Université Abdelmalek Essaadi

ENSA de Tétouan Prof. Abdellatif MEDOURI

Filière GI2 Année universitaire : 2020-2021
Traitement des images

Solution de la série de TD 2
Exercice 1
Image I après l’introduction du bruit :

0 1 2 3 4 5 6 7 8 9
0 6 5 4 3 2 2 3 4 5 6
1 5 0 3 2 1 1 2 3 4 5
2 4 3 2 1 14 14 1 2 3 4
3 3 2 1 14 12 12 0 1 2 3
Image J : 4 2 1 14 12 0 8 12 14 0 2
5 2 15 14 12 8 15 12 14 1 2
6 3 2 1 15 12 12 14 1 2 3
7 4 3 2 1 14 14 1 2 3 4
8 5 4 3 2 1 1 2 3 15 5
9 6 5 4 3 2 2 3 4 5 6
1. Filtre moyenneur de taille 3 × 3 : Son élément structurant est :
1 1 1
10 10 10
1 2 1
10 10 10
1 1 1
10 10 10

On utilisera l’approximation de l’entier naturel le plus proche supérieure-

ment.
— I(1, 1) : Voisinage 8

6 5 4
1
IM (1, 1) = (6 + 5 + 4 + 5 + 2 × 0 + 3 + 4 + 3 + 2)
5 0 3 10
4 3 2 = 3, 2 ⇒ IM (1, 1) = 4

— I(6, 3) : Voisinage 8

14 1 2
1
IM (6, 3) = (14 + 1 + 2 + 12 + 2 × 0 + 1 + 8 + 12 + 14)
12 0 1 10
8 12 14 = 6, 4 ⇒ IM (6, 3) = 7

1/16
— I(4, 4) : Voisinage 8

14 12 12
1
IM (4, 4) = (14 + 12 + 12 + 14 + 2 × 0 + 8 + 12 + 8 + 15)
12 0 8 10
12 8 15 = 9, 3 ⇒ IM (4, 4) = 10

— I(8, 4) : Voisinage 8

1 2 3
1
IM (8, 4) = (1 + 2 + 3 + 14 + 2 × 0 + 2 + 14 + 1 + 2)
14 0 2 10
14 1 2 = 3, 9 ⇒ IM (8, 4) = 4

— I(1, 5) : Voisinage 8

2 1 14
1
IM (1, 5) = (2 + 1 + 14 + 2 + 2 × 15 + 14 + 3 + 2 + 1)
2 15 14 10
3 2 1 = 7, 5 ⇒ IM (1, 5) = 8

— I(5, 5) : Voisinage 8

0 8 12
1
IM (5, 5) = (0 + 8 + 12 + 8 + 2 × 15 + 12 + 12 + 12 + 14)
8 15 12 10
12 12 14 = 10, 8 ⇒ IM (5, 5) = 11

— I(3, 6) : Voisinage 8

14 12 8
1
IM (3, 6) = (14 + 12 + 8 + 1 + 2 × 15 + 12 + 2 + 1 + 14)
1 15 12 10
2 1 14 = 9, 4 ⇒ IM (3, 6) = 10 .

— I(8, 8) : Voisinage 8

2 3 4
1
IM (8, 8) = (2 + 3 + 4 + 3 + 2 × 15 + 5 + 4 + 5 + 6)
3 15 5 10
4 5 6 = 6, 2 ⇒ IM (8, 8) = 7 .

2/16
— I(4, 1) : Voisinage 8

3 2 2
1
IM (4, 1) = (3 + 2 + 2 + 2 + 2 × 1 + 1 + 1 + 14 + 14)
2 1 1 10
1 14 14 = 4, 1 ⇒ IM (4, 1) = 5 .

— I(8, 1) : Voisinage 8

4 5 6
1
IM (8, 1) = (4 + 5 + 6 + 3 + 2 × 4 + 5 + 2 + 3 + 4)
3 4 5 10
2 3 4 = 4, 0 ⇒ IM (8, 1) = 4 .

— I(2, 8) : Voisinage 8

3 2 1
1
IM (2, 8) = (3 + 2 + 1 + 4 + 2 × 3 + 2 + 5 + 4 + 3)
4 3 2 10
5 4 3 = 3, 0 ⇒ IM (2, 8) = 3 .

— I(5, 8) : Voisinage 8

14 14 1
1
IM (5, 8) = (14 + 14 + 1 + 1 + 2 × 1 + 2 + 2 + 2 + 3)
1 1 2 10
2 2 3 = 4, 1 ⇒ IM (5, 8) = 5 .

2. Filtre médian de taille 3 × 3 (voisinage 8)

On a : 92 = 4, 5, le résultat de ce filtre sera donc la cinquième valeur du
voisinage ordonné (dans l’ordre croissant).
— I(1, 1) : V (1, 1) = {6, 5, 4, 5, 0, 3, 4, 3, 2}
Ordre croissant : Vc (1, 1) = {0, 2, 3, 3, 4 , 4, 5, 5, 6} ⇒ IM ed (1, 1) = 4 .
— I(6, 3) : V (6, 3) = {14, 1, 2, 12, 0, 1, 8, 12, 14}
Ordre croissant : Vc (1, 1) = {0, 1, 1, 2, 8 , 12, 12, 14, 14} ⇒ IM ed (6, 3) = 8 .
— I(4, 4) : V (4, 4) = {14, 12, 12, 14, 0, 8, 12, 8, 15}
Ordre croissant : Vc (4, 4) = {0, 8, 8, 12, 12 , 12, 14, 14, 15} ⇒ IM ed (4, 4) = 12 .
— I(8, 4) : V (8, 4) = {1, 2, 3, 14, 0, 2, 14, 1, 2}
Ordre croissant : Vc (8, 4) = {0, 1, 1, 2, 2 , 2, 3, 14, 14} ⇒ IM ed (8, 4) = 2 .
— I(1, 5) : V (1, 5) = {2, 1, 14, 2, 15, 14, 3, 2, 1}
Ordre croissant : Vc (1, 5) = {1, 1, 2, 2, 2 , 3, 314, 14, 15} ⇒ IM ed (1, 5) = 2 .
— I(5, 5) : V (5, 5) = {0, 8, 12, 8, 15, 12, 12, 12, 14}
Ordre croissant : Vc (5, 5) = {0, 8, 8, 12, 12 , 12, 12, 14, 15} ⇒ IM ed (5, 5) = 12 .
— I(3, 6) : V (3, 6) = {14, 12, 8, 1, 15, 12, 2, 1, 14}

3/16
 Ordre croissant : Vc (3, 6) = {1, 1, 2, 8, 12 , 12, 14, 14, 15} ⇒ IM ed (3, 6) = 12 .
— I(8, 8) : V (8, 8) = {2, 3, 4, 3, 15, 5, 4, 5, 6}
Ordre croissant : Vc (8, 8) = {2, 3, 3, 4, 4 , 5, 5, 6, 12} ⇒ IM ed (8, 8) = 4 .
— I(4, 1) : V (4, 1) = {3, 2, 2, 2, 1, 1, 1, 14, 14}
Ordre croissant : Vc (4, 1) = {1, 1, 1, 2, 2 , 2, 3, 14, 14} ⇒ IM ed (4, 1) = 2 .
— I(8, 1) : V (8, 1) = {4, 5, 6, 3, 4, 5, 2, 3, 4}
Ordre croissant : Vc (8, 1) = {2, 3, 3, 4, 4 , 4, 5, 5, 6} ⇒ IM ed (8, 1) = 4 .
— I(2, 8) : V (2, 8) = {3, 2, 1, 4, 3, 2, 5, 4, 3}
Ordre croissant : Vc (2, 8) = {1, 2, 2, 3, 3 , 3, 4, 4, 5} ⇒ IM ed (2, 8) = 3 .
— I(5, 8) : V (5, 8) = {14, 14, 1, 1, 1, 2, 2, 2, 3}
Ordre croissant : Vc (5, 8) = {1, 1, 1, 2, 2 , 2, 3, 14, 14} ⇒ IM ed (5, 8) = 2 .
Exercice 2
1. L’histogramme : Soit le tableau suivant regroupant les occurrences des
couleurs de l’image :

n 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
H(n) 2 0 1 2 8 3 8 14 36 11 3 2 6 2 1 1

l’histogramme est donc :

13
12
11
10 9
H(n)

5 4

0 0 0 0 0 0 0 0 0 0 0
0

0 2 4 6 8 10 12 14 16
n

2. L’image J de la figure 3 est une image binaire représentant des objets

blancs sur un fond noir, c’est l’image obtenue dans l’avant dernière étape
de la segmentation des images avec la méthode de classification des pixels.
Cette méthode consiste tout d’abord sur un seuillage binaire de l’histo-
gramme (seuillage d’histogramme suivi d’une transformation de l’image
obtenue vers l’image binaire). Lorsque l’image à traiter contient des ob-
jets plus sombres et plus claires que le fond, comme dans notre cas, le

4/16
seuillage binaire est appliqué par partie suivi d’un filtre inverseur pour le
cas de traitement des objets sombres.
Si les images élémentaires contiennent des bruits ( points isolés et/ou des
trous), elles sont d’abord nettoyées en appliquant les filtres de fermetures
et d’ouvertures selon le cas. L’image finale est obtenue par la sommation
de ces deux images élémentaires sans bruits. L’image ainsi obtenue est de
type de l’image de la figure 3. Cette dernière est utilisée pour l’étiquetage
permettant la segmentation de l’image initiale.
— Etape 1 : Segmentation par partie :
— discrimination de l’objet plus claire que le fond :
A partir de l’histogramme de la question 1, on constate que le lobe
de l’objet claire est connecté au lobe du fond et par conséquent, le
seuil à choisir est celui correspondant aux intensités de connexion
en prenant compte de leur lobe d’appartenance. Pour notre cas, les
couleurs candidates pour le seuil sont 10 et 11. La décision se basera
sur la position des pixels de l’image ayant ces couleurs : Les deux
pixels ayant la couleur 11 appartiennent à l’objet et par conséquent
cette couleur fait partie du dernier lobe. Tandis que la couleurs 10
et celle de 3 pixels dont dues appartenant au fond et seulement 1 à
l’objet, et donc elle sera considérée comme faisant partie du lobe du
fond. En conclusion, les deux couleurs peuvent être choisit comme
seuil en tenant compte de son lobe d’appartenance dans l’équation
du seuillage binaire.
Prenons S = 11.
Soit Ib1 l’image obtenue. Comme la couleur 11 fait partie des couleurs
de l’objet, le seuillage binaire sera réalisé avec l’équation suivante :

I
b1 (i, j)=1 si I(i, j) ≥ S = 11
Ib1 (i, j) = 0 sinon

On obtient donc l’image suivante :

0 1 2 3 4 5 6 7 8 9
0 0 0 0 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0 0 1 0
2 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0
Image Ib1 : 4 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 1 1 1 1 0
7 0 0 0 0 0 1 1 0 1 0
8 0 0 0 0 0 1 1 1 1 0
9 0 0 0 0 0 0 0 0 0 0

— discrimination de l’objet plus sombre que le fond :

5/16
En examinant les lobes de l’objet sombre et du fond de l’histogramme
on constate qu’ils sont connectés aux pixels 5 et 6. Par conséquent, la
décision du choix du seuil dépendra de leurs positions dans l’image.
On a 3 pixels de l’image ayant la couleur 5 et dont deux de l’objet,
elle fera donc partie des couleurs uu lobe de l’objet, tandis que la
couleur 6 est présente en 8 pixels appartenant tous au fond. Donc,
elle fait partie du lobe du fond. En conclusion, Le seuil peut être l’un
de ces couleurs en tenant compte de son lobe d’appartenance dans
l’équation du seuillage binaire. Prenons S = 6.
Soit Ib2 l’image obtenue. Comme la couleur 11 fait partie des couleurs
de l’objet, le seuillage binaire sera réalisé avec l’équation suivante :

I
b2 (i, j)=1 si I(i, j) ≥ S = 6
Ib2 (i, j) = 0 sinon

On obtient donc l’image suivante :

0 1 2 3 4 5 6 7 8 9
0 1 1 1 1 1 1 1 1 1 1
1 1 1 1 0 1 1 1 1 1 1
2 1 1 0 0 0 1 1 1 1 1
3 1 0 0 0 0 0 1 1 1 1
Image Ib2 : 4 1 1 0 0 0 1 1 1 1 1
5 1 1 1 0 1 1 1 1 1 1
6 1 0 1 1 1 1 1 1 1 1
7 1 1 1 1 1 1 1 1 1 1
8 1 0 1 0 1 1 1 1 1 1
9 1 1 1 1 1 1 1 1 1 1

Comme cette image représente un objet noir sur un filtre inverseur :


I
bi (i, j) =1 si Ib2 (i, j) = 0
Ibi (i, j) =0 si Ib2 (i, j) = 0

l’image Ibi ainsi obtenue est la suivante :

6/16
 0 1 2 3 4 5 6 7 8 9
0 0 0 0 0 0 0 0 0 0 0
1 0 0 0 1 0 0 0 0 0 0
2 0 0 1 1 1 0 0 0 0 0
3 0 1 1 1 1 1 0 0 0 0
Image Ibi : 4 0 0 1 1 1 0 0 0 0 0
5 0 0 0 1 0 0 0 0 0 0
6 0 1 0 0 0 0 0 0 0 0
7 0 0 0 0 0 0 0 0 0 0
8 0 1 0 1 0 0 0 0 0 0
9 0 0 0 0 0 0 0 0 0 0
— Etape 2 :Élimination des bruits
— image Ib1 Cette image contient un bruit isolé au niveau du pixel
(8,1) et un trou au niveau dupixel (7,7). On lui appliquera donc un
filtre d’ouverture et un filtre de fermeture pour éliminer les bruits.
Comme l’application du filtre ouverture sur une image contenant un
trou augmentera sa taille avec un risque de ne plus pouvoir de le
remplir avec le filtre fermeture, on appliquera d’abord à l’image le
filtre fermeture et ensuite le filtre ouverture.

filtre fermeture
Ce filtre consiste à l’application d’une dilatation suivi d’une érosion.
Pour une image binaire, la dilatation consiste à attribuer la couleur
1 à tous pixel ayant dans son voisinage au moins un pixel de couleur
1. Tandis que l’érosion consiste à attribuer la couleur 0 à tous pixels
ayant dans son voisinage au moins un pixels de coukeur 0.
Dilatation
0 1 0
On travaillera avec l’élément structurant suivant : 1 1 1
0 1 0
l’image obtenue est Ibd1 suivante :

7/16
 0 1 2 3 4 5 6 7 8 9
0 0 0 0 0 0 0 0 0 1 0
1 0 0 0 0 0 0 0 1 1 1
2 0 0 0 0 0 0 0 0 1 0
3 0 0 0 0 0 0 0 0 0 0
Image Ibd1 : 4 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 1 1 1 1 0
6 0 0 0 0 1 1 1 1 1 1
7 0 0 0 0 1 1 1 1 1 1
8 0 0 0 0 1 1 1 1 1 1
9 0 0 0 0 0 1 1 1 1 1

Pour prendre en considération l’effet de bord, on utilisera l’approxi-

mation de l’effet miroir appliqué à l’image initiale Ib1 .
Erosion :
on applique en suite le filtre érosion à l’image Ibd1 avec l’élément
0 1 0
structurant suivant : 1 1 1
0 1 0

En tenant compte de l’effet de bord, on obtient l’image Ibe1 suivante :

0 1 2 3 4 5 6 7 8 9
0 0 0 0 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0 0 1 0
2 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0
Image Ibe1 : 4 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 1 1 1 1 0
7 0 0 0 0 0 1 1 1 1 0
8 0 0 0 0 0 1 1 1 1 0
9 0 0 0 0 0 0 0 0 0 0
Filtre d’ouverture :
Il consiste à une érosion suivit d’une dilatation.
Erosion :
on applique le filtre érosion à l’image Ibe1 avec l’élément structurant
0 1 0
suivant : 1 1 1 On obtient l’image Ie1 suivante :
0 1 0

8/16
 0 1 2 3 4 5 6 7 8 9
0 0 0 0 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0
Image Ie1 : 4 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0
7 0 0 0 0 0 0 1 1 0 0
8 0 0 0 0 0 0 0 0 0 0
9 0 0 0 0 0 0 0 0 0 0
Dilatation :
On applique le filtre de dilatation à l’image Ie1 avec l’élément struc-
1 1 1
turant suivant : 1 1 1 et on obtient l’image Id1 suivante :
1 1 1
0 1 2 3 4 5 6 7 8 9
0 0 0 0 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0
Image Id1 : 4 0 0 0 0 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 1 1 1 1 0
7 0 0 0 0 0 1 1 1 1 0
8 0 0 0 0 0 1 1 1 1 0
9 0 0 0 0 0 0 0 0 0 0
— image Ib2
Comme elle ne contient que des points isolés, on lui appliquera le
filtre d’ouverture qui consiste à une érosion suivi par une dilatation.
Erosion
le filtre d’érosion est appliqué à l’image avec l’élément structurant
0 1 0
suivant : 1 1 1 On obtient ainsi l’image Ie2 suivante :
0 1 0

9/16
 0 1 2 3 4 5 6 7 8 9
0 0 0 0 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0 0 0 0
2 0 0 0 1 0 0 0 0 0 0
3 0 0 1 1 1 0 0 0 0 0
Image Ie2 : 4 0 0 0 1 0 0 0 0 0 0
5 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0
7 0 0 0 0 0 0 0 0 0 0
8 0 0 0 0 0 0 0 0 0 0
9 0 0 0 0 0 0 0 0 0 0
Dilatation :
On utilisera dans ce cas aussi l’élément structurant voisinage 4 sui-
0 1 0
vant : 1 1 1 On obtient donc l’iamge Id2 suivante :
0 1 0
0 1 2 3 4 5 6 7 8 9
0 0 0 0 0 0 0 0 0 0 0
1 0 0 0 1 0 0 0 0 0 0
2 0 0 1 1 1 0 0 0 0 0
3 0 1 1 1 1 1 0 0 0 0
Image Id2 : 4 0 0 1 1 1 0 0 0 0 0
5 0 0 0 1 0 0 0 0 0 0
6 0 0 0 0 0 0 0 0 0 0
7 0 0 0 0 0 0 0 0 0 0
8 0 0 0 0 0 0 0 0 0 0
9 0 0 0 0 0 0 0 0 0 0

L’image finale est obtenue par la union des images Id1 et Id2 donnant
la figure J suivante :

10/16
 0 1 2 3 4 5 6 7 8 9
0 0 0 0 0 0 0 0 0 0 0
1 0 0 0 1 0 0 0 0 0 0
2 0 0 1 1 1 0 0 0 0 0
3 0 1 1 1 1 1 0 0 0 0
Image J : 4 0 0 1 1 1 0 0 0 0 0
5 0 0 0 1 0 0 0 0 0 0
6 0 0 0 0 0 1 1 1 1 0
7 0 0 0 0 0 1 1 1 1 0
8 0 0 0 0 0 1 1 1 1 0
9 0 0 0 0 0 0 0 0 0 0
— 3. Soit H le filtre de convoution défini par le noyau suivant :

1 1 1
H= 1 -8 1
1 1 1

le filtre H est le Laplacien-8 connexités. Ce filtre est généralement utilisé

pour la détection du contour et aussi pour le rehaussement du contraste.
— 4. Vue la transitivité de la convolution, l’application du filtre H deux
fois à l’image revient à lui appliquer une convolution avec le noyau
K = H ∗ H. K est de taille 3 × 3. Après le calcul des coefficients de K par
calcul du produit de convolution en utilisant l’approche "Zero panding"
on trouve le noyau K donnée par la matrice :

-14 -12 -14

K = -12 72 -12
-14 -12 -14

Exercice 3
Image en niveaux de gris de taille 8 × 8 codé sur 4 bits.
1. Taille de l’image :

Ti = 8 × 8 × 4 = 256 bits = Ti

2. Codage de Huffman :
Calculons d’abord l’occurrence de caque niveau de gris de l’image I
(Tableau d’histogramme) :

n 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
H(n) 0 0 0 4 12 0 0 0 0 0 10 0 14 24 0 0
On a donc :

11/16
 n code
13 00
12 01
4 10
10 110
3 111

TH = 2 × 24 + 2 × 14 + 2 × 12 + 3 × 10 + 3 × 4
= 100 + 42 soit TH = 142 bits

Ti − TH
τ= = 0, 445 τ = 44, 5 %
Ti
3. Soit l’image J suivante :
0 1 2 3 4 5 6 7
0 10 10 12 13 13 12 10 10
1 10 12 0 13 13 13 12 10
2 13 13 4 4 4 4 13 12
Image J = 3 13 13 4 3 3 4 13 13
4 13 13 4 3 3 4 13 13
5 12 13 4 4 4 15 13 12
6 12 12 13 13 13 13 12 12
7 10 10 12 13 13 12 10 10

Afin de minimiser les effets secondaires du filtre moyenneur, on utilisera

comme élément structurant de ce filtre :
1 1 1
10 10 10
1 2 1
10 10 10
1 1 1
10 10 10

On utilisera l’approximation de l’entier naturel le plus proche supérieu-

rement.

12/16
 — Filtre moyenneur sur J(2, 1) :
v8 (2, 1) = {10, 12, 13, 12, 0, 13, 13, 4, 4}

1
⇒ Jmoy (2, 1) = {10 + 12 + 13 + 12 + 2 × 0 + 13 + 13 + 4 + 4}
10

81
= = 8, 1 soit Jmoy (2, 1) = 9
10
— Filtre moyenneur sur J(5, 15) :
v8 (5, 5) = {3, 4, 13, 4, 15, 13, 13, 13, 12}

1
⇒ Jmoy (5, 5) = {3 + 4 + 13 + 4 + 2 × 15 + 13 + 13 + 13 + 12}
10

105
= = 10, 5 soit Jmoy (5, 5) = 11
10
4. Filtre d’ordre médian :
Le filtre médian consiste à classer le voisinage du pixel considéré dans
l’ordre croissant et de choisir comme résultat la valeur du centre du
voisinage ordonné. Dans le cas du choix du voisinage 8, elle correspond
à la cinquième couleur.
— Filtre médian sur J(2, 1) :
v8 (2, 1) = {10, 12, 13, 12, 0, 13, 13, 4, 4}

⇒ vo8 (2, 1) = {0, 4, 4, 10, 12 , 12, 13, 13, 13}

⇒ Jmed (2, 1) = 12

— Filtre médian sur J(5, 15) :

v8 (5, 5) = {3, 4, 13, 4, 15, 13, 13, 13, 12}

⇒ vo8 (5, 5) = {3, 4, 4, 12, 13 , 13, 13, 13, 15}

⇒ Jmed (2, 1) = 13

5. Filtre érosion :
On choisit la valeur la plus faible du voisinage (la première valeur du
voisinage ordonné dans le sens croissant).

⇒ Jer (2, 1) = 0 et Jer (5, 5) = 3 .

— Filtre dilatation :
On choisit la valeur la plus grande du voisinage (la dernière valeur
du voisinage ordonné dans le sens croissant).
⇒ Jdil (2, 1) = 13 et Jdil (5, 5) = 15 .

13/16
Exercice 4
Méthode de classification des pixels
0 1 2 3 4 5 6 7
0 1 1 2 3 3 2 1 1
1 1 2 3 3 3 3 2 1
2 2 3 7 6 6 7 3 2
3 3 3 6 5 5 6 3 3
4 3 3 6 5 1 6 3 3
5 2 3 7 6 6 7 3 2
6 1 2 3 3 3 3 2 1
7 1 1 2 3 3 2 1 1

1. Histogramme :
n 0 1 2 3 4 5 6 7
H(n) 0 13 12 24 0 3 8 4

l’histogramme est donc :

25 24

20

15 13
H(n)

12

10 8

5 4
3
0 0
0

0 1 2 3 4 5 6 7
n

2. L’histogramme présente deux lobes représentant le fond de l’image et

l’objet. Le seuil doit être choisit comme le milieu entre les deux lobes.
Dans notre cas, le premier lobe se termine en 3 et le deuxième com-
mence en 5. Par conséquent, la valeur du seuil adéquate est S = 4 .
3. Le seuillage binaire consiste à transformer tous les niveaux de gris de
l’image à deux couleurs : le blanc et le noir. Ainsi, tout pixel ayant un
niveau de gris inférieur au seuil choisit aura une couleur noire et tout
pixel ayant un niveau de gris supérieur au seuil aura la couleur blanche.
En suite le nombre de bits du codage de l’image est réduit au codage
binaire : 0 pour le noir et 1 pour le blanc.

14/16
 Ces deux transformations sont représentées par l’équation suivante :

I
b (i, j)= 0 si I(i, j) ≤ S
Ib (i, j) = 1 si I(i, j) > S

Dans notre cas ; tout pixel de niveau de gris ≤ 4 aura la couleur blanche
donc la valeur 0, et tout pixel de niveau de gris > 4 aura la couleur noire
donc la valeur 1. D’où :
0 1 2 3 4 5 6 7
0 0 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0 0
2 0 0 1 1 1 1 0 0
Ib = 3 0 0 1 1 1 1 0 0
4 0 0 1 1 0 1 0 0
5 0 0 1 1 1 1 0 0
6 0 0 0 0 0 0 0 0
7 0 0 0 0 0 0 0 0

4. L’image Ib représente un carré blanc sur un fond noir avec un bruit sous
forme de trous au pixel (4,4).
Pour éliminer ce bruit, on doit utiliser le filtre de fermeture.
Le filtre de fermeture consiste à appliquer à l’image un filtre de dilata-
tion morphologique suivit d’un filtre d’érosion morphologique.
Les Filtres morphologiques se basent sur l’examen d’un voisinage pré-
définit par l’élément structurant du filtre.
Le filtre de dilatation consiste à remplacer la couleur du pixel examiné
par celle de la maximal de son voisinage. Le filtre d’érosion consiste par
contre au remplacement du pixel étudié par la valeur minimale de son
voisinage.
5. Application du filtre fermeture à Ib :
L’élément structurant est :
1 1 1
1 1 1
1 1 1
— Application du filtre de dilatation :
En appliquant la définition de ce filtre à notre image binaire, tout
pixel de l’image ayant au moins un 1 dans son voisinage, aura comme
résultat du filtre la couleur 1. L’image obtenue est donc l’image Ibd
suivante :

15/16
 0 1 2 3 4 5 6 7
0 0 0 0 0 0 0 0 0
1 0 1 1 1 1 1 1 0
2 0 1 1 1 1 1 1 0
Ibd = 3 0 1 1 1 1 1 1 0
4 0 1 1 1 1 1 1 0
5 0 1 1 1 1 1 1 0
6 0 1 1 1 1 1 1 0
7 0 0 0 0 0 0 0 0
— Application du filtre d’érosion :
Tout pixel ayant 0 dans son voisinage aura comme couleur o. Les
pixels n’ayant que des 1 dans leur voisinage resteront avec la couleur
1. On obtient l’image Ibe suivante :
0 1 2 3 4 5 6 7
0 0 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0 0
2 0 0 1 1 1 1 0 0
Ibe = 3 0 0 1 1 1 1 0 0
4 0 0 1 1 1 1 0 0
5 0 0 1 1 1 1 0 0
6 0 0 0 0 0 0 0 0
7 0 0 0 0 0 0 0 0

6. Une région est constituée d’un ensemble continu de pixels ayant les
mêmes caractéristiques. Donc l’image Ibe contient deux régions : La
région ayant la couleur 0 et celle ayant la couleur 1 comme présenté
dans l’image suivante :
0 1 2 3 4 5 6 7
0 0 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0 0
2 0 0 1 1 1 1 0 0
3 0 0 1 1 1 1 0 0
4 0 0 1 1 1 1 0 0
5 0 0 1 1 1 1 0 0
6 0 0 0 0 0 0 0 0
7 0 0 0 0 0 0 0 0
région 1 et région 2

16/16