Université Paul Sabatier FSI
M1 EEA et IdS
Travaux pratiques de Traitement d’Images
Ce TP sera réalisé à l’aide du logiciel MATLAB et de sa toolbox Image Processing. Le
but est manipuler des notions d’histogrammes et de filtrage pour des images en niveaux de
gris. Vous réaliserez un compte-rendu succinct dans lequel vous présenterez vos résultats
obtenus.
1 Utilisation d’histogrammes
Affichez l’image aquitaine.png ainsi que son histogramme. Vous pourrez utiliser
pour cela les fonctions imread, imhist, imshow et imagesc. Prenez bien garde à
la plage des valeurs utilisée (notamment pour la fonction imagesc).
Modifiez l’image en additionnant 100 à l’intensité de chaque pixel et affichez de nou-
veau l’image et son histogramme. Expliquez les différences observées au niveau de
l’histogramme et de l’image.
Affichez l’image lena.png ainsi que son histogramme. Modifiez l’image en divisant
par 8 l’intensité de chaque pixel et affichez de nouveau l’image et son histogramme.
Expliquez les différences observées au niveau de l’histogramme et de l’image.
Affichez l’image micro1.png ainsi que son histogramme. Que remarquez-vous ?
Normalisez l’histogramme afin d’utiliser toute la dynamique possible ([0 − 255]).
Comparez l’image et l’histogramme obtenus avant et après normalisation.
Egalisez l’histogramme afin d’utiliser toute la dynamique possible ([0 − 255]). Pour
cela vous utiliserez la fonction d’égalisation histeq. Comparez l’image et l’histogramme
obtenus avant et après égalisation.
Conclusions sur la normalisation et l’égalisation d’histogramme.
2 Filtrage
2.1 Un algorithme simple de détection de contours
Créez une image de carré blanc sur fond noir.
1
Implémentez l’opération de convolution d’une image avec un filtre 3 ∗ 3 sans gérer
les problèmes de bord. (N’utilisez pas la fonction de matlab qui fait la con-
volution, faites la vôtre!)
Convoluez l’image de carré avec chacun des filtres gradient suivants:
0 0 0 0 −1 0
∇x = −1 0 1 et ∇y = 0 0 0 (1)
0 0 0 0 1 0
Estimez la norme du gradient. Commentez vos résultats.
Recommencez pour l’image cameraman.pgm.
2.2 Robustesse au bruit
Bruitez l’image cameraman.pgm avec un bruit blanc et reprenez les questions 2.1
avec l’image bruitée. On rappelle que le bruit blanc est un bruit aléatoire qui suit
une distribution gaussienne de moyenne nulle et de variance σ 2 qui est ajouté à
l’ensemble de l’image. Pour cela vous générerez une image de bruit avec la fonction
randn et vous l’ajouterez à l’image d’origine.
Mêmes questions (image bruitée et non bruitée) avec le filtre de Sobel :
−1 0 1 −1 −2 −1
Sx = −2 0 2 et Sy = 0 0 0 (2)
−1 0 1 1 2 1
Quelles différences remarquez-vous entre les images de la norme du gradient et de
la norme de Sobel (cas bruité et non bruité) ?
On rappelle que les filtres de Sobel sont obtenus par les relations suivantes :
0 1 0 0 0 0
Sx = ∇x ∗ 0 2 0 et Sy = ∇y ∗ 1 2 1 (3)
0 1 0 0 0 0
Conclusion sur la robustesse au bruit des filtres gradients.
2.3 Détection de contours
Seuillez l’image de norme du gradient pour obtenir les contours de l’image (image
bruitée et non bruitée). Que remarquez-vous?
———————
