Intensity Transformation and Spatial Filtering

Léon MUSHI Gloire, Master 1 Electro-énergétique/Polytechnique-UMAPON

Digital Image Processing

Ce chapitre couvre les concepts clés de la transformation d'intensité et du filtrage spatial. Il introduit les
concepts fondamentaux du traitement d'image, en distinguant d'abord le domaine spatial et le domaine de
la transformée.

Le traitement dans le domaine spatial opère directement sur les valeurs d'intensité des pixels de l'image, en
utilisant un opérateur T défini sur un voisinage d'un point (𝑥, 𝑦) pour transformer une image d'entrée 𝑓(𝑥, 𝑦)
en une image de sortie 𝑔(𝑥, 𝑦).

1. Transformations d'Intensité

Les transformations d'intensité sont des opérations fondamentales dans le domaine spatial qui modifient les
niveaux de gris d'une image pour améliorer sa qualité ou mettre en évidence certaines caractéristiques. Elles
sont définies par une fonction 𝑠 = 𝑇(𝑟), où r est le niveau d'intensité du pixel d'entrée et s est le niveau
d'intensité du pixel de sortie.

Plusieurs fonctions de transformation sont abordées (Figure 1) :

a) Négatifs d'Image : Cette transformation inverse les niveaux d'intensité, produisant une image
"négative" où les zones sombres deviennent claires et vice-versa. La formule est 𝑠 = 𝐿 − 1 − 𝑟,
où 𝐿 est le nombre total de niveaux d'intensité. Cela est utile, par exemple, pour visualiser des détails
dans des images médicales comme les mammographies.
b) Transformations Logarithmiques : Elles sont utilisées pour compresser la plage dynamique des
niveaux de gris. La formule est 𝑠 = 𝑐 × 𝑙𝑜𝑔(1 + 𝑟). Cette transformation est particulièrement
efficace pour les images dont la plage dynamique est très large, comme les spectres de Fourier,
rendant les détails de faible intensité plus visibles.
c) Transformations de Loi de Puissance (Gamma) : définies par 𝑠 = 𝑐 𝑟 𝛾 , ces transformations sont
très polyvalentes pour l'ajustement du contraste. La valeur de 𝛾 détermine la nature de la
transformation :
 𝛾 < 1 : Tend à étendre les valeurs d'intensité sombres et à compresser les valeurs claires.
Page 1 sur 4
  𝛾 > 1 : Tend à compresser les valeurs sombres et à étendre les valeurs claires.

Elles sont couramment utilisées pour la correction 𝛾 des dispositifs d'affichage (par exemple, les
écrans CRT ont une réponse en intensité qui est une fonction de puissance).

Figure 1 : Some basic intensity transformation functions. Alls curves were scaled to fit in the range
shown

d) Transformations Linéaires par Morceaux : Ces transformations permettent une plus grande
flexibilité en définissant différentes fonctions linéaires pour différentes plages d'intensité.
 Étirement du contraste (Contrast Stretching) : Cette technique étend la plage des niveaux
d'intensité pour qu'elle couvre toute la gamme disponible, améliorant ainsi la visibilité des
détails.
 Découpage de niveaux d'intensité (Intensity-level Slicing) : Permet de mettre en évidence
une plage spécifique d'intensités dans une image, souvent en assignant une couleur ou une
intensité unique aux pixels de cette plage, et une autre pour le reste. C'est utile, par exemple,
pour l'analyse des vaisseaux sanguins dans les angiogrammes.
e) Découpage par Plan Binaire (Bit-plane Slicing) : Cette technique décompose une image en ses plans
binaires constitutifs. Pour une image codée sur N bits, elle peut être représentée comme la somme
de N images binaires, où chaque image binaire contient les bits à une position spécifique (par
exemple, le bit le plus significatif ou le moins significatif). Cela permet d'analyser la contribution de

Page 2 sur 4
 chaque bit à l'apparence globale de l'image et est utile pour la compression ou l'analyse des détails
fins.

2. Traitement des histogrammes

Le traitement d'histogramme est une méthode essentielle pour améliorer le contraste d'une image en
manipulant sa distribution d'intensité. L'histogramme ℎ(𝑟𝑘 ) représente le nombre de pixels 𝑛𝑘 ayant une
intensité 𝑟𝑘 . Un histogramme normalisé 𝑝(𝑟𝑘 ) représente la probabilité d'occurrence de chaque niveau
d'intensité.

a) Égalisation d'Histogramme (Histogram Equalization) : Cette technique vise à produire une image
dont l'histogramme de sortie est approximativement uniforme. Pour une image continue, la
𝑟
transformation est donnée par 𝑠 = 𝑇(𝑟) = (𝐿 − 1) × ∫0 𝑝𝑟 (𝑤)𝑑𝑤. Pour les images discrètes, la
formule est une somme cumulée. L'égalisation d'histogramme ne garantit pas toujours un bon
résultat et n'est pas toujours la solution optimale.
b) Mise en Correspondance d'Histogramme (Histogram Matching ou Specification) : Plus générale que
l'égalisation, cette méthode permet de transformer l'histogramme d'une image d'entrée pour qu'il
corresponde à une forme d'histogramme spécifiée 𝑝𝑧 (𝑧). La procédure implique d'abord d'obtenir
les valeurs égalisées 𝑠 de l'image d'entrée, puis d'appliquer une transformation 𝐺(𝑧) pour obtenir 𝑧
tel que 𝑧 = 𝐺 −1 (𝑠).
c) Traitement d'Histogramme Local (Local Histogram Processing) : Plutôt que d'appliquer une
transformation globale à toute l'image, cette méthode calcule des histogrammes sur des voisinages
locaux et applique l'égalisation ou la spécification d'histogramme à chaque pixel basé sur son
voisinage. Cela permet une amélioration plus fine et localisée du contraste.
d) Utilisation des Statistiques d'Histogramme pour l'Amélioration d'Image (Using Histogram Statistics
for Image Enhancement) : Les statistiques telles que l'intensité moyenne (𝑚) et la variance (𝜎 2 )
peuvent être utilisées pour améliorer l'image. Ces statistiques peuvent être calculées globalement ou
localement pour ajuster le contraste et la luminosité.

3. Filtrage Spatial (Spatial Filtering)

Le filtrage spatial est une technique qui consiste à balayer une image avec un masque (filtre) pour modifier
les valeurs des pixels en fonction de leurs voisins. Un filtre spatial se compose d'un voisinage et d'une
opération prédéfinie.

Page 3 sur 4
 a) Filtrage Spatial Linéaire: L'opération implique une somme pondérée des pixels dans le voisinage.
La réponse d'un filtre spatial linéaire est donnée par une convolution ou une corrélation entre le filtre
et l'image.
b) Filtres Spatiaux de Lissage (Smoothing Filters) : Utilisés pour le flou et la réduction du bruit.
c) Filtres Moyenneurs Linéaires : Calculent la moyenne des pixels dans un voisinage. Ils sont efficaces
pour réduire le bruit aléatoire mais peuvent estomper les bords.
d) Filtres d'Ordre Statistique (Non Linéaires) : Basés sur le classement des pixels dans le masque du
filtre.
e) Filtre Médian : Remplace la valeur du pixel central par la médiane des valeurs de ses voisins. Très
efficace pour réduire le bruit de type "sel et poivre" tout en préservant les bords.
f) Filtre Max / Min : Remplacent par la valeur maximale ou minimale dans le voisinage, utiles pour
trouver les points les plus brillants ou les plus sombres.
g) Filtres Spatiaux d'Accentuation (Sharpening Filters) : Utilisés pour accentuer les détails et les bords
dans une image. Ils sont basés sur les dérivées.
 Opérateur Laplacien : C'est un opérateur dérivé du second ordre qui met en évidence les
𝜕2 𝑓 𝜕2 𝑓
régions de changements d'intensité rapides. Il est défini comme : ∇2 𝑓 = 𝜕𝑥 2 + 𝜕𝑦 2 et peut

être implémenté par des masques. Le Laplacien peut être ajouté ou soustrait de l'image
originale pour l'accentuer.
h) Masquage Flou (Unsharp Masking) et Filtrage Highboost : Le masquage flou consiste à soustraire
une version floue de l'image originale de l'image originale, créant ainsi un "masque" de détails. Ce
masque est ensuite ajouté à l'image originale pour l'accentuer. Le filtrage highboost est une
généralisation du masquage flou où le masque est ajouté avec un poids 𝑘 > 1 pour une accentuation
plus prononcée.
 Utilisation des Dérivées du Premier Ordre (Le Gradient) : Le gradient d'une image f(x,y) est
un vecteur qui pointe dans la direction du plus grand taux de changement d'intensité. Sa
magnitude est utilisée pour détecter les bords. Des opérateurs comme les opérateurs de
Roberts (Roberts Cross-gradient Operators) et les opérateurs de Sobel sont couramment
utilisés pour calculer le gradient et accentuer les bords.

En résumé, ce chapitre couvre les techniques essentielles pour manipuler l'intensité des pixels et appliquer
des filtres spatiaux, offrant une boîte à outils complète pour l'amélioration, la normalisation et l'analyse des
images numériques.

Page 4 sur 4