Vous êtes sur la page 1sur 67

Rehaussement d’images

•Le mécanisme de formation des images est loin d’être parfait


Différentes formes de bruit

•L’image à la sortie doit être traitée avant de la soumettre


aux traitements ultérieurs
Exemples
Filtre passe haut
Rehaussement des arêtes
Objectif

• Améliorer le contraste
• Rehausser le niveaux de gris
• Accentuer les caractéristiques
• Filtrer pour atténuer le bruit
Histogramme
H(i)

i
Une image de tissu et son histogramme des niveaux de gris
Histogramme donne une bonne indication sur la composition
photométrique de l’image: uniforme, unimodal, multimodal
Exemple
Ng Fréq. rel
#

0 3 3 2 5 5 0 2 .05
1 2 .05
1 1 0 3 4 5
2 4 .11
2 2 2 4 4 4 3 6 .17
3 3 4 4 5 5 4 7 .20
5 8 .22
3 4 5 5 6 6 6 6 .17
7 6 6 6 6 5 7 1 .03
36 1.0
7
6
5
3 4
1 2
0
Fréquence relative
7
6
5
3 4
1 2
0
Nombre de pixels
De l’histogramme on peut calculer des caractéristiques simple:

Moyenne : Variance:
255
∑iH(i)
255
∑(i−µ) H(i)
2

µ= σ=
2 0
i=1
255 ∑H(i)
∑H(i)
i=0

Entropie:
L
P(i)=Prob{I(x,y)=i}
be=−∑P(i)log (P(i))
i=0
2 P(i) = H(i)/ ∑H(i)

Une information sur la dispersion des niveaux de gris


Exercice
Soit l’histogramme des niveaux de gris suivant:
2 12 3 4 56 23 12 13 18 5 87 55 1 2 4 22 9 1 10 33

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

2 1 3 4 5 2 12 13 18 5 107 55 1 2 4 22 9 1 10 3
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

Calculer l’entropie de ces deux histogrammes? Que peux-t-on en


déduire?
L’histogramme ne donne pas
d’informations sur la répartition

Deux images différentes ayant un même histogramme


Rehaussement de l’image
Principe: les niveaux de gris u ∈ [0,L] sont projetés en v ∈ [0,L]
v = f(u)

Rehaussement du contraste
Pour rehausser une région:
v γ Pente > 1
Vb
α ,β ,γ ?
β
Va
α
u
0 a b L
Seuillage/binarisation
v v

a b u v
a u

a b u
Tamis
Exemples
Sélection spectrale
Compression de dynamique
Dynamique de l’image est trop importante si bien que seulement
quelques pixels sont visibles:

v = c log10 (1+u)

c une constante;

Rehaussement des pixels de faibles amplitudes par rapport


aux grandes
Exemple
Modification d’histogramme

[ ] [ ]
xmin xmax 0 ymax

V= ((u-xmin )/(xmax - xmin )) ymax


Exemple
Égalisation d’histogramme
•La modification de l’histogramme répartie non uniformément.

•But de l’égalisation:
•harmoniser la répartition des niveaux de luminosité de l'image
de telle manière à tendre vers un même nombre de pixel pour
chacun des niveaux de l'histogramme. Cette opération vise à
augmenter les nuances dans l'image.
• Considérons l’image comme une variable aléatoire u
de probabilité pu(u) et de fonction de répartition
Fu(x)=P[x ≤ u]

u
v= Fu ( x ) = ∫ p u
( x)dx
0
On montre que v est uniformément répartie sur
[0,1]
h(xi)
p (x )= L
h

∑h(x )
u i
i
i=0
u
vu = ∑ p (x ) u i
xi =0
(v−vmin)
v'= L
F_h

(1−vmin)
Exemple
Inversion d’image
Filtrage
Deux modes de filtrage
Filtre moyenneur
Type: passe bas

Soit I l’image d’entrée et I’ l’image de sortie

I'(m,n)= 1
N ∑ ∑I(m−k,n−l)
(k,l)∈W
k

Nk coefficients de normalisation
⇒ réponse constante à un signal constant
1/4 1/4 Masque 2X2
1/4 1/4

Exo: Donner les coefficients du masque moyenneur 3X3?


Théorème de la convolution
Pour certains traitements de rehaussement d’images, l’image est
lissée avec un filtre à réponse impulsionnelle:

∞ ∞
(f *g)(x, y)= ∫ ∫ f (x−u , y−v)g(u,v)dudv
−∞ −∞
Dans le cas discret:
∑ ∑g(u,v)f(x−u,y−v)
(u,v)∈W

g: masque de convolution
3X3

7X7
3X3

7X7
3X3

7X7
*
Filtre médian