Chapitre 3 :

Prétraitement et Filtrage
des images numériques
IBTIHEL NOUIRA

2023-2024 Ing2
 Chapitre 3 : Prétraitement et Filtrage des images numériques

Plan :

1. Introduction
2. Opérations sur les images
3. Histogramme
4. Amélioration d’image
5. Convolution Discrète
6. Filtrage numérique

2
 Introduction
Une chaîne de traitement d’images peut se définir à travers une suite de différentes phases :

• L’acquisition d’une image est une phase délicate et cruciale qui influe sur la qualité de
perception d’une image
• L’image à la sortie d’un capteur doit être traitée (prétraité) avant d’être soumise a
d’autre manipulations plus complexes.
• Les systèmes d’acquisition d’images sont loin d’être parfaits, ils souvent sollicités a
différents types de bruits : éclairage, qualité du capteur, bruit électronique du capteur, ...
M. Abdellaoui

3
 Introduction
Le prétraitement regroupe toutes les techniques, qui ont lieu juste après l’acquisition des images et
visant à améliorer les caractéristiques d’une image, dans le but de :
• Permettre une meilleure visualisation de l’image
• Faciliter les traitements ultérieurs

Le prétraitement regroupe l’ensemble des processus visant à améliorer les caractéristiques d’une
image

Les techniques de prétraitements les plus courantes :

• Améliorations d’images
• Restaurations d’images

4
 Opérations sur les images
Addition d’images :
 Principe : I(a, b)= I1(a, b) + I2(a, b) pour tout pixel de coordonnées (a, b).
 Stratégies pour le dépassement de capacité :
- Décalage des valeurs dans [0, 127] avant addition (perte du bit de poids faible).
- Saturation : I (a, b) = min ( I1(a, b) + I2(a, b), 255)

 Applications :
-Augmentation de la luminance d’une image (par addition d’une constante ou d’une
image avec elle-même).
- Diminution du bruit dans une série d’images.

5
 Opérations sur les images

Soustraction d’images
 Principe : I(a, b)= I1(a, b) - I2(a, b) pour tout pixel de coordonnées (a, b).
 Stratégies pour le dépassement de capacité :
- Saturation : I (a, b) = max ( I1(a, b)-I2(a, b), 0)
- Différence absolue : I (a, b) = Abs ( I1(a, b) - I2(a, b)).

 Applications :
- Diminution de la luminance d’une image
- Détection de changements entre les images :
• Défauts (par comparaison avec une image de référence)
• Mouvements (par comparaison avec une autre image de la séquence)

6
Histogramme

7
Histogramme

8
 Histogramme
Application : calcul de l’histogramme d’une image

9
 Histogramme
Histogramme cumulé d’une image

10
 Histogramme
Histogramme d’une image couleur :

11
Histogramme

12
Histogramme

13
Histogramme

14
Amélioration d’image

15
Amélioration d’image

16
Amélioration d’image

17
Amélioration d’image

18
Amélioration d’image

19
Amélioration d’image

20
Amélioration d’image

21
Amélioration d’image

22
Amélioration d’image

23
Amélioration d’image

24
Amélioration d’image

25
 Amélioration d’image
Restauration d’images

26
Convolution Discrète

27
Convolution Discrète

28
Convolution Discrète

29
Convolution Discrète

30
Convolution Discrète

31
 Filtrage numérique

Caractéristiques d’un filtre de convolution :

 Le filtre de convolution est généralement :
 Carré.
 De taille impair 3x3 ou 7x7 …
 Ce filtre linéaire permet la modification de la valeur
des niveaux de gris dans une image.
 Pour conserver la même entropie et éviter de changer
la luminosité dans l’image,
généralement le résultat de convolution est divisé par la
somme des coefficients du filtre.

32
 Filtrage numérique
Bruit dans une image:
 Le bruit dans une image est généralement défini comme étant une valeur de niveaux de
gris aberrante par rapport à son voisinage.
 Le bruit dans une image est lié à différentes sources telles que l’environnement
d’acquisition, une erreur de conversion analogique numérique…
 Les filtres de lissage sont généralement utilisés pour éliminer ou réduire l’effet du bruit.
 D’une façon générale, le bruit est un signal aléatoire qui s’ajoute par addition (bruit
Gaussien) ou par multiplications à l’image.
 Applications :
I = imread('eight.tif'); figure, imshow(I)
K= imnoise(I,’salt & pepper‘ ,0.02); figure, imshow(K)
J = imnoise(I,'gaussian',0.02); figure, imshow(J)

33
 Filtrage numérique
Nature des filtres :
 Les filtres peuvent être de différentes natures avec divers effets.
 Les caractéristiques principales d’un filtre sont :
- La taille : il s’agit du nombre de voisin affecté par l’effet du filtre.
- Le contenu : il s’agit de la nature des opérations effectuées sur les pixels voisins.
Natures de filtres :
1). Filtres de lissage : filtre passe-bas
Effet : lissage de l’image
Avantage : diminution du bruit
Inconvénient : augmentation du flou dans l’image
Exemples : filtre Moyenne, filtre Gaussien, filtre Médian …

2). Filtres de détection de contours : filtre passe-haut

Effet : augmentation des différents détails dans l’image
Avantage : détection des contours
Inconvénient : augmentation du bruit
Exemples : filtre Laplacien, filtre de Canny, filtre de Harris …

34
 Filtrage numérique
Filtres Moyenneur :

35
 Filtrage numérique
Filtres Gaussien :

36
 Filtrage numérique

Filtre Médian :non linéaire

37
 Filtrage numérique
Filtre médian :

38
 Filtrage numérique

Filtre lissage robuste :non linéaire

39
 Filtrage numérique
Filtres non linéaires

40
 Filtrage numérique
Autres filtres de Lissage ( passe-bas) :

41
 Filtrage numérique

Détection de Contours

- La détection du contour est une opération très coutante en vision.

- L’image contour est généralement une image binaire de faible taille
- Le contour détecté présente une information importante sur les différents objets de l’image.
- La détection de contour permet l’extraction des objets dans l’image

42
 Filtrage numérique
Détection de Contours :
 Définition :
- Un contour est généralement la limite qui sépare les
objets qui constituent l’avant-plan (foreground) et
l’arrière-plan (background).
- Un contour est caractérisé par un changement brusque
d’intensité lumineuse.
- Un filtre passe-haut est utilisé pour la détection du
contour
 Méthode :
Le gradient (première dérivée) ou la Laplacien
(deuxième dérivée) de l’image sont les opérateurs de
bases pour déterminer les contours dans l’image.

43
 Filtrage numérique

Détection de Contours :

► Il existe plusieurs méthodes de localisation et d’isolation du contour, Le rôle de

l’ingénieur de vision est de trouver les opérateurs les mieux adaptés aux exigences de
l’image à traiter.

44
 Filtrage numérique
Détection de Contours :
Mise en évidence des zones de contours :

45
 Filtrage numérique
Filtres linéaires

46
 Filtrage numérique
Détection de Contours :
Filtres de Sobel :

47
 Filtrage numérique
Détection de Contours :

Filtres de Sobel :

48
 Filtrage numérique
Détection de Contours :
Filtres de Prewitt :

49