Image – Notes de cours Master IIEP

DEPARTEMENT D'INFORMATIQUE

Image
Notes de Cours

Sommaire

1- Introduction
2- Image
3- Histogramme
4- Opérations
5- Exercices d’application

Réalisé par :
[Link]

Année Universitaire : 2019-2020

Image – Notes de cours Master IIEP

I-Introduction
1.1 Vision

L’espace qui nous entoure a une structure tridimensionnelle (3D). Il est composé d’objets
et de relations entre objets. Nous le percevons en termes d’images, à l’aide d’un système de
vision et de la lumière : L’ Œil et le Soleil.

Images

Radiations Processus
électromagnétiques d’interprétation

Objects

Le soleil émet des radiations électromagnétiques ou rayons qui ne sont pas tous visibles par
l’œil. La lumière est composée d’une série de couleurs allant du violet jusqu’au rouge. Dans
le spectre visible, 3 couleurs sont dominantes : Bleu, Vert et Le rouge.

Lorsque l’on demande à une personne de décrire ce quelle voit elle n’éprouve aucune
difficulté à nommer les objets qui l’entourent. Les objets sont le réponses finales résultant
d’un processus d’interprétation qui fait partie intégrante du système visuel.
Image – Notes de cours Master IIEP

IMAGES CONNAISSANCES

INTERPRETATION

DESCRIPTION DE LA SCENE
(Objets, Position, Mouvements)

La Vision est un processus continu de traitement de l’information. L’entrée du système est

constituée par une série d’images. Le système fait appel et apporte par lui-même un certain
nombre de connaissances qui interviennent à tous les niveaux. La sortie est une description de
l’entrée en termes d’objets et de relations entre objets.

Du point de vue de la vision, une image est un donc signal continu de représentation des
objets.

1.2-Vision Artificielle (VA)

La vision artificielle est une branche de l’intelligence artificielle qui a pour objectif de
développer un modèle computationnel pour la perception visuelle. La vision humaine est
complexe. Néanmoins, la vision artificielle est considérée comme un sous système de la
vision humaine.

Le paradigme du modèle de la vision artificielle se compose de 3 étapes :

1- La Segmentation
2- La Reconstruction
3- La Reconnaissance (ou Interprétation)

La Segmentation est la séparation de l’image en objets. La Reconstruction est la constitution

de la scène à partir de la capture de plusieurs images. La Reconnaissance est une fonction
Image – Notes de cours Master IIEP

sémantique qui consiste à donner un sens, à reconnaître, à nommer les objets. La connaissance
sémantique n’est pas contenue dans l’image. Elle dépend des connaissances a priori.

Du point de vue du paradigme de la VA, la vision artificielle se répartit en plusieurs

domaines :

- Traitement d’images (Amélioration, Restauration, Débruitage, Segmentation)

- Analyse d’images (Calcul des attributs d’une image)
- Détection des objets (Reconnaissance des Formes, Vision Cognitive)

Exemples

Amélioration Restauration

Débruitage Correction et Compensation

Détection Segmentation

Les Applications de la VA sont nombreuses : la Robotique, la Médecine, l’Industrie

Automobile, l’Aviation, la Météo, le Multimédia, Le Militaire, etc.
Image – Notes de cours Master IIEP

II-Image
2.1 Définition

Une image est une représentation d’un objet exposé à une source énergétique, et produite par
un capteur.

Une image produite par un capteur est un signal caractérisé par sa dimension et sa nature. La
dimension correspond à l’espace du signal : 1D, 2D, 3D. La nature de l’image correspond à la
nature de la gradeur mesurée.
Image – Notes de cours Master IIEP

On a en général deux types d’image :

- Analogique : Un signal électrique continu

- Numérique : Une image produite par des capteurs numériques.
-

La numérisation d’une image se déroule essentiellement en 3 étapes :

- Transformation : Production d’un signal électrique.

- Discrétisation : Echantillonnage et quantification : Discrétisation du signal en
échantillons et Discrétisation de la valeur de sa radiation
- Enregistrement du signal numérisé.

Formellement une image est donc une fonction d’intensité I.

- dans le cas d’une fonction continue

- dans le cas d’une fonction discrète, p étant un pixel et I(p) son intensité.
Image – Notes de cours Master IIEP

2.2 Image numérique (Digital Image)

Une image numérique est une image échantillonnée et quantifiée en vue d’être traitée par
ordinateur.

L’échantillonnage est le procédé de discrétisation spatiale d’un signal continu. Le signal

est échantillonné en points appelés pixels (PIcture ELements) et disposés dans une structure
appelée pavage. La quantification est la discrétisation tonale correspondant à la limitation du
nombre de valeurs différentes que peut prendre chaque point de l’espace auquel on attribue un
format de bits. Chaque valeur quantifiée

La quantification consiste à diviser la gamme dynamique des luminances en un nombre

fini d'intervalles. La gamme dynamique est déterminée par le support physique de
l'information avant numérisation. L'amplitude de l'intervalle de quantification doit alors être
choisi inférieur à une quantité appelée échelon liminaire de luminance . Cette quantité
représente le minimum de variation relative de luminance perceptible par un observateur
moyen.

2.2.1 Notion de pavage

Un pavage est une structure de discrétisation du signal. Il existe différent types de pavage :

 Rectangulaires
 Hexagonal (les capteurs des satellites)
 Triangulaire
 …


Un pixel p est défini par sa position et son intensité dans le pavage.

Image – Notes de cours Master IIEP

Cas d’une image numérique 2D

Une image numérique 2D est associée à un pavage rectangulaire. Chaque pixel est défini par
2 coordonnées (x, y) et son intensité I(x, y) : .

Une image 2D peut aussi être définie comme étant une surface S(x, y) :
Image – Notes de cours Master IIEP

2.2.2 Notion de connexité

Deux pixels sont dits connexes si :

- ils sont similaires
- ils sont adjacents

Il existe plusieurs types de connexité :

- La 4-connexité
- La 6-connexité
- La 8-connexité

Un pixel p possède 4 voisins : 2 voisins horizontaux et 2 voisins verticaux.

Un pixel p possède 6 voisins : 2 voisins verticaux et 4 voisins diagonaux.
Un pixel p possède 8 voisins : 2 voisins horizontaux, 2 voisins verticaux et 4 voisins
diagonaux.

2 pixels A et B vérifiant le critère de similarité sont considérés comme :

- 4-connexe : si A est un 4-voisinage de B
- 8-connexe : si A est un 8-voisinage de B
- 6-connexe : si A est un 6-voisinage de B
- Mixte : A et B sont des voisins diagonaux et aucun des 4-voisins communs à A et B ne
sont 4-connexes

Exemple
Soit une image codée sur 1 bit :
Image – Notes de cours Master IIEP

2.2.3 Notion de distance

On définit généralement 3 types de distances entre deux pixels (i, j) et (k, l) :

- Distance Euclidienne :

- Distance de Manhattan

- Distance d’échiquier

2.3 Enregistrement

Une image numérique est enregistrée en mémoire dans un fichier de taille correspondant à
la résolution spatiale de l’image. D’autres informations peuvent être stockées : la date,
l’auteur, etc. Les données ou valeurs des pixels sont stockées de la gauche vers la droite et du
haut vers le bas conformément au repère de l’image.

Il existe plusieurs formats d’enregistrement :

- Format 1 bit bpm (Bit Map): format 1 bit à 2 valeurs 0 et 1. 0 correspond à la couleur
noire et 1 correspond au blanc. L’image est binaire.

- Format 8 bits pgm (Grayscale Map): format à 8 bits permettant de représenter 256
couleurs en niveaux de gris. 0 correspond à la couleur noire et 255 correspond au
blanc.
Image – Notes de cours Master IIEP

- Format 3*8 bits ppm (Pix Map): triplet de format 8 bits (R, G, B) permettant de
représenter un pixel par 3 valeurs à 256 couleurs.

(0, 0, 0) correspond à la couleur noire, (255, 0, 0) correspond au rouge, (255, 255, 0) au jaune
et (255, 255, 255) correspond au blanc.

- Formats de : JPEG, TIFF, PNG, GIF.

Image – Notes de cours Master IIEP

2.4 Caractéristiques d’une image

Etant donnée une image I codée sur k bits de résolution (M,N), les caractéristiques
primaires sont :

1- Résolution spatiale ou Définition: Nombre total de pixels de l’image : Def = M*N

2- Densité de résolution : Nombre de pixels par unité de surface ou de longueur

3- Brillance ou luminance est la moyenne des intensités de tous les pixels :

4- Contraste : Soient max= Max(I(x,y)) et min = Min(I(x,y)), alors le contraste de

l’image I peut être défini de plusieurs manières :

(1) C =

(2) C =

5- Dynamique de l’image est le domaine réel des intensités [ min, max]. La dynamique
disponible de l’image est [ 0, 2k-1].

2.5 Transformation d’une image

La transformation d’une image I consiste à appliquer une fonction de transformation f à

tous les niveaux d’intensité de l’image de telle façon à reproduire une autre image I’
équivalente à I.
I’ = f(I)

2.5.1 Transformation ponctuelle

Elle consiste à transformer chaque niveau d’intensité i ’une image en un autre niveau
d’intensité i’ par une fonction de transformation appliquée à tous les pixels.

 i  I i’= f(i)

La fonction f(.) permet de modifier les caractéristiques de l’image. La fonction f permet

d’établir une table de correspondance de niveaux appelée la table de transcodage LUT
(Look Up Table).

2.5.2 Transformation locale

Elle consiste à transformer chaque niveau d’intensité i d’un pixel p d’une image en une
intensité dépendant de la localisation de p, de son intensité et des intensités de son voisinage
par une fonction locale de voisinage.

 p(x, y)  I i’(p)= f(i(p), x, y)

Image – Notes de cours Master IIEP

2.5.3Transformation globale

Elle consiste à changer de base ou de domaine de définition de la fonction image. La

transformation de Fourier est un exemple du domaine spatial de l’image en un domaine
fréquentiel de Fourier.

III-Histogramme d’une image

3.1 Définition et représentation

L’Histogramme H d’une image I est une fonction numérique à valeurs entières qui
détermine le nombre de pixels pour chaque niveau d’intensité.

H(i) est le nombre de pixels de niveau i, k est la taille du pixel

On peut déterminer l’histogramme de l’image par rapport à sa dynamique réelle D :

Par convention, un histogramme est un graphique statistique qui permet de représenter la

distribution des intensités des pixels, dont l’axe des abscisses est l’axe de niveaux de gris
allant du plus foncé au plus clair et l’axe des ordonnées est l’axe des nombres de pixels.
L’histogramme d’une image en niveaux de gris est représenté par 256 niveaux de gris en
abscisse et par le nombre de pixels en ordonnée.

Exemple
Image – Notes de cours Master IIEP

Paramètres statistiques
Soit Nr le nombre de niveaux de H :

1- Le nombre moyen de pixel par niveau de gris:

Ou d’une manière générale :

pm = i =0, …,2k-1

2- La variance :
= i =0, …,2k-1
Ou

= i  [min, max]

3.2 Histogramme normalisé

L’Histogramme Normalisé d’une image est une fonction de probabilité à valeurs comprises
entre 0 et 1 et qui détermine la probabilité d’apparition d’un niveau d’intensité.

L’entropie de l’image est :

Elle représente le nombre moyen de bits par pixel nécessaires pour coder toute l’information
présente.

3.3 Histogramme cumulé

L’Histogramme cumulé d’une image est une fonction à valeurs entières qui détermine le
nombre cumulé de pixels pour un niveau d’intensité.

Soit Hc la fonction histogramme cumulé, et soit i un niveau d’intensité,

Hc(0) = 0 et Hc(255)= N*M

Image – Notes de cours Master IIEP

3.4 Histogramme cumulé normalisé

L’Histogramme cumulé normalisé d’une image est une fonction à valeurs comprises entre
0 et 1 et qui détermine la probabilité d’apparition du niveau d’intensité cumulé.

Soit Hcn la fonction histogramme cumulé normalisé, et soit i un niveau d’intensité,

Hc(0) = 0 et Hc(255)= 1

Exemple
Image – Notes de cours Master IIEP

3.5 Modification d’histogramme

La modification d’histogramme d’une image I codée sur k bits consiste à transformer

chaque niveau d’intensité i en un autre niveau d’intensité i’ par une fonction T(i) tel que 0 
T(i)  2k-1.

La fonction T est une fonction de transformation ponctuelle appelée la LUT (Look Up

Table) (la Table de conversion).

1- Fonction d’inversion

Elle consiste à inverser les niveaux i de gris de l’image par la transformation suivante :

T(i) = 255 - i

Exemple
Image – Notes de cours Master IIEP

2- Fonction de binarisation

Elle permet de définir deux niveaux d’intensité pour toute l’image en fonction d’un critère
ou Seuil. L’image transformée est une image binaire. Tous les niveaux d’intensité qui
vérifient le critère seront transformés en niveau Max (2k-1), sinon en niveau 0 (ou en niveau
Min).
 p  I si I(p)  Seuil alors I’(p) = 2k-1 sinon I’(p) = 0

Exemple
1- Tous les pixels dont l’intensité est comprise entre 0 et 127 sont mis en blanc et tous les
pixels dont l’intensité est comprise entre 128 et 255 sont mis en noir.

2-Tous les pixels en gris pâle dont l’intensité est comprise entre 128 et 255 sont remplacés par
des pixels en blanc et tous les pixels entre 0 et 127 ne sont pas modifiés.
Image – Notes de cours Master IIEP

3- Fonction de Recadrage dynamique

Elle permet de redistribuer les niveaux d’intensité sur le domaine disponible [0-2k-1] :

i i’ = T(i)

min’= T(min) = 0 et max’= T(max) = 2k-1

Elle est appliquée pour des images trop claires, ou trop foncées, ou pour des images dont les
pixels sont distribués sur une plage étroite

L’étalement simple est :

Exemple

4- Fonction de rehaussement logarithmique

Elle permet d’éclaircir globalement l’image. Elle convient pour les images trop sombres.

T(i) = log (i)

5- Fonction d’Egalisation

Elle consiste à aplatir l’histogramme de l’image de telle façon à ce que tous les niveaux
d’intensité aient exactement ou approximativement le même nombre de pixels. Il s'agit d'un
recadrage d'image vers une forme prédéterminée de l'histogramme. Si la forme est une
distribution uniforme il s'agit d'une égalisation d'histogramme. Dans le premier cas, on dira
que l'histogramme de la nouvelle image est "plat"; dans le second cas, on dira qu'il est égalisé.
Image – Notes de cours Master IIEP

Exemple

L’idée est de regrouper des niveaux d’intensité de valeur d’histogramme voisine de (Def/max)
pour former un nouveau niveau d’intensité. On procède par réduire le nombre de niveaux.
Soit N le nombre de niveaux de gris et soit Nr le nombre de niveaux de regroupement
L’histogramme est donc séparé en bandes de largeur N/N r. Le nombre moyen de pixels par
bande est Def/Nr. Soit i’ le niveau cumulé tel que :

p(i’)  0
On pose au minimum
Image – Notes de cours Master IIEP

Exemple

IV- Opérations arithmétiques et logique d’images

4.1 Opérations arithmétiques

Les opérations arithmétiques des images s’effectuent sur des images de même dimension
et sont respectivement l’addition, la soustraction et la division d’images. L’image résultante
est l’image dont le niveau d’intensité de chaque pixel est le résultat de l’opération effectuée
pixel par pixel des images originales.
Image – Notes de cours Master IIEP

Soient deux images I1 et I2 de même dimension,

I3= I1 + I2   p(x, y) I3(x, y) = Min(I1(x, y) + I2(x, y), 255)
I4= I1 - I2   p(x, y) I4(x, y) = Max (I1(x, y) - I2(x, y), 0)
I5= I1 / I2   p(x, y) I5(x, y) = Int(I1(x, y) / I2(x, y) )
I6= I1 *    p(x, y) I6(x, y) = Max( I1(x, y) * , 255)

L’addition peut contribuer à :

3- Diminuer les informations parasites de l’image
4- D’éclaircir l’image en augmentant sa luminance
La soustraction d’images peut contribuer à :
5- Détecter les défauts de l’image
6- Détecter les mouvements ou les changements
La division peut contribuer à :
7- Diminuer nettement la luminance de l’image
La multiplication d’image par un facteur peut contribuer à :
8- Améliorer la luminance ou le contraste de l’image

Exemple
Voici une série d’opérations arithmétiques d’images de même dimension mais pas forcément
de même type. Nous avons rajouté une quatrième image et selon vous par quelle opération
elle à été obtenue ?

+ = ?

- = ?

/ = ?
Image – Notes de cours Master IIEP

= ?
+

-
= ?

/
= ?

- = ?

4.2 Opérations logiques

Les opérations logiques s’effectuent généralement entre deux images binaires. Elles utilisent
les opérateurs logiques du domaine des ensembles tels que l’union, l’union exclusive,
l’intersection et le complémentaire.

Les opérations logiques sont le AND, le OR, le XOR et le NOT

I6 = I1 .AND. I2   p(x, y) I6(x, y) = I1(x, y) .AND. I2(x, y)
I7 = I .OR. I2   p(x, y) I7(x, y) = I1(x, y) .OR. I2(x, y)
I8 = I1 .XOR. I2   p(x, y) I8(x, y) = I1(x, y) .XOR. I2(x, y)
I9 = NOT I1   p(x, y) I9(x, y) = NOT (I1(x, y))
Image – Notes de cours Master IIEP

Opérations logiques entre images binaires

Exemples
Voici une série d’opérations logiques d’images de même dimension mais pas forcément de
binaires.

=
AND

OR =
Image – Notes de cours Master IIEP

NOT =

AND =

OR =

XOR =
Image – Notes de cours Master IIEP

Exercices d’application
Questions
1-Expliquer la notion de vision artificielle.
2-Quelle est la différence entre une image analogique et une image numérique.
3-Quelle est la différence entre un échantillonnage et une quantification.
4-Sur combien de bits est codé une image en niveaux de gris ?
5-Que représente la figure suivante :

6-Proposer un algorithme pour le calcul d’histogramme d’une image de taille N*M

7-Proposer un algorithme pour le calcul d’histogramme cumulé d’une image de taille
N*M
Exercice1
Interpréter l’histogramme de l’image suivante :

Exercice2
Donner l’histogramme de l’image suivante :
Image – Notes de cours Master IIEP

Exercice 3
Binariser l’image suivante :

Exercice 4
Convertir en niveaux de gris l’image couleur suivante et déterminer son histogramme

Exercice 5
Soit la matrice d’image suivante :
234 212 212
150 150 110
100 110 110

Egaliser la matrice d’image en adoptant la démarche suivante :

1- Calculer l’histogramme H(i)
2- Normaliser l’histogramme Hn(i) = H(i)/Def
3- Calculer la densité de probabilité cumulative Hcn(i) =
4- Transformer les niveaux de gris de l’image I’(x, y) = Hcn(I(x,y)) * 255
Image – Notes de cours Master IIEP

Exercice 6
Soit M La matrice d’intensités suivante représentant une image à 256 niveaux de gris:

1-Donner la définition de M, sa dynamique, sa luminance et son contraste

2-Déterminer son histogramme
3-Inverser M en M’ tel que I’(p) = 255-I(p)
4-Donner la luminance de M’ et son contraste.
5-Déterminer son histogramme
6-Transformer M en M’’ tel que I’’(p) = (I(p)-Min) * (255/ (Max-Min)) recadrage
7-Déterminer son histogramme cumulé
Exercice 7
Comparer entre les histogrammes des images suivantes :

Exercice 8
Soit l’image suivante, son histogramme graphique et son histogramme numérique :

1-Déduire la définition de l’image, sa dynamique, sa définition et le nombre de niveaux de

gris.
2-A quoi correspondent les histogrammes suivants par rapport à l’image donnée:
Image – Notes de cours Master IIEP

Exercice 9
1-Identifier les opérations effectuées sur les images suivantes :

2-Soient F(x,y) et G(x, y) les deux images suivantes ;

Identifier les opérations effectuées sur F(x,y) et G(x, y) :