Traitement d’images

Pré-traitement
Plan

Restauration d’images
Amélioration d’images
Compression d’images

Traitement d'images - Nicolas Vandenbroucke 35

Restauration d’images

Définition
 La restauration d'images a pour objet la réduction, voire
l'élimination des distorsions introduites (bruits) par le système
ayant servi à acquérir l'image.
 Son but est d'obtenir une image qui soit la plus proche possible
de l'image idéale qui aurait été obtenue si le système
d'acquisition était parfait.
 Différentes approches :
 Le filtrage (temporel)
 Le filtrage (fréquentiel)
 Le filtrage non linéaire

Traitement d'images - Nicolas Vandenbroucke 36

Restauration d’images

Bruit
 Bruit lié au contexte de l'acquisition
 Bougé, dérive lumineuse, flou, poussière, …
 Bruit lié au capteur
 Distorsion de la gamme des niveaux de gris, distorsion géométrique,
mauvaise mise au point, …
 Bruit lié à la numérisation
 Codage, quantification, échantillonnage (moiré, effet poivre et sel), …

Traitement d'images - Nicolas Vandenbroucke 37

Restauration d’images

 Exemples

Image source Flou de mise au point

Traitement d'images - Nicolas Vandenbroucke 38

Restauration d’images

 Exemples

Image source Flou de bougé

Traitement d'images - Nicolas Vandenbroucke 39

Restauration d’images

 Exemples

Bruit uniforme (gaussien) Bruit aléatoire (impulsionnelle)

Traitement d'images - Nicolas Vandenbroucke 40

Restauration d’images

Filtrage
 Convolution discrète à 2 dimensions
 Cas continu
 
g ( x , y )  f ( x, y )  h ( x, y )    f ( x  u, y  v)  h(u, v)dudv
 
 Cas discret
g ( p, q)  f ( p, q)  h( p, q)   f ( p  i, q  j )  h(i, j )
i j

 Remarque : en traitement d’images, on utilise plutôt l’opérateur de

corrélation à condition d’avoir fait pivoter le noyau (ou masque) du filtre de
180°.
g ( p, q)  f ( p, q)  h ( p, q)   f ( p  i, q  j )  h (i, j )
i j

Traitement d'images - Nicolas Vandenbroucke 41

Restauration d’images

 Rotation d’un filtre de taille 3×3

hπ(-1,-1) hπ(0,-1) hπ(1,-1)

h(-1,-1) h(0,-1) h(1,-1) = = =
h(1,1) h(0,1) h(-1,1)
hπ(-1,0) hπ(0,0) hπ(1,0)
h(-1,0) h(0,0) h(1,0) = = =
h(1,0) h(0,0) h(-1,0)
hπ(-1,1) hπ(0,1) hπ(1,1)
h(-1,1) h(0,1) h(1,1) = = =
h(1,-1) h(0,-1) h(-1,-1)
Filtre h de taille 3×3 Filtre hπ de taille 3×3

Traitement d'images - Nicolas Vandenbroucke 42

Restauration d’images

 Parcours d’un noyau de convolution K sur une image I

Noyau K

Image source I Image destination J

Traitement d'images - Nicolas Vandenbroucke 43

Restauration d’images

 Exemple

I(4,1) I(5,1) I(6,1)

I(4,2) I(5,2) I(6,2)

I(4,3) I(5,3) I(6,3)

Traitement d'images - Nicolas Vandenbroucke 44

Restauration d’images

 Exemple

I(4,1) I(5,1) I(6,1) K(-1,-1) K(0,-1) K(1,-1)

I(4,2) I(5,2) I(6,2) K(-1,0) K(0,0) K(1,0)

I(4,3) I(5,3) I(6,3) K(-1,1) K(0,1) K(1,1)

J(5,2) = I(4,1)K(-1,-1) + I(5,1)K(0,-1) + I(6,1)K(1,-1)

+ I(4,2)K(-1,0) + I(5,2)K(0,0) + I(6,2)K(1,0)
+ I(4,3)K(-1,1) + I(5,3)K(0,1) + I(6,3)K(1,1)

Traitement d'images - Nicolas Vandenbroucke 45

Restauration d’images

 Notion de filtre passe-bas

 Il est utilisé pour atténuer les valeurs de pixels aberrantes. Il filtre les hautes
fréquences spatiales (variations rapides des niveaux de gris) comme les
contours et le bruit.
 Il correspond à l’estimation d’une moyenne (pondérée ou non) dans le
voisinage de chaque pixel. On parle alors de lissage ou de moyennage.
 Il existe différents noyaux :
– Uniforme
– Gaussien
–…

Traitement d'images - Nicolas Vandenbroucke 46

Restauration d’images

 Notion de filtre passe-haut

 Ils sont utilisés pour mettre en évidence les variations dans l'image. Ils
filtrent les basses-fréquences spatiales (variations lentes des niveaux de
gris) comme les régions homogènes.
 Ils correspondent à l’approximation de dérivées premières ou secondes.
 Il existe différents types de noyau :
– Les gradients horizontaux ou verticaux qui sont des estimations de la dérivée
première (le gradient dans un direction donnée)
– Les filtres de Sobel, Prewitt ou Roberts qui correspondent à des lissages des
approximations de dérivées premières
– Les filtres Laplacien qui sont des estimations de dérivées secondes
 Les filtres doivent être combinés dans différentes directions.

Traitement d'images - Nicolas Vandenbroucke 47

Restauration d’images

 Quelques filtres usuels

 Filtre moyenneur (lissage) : c’est un filtre passe-bas défini par h :
1/9 1/9 1/9 1/10 1/10 1/10

1/9 1/9 1/9 1/10 2/10 1/10

1/9 1/9 1/9 1/10 1/10 1/10

 Filtre Gaussien : c’est un filtre passe-bas défini par h :

0,011 0,084 0,011

1  x2  y2 
h ( x, y )  exp   2 
 0,084 0,619 0,084
2 2
 2 
0,011 0,084 0,011
Traitement d'images - Nicolas Vandenbroucke 48
Restauration d’images

 Exemple avec un filtre moyenneur

170 85 64

255 85 43

170 85 43

J(5,2) = 170×1/9 + 85×1/9 + 64×1/9

+ 255×1/9 + 85×1/9 + 43×1/9
+ 170×1/9 + 85×1/9 + 43×1/9
= 1000/9 = 111,11

Traitement d'images - Nicolas Vandenbroucke 49

Restauration d’images

 Filtre Laplacien : c’est un filtre passe-haut défini par hπ :

-1 -1 -1 0 -1 0

-1 8 -1 -1 4 -1

-1 -1 -1 0 -1 0

 Filtre rehausseur
-1 -1 -1

-1 9 -1

-1 -1 -1

Traitement d'images - Nicolas Vandenbroucke 50

Restauration d’images

 Filtre séparable : h(x,y) = h1(x)*h2(y) (exemple du filtre de Prewitt)

-1 -1 -1 -1

1 1 1 * 0 = 0 0 0

1 1 1 1

1 -1 0 1

-1 0 1 * 1 = -1 0 1

1 -1 0 1

Traitement d'images - Nicolas Vandenbroucke 51

Restauration d’images

 Application

Filtre Gaussien Filtre moyenneur

Traitement d'images - Nicolas Vandenbroucke 52

Restauration d’images

 Application

Filtre laplacien Filtre rehausseur

Traitement d'images - Nicolas Vandenbroucke 53

Restauration d’images

 Application

Filtre de Prewitt vertical Filtre de Sobel horizontal

Traitement d'images - Nicolas Vandenbroucke 54

Restauration d’images

 Effet de bord
 Taille de l’image de taille X × Y après convolution par un filtre de taille
P × Q : (X + P – 1) × (Y + Q – 1).
 En pratique la taille est de X × Y .
 Bord non traité (mis a zéro, recopie ou aucun traitement).
 Zero-padding : les valeurs du signal en dehors de l’image sont égales à zéro.
 Périodisation : le signal image est périodisé.
 Symétrie : les valeurs du signal en dehors de l’image sont obtenues par
symétrie (effet miroir).

Traitement d'images - Nicolas Vandenbroucke 55

Restauration d’images

Transformée de Fourier discrète à 2 dimensions

 Transformée de Fourier bidimensionnelle
 

 
 j 2 ( fu  gv )
X ( f , g)  x (u , v )  e dudv
 

 Transformée de Fourier discrète bidimensionnelle

 La transformée de Fourier d’un signal numérique à support borné (X×Y
échantillons) est un spectre échantillonné à support borné dont les X×Y
échantillons sont définis par la transformée de Fourier discrète
bidimensionnelle :

X m,n   x p ,q  e
mp nq
 j 2 X  Y 
p q

Traitement d'images - Nicolas Vandenbroucke 56

Restauration d’images

 FFT (Fast Fourier Transform) d’une image

Image I FFT de I

Traitement d'images - Nicolas Vandenbroucke 57

Restauration d’images

 Fréquence spatiale (image 256 × 256)

Image sinus (période 128)

Image de la FFT (fréquence 2) Module de la transformée de Fourier

Traitement d'images - Nicolas Vandenbroucke 58
Restauration d’images

Image sinus (période 32)

Image de la FFT (fréquence 8) Module de la transformée de Fourier

Traitement d'images - Nicolas Vandenbroucke 59
Restauration d’images

Image sinus (période 8)

Image de la FFT (fréquence 32) Module de la transformée de Fourier

Traitement d'images - Nicolas Vandenbroucke 60
Restauration d’images

 Orientation

Sinus horizontal (période 16)

Image de la FFT (fréquence 16) Module de la transformée de Fourier

Traitement d'images - Nicolas Vandenbroucke 61
Restauration d’images

Sinus vertical (période 16)

Image de la FFT (fréquence 16) Module de la transformée de Fourier

Traitement d'images - Nicolas Vandenbroucke 62
Restauration d’images

Sinus diagonal (période 16)

Image de la FFT (fréquence 16) Module de la transformée de Fourier

Traitement d'images - Nicolas Vandenbroucke 63
Restauration d’images

 Application
 Passe-bas : ils mettent en évidence les zones homogènes dans l’image où il y
a peu de variation des niveaux, soit par élimination des hautes fréquences,
soit par lissage (moyenneur, gaussien, …).
 Passe-haut : ils mettent en évidence les zones hétérogènes où il y a des
variations locales importantes des niveaux, soit par élimination des basses
fréquences, soit par approximation des dérivées (Prewitt, Sobel, Roberts,
Laplacien, …).
 Passe-bande et coupe-bande : ils sélectionnent une fréquence particulière.
 Filtre récursif (ou itératif) : application de convolution successives sur
l’image.
 Synthèse de filtres : le filtre est défini en fonction du modèle souhaité.

Traitement d'images - Nicolas Vandenbroucke 64

Restauration d’images

Image I FFT-1 de J

Filtre passe-bas

FFT de I Image J
Traitement d'images - Nicolas Vandenbroucke 65
Restauration d’images

Image I FFT-1 de J

Filtre passe-haut

FFT de I Image J
Traitement d'images - Nicolas Vandenbroucke 66
Restauration d’images

Image I FFT-1 de J

Filtre coupe-bande

FFT de I Image J
Traitement d'images - Nicolas Vandenbroucke 67
Restauration d’images

Image I FFT-1 de J

Filtre passe-bande

FFT de I Image J
Traitement d'images - Nicolas Vandenbroucke 68
Restauration d’images

Filtrage non linéaire

 Filtre médian

170 85 64

255 85 43

170 85 43

Avec un filtre moyenneur,

on obtient J(5,2) = 111

Traitement d'images - Nicolas Vandenbroucke 69

Restauration d’images

170 85 64 43 43 64 85 85 85 170 170 255

255 85 43 Avec un filtre médian,

on obtient J(5,2) = 85
170 85 43

Traitement d'images - Nicolas Vandenbroucke 70

Restauration d’images

 Lissage robuste
255 170 170 85 85 85 64 43 43
170 85 64
255 170 170 85 85 → 170

255 85 43 170 170 85 85 85 → 85

170 85 43 170 85 85 85 64 → 106

85 85 85 64 43 → 42
Demi intervalle le plus compact
85 – 43 = 42
J(5,2) = 85
85 85 64 43 43
Traitement d'images - Nicolas Vandenbroucke 71
Restauration d’images

 Lissage min/max
Valeur minimale, m = 43
170 85 64 Valeur maximale, M = 255
Si J(5,2) < (M – m)/2 alors J(5,2) = m
Si J(5,2) > (M – m)/2 alors J(5,2) = M
255 85 43 Ici (M – m)/2 = 106, donc J(5,2) = 43

170 85 43

Traitement d'images - Nicolas Vandenbroucke 72

Restauration d’images

 Lissage SNN (Symetric Nearest Neighbor)

170 85 64 85 64

255 85 43 85 43

170 85 43 43

Après avoir déterminé la valeur la plus proche de celle du pixel central

pour chaque paire de points symétriques par rapport au pixel central, il
faut calculer la moyenne sur les valeurs restantes.
Ici J(5,2) = 64.
Traitement d'images - Nicolas Vandenbroucke 73
Restauration d’images

 Lissage adaptatif
Les coefficients du filtre de convolution
170 85 64 s’adapte automatiquement à l’image
170-85 85-85 85-64
? ? ? = 85 =0 = 21
255 85 43 255-85 85-43
? ? ? = 170 0 = 42

170-85 85-85 85-43

? ? ? =85 =0 = 42
170 85 43
1/85 0 1/21

Σ = 1/85 + 1/21 + 1/170

K(x,y) = 1/Σ × 1/170 0 1/42
+ 1/42 + 1/85 + 1/42
1/85 0 1/42

Traitement d'images - Nicolas Vandenbroucke 74

Restauration d’images

 Application

Bruit impulsionnelle Bruit uniforme

Traitement d'images - Nicolas Vandenbroucke 75

Restauration d’images

 Filtre moyenneur

Traitement d'images - Nicolas Vandenbroucke 76

Restauration d’images

 Filtre médian

Traitement d'images - Nicolas Vandenbroucke 77

Restauration d’images

 Lissage robuste

Traitement d'images - Nicolas Vandenbroucke 78

Restauration d’images

 Lissage min/max

Traitement d'images - Nicolas Vandenbroucke 79

Restauration d’images

 Lissage SNN

Traitement d'images - Nicolas Vandenbroucke 80

Restauration d’images

 Lissage adaptatif

Traitement d'images - Nicolas Vandenbroucke 81

Restauration d’images

 Autres filtres
 Autres filtres d’ordre
 Filtres homomorphiques
 Filtres morphologiques
 Autres filtres adaptatifs
 Démo Matlab
 Restauration d’images : nrfiltdemo
 Filtrage : firdemo

Traitement d'images - Nicolas Vandenbroucke 82

Amélioration d’images

Définition
 L'amélioration a pour but de satisfaire l'oeil de l'observateur
humain.
 L'oeil humain est essentiellement sensible aux forts contrastes.
C'est pourquoi les techniques d'amélioration tentent
d'augmenter ceux-ci dans le but d'accroître la séparabilité des
régions composant une scène.
 Différentes approches :
 La modification d’histogramme
 Le filtrage (fréquentiel)
 Autres techniques

Traitement d'images - Nicolas Vandenbroucke 83

Amélioration d’images

 Contraste
 Variance des niveaux des pixels de l’image

 Variation entre les niveaux minimum et maximum

Traitement d'images - Nicolas Vandenbroucke 84

Amélioration d’images

La modification d’histogramme

 L’histogramme
5 5 5 5 5 5 5 5 5 5
5 5 10 15 10 5 4 3 4 5
5 5 15 15 15 5 3 0 3 5
5 5 10 15 10 5 3 0 3 5
5 5 5 5 5 5 3 0 3 5
5 8 5 5 5 5 3 0 3 5
5 10 8 5 5 5 3 0 3 5
5 10 10 8 5 5 3 0 3 5
5 10 10 10 8 5 4 3 4 5
5 5 5 5 5 5 5 5 5 5 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Traitement d'images - Nicolas Vandenbroucke 85

Amélioration d’images

 Recadrage dynamique
𝑛𝑚𝑖𝑛 𝑛0 𝑛1 𝑛𝑚𝑎𝑥
4000
3600
3200
2800
2400
2000
1600
1200
800
400
0
0 32 64 96 128 160 192 224 255

Traitement d'images - Nicolas Vandenbroucke 86

Amélioration d’images

𝑛′ = 𝑎 × 𝑛 + 𝑏
𝑛𝑚𝑎𝑥 255
𝑛𝑚𝑎𝑥 − 𝑛𝑚𝑖𝑛
224
𝑎=
192
𝑛1 − 𝑛0
𝑛𝑚𝑖𝑛 × 𝑛1 − 𝑛𝑚𝑎𝑥 × 𝑛0
𝑏=
160

128 𝑛1 − 𝑛0
96 Soit 𝑛𝑚𝑎𝑥 = 𝑄 − 1 et 𝑄 = 256
64
Pour 𝑛𝑚𝑎𝑥 = 255 et 𝑛𝑚𝑖𝑛 = 0 :
32

𝑛𝑚𝑖𝑛 𝑛 − 𝑛0
0
0 32 64 96 128 160 192 224 255 ⇒ 𝑛′ = 255 ×
𝑛1 − 𝑛0
𝑛0 𝑛1
→ Valeur entière de 𝑛′

Traitement d'images - Nicolas Vandenbroucke 87

Amélioration d’images

4000
3600
3200
2800
2400
2000
1600
1200
800
400
0
0 32 64 96 128 160 192 224 255

Traitement d'images - Nicolas Vandenbroucke 88

Amélioration d’images

 Correction gamma
255

224 1
𝑛′ = 𝑛 𝛾
192

160 → Valeur entière de 𝑛′

128

96

64

32

0
0 32 64 96 128 160 192 224 255

Traitement d'images - Nicolas Vandenbroucke 89

Amélioration d’images

4000
3600
3200
2800
2400
2000
1600
1200
800
400
0
0 32 64 96 128 160 192 224 255

Traitement d'images - Nicolas Vandenbroucke 90

Amélioration d’images

 Binarisation
255

224 Si 𝑛 < 𝑠𝑒𝑢𝑖𝑙 alors 𝑛′ = 0

192
sinon 𝑛′ = 1
160

128

96

64

32

0
0 32 64 96 128 160 192 224 255

𝑠𝑒𝑢𝑖𝑙

Traitement d'images - Nicolas Vandenbroucke 91

Amélioration d’images

4
x 10
4
3.6
3.2
2.8
2.4
2
1.6
1.2
0.8
0.4
0
0 32 64 96 128 160 192 224 255

Traitement d'images - Nicolas Vandenbroucke 92

Amélioration d’images

 Inversion
255

224
𝑛′ = 𝑛𝑚𝑎𝑥 − 𝑛
192

160 𝑛′ = 𝑛 ⊕ 1
128

96 𝑛′ =∼ 𝑛
64

32

0
0 32 64 96 128 160 192 224 255

Traitement d'images - Nicolas Vandenbroucke 93

Amélioration d’images

4000
3600
3200
2800
2400
2000
1600
1200
800
400
0
0 32 64 96 128 160 192 224

Traitement d'images - Nicolas Vandenbroucke 94

Amélioration d’images

 Offset ou décalage (addition : ajout d’une constante)

255

224
𝑛′ = 𝑛 + 𝑜𝑓𝑓𝑠𝑒𝑡
192

160

128

96

64

32

0
0 32 64 96 128 160 192 224 255

Traitement d'images - Nicolas Vandenbroucke 95

Amélioration d’images

4000
3600
3200
2800
2400
2000
1600
1200
800
400
0
0 32 64 96 128 160 192 224 255

Traitement d'images - Nicolas Vandenbroucke 96

Amélioration d’images

 Gain (Multiplication : produit par une constante)

255

224
𝑛′ = 𝑛 × 𝑔𝑎𝑖𝑛
192

160 → Valeur entière de 𝑛′

128

96

64

32

0
0 32 64 96 128 160 192 224 255

Traitement d'images - Nicolas Vandenbroucke 97

Amélioration d’images

4000
3600
3200
2800

2400
2000
1600

1200
800
400

0
0 32 64 96 128 160 192 224

Traitement d'images - Nicolas Vandenbroucke 98

Amélioration d’images

 Égalisation d’histogramme (linéarisation)

255
Le but est de rendre l’histogramme
224
H aussi plat que possible.
192
Pour cela on utilise l’histogramme
160
cumulé et normalisé comme
128 fonction de transformation.
96
Pour 𝑄 = 256 :
64 𝑛
′
𝐻(𝑗)
32
𝑛 = 255 × 255
0 𝑗=0 𝑖=0 𝐻(𝑖)
0 32 64 96 128 160 192 224 255

→ Valeur entière de 𝑛′

Traitement d'images - Nicolas Vandenbroucke 99

Amélioration d’images

4000
3600
3200
2800
2400
2000
1600
1200
800
400
0
0 32 64 96 128 160 192 224 255

Traitement d'images - Nicolas Vandenbroucke 100

Amélioration d’images

 Spécification d’histogramme
4000
3600
3200
2800
2400
2000
1600
1200
800
400
0
0 32 64 96 128 160 192 224 255

Traitement d'images - Nicolas Vandenbroucke 101

Amélioration d’images

255
Le but est de faire ressembler
224
l’histogramme à un histogramme
192
de référence.
160
Pour cela on utilise l’histogramme
128 de référence cumulé et normalisé
96 comme fonction de transformation.
64

32

0
0 32 64 96 128 160 192 224 255

Traitement d'images - Nicolas Vandenbroucke 102

Amélioration d’images

Le rehaussement de contraste

 Convolution de l’image avec un filtre rehausseur

-1/6 -2/3 -1/6

-2/3 26/6 -2/3

-1/6 -2/3 -1/6

Traitement d'images - Nicolas Vandenbroucke 104

Amélioration d’images

 Le filtrage morphologique
 Modification d’un ensemble géométrique
 Application d’un élément de morphologie de géométrie connue appelé
élément structurant centré en chaque pixel
 Opérateur de la théorie des ensembles : union, intersection, inclusion,
exclusion, complémentation de l’élément…
 Utilisations des opérateurs min et max pour le traitement des images :
– L’opérateur min appliqué dans le voisinage défini par l’élément structurant permet
l’opération d’érosion (ou rétrécissement) : les zones claires de l’image se
réduisent.
– L’opérateur max appliqué dans le voisinage défini par l’élément structurant
permet l’opération de dilatation (ou expansion) : les zones claires de l’image
s’étendent.

Traitement d'images - Nicolas Vandenbroucke 105

Amélioration d’images

 Rehaussement par méthodes morphologiques

 Érosion et dilation de l’image
Somme de l’image dilatée et
érodée.
Comparaison du résultat avec
l’image initiale :
Si la valeur du pixel traité est
inférieur ou égale à la valeur
calculée alors on garde le résultat
de l’érosion sinon on garde le
résultat de la dilatation.

Traitement d'images - Nicolas Vandenbroucke 106

Amélioration d’images

 Autres méthodes
 Autres méthodes linéaires
 Filtrage homomorphiques
 Filtrage d’ordre adaptatifs
 Autres méthodes morphologiques
 Multiresolution
 Démo Matlab
 Amélioration d’images : imadjdemo

Traitement d'images - Nicolas Vandenbroucke 107

Compression d’images

Définition
 Le but des algorithmes de compression est de réduire la taille
des fichiers pour diminuer l'espace nécessaire à leur stockage sur
le disque ou leur transfert par le réseau.
 Ils encodent d'une manière différente les données de l'image
afin de les rendre plus compactes.
 Deux familles d'algorithmes de compression se
distinguent :
 La compression sans perte 𝑇𝑎𝑖𝑙𝑙𝑒 𝑖𝑚𝑎𝑔𝑒
𝜎=
 La compression avec perte 𝑇𝑎𝑖𝑙𝑙𝑒 𝑖𝑚𝑎𝑔𝑒 𝑐𝑜𝑚𝑝𝑟𝑒𝑠𝑠é𝑒
 Ratio de compression, σ : 𝑇𝑎𝑖𝑙𝑙𝑒 𝑖𝑚𝑎𝑔𝑒 𝑐𝑜𝑚𝑝𝑟𝑒𝑠𝑠é𝑒
𝜏=
 Taux de compression, τ : 𝑇𝑎𝑖𝑙𝑙𝑒 𝑖𝑚𝑎𝑔𝑒
 Gain de compression, γ : 𝑇𝑎𝑖𝑙𝑙𝑒 𝑖𝑚𝑎𝑔𝑒 𝑐𝑜𝑚𝑝𝑟𝑒𝑠𝑠é𝑒
𝛾 =1−
𝑇𝑎𝑖𝑙𝑙𝑒 𝑖𝑚𝑎𝑔𝑒
Traitement d'images - Nicolas Vandenbroucke 108
La compression sans perte

Principe
 La taille de l’image est réduite sans que l’information soit
perdue.
 L’image est indexée et chaque index est codé différemment.
 Différentes approches :
 RLE (Run Lenght Encoding) ou RLC
 Shannon, Fano (Variable Code Lenght)
 Huffman (Variable Code Lenght)
 Lempel, Ziv, Welch (LZW)

Traitement d'images - Nicolas Vandenbroucke 109

La compression sans perte

La compression RLE

Taille image = 10×10×8 = 800 bits = 100
octets.
Si 3 éléments ou plus se répètent
consécutivement, on utilise un octet
pour indiquer le nombre de ces
éléments qui se suivent et un octet
pour indiquer la valeur.
Des codes séparateurs sont insérés.
L’image peut être parcouru dans des
directions variables (balayage
particulier).
Ici, on a 75 octets.

Traitement d'images - Nicolas Vandenbroucke 110

La compression sans perte

Shannon - Fano
7 niveaux de gris sur 255 présents dans
l’image triés en fonction de leur
fréquence d'apparition :

64 128 255 0 170 43 85

4 4 5 6 10 14 57
Division en deux groupes d’égale
population :

64 128 255 0 170 43 85

4 4 5 6 10 14 57
0 1
Traitement d'images - Nicolas Vandenbroucke 111
La compression sans perte

64 128 255 0 170 43 85 Taille image = 1×57 + 3×14

+ 3×10 + 4×6 + 4×5 + 4×4 +
4 4 5 6 10 14 57 4×4 = 205 bits
00 01 1 Plus entête de fichier
(information, taille, table
64 128 255 0 170 43 85 de codage, séparateur).
Code préfixé : chaque
4 4 5 6 10 14 57 code ne peut être le début
000 001 010 011 1 d’un autre.

64 128 255 0 170 43 85

4 4 5 6 10 14 57
0000 0001 0010 0011 010 011 1
Traitement d'images - Nicolas Vandenbroucke 112
La compression sans perte

Huffman
Dans cette méthode, chaque
64 128 255 0 170 43 85 code ne peut être le début d’un
4 4 5 6 10 14 57 autre (code préfixé).

64 128 255 0 170 43 85 Séparation des deux niveaux

de plus faibles population
4 4 5 6 10 14 57
0 1
64- Ajout d’un nœud
64 128 255 0 170 43 85
128 correspondant aux
4 4 5 6 8 10 14 57 niveaux séparés
0 1

Traitement d'images - Nicolas Vandenbroucke 113

La compression sans perte

64- 255
64 128 255 0 170 -0 43 85
128
4 4 5 6 8 10 11 14 57
0 1 0 1
64- 255 64-
64 128 255 0 170 43 128 85
128 -0 -170

4 4 5 6 8 10 11 14 18 57
0 1 0 1 0 1
64- 255 64- 255-
64 128 255 0 170 43 128 0 85
128 -0 -170 -43

4 4 5 6 8 10 11 14 18 25 57
0 1 0 1 0 1 0 1
Traitement d'images - Nicolas Vandenbroucke 114
La compression sans perte

64- 255 64- 255-

64 128 255 0 170 43 128 0 85
128 -0 -170 -43

4 4 5 6 8 10 11 14 18 25 43 57
0 1 0 1 0 1 0 1 0 1 0 1

64 128 255 0 170 43 85

0000 0001 0100 0101 001 011 1

Traitement d'images - Nicolas Vandenbroucke 115

La compression sans perte

LZW
 Construction d’un dictionnaire.
 Le dictionnaire est alimenté par les séquences d’éléments
différentes qui se répètent le plus souvent, ce qui permet
d’indexer plusieurs pixels de même valeur dans des zones
homogènes.
 Chaque séquence est indexée.
 Possibilité de l’associer aux méthodes statiques (ARJ, PKZIP).
 Possibilité de ne pas transmettre le dictionnaire.

Traitement d'images - Nicolas Vandenbroucke 116

La compression avec perte

Principe
 La taille de l’image est nettement réduite mais au détriment
d’une perte d’information.
 Différentes approches :
 Moyennage de blocs
 Transformée linéaire optimale
 Transformée en cosinus (JPEG)
 Quantification vectorielle
 Les ondelettes
 Les fractales

Traitement d'images - Nicolas Vandenbroucke 117

La compression avec perte

JPEG
 L'image est décomposée en blocs (en général 8×8)
 La transformée en cosinus discrète (DCT) est appliquée sur
chaque bloc.
 Les composantes fréquentielles de faible amplitude et de haute
fréquence sont supprimées par une quantification des
composantes qui est effectuée grâce à une matrice de
quantification.
 Un codage à longueur variable de type Huffman est enfin utilisé.

Traitement d'images - Nicolas Vandenbroucke 118

La compression avec perte

Les ondelettes
 Extension de l’analyse de Fourier
 Décomposition en sous-bandes (de fréquences)
 Transformation mathématique par projection sur des bases
orthogonales
 Traitement progressif (sous échantillonnage et passe-bas)
 Fort taux de compression
 Contrôle de la qualité et du taux de compression indépendant
 Algorithme plus rapide que JPEG
 Pas d’effet de mosaïque

Traitement d'images - Nicolas Vandenbroucke 119

La compression avec perte

Les fractales
 Le principe de la compression fractale est que toute image est la
limite d'une séquence de transformations mathématiques
(rotations, translations, changement d'échelle) appliquées à un
ensemble de pixels.
 La compression fractale permet d'atteindre des taux de
compression très importants, et permet une reconstruction de
l'image à toutes les tailles.
 Son principal inconvénient est le temps de calcul nécessaire pour
la compression.

Traitement d'images - Nicolas Vandenbroucke 120

La compression avec perte

Evaluation de la qualité de la compression

 Erreur quadratique moyenne, EQM :
 M×N, nombre de pixels de l’image I
 I’, image compressée
𝑀−1 𝑁−1
1 2
𝐸𝑄𝑀 = 𝐼 𝑖, 𝑗 − 𝐼′(𝑖, 𝑗)
𝑀×𝑁
𝑖=0 𝑗=0

 Rapport signal/bruit crête (Peak Signal to Noise Ratio), PSNR

 Pour une image codée sur 8 bits (255 est la valeur crête) :

2552
𝑃𝑆𝑁𝑅 = 10 × log10
𝐸𝑄𝑀

Traitement d'images - Nicolas Vandenbroucke 121