Traitement d’Image

<<Objectifs et Organisation du Cours>>

École Supérieure Polytechnique (ESP) de Dakar,
2022-2023
Intervenant: Abdou DIOP

M.DIOP 1
 Objectifs/ Prérequis
Objectifs:
Les objectifs généraux du cours sont :
• Etudier les mécanismes d’amélioration et restauration des images
numériques.
• Etudier les mécanismes de détection de contours et segmentations des
images numériques.
• Etudier les mécanismes d’augmentation du nombre et reconstruction de
nouvelles images numériques
• Etudier les mécanismes d’ codage et compression des images
numériques.
Prérequis:
Pour mieux comprendre le cours il est nécessaire d’avoir :
• Connaissance de base en outils mathématique pour la physique.
• Connaissance de base en traitement de signal.
• Connaissance de base en algèbre

M.DIOP 2
 Contenu

Images , Images Numériques, Images Binaire.

Histogramme.
Operations de convolution d’image.
 Operations d’interpolation d’image
Operations de transformation de Fourier
d’image.

M.DIOP 3
 Organisation
I. Notion d’image
 Définition image
 Exemple de Transformations d’image
 Exemple d’application traitement d’image
II. Histogramme
 Histogramme
 Normalisation de histogramme
 Egalisation de histogramme
 Seuillage de histogramme
III. Convolution
 Notion de filtre( noyau, kermel…)
 Définitions & principe
 Exemples d'opérations de convolution
IV. Transformation de fourrier
 Fréquences dans l’images
 Analyse spectrale
 Exemples d'opérations de Transformation de Fourier

M.DIOP 4
 Projets d’Intégration de compétences
Etude et Mise en Place de :
• Mécanismes d’amélioration et restauration des
images numériques ( Matlab, Python)
• Mécanismes de Détection de contours et
segmentation des images numériques ( Matlab,
Python)
• Mécanismes de codages et compression des
images numériques
• Mécanismes d’augmentation du nombre et de
régénération de nouvelle images numérique à
partir d’images de départ( Matlab, python).
M.DIOP 5
 Traitement d’Image
<<Traitement et Analyse Spatiale>>
École Supérieure Polytechnique (ESP) de Dakar,
2022-2023
Intervenant: Abdou DIOP

M.DIOP 6
 1.1.Définition
1.1.1. Image analogique
Définition :
• Représentation d’une scène par la peinture, la sculpture, le
dessin, photographie, film...
• Ensemble structuré d’informations qui après affichage sur un
support (écran, toile, papier,...) ont une signification pour l’œil
humain.
• Si x et y sont les coordonnées spatiales d’un point de l’image,
I(x, y) est une fonction de l’intensité lumineuse et de la couleur.
I(x, y) signal analogique continue Inexploitable par la machine
implique numérisation
M.DIOP 7
 1.1.Définition
1.1.2 Image numérique
Définition :
Tableau de nombres entiers
o Scalaires = 1 valeur (niveaux de gris, noir- blanc, 2D)
o Vecteurs = plusieurs valeurs (couleurs) (3 RGB) (Red - Green - Blue)
Lors de l’acquisition, le signal analogique continu est
numérisé (discrétisé)
Numérisation ou Discrétisation :
* L’´échantillonnage
* La quantification
* Codage
M.DIOP 8
 1.1.Définition
1.1.3 Images binaires
Définition :
Tableau de 0 et de 1 (0 noir, blanc 1)

M.DIOP 9
 1.1.1Définition
1.1.4. I m a g e s e n n i v ea u x d e gris ( noir blanc)
Définition :
Tableau d’entiers compris entre 0 et L m a x

En général, L m a x est de la forme de 2 n −1.

Qualité d ’ u n e imag e
+ Qualité visuelle : Nombre de niveaux
+ Résolution : Capacité `à distinguer deux détails proches. Fonction du nombre
de niveaux et du nombre de Pixels

M.DIOP 10
 1.1. Définition
P l a c e m é m o i re e n niveaux d e gris ( noir blanc)
En notant n le nombre de lignes et p le nombre de colonnes de l’image, on
manipule ainsi un tableau de n×p pixels.
Si n =p= 512, et si 256 = 28 niveaux de gris alors
Si on code les niveaux de gris sur 8 bits (1 octet) alors la place mémoire
utilisée est : 512x512x1= 0.25 Megaoctets
1.1.5. Imag es e n couleurs
Définition :
combinaison de trois images (RGB) (Red, green , blue)
La place mémoire est donc de la taille n de la résolution multipliée par le nombre
de bits nécessaires pour le codage de chaque couleur.
Par exemple, avec 8 bits pour une couleur, on peut coder (28)3 niveaux de
couleurs
M.DIOP 11
 1.1.Définition
1.1.6. F o r m a t s d’images
* I ma g e B i t m a p ( . b m p ) : Matrice 2D de points (pixel - Picture
élément)
- Adapté ` à l’affichage sur écran
- Adapte au traitement de l’image
* I m a g e G I F (.gif) : Fichier fortement compressés (méthode LWZ)
- Conservation d’une qualité très correcte.
- Le nombre maximal de couleurs contenu dans une image au format
GIF est de 256.
* I m a g e T I F F (.tif) : Fichier fortement compressés (méthode LWZ)-
Adapté aux impressions
* I m a g e J P E G (.jpg) : Fichier fortement compressés, mauvaise
conservation de la qualité de l’image (Huffman)
M.DIOP 12
 1. Définition
1.1.6. Vo c ab ulaire
• B r u i t Phénomène de brusque variation de l’intensité d’un pixel / pixels
voisin
• C o n t o u r s Frontière entre deux objets ou zones de l’images
• L u m i n a n c e Degré de luminosité des points de l’image ∼ brillance

• C o n t r a s t e Opposition marquée entre une région sombre L1 et claire L2

M.DIOP 13
 1.2 Transformations
Les Différentes Transformations Possibles sur l'Image Numérique:

On peut distinguer quatre (04) types ou modes de transformations, qu'on peut

effectuer à partir ou vers une image numérique :

• Le Traitement des Images : image→ image («image processing»).

• L'Analyse des Images : image → mesures («image analysis») analyse

sémantique:

• Image description de haut niveau : images → Classes d'objet (« image

Understanding or recognition»).

• Reconstruction d'Images : Opérateurs ensemble d'informations →

image
M.DIOP 14
 1.3. Applications
Exemples de Domaines d'Applications :
 Contrôle de présence / absence. Sur des chaînes de production, on vérifie en bout de
chaîne avec une caméra vidéo la présence d'une pièce dans un ensemble plus complexe.
Pour cela bien souvent il suffit de faire un simple seuillage dans une région spécifique.
 Contrôle du niveau de maturation des fruits sur une chaîne de conditionnement. Il
s'agit de reconnaître à la couleur et à la texture du fruit son degré de maturité et donc la
catégorie sous laquelle il sera emballé puis vendu.
 Construction et correction de cartes géographiques d'après des images satellites ou des
images aériennes. On recale d'après des informations topographiques les images reçues,
puis on les met sur la carte en correspondance avec les informations trouvées dans l'image :
voies de communication, voies et plans d'eau, parcelles agricoles...
 Surveillance et évaluation de la production agricole. Il est possible de déterminer le
degré de maturation des cultures, la quantité d'eau nécessaire pour l'irrigation, le rendement
moyen... On peut ainsi établir des prévisions à large échelle de la récolte à venir.
 Reconnaissance de l'écriture. La reconnaissance de l'écriture manuscrite progresse de jour
en jour. Elle est suffisamment opérationnelle pour que la majorité des adresses, même
manuscrites, soient reconnues automatiquement sur le courrier postal.
 Recherche d'image par le contenu. L'objectif de cette technique est de rechercher, parmi
une base de données d'images, les images similaires à une image exemple, ou ayant
M.DIOP 15
certaines caractéristiques, par exemple rechercher toutes les images comportant un vélo
 1.3. Applications
Exemples de Domaines d'Applications :
• Analyse de la vidéo. L'objectif de cette technique devenue une
discipline depuis les années 2000 (lorsque la puissance des
processeurs peu onéreux et en particulier des PC a permis des
traitements puissants en temps réel) est d'interpréter les faits
observés à l'image afin de signaler ou d'enregistrer des faits
marquants. Le plus souvent, la caméra est fixe et observe les
mouvements d'une scène. Les applications sont nombreuses :
Protection des biens (détection d'intrusion, détection d'objet
abandonné ou déposé...), Identification (biométrie faciale), Sécurité
des personnes (détection de chutes de personnes, franchissement de
rambardes, ...), Animations (planchers animés selon les
mouvements des danseurs en boîte de nuit), Détection de feux
(industriel, forêts, tunnels, ...), Surveillance de tunnels (comptage,
mesure de vitesse, détection de fuites/anomalies dans les plafonds),
surveillance de tuyaux et autres process industriels.
M.DIOP 16
 2. Traitement et Analyse Spatiale :
2.1. Histogramme d'une ImageNumérique :

M.DIOP 17
 2. Traitement et Analyse Spatiale :
2.1 Histogramme d'une ImageNumérique :

M.DIOP 18
 2. Traitement et Analyse Spatiale :
2.1 Histogramme d'une ImageNumérique :

M.DIOP 19
 2.Traitement et Analyse Spatiale :
2.1 Histogramme d'une ImageNumérique:

M.DIOP 20
 2.Traitement et Analyse Spatiale :
2.1 Histogramme d'une ImageNumérique :

M.DIOP 21
 2. Traitement et Analyse Spatiale :
2.2 Transformation de Histogramme d’images numériques

M.DIOP 22
 2. Traitement et Analyse Spatiale :
2.2. Transformation de Histogramme d’images numériques:

M.DIOP 23
 2. Traitement et Analyse Spatiale :
2.3. Normalisation de Histogramme d’images numériques:

M.DIOP 24
 2.Traitement et Analyse Spatiale :
2.3. Normalisation de Histogramme d’images numériques:

M.DIOP 25
 2.Traitement et Analyse Spatiale :
2.4. Egalisation de Histogramme d’images numériques:

M.DIOP 26
 2. Traitement et Analyse Spatiale :
2.4. Egalisation de Histogramme d’images numériques:

M.DIOP 27
 2.Traitement et Analyse Spatiale :
2.4. Egalisation de Histogramme d’images numériques:

M.DIOP 28
 2. Traitement et Analyse Spatiale :
2.4. Egalisation de Histogramme d’images numériques:

M.DIOP 29
 2.Traitement et Analyse Spatiale :
2.4. Egalisation de Histogramme d’images numériques:

M.DIOP 30
 2. Traitement et Analyse Spatiale :
2.5. Seuillage d’histogramme d'une ImageNumérique :

M.DIOP 31
 I. Traitement et Analyse Spatiale :
2.5. Seuillage d’histogramme d'une ImageNumérique :

M.DIOP 32
 2. Traitement et Analyse Spatiale :
2.5. Seuillage d’histogramme d'une ImageNumérique :

M.DIOP 33
 2.Traitement et Analyse Spatiale :
Convolution
La convolution est courante en traitement d’images. Elle consiste en une
opération de multiplication de deux matrices de tailles différentes
(généralement une petite et une grande), mais de même dimensionnalité
semblable (p.ex. 1D, 2D), produisant une nouvelle matrice (également de
même dimensionnalité). La convolution est donc le traitement d’une
matrice (p.ex. une image) par une autre petite matrice appelée matrice de
convolution ou noyau (kernel). Le filtre parcourt toute la matrice
principale (p.ex. l’image) de manière incrémentale et génère une
nouvelle matrice constituée des résultats de la multiplication. Notez qu’il
y a une marge dans la matrice finale pour laquelle nous ne pouvons pas
calculer de valeur. Dans le traitement d’image, ceci est utilisé par
exemple pour effectuer un flou gaussien, ou détourer les éléments d’une
photo (exemples sur http://stephanieluu.com/image-convolution/ ).
M.DIOP 34
2.Traitement et Analyse Spatiale :
Convolution

M.DIOP 35
 2.Traitement et Analyse Spatiale :
Convolution
La convolution est le processus consistant à ajouter chaque élément de
l'image à ses voisins immédiats, pondéré par les éléments du noyau. C'est
une forme de produit de convolution. Il devra être noté que les opérations
matricielles effectuées (les convolutions) ne sont pas des multiplications
traditionnelles de matrices malgré le fait que ce soit noté par un « * ».
Par exemple, si nous avons deux matrices 3×3, la première étant le noyau
et la seconde une partie de l'image, la convolution est le processus
consistant à retourner les colonnes et les lignes du noyau puis de
multiplier localement les valeurs ayant la même position, puis sommer le
tout. L'élément au coordonnée [2, 2] (l'élément central) de l'image de
sortie devrait être pondéré par la combinaison de toutes les entrées de la
matrice de l'image, avec les poids données par le noyau comme suit

M.DIOP 36
 2.Traitement et Analyse Spatiale :
Convolution
2.1. Notion de Filtres
2.1.1 Filtrage - Définition
Le filtrage est une opération qui consiste `a appliquer une transformation `a tout ou
partie d’une image numérique. Il y a deux sortes de filtrages:

+ Filtrage linéaire : L’ opération est linéaire

+ Filtrage non linéaire : L’ opération n’est pas linéaire

2.1.2 E x e mp l e d u filtre médian

On donne au pixel de coordonnée (x, y) la valeur médiane des voisins.

Exemple:

M.DIOP 37
 2.Traitement et Analyse Spatiale :
Convolution
2.1. Notion de Filtres
2.1.3 Filtre passe h a u t
Ils permettent notamment d’accentuer les détails et le contraste, c’est la raison pour
laquelle le terme de ”filtre d’accentuation” est parfois utilise.

M.DIOP 38
 2.Traitement et Analyse Spatiale :
Convolution
2.1. Notion de Filtres
2.1.4 Filtre passe h a u t
E x e mp l e :
Image 5x5 d’une étoile dans le noir

M.DIOP 39
 2.Traitement et Analyse Spatiale :
Convolution
2.1. Notion de Filtres
2.1.5 F i l t r e p a s s e b a s
• A contrario, il adoucit les détails et réduit les bruits granuleux.

M.DIOP 40
 2.Traitement et Analyse Spatiale :
Convolution
2.1. Notion de Filtres
2.1.6 F i l t r e p a s s e b a s
- Exemple:
Image 5x5 d’un bruit dans le noir

M.DIOP 41
 2.Traitement et Analyse Spatiale :
Convolution
2.1. Notion de Filtres
2.1.7 F i l t r e m o y e n n e
Cas particulier du passe bas, il remplace chaque pixels par la moyenne des pixels
adjacents et du pixel central.

M.DIOP 42
 2.Traitement et Analyse Spatiale :
Convolution
2.1. Notion de Filtres
2.1.8 F i l t r e d i r e c t i o n n e l
Rehausse les caractéristiques suivant une direction donnée

M.DIOP 43
 2.Traitement et Analyse Spatiale :
Convolution
2.1. Notion de Filtres
2.1.8 F i l t r e d i r e c t i o n n e l

M.DIOP 44
 2.Traitement et Analyse Spatiale :
Convolution
2.1. Notion de Filtres
2.1.9 Fi l t r e Laplacien
Met en valeur les détails qui ont une variation rapide de luminosité. Détecteur de
contour, reconnaissance de formes (armée, satellites,...)

Filtre passe-haut très efficace

M.DIOP 45
 2.Traitement et Analyse Spatiale :
Convolution
2.1. Notion de Filtres
2.1.10 Fi l t r e Laplacien

M.DIOP 46
 2.Traitement et Analyse Spatiale :
Convolution
2.1. Notion de Filtres
Détection d e c o n t o u r Filtres horizontal et vertical de Prewitt

Détecteurs de contours quelconques, on calcule

M.DIOP 47
 2.Traitement et Analyse Spatiale :
Convolution
2.1. Notion de Filtres
Détection d e c o n t o u r Filtre diagonal de Roberts

M.DIOP 48