CHAP 2 :

PRÉTRAITEMENTS -
FILTRAGE
HISTOGRAMME
REHAUSSEMENT
BRUIT
FILTRES
PRÉTRAITEMENTS : OBJECTIFS
 But : préparer l’image aux traitements futurs
 Améliorer la qualité de l’image
• Rehausser le contraste
• Réduire le bruit
• Atténuer ou supprimer les dégradations

 Origines des dégradations :

• Au moment de l’acquisition
• Liées à la transmission
• Lors du changement de format ou lors du stockage
• Usure de l’image originale (réelle)

 => avoir une image restaurée fidèle à la scène d’origine.

Prétraitements / Filtrage

2
Meriem ZAOUI
SOURCES DES DÉGRADATIONS
 Contexte d’acquisition :
• Sur ou sous illumination
• Perturbations des capteurs (mouvement, effets atmosphériques,
etc.)

 Echantillonnage / Quantification

 Nature de la scène :
• Imageries satellitaires (ex :nuage)
• Imageries médicales

 Usure du temps (ex : pages d’un livre ancien)

Prétraitements / Filtrage

3
Meriem ZAOUI
HISTOGRAMME
 Histogramme = L'histogramme représente la répartition
des pixels en fonction de leur niveau de gris.
 L’histogramme d’une image est la fonction qui associe à
chaque valeur d’intensité le nombre de pixels dans
l’image ayant cette valeur.

Prétraitements / Filtrage

4
Meriem ZAOUI
HISTOGRAMME

Dynamique d’une image : D = [valmin; valmax ]

Prétraitements / Filtrage

5
Meriem ZAOUI
HISTOGRAMME (EXEMPLE)

Prétraitements / Filtrage

6
Meriem ZAOUI
HISTOGRAMME (EXEMPLE)

Prétraitements / Filtrage

7
Meriem ZAOUI
HISTOGRAMME (EXEMPLE)

Prétraitements / Filtrage

8
Meriem ZAOUI
HISTOGRAMME : QUE DIT-IL?
 Quel information sur l’image?

Prétraitements / Filtrage

9
Meriem ZAOUI
HISTOGRAMME : QUE FAIRE?

10
Prétraitements / Filtrage
Meriem ZAOUI
TRAITEMENTS À BASE
D’HISTOGRAMME
 Traitement statistique => traitement global mais perte
d’information locale => appliquer aux niveaux de gris de l'image
une modification indépendante de leurs positions dans cette
image.
 Différents traitements d'analyse effectués uniquement à partir de
l'histogramme.
 Exemples :
• Binarisation
• Réduire à une image binaire (noir et blanc)
• Normalisation
• Exploiter toute la dynamique de codage.
• Egalisation
• Equilibrer la dynamique de codage et augmenter le contraste.
• Segmentation
• Segmenter l'image en regroupant les pixels selon leurs valeurs.

11
Prétraitements / Filtrage
Meriem ZAOUI
LUT (LOOK UP TABLE)
1. Transformation par une LUT : table contenant une
correspondance des valeurs Im[x,y] avant et après
transformation.
0 1 2 ….. …… 255
 Ex : 128 128 76 45

 Im[x,y]  LUT [Im[x,y]]

12
Prétraitements / Filtrage
Meriem ZAOUI
HISTOGRAMME : BINARISATION
2. Binarisation selon un seuil S, seuillage
• Si Im[i,j]< S alors Im[i,j]  0 sinon Im[i,j]  1
 => réduction importante de la quantité d’information
 Possibilité d’avoir 2 seuils (ou plus).
 Problématique de la détermination d’un seuil utile.
LUT
• Rq : Un seuil global pour l’image n’est pas toujours bon => découper
l’image par blocs et calculer un seuil global pour chaque bloc.

13
Prétraitements / Filtrage
Meriem ZAOUI
HISTOGRAMME : ETALEMENT OU
ETIREMENT
3. Expansion ou extension linéaire de la dynamique= Etalement
 Etendre la dynamique de l’image => augmenter le contraste.
• => a ≤ n ≤ b  0 ≤ n’ ≤ 255 , dynamique maximale

14
Prétraitements / Filtrage
Meriem ZAOUI
HISTOGRAMME : ETALEMENT
 Exemple d’étalement :

15
Prétraitements / Filtrage
Meriem ZAOUI
HISTOGRAMME : ETALEMENT
 Principe : un histogramme « idéal » présenterait une distribution
uniforme des niveaux de gris
 Appliquer une transformation sur chaque pixel de l'image =>
dilatation artificielle mais linéaire de l'échelle de gris utilisée par
l'image.

 La transformation T est définie selon la dynamique Vmin, Vmax.

16
Prétraitements / Filtrage
Meriem ZAOUI
HISTOGRAMME : ETALEMENT
 Pour une dynamique maximale :
• => Vmin=0 et Vmax=255

 On a :

 LUT :

17
Prétraitements / Filtrage
Meriem ZAOUI
HISTOGRAMME : ETALEMENT / IMPLÉMENTATION

18
Prétraitements / Filtrage
Meriem ZAOUI
HISTOGRAMME : ETALEMENT

19
Prétraitements / Filtrage
Meriem ZAOUI
HISTOGRAMME : ETALEMENT

20
Prétraitements / Filtrage
Meriem ZAOUI
HISTOGRAMME : EGALISATION
 Egalisation => augmentation du contraste.
 Egalisation = Etirement + répartition uniforme des niveaux de
gris.
 Après transformation, l’histogramme devient constant, chaque
niveau de gris est représenté dans l’image par un nombre
constant de pixels.
 On parle aussi d’histogramme « plat ».

21
Prétraitements / Filtrage
Meriem ZAOUI
HISTOGRAMME : EGALISATION

 Rendre le plus plat possible, l’histogramme des niveaux de gris

de l’image
 Augmenter la dynamique des niveaux faibles sans en perdre
sensiblement pour les niveaux élevés.
 => Permet de renforcer le contraste sur des détails qui sont
masqués par des variations d’intensité.
 => population uniforme pour tous les niveaux de gris
(équipopulation).
 Transformation T construite à partir de l'histogramme cumulé de
l'image de départ.

22
Prétraitements / Filtrage
Meriem ZAOUI
HISTOGRAMME : EGALISATION

23
Prétraitements / Filtrage
Meriem ZAOUI
 HISTOGRAMME : EGALISATION (EX ALGORITHME)
/* Initialisation de l'histogramme */
for (i=0; i<256; i++) H[i] = 0 ;
/* Calcul de l'histogramme */
for (i=0; i<M; i++) for (j=0; j<N; j++) H[Im[i][j]] ++
/* Calcul de l'histogramme normalisé */
for (i=0; i<256; i++) Hr[i] = H[i] / (M*N) ;
/* Calcul de l'histogramme cumulé */
Somme = 0 ;
for (k=0; k<255; k++) { Somme += Hr[k] ; HC[k] = Somme ; }
/* Egalisation */
for (i=0; i<M; i++)
for (j=0; j<N; j++) {
Niveau_Initial = Im[i][j] ;
ImEg[i][j] = 255 * HC[NiveauInitial] ;
}

24
Prétraitements / Filtrage
Meriem ZAOUI
HISTOGRAMME : EGALISATION

25
Prétraitements / Filtrage
Meriem ZAOUI
HISTOGRAMME : EGALISATION

26
Prétraitements / Filtrage
Meriem ZAOUI
HISTOGRAMME : EGALISATION

27
Prétraitements / Filtrage
Meriem ZAOUI
HISTOGRAMME : EGALISATION

28
Prétraitements / Filtrage
Meriem ZAOUI
HISTOGRAMME : EGALISATION

29
Prétraitements / Filtrage
Meriem ZAOUI
 TRANSFORMATION DE L’IMAGE (1/8)

f
Image originelle

Image transformée

Transformer ces images pour : améliorer leur visualisation pour une

interprétation manuelle , mettre en évidence des détails , des structures
ou bien réaliser un prétraitement pour faciliter l’application d’un algorithme
de traitement ultérieur.

30
Prétraitements / Filtrage
Meriem ZAOUI
 TRANSFORMATION DE L’IMAGE (2/8)

 Transformations ponctuelles
 En chaque point on applique une formule de modification du
niveau de gris (ou de la couleur) indépendamment de la
localisation géométrique de ce pixel
J=f(i) i ancien niveau de gris, j nouveau niveau de gris
=> on a donc une table de transcodage appelée LUT (Look Up Table)

 Transformations locales
 Le nouveau niveau de gris en un point est fonction de l’ancien
niveau de gris et de la localisation du pixel
J=f(i,x,y) , J(x,y) peut être plus simplement une fonction des niveaux de
gris des pixels voisins de (x,y)

 Transformations globales
 On considère alors l’image comme un nuage de points dans un
espace donné et on réalise un changement de base (ex.
transformée de Fourier...)

31
Prétraitements / Filtrage
Meriem ZAOUI
 TRANSFORMATION DE L’IMAGE (3/8)

 Transformations ponctuelles
 S’appliquent pixel par pixel et ne font intervenir que la valeur du niveau de
gris => pour tout niveau de gris i on obtient un nouveau niveau de gris j=f(i).
 Cette fonction est définie sur l’ensemble des valeurs de niveaux de gris
possibles => représenter cette fonction par une tabulation appelée LUT
(Look Up Table).

0 f(0)
1
f(1)
2
f(2)

f(254)
254
255 f(255)

32
Prétraitements / Filtrage
Meriem ZAOUI
 TRANSFORMATION DE L’IMAGE (4/8)

 Transformations point à point (ponctuelles)

 Traitements sur l’histogramme : étalement, égalisation, etc.

 Opérations algébriques entre images : sommation, soustraction,
etc.

33
Prétraitements / Filtrage
Meriem ZAOUI
 TRANSFORMATION DE L’IMAGE (5/8)

 Transformations ponctuelles : histogramme

 Exemple : Inversion d’image

34
Prétraitements / Filtrage
Meriem ZAOUI
 TRANSFORMATION DE L’IMAGE (6/8)

 Transformations ponctuelles : arithmétique d’images

 L’arithmétique d’images : appliquer les opérations arithmétiques

standard et les opérations logiques à une ou plusieurs images.
• Opérations arithmétiques : addition, soustraction, multiplication, etc.
• Opérations logiques : Et, Ou, etc
 Les images opérandes doivent être de même taille, de plus une des
images opérandes peut être une image constante.

 Exemples d’applications :
• des images de scènes à des dates différentes :
 suppression du bruit en ajoutant des images temporelles successives,
 ou bien détection du mouvement ou d’un défaut en soustrayant deux
images successives dans le temps.

R(x,y)=I1(x,y)+I2(x,y) R(x,y)=I1(x,y)-I2(x,y)

35
Prétraitements / Filtrage
Meriem ZAOUI
TRANSFORMATION DE L’IMAGE (7/8)

 L’addition pixel à pixel de deux images F et G est définie par :

A(x, y) = Min(F(x, y) + G(x, y); 255)

 L’addition d’images peut permettre :

• de diminuer le bruit d’une vue dans une série d’images
• d’augmenter la luminance en additionnant une image avec elle-
même.

 La soustraction pixel à pixel de deux images F et G est définie

par :
• S(x, y) = Max(F(x, y) − G(x, y); 0)
 La soustraction d’images peut permettre :
• la détection de défauts
• la détection de mouvements

36
Prétraitements / Filtrage
Meriem ZAOUI
TRANSFORMATION DE L’IMAGE (8/8)

 Exemple : Soustraction d’images

37
Prétraitements / Filtrage
Meriem ZAOUI
TRANSFORMATION DE L’IMAGE
(EXEMPLE)

38
Prétraitements / Filtrage
Meriem ZAOUI
TRANSFORMATION DE L’IMAGE
 Traitement bas niveau d’images : Histogramme +
Arithmétique d’image

• Transformations ponctuelles

• Transformations locales

Filtrage

• Transformation globales

39
Prétraitements / Filtrage
Meriem ZAOUI
FILTRAGE
 Élimination de certaines composantes fréquentielles

 Application d'une transformation mathématique qui

modifie la valeurs des pixels.

• Transformation linéaire  filtrage linéaire.

linéaire

• Transformation non linéaire  filtrage non linéaire

• Prise en compte des valeurs de gris au voisinage de chaque

pixel transformé  fonction de convolution (linéaire).
(linéaire)

40
Prétraitements / Filtrage
Meriem ZAOUI
FILTRAGE
 Dans une image les détails se répètent fréquemment sur un
petit nombre de pixels, on dit qu’ils ont une fréquence élevée
• => ex : les bords et les contours dans une image.

 Les fréquences basses correspondent à des variations qui se

répètent peu car, diluées sur de grandes parties de l’image
• => ex : variations de couleurs dans un fond.

 Les filtres agissent sélectivement sur ces fréquences en vue

de les amplifier ou de les réduire

41
Prétraitements / Filtrage
Meriem ZAOUI
FILTRAGE
 Deux types de filtre.

 Filtre Passe-bas
• Un filtre passe-bas accentue  les éléments qui ont une basse
fréquence spatiale tout en atténuant  les éléments à haute
fréquence spatiale.
• => une image qui apparaît plus homogène (un peu floue)
• => adoucit les détails

 Filtre Passe-haut
• Ce filtre rehausse  les détails de l’image qui varient rapidement en
fonction de la distance.
• Les détails montrent des variations rapides de fréquences sur de
courtes distance de l’image.
• => accentue les détails

42
Prétraitements / Filtrage
Meriem ZAOUI
FILTRE / VOISINAGE
 Voisinage / connexité
• V(P)= { P’ connectés à P }

43
Prétraitements / Filtrage
Meriem ZAOUI
FILTRE / VOISINAGE
 Voisinage
• de 3x3 (rayon 1) si on considère les pixels rouges,
• de 5x5 (rayon 2) si on considère aussi les pixels oranges,
• de 7x7 (rayon 3) si on considère également les pixels jaunes.

 Un filtre sera caractérisé par :

• la forme du voisinage (généralement un carré centré sur le pixel)
• la taille (ou rayon) du voisinage,
• l'algorithme de calcul de la valeur finale

44
Prétraitements / Filtrage
Meriem ZAOUI
FILTRAGE : APPLICATIONS

 Transformation locale : filtrage

• Passe-bas :
• réduction du bruit,
• Préfiltrage,

• Passe-haut :
• Extraction de contours,
• Rehaussement du contraste,
• Extraction de points d’intérêts
• Détection de ligne et de point,

45
Prétraitements / Filtrage
Meriem ZAOUI
FILTRAGE

 Filtres Passe-bas (éliminer le bruit)

• Moyenne
• Fenêtres : Gaussienne, Polynomiale…
• Min-Max
• Médian
• Nagao
• …

 Filtres Passe-haut

46
Prétraitements / Filtrage
Meriem ZAOUI
FILTRE LINÉAIRE => CONVOLUTION

 En pratique, la convolution numérique d'une image se fera

par une sommation de multiplications

 Un filtre de convolution (noyau ou kernel) est une matrice

généralement (mais pas toujours) de taille impaire et
symétrique
• 3x3, 5x5, 7x7, …

47
Prétraitements / Filtrage
Meriem ZAOUI
FILTRE LINÉAIRE => CONVOLUTION

Filtre = Noyau de
convolution ou Kernel

48
Prétraitements / Filtrage
Meriem ZAOUI
 FILTRAGE : CONVOLUTION (UTILISATION
PRATIQUE)

49
Prétraitements / Filtrage
Meriem ZAOUI
 FILTRAGE : CONVOLUTION (UTILISATION
PRATIQUE)

 Pixel du bord de l'image : certains points du voisinage (du

noyau) sont en dehors de l'image d'origine. =>Choisir une
stratégie pour gérer ces pixels extérieurs.
• Mise à zéro : Si un pixel du voisinage est en dehors de l'image
d'origine, sa valeur est considérée comme nulle.
• Continuité : Si un pixel du voisinage est en dehors de l'image
d'origine, sa valeur est celle du pixel le plus proche qui est dans
l'image d'origine.
• Miroir : Si un pixel du voisinage est en dehors de l'image d'origine,
sa valeur est celle du pixel symétrique par rapport au bord de
l'image.

50
Prétraitements / Filtrage
Meriem ZAOUI
FILTRAGE : MOYENNEUR (PASSE-BAS)

 Le filtrage anti-bruit (opérateurs de lissage)

 Défauts :
• Certaines fréquences détruites
• Images dégradée
• Contours altérés

51
Prétraitements / Filtrage
Meriem ZAOUI
FILTRAGE : GAUSSIEN (PASSE-BAS)
 Distribution Gaussienne
• => Lissage par moyennage pondéré de l’image en fonction de
la distance du pixel voisin
• Le noyau gaussien est défini par un ensemble de coefficients
qui sont des échantillons de la gaussienne 2D

52
Prétraitements / Filtrage
Meriem ZAOUI
AUTRES FILTRES PASSE-BAS

 Filtrage Binômial

 Filtrage Pyramidal

 Filtrage Conique

53
Prétraitements / Filtrage
Meriem ZAOUI
FILTRAGE: REMARQUES
 Rq : Propriétés d’un filtre linéaire

• Invariant à la position : le résultat dépend du voisinage et non

de la position dans l’image.
• Échelle et superposition : le filtrage de l’addition de deux
images est équivalent à la somme des deux images filtrées.

54
Prétraitements / Filtrage
Meriem ZAOUI
FILTRAGE KNN (NON LINÉAIRE)
 Filtrer => Remplacer le pixel central (Pc) par la moyenne
d'une sélection des pixels voisins
 Filtres KNN => sélectionner les K voisins dont les valeurs
sont les plus proches de la valeur du Pc et remplacer la
valeur du Pc par la valeur de leur moyenne.

55
Prétraitements / Filtrage
Meriem ZAOUI
FILTRE SNN (NON LINÉAIRE)
 Filtres SNN => pour chaque paire de pixels symétriques
par rapport à Pc, on sélectionne celui dont la valeur est la
plus proche de celle de Pc puis on fait leur moyenne.

56
Prétraitements / Filtrage
Meriem ZAOUI
FILTRAGE MIN-MAX (NON LINÉAIRE)
 Filtre Min-Max => Remplacer la valeur du pixel (x,y) par le
minimum ou le maximum sur la fenêtre centrée en ce point
selon la proximité de ces deux valeurs à la valeur centrale.
• Si le pixel central Pc a une valeur supérieure à Max, on affecte
Max
• Si le pixel central Pc a une valeur inférieure à Min, on affecte
Min
• Si le pixel central Pc est compris entre Min et Max, on garde la
valeur de Pc

57
Prétraitements / Filtrage
Meriem ZAOUI
FILTRAGE MEDIAN (NON LINÉAIRE)
 Filtre Median :
• Remplacer la valeur du pixel central par la valeur médiane de
la répartition (luminances triées dans l'ordre croissant) des
niveaux de gris des pixels situés à l'intérieur de cette fenêtre

58
Prétraitements / Filtrage
Meriem ZAOUI
FILTRAGE : EXEMPLES

59
Prétraitements / Filtrage
Meriem ZAOUI
FILTRAGE PASSE-HAUT

 Filtre 3*3

 Filtre 5 * 5

60
Prétraitements / Filtrage
Meriem ZAOUI
FILTRAGE : PASSE-BAS/PASSE-HAUT
 Opérations sur les filtres

 Exemple :

61
Prétraitements / Filtrage
Meriem ZAOUI
 FILTRAGE

Quelles utilités ou
applications ?

Réduction de bruit.
Détection de points ou contours

62
Prétraitements / Filtrage
Meriem ZAOUI
BRUIT : DÉFINITION
 Bruit = Altération de l’image => toute information parasite

 Origine : Acquisition, Transmission, Stockage.

63
Prétraitements / Filtrage
Meriem ZAOUI
BRUIT (DISTRIBUTION IMPULSIONNELLE)

 Un bruit "poivre et sel"

sel d'ordre n est obtenu en ajoutant n pixels
blancs et n pixels noirs aléatoirement dans une image.
• On le caractérise souvent par le pourcentage de pixels remplacés.
• Exemple : Poussière sur objectif, perte de données, petits objets

64
Prétraitements / Filtrage
Meriem ZAOUI
BRUIT (DISTRIBUTION ADDITIVE)
 Loi de distribution Gaussienne de variance σ et moyenne μ :
• Le bruit Gaussien (bruit additif) est obtenu en ajoutant à chaque
pixel une valeur aléatoire suivant une loi de probabilité
Gaussienne.
• Le paramètre sigma s'appelle la déviation standard, et détermine la
largeur de la cloche Gaussienne.

65
Prétraitements / Filtrage
Meriem ZAOUI
FILTRAGE : ELIMINER LE BRUIT
 Filtres linéaires : moyenneur, gaussien (σ <1) bruit gaussien
• Pour le filtrage Gaussien, le degré de lissage est proportionnel à la
valeur de σ.
• Ressemblance entre convoluer plusieurs fois par un masque petit
et celui de convoluer une seule fois par un masque de grande
taille.
• Détruit les contours

 Filtrage non-linéaire : médian  bruit impulsionnel

• NB : Seuls des filtres non-linéaires peuvent permettre de préserver
des contours en s'adaptant au contenu des images

66
Prétraitements / Filtrage
Meriem ZAOUI
FILTRAGE : DÉTECTER DE POINTS

 Détection par filtrage : convolution avec des filtres passe-haut.

 Exemple :

• grande valeur positive => point blanc sur fond noir.

• grande valeur négative => point noir sur fond blanc.

67
Prétraitements / Filtrage
Meriem ZAOUI
FILTRAGE : DÉTECTER DE LIGNES
 Détection des contours d’une ligne :

2 -1 -1 -1 2 -1 -1 -1 2 -1 -1 -1
-1 2 -1 -1 2 -1 -1 2 -1 2 2 2
-1 -1 2 -1 2 -1 2 -1 -1 -1 -1 -1

68
Prétraitements / Filtrage
Meriem ZAOUI
FILTRAGE : DÉTECTER DES CONTOURS

 Contours = lieux de variations significatives de l'information

niveau de gris
• objet = région homogène
• image = mosaïque de régions homogènes séparées par des zones
de transitions

 => évaluation de la variations en chaque pixel.

• Gradient : localement max
• Laplacien : passage par zéro.

69
Prétraitements / Filtrage
Meriem ZAOUI
 DÉTECTION DE CONTOUR

70
Prétraitements / Filtrage
Meriem ZAOUI
 DÉTECTION DE CONTOUR

 Filtre gradient
• Il est parfois intéressant de mettre en avant des détails qui
changent selon une direction donnée  dans ce but on utilise
des filtres de type gradient, qui sont en fait des dérivées
partielles le long d’une direction particulière, en général l’un
des deux axes cartésiens X ou Y de l’image.

71
Prétraitements / Filtrage
Meriem ZAOUI
 DÉTECTION DE CONTOUR : Gradient

Masque
Gradient
Horizontale/
Verticale

72
Prétraitements / Filtrage
Meriem ZAOUI
 DÉTECTION DE CONTOUR : Roberts

Masque de
ROBERTS
Diagonales

73
Prétraitements / Filtrage
Meriem ZAOUI
 DÉTECTION DE CONTOUR : Prewitt -
Sobel
 Le calcul de gradient est mené par l'intermédiaire de deux
masques

 c=1 => opérateurs de Prewitt,

 c=2 => opérateurs de Sobel.
 Ces masques ont l'avantage de produire deux effets.
o Outre le calcul du gradient dans une direction
o lissage dans la direction orthogonale. Ce lissage rend
ces masques un peu moins sensibles au bruit que les
précédents.

74
Prétraitements / Filtrage
Meriem ZAOUI
 DÉTECTION DE CONTOUR

Masque de
SOBEL

75
Prétraitements / Filtrage
Meriem ZAOUI
 DÉTECTION DE CONTOUR

 Filtre Laplacien :
 Détection des points de changements de fréquences.

 Exemple :

76
Prétraitements / Filtrage
Meriem ZAOUI
 DÉTECTION DE CONTOUR

 Autres filtres :
 FREEMAN
 KIRSCH
 ROBINSON
 CANNY
 Etc.

 Ces filtres, qui portent tous le nom de leurs inventeurs, sont tous
conçus dans le même but : détecter avec la plus grande précision les
contours

77
Prétraitements / Filtrage
Meriem ZAOUI
FILTRAGE : EXEMPLE DE TRAITEMENTS

 On peut par exemple choisir d'appliquer d'abord un filtre

Gaussien pour réduire le bruit, avant d'appliquer un filtre
Laplacien pour détecter les points autour desquels les
variations de luminosité sont importantes.

78
Prétraitements / Filtrage
Meriem ZAOUI
TRANSFORMATION D’UNE IMAGE

 transformations ponctuelles des pixels d’une image

• Lire la valeur d’un pixel  la remplacer par une autre

 transformations locales
• Lire la valeur de quelques pixels voisins calculer une
nouvelle valeur pour un pixel

 transformations globales
• Lire la valeur de tous les pixels de l’image  calculer une
nouvelle valeur pour un seul pixel

79
Prétraitements / Filtrage
Meriem ZAOUI