Partie 1

Université Sidi Mohammed Ecole Nationale des
Ben Abdelah – Fès Sciences Appliquées
Traitement d’image
Réalisé par: Nabil El akkad
2018/2019
Plan du cours
Introduction au traitement d’images numériques
Traitement d'images binaires : éléments de topologie discrète,

squelettisation, morphologie mathématique.
Compression d'images
Segmentation d'images
Caractérisation de textures : Notion de texture, les méthodes de

caractérisation, segmentation des textures et classification.
Représentation des régions : représentation des contours,

des formes, description des régions.
Généralités sur le traitement d’images
Introduction
Domaines d’applications
Définition d’image
Types d’images numériques
Caractéristiques d’une image numérique
Acquisition d’une image
Représentation et codage des couleurs d’une image

Introduction
Avec le son, l’ image constitue l'un des moyens les plus importants qu'utilise
l'homme pour communiquer avec ses semblables. Les efforts récents
élargissent même cette communication aux machines! Le traitement
d'images est l'ensemble des méthodes qui cherchent à rendre cette opération
plus simple, plus efficace et plus agréable.
Traitement d'images numériques est l'ensemble des techniques

permettant de modifier une image numérique afin d'améliorer ou d'en
extraire des informations.
Le but de l’analyse d’image est de mesurer des choses par le biais d’une
image.
Introduction
Le traitement d' images fait appel à un nombre important de disciplines : la

théorie du signal, la théorie des systèmes, l'analyse numérique, les
statistiques, la théorie de l'information, la neurophysiologie, l'optique,
l'électronique et l'informatique pour ne citer que les principales.
Relations du traitement d' images avec d'autres disciplines.

Introduction
On peut voir le traitement d' images comme une prolongation du

traitement numérique des signaux et comme un préalable à la reconnaissance
des formes, à l'analyse de scènes et à l'intelligence artificielle.
Position du traitement d' images

Introduction
Ces relations avec des domaines variés font que la diversité des
traitements que l'on peut effectuer par voie numérique sur des images est
très grande. Pour illustrer cette diversité, on peut citer quelques exemples:
Rendre nette une image floue,
Améliorer le contraste d'une image,
Filtrer des parasites sur une image,
Comprimer le nombre d'échantillons d'une image numérique et d'une
séquence d' images (TV numérique),
Reconnaître des empreintes digitales, des signatures,
Authentifier des billets de banque,

Une caractéristique très importante et en même temps très enrichissante

du traitement d'images est son aspect interdisciplinaire. On trouve ses
applications dans des domaines très variés tels que :
Les télécommunications (TV, vidéo, transmission, stockage,

téléconférence, publicité, etc.),
La médecine (radiographie, tomographie, microscopie, etc)
Exemples d’applications en médecine (a), (b), (c) aide au diagnostique, (d) et (e) détection des
tumeurs cancéreuses à partir d’une mammographie
L'industrie (robotique, surveillance de qualité, reconnaissance de pièces,

sécurité, etc.)
Exemples d’applications en industrie (a), (b) et (c) robots (d) surveillance de qualité (e)
reconnaissance des pièces mécaniques
La météorologie (suivi du cyclone, météo, etc
Exemple d’application en météorologie ; le suivi du cyclone

Le recensement des ressources terrestres -la télédétection- (couverture

et utilisation du sol, la classification des types de cultures, cartographie
et délimitation des inondations, surveillance des feux de forêts, etc.)
Exemples d’applications en télédétection (a) couverture et utilisation du sol (b) la

classification des types de cultures (c) cartographie et délimitation des inondations
(d) surveillance des feux de forêts
L'armement (guidage de missiles, reconnaissance aérienne et sous-

marine, détection et protection des véhicules de combat, exploration des
fonds marins, etc.)
Exemples d’applications militaires (a) guidage de missiles (b) reconnaissance

aérienne et sous- marine (c) détection et protection des véhicules de combat
(d) exploration des fonds marins
Sécurité (reconnaissance d'empreintes, visages, signatures, suivie de

personnes, etc.)
Exemples d’applications en sécurité (a), (b) et (c) reconnaissance d'empreintes, de

visages, de signatures (d) suivie de personnes
L'architecture.
L'imprimerie,
etc.
La liste est longue et s'allonge chaque jour d’avantage.
La principale difficulté dans la réalisation d'une application
quelconque du traitement d'images est l'absence d'un traitement idéal
universel qui résoudrait plusieurs problèmes à la fois. En effet, chaque
application particulière nécessite une étude en soi. Celle-ci se fait à l'aide
d'un arsenal de méthodes de base. Il faut choisir, principalement sur la
base de l'expérience, les méthodes qui conviennent et les appliquer.
L’objectif principal de ce cours est de présenter un ensemble de techniques
de traitement numérique d’images dans le but de l'améliorer ou d'en
extraire des informations.

Définitions : Image
D’après le petit Larousse, une image est une représentation d’une personne
ou d’un objet par la peinture, la sculpture, le dessin, la photographie, le
film, etc. . C’est aussi un ensemble structuré d’informations qui, après
affichage sur l’écran ont une signification pour l’œil humain.
Exemples d’image : (a) dessin (b) image

Définitions :Image
Une image est la projection sur un plan d’une scène 3D.
Mathématiquement, elle peut être définie comme une fonction à deux

variables f (x, y) :
(x, y) est la position d’un point de l’espace sur le plan de projection
f (x, y) est l’intensité (ou brillance) au point de coordonnées (x, y)
Une image est un plan analogique dans lequel les intensités sont réelles.
Images numériques
Une image numérique désigne toute image (dessin, photographie,…)
acquise (par des Convertisseurs Analogique-Numérique situés dans des
dispositifs comme les appareils photo ou caméscopes numériques, les
scanners, les cartes d'acquisition vidéo,…) ou créée (directement par des
programmes informatiques ; ce que l'on appelle par abus de langage les
«images de synthèse »).
Exemples d’image numérique: (a) image acquise, (b) et (c) images de synthèse
Images numériques
Une image est une forme discrète d'un phénomène continu obtenue après
discrétisation. Le plus souvent, cette forme est bidimensionnelle.
L'information dont il est le support est caractéristique de l'intensité
lumineuse (couleur ou niveaux de gris).
18
Discrétisation
195
Réalité analogique Représentation numérique
L’application : I : [ 0, L − 1] × [ 0, C − 1] → [ 0, M ]
p
définit une image de L lignes et C colonnes dont l'information portée est

définit dans un espace à p dimensions.
Images numériques
Types d’images numériques
Deux types d’images numériques sont distingués:
Images matricielles ou mode point ou bitmap
Images vectorielles
8
Images numériques
Définition d’une image matricielle
Image représentée par un tableau de pixels en 2 dimensions (matrice de pixels)
Hauteur P(i, j)
(lignes)
Largeur
(colonnes)
Le pixel (abréviation venant de l'anglais : picture element) est l'élément de base

d'une image, c'est-à-dire un point. L'ensemble de ces pixels est contenu dans un
tableau à deux dimensions constituant l'image.
Remarque:
Comme pour une matrice, chaque pixel est spécifié par ses « coordonnées »
dans l’image matricielle.
9
Images numériques
Caractéristiques d’un pixel
Ses coordonnées (dans la matrice / tableau 2D).
Sa forme (carrée / rectangulaire).
Sa taille (hauteur × largeur).
Sa structure (couleur, profondeur).
10
Images numériques
Caractéristiques de l’image matricielle/bitmap
Une image bitmap possède:
Une définition: le nombre de points (pixels) constituant une image: C'est la
multiplication de nombre de colonnes et le nombre de lignes de l’image.
Une image possédant10 colonnes et11 lignes aura une définition de 10 x11.
Nombre total des pixels: C’est le produit L x H qui donne le nombre total
de pixels. Il est généralement exprimé en Megapixels (million de pixels)
• Par exemple, le standard des appareils photo numériques font des photos ayant comme
définition 4000x3000 pixels environ soit un nombre de: 12.106 pixels = 12 MPx.
11
Images numériques
Une image bitmap possède également:
Une résolution: Il s’agit du nombre de pixels par unité de longueur

L’unité de longueur étant souvent le pouce (1 pouce = 2,54 cm),
L’unité de la résolution est le point par pouce (ppp) (ou ppi en anglais)
La résolution permet ainsi d'établir le rapport entre la définition en
pixels d'une image et la dimension réelle de sa représentation sur un
support physique (affichage écran, impression papier...)
La taille de l’image est: Largeur * Hauteur
12
Images numériques
Taille
Définition
ition
13
Images numériques
Exercice 1
1.Déterminer le nombre de pixel d'une image 800 x 400. Déterminer en (cm) la
largeur et la hauteur de cette image sachant qu'elle présente une résolution de 72
ppp.
2.Calculer la résolution d’une image bitmap carrée de côté 10 cm et de définition 800
× 800.
Réponse
1. Une image 800 x 400 est constituée de 320 000 pixels.
2. La résolution d’une image bitmap carrée de côté 10 cm (3,94 pouces) et de

définition 800 × 800 est de:
14
Images numériques
Enfin une image bitmap possède:
Un codage: Il s’agit du nombre de couleurs que peut prendre un pixel

Ce codage s’exprime en bits.
Les codages les plus fréquents sont:
• 1 bit
• 8 bits
• 24 bits
Le poids d'une image en octet:
Poids (octet) = Nombre de pixel total X codage couleurs (octet)
La profondeur de bit (ou profondeur de couleur) est définie par le nombre de
bits utilisés pour représenter chaque pixel
15
Images numériques
Codage d’une image bitmap
Codage 1 bit par pixel: image noir et blanc

Chaque pixel peut prendre 2 valeurs de couleurs: 0 ou 1
L’image est en noir (0) et blanc (1)
image
Matrice
Ex. quel est le poids en (Octet ) de l’image d'une définition de 640 x 480 codée
sur 1 bit (noir et blanc) ?
Poids= 640 x 480 x 1 bit = 307200 x (1/8) = 38400 Octet =37,5 Ko
16
Images numériques
Codage 8 bits par pixel: image en niveaux de gris
Chaque pixel peut prendre 28 = 256 valeurs de gris
Noir (010 ) 256 valeurs de gris Blanc (25510 )
Ex. quel est le poids en (Octet )d'une image d'une définition de 640 x 480 codée
sur 8 bit (niveaux de gris) ?
Poids= 640 x 480 x 8 bit =307200 x (8/8) = 307200 Octet =300Ko
17
Images numériques
Codage 24 bits par pixel en Rouge Vert Bleu
RVB
Il existe plusieurs modes de codage des couleurs d’une image numérique, le
plus utilisé pour le maniement des images est l'espace colorimétrique Rouge,
Vert, Bleu (RVB ou RGB : Red Green Blue) par synthèse additive.
Le codage de la couleur est réalisé sur 3 octets (24 bits) dont les valeurs
codent la couleur dans l'espace RVB.
Chaque octet représente la valeur d'une composante couleur par un entier

de 0 à 255
Le nombre de couleurs différentes est de 256 x 256 x 256 =16,8 Millions.
18
Images numériques
Codage 24 bits par pixel en Rouge Vert Bleu
RVB
Une image numérique RVB est représentée par 3 tableaux à 2 dimensions (3
plans couleur) dont la taille dépend du nombre de pixels contenus dans
l’image.
Chaque plan est codé comme une image en niveaux de gris, avec des valeurs
allant de 0 à 255.
Image couleur Niveau de Rouge Niveau de Vert Niveau de Bleu

Représentation matricielle d’une image couleur.
19
Images numériques
Codage 24 bits par pixel en RVB Rouge Vert Bleu
La couleur du pixel sera le résultat de la synthèse additive des 3 couleurs primaires
(RVB), chacune étant codée sur 8 bits
Pour passer d’une image couleur à une image en niveau de gris, on utilise la
formule suivante: R + V + B
G =
Lorsque R=V=B, la couleur associé est un niveau de gris. 3
20
Images numériques
Les différents systèmes de colorimétrie :
21
Images numériques
Codage 24 bits par pixel en RVB Rouge Vert Bleu
Exercice 2
1. Indiquer par combien de bits est codée chacune des 3 couleurs en mode
couleurs 24 bits (ou couleurs vraies). Donner la valeur minimale et maximale
de chacune des 3 composantes. Déterminer le nombre de nuances de couleurs
obtenues avec ce type de codage couleur.
2. Indiquer quelle couleur est obtenue pour une intensité maximale des 3 couleurs
RVB?
3. Indiquer quelle couleur est obtenue pour une intensité minimale des 3 couleurs
RVB?
Réponse
1. Chacune des 3 couleurs est codée sur 8 bits. Chacune des 3 composantes
présente une valeur comprise entre 0 (Min) et 255 (Max). Avec ce type de
codage on obtient 256x256x256 = 16,8 Millions de couleurs.
2. Les intensités maximales des 3 couleurs (RVB) produisent une lumière blanche
3. Les intensités minimales des 3 couleurs (RVB) produisent une lumière noire.
22
Images numériques
Image vectorielle: Définition
Image représentée par des formes géométriques simples (arcs de cercle /
ellipse, segments de droite, courbes de Bézier...), auxquelles on peut
appliquer différentes transformations : rotations, écrasement, mise à l'échelle.
Chacune des primitives géométriques possède quelques attributs (position,

couleur, remplissage).
Les logiciels permettant de les créer et modifier: Autocad, illustrator©,

Inkscape, Coreldraw©, @.
23
Images numériques
Image vectorielle: Exemple
En vectoriel, le disque ci-contre n’est pas vu comme un
ensemble de points mais comme un cercle qui a les
propriétés suivantes:
- Cercle de couleur rouge
- Le cercle est rempli de bleu
Le fichier « svg » (créé par Inkscape) correspondant à ce
disque est:
24
Images numériques
Comparaison: image matricielle vs vectorielle
Image matricielle Image vectorielle
Avantages : Avantages :
Aucun calcul pour l’affichage Peu de place en mémoire
La complexité de l’image n’influe On peut l’agrandir à l’infini: la
pas sur sa taille. qualité n’est pas modifiée
Inconvénients: Inconvénients:
Peuvent occuper beaucoup L’image ne doit pas être trop
d’espace mémoire. complexe
25
Images numériques
Formats des images: Définition
Les images numériques se retrouvent dans un format donné, au même titre
que d'autres fichiers informatiques (.docx pour MS Word, .pptx pour MS
PowerPoint, .avi pour une vidéo, …).
Une image numérique est nécessairement doit être visualisée et utilisée via un
format adéquat, pour des raisons de poids informatiques notamment.
Le format d’image correspond à son mode d'enregistrement et, le cas échéant,

à son mode de compression.
26
Images numériques
Formats des images: Formats à privilégier
Poids de
Nom du format Type d’image Points forts Points faibles
fichier
JPEG / JPEG 2000
simplicité, l’universalité et la Compression destructrice
Joint Photographic Matricielle Faible
légèreté. et irréversible
Experts Group
Possibilité d'animation et de
GIF (Graphical
Matricielle transparence, compression Limité à 256 couleurs Faible
Interchange Format)
efficace
PNG (Portable Excellente compression sans Pas très efficace pour les
Matricielle Moyen
Network Graphics) perte. larges photographies
Format par défaut Disponible uniquement
BMP
Matricielle de Windows sur la plateforme de Elevé
(Bitmap)
Microsoft
TIFF (Tagged Image File
Compression sans perte Lourdeur des fichiers non
Format) Matricielle Moyen
efficace. compressés.
Reconnu par tous les logiciels

AI (Adobe Illustrator) Vectorielle Format propriétaire. Faible
graphiques.
SVG (Scalable Vector Format XML donc extensible.
Graphics) Vectorielle Très compressible, car a un Encore très peu reconnu, Faible
format texte.
27
Images numériques
Formats des images: Meilleur choix
Critère Format d’image
Le TIFF ou le PNG
(pas le JPEG à cause de la
Meilleure qualité pour l'archivage
compression)
Poids de fichier minimum JPEG
Compatibilité maximum (Windows, Mac, Unix) Le BMP ou le JPEG
Le GIF, très limité avec ses 256

Plus mauvais choix couleurs et moins compressé
que le JPEG 24 bits !
28
Images numériques
Exercices
Exercice n°3 :
1. Quelle est la taille en pouces puis en centimètres d’une image numérique dont la résolution
est de 200 dpi et les dimensions en pixels sont 2000 x 3000 ?
2. Calculer la définition en pixels d’une photographie de 5 pouces sur 7 numérisée à 400 dpi ?
3. Donner la résolution (dpi) d’une image de 8,5 x 11 pouces et qui possède des dimensions en
pixels de 2550 x 3300 ?
4. Quelle est la taille en pixels d’une photographie de 20cm x 10cm numérisée à 300 dpi ? 150
dpi ? 100 dpi ? Dans les trois cas, indiquer également la taille d’un pixel. Conclure.
Exercice n°4 :
1. Calculer le poids du fichier d’une image de 1000 x 2000 pixels capturée en mode 4 bits
(profondeur de bit) ? (en octet puis en Ko)
2. Quelle est le poids du fichier d’une image de 11 x 8,5 pouces capturée en mode 32 bits
(profondeur de bit) à 100 dpi ? (en octet puis en Ko puis en Mo).
3. Donner le poids en Mo du fichier d’une image A4 (210 mm * 297 mm)en RVB à 150 dpi ? à
300dpi ? à 600dpi ?
29
Images numériques
Exercice °5: Nombre de pixels d’une image
Soit une image de 50,0 cm x 70,0 cm dont la résolution est 400 dpi.
1.Calculer le nombre de pixels par centimètre.
2.Calculer le nombre de pixels représentant la hauteur de cette image.
3.Calculer le nombre de pixels représentant la largeur de cette image.
4.Calculer le nombre total de pixels pour cette image.
Exercice n°6: Mémoire de stockage :
Pour une image de 10,0 cm x 12,0 cm dont la résolution est 300 dpi :
1.Calculer le nombre de pixels par centimètre.
2.Calculer le nombre de pixels représentant la hauteur de cette image.
3.Calculer le nombre de pixels représentant la largeur de cette image.
4.Calculer le nombre total de pixels pour cette image.
5.Calculer l’espace mémoire nécessaire pour un codage noir et blanc de cette
image.
6.Calculer l’espace mémoire nécessaire pour un codage en niveau de gris de
cette image.
7.Calculer l’espace mémoire nécessaire pour un codage 24 couleurs de cette
image.
30
Images numériques
Exercices: Correction
Exercice n°3 :
1. 10 x 15 pouces ; 2,54 x 381 cm

2. 2000 x 2800 pixels (définition= ncol*res, ncol=larg*resol=5*400; nli=haut*resol=7*400)
3. 300 dpi (res=ncol/lar=2550/8,5 ou res=nli/haut=3300/11)
4. 2362 x 1181 pixels ((20/2.54)*300+(10/2.54)*300) ; 1180 x 589 pixels ; 787 x 393 pixels ;
0,085 mm ([taille=larg en mm/ncol] de large, ([taille=haut en mm/nli] de haute) ; 0,17
mm ; 0,254 mm
Exercice n°4 :
1. 1000000 octets (1000 x 2000*4/8); 976 ko

2. 3740000 octets (11*100* 8,5*100*32/8 ) ; 3652 ko ; 3,5 Mo
3. 6,22 Mo(21/2.54*150 * 29.7/2.54*150*24 bits) ; 25 Mo ; 100 Mo)
31
Images numériques
A retenir pour cette partie :
Image numérique
Définition, Types, Caractéristiques
Codage d’image Formats d’image

Noir & Blanc , Niveaux de Gris, Nom , Points forts, Points faibles
RVB
32
Contenu d’une image numérique :
Contenu d’image
Texture : répartition statistique ou géométrique des intensités dans l’image
Contour: limite entre deux (ou un groupe de) pixels dont la différence de
niveau de gris (couleur) est signiﬁcative.
Région: groupe de pixels présentant des caractéristiques similaires (intensité,

mouvement, etc.)
Objet: région (groupe de régions) entièrement délimitée par un contour,

possédant une indépendance dans l’image
46
Caractéristiques d’une image numérique : Bruit
Un bruit (parasite) dans une image est considéré comme un phénomène de

brusque variation de l’intensité d’un pixel par rapport à ses voisins, il provient
de l’éclairage des dispositifs optiques et électroniques du capteur.
La seconde image apparaitre plus nette, c’est une image plus claire
Le bruit peut prendre de nombreuses formes différentes, chaque type de bruit

nécessite une méthode différente pour sa suppression.
Caractéristiques d’une image numérique : Luminance ou brillance
C’est le degré de luminosité des points de l’image. Elle est définie aussi comme
étant le quotient de l’intensité lumineuse d’une surface par l’aire apparente de
cette surface, pour un observateur lointain, le mot luminance est substitué au
mot brillance, qui correspond à l’éclat d’un objet.
La luminance (ou brillance) est définie comme la moyenne de tous les pixels de
l’image.
Caractéristiques d’une image numérique : Contraste
C’est l’opposition marquée entre deux régions d’une image, plus précisément
entre les régions sombres et les régions claires de cette image.
Contraste peut être défini de plusieurs façon :

Ecart-type des variations de niveaux de gris :
Variations entre valeurs de niveaux de gris min et max :

Caractéristiques d’une image numérique Histogramme
L'histogramme représente la distribution des niveaux de gris (ou de

couleurs) dans une image.
On appelle histogramme de l'image I, la fonction H définie sur l'ensemble

des entiers naturels par:
H ( k ) = C ard { P : I ( P ) = k }
C'est à dire que H(k) traduit le nombre d'apparitions du niveau de gris k dans
l'image I. L'histogramme est un outil privilégié en analyse d'images, car il
représente un résumé simple, mais souvent suffisant du contenu de l'image.
Caractéristiques d’une image numérique : Histogramme
Image niveau de gris
Pour une image d’intensités, un histogramme possède 2d valeurs en
abscisses (256 pour 8bits; 16 pour 4bits, etc..) et représente, le nombre de
pixels en ordonnées.
Dans cet exemple, les tons clairs sont plus présents que les tons foncé
D’après l’histogramme le niveau de gris le plus présent est : 231

Caractéristiques d’une image numérique :Histogramme
Image couleur RVB
Plusieurs histogrammes sont nécessaires (selon l’espace colorimétrique).

Pour une image couleur en RVB; 4 histogrammes sont nécessaires :
distribution de la luminance Y et distributions respectives des composantes
Rouge, Verte et Bleu
Caractéristiques d’une image numérique : Histogramme - cumulé
Hc (i): est le nombre de pixels dont le niveau de gris est inférieur à i.
 H C ( 0 ) = H (0)
, il est défini récursivement par 
 H C ( i ) = H C (i − 1) + H (i )
Chaque bâton cumule le nombre de pixels du niveaux de gris concerné et des

niveaux de gris inférieurs : les niveaux 0, 1, 2 sont donc représentés
respectivement par 24, 36 et 64 pixels.
Caractéristiques d’une image numérique : Histogramme-Normalisé
Hn(i): est le taux de pixels ayant un niveau de gris égal à i.
H (i )
H n (i ) = , avec N le nombre de pixels
N
Cumulé Normalisé
Hcn(i) : est le taux de pixels dont le niveau de gris est inférieur à i:
H C (i )
H Cn ( i ) = H Cn ∈ [ 0,1]
N
Traitement d’Images numériques
2. Manipulation d’histogramme
Exemple d’ Histogramme cumulé: Histogramme
Histogramme Cumulé normalisé
L’application la plus connue de

l’histogramme cumulé est l’égalisation
d’histogramme
64
Exemple d’Histogramme d’une image en couleur:
Plusieurs histogrammes sont nécessaires (selon l’espace colorimétrique).
Pour une image couleur en RVB; 4 histogrammes sont nécessaires : distribution de la
luminance et distributions respectives des composantes rouge, Verte et bleu
H-niveaux-gris
image origine
2000
0
0 100 200
H-composante bleu H- compostante verte
4000 4000
2000 2000
im = imread(‘lena.jpg') ;
0 0
0 100 200 300 0 100 200 300 hr = imhist(im(:,:,1)) ;
H-composante rouge H-trois composantes RVB
4000 4000 hv = imhist(im(:,:,2)) ;
2000 2000
hb = imhist(im(:,:,3)) ;
0 0
0 100 200 300 0 100 200 300
65
g. Egalisation (ou linéarisation) de l’histogramme
But : amélioration du contraste
Consiste à équilibrer le mieux possible la distribution des pixels dans la
dynamique.
Obtenir un histogramme plat où l’on affecte le même nombre de pixels pour
chaque niveau de gris (ceci étant impossible à réaliser pour les images
numérique à cause de la nature discrète de l'histogramme et de la
quantification des niveaux de gris (qui nous limite à un nombre fini de
niveaux)).
Définition de la transformation d'égalisation d'histogramme :

Le niveaux de gris f(x,y) de chaque pixel (x,y) est transformé en g(x,y) en
appliquant
la transformation suivante :
fmax =255: pour une Image 8g(x,y)=

bits fmax (x,y) * Hcn(f(x,y))
66
Exemple d’égalisation de l’histogramme d’une image en niveaux
de gris:
image origine histogramme
1000
500
0
0 100 200
i = imread(cameraman.tif')
Histogramme aprés égalisation image apés égalisation imhist(i)
he=histeq(i);
1000
500
0
0 100 200
67
Exemple d’égalisation de l’histogramme d’une image couleur:
image origine aprés égalisation
im= imread(lena.jpg')
H-trois composantes RVB H-bleu-aprés égalisation
er=histeq(im(:,:,1));
10000 10000 ev=histeq(im(:,:,2));
eb=histeq(im(:,:,3));
5000 5000
0 0
0 100 200 300 0 100 200 300
H-vert-aprés égalisation H-bleu-aprés égalisation
10000 10000
5000 5000
0 0
0 100 200 300 0 100 200 300
68
h. Seuillage
Seuillage (tresholding) : traitement ramenant l’image à deux ou quelques
niveaux d’intensité
Binarisation (binarization) : traitement ramenant l’image à deux Niveaux⇒
seuillage binaire 0 si f(x,y)< S avecS∈[0,255]
f
Le seuillage binaire est défini par : S ( x, y) = 
 255 si non
69
Définitions principales : Maillage
Le maillage est l'arrangement géométrique des pixels dans l'image.
Trois types qui résultent de différentes tessélations du plan par des figures
géométriques.
Maillage carré qui correspond à la réalité physique du capteur CCD.
Maillage hexagonal (maillage de référence pour le domaine de la

morphologie mathématique).
Maillage triangulaire est plus confidentiel.
Hexagonal Carré Triangulaire

Définitions principales : Distances
Tout pixel d'une image est caractérisé par un couple de coordonnées (x,y).
On peut donc calculer des distances entre pixels. Les distances les plus
courantes sont (pour deux pixels P(xp, yp) et Q(xq, yq)):
Distance de Manhattan : d 1 ( P , Q ) = x p − x q + y p − y q
d2 (P,Q ) = (x − xq ) + ( y p − yq )
2 2
Distance Euclidienne : p
Distance de l'Echiquier : d in f (P,Q ) = M ax (x p − xq , y p − y )

Ces distances sont reliées par la propriété :
d in f ( P , Q ) ≤ d 2 ( P , Q ) ≤ d 1 ( P , Q )
Définitions principales : Voisinages - Ordre de connexité
Le critère de voisinage est un critère d’appartenance à l’un des ensembles

de voisins
Ordre de connexité
Il existe trois ordres de connexité : 4, 8 et 6. Ce nombre correspond à la taille

du plus petit voisinage non vide d'un pixel.
4 voisins 8 voisins 6 voisins

Définitions principales : Produit de convolution
Produit de convolution
Soit I une image numérique.

Soit h une fonction de [x1,x2]×[y1,y2] à valeurs réelles.
x2 y2
( h * I )[ x , y ] =∑ ∑ h[ i , j ] ⋅ I [ x − i , y − j]
h[x,y] i = x1 j = y 1
Fonction h est appelée noyau de convolution
Les nouvelles valeurs des pixels de I sont calculées par

produit scalaire entre le noyau et le voisinage
correspondant du pixel.
Importance de la norme du noyau Conditions aux bords de l’image

48
Définitions principales : Produit de convolution
Produit de convolution (exemple et applications )
La convolution dans le traitement

d’images:
◦ Filtrage linéaire des bruits
◦ Détection de contours
◦ Rehaussement de contraste
49
Acquisition d’une image : Acquisition
Acquisition : scène physique ⇒ représentation numérique

Acquisition d’une image : Capteur
Capteur – Principe général: (ex: photodiode)
Un capteur photographique est un composant électronique servant à

convertir un rayonnement (UV: ultraviolet, visible ou IR: Infra-rouge)
composé de photons (L'énergie incidente) en un faible signal électrique
analogique.
Capteur photographique
Ce signal analogique, amplifié, sera ensuite numérisé grâce à un

Convertisseur Analogique-Numérique (CAN) pour obtenir un fichier image.
Acquisition d’une image : Capteur
Capteur CCD : Caméras numériques CCD
Matrice CCD (Charge Coupled Devices: dispositif à transfert de charge)
Système d'acquisition numérique 2D le plus utilisé
La réponse est proportionnelle à l'intégrale de l'énergie lumineuse qui atteint

chaque élément
Pour la couleur, on utilise trois capteurs par pixel réagissant à des longueurs
d'ondes différentes (Rouge, Vert et Bleu).
Les appareils numériques disponibles sur
le marché sont généralement équipés de
capteur CCD. Il existe bien d’autres
capteurs, notamment dans le domaine de
l’imagerie médicale (IRM, Tomographie…)
ou de l’imagerie sismique. Caméras numériques CCD
Acquisition d’une image : Numérisation
La numérisation est l’opération qui consiste à faire passer des informations
d’un signal électrique à des amplitudes continus (texte, image, audio,
vidéo) en signal à des amplitudes discrets ou en données informatiques
que des dispositifs informatiques ou d’électroniques numérique pourront
le traiter. Les données numériques se définissent comme une suite de
caractères et de nombres qui représentent des informations. La numérisation
comprend l’échantillonnage et la quantification.
Numérisation = Échantillonnage + Quantification

Numérisation d’un signal temporel (1-D)
Chaîne de numérisation d’un signal temporel (1-D)

Numérisation d’un signal temporel (1-D)
Échantillonnage consiste à représenter un signal analogique continu par un
ensemble de valeurs discrètes (des échantillons ponctuels et de les
représenter par un nombre fini). Les valeurs du signal sont prises
régulièrement à une période d’échantillonnage Te. Tout le reste est perdu !
Quantification : l’amplitude du signal échantillonné est représentée par un
nombre fini de valeurs d’amplitude (niveaux de quantification).
Codage : les niveaux de quantification sont codés sous la forme d’un mot
binaire sur k bits (⇒ 2k niveaux possibles).

Numérisation d’images (Signale 2-D)
Chaîne de numérisation d’image (Signal 2-D)

Echantillonnage
L’échantillonnage est le procédé de discrétisation spatiale d'une image qui

consiste à associer à chaque zone rectangulaire (pixel) de l’image une
unique valeur I(x,y).
Quantification
La quantification désigne la limitation du nombre de valeurs différentes

que peut prendre chaque pixel I(x,y)
Il s’agit, en fait, de remplacer les valeurs réelles en valeurs entières de manière

optimale, c’est à dire remplacer toute valeur située entre 2 niveaux de décision
consécutifs di et di+1 par un niveau de reconstruction ri, avec [m, M] la
gamme dynamique du signal à quantifier.
Une image numérique est une image échantillonnée et quantifiée.

Codage (Résolution tonale )
Résolution tonale (de tons de gris): le nombre de niveaux de gris est en

puissance 2n bits (quantification informatique ou bien codage)
Type de codage: Il s’agit du nombre de couleurs que peut prendre un pixel
1 bit - 2 niveaux de gris (images binaires)
8 bits – 256 niveaux (images en niveau de gris)
12 bits – 4096 niveaux (radiographies)
16 bits – 65536 niveaux(radiographies + images)
24 bits – 3 x 8 bits (images couleurs RGB,CMY,HSI)
32, 64 bits…
Une image numérique 2d est représentée par un tableau I de h lignes et w
colonnes. Le pixel est désigné par un couple (i, j) où i est l' indice de
colonne; i ∊ {0, h-1}, et j l' indice de ligne j ∊ {0,w-1}. w est la largeur, h la
hauteur de l' image I. Par convention, le pixel d’origine (0,0) est en général en
haut à gauche.
Le nombre I(i, j) est la valeur (ou le niveau de

gris) du pixel (i, j). I(i. j)∊ {0, Nmax- l}.
(Nmax-Nmin) est le nombre de niveaux de gris.
On appelle dynamique de l'image

Log2(Nmax-Nmin), i.e. le nombre de bits
utilisés pour coder l'ensemble des valeurs
possibles.
Image = Matrice de pixels I[x,y].

I[x,y] = n : n est une valeur de niveau de gris. n∈ [Nmin, Nmax]
Dynamique = Log2 (Nmax-Nmin)
Effets de l'échantillonnage : la résolution spatiale
Une image numérique ne constitue donc qu'une version approchée de
l'image réelle formée (au sens mathématique) de la projection de la
scène 3D sur la portion de plan correspondant à la surface photosensible
du capteur.
La qualité de l'approximation dépend de la quantité d' information portée
par l' image numérique, en particulier du nombre de pixels utilisés, la
résolution spatiale (ou la définition).

Effets de l'échantillonnage : la résolution spatiale
La figure ci-dessous montre un exemple d'une même image acquise à des
résolutions spatiales différentes. On constate qu’on a une perte de netteté et
que les détails sont moins visibles et moins précis, quand la résolution
spatiale diminue. .
Effets de l’échantillonnage : résolution spatiale

Effets de la quantification
La résolution tonale, correspondant à la quantification, fait aussi
apparaître une perte d'information dans les images.
La figure ci-dessous montre un exemple d'une même image à des
résolutions tonales différentes. On constate qu’on a une apparition de faux
contours et un bruit de quantification.
Résolution tonale : quantification

Amélioration des images
Opérations d’amélioration: ont pour but de rendre l’image plus
lisible.
Techniques d’amélioration: cherchent essentiellement à

rehausser les contrastes afin de rendre les régions et les objets
composants l’image bien distinctes et bien séparées les uns
des autres.
Différentes approches :
Transformations sur les images
Traitements à base d’histogramme
Autres méthodes
41
1. Transformations sur les
images
Au cours du processus de traitement et d’analyse, l’image subit une série de
transformations.
f(x,y) T[f(x,y)] f(x,y)
Une transformation permet de modifier la valeur de chaque pixel afin

d’obtenir une nouvelle image de même taille mais ayant des propriétés plus
intéressantes.
Les transformations peuvent être classées de la manière suivante:
Transformations ponctuelles.
Transformations locales.
Transformations globales
52
1. Transformations sur les images
Transformations Ponctuelles:
A partir d'une image source, la nouvelle valeur du pixel dépend uniquement
de son ancienne valeur.
Exemples : correction gamma, inversion, manipulations d’histogramme,

ajustement luminosité/contraste, opérations algébriques, opérations logiques
et arithmétiques
53
a. Transformations ponctuelles: Inversion Dynamique
Distingue mieux certains détails en blanc sur fond noir qu’en noir sur fond blanc
On inverse les extrêmes noir et blanc par la formule suivante:
g(x,y)=fmax- f(x,y) = 255-f(x,y)
54
b. Transformations Ponctuelles: Correction gamma
Applique une transformation non linéaire à chaque pixel.
Le facteur gamma va définir la courbe non linéaire qui va être appliquée.
Niveau d’intensité
transformé L-1 : valeur maximale de
g(x,y) l’intensité
γ > 1 : augmente la plage dynamique des

intensités élevées : dilatation des zones
Claires
γ < 1 : augmente la plage dynamique des
intensités faibles : dilatation de zones sombres.
fmax =255: pour une Image 8 bits f(x,y)

Niveau d’intensité original
55

Partie 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

Partie 1

Transféré par

Droits d'auteur :

Formats disponibles

Université Sidi Mohammed Ecole Nationale des

Ben Abdelah – Fès Sciences Appliquées

Réalisé par: Nabil El akkad

Introduction au traitement d’images numériques

Traitement d'images binaires : éléments de topologie discrète,

Caractérisation de textures : Notion de texture, les méthodes de

Représentation des régions : représentation des contours,

Types d’images numériques

Caractéristiques d’une image numérique

Acquisition d’une image

Représentation et codage des couleurs d’une image

Traitement d'images numériques est l'ensemble des techniques

Le traitement d' images fait appel à un nombre important de disciplines : la

Relations du traitement d' images avec d'autres disciplines.

On peut voir le traitement d' images comme une prolongation du

Position du traitement d' images

Rendre nette une image floue,

Améliorer le contraste d'une image,

Filtrer des parasites sur une image,

Comprimer le nombre d'échantillons d'une image numérique et d'une

séquence d' images (TV numérique),

Reconnaître des empreintes digitales, des signatures,

Authentifier des billets de banque,

Une caractéristique très importante et en même temps très enrichissante

Les télécommunications (TV, vidéo, transmission, stockage,

La médecine (radiographie, tomographie, microscopie, etc)

L'industrie (robotique, surveillance de qualité, reconnaissance de pièces,

La météorologie (suivi du cyclone, météo, etc

Exemple d’application en météorologie ; le suivi du cyclone

Le recensement des ressources terrestres -la télédétection- (couverture

Exemples d’applications en télédétection (a) couverture et utilisation du sol (b) la

L'armement (guidage de missiles, reconnaissance aérienne et sous-

Exemples d’applications militaires (a) guidage de missiles (b) reconnaissance

Sécurité (reconnaissance d'empreintes, visages, signatures, suivie de

Exemples d’applications en sécurité (a), (b) et (c) reconnaissance d'empreintes, de

La principale difficulté dans la réalisation d'une application

quelconque du traitement d'images est l'absence d'un traitement idéal

universel qui résoudrait plusieurs problèmes à la fois. En effet, chaque

application particulière nécessite une étude en soi. Celle-ci se fait à l'aide

d'un arsenal de méthodes de base. Il faut choisir, principalement sur la

base de l'expérience, les méthodes qui conviennent et les appliquer.

L’objectif principal de ce cours est de présenter un ensemble de techniques

de traitement numérique d’images dans le but de l'améliorer ou d'en

extraire des informations.

ou d’un objet par la peinture, la sculpture, le dessin, la photographie, le

film, etc. . C’est aussi un ensemble structuré d’informations qui, après

affichage sur l’écran ont une signification pour l’œil humain.

Exemples d’image : (a) dessin (b) image

Mathématiquement, elle peut être définie comme une fonction à deux

f (x, y) est l’intensité (ou brillance) au point de coordonnées (x, y)

Réalité analogique Représentation numérique

définit une image de L lignes et C colonnes dont l'information portée est

Deux types d’images numériques sont distingués:

Images matricielles ou mode point ou bitmap

Le pixel (abréviation venant de l'anglais : picture element) est l'élément de base

Sa forme (carrée / rectangulaire).

Sa taille (hauteur × largeur).

Sa structure (couleur, profondeur).

Une résolution: Il s’agit du nombre de pixels par unité de longueur

La taille de l’image est: Largeur * Hauteur

2. La résolution d’une image bitmap carrée de côté 10 cm (3,94 pouces) et de

Enfin une image bitmap possède:

Un codage: Il s’agit du nombre de couleurs que peut prendre un pixel