Introduction à l’image

1
1.1 Introduction
L’objectif de ce chapitre est d’introduire les notions de base dans le domaine de traitement
d’image. La section 1.2 résume les mécanismes de système de vision humaine ainsi que la
formation d’image dans l’œil et ses capacités pour l’adaptation et la discrimination de la lumi-
nosité. La section 1.3 discute la lumière, le spectre électromagnétique, et ses caractéristiques
d’imagerie. La section 1.6 introduit les concepts d’échantillonnage et quantification ainsi
que d’autres sujets supplémentaires tels que les concepts de la résolution spatiale et tonale.
Finalement, la section 1.7 traite le différentes relations entre pixels.

1.2 Eléments de la perception visuelle

1.2.1 Anatomie et physiologie de l’œil humain
La Fig. 1.1 présente une coupe transversale horizontale simplifiée de l’œil humaine. L’œil
est proche d’une sphère, avec un diamètre moyen approximatif de 20 mm. L’œil humain est
constitué d’un globe oculaire comportant :

ˆ sur sa partie antérieure, la cornée, qui est une calotte sphérique transparente ;

ˆ sur le reste du globe, la sclère, ou sclérotique, qui forme le ”blanc” de l’œil.

Le globe oculaire mesure environ 2,5 cm de diamètre et a une masse de 8 grammes. Il

est formé de 3 enveloppes, ou tuniques, entourant une substance gélatineuse appelée le corps
vitré. Les trois tuniques s’appellent la tunique externe, la tunique moyenne, et la tunique
interne ; le corps vitré est principalement constitué d’eau et sert à maintenir la forme de
l’œil.

1
1.2 Eléments de la perception visuelle 2

Fig. 1.1: Graphique simplifié d’une coupe transversale de l’œil humaine.

L’œil s’adapte en premier lieu à la lumière ambiante. L’être humain peut ainsi percevoir
avec une sensibilité équivalente en plein soleil ou sous la lumière de la pleine lune, soit
avec une intensité lumineuse 10 000 fois moindre. Une première adaptation provient de
l’écartement de l’iris qui, en mode nocturne, peut atteindre une ouverture maximale de 7
mm pour des jeunes gens (maximum qui décroı̂t à 4 mm avec l’âge).

[Link] Tunique externe

ˆ La sclérotique est la plus résistante des tuniques de l’œil ; elle le protège des dégâts
mécaniques et soutient sa structure ; elle est percée en avant d’un orifice pour la cornée.

ˆ La conjonctive est une muqueuse transparente qui recouvre la partie antérieure de la

sclérotique et qui produit un mucus lubrifiant.

ˆ La cornée est une membrane transparente circulaire et bombée vers l’avant qui permet
le passage des rayons lumineux, située au centre de la partie antérieure de la tunique
de l’œil ; elle est en continuité avec la sclérotique et la conjonctive autour d’elle au
niveau du limbe cornéen.

[Link] Tunique moyenne

ˆ La choroı̈de est une membrane vascularisée qui assure la nutrition de la rétine. Les
cellules de cette tunique renferment un pigment, la mélanine, qui lui donne une couleur
Introduction à l’image 3

brun-foncé, afin que les rayons ne pénètrent que par la pupille. La choroı̈de forme en
avant l’iris.

ˆ L’iris donne la couleur à l’œil. Il est percé en son centre par une ouverture circulaire,
la pupille, qui se dilate ou se contracte selon l’intensité de la lumière, grâce à l’action
des muscles lisses de l’iris.

ˆ La pupille laisse passer la lumière. Le diamètre de son ouverture s’adapte automa-

tiquement à l’intensité lumineuse perçue.

ˆ Le corps ciliaire sécrète l’humeur aqueuse. Il contient un réseau de muscles qui perme-
ttent de modifier la courbure du cristallin afin de rendre la vision nette.

ˆ Le cristallin est un petit disque fibreux, transparent et flexible qui permet de focaliser
l’image sur la rétine en fonction de la distance.

[Link] Tunique interne

ˆ La rétine est la tunique sensible de l’œil. Elle est formée de cellules sensorielles,
les cônes (vision diurne=jour) et les bâtonnets (vision nocturne=nuit), et de cellules
nerveuses, les neurones.

ˆ La macula sorte de tache jaune, assure une motilité visuelle maximale, car elle est
formée de nombreuses cellules visuelles.

ˆ La tache aveugle, ou papille, est la zone où les fibres se réunissent pour former le nerf
optique, qui ne renferme aucune cellule photosensible.

ˆ La fovéa est une petite zone de la rétine sensible aux couleurs et sert pour la précision
de la vision.

ˆ Le nerf optique est formé du regroupement des fibres nerveuses de la rétine et conduit
l’information visuelle au cerveau.

[Link] Rétine
La rétine possède deux types de photorécepteurs :

ˆ Les bâtonnets (∼ 120 millions)

– Distribués en périphérie de la rétine.

– Captent la luminosité et incapables de dissocier des couleurs.
– Sensibles aux faibles intensités lumineuses.
– Associés à la détection de mouvement dans le cortex.

ˆ Les cônes (∼ 5 millions)

1.2 Eléments de la perception visuelle 4

Fig. 1.2: Distribution des bâtonnets et des cônes dans la rétine.

– 3 types de cônes,
– Ceux sensibles aux basses fréquences (les rouges).
– Ceux sensibles aux fréquences moyennes (les verts).
– Ceux sensibles aux hautes fréquences (les bleus).
– Insensibles aux faibles intensités.
– Distribués près de la fovéa, là où la vision des détails est la meilleure.

La Fig. 1.2 montre la densité des bâtonnets et des cônes pour une coupe transversale de
l’œil an passant par l’endroit où le nerf optique quitte l’œil. L’absence de photorécepteurs
dans cette zone entraı̂ne la présence d’un point aveugle (voir la Fig. 1.1). La distribution des
photorécepteurs est symétrique par rapport à la fovéa. La densité des photorécepteurs est
mesurée en degrés à partir de la fovéa (c’est-à-dire en degrés hors axe, mesurée par l’angle
formé par l’axe visuel et une ligne passant par le centre de la lentille et coupant la rétine).
Noter la grande densité des cônes au centre de la rétine (dans la zone centrale de la fovéa).
Noter également que la densité des bâtonnets augmentent au centre vers environ 20◦ hors
axe, et elle se diminue jusqu’à la périphérie extrême de la rétine.

1.2.2 Formation d’image dans l’œil

Dans une caméra ordinaire, la lentille a une longueur focale fixe, et la focalisation sur les
différentes distances est achevée par la variation de la distance entre la lentille et le plan
d’image. Dans l’œil humaine, c’est l’inverse qui est vrai; la distance entre la lentille et la plan
d’image (la rétine) est fixe, et la longueur focale demandée pour avoir un focus est obtenue
par la variation de la forme de lentille.
La géométrie dans la Fig. 1.3 montre comment obtenir les dimensions d’une image formée
sur la rétine. Par exemple, supposons qu’une personne regarde un arbre de hauteur de 15m
Introduction à l’image 5

Fig. 1.3: Représentation graphique de l’œil regardant un palmier. Le point C est le centre
optique de l’objectif.

à partir d’une distance de 100m. Soit h la hauteur de cet objet dans l’image rétinienne, la
géométrie de la Fig. 1.3 donne 15/100 = h/17 d’où h = 2.55mm. L’image rétinienne est axée
sur la région de la fovéa. La perception se fait par l’excitation relative des photorécepteurs
de lumière, qui transforment l’énergie de la lumière en impulsions électriques qui vont être
finalement décodées par le cerveau.

1.3 Lumière et spectre électromagnétique

En 1666, Sir Isaac Newton a découvert que lorsqu’un rayon de lumière solaire passe par un
prisme en verre, le rayon de lumière n’est pas blanc mais consiste à un spectre continu de
couleurs allant du violet au rouge. La Fig. 1.4 montre que le rayon électromagnétique acces-
sible à la perception humaine visuelle est la très étroite portion du spectre électromagnétique.
La première extrémité du spectre représente les ondes radio avec des longueurs d’ondes
des milliards de fois plus longues que celles de la lumière visible. À l’autre extrémité du
spectre, les rayons gamma ont des longueurs d’ondes, des millions de fois inférieures à celles
du spectre visible. Le spectre électromagnétique peut être exprimé en termes de longueur
d’onde, de fréquence ou d’énergie. La longueur d’onde (λ) et la fréquence (ν) sont liées par
l’expression suivante:

c
λ= (1.1)
ν
Où c est la vitesse de la lumière (2.998 × 108 m/s). L’énergie des différentes composantes
du spectre électromagnétique est donnée par l’expression:

E = hν (1.2)

où h est la constante de Planck. Les unités de longueur d’onde sont les mètres, les
micromètres (noté µm = 10−6 m) et les nanomètres (noté nm = 10−9 m). La fréquence est
mesurée en Hertz (Hz), où 1 Hertz est égal à une période d’une onde sinusoı̈dale par seconde.
L’unité utilisée généralement pour mesurer l’énergie est appelée electron-volt.
1.4 Acquisition d’image à l’aide des matrices de capteurs 6

Fig. 1.4: Spectre des fréquences de couleurs visibles.

1.4 Acquisition d’image à l’aide des matrices de cap-

teurs
En général, dans les appareils photo numériques les capteurs sont arrangés sous forme de
matrice. Un capteur typique pour ces caméras est le capteur CCD, qui peut être fabriqué
avec une large gamme de propriétés de détection et peut être emballé dans des matrices de
4000 × 4000 éléments ou plus. Les capteurs CCD sont largement utilisés dans les appareils
photo numériques ainsi que dans d’autres instruments de détection de lumière. La réponse
de chaque capteur est proportionnelle à l’intégrale de l’énergie lumineuse projetée sur la
surface du capteur, cette propriété est utilisée dans les applications astronomiques ou toute
autre application nécessitant un prétraitement de réduction de bruit. La réduction du bruit
est obtenue en laissant le capteur intégrer le signal lumineux en entrée sur des minutes ou
même des heures.
La façon principale pour utiliser les matrices de capteurs est illustrée à la Fig. 1.5. Cette
figure montre l’énergie provenant d’une source d’illumination réfléchie à partir d’un élément
de la scène. La première fonction réalisée par le système d’imagerie dans la Fig. 1.5(c)
consiste à collecter l’énergie entrante et de la focaliser sur un plan d’image. L’avant du
système est une lentille optique qui projette la scène vue sur le plan focal de la lentille, tel
que le montre la Fig. 1.5(d). La matrice de capteurs, qui coı̈ncide avec le plan focal, produit
des sorties proportionnelles à l’intégrale de la lumière reçue à chaque capteur. Les circuits
numériques et analogiques balayent ces sorties et les convertissent en un signal analogique,
qui est ensuite numérisé par une autre composante du système d’imagerie. La sortie est une
image numérique, comme le montre schématiquement la Fig. 1.5(e).
Introduction à l’image 7

Fig. 1.5: Un exemple du processus d’acquisition d’image numérique. (a) Source d’énergie
(”illumination”). (b) Un élément d’une scène. (c) Système d’imagerie. (d) Projection de la scène
sur le plan de l’image. (e) Image numérisée.

1.5 Un Modèle simple de formation d’image

Les images sont définies par les fonctions bidimensionnelles de la forme f (x, y). La valeur
ou l’amplitude de f aux coordonnées spatiales (x,y) est une quantité scalaire positive dont
la signification physique est déterminée par la source de l’image. Lorsqu’une image est
générée à partir d’un processus physique, ses valeurs d’intensité sont proportionnelles à
l’énergie générée par la source physique (par exemple, des ondes électromagnétiques). Par
conséquence, la fonction f (x, y) doit être non nulle et finie, c-à-d:

0 < f (x, y) < ∞ (1.3)

La fonction f (x, y) peut être caractérisée par deux composantes: (1) l’illumination notée
i(x, y) et (2) la réflectance notée r(x, y). Les deux fonctions i(x, y) et r(x, y) se combinent
pour former la fonction f (x, y), comme suit:

f (x, y) = i(x, y)r(x, y) (1.4)

où

0 < i(x, y) < ∞ (1.5)

1.6 Échantillonnage et quantification d’image 8

Fig. 1.6: Génération d’une image numérique. (a) Image continue. (b) Un profil d’intensité de A
à B dans l’image continue, utilisé pour illustrer les concepts d’échantillonnage et de quantification.
(c) L’échantillonnage et la quantification. (d) Un profil d’intensité numérique.

et

0 < r(x, y) < 1 (1.6)

1.6 Échantillonnage et quantification d’image

Pour créer une image numérique, on doit convertir les données capturées sous forme continue
(signal analogique) vers une forme numérique. Cela implique deux processus : l’échantillonnage
et la quantification.

1.6.1 Concepts de base d’échantillonnage et quantification

L’idée de base derrière l’échantillonnage et la quantification est illustrée sur la Fig. 1.6.
La Fig. 1.6(a) montre une image continue, f (x, y), que nous voulons convertir en forme
numérique. Une image peut être continue par rapport à l’amplitude et les coordonnées
Introduction à l’image 9

Fig. 1.7: (a) Image continu projetée sur un réseau de capteurs. (b) Résultat de l’échantillonnage
et la quantification d’image.

x, y. Pour la convertir en forme numérique, on doit l’échantillonner dans les coordonnées et

l’amplitude. La numérisation des valeurs des coordonnées est appelée échantillonnage et la
numérisation des valeurs d’amplitude est appelée quantification.
Lorsqu’une matrice de capteurs est utilisée pour l’acquisition de l’image, le nombre de
capteurs dans la matrice limite l’échantillonnage dans les deux directions x et y. La Fig.
1.7 illustre ce concept. La Fig. 1.7(a) montre une image continue projetée sur le plan d’une
matrice de capteurs. La Fig. 1.7(b) montre le résultat de l’image après l’échantillonnage et la
quantification. Il est évident que la qualité d’une image numérique est fortement déterminée
par le nombre d’échantillons et les niveaux de gris discrets utilisés lors de l’échantillonnage
et la quantification.

1.6.2 Représentation des images numériques

Les vecteurs numériques sont utilisés pour le développement d’algorithmes de traitement
d’image. Mathématiquement, une image numérique de taille M × N est représentée sous la
forme matricielle suivante :

 
f (1, 1) f (1, 2) ... f (1, N)
 f (2, 1) f (2, 2) ... f (2, N) 
f (x, y) =  .. .. .. (1.7)
 
..
.

 . . . 
f (M, 1) f (M, 2) . . . f (M, N)

Le côté droit de l’Eq. (1.7) est par définition une image numérique. Chaque élément de
cette matrice est appelé élément d’image ou pixel. Les termes image et pixel seront utilisés
tout au long de ce polycopié pour désigner une image numérique et ses éléments.
La seule condition à vérifier par les nombres M et N est d’être des entiers positifs.
Alors que, pour le nombre de niveaux de gris L, il est généralement choisi comme puissance
1.6 Échantillonnage et quantification d’image 10

N/k 1(L=2) 2(L=4) 3(L=8) 4(L=16) 5(L=32) 6(L=64) 7(L=128) 8(L=256)

32 1,024 2,048 3,072 4,096 5,120 6,144 7,168 8,192
64 4,096 8,192 12,288 16,384 20,480 24,576 28,672 32,768
128 16,384 32,768 49,152 65,536 81,920 98,304 114,688 131,072
256 65,536 131,072 196,608 262,144 327,680 393,216 458,752 524,288
512 262,144 524,288 786,432 1,048,576 1,310,720 1,572,864 1,835,008 2,097,152
1024 1,048,576 2,097,152 3,145,728 4,194,304 5,242,880 6,291,456 7,340,032 8,388,608
2048 4,194,304 8,388,608 12,582,912 16,777,216 20,971,520 25,165,824 29,369,128 33,554,432
4096 16,777,216 33,554,432 50,331,648 67,108,864 83,886,080 100,663,296 117,440,512 134,217,728
8192 67,108,864 134,217,728 201,326,592 268,435,456 335,544,320 402,653,184 469,762,048 536,870,912

Table 1.1: Nombre de bits de stockage pour différentes valeurs de N et k.

entière de 2. Ceci est dû à plusieurs considérations tel que le temps de calcul, le stockage et
l’échantillonnage,

L = 2k (1.8)

On suppose que les niveaux de gris sont des entiers dans l’intervalle [0, L−1]. L’intervalle
des valeurs des niveaux de gris est appelé dynamique de l’image. Une image dont les valeurs
des niveaux des gris couvrent une partie importante de l’intervalle précédent est dite ayant
une grande dynamique. Lorsqu’un grand nombre de pixels vérifient cette propriété, l’image
aura un contraste élevé. Par contre, une image à faible dynamique aura une tendance à avoir
un aspect gris terne.
Le nombre, b, de bits requis pour stocker une image numérisée est

b=M ×N ×k (1.9)

Lorsque M = N, cette équation devient

b = N 2 k. (1.10)

Le Tab. 1.1 montre le nombre de bits requis pour stocker des images carrées avec
différentes valeurs de N et k. Le nombre de niveaux de gris correspondant à chaque valeur
de k est indiqué entre parenthèses. Lorsqu’une image peut avoir des niveaux de gris de 2k ,
On dit que l’image est une ”image k-bits”. Par exemple, une image avec 256 valeurs de
niveaux de gris possibles est appelée image 8-bits.

1.6.3 Résolution spatiale et tonale

L’échantillonnage est le principal facteur déterminant la résolution spatiale d’une image. En
principe, la résolution spatiale est le plus petit détail discernable dans une image. Cette
résolution spatiale qui indique la ”densité de pixels” est couramment simplement nommée
”résolution”. La résolution spatiale est le nombre de pixels sur une distance exprimée le plus
souvent en pouces (1 pouce = 2.54 cm). Par exemple, la résolution d’une image numérique
Introduction à l’image 11

Fig. 1.8: Une image 1024 × 1024, 8 bits sous-échantillonnée jusqu’à 32 × 32 pixels. Le nombre
de niveaux de gris a été maintenu à 256.

s’exprime en ”ppi” (pixels per inch). Alors que, la résolution d’impression d’une imprimante
ou de capture d’un scanner s’exprime en ”DPI” (dots per inch).
De la même façon, la résolution tonale (de tons de gris) peut être définie par le plus
petit changement discernable. Le nombre de niveaux de gris est généralement une puissance
entière de 2, comme on a déjà mentionné dans la section précédente. Le nombre le plus
courant est 8 bits, 16 bits est utilisé aussi dans certaines applications où l’augmentation du
nombre des niveaux de gris est nécessaire.

[Link] Exemple: Effets typiques de la variation du nombre d’échantillons dans

une image numérique
La Fig. 1.8 montre une image de taille 1024 × 1024 pixels dont les niveaux de gris sont
représentés par 8 bits. Les autres images de cette figure représentent les résultats du sous-
échantillonnage de l’image 1024 × 1024. Le sous-échantillonnage est réalisé en supprimant
un ensemble de lignes et de colonnes de l’image originale. Par exemple, l’image 512 × 512 a
été obtenue en supprimant 512 lignes et colonnes de l’image 1024 × 1024, et ainsi de suite.
Le nombre de niveaux de gris est maintenu à 256.
Ces images montrent les proportions entre les différentes densités d’échantillonnage. A
fin de bien comparer les effets de sous-échantillonnage, les images sous-échantillonnées sont
amenées jusqu’à la taille de 1024 × 1024. Les résultats sont montrés sur les Figs. 1.9(b) à
(f). La Fig. 1.9(a) est la même image de 1024 × 1024, 256 niveaux montrée sur la Fig. 1.8.
Noter qu’il est pratiquement impossible de distinguer les deux images de la Fig. 1.9(a)
et celle de la Fig. 1.9(b). Le niveau de détail perdu est tout simplement trop fin pour être
vu sur la page imprimée. Ensuite, l’image 256 × 256 de la Fig. 1.9(c) montre un très léger
motif de damier dans les bordures entre les pétales de la fleur et le fond noir. Egalement,
Un grain commence légèrement à apparaı̂tre. Ces effets sont beaucoup plus visibles dans
1.6 Échantillonnage et quantification d’image 12

Fig. 1.9: (a) 1024 × 1024, image 8 bits. (b) 512 × 512 image rééchantillonnée en 1024 × 1024
pixels par duplication de ligne et de colonne. (c) à (f) 256 × 256, 128 × 128, 64 × 64 et 32 × 32
images rééchantillonnées en 1024 × 1024 pixels.

l’image 128 × 128 de la Fig. 1.9(d), et ils se manifestent très bien dans les images 64 × 64 et
32 × 32 des Fig. 1.9(e) et (f), respectivement.

[Link] Exemple: Effets typiques de la variation du nombre de niveaux de gris

dans une image numérique
Dans cet exemple, le nombre d’échantillons est fixé, alors que le nombre de niveaux de gris
est réduit de 256 à 2, avec des puissances entières de 2. La Fig. 1.10(a) est une image
radiographique de taille de 452 × 374, affichée avec k = 8 (L = 256 niveaux de gris).
Les Figs. 1.10(b) à (h) ont été obtenues en réduisant le nombre de bits de k = 7 à k = 1
tout en maintenant la résolution spatiale constante à 452 × 374 pixels. Les images à 256,
128 et 64 niveaux sont visuellement identiques, alors que l’image à 32 niveaux montrée sur
la Fig. 1.10(d) contient un ensemble de zones de niveaux de gris lisses (en particulier dans le
crâne). Cet effet, causé par l’utilisation d’un nombre insuffisant de niveaux de gris dans les
zones lisses d’une image, est appelé les faux contours. Les faux contours sont généralement
bien visibles dans les images affichées en utilisant 16 ou moins de niveaux de gris, tel que
montré sur les images 1.10(e) à (h).
Introduction à l’image 13

Fig. 1.10: (a) 452 × 374, image de 256 niveaux. (b) - (h) Image affichée en 128, 64, 32, 16, 8 ,
4 et 2 niveaux de gris, tout en maintenant la résolution spatiale constante.

1.7 Quelques relations de base entre pixels

Dans cette section, nous allons étudier les relations basiques entre les pixels d’une image
numérique. Une image est notée f (x, y) et les lettres minuscules p et q désignent un pixel
particulier.

1.7.1 Voisinage d’un pixel

Un pixel p à la position (x, y) a quatre voisins horizontaux et verticaux dont les coordonnées
sont:

(x + 1, y), (x − 1, y), (x, y + 1), (x, y − 1)

Cet ensemble de pixels, noté N4 (p), est appelé le 4-voisinage de p. La distance entre
chaque pixel voisin et le pixel central est égale à une unité. Si le point (x, y) est sur la
bordure de l’image, certains voisins de p se situent à l’extérieur de l’image.
Les quatre voisins diagonaux de p, notés ND (p), sont définis par les coordonnées:

(x + 1, y + 1), (x + 1, y − 1), (x − 1, y + 1), (x − 1, y − 1)

Ces points, en plus des points du 4-voisinage, constituent le 8-voisinage de p noté N8 (p).
1.7 Quelques relations de base entre pixels 14

Fig. 1.11: (a) Disposition de pixels; (b) des pixels qui sont 8-adjacents (montrés en tirets) au
pixel central; (c) m-adjacence.

1.7.2 Adjacence, connectivité, régions, et frontière

Soit V l’ensemble des valeurs d’intensité utilisé pour définir l’adjacence. Dans une image
binaire, V = {1} s’il s’agit de l’adjacence des pixels avec la valeur 1. Dans une image en
niveaux de gris, l’ensemble V contient plus d’éléments. Par exemple, dans l’intervalle [0, 255],
l’ensemble V peut être un sous-ensemble de ces 256 valeurs. Nous considérons trois types
d’adjacence:

a. 4-adjacence. Deux pixels p et q avec des valeurs dans V sont 4-adjacents si q ∈ N4 (p).

b. 8-adjacence. Deux pixels p et q avec des valeurs dans V sont 8-adjacents si q ∈ N8 (p).

c. m-adjacence (adjacence mixte). Deux pixels p et q avec des valeurs dans V sont m-
adjacent si

(i) q ∈ N4 (p), ou
(ii) q ∈ ND (p) et l’ensemble N4 (p) ∩ N4 (q) n’a aucun pixel dont la valeur est dans V .

L’adjacence mixte est une modification de la 8-adjacence. Elle permet d’éliminer les
ambiguı̈tés générées par l’utilisation de la 8-adjacence. Par exemple, soit l’image binaire de
la Fig. 1.11(a) pour V = {1}. Les trois pixels en haut de la Fig. 1.11(b) consituent une
8-adjacence multiple ambiguë. Cette ambiguı̈té est supprimée en utilisant la m-adjacence,
tel que montré dans la Fig. 1.11(c).
Un chemin (ou courbe) du pixel p ayant les coordonnées (x, y) au pixel q ayant les
coordonnées (s, t) est la séquence des pixels distincts définis par la suite des coordonnées:

(x0 , y0 ), (x1 , y1 ), ..., (xn , yn )

où (x0 , y0) = (x, y), (xn , yn ) = (s, t), sachant que les pixels (xi , yi ) et (xi−1 , yi−1 ) sont
adjacents pour 1 ≤ i ≤ n, où n est la longueur du chemin. Si (x0 , y0 ) = (xn , yn ) alors le
chemin est fermé. On peut définir 4-, 8- ou m-chemins en fonction du type d’adjacence
utilisé. Par exemple, les chemins représentés sur la Fig. 1.11(b) sont des 8-chemins, alors
que le chemin de la Fig. 1.11(c) est un m-chemin.
Introduction à l’image 15

Soit S un sous-ensemble de pixels dans une image. Les deux pixels p et q sont connectés
dans S, s’il existe un chemin entre p et q constitué uniquement des pixels de S. Pour chaque
pixel p de S, l’ensemble des pixels connectés à p dans S est appelé une composante connexe de
S. S’il n’y a qu’une seule composante connexe dans S, alors S est appelé ensemble connexe.
Soit R un sous-ensemble de pixels dans une image. R est une région de l’image si R est
un ensemble connexe. La frontière (appelée aussi bordure ou contour ) d’une région R est
l’ensemble des pixels dans la région qui ont des voisins hors la région R.
Il existe une différence fondamentale entre les concepts frontière et contour. La frontière
d’une région forme un chemin fermé, donc c’est un concept ”global”. Alors que, les contours
sont formés à partir des pixels dont les valeurs des dérivées dépassent un seuil prédéfini,
donc c’est un concept ”local”. Une exception dans laquelle les contours et les frontières se
coı̈ncident est dans les images binaires. Par conséquent, il est très important de considérer
les contours comme des discontinuités d’intensité et les frontières comme des chemins fermés.

1.7.3 Distances et mesures

Soient p, q et z trois pixels ayant les coordonnées (x, y), (s, t) et (v, w), respectivement. On
dit que D est une fonction de distance ou métrique si

a. D(p, q) ≥ 0 (D(p, q) = 0 ssi p = q)

b. D(p, q) = D(q, p), et

c. D(p, z) ≤ D(p, q) + D(q, z).

La distance Euclidienne entre p et q est définie comme

1
De (p, q) = (x − s)2 + (y − t)2 2

(1.11)

Pour la distance Euclidienne, les pixels ayant une distance inférieure ou égale à r de (x, y)
sont les pixels appartenant au disque défini par le rayon r et centré au point (x, y).
La distance D4 (appelée aussi distance de Manhattan) entre le pixel p et q est définie par

D4 (p, q) =| x − s | + | y − t | . (1.12)

Dans ce cas, les pixels ayant une distance D4 (x, y) inférieure ou égale à r forment un
diamant centré au point (x, y). Par exemple, les pixels ayant une distance D4 ≤ 2 du point
(x, y) forment les contours isolignes suivants:

2
2 1 2
2 1 0 1 2
2 1 2
2
1.8 Opérations linéaires vs nonlinéaires 16

Noter que les pixels avec D4 = 1 sont les 4-voisinages du pixel (x, y).
La distance D8 (appelée aussi distance de Tchebychev ) entre p et q est définie par

D8 (p, q) = max | x − s |, | y − t | (1.13)
Dans ce cas, les pixels dont la distance D8 du point (x, y) est inférieure ou égale à
une certaine valeur r forment un carré centré en (x, y). Par exemple, les pixels dont la
distance D8 ≤ 2 du point (x, y) (le point central) forment les contours isolignes suivants:
2 2 2 2 2
2 1 1 1 2
2 1 0 1 2
2 1 1 1 2
2 2 2 2 2
Noter que les pixels avec D8 = 1 forment les 8-voisinages du pixel (x, y).

1.8 Opérations linéaires vs nonlinéaires

Soit H un opérateur qui produit l’image g(x, y) en sortie, ayant l’image f (x, y) en entrée:

H [f (x, y)] = g(x, y) (1.14)

H est un opérateur linéaire si, pour deux images fi et fj et deux scalaires ai et aj , on a

H [ai fi (x, y) + aj fj (x, y)] = ai H [fi (x, y)] + aj H [fj (x, y)]
(1.15)
= ai gi (x, y) + aj gj (x, y)
Par exemple, un opérateur qui calcule la somme de K images est un opérateur linéaire.
Par contre, un opérateur qui calcule la valeur absolue de la différence de deux images ne l’est
pas. Par définition, un opérateur qui ne réussit pas le test de l’Eq. (1.15) est non linéaire.
Les opérations linéaires sont faciles à comprendre et reposent sur une multitude de
résultats théoriques et pratiques. Bien que, les systèmes non linéaires ne sont pas tou-
jours faciles à comprendre théoriquement, ils ont été utilisés dans différentes applications
car ils dépassent (dans la plupart des cas) les opérations linéaires en termes de performance.

1.9 Conclusion
Dans ce chapitre, nous avons présenté les informations de base pour le reste du cours,
tel que le système visuel humain, la lumière et le spectre électromagnétique. Les idées
d’échantillonnage sont à la base de certains phénomènes de numérisation rencontrés en pra-
tique. Les concepts d’échantillonnage et quantification sont aussi très importants dans le
contexte de l’acquisition de l’image. Les méthodes de traitement des voisinages sont au
cœur de nombreuses procédures d’amélioration et de restauration d’image. Ces méthodes
sont privilégiées dans les applications commerciales de traitement d’images. Ceci est dû à
leur rapidité d’exécution d’une part et de leur simplicité d’implémentation de l’autre part.
Introduction à l’image 17

1.10 Travaux pratiques N° 1

1.10.1 Objectifs
ˆ Introduire l’environnement de programmation Matlab.

ˆ Introduire les commandes de base disponibles avec le Toolbox Image Processing.

1.10.2 Enoncé
Dans ce projet, nous allons introduire les instructions de base et les fondements de l’environnement
de programmation Matlab, ainsi que quelques opérations de base sur les images numériques
telles que la lecture d’une image, les traitements simples, l’affichage et l’écriture sur disque.

1) Boucle ”for”, et opérations sur les vecteurs

Donner les fonctions Matlab qui permettent de calculer les deux sommes suivantes en
utilisant deux méthodes différentes: (1) la boucle ”for”, (2) opérations sur les vecteurs.

12 22 9992
S = 2 + 2 +···+ (1.16)
2 3 10002

1 1 1 1
S = 1− + − +···− (1.17)
4 7 10 1000

2) Opérations de base sur les images numériques

Donner les commandes nécessaires pour réaliser les opérations suivantes en utilisant
l’environnement MATLAB:

ˆ Lire l’image contenue dans le fichier ’rose [Link]’ et afficher sa taille.

ˆ Afficher l’image et parcourir son contenu (valeurs des pixels).
ˆ Sauvegarder cette image avec un format diffèrent (par exemple png).

3) Traitements simple sur les images numériques

Soit l’image f en niveaux de gris contenue dans le fichier ’rose [Link]’ de taille 1024 ×
1024 , implémenter la série d’instructions suivante sur l’image f :

ˆ Lire l’image f .
ˆ Flipper l’image f verticalement.
ˆ Cropper la région de l’image f délimitée par le rectangle: [257:768, 257:768].
ˆ Rééchantillonner l’image f en divisant sa taille sur 2.
ˆ Afficher le profil de la ligne horizontale du milieu (la ligne 512).