Pré Traitement D'images

Pré-traitement d’images
Réalisé par : Encadré par :

OUKIL kawtar Mr. El Fenaouy Reda
CHIKI zaid Mr. Gardelle Bertin
HAKIM Mouhcine
1
Plan
01: Binarisation
02 : Filtrage ( Convolution, Bruit, filtres )

01: Binarisation
3
Binarisation
La binarisation est la conversion d’une image en niveau gris en image
noir et blanc. Cette tache est réalisé a l’aide
Du seuillage(thresholding).
Pour effectuer le processus de binarisation, on doit d'abord trouver la
valeur seuil de l'échelle de gris puis on convertit les pixels en blanc si
leur valeur de niveaux de gris est supérieure au seuil. De même, les
pixels sont convertis en noir si leur valeur de gris est inférieure au seuil.
Image niveau gris Image noir et blanc

4
Les techniques de seuillages
Seuillage simple
Dans la méthode du seuillage simple, nous devons passer le seuil comme
paramétre à la fonction. Par conséquent, la valeur de seuil est déterminée
manuellement par le programmeur.
Si le valeur est inférieur au seuil donc on la remplace par 0,et si la valeur est
supérieur au seuil on la remplace par 255
5
Seuillage adaptatif
Cette méthode est parfois plus utile pour la binarisation.
Dans le cas du seuillage simple, on utilise un seuil global sur tous les pixels. Dans le
cas du seuillage adaptatif, l'algorithme divise l'image en régions plus petites et
détermine automatiquement le seuil pour chaque région.
9
Seuillage d'Otsu
Cette technique de seuillage est similaire à la technique
de seuillage simple. La seule différence est qu'ici, nous
ne devons pas choisir la valeur globale du seuil,
contrairement au seuillage simple. L’algorithme
détermine automatiquement la valeur du seuil et
l'applique pour obtenir le meilleur résultat
Comment otsu’s algorithme travaille
11
Donc le seuil sera 3
car il a la plus petite
variance.
11
Une autre méthode
Et de méme le seuil sera 3
12
02: Filtrage
11
Convolution
L
https://fr.slideshare.net/AKRAMJEBALI/chap3-filtrage-dimages
12
convolution
La convolution est une opération mathématique fondamentale dans le traitement d'images. Elle consiste
à combiner deux fonctions, généralement une image et a kernel (aussi appelé filtre), pour produire une
nouvelle image résultante
C’est-à-dire La convolution est une opération mathématique effectué sur deux matrices, ce qui produit
un troisième matrice qui est le résultat de l'opération
La matrice primaire est l'image à traiter, et le traitement de cette matrice de l'original l'image est faite
par une autre matrice appelée "kernel", ou masque
12
14
Concept de Kernel
Dans le traitement d'image, kernel, une matrice de convolution ou un masque est une petite matrice utilisée pour le flou, la
netteté, le gaufrage, la détection des contours, etc. Ceci est accompli en faisant une convolution entre kernel et une image
Exemples des matrices de kernel
Lorsque vous multipliez cette matrice par les pixels

de l'image, vous
avoir ces résultats ici
12
Concept de Kernel
En général:
kernels peuvent être utilisés non seulement pour appliquer l'effet de flou,
mais aussi pour la détection de contours, l'amélioration de la netteté et
l'amélioration des contours
12
Convolution numérique
Etape 1 :
https://datacorner.fr/image-processing-6/?_ga=2.145502774.349776065.1683566305-
1172803974.1683566305&_gl=1*1xcemfr*_ga*MTE3MjgwMzk3NC4xNjgzNTY2MzA1*_ga_RXP3T9KBWC*
MTY4MzY0MTE5Ny4yLjEuMTY4MzY0Mzk1MS4wLjAuMA.. 17
Etapes suivantes
Convolution avec python
Filtrage : Augmentation de contraste
Filtrage : Flouttage
Filtrage : Renforcement de bords
Définition du bruit
Le bruit d'image, également connu sous le nom de bruit numérique ou bruit
photographique, se réfère aux variations aléatoires de luminosité ou de couleur
présentes dans une image. Il est généralement considéré comme un signal
indésirable qui peut dégrader la qualité visuelle de l'image ,ce bruits est
un phénomène causé par un éclairage insuffisant lors de la prise de vue
24
les sources bruits :
1) Bruits liés aux conditions de prise de vue:(par exemple éclairage de la scène)
2) Bruits liés aux capteurs (appareil numérique de bas de gamme)
3) Bruit de quantification : Le bruit de quantification est introduit lorsque

l'image est convertie en un format avec une précision limitée, c'est-à-dire
une profondeur de bits réduite
4) Bruits liés à la nature de la scène
5) Bruit électromagnétique
https://fr.wikipedia.org/wiki/Bruit_d%27%C3%A9chantillonnage#:~:text=En
%20traitement%20num%C3%A9rique%20du%20signal,augmentant%20la
%20taille%20des%20%C3%A9chantillons.
11
les types de bruits :
LE BRUIT DE LUMINANCE : le bruit de luminance est associe aux variations indesirables de la luminosite des pixels dans une image
et egalement Le plus courant est aléatoire et ressemble à un grain monochromatique, il s’agit du bruit de luminance
le Bruit de gaussien : Le bruit gaussien est souvent présent dans les images
capturées dans des conditions de faible luminosité ou lors de l'utilisation de
sensibilités ISO élevées
12
les types de bruits :
Le bruit poivre et sel : Le bruit poivre et sel également appelé bruit impulsionnel, est une dégradation de l'image sous la forme
de pixels noirs et blancs (d’où le nom poivre et sel) répartis d'une manière aléatoire dans l'image. Ce bruit est dû soit à des erreurs de
transmission de données,
Le bruit de chrominance : est la composante colorée des pixels bruités, il est visible sous la forme de taches de couleurs
aléatoires. C’est a dire une variations indésirables des composantes de chrominance (teinte et saturation) des pixels dans une image
couleur
https://fr.wikipedia.org/wiki/Bruit_poivre_et_sel
https://fr.wikipedia.org/wiki/Bruit_num%C3%A9rique
12
Filtrage
28
Types de filtrage
29
Types de filtrage
Filtre passe haut Filtre passe bas
30
Filtres Lineaires
Filtre moyenneur (filtre passe-bas)
31
Exemple de filtre moyenneur
32
Techniques de suppression des
bruits :
flou avec moyenne
Voici les calculs pour obtenir l'effet de flou en utilisant la

moyenne
13
Filtres Lineaires
Filtre Gaussien (filtre passe-bas)
34
bruits :
Flou de gaussien
14
36
37
Filtres non lineaires
38
39
bruits :
flou avec médiane :
En général:
flou avec mediane on change seulement la valeur du centre
et flou avec moyenne en change toutes les valeurs voisins de la valeur du centre
15
41
Nettoyage du bruit dans une image
42
References
Convolution et Filtrage des images :
Convolution avec python

https://datacorner.fr/image-processing-6/?
_ga=2.145502774.349776065.1683566305-
1172803974.1683566305&_gl=1*1xcemfr*_ga*MTE3MjgwMzk3NC4xNjgzNTY2
MzA1*_ga_RXP3T9KBWC*MTY4MzY0MTE5Ny4yLjEuMTY4MzY0Mzk1MS4wLjAu
MA..
43
Merci pour
votre attention
44

Pré Traitement D'images

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

Pré Traitement D'images

Transféré par

Droits d'auteur :

Formats disponibles

Pré-traitement d’images

Réalisé par : Encadré par :

02 : Filtrage ( Convolution, Bruit, filtres )

Image niveau gris Image noir et blanc

Et de méme le seuil sera 3

Exemples des matrices de kernel

Lorsque vous multipliez cette matrice par les pixels

1) Bruits liés aux conditions de prise de vue:(par exemple éclairage de la scène)

2) Bruits liés aux capteurs (appareil numérique de bas de gamme)

3) Bruit de quantification : Le bruit de quantification est introduit lorsque

4) Bruits liés à la nature de la scène

Voici les calculs pour obtenir l'effet de flou en utilisant la

Convolution avec python

Vous aimerez peut-être aussi