢𝑑𝑣
• Cas 2D discret, on considère l’image f(x,y) discrète,
. 1 𝑢𝑥 𝑣𝑦 Pour un but de simplification

𝐹 𝑢, 𝑣 = 𝑓(𝑥, 𝑦) exp −𝑖2𝜋( + )
𝑁𝑀 𝑁 𝑀 Ici nous considérons les
et éléments x, y u et v discrets
N nombre de ligne
. 𝑢𝑥 𝑣𝑦
𝑓(𝑥, 𝑦) = 𝐹 𝑢, 𝑣 exp 𝑖2𝜋( + ) M nombre de colonne
𝑁 𝑀
11
Transformée de Fourier Exercice
1. Calculer la TF d’un signal sinusoïdal de la forme x(t)=Acos (2π𝑓 𝑡)
2. Calculer la TF d’un signal rectangulaire centré en 0 de durée T et

d’amplitude A
3. Déduire la TF2D d’une image sinusoïdale

4. Déduire la TF2D d’une image carrée
Transformée de Fourier : Correction Exercice
1. La TF d’un signal sinusoïdal de la forme x(t)=Acos (2π𝑓 𝑡)
X(f)= (𝜕(𝑓 − 𝑓 )+𝜕(𝑓 + 𝑓 ))
2. La TF d’un signal rectangulaire centré en 0 de durée T et d’amplitude

A
X(f)=𝐴𝑇𝑠𝑖𝑛𝑐(𝜋𝑓𝑇)
12
2 𝑟𝑎𝑖𝑒𝑠 𝑑𝑒 𝑑𝑖𝑟𝑎𝑐 𝑎𝑢𝑠𝑠𝑖

2 𝑠𝑖𝑛𝑢𝑠 𝑐𝑎𝑟𝑑𝑖𝑛𝑎𝑢𝑥
Remarque : généralement, on trace : Log(1+ F(u,v)) car F(u,v) décroit rapidement
13
Transformée de Fourier Exercice correction
Déduire la TF2D d’une image sinusoïdale 2 𝑟𝑎𝑖𝑒𝑠 𝑑𝑒 𝑑𝑖𝑟𝑎𝑐 𝑎𝑢𝑠𝑠𝑖
Transformée de Fourier Exercice correction
4. Déduire la TF2D d’une image carrée 2 𝑠𝑖𝑛𝑢𝑠 𝑐𝑎𝑟𝑑𝑖𝑛𝑎𝑢𝑥
14
Remarque : généralement, on trace : Log(1+ |F(u,v)|) car |F(u,v)| décroit rapidement
Images |F(u,v)| Log(1+ |F(u,v)|)
Propriétés de la Transformée de Fourier 2D
1. La séparabilité
TF 2D peut être obtenue en effectuant 2 fois la TF 1-D : simplifier les
calculs
2. La translation
Remarque : C’est ce qu’on fait généralement pour avoir le module de la TF centré.

La modification de l’origine de l’espace temporel, ne modifie pas le module
|F(u,v)|
15
2. La translation
pour une représentation correcte dans le cas 1D
Exemple
2. La translation on représente la TF2D centrée
16
3. Périodicité et symétrie du conjugué :
La TF discrète et son inverse sont périodiques et de période N :
F(u,v)=F(u+N,v)=F(u,v+N)=F(u+N,v+N)
Remarque : On rappelle qu’échantillonner dans un domaine revient à périodiser dans le
domaine dual et donc l’image et sa TF2D sont toutes les deux numériques et périodiques
Si F * est le conjugué de F, on a : F(u,v)=F*(−u,−v)
4. Rotation
Si l’image f subit une rotation θ, alors sa TF2D F subit la même rotation:
5. Linéarité
La TF2D est linéaire : si une image est constituée par plusieurs images
élémentaires alors son spectre est la somme pondérée des spectres
6. Le Produit de convolution et la TF2D

On rappelle que le produit de convolution est utilisé pour le filtrage
𝑔 𝑥, 𝑦 = 𝑓 𝑥, 𝑦 ∗ ℎ 𝑥, 𝑦 → 𝐺 𝑢, 𝑣 = 𝐹 𝑢, 𝑣 . 𝐻(𝑢, 𝑣)
7. La fonction de corrélation et la TF2D

On rappelle que la fonction de corrélation peut s’écrire sous forme de produit de
convolution et est utilisée pour l’étude de similarité
∗ ∗
𝑔 𝑥, 𝑦 𝑜𝑓 𝑥, 𝑦 = 𝑔 𝑥, 𝑦 ∗ 𝑓 −𝑥, −𝑦 → 𝐺 𝑢, 𝑣 . 𝐹 𝑢, 𝑣
17
Mise en évidence des propriétés
Algorithme de la Transformée de Fourier 2D: la FFT
• Le calcul de la TF devrait entraîner le calcul d’un double intégrale. L’algorithme

FFT exploite les propriétés suivantes :
- La séparabilité pour ramener le calcul de la TF 2-D au calcul de la TF 1-D
- La symétrie entre les termes paires et impaires pour ramener le problème au

calcul de la TF de deux échantillons.
• Le nombre d’opérations d’une TF2D est égal à N2 opérations
• Le nombre d’opérations d’une FFT est égal à Nlog2(N) opérations
 Cet algorithme garantit un gain en opérations donc en mémoire et en temps

d’exécution
18
Application de la Transformée de Fourier 2D
Mise en évidence des propriétés des textures
19

Chapitre 1

Transféré par

Informations du document

Titre original

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

Chapitre 1

Transféré par

Droits d'auteur :

Formats disponibles

Ministère de l’Enseignement Supérieur

et de la Recherche Scientifique ‫وزارة التعليـم العالي والبحث العلمي‬

Cours 2ème ARTI

Année Universitaire 2020-2021

6 Processus de traitement et d’analyse d’images

Afef Elloumi Oueslati Traitement d’Images et Reconnaissance des Formes 4

Systèmes de représentation Représentation numérique Processus de traitement et

• Pour l’être humain, l’image constitue l’une des principales sources

• Une scène contient une quantité importante d’information qu’il est

• Le traitement d’image permet :

• La recherche d’information pour une interprétation par l’homme

• L’analyse des scènes pour la perception par la machine

Afef Elloumi Oueslati Traitement d’Images et Reconnaissance des formes 5

• La restauration : essayer d’éliminer les bruits liés à l’acquisition

Afef Elloumi Oueslati Traitement d’Images et Reconnaissance des formes 6

• Les longueurs d’onde du spectre visible s’étendent approximativement entre

• Les couleurs trouvent leur origine dans la séparation de la lumière blanche

- Les couleurs représentent des sensations de couleur

- Le blanc est un mélange de couleurs

- Le noir est l’absence de couleur

Afef Elloumi Oueslati Traitement d’Images et Reconnaissance des formes 7

Afef Elloumi Oueslati Traitement d’Images et Reconnaissance des formes 8

Afef Elloumi Oueslati Traitement d’Images et Reconnaissance des formes 9

Afef Elloumi Oueslati Traitement d’Images et Reconnaissance des formes 10

Systèmes de représentation de couleurs

• La combinaison de trois longueurs d’ondes particulière permet de

• Les trois couleurs de base sont appelées « couleurs primaires »

• Une couleur peut être représentée dans un système à trois dimensions.

- Système RGB (Red Green Blue)

-Système CMY (Cyan Magenta Yellow)

-Système HLS (Hue Luminance Saturation)

Afef Elloumi Oueslati Traitement d’Images et Reconnaissance des formes 11

Systèmes de représentation de couleurs

• Lors du mélange additif RGB, des couleurs primaires R (Red) G (Green) et B

• Les couleurs RGB sont dites couleurs primaires de lumière. La Commission

• Le système RGB est dédié à l’affichage sur écran

Afef Elloumi Oueslati Traitement d’Images et Reconnaissance des formes 12

Systèmes de représentation de couleurs

• L’origine (0,0,0) correspond à la couleur noir.

Afef Elloumi Oueslati Traitement d’Images et Reconnaissance des formes 13

Systèmes de représentation de couleurs

Afef Elloumi Oueslati Traitement d’Images et Reconnaissance des formes 14

Systèmes de représentation de couleurs

Afef Elloumi Oueslati Traitement d’Images et Reconnaissance des formes 15

Systèmes de représentation de couleurs

Afef Elloumi Oueslati Traitement d’Images et Reconnaissance des formes 16

Systèmes de représentation de couleurs

• L’origine (0,0,0) correspond à la couleur blanche.

Afef Elloumi Oueslati Traitement d’Images et Reconnaissance des formes 17

Systèmes de représentation de couleurs

• La Luminance (Lightness ):quantité de lumière transmise (la couleur est plus

• La saturation (Saturation en anglais) : la saturation est associée à la saturation

Afef Elloumi Oueslati Traitement d’Images et Reconnaissance des formes 18

Systèmes de représentation de couleurs

Afef Elloumi Oueslati Traitement d’Images et Reconnaissance des formes 19

Systèmes de représentation de couleurs

• La normalisation des composantes XYZ par rapport à X+Y+Z,

• Il est possible de décrire l’ensemble

Afef Elloumi Oueslati Traitement d’Images et Reconnaissance des formes 20

Systèmes de représentation de couleurs

• La table est composée de trois colonnes représentant chacune une composante

Afef Elloumi Oueslati Traitement d’Images et Reconnaissance des formes 21

Représentation numérique d’une image