REHAUSSEMENT D’IMAGES
Computer & Mobile Vision
1
Objectifs du Chapitre:
Au terme de ce chapitre, l’étudiant sera capable de :
• Comprendre la différence entre les différentes transformations
• Appliquer quelques transformations de base sur une image
numérique
• Choisir la meilleure transformation dans une situation réelle (
augmenter la brillance, réduire le bruit, )
2
Introduction
• Le mécanisme de formation des images est loin d’être parfait
Différentes formes de bruit
• L’image à la sortie doit être traitée avant de la soumettre aux
traitements ultérieurs
3
Exemples
4
Pourquoi prétraiter une image ?
• Pour corriger les effets de la chaîne d’acquisition
• Améliorer la visualisation
• Améliorer les traitements ultérieurs (segmentation, compression …)
• Objectif du prétraitement: préparer l’image au traitement et à l’analyse
5
Statistiques d’une image
6
Luminance, brillance ou Moyenne
• niveau de gris moyen ou couleur moyenne dans
une image
• la moyenne de tous les pixels de l’image.
7
Contraste
Le contraste peut être défini de plusieurs façons:
1. écart-type des variations de niveaux de gris
2. Variations entre valeurs de niveaux de gris min et max.
8
Exemple:
• Calculer la brillance, la variance et le contraste de
cette image codée sur 3 bits:
Luminance
Contraste
9
Exemple:
10
Histogramme
11
histogramme
• L’histogramme H(x) d’une image représente la distribution des intensités
des pixels .
• Un histogramme est une fonction qui donne, pour chaque intensité
lumineuse, le nombre de pixels ayants cette valeur.
• Notation : h(i)=nombre de pixels dans l’image ayant le niveau de gris i.
12
histogramme
image codée sur m=8 bits; 256 niveaux de gris disponibles
13
Histogramme
Exemple: tracer l’histogramme de cette image
14
Histogramme
Exemple: tracer l’histogramme de cette image
15
histogramme
16
histogramme
• Convention : l’abscisse d’un histogramme représente les niveaux
d’intensité allant du plus foncé à gauche au plus clair à droite.
❖ Fonction décrivant la répartition des niveaux de gris ou des couleurs de
l’image, qui fournit beaucoup d’information telles que :
• La distribution statistique des niveaux de gris
• Les bornes de répartition des niveaux de gris
17
histogramme
• L'histogramme donne une information sur les occurrences (fréquences
d'apparition) des niveaux de gris des pixels de l'image.
• Mais ne donne aucune indication sur la répartition (fréquences spatiales)
de ces niveaux de gris au sein de l'image.
ces 4 images ont même histogramme, lequel ?
18
Informations issues de l'histogramme
• Luminance de l'image = la moyenne µ des niveaux de gris.
19
Informations issues de l'histogramme
20
Que peut-on dire des images dont les histogrammes sont présentés ci-dessous ?
21
Que peut-on dire des images dont les histogrammes sont représentés ci-dessous ?
22
Histogramme normalisé
23
Histogramme normalisé
24
Histogramme cumulé
•
25
Histogramme cumulé
Exemple
26
Histogramme cumulé
• Dans l’exemple ci-dessous, l’histogramme cumulé comprend 2 phases
presque plates (valeurs sombres et claires) et augmente brutalement dans
les valeurs intermédiaires
• Cette image est mal équilibrée
27
Transformation des images
28
Types de Transformations
• Au cours du processus de traitement et d’analyse,
• l’image subit une série de transformations
• Une transformation T accepte une image (ou plusieurs) en entrée et
fournit une image en sortie
Image Image
Transformation
source transformée
1. Transformations ponctuelles.
2. Transformations de voisinage.
3. Transformations globales.
29
Principe de transformation:
• Changer la valeur: de chaque pixel d’une image I pour obtenir une
nouvelle image I’. Cette image résultat a même taille que I, mais des
propriétés plus intéressantes.
• Notation
• La transformation est notée t:
30
Transformations ponctuelles ou pixel à pixel
• La nouvelle valeur de la nouvelle image, ne dépend que l’ancienne valeur
( du même pixel) de l’image de départ.
• la nouvelle valeur I'(x,y) est obtenue à partir de I(x,y) seulement.
• Exemple: seuillage, ajustement luminosité/contraste, opérations
algébriques, manipulation d'histogramme
• Exemples:
• Les opérations arithmétiques
• Les opérations logiques
• Les opérations géométriques
31
Transformations ponctuelles ou pixel à pixel
• L’addition pixel à pixel des deux images A et B est définie par :
• K(i,j) = Min( A(i,j)+B(,j) ; 255 )
• Cas d’utilisation:
• Réduire le bruit dans une image (vue dans une série d’images)
• Augmenter la brillance ( A+A: additionner l’image avec elle-même)
32
Transformations ponctuelles ou pixel à pixel
• La multiplication d’une image A par un facteur β :
• S(x,y) = Max( βxA(i,j) ; 255)
• Cas d’utilisation
• augmenter le contraste (augmenter la luminosité)
33
Transformations ponctuelles ou pixel à pixel
Les opérations logiques:
1. ET: I(i,j)=A(i,j) ET B(i,j) ;
2. OU: I(i,j) = A(i,j) OU B(i,j) ;
3. NOT : I(i,j) = NOT(I(i,j)
34
Transformations ponctuelles ou pixel à pixel
Les opérations logiques:
35
Transformations locales (de voisinage )
• la nouvelle valeur I’(x,y) est obtenue à partir de l’ensemble des valeurs
initiales I(v(x,y)) dans un voisinage autour du pixel de coordonnées (x,y).
• Une transformation de voisinage est telle que la nouvelle valeur d’un
pixel tient compte des pixels appartenant au voisinage du pixel considéré.
36
Transformations globales
• La nouvelle valeur I’(x,y) est obtenue à partir de l’ensemble des
valeurs de l’image initiale I.
• Exemple: transformation dans l’espace de Fourier.
37
Exemple transformation ponctuelle: Look up table
• Principe
• Une transformation ponctuelle t change un niveau de gris i dans l'image
initiale I en un niveau de gris i' pour obtenir l'image résultat I’.
• LUT : fonction qui transforme un niveau de gris i en un niveau de gris j,
sans modification spatiale de l'image.
• Elle est donc définie par une table de correspondance ou LUT (Look-Up
Table) qui définit, pour chaque niveau de gris i, le nouveau niveau i'=t(i).
• Cette transformation change la distribution statistique des niveaux de gris,
caractérisée par l'histogramme de chaque image
38
Exemple transformation ponctuelle: Look up table
• Représentations de la LUT: tableau Ou graphe
39
Exemple transformation ponctuelle: Look up table
40
Traitement à base d’histogramme
41
Traitement à base d’histogramme
On présente dans la suite quelques traitements d’analyse effectués
uniquement à partir de l’histogramme:
• Normalisation ou expansion de dynamique
Exploiter toute la dynamique de codage
• Egalisation
Équilibrer la dynamique de codage et augmenter le contraste
42
Normalisation ou expansion de dynamique
43
Normalisation ou expansion de dynamique
Principe:
La normalisation d’histogramme, ou expansion de dynamique, est une
transformation affine du niveau de gris des pixels de telle sorte que
l’image utilise toute la dynamique de représentation.
44
Expansion de la dynamique ou Normalisation d'histogramme
45
46
Transformation linéaire simple: Expansion de la dynamique
47
Normalisation/étirement d’histogrammes
48
Normalisation/étirement d’histogrammes
49
Effet:
Expansion de la dynamique ou Normalisation d'histogramme
• Cet algorithme n’a pas pour but de rendre l’histogramme d’une image plat.
• Il ne sert qu’à étaler la dynamique sur tous les niveaux de gris disponibles
50
Egalisation d’histogramme
51
Égalisation d'histogramme
Problème :
l'image naturelle quantifiée de manière linéaire présente une majorité de
pixels de luminance < luminance moyenne
les détails dans les régions sombres sont difficilement perceptibles.
But :
Augmenter la dynamique pour les niveaux de gris faibles sans en perdre
sensiblement pour les niveaux élevés.
Egalisation :
Modification de l'histogramme (et aussi de l'image) pour qu'il soit uniforme
(population constante pour tous les niveaux de gris).
52
Égalisation d'histogramme
Principe : en l’absence d’informations sur l’image, un histogramme « idéal
» présenterait une distribution uniforme des niveaux de gris
L’ égalisation d'histogramme permet de d'uniformiser l'histogramme.
Chaque niveau de gris dans la nouvelle image doit être associée à un
nombre de pixels équivalent.
53
Égalisation d'histogramme
Elle consiste à calculer à partir de l'histogramme HI de l'image I une
fonction de rehaussement des niveaux de gris f telle que l'image
rehaussée J, définie par J(p) = f(I(p)), ait son histogramme HJ se
rapprochant le plus possible d'une fonction "plate"
Uniformiser la distribution des valeurs des pixels,
Obtenir une image qui contient à peu près autant de pixels très sombres que
de pixels moyens que de pixels très clairs. et dont l'histogramme cumulé
ressemblerait à quelque chose comme ceci
54
Égalisation d'histogramme
• On cherche à aplanir l’histogramme
55
Égalisation d'histogramme: exemple
56
Égalisation d'histogramme: exemple
57
58
Égalisation d'histogramme: Résumé de la méthode et remarques
❖ L'égalisation de l'histogramme:
• Consiste à regrouper des ensembles de niveaux de gris de valeurs
voisines, pour obtenir un nouveau niveau de gris en quantité approchant
Nx*Ny / 256.
• Fournit de nouveaux niveaux uniformément répartis sur [0, 255].
❖ Remarques sur l'amélioration par égalisation d'histogramme :
• On obtient une image améliorée pour la visualisation (amélioration
subjective).
• Il est impossible d'obtenir une égalisation parfaite.
59
Résumé
60
