Cours : Traitement des images

FIGL2

Chapitre 3 :
Améliorations d’images

Année Universitaire : 2024-2025

Hedi AMRI 1

Plan du chapitre
I. Amélioration ponctuelle
Modification de la luminance
Transformation par seuillage
Étirement de l'histogramme
Égalisation de l'histogramme

II. Amélioration locale

Filtrages non linéaires
Filtrages linéaires

Hedi AMRI III. Amélioration globale 2

 Système de traitement numérique d’images

Acquisition Pré-traitements TNI Post-traitements Exploitation

Acquisition: Numérisation (Échantillonnage + Quantification)

Pré-traitements: • Améliorations Ponctuelles : Manipulation de l’histogramme.

• Améliorations locales: Filtrage (Filtre médian, Filtre moyenneur, …)

TNI: Appliquer des algorithmes (Segmentation, Extraction de contours,…)

Post-traitements: Morphologie mathématique (Dilatation, Érosion, Fermeture, Ouverture)

Hedi AMRI Exploitation: Visualisation, Stockage, Transmission,…. 3

Numérisation

L'obtention d'une image numérique nécessite deux processus :

• Echantillonnage spatial de l'image :

Discrétisation de l'espace 2D, il définit le nombre de pixels
pour l'image (la résolution spatiale).

• Quantification du niveau de luminance :

9 Discrétisation de l'espace des couleurs ou niveaux de gris,
elle définit le nombre de couleurs utiliser pour dessiner l'image

9 Précision du nombre de bits utilisé pour le codage de chaque pixel (la

résolution de luminance)

Hedi AMRI
4
 Numérisation

Echantillonnage Quantification
0
1 Pixel
2
3
4
5
6
7

1 Pixel (3bits)
1 1 0

image numérique
Hedi AMRI
5

Amélioration d’images

But de l’amélioration

• Rendre les images plus aptes à l’interprétation humaine ou de la machine

• Manipulation dans le domaine spatial : accès direct aux valeurs de pixels

• Manipulation dans le domaine fréquentiel : modification de la transformée de

Fourier de l’image

• Les filtres de lissages sont des opérateurs qui permettent de réduire le bruit et les
éléments perturbateurs et non significatifs dans une image numérique

Hedi AMRI
6
 Amélioration d’images

Types d’amélioration

• Amélioration ponctuelle : (Manipulation de l’histogramme)

¾ Modification de la brillance ou du contraste d’une image.

¾ Travail sur les histogrammes, les valeurs de pixels,….

• Amélioration locale : (Filtrage)

¾ Filtrages non linéaires (Filtre médian, …..)

¾ Filtrages linéaires (Filtre moyenneur, Filtre gaussien,…)

Hedi AMRI
7

Amélioration d’images
Transformation Transformation Transformation
ponctuelle locale globale

I1(x0,y0)

I2(x0,y0)

I2(x0,y0) dépend I2(x0,y0) dépend des I2(x0,y0) dépend de

uniquement de I1(x0,y0) pixels voisins de I1(x0,y0) tous les pixels de I1
Hedi AMRI Manipulation de l’histogramme Filtrage Transformée de Fourier
8
 Amélioration d’images : Améliorations Ponctuelles
Pourquoi améliorer une image?

Nécessité de modifier ses niveaux de gris afin de rendre visibles certains détails

Régions à faire Modifier la brillance Modifier la brillance Modifier le contraste

apparaître Image trop foncée Image trop claire Image Bas Contraste

2000

1500

1000

500

Hedi AMRI
0
0 50 100 150 200 255 9

Amélioration d’images : Améliorations Ponctuelles

Modification de la luminance
Pour augmenter la luminance, il suffit de décaler l’histogramme : ݃ ‫ݔ‬ǡ ‫ ݕ‬ൌ ݂ ‫ݔ‬ǡ ‫ ݕ‬൅ ࢈

M M’
10 80 30 100 100
140 10 100 140 10 ݃ ‫ݔ‬ǡ ‫ ݕ‬ൌ ݂ ‫ݔ‬ǡ ‫ ݕ‬൅ ૞૙

30 160 30 200 160

200 80 140 160 100

Intensité Initiale 10 30 80 100 140 160 200

LUT
Intensité Finale 60 80 130 150 190 210 250

Une LUT (Look-Up Table) ou table de conversion est une fonction qui
transforme un niveau de gris initiale i en un niveau de gris finale j
Hedi AMRI sans modifier la structure spatiale de l’image.
11
 Amélioration d’images : Améliorations Ponctuelles

Modification de la luminance
Dans les deux images suivantes, seule la luminance est différente

݃ ‫ݔ‬ǡ ‫ ݕ‬ൌ ݂ ‫ݔ‬ǡ ‫ ݕ‬൅ ૞૙

1400 1400

1200 1200

1000 1000

800 800

600 600

400 400
50
200 200
Hedi AMRI 0
0 25 100 150 200 255
0
0 25 75 100 150 200 255 12

Amélioration d’images : Améliorations Ponctuelles

Inversion Dynamique
On inverse les extrêmes noir et blanc. Parfois, on distingue mieux certains détails en blanc
sur fond noir qu’en noir sur fond blanc :

݃ ‫ݔ‬ǡ ‫ ݕ‬ൌ ݃௠௔௫ െ ݂ሺ‫ݔ‬ǡ ‫ݕ‬ሻ ሺ݃௠௔௫ ൌ ૛૞૞ǣ ‫݁݃ܽ݉ܫ݁݊ݑݎݑ݋݌‬ͺܾ݅‫ݏݐ‬ሻ

M M’
10 80 30 100 100
140 10 100 140 10 ݃ ‫ݔ‬ǡ ‫ ݕ‬ൌ ʹͷͷ െ ݂ሺ‫ݔ‬ǡ ‫ݕ‬ሻ

30 160 30 200 160

200 80 140 160 100

Intensité Initiale 10 30 80 100 140 160 200

LUT
Intensité Finale 245 225 175 155 115 95 55
 Amélioration d’images : Améliorations Ponctuelles

Inversion Dynamique

݃ ‫ݔ‬ǡ ‫ ݕ‬ൌ ݃௠௔௫ െ ݂ሺ‫ݔ‬ǡ ‫ݕ‬ሻ

Amélioration d’images : Améliorations Ponctuelles

Transformation logarithmique:
Cette transformation de l’intensité permet de dilater les intensités faibles et de compresser
les niveaux d’intensités élevées.

݃௠௔௫
݃ ‫ݔ‬ǡ ‫ ݕ‬ൌ ݈݊ሺͳ ൅ ݂ ‫ݔ‬ǡ ‫ ݕ‬ሻ ሺ݃௠௔௫ ൌ ૛૞૞ǣ ‫݁݃ܽ݉ܫ݁݊ݑݎݑ݋݌‬ͺܾ݅‫ݏݐ‬ሻ
Ž ͳ ൅ ݃௠௔௫

M M’
10 80 30 100 100
140 10 100 140 10 ݃ ‫ݔ‬ǡ ‫ ݕ‬ൌ ૝૟ ൈ ݈݊ሺͳ ൅ ݂ ‫ݔ‬ǡ ‫ ݕ‬ሻ

30 160 30 200 160

200 80 140 160 100

Intensité Initiale 10 30 80 100 140 160 200

LUT
Intensité Finale 110 158 202 212 228 234 244
 Amélioration d’images : Améliorations Ponctuelles

Transformation logarithmique:

݃௠௔௫
݃ ‫ݔ‬ǡ ‫ ݕ‬ൌ ݈݊ሺͳ ൅ ݂ ‫ݔ‬ǡ ‫ ݕ‬ሻ
Ž ͳ ൅ ݃௠௔௫

Amélioration d’images : Améliorations Ponctuelles

Transformation gamma
݃௠௔௫
݃ ‫ݔ‬ǡ ‫ ݕ‬ൌ ݂ሺ‫ݔ‬ǡ ‫ݕ‬ሻࢽ ሺ݃௠௔௫ ൌ ૛૞૞ǣ ‫݁݃ܽ݉ܫ݁݊ݑݎݑ݋݌‬ͺܾ݅‫ݏݐ‬ሻ
݃௠௔௫ ࢽ

Si ࢽ ൐ ૚ െ՜ ݈݀݅ܽ‫ ݏ݁ݎ݈݅ܽܿݏ݁݊݋ݖݏ݁݀݊݋݅ݐܽݐ‬ሺ݀‫݁ݎܾ݉݋ݏݏݑ݈݌݁݃ܽ݉݅݁݊ݑ݁݊݊݋‬ሻ

Si ࢽ ൏ ૚ െ՜ ݈݀݅ܽ‫ݏ݁ݎܾ݉݋ݏݏ݁݊݋ݖݏ݁݀݊݋݅ݐܽݐ‬ሺ݀‫݁ݎ݈݅ܽܿݏݑ݈݌݁݃ܽ݉݅݁݊ݑ݁݊݊݋‬ሻ

M M’
10 80 30 100 100
݃௠௔௫
݃ ‫ݔ‬ǡ ‫  ݕ‬ൌ  ݂ሺ‫ݔ‬ǡ ‫ݕ‬ሻ૙Ǥ૞
140 10 100 140 10 ݃௠௔௫ ૙Ǥ૞
30 160 30 200 160
݃ ‫ݔ‬ǡ ‫  ݕ‬ൌ  ૚૟ ݂ሺ‫ݔ‬ǡ ‫ݕ‬ሻ૙Ǥ૞
200 80 140 160 100

Intensité Initiale 10 30 80 100 140 160 200

LUT
Intensité Finale 51 88 143 160 189 202 226
 Amélioration d’images : Améliorations Ponctuelles

Transformation gamma
݃௠௔௫
݃ ‫ݔ‬ǡ ‫ ݕ‬ൌ ݂ሺ‫ݔ‬ǡ ‫ݕ‬ሻࢽ
݃௠௔௫ ࢽ

ࢽ ൌ ૙ǡ ૞

݈݀݅ܽ‫ݏ݁ݎ݈݅ܽܿݏ݁݊݋ݖݏ݁݀݊݋݅ݐܽݐ‬
ࢽ ൌ ૛

ࢽ ൌ ૛

ࢽ ൌ ૙Ǥ ૞ ݈݀݅ܽ‫ݏ݁ݎܾ݉݋ݏݏ݁݊݋ݖݏ݁݀݊݋݅ݐܽݐ‬

Amélioration d’images : Améliorations Ponctuelles

Transformation linéaire par morceaux

ܾ ݃௠௔௫ െ ܾ
ߙൌ ߙൌ 
݃ ‫ݔ‬ǡ ‫ ݕ‬ൌ ߙǤ ݂ሺ‫ݔ‬ǡ ‫ݕ‬ሻ ൅ ߚ ܲ‫ Ͳݎݑ݋‬൑ ݂ ൑ ܽ ‫  ׷‬ቐ ܽ
ߚൌͲ
ܲ‫ ܽݎݑ݋‬൑ ݂ ൑ ݃௠௔௫ ǣ
݃௠௔௫ െ ܽ
ܾെܽ
ߚ ൌ ݃௠௔௫ 
݃௠௔௫ െ ܽ

Siࢇ ൐ ࢈ െ՜ ݈݀݅ܽ‫ ݏ݁ݎ݈݅ܽܿݏ݁݊݋ݖݏ݁݀݊݋݅ݐܽݐ‬ሺ݀‫݁ݎܾ݉݋ݏݏݑ݈݌݁݃ܽ݉݅݁݊ݑ݁݊݊݋‬ሻ

Si ࢇ ൏ ࢈ െ՜ ݈݀݅ܽ‫ݏ݁ݎܾ݉݋ݏݏ݁݊݋ݖݏ݁݀݊݋݅ݐܽݐ‬ሺ݀‫݁ݎ݈݅ܽܿݏݑ݈݌݁݃ܽ݉݅݁݊ݑ݁݊݊݋‬ሻ

M Exemple : a = 30 et b = 60 M’
10 80 30 100 100 ૟૙
ࢍ ࢞ǡ ࢟  ൌ Ǥ ࢌ ࢞ǡ ࢟  ‫ Ͳ ݅ݏ‬൑ ݂ሺ‫ݔ‬ǡ ‫ݕ‬ሻ ൑ ͵Ͳ
140 10 100 140 10 ૜૙

30 160 30 200 160 ૛૞૞ െ ૟૙ ૟૙ െ ૜૙

ࢍ ࢞ǡ ࢟  ൌ Ǥ ࢌ ࢞ǡ ࢟ ൅ ૛૞૞Ǥ
૛૞૞ െ ૜૙ ૛૞૞ െ ૜૙
200 80 140 160 100 ‫ Ͳ͵ ݅ݏ‬൑ ݂ሺ‫ݔ‬ǡ ‫ݕ‬ሻ ൑ ʹͷͷ

Intensité Initiale 10 30 80 100 140 160 200

LUT
Intensité Finale 20 60 103 121 155 173 207
 Amélioration d’images : Améliorations Ponctuelles
Transformation linéaire par morceaux

ࢇ ൐ ࢈ ݈݀݅ܽ‫ݏ݁ݎ݈݅ܽܿݏ݁݊݋ݖݏ݁݀݊݋݅ݐܽݐ‬

݈݀݅ܽ‫ݏ݁ݎܾ݉݋ݏݏ݁݊݋ݖݏ݁݀݊݋݅ݐܽݐ‬
ࢇ ൏ ࢈

Amélioration d’images : Améliorations Ponctuelles

Transformation par seuillage
• Le seuillage consiste à mettre à zéro tous les pixels ayant un niveau de gris inférieur
à une certaine valeur Seuil, et à la valeur maximale les pixels ayant une valeur
supérieure à la seuil.
Ͳ ‫ܯ ݅ݏ‬ሺ݅ǡ ݆ሻ ൑ ܵ
‫ܯ‬ᇱ ݅ǡ ݆ ൌ ቊ
ʹͷͷ ‫ܯ ݅ݏ‬ሺ݅ǡ ݆ሻ ൐ ܵ

• Ainsi le résultat du seuillage est une image binaire contenant des pixels noirs et
blancs (binarisation d’image)

• Le seuillage permet de mettre en évidence des formes ou des objets dans une image
(détecter les objets).

Hedi AMRI • La difficulté réside dans le choix du seuil à adopter.

13
 Amélioration d’images : Améliorations Ponctuelles
Transformation par seuillage
M M’
10 80 30 100 100
140 10 100 140 10
30 160 30 200 160
200 80 140 160 100

Intensité Initiale 10 30 80 100 140 160 200

LUT Seuil ൌ ૡ૙
Intensité Finale 0 0 0 255 255 255 255

Hedi AMRI
Seuil=20 14

Amélioration d’images : Améliorations Ponctuelles

Transformation par seuillage
La difficulté réside dans le choix du seuil à adopter

Image originale

Hedi AMRI Seuil=100 Seuil=130 Seuil=180

15
 Amélioration d’images : Améliorations Ponctuelles
Transformation par seuillage
Outil d’aide à l’analyse : Profils d’intensité

Profil ligne

Profil : visualise les variations

d’intensités des pixels d’une
même ligne (ou colonne)

Profil colonne

Hedi AMRI
16

Amélioration d’images : Améliorations Ponctuelles

Transformation par seuillage

Seuil=130

Hedi AMRI
17
 Amélioration d’images : Améliorations Ponctuelles
Égalisation de l'histogramme
Cette transformation consiste à rendre l’histogramme des niveaux de gris de l’image
le plus plat possible.
M M’
10 100 10 200 40
80 40 80 150 10 ݃ ‫ݔ‬ǡ ‫ ݕ‬ൌ ‫݀݊ݑ݋ݎ‬ሺ݃௠௔௫ ൈ ‫ݔ ݂ ݊ܥܪ‬ǡ ‫ ݕ‬ሻ

100 10 40 200 150

80 150 80 10 40

Intensité Initiale 10 40 80 100 150 200

H 5 4 4 2 3 2
LUT Hn 0,25 0,2 0,2 0,1 0,15 0,1
Hnc 0,25 0,45 0,65 0,75 0,9 1
‫݀݊ݑ݋ݎ‬ሺʹͷͷ ൈ ͲǤʹͷ) ‫݀݊ݑ݋ݎ‬ሺʹͷͷ ൈ ͲǤͶͷ) ‫݀݊ݑ݋ݎ‬ሺʹͷͷ ൈ ͲǤ͸ͷ) ‫݀݊ݑ݋ݎ‬ሺʹͷͷ ൈ ͲǤ͹ͷ) ‫݀݊ݑ݋ݎ‬ሺʹͷͷ ൈ ͲǤͻ) ‫݀݊ݑ݋ݎ‬ሺʹͷͷ ൈ ͳ)
Intensité Finale 64 115 166 191 230 255
Hedi AMRI
23

Amélioration d’images : Améliorations Ponctuelles

Égalisation de l'histogramme

݃ ‫ݔ‬ǡ ‫ ݕ‬ൌ ‫݀݊ݑ݋ݎ‬ሺ݃௠௔௫ ൈ ‫ݔ ݂ ݊ܥܪ‬ǡ ‫ ݕ‬ሻ

Hedi AMRI
23
 Amélioration d’images : Améliorations Ponctuelles
Égalisation de l'histogramme
Cette transformation consiste à rendre l’histogramme des niveaux de gris de l’image
le plus plat possible.

Histogramme initiale Histogramme aplanir

R=2
‫ܭ‬ൌͳ‫ܴ׷‬

 ʹͷͷ
‫ܫ‬௞ᇱ ൌ ൈ ሺ‫ ܭ‬െ ͳሻ
ܴെͳ I’1=0 I’2=255

R : nombre d’intensités Histogramme aplanir Histogramme aplanir

possibles (nombre de raies) R=3 R=4

Hedi AMRI I’1=0 I’2=128 I’1=0 I’2=85 I’3=170

I’3=255 I’4=255 23

Amélioration d’images : Améliorations Ponctuelles

Égalisation de l'histogramme

M R=2 M’
10 100 10 200 40
80 40 80 150 10 histeq(M,2)
100 10 40 200 150
80 150 80 10 40

Intensité Initiale 10 40 80 100 150 200 ‫ܭ‬ൌͳ‫ܴ׷‬

H 5 4 4 2 3 2  ଶହହ
‫ܫ‬௞ᇱ ൌ ൈ ‫ܭ‬െͳ
LUT Hn 0,25 0,2 0,2 0,1 0,15 0,1 ோିଵ

Hnc 0,25 0,45 0,65 0,75 0,9 1

Intensité Finale 0 0 255 255 255 255 
‫ܫ‬ଵᇱ ൌ
ଶହହ
ൈ ͳെͳ ൌ૙
ଶିଵ
݇ ͳ ݇ ʹ  ଶହହ
Hedi AMRI ൌ  ൌ  ‫ܫ‬ଶᇱ ൌ ൈ ʹ െ ͳ ൌ ૛૞૞
ܴ ʹ ܴ ʹ ଶିଵ
 Amélioration d’images : Améliorations Ponctuelles
Égalisation de l'histogramme

M R=3 M’
10 100 10 200 40
80 40 80 150 10 histeq(M,3)
100 10 40 200 150
80 150 80 10 40

Intensité Initiale 10 40 80 100 150 200 ‫ܭ‬ൌͳ‫ܴ׷‬

H 5 4 4 2 3 2  ଶହହ
‫ܫ‬௞ᇱ ൌ ൈ ‫ܭ‬െͳ
LUT Hn 0,25 0,2 0,2 0,1 0,15 0,1 ோିଵ

Hnc 0,25 0,45 0,65 0,75 0,9 1  ଶହହ

‫ܫ‬ଵᇱ ൌ ൈ ͳെͳ ൌ૙
ଷିଵ
Intensité Finale 0 128 128 255 255 255 ଶହହ

‫ܫ‬ଶᇱ ൌ ൈ ʹ െ ͳ ൌ ૚૛ૡ
ଷିଵ
Hedi AMRI ݇ ͳ ݇ ʹ ݇ ͵
ൌ  ൌ  ൌ   ଶହହ
ܴ ͵ ܴ ͵ ܴ ͵ ‫ܫ‬ଷᇱ ൌ ൈ ͵ െ ͳ ൌ ૛૞૞
ଷିଵ

Amélioration d’images : Améliorations Ponctuelles

Étirement de l'histogramme (Recadrage dynamique)
Une image trop sombre ou trop claire présente un histogramme étroit. Le but est
d’ajuster l'échelle de ses niveaux de gris de façon qu'elle occupe toute la bande de
nuances possibles.
Ͳ ‫ܯ ݅ݏ‬ሺ݅ǡ ݆ሻ ൏ ݉݅݊

‫ܯ‬ᇱ ݅ǡ ݆ ൌ ʹͷͷ ‫ܯ‬ሺ݅ǡ ݆ሻ െ ݉݅݊  ‫ ݊݅݉݅ݏ‬൑ ‫ܯ‬ሺ݅ǡ ݆ሻ ൑ ݉ܽ‫ݔ‬
݉ܽ‫ ݔ‬െ ݉݅݊

ʹͷͷ ‫ܯ ݅ݏ‬ሺ݅ǡ ݆ሻ ൐ ݉ܽ‫ݔ‬ 0 min max 255

Avec min et max sont

les valeurs extrêmes de la
Histogramme initiale Histogramme étalé dynamique maximale

Hedi AMRI
18
 Amélioration d’images : Améliorations Ponctuelles
Étirement de l'histogramme (Recadrage dynamique)
M M’
80 100 90 80 120
90 90 80 100 80 M’=imadjust(M)
90 80 100 110 140
110 110 90 140 120

Intensité Initiale 80 90 100 110 120 140

0 ‹ሺ‫ܯ‬ሻ ൌ ૡ૙ǡ ƒšሺ‫ܯ‬ሻ ൌ ૚૝૙
LUT
Intensité Finale 0 43 85 128 170 255
5 ‫ ܯ‬െ ݉݅݊
݅
‫ܯ‬ᇱ ൌ ʹͷͷ
݉ܽ‫ ݔ‬െ ݉݅݊

Hedi AMRI
19

Amélioration d’images : Améliorations Ponctuelles

Étirement de l'histogramme (Recadrage dynamique)
M M’
80 100 90 80 120
0
‫ ܯ‬െ ݉݅݊
90 90 80 100 80
0 ‫ܯ‬ᇱ ൌ ʹͷͷ
݉ܽ‫ ݔ‬െ ݉݅݊
90 80 100 110 140
110 110 90 140 120

Intensité Initiale 80 90 100 110 120 140

0 ‹ ൌ ૢ૙ǡ ƒš ൌ ૚૛૙
LUT
Intensité Finale 0 0 85 170 255 255
5 ‫ ܯ‬െ ݉݅݊
‫ܯ‬ᇱ ൌ ʹͷͷ
݉ܽ‫ ݔ‬െ ݉݅݊

Hedi AMRI
20
 Amélioration d’images : Améliorations Ponctuelles
Étirement de l'histogramme (Recadrage dynamique)

imadjust(M)

Hedi AMRI
21

Amélioration d’images : Améliorations Ponctuelles

Étirement de l'histogramme (Recadrage dynamique)
Si la dynamique est déjà maximale, la transformation n’apporte aucun changement.

imadjust(M)
Égalisation de
l'histogramme

Hedi AMRI
22
 Amélioration d’images : Améliorations Ponctuelles

Exemple 1

4
x 10
3

2.5

1.5

0.5

0
0 36 73 109 146 182 219 255

Hedi AMRI histeq(M,16)

histeq(M,8) 26

Amélioration d’images : Améliorations Ponctuelles

Exemple 2

dynamique maximale

Hedi AMRI imadjust(M) histeq(M,16)

27
 Amélioration d’images : Améliorations Ponctuelles

Exemple 3

dynamique faible

Hedi AMRI imadjust(M) histeq(M,8)

28

Amélioration d’images : Améliorations locales

Filtre Médian (Filtre non linéaire)
Efficace pour éliminer les bruits de type Sel et Poivre

Bruit sel et poivre (Bruit impulsionnel )

• Modélise une poussière sur un capteur, des Poussière
objets de taille dans l’image proche d’un pixel.. superposant
sur le capteur
• Pixels noirs (poivre) et blancs (sels) répartis
aléatoirement sur l’image.

Im medfilt2(Im,[3 3])

Image bruitée par un Image filtrée par un

Hedi AMRI
bruit poivre et sel Filtre Médian 29
 Amélioration d’images : Améliorations locales
Filtre Médian (Filtre non linéaire)
Principe
1. Trier les pixels appartenant au masque
2. Affecter la valeur médiane au pixel central

255 200 200 85

180 200 255 85 Filtre Médian 97
0 10 0 97
85 85 70 0

255 200 200 85 Valeur médiane

1 1 1
180 200 255 85
1 1 1 0 10 85 85 97 200 200 200 255
0 10 0 97
1 1 1
85 85 70 0 Trier les pixels appartenant au masque
Hedi AMRI Masque [3x3] 30

Amélioration d’images : Améliorations locales

Filtre Médian (Filtre non linéaire)
Principe
1. Trier les pixels appartenant au masque
2. Affecter la valeur médiane au pixel central

255 200 200 85

180 200 255 85 Filtre Médian 97
0 10 0 97 85
85 85 70 0

255 200 200 85 Valeur médiane

1 1 1
180 200 255 85
1 1 1 0 0 10 70 85 85 97 200 255
0 10 0 97
1 1 1
85 85 70 0 Trier les pixels appartenant au masque
Hedi AMRI Masque [3x3] 31
 Amélioration d’images : Améliorations locales
Filtre Médian (Filtre non linéaire)
Problème: Que faire avec les bords de l'image ?

255 200 200 85 ? ? ? ?

180 200 255 85 Filtre Médian ? 200 97 ?
0 10 0 97 ? 85 85 ?
85 85 70 0 ? ? ? ?

Solution:
• Filtrage partielle Æ sans toucher au bord.
• Mettre à zéro (0 )Æ ajouts de 0 pour calculer les pixels du bord.
• Miroir de l'image Æ f(-x,y) = f(x,y) ; f(x,-y) = f(x,-y).
Hedi AMRI
32

Amélioration d’images : Améliorations locales

Filtre Médian (Filtre non linéaire)
255 200 200 85 255 200 200 85 255 200 200 85
180 200 255 85 180 200 255 85 180 200 255 85
0 10 0 97
Solution : 0 10 0 97 0 10 0 97
85 85 70 0 85 85 70 0 85 85 70 0

0 0 0 0 0 0 255 255 20 200 85 85

0 255 200 200 85 0 255 255 200 200 85 85

Zéros 0 180 200 255 85 0 Effet 180 180 200 255 85 85

Sans toucher
au bord 0 0 10 0 97 0 miroir 0 0 10 0 97 97
au bord
0 85 85 70 0 0 85 85 85 70 0 0
0 0 0 0 0 0 85 85 85 70 0 0

255 200 200 85

180 200 255 85 200 255 200 255
0 10 0 97 10 10 0 85 10 0
Hedi AMRI 85 85 70 0 33
 Amélioration d’images : Améliorations locales
Filtre moyenneur (Filtre linéaire, Filtre passe-bas, Filtre de Lissage)

¾ Efficace pour éliminer les bruits liés au capteur (Bruit gaussien )

Bruit gaussien Bruits liés au capteur
x Dégradations locales de petite taille due à la perturbation de l’énergie lumineuse
qui atteint le capteur CCD.
x Distorsion de la gamme du niveau de gris due à la mauvaise qualité du capteur

Im imfilter(Im,Masque)

Image bruitée par un Image filtrée par un

bruit gaussien Filtre moyenne
Hedi AMRI
¾ Rend l'image floue, en particulier les contours. 34

Amélioration d’images : Améliorations locales

Filtre moyenneur (Filtre linéaire, Filtre passe-bas, Filtre de Lissage)
Principe
Remplace chaque pixel par la moyenne des valeurs
des pixels adjacents et du pixel central.

255 200 200 85

180 200 255 85 Filtre moyenne 126
0 10 0 97
85 85 70 0

Valeur moyenne
255 200 200 85
1 1 1
ͳ 180 200 255 85 ʹͲͲ ൅ ʹͲͲ ൅ ͺͷ ൅ ʹͲͲ ൅ ʹͷͷ ൅ ͺͷ ൅ ͳͲ ൅ Ͳ ൅ ͻ͹
ൈ 1 1 1 ൌ ͳʹͷǤ͹͹
ͻ 0 10 0 97 ͻ
1 1 1
85 85 70 0
Hedi AMRI Masque [3x3] E‫݈݁݌݉݁ݔ‬ǣ ͳͲǤͷ ൌ ͳͳ 35
 Amélioration d’images : Améliorations locales
Filtre Gaussien (Filtre linéaire, Filtre passe-bas, Filtre de Lissage)
Le noyau du filtre est représentatif d’une fonction gaussienne à deux dimensions.

1 § x2  y2 ·
G x, y exp¨¨  ¸ ࣌ǣ ݀±‫݀ݎܽ݀݊ܽݐݏ݊݋݅ݐܽ݅ݒ‬
2SV 2 © 2V 2 ¸¹
1 2 1
ͳ
Exemple: Si σ = 0.8, on aura le filtre 3x3 suivantt : ൈ 2 4 2
ͳ͸
1 2 1

La somme des coefficients du noyau est égale à 1; pour ne pas changer

la dynamique de l’image d’origine.

Son effet est similaire au filtre moyenneur la différence est que les pixels près du
Hedi AMRI centre ont un poids plus grand Î «effet plus important que ceux situés plus loin».
36

Amélioration d’images : Améliorations locales

(X,Y)
Filtre Gaussien (Filtre linéaire, Filtre passe-bas, Filtre de Lissage)
(-1,-1) (-1,0) (-1,1)

1 § x y 2 2
· (0,-1) (0,0) (0,1)
G x, y exp¨¨  ¸¸ ࣌ǣ ݀±‫݀ݎܽ݀݊ܽݐݏ݊݋݅ݐܽ݅ݒ‬ Si σ = 1
2SV 2V 2
2 (1,-1) (1,0) (1,1)
© ¹

ͳ ૙మ ା૙మ
ି 0,16
݄ ૙ǡ ૙ ൌ ݁ ଶ ൌ ͲǤͳͷͻ
ʹߨ

0,06 0,06
ͳ ି૚మ ାି૚మ
ି
݄ െ૚ǡ െ૚ ൌ ݁ ଶ ൌ ͲǤͲͷͺ 0,16 ݄ െͳǡ െͳ ൌ ݄ ͳǡ െͳ ൌ ݄ െͳǡͳ ൌ ݄ ͳǡͳ
ʹߨ
0,06 0,06

0,06 0,1 0,06

ͳ ૙మ ାି૚మ
ି
݄ ૙ǡ െ૚ ൌ ݁ ଶ ൌ ͲǤͲͻ͸ 0,1 0,16 0,1 ݄ Ͳǡ െͳ ൌ ݄ െͳǡͲ ൌ ݄ Ͳǡͳ ൌ ݄ ͳǡͲ
ʹߨ
0,06 0,1 0,06
Hedi AMRI 36
 Amélioration d’images : Améliorations locales
(X,Y)
Filtre Gaussien (Filtre linéaire, Filtre passe-bas, Filtre de Lissage)
(-1,-1) (-1,0) (-1,1)

1 § x y
2 2
· (0,-1) (0,0) (0,1)
G x, y exp¨¨  ¸¸ ࣌ǣ ݀±‫݀ݎܽ݀݊ܽݐݏ݊݋݅ݐܽ݅ݒ‬ Si σ = 1
2SV 2V 2
2 (1,-1) (1,0) (1,1)
© ¹

0,06 0,1 0,06

ͳ
݄ൌ ൈ 0,1 0,16 0,1
૙ǡ ૙૟ ൈ Ͷ ൅ ૙ǡ ૚૟ ൅ ૙ǡ ૚ ൈ Ͷ
0,06 0,1 0,06

0,06 0,1 0,06

ͳ
Filtre gaussien 3x3 (ɐଶ ൌ ͳ) ݄ൌ ൈ 0,1 0,16 0,1
Ͳǡͺ
0,06 0,1 0,06

Hedi AMRI 36

Amélioration d’images : Améliorations locales

Filtre Gaussien (Filtre linéaire, Filtre passe-bas, Filtres de Lissage)

Convolution d’une image par un filtre 2D :

I 2 x,y I1 x,y K x,y ¦¦ I

u v
1 x  u,y  v u K u,v

ൌ ٔ

‫ܫ‬ଶ ሺͲǡͲሻ ൌ ‫ܫ‬ଵ െͳǡ െͳ ൈ ‫ܭ‬ሺͳǡͳሻ ൅ ‫ܫ‬ଵ െͳǡͲ ൈ ‫ܭ‬ሺͳǡͲሻ ൅ ‫ܫ‬ଵ െͳǡͳ ൈ ‫ܭ‬ሺͳǡ െͳሻ
൅ ‫ܫ‬ଵ Ͳǡ െͳ ൈ ‫Ͳ ܭ‬ǡͳ  ൅ ‫ܫ‬ଵ ͲǡͲ ൈ ‫Ͳ ܭ‬ǡͲ  ൅ ‫ܫ‬ଵ Ͳǡͳ ൈ ‫ܭ‬ሺͲǡ െͳሻ
Hedi AMRI ൅ ‫ܫ‬ଵ ͳǡ െͳ ൈ ‫ ܭ‬െͳǡͳ ൅ ‫ܫ‬ଵ ͳǡͲ ൈ ‫ ܭ‬െͳǡͲ ൅ ‫ܫ‬ଵ ͳǡͳ ൈ ‫ܭ‬ሺെͳǡ െͳሻ 37
 Amélioration d’images : Améliorations locales
Filtre Gaussien (Filtre linéaire, Filtre passe-bas, Filtres de Lissage)

12 7 8 9 0,06 0,1 0,06

ͳ
7 12 8 9 ൌ
ٔ 0,1 0,16 0,1 ൈ
Ͳǡͺ
ǡ
7 7 11 9 0,06 0,1 0,06
8 8 11 10

12 7 8 9 …. …. …. ….
0,06 0,1 0,06
7 12 8 9 ͳ …
…. …. 9 ….
ൈ 0,1 0,16 0,1 ൈ
Ͳǡͺ
ǡ
ൌ
7 7 11 9 0,06 0,1 0,06
…. …. …. ….
8 8 11 10 …. …. …. ….

͹ ‫Ͳ כ‬ǡͲ͸ ൅ ͺ ‫Ͳ כ‬ǡͳ ൅ ͻ ‫Ͳ כ‬ǡͲ͸ ൅  ͳʹ ‫Ͳ כ‬ǡͳ ൅ ͺ ‫Ͳ כ‬ǡͳ͸ ൅ ͻ ‫Ͳ כ‬ǡͳ ൅  ͹ ‫Ͳ כ‬ǡͲ͸ ൅ ͳͳ ‫Ͳ כ‬ǡͳ ൅ ͻ ‫Ͳ כ‬ǡͲ͸

ൌૢ
Hedi AMRI Ͳǡͺ
10

Amélioration d’images : Améliorations locales

(X,Y)
Filtre exponentiel (Filtre linéaire, Filtre passe-bas, Filtre de Lissage)
(-1,-1) (-1,0) (-1,1)

ߛଶ ିఊ ௫ ା ௬
(0,-1) (0,0) (0,1)

݄ ‫ݔ‬ǡ ‫ ݕ‬ൌ ݁ ߛǣ ݀±‫݀ݎܽ݀݊ܽݐݏ݊݋݅ݐܽ݅ݒ‬ Si ߛ = 1 (1,-1) (1,0) (1,1)

Ͷ

ͳ ି ૙ା૙
݄ ૙ǡ ૙ ൌ ݁ ൌ ͲǤʹͷ 0,25
Ͷ

0,03 0,03
ͳ ି ି૚ ା ି૚ 0,25 ݄ െͳǡ െͳ ൌ ݄ ͳǡ െͳ ൌ ݄ െͳǡͳ ൌ ݄ ͳǡͳ
݄ െ૚ǡ െ૚ ൌ ݁ ൌ ͲǤͲ͵
Ͷ 0,03 0,03

ͳ 0,03 0,09 0,03

ି ૙ ା ି૚
݄ ૙ǡ െ૚ ൌ ݁ ൌ ͲǤͲͻ 0,09 0,25 0,09
Ͷ ݄ Ͳǡ െͳ ൌ ݄ െͳǡͲ ൌ ݄ Ͳǡͳ ൌ ݄ ͳǡͲ
0,03 0,09 0,03
Hedi AMRI 36
 Amélioration d’images : Améliorations locales
(X,Y)
Filtre exponentiel (Filtre linéaire, Filtre passe-bas, Filtre de Lissage)
(-1,-1) (-1,0) (-1,1)

ߛଶ ିఊ ௫ ା ௬
(0,-1) (0,0) (0,1)

݄ ‫ݔ‬ǡ ‫ ݕ‬ൌ ݁ ߛǣ ݀±‫݀ݎܽ݀݊ܽݐݏ݊݋݅ݐܽ݅ݒ‬ Si ߛ = 1 (1,-1) (1,0) (1,1)

Ͷ

0,03 0,09 0,03

ͳ
݄ൌ ൈ 0,09 0,25 0,09
૙ǡ ૙૜ ൈ Ͷ ൅ ૙ǡ ʹͷ ൅ ૙ǡ Ͳͻ ൈ Ͷ
0,03 0,09 0,03

0,03 0,09 0,03

ͳ
filtre exponentiel 3x3 avec ࢽ=1 ݄ൌ ൈ 0,09 0,25 0,09
Ͳǡ͹͵
0,03 0,09 0,03

Hedi AMRI 36

Amélioration d’images : Améliorations locales

(X,Y)
Filtre exponentiel (Filtre linéaire, Filtre passe-bas, Filtre de Lissage)
(-1,-1) (-1,0) (-1,1)

ߛଶ ିఊ ௫ ା ௬
(0,-1) (0,0) (0,1)

݄ ‫ݔ‬ǡ ‫ ݕ‬ൌ ݁ ߛǣ ݀±‫݀ݎܽ݀݊ܽݐݏ݊݋݅ݐܽ݅ݒ‬ Si ߛ = 1 (1,-1) (1,0) (1,1)

Ͷ

12 7 8 9 …. …. …. ….
0,03 0,09 0,03
7 12 8 9 ͳ …
…. …. 9 ….
ൈ 0,09 0,25 0,09 ൈ
Ͳǡ͹͵
͹
ൌ
7 7 11 9 0,03 0,09 0,03
…. …. …. ….
8 8 11 10 …. …. …. ….

͹ ‫Ͳ כ‬ǡͲ͵ ൅ ͺ ‫Ͳ כ‬ǡͲͻ ൅ ͻ ‫Ͳ כ‬ǡͲ͵ ൅  ͳʹ ‫Ͳ כ‬ǡͲͻ ൅ ͺ ‫Ͳ כ‬ǡʹͷ ൅ ͻ ‫Ͳ כ‬ǡͲͻ ൅  ͹ ‫Ͳ כ‬ǡͲ͵ ൅ ͳͳ ‫Ͳ כ‬ǡͲͻ ൅ ͻ ‫Ͳ כ‬ǡͲ͵

ൌ ૡǡ ૢ
Ͳǡ͹͵

Hedi AMRI 36
 Amélioration d’images : Améliorations locales
Filtre de Nagao (Filtre linéaire, Filtre passe-bas, Filtre de Lissage)
Le principe de ce filtre consiste à :

1. centrer une fenêtre 5x5 sur chaque pixel

2. Définir les 9 domaines ci-contree ሼ‫ܦ‬௜ ሽ௜ୀଵǡǥǡଽ ‫ܦ‬ଵ ‫ܦ‬ଶ ‫ܦ‬ଷ

ne ࣆ࢏ et la variance ࣌૛࢏
3. Calculer pour chaque domaine la moyenne

ͳ ͳ
ߤ௜ ൌ ෍ ݂௜௄ ߪ௜ଶ ൌ ෍ሺ݂௜௄ െ ߤ௜ ሻଶ
ܰ஽೔ ܰ஽೔
௄ ௄ ‫ܦ‬ସ ‫ܦ‬ହ ‫଺ܦ‬

ࡺࡰ ࢏ : N n ࡰ࢏
Nombre de pixels dans le domaine

4. Attribuer au pixel la moyenne du domaine ayant la plus faible variance. ‫଻ܦ‬ ‫଼ܦ‬ ‫ܦ‬ଽ
Hedi AMRI

Amélioration d’images : Améliorations locales

Filtre de Nagao (Filtre linéaire, Filtre passe-bas, Filtre de Lissage)

3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
3 0 4 7 9 8 5 3 3 0 4 7 9 8 5 3

3 5 11 12 0 7 3 3 3 5 11 12 0 7 3 3
Filtre de Nagao
3 11 12 11 9 5 3 3 3 11 12 11 9 5 3 3

4 13 12 10 7 4 3 3 4 13 12 10 7 4 3 3

3 9 13 11 7 15 3 3 3 9 13 11 7 …. 3 3

3 3 15 10 5 3 3 3 3 3 15 10 5 3 3 3

3 3 3 4 3 3 3 3 3 3 3 4 3 3 3 3

Le résultat de l’opérateur est la moyenne du domaine « ࣆ࢏ » qui

présente la plus faible variance « ߪ௜ଶ ».

C’est un filtre permettant d’éliminer les valeurs marginales

Hedi AMRI
 11 9 5 3 3 ͳͷ ൅ ͵ ൅ ͵ ൅ ͵ ൅ ͵ ൅ ͵ ൅ ͵
10 7 4 3 3
ߤଵ ൌ ൌ Ͷǡ͹
͹
11 7 15 3 3
ሺͳͷ െ Ͷǡ͹ሻଶ ൅ሺ͵ െ Ͷǡ͹ሻଶ ൅ሺ͵ െ Ͷǡ͹ሻଶ ൅ሺ͵ െ Ͷǡ͹ሻଶ ൅ሺ͵ െ Ͷǡ͹ሻଶ ൅ሺ͵ െ Ͷǡ͹ሻଶ ൅ሺ͵ െ Ͷǡ͹ሻଶ
10 5 3 3 3 ߪଵଶ ൌ ൌ ͳ͹ǡ͸͵
͹
4 3 3 3 3

11 9 5 3 3 11 9 5 3 3 11 9 5 3 3 11 9 5 3 3

10 7 4 3 3 10 7 4 3 3 10 7 4 3 3 10 7 4 3 3

11 7 15 3 3 11 7 15 3 3 11 7 15 3 3 11 7 15 3 3

10 5 3 3 3 10 5 3 3 3 10 5 3 3 3 10 5 3 3 3
4 3 3 3 3 4 3 3 3 3 4 3 3 3 3 4 3 3 3 3

ߤଶ ൌ ߤଷ ൌ ߤସ ൌ ߤହ ൌ
ߪଷଶ ൌ ߪସଶ ൌ ߪହଶ ൌ

11 9 5 3 3 11 9 5 3 3 11 9 5 3 3 11 9 5 3 3

10 7 4 3 3 10 7 4 3 3 10 7 4 3 3 10 7 4 3 3

11 7 15 3 3 11 7 15 3 3 11 7 15 3 3 11 7 15 3 3

10 5 3 3 3 10 5 3 3 3 10 5 3 3 3 10 5 3 3 3
4 3 3 3 3 4 3 3 3 3 4 3 3 3 3 4 3 3 3 3

ߤ଺ ൌ ߤ଻ ൌ ߤ଼ ൌ ߤଽ ൌ
ߪ଻ଶ ൌ ߪ଼ଶ ൌ ߪଽଶ ൌ
Hedi AMRI

Amélioration d’images : Améliorations locales

Filtre Rehausseur de contour
¾ Efficace pour diminuer le flou et mettre en relief les contours

-1 -1 -1
Exemple de noyau de filtre rehausseur -1 9 -1
-1 -1 -1

imfilter(Im,noyau)
Im

Hedi AMRI
39
 Amélioration d’images : Améliorations locales
Filtre Rehausseur de contour

200 200 200 200 200 200

200 200 200 200 200 200 Filtre Rehausseur de contour
200 200 200 200 200 200
-1 -1 -1
100 100 100 100 100 100 -1 9 -1 0

200 200 200 200 200 200 -1 -1 -1

noyau
200 200 200 200 200 200

ͻ ‫ ͲͲͳ כ‬െ ͸ ‫ ͲͲʹ כ‬െ ʹ ‫ ͲͲͳ כ‬ൌ െͷͲͲ ൌ ሺͲሻ

Hedi AMRI
40

Amélioration d’images : Améliorations locales

Filtre Rehausseur de contour

200 200 200 200 200 200

200 200 200 200 200 200 Filtre Rehausseur de contour
200 200 200 200 200 200 255
-1 -1 -1
100 100 100 100 100 100 -1 9 -1 0

200 200 200 200 200 200 -1 -1 -1

noyau
200 200 200 200 200 200

ͻ ‫ ͲͲʹ כ‬െ ͷ ‫ ͲͲʹ כ‬െ ͵ ‫ ͲͲͳ כ‬ൌ ͷͲͲ ൌ ሺʹͷͷሻ

Hedi AMRI
41
 Amélioration d’images : Améliorations locales
Filtre Rehausseur de contour

200 200 200 200 200 200

200 200 200 200 200 200 Filtre Rehausseur de contour 200

200 200 200 200 200 200 255

-1 -1 -1
100 100 100 100 100 100 -1 9 -1 0

200 200 200 200 200 200 -1 -1 -1

noyau
200 200 200 200 200 200

ͻ ‫ ͲͲʹ כ‬െ ͺ ‫ ͲͲʹ כ‬ൌ ʹͲͲ

Hedi AMRI
42

Amélioration d’images : Améliorations locales

Filtre Rehausseur de contour

200 200 200 200 200 200 200 200 200 200 200 200
200 200 200 200 200 200 Filtre Rehausseur de contour 200 200 200 200 200 200

200 200 200 200 200 200 255 255 255 255 255 255
-1 -1 -1
100 100 100 100 100 100 -1 9 -1 0 0 0 0 0 0

200 200 200 200 200 200 -1 -1 -1 255 255 255 255 255 255
noyau
200 200 200 200 200 200 200 200 200 200 200 200

Filtre Rehausseur de contour

Hedi AMRI
43
 Amélioration d’images : Améliorations globale

TFD: Transformée de Fourier Discrète

Permet de représenter le spectre comme des lignes passant par le centre

L’information essentielle stockée dans les Basses Fréquences sera regroupée au

centre F(0,0), plus en s’éloignant du centre plus le spectre porte des hautes Fréquences.

TFD

Hedi AMRI k–”ˆ•ŒGš—ˆ›ˆ“ k–”ˆ•ŒG™ï˜œŒ•›Œ“

44

Amélioration d’images : Améliorations globale

TFD: Transformée de Fourier Discrète

Basses fréquences:
Hautes fréquences:
Variation lente des
Variation brusque
nuances de gris
d’intensités
régions homogènes
Contours, bruits,…

Profil ligne

Hedi AMRI
45
 Amélioration d’images : Améliorations globale
TFD: Transformée de Fourier Discrète
Application d’un filtre
Passe-Bas
TFD-1
L’information essentielle stockée
dans les Basses Fréquences
sera regroupée au centre F(0,0)
régions homogènes
(surface douce)

TFD-1
ேିଵ
ͳ ௙
‫ ݊ ݏ‬ൌ ෍ ܵሺ݂ሻ݁ ଶ௜గ௡ே
ܰ
௙ୀ଴
Hedi AMRI
46

Amélioration d’images : Améliorations globale

TFD: Transformée de Fourier Discrète
Application d’un filtre
Passe-Haut
TFD-1
Les hautes fréquences
informent sur les conteurs,
les bruits, les détails,…

TFD-1
ேିଵ
ͳ ௙
‫ ݊ ݏ‬ൌ ෍ ܵሺ݂ሻ݁ ଶ௜గ௡ே
ܰ
௙ୀ଴
Hedi AMRI
47
 Amélioration d’images : Améliorations globale

20 110 20 210 50
90 50 90 160 20
Soit une image M de matrice A
110 20 50 210 160
90 160 90 20 50
matrice A
1- Donner l’histogramme H de M.

2- Donner la matrice As et son histogramme Hs.

avec Ms de matrice As le résultats du seuillage de M (S=60)

3- Donner la matrice Ar et son histogramme Hr.

avec Mr de matrice Ar le résultats de recadrage dynamique de M

4- Donner la matrice Ae et son histogramme He.

avec Me de matrice Ae le résultats de l’égalisation d’histogramme de M sur 4 raies
Hedi AMRI
47

Amélioration d’images : Améliorations globale

Soit une image bruitée M de matrice A

1- Donner l’histogramme H de M.
80 80 80 80 2- Quel est le type de bruit dans cette image.
80 255 80 80 3- Appliquer le filtre médian (3*3) sur l’image bruitée M.
80 80 80 80 (sans toucher aux bords)

50 50 0 50 4- Déduire le nouvel histogramme Hd de l’image Md.

80 255 80 80 5- Appliquer le filtre moyenneur (3*3) sur l’image bruitée M.

80 80 80 80 6- Déduire le nouvel histogramme Hy de l’image My.

7- Quel filtrage assure une meilleure restauration de l’image M.
matrice A
8- Appliquer le filtre Rehausseur de contour sur l’image Md.
(utiliser l’effet miroir)

9- Déduire le nouvel histogramme Hdr de l’image Mdr.

Hedi AMRI
47
Soit une image I à niveaux de gris dont les intensités sont codées sur 4 bits (du 0 le noir au 15 le blanc) :

1 2 3 4 5 6 7 8

1
3 3 3 3 3 3 3 3
2
3 3 4 7 9 8 5 3
3
3 5 11 12 10 7 3 3
4
3 11 12 11 9 5 3 3
5 4 13 12 10 7 4 3 3
6 3 9 13 11 7 3 3 3
7 3 3 8 10 5 3 3 3
8 3 3 3 4 3 3 3 3

1. Calculer le poids de l’image en octet.

Poids = nL x nC x nbpp
ʹͷ͸
Poids = 8 x 8 x 4 = 256 bits ൌ ‫ ݏݐ݁ݐܿ݋‬ൌ ͵ʹ‫ݏݐ݁ݐܿ݋‬
ͺ
2. Inverser la dynamique de l’image et représenter le résultat sous forme de tableau.

3 3 3 3 3 3 3 3 12 12 12 12 12 12 12 12
݃ ‫ݔ‬ǡ ‫ ݕ‬ൌ ݃௠௔௫ െ ݂ሺ‫ݔ‬ǡ ‫ݕ‬ሻ
3 3 4 7 9 8 5 3 12 12 11 8 6 7 10 12
3 5 11 12 10 7 3 3
3 11 12 11 9 5 3 3
݃ ‫ݔ‬ǡ ‫ ݕ‬ൌ ૚૞ െ ݂ሺ‫ݔ‬ǡ ‫ݕ‬ሻ
4 13 12 10 7 4 3 3
3 9 13 11 7 3 3 3 ݃௠௔௫ ൌ ૚૞
3 3 8 10 5 3 3 3 ‫݁݀݁݃ܽ݉݅݁݊ݑݎݑ݋݌‬Ͷܾ݅‫ ݏݐ‬ሺʹସ െͳሻ
3 3 3 4 3 3 3 3

3 15 – 3 = 12
4 15 – 4 = 11
5 15 – 5 = 10
7 15 – 7 = 8
8 15 – 8 = 7
9 15 – 9 = 6
10 15 – 10 = 5
11 15 – 11 = 4
12 15 – 12 = 3
13 15 – 13 = 2

[Link] une transformation logarithmique sur l’image I et représenter le résultat sous forme de tableau.

3 3 3 3 3 3 3 3 ݃௠௔௫ 7 7 7 7 7 7 7 7
݃ ‫ݔ‬ǡ ‫ ݕ‬ൌ ݈݊ሺͳ ൅ ݂ ‫ݔ‬ǡ ‫ ݕ‬ሻ
3 3 4 7 9 8 5 3 Ž ͳ ൅ ݃௠௔௫ 7 7 9 11 12 12 10 7
3 5 11 12 10 7 3 3
3 11 12 11 9 5 3 3
4 13 12 10 7 4 3 3 ݃ ‫ݔ‬ǡ ‫ ݕ‬ൌ  ૞Ǥ ૝૚ ൈ  ݈݊ሺͳ ൅ ݂ ‫ݔ‬ǡ ‫ ݕ‬ሻ
3 9 13 11 7 3 3 3
3 3 8 10 5 3 3 3 ݃௠௔௫ ൌ ૚૞
3 3 3 4 3 3 3 3 ‫݁݀݁݃ܽ݉݅݁݊ݑݎݑ݋݌‬Ͷܾ݅‫ ݏݐ‬ሺʹସ െͳሻ

3 5.41 x ln(1+3) = 7.49 Æ 7

4 5.41 x ln(1+4) = 8.7 Æ 9
5 5.41 x ln(1+5) = 9.7 Æ 10
7 5.41 x ln(1+7) = 11.24 Æ 11
8 5.41 x ln(1+8) = 11.88 Æ 12
9 5.41 x ln(1+9) = 12.45 Æ 12
10 5.41 x ln(1+10) = 12.97 Æ 13
11 5.41 x ln(1+11) = 13.44 Æ 13
12 5.41 x ln(1+12) = 13.87 Æ 14
13 5.41 x ln(1+13) = 14.27 Æ 14
2. Tracer l’histogramme et l’histogramme cumulé
de l’image I 35
3 3 3 3 3 3 3 3
3 3 4 7 9 8 5 3
3 5 11 12 10 7 3 3 Histogramme
3 11 12 11 9 5 3 3 H
4 13 12 10 7 4 3 3
4
3 9 13 11 7 3 3 3 3
3 3 8 10 5 3 3 3 2
3 3 3 4 3 3 3 3 3 4 5 7 8 9 10 11 12 13
Ng H Hc
3 35 35
64
4 4 39 62
59
5 4 43 Histogramme 55
52
7 4 47 Cumulé 49
47
8 2 49 Hc 43
39
9 3 52 35
10 3 55
11 4 59
12 3 62
13 2 64 0
0 3 4 5 7 8 9 10 11 12 13 15

6. Déterminer et appliquer une transformation permettant l’égalisation de l’histogramme.

3 3 3 3 3 3 3 3 8 8 8 8 8 8 8 8
3 3 4 7 9 8 5 3
݃ ‫ݔ‬ǡ ‫ ݕ‬ൌ ‫݀݊ݑ݋ݎ‬ሺ݃௠௔௫ ൈ ‫ݔ ݂ ݊ܥܪ‬ǡ ‫ ݕ‬ሻ 8 8 9 11 12 11 10 8
3 5 11 12 10 7 3 3
3 11 12 11 9 5 3 3 ݃ ‫ݔ‬ǡ ‫ ݕ‬ൌ ‫݀݊ݑ݋ݎ‬ሺ૚૞ ൈ ‫ݔ ݂ ݊ܥܪ‬ǡ ‫ ݕ‬ሻ
4 13 12 10 7 4 3 3
3 9 13 11 7 3 3 3
3 3 8 10 5 3 3 3 ݃௠௔௫ ൌ ૚૞
3 3 3 4 3 3 3 3 ‫݁݀݁݃ܽ݉݅݁݊ݑݎݑ݋݌‬Ͷܾ݅‫ ݏݐ‬ሺʹସ െͳሻ

Ng H Hc HCn
3 35 35 35/64 3 15 x (35/64) = 8.2 Æ 8
4 4 39 39/64 4 15 x (39/64) = 9.14 Æ 9
5 4 43 43/64 5 15 x (43/64) = 10.07 Æ 10
7 4 47 47/64 7 15 x (47/64) = 11.01 Æ 11
8 2 49 49/64 8 15 x (49/64) = 11.48 Æ 11
9 3 52 52/64 9 15 x (52/64) = 12.18 Æ 12
10 3 55 55/64 10 15 x (55/64) = 12.89 Æ 13
11 4 59 59/64 11 15 x (59/64) = 13.82 Æ 14
12 3 62 62/64 12 15 x (62/64) = 14.53 Æ 15
13 2 64 1 13 15 x (64/64) = 15 Æ 15
 7. Calculer la luminance moyenne et le contraste de l’image (écart type et contraste de Michelson).

Ng H
3 35 Luminance moyenne =
4 4
35 ൈ 3+ 4 ൈ 4 +Ͷ ൈ ͷ+ Ͷ ൈ ͹+ ʹ ൈ ͺ+ ͵ ൈ ͻ+ ͵ ൈ ͳͲ+ Ͷ ൈ ͳͳ+͵ ൈ ͳʹ+ ʹ ൈ ͳ͵
5 4
ͺൈͺ
7 4
8 2
Luminance moyenne = 5.44 Æ Image trop sombre
9 3
10 3
11 4 ࡸ࢓ࢇ࢞ െ ࡸ࢓࢏࢔ ૚૜ െ ૜
‫ܥ‬ichelson ൌ ൌ ൌ ૙Ǥ ૟૛૞
12 3 ࡸ࢓ࢇ࢞ ൅ ࡸ࢓࢏࢔ ૚૜ ൅ ૜
13 2
ontraste "écart type" =

35 ൈ ሺ͵ െ ૞Ǥ ͶͶሻଶ ൅4 ൈ ሺͶ െ ૞Ǥ ͶͶሻଶ ൅4 ൈ ሺͷ െ ૞Ǥ ͶͶሻଶ ൅4 ൈ ሺ͹ െ ૞Ǥ ͶͶሻଶ ൅2 ൈ ሺͺ െ ૞Ǥ ͶͶሻଶ ൅3 ൈ ሺͻ െ ૞Ǥ ͶͶሻଶ ൅3 ൈ ሺͳͲ െ ૞Ǥ ͶͶሻଶ ൅4 ൈ ሺͳͳ െ ૞Ǥ ͶͶሻଶ ൅3 ൈ ሺͳʹ െ ૞Ǥ ͶͶሻଶ ൅2 ൈ ሺͳ͵ െ ૞Ǥ ͶͶሻଶ
ͺൈͺ

͹Ͳ͹Ǥ͹ͷ
ontraste "écart type" = ൌ ૜Ǥ ૜૛
͸Ͷ

9. On se propose d’améliorer la qualité de l’image en appliquant une transformation gamma. Faut-il choisir ࢽ ൐ ૚ ou ࢽ<1 ?

݃௠௔௫
Transformation gamma ݃ ‫ݔ‬ǡ ‫ ݕ‬ൌ ݂ሺ‫ݔ‬ǡ ‫ݕ‬ሻࢽ
݃௠௔௫ ࢽ

Si ࢽ ൐ ૚ െ՜ ࢊ࢏࢒ࢇ࢚ࢇ࢚࢏࢕࢔ࢊࢋ࢙ࢠ࢕࢔ࢋ࢙ࢉ࢒ࢇ࢏࢘ࢋ࢙ ሺࢊ࢕࢔࢔ࢋ࢛࢔ࢋ࢏࢓ࢇࢍࢋ࢖࢒࢛࢙࢙࢕࢓࢈࢘ࢋሻ

Si ࢽ ൏ ૚ െ՜ ࢊ࢏࢒ࢇ࢚ࢇ࢚࢏࢕࢔ࢊࢋ࢙ࢠ࢕࢔ࢋ࢙࢙࢕࢓࢈࢘ࢋ࢙ሺࢊ࢕࢔࢔ࢋ࢛࢔ࢋ࢏࢓ࢇࢍࢋ࢖࢒࢛࢙ࢉ࢒ࢇ࢏࢘ࢋሻ

On a

Luminance moyenne = 5.44 Æ Image trop sombre

Il faut choisir ࢽ ൏ ૚ ’‘—”݀‫݁ݎ݈݅ܽܿݏݑ݈݌݁݃ܽ݉݅݁݊ݑݎ݁݊݊݋‬

 10. On prend ࢽ ൌ ૙Ǥ ૞ .
Ecrire et appliquer une transformation gamma de l’image I. L’image obtenue est-elle meilleure ? justifier
7 7 7 7 7 7 7 7
3 3 3 3 3 3 3 3 ݃௠௔௫
3 3 4 7 9 8 5 3 ݃ ‫ݔ‬ǡ ‫  ݕ‬ൌ  ݂ሺ‫ݔ‬ǡ ‫ݕ‬ሻ૙Ǥ૞ 7 7 8 10 12 11 9 7
݃௠௔௫ ૙Ǥ૞
3 5 11 12 10 7 3 3
3 11 12 11 9 5 3 3
4 13 12 10 7 4 3 3
݃ ‫ݔ‬ǡ ‫  ݕ‬ൌ  ૜Ǥ ૡૠ ݂ሺ‫ݔ‬ǡ ‫ݕ‬ሻ૙Ǥ૞
3 9 13 11 7 3 3 3
3 3 8 10 5 3 3 3 ݃௠௔௫ ൌ ૚૞
3 3 3 4 3 3 3 3 ‫݁݀݁݃ܽ݉݅݁݊ݑݎݑ݋݌‬Ͷܾ݅‫ ݏݐ‬ሺʹସ െͳሻ
Ng H
3 35
3 3.87 x ૜૙Ǥ૞ = 6.7 Æ 7 Ng H
7 35
4 4 4 3.87 x ૝૙Ǥ૞ = 7.74 Æ 8 8 4
5 4
5 3.87 x ૞૙Ǥ૞ = 8.65 Æ 9 9 4
7 4
10 4
૙Ǥ૞
8 2 7 3.87 x ૠ = 10.23 Æ 10 11 2
9 3
8 3.87 x ૡ૙Ǥ૞  = 10.94 Æ 11 12 3
10 3
૙Ǥ૞ 12 3
11 4
9 3.87 x ૢ = 11.61 Æ 12
13 4
12 3 10 3.87 x ૚૙૙Ǥ૞ = 12.23 Æ 12 13 3
13 2
11 3.87 x ૚૚૙Ǥ૞ = 12.83 Æ 13 14 2

Luminance moyenne = 5.44 12 3.87 x ૚૛૙Ǥ૞ = 13.4 Æ 13 Luminance moyenne = 8.84

Æ Image sombre 13 3.87 x ૚૜૙Ǥ૞ = 13.95 Æ 14
Æ Image claire

11. On souhaite à présent appliquer une transformation linéaire par morceaux ࢍ ࢞ǡ ࢟ ൌ ࢻ ȉ ࢌ ࢞ǡ ࢟ ൅ ࢼ

Expliquer comment choisir les coefficients de cette transformation afin d’améliorer la qualité de l’image
(l’éclaircir si elle est trop sombre ou l’assombrir si elle est trop claire).

Transformation linéaire par morceaux

ܾ ݃௠௔௫ െ ܾ
ߙൌ ߙൌ 
ܲ‫ Ͳݎݑ݋‬൑ ݂ ൑ ܽ ‫  ׷‬ቐ ܽ ݃௠௔௫ െ ܽ
݃ ‫ݔ‬ǡ ‫ ݕ‬ൌ ߙǤ ݂ሺ‫ݔ‬ǡ ‫ݕ‬ሻ ൅ ߚ ߚൌͲ
ܲ‫ ܽݎݑ݋‬൑ ݂ ൑ ݃௠௔௫ ǣ
ߚ ൌ ݃௠௔௫
ܾെܽ

݃௠௔௫ െ ܽ

Si ࢇ ൐ ࢈ െ՜ ࢊ࢏࢒ࢇ࢚ࢇ࢚࢏࢕࢔ࢊࢋ࢙ࢠ࢕࢔ࢋ࢙ࢉ࢒ࢇ࢏࢘ࢋ࢙ ሺࢊ࢕࢔࢔ࢋ࢛࢔ࢋ࢏࢓ࢇࢍࢋ࢖࢒࢛࢙࢙࢕࢓࢈࢘ࢋሻ

Si ࢇ ൏ ࢈ െ՜ ࢊ࢏࢒ࢇ࢚ࢇ࢚࢏࢕࢔ࢊࢋ࢙ࢠ࢕࢔ࢋ࢙࢙࢕࢓࢈࢘ࢋ࢙ሺࢊ࢕࢔࢔ࢋ࢛࢔ࢋ࢏࢓ࢇࢍࢋ࢖࢒࢛࢙ࢉ࢒ࢇ࢏࢘ࢋሻ

On a
Luminance moyenne = 5.44 Æ Image trop sombre

Il faut choisir ࢇ ൏ ࢈ ’‘—”݀‫݁ݎ݈݅ܽܿݏݑ݈݌݁݃ܽ݉݅݁݊ݑݎ݁݊݊݋‬

 Exemple : a = 3 et b = 8
ૡ
3 3 3 3 3 3 3 3 ࢍ ࢞ǡ ࢟  ൌ Ǥ ࢌ ࢞ǡ ࢟  ‫ Ͳ ݅ݏ‬൑ ݂ሺ‫ݔ‬ǡ ‫ݕ‬ሻ ൑ ͵ 8 8 8 8 8 8 8 8
૜ 8 8 9 10 11 11 9 8
3 3 4 7 9 8 5 3
3 5 11 12 10 7 3 3
૚૞ െ ૡ ૡെ૜
3 11 12 11 9 5 3 3 ࢍ ࢞ǡ ࢟  ൌ Ǥ ࢌ ࢞ǡ ࢟ ൅ ૚૞Ǥ
4 13 12 10 7 4 3 3 ૚૞ െ ૜ ૚૞ െ ૜
3 9 13 11 7 3 3 3 ‫ ͵ ݅ݏ‬൑ ݂ሺ‫ݔ‬ǡ ‫ݕ‬ሻ ൑ ͳͷ
3 3 8 10 5 3 3 3
݃௠௔௫ ൌ ૚૞
3 3 3 4 3 3 3 3 ‫݁݀݁݃ܽ݉݅݁݊ݑݎݑ݋݌‬Ͷܾ݅‫ ݏݐ‬ሺʹସ െͳሻ
Ng H
3 35
3 2.67 x 3 = 8 Æ 8 Ng H
8 35
4 4 4 0.58 x 4 + 6.25 = 8.57 Æ 9 9 4
5 4
5 0.58 x 5 + 6.25 = 9.15 Æ 9 9 4
7 4
10 4
8 2
7 0.58 x 7 + 6.25 = 10.31 Æ 10
11 2
9 3 8 0.58 x 8 + 6.25 = 10.89 Æ 11 11 3
10 3
9 0.58 x 9 + 6.25 = 11.47 Æ 11 12 3
11 4
13 4
12 3 10 0.58 x 10 + 6.25 = 12.05 Æ 12 13 3
13 2 11 0.58 x 11 + 6.25 = 12.63 Æ 13 14 2

Luminance moyenne = 5.44 12 0.58 x 12 + 6.25 = 13.21 Æ 13

Luminance moyenne = 9.4
13 0.58 x 13 + 6.25 = 13.79 Æ 14
Æ Image sombre Æ Image claire

12. Déterminer la dynamique de l’image originale I. Comment jugez-vous le contraste de l’image.

La dynamique de l’image originale I = [3 13] Æ Image à faible contraste

13. Déterminer la transformation linéaire permettant le recadrage de la dynamique.

ࢇ ࢈  ՜  ሾ૙ ૛૞૞ሿ ૜ ૚૜  ՜  ሾ૙ ૛૞૞ሿ

૛૞૞Ǥሺࢌ ࢞ǡ࢟ ିࢇሻ ૛૞૞Ǥሺࢌ ࢞ǡ࢟ ି૜ሻ
f ࢞ǡ ࢟  ՜ ࢍሺ࢞ǡ ࢟ሻ ൌ f ࢞ǡ ࢟  ՜ ࢍሺ࢞ǡ ࢟ሻ ൌ
࢈ିࢇ ૚૜ି૜
 Dynamique de l’image ૙ ૛૞૞
Dynamique de l’image ૜ ૚૜
0 0 0 0 0 0 0 0
3 3 3 3 3 3 3 3
0 0 26 100 153 128 50 0
3 3 4 7 9 8 5 3
3 5 11 12 10 7 3 3 ૛૞૞
ࢍ ࢞ǡ ࢟  ൌ Ǥ ሺࢌ ࢞ǡ ࢟ െ ૜ሻ
3 11 12 11 9 5 3 3 ૚૜ െ ૜
4 13 12 10 7 4 3 3
3 9 13 11 7 3 3 3
3 3 8 10 5 3 3 3
3 3 3 4 3 3 3 3

Ng H Ng H

3 35 3 25.5 x (3 - 3) = 0 Æ 0 0 35

4 4 26 4

5 4
4 25.5 x (4 - 3) = 25.5 Æ 26 50 4

7 4 5 25.5 x (5 - 3) = 50 Æ 50 100 4

8 2 128 2
7 25.5 x (7 - 3) = 100 Æ 100
9 3 153 3

10 3
8 25.5 x (8 - 3) = 127.5 Æ 128 179 3

11 4 9 25.5 x (9 - 3) = 153 Æ 153 204 4

12 3 230 3
10 25.5 x (10 - 3) = 178.5 Æ 179
13 2 255 2
11 25.5 x (11 - 3) = 204 Æ 204
Luminance moyenne = 5.44 12 25.5 x (12 - 3) = 229.5 Æ 230
Luminance moyenne = 62.06
Æ Image trop sombre 13 25.5 x (13 - 3) = 255 Æ 255 Æ Image sombre
Image à faible contraste Image à haute contraste
 Amélioration d’images : Améliorations locales
Filtre moyenneur (Filtre linéaire, Filtre passe-bas, Filtre de Lissage)
Principe
Remplace chaque pixel par la moyenne des valeurs
des pixels adjacents et du pixel central.

12 7 8 9
7 12 8 9 Filtre moyenneur 9
7 7 11 9
8 8 11 10

Valeur moyenne
12 7 8 9
1 1 1
ͳ 7 12 8 9 ͹ ൅ ͺ ൅ ͻ ൅ ͳʹ ൅ ͺ ൅ ͻ ൅ ͹ ൅ ͳͳ ൅ ͻ
ൈ 1 1 1 ൌ ͺǤͺͺ
ͻ 7 7 11 9 ͻ
1 1 1
8 8 11 10
Hedi AMRI Masque [3x3] 1

Amélioration d’images : Améliorations locales

Filtre moyenneur (Filtre linéaire, Filtre passe-bas, Filtre de Lissage)
Principe
Remplace chaque pixel par la moyenne des valeurs
des pixels adjacents et du pixel central.

12 7 8 9
7 12 8 9 Filtre moyenneur 9
7 7 11 9 9
8 8 11 10

Valeur moyenne
12 7 8 9
1 1 1
ͳ 7 12 8 9 ͳʹ ൅ ͺ ൅ ͻ ൅ ͹ ൅ ͳͳ ൅ ͻ ൅ ͺ ൅ ͳͳ ൅ ͳͲ
ൈ 1 1 1 ൌ ͻǤͶͶ
ͻ 7 7 11 9 ͻ
1 1 1
8 8 11 10
Hedi AMRI Masque [3x3] 2
 Amélioration d’images : Améliorations locales
Filtre moyenneur (Filtre linéaire, Filtre passe-bas, Filtre de Lissage)
Principe
Remplace chaque pixel par la moyenne des valeurs
des pixels adjacents et du pixel central.

12 7 8 9
7 12 8 9 Filtre moyenneur 9 9
7 7 11 9 9
8 8 11 10

Valeur moyenne
12 7 8 9
1 1 1
ͳ 7 12 8 9 ͳʹ ൅ ͹ ൅ ͺ ൅ ͹ ൅ ͳʹ ൅ ͺ ൅ ͹ ൅ ͹ ൅ ͳͳ
ൈ 1 1 1 ൌ ͺǤ͹͹
ͻ 7 7 11 9 ͻ
1 1 1
8 8 11 10
Hedi AMRI Masque [3x3] 3

Amélioration d’images : Améliorations locales

Filtre moyenneur (Filtre linéaire, Filtre passe-bas, Filtre de Lissage)
Principe
Remplace chaque pixel par la moyenne des valeurs
des pixels adjacents et du pixel central.

12 7 8 9
7 12 8 9 Filtre moyenneur 9 9
7 7 11 9 9 9
8 8 11 10

Valeur moyenne
12 7 8 9
1 1 1
ͳ 7 12 8 9 ͹ ൅ ͳʹ ൅ ͺ ൅ ͹ ൅ ͹ ൅ ͳͳ ൅ ͺ ൅ ͺ ൅ ͳͳ
ൈ 1 1 1 ൌ ͺǤ͹͹
ͻ 7 7 11 9 ͻ
1 1 1
8 8 11 10
Hedi AMRI Masque [3x3] 4
 Amélioration d’images : Améliorations locales
Filtre moyenneur (Filtre linéaire, Filtre passe-bas, Filtre de Lissage)
Problème: Que faire avec les bords de l'image ?

12 7 8 9 ? ? ? ?
7 12 8 9 Filtre moyenneur ? 9 9 ?
7 7 11 9 ? 9 9 ?
8 8 11 10 ? ? ? ?

Solution:
• Filtrage partielle Æ sans toucher au bord.
• Mettre à zéro (0 )Æ ajouts de 0 pour calculer les pixels du bord.
• Miroir de l'image Æ f(-x,y) = f(x,y) ; f(x,-y) = f(x,-y).
Hedi AMRI
5

Amélioration d’images : Améliorations locales

Filtre moyenneur (Filtre linéaire, Filtre passe-bas, Filtre de Lissage)

12 7 8 9 12 7 8 9 12 7 8 9
7 12 8 9 7 12 8 9 7 12 8 9
7 7 11 9 7 7 11 9 7 7 11 9
Solution :
8 8 11 10 8 8 11 10 8 8 11 10

0 0 0 0 0 0 12 12 7 8 9 9
0 12 7 8 9 0 12 12 7 8 9 9

Zéros 0 7 12 8 9 0 Effet 7 7 12 8 9 9
Sans toucher
au bord 0 7 7 11 9 0 miroir 7 7 7 11 9 9
au bord
0 8 8 11 10 0 8 8 8 11 10 10
0 0 0 0 0 0 8 8 8 11 10 10

Ͳ ൅ Ͳ ൅ Ͳ ൅ Ͳ ൅ ͳʹ ൅ ͹ ൅ Ͳ ൅ ͹ ൅ ͳʹ ͳʹ ൅ ͳʹ ൅ ͹ ൅ ͳʹ ൅ ͳʹ ൅ ͹ ൅ ͹ ൅ ͹ ൅ ͳʹ
ൌ ૝Ǥ ૛૛ ൌ ૢǤ ૠૠ
ͻ ͻ

4 ….. ….. ….. 10 ….. ….. …..

12 7 8 9
….. 9 9 ….. ….. 9 9 …..
7 9 9 9
7 9 9 9 ….. 9 9 ….. ….. 9 9 …..
Hedi AMRI ….. ….. ….. …..
8 8 11 10 ….. ….. ….. ….. 6
 Amélioration d’images : Améliorations locales

Filtre moyenneur (Filtre linéaire, Filtre passe-bas, Filtre de Lissage)

12 7 8 9 12 7 8 9 12 7 8 9
7 12 8 9 7 12 8 9 7 12 8 9
7 7 11 9 7 7 11 9 7 7 11 9
Solution :
8 8 11 10 8 8 11 10 8 8 11 10

0 0 0 0 0 0 12 12 7 8 9 9
0 12 7 8 9 0 12 12 7 8 9 9

Zéros 0 7 12 8 9 0 Effet 7 7 12 8 9 9
Sans toucher
au bord 0 7 7 11 9 0 miroir 7 7 7 11 9 9
au bord
0 8 8 11 10 0 8 8 8 11 10 10
0 0 0 0 0 0 8 8 8 11 10 10

Ͳ ൅ ͳʹ ൅ ͹ ൅ Ͳ ൅ ͹ ൅ ͳʹ ൅ Ͳ ൅ ͹ ൅ ͹ ͳʹ ൅ ͳʹ ൅ ͹ ൅ ͹ ൅ ͹ ൅ ͳʹ ൅ ͹ ൅ ͹ ൅ ͹
ൌ ૞Ǥ ૠૠ ൌ ૡǤ ૟૟
ͻ ͻ

4 ….. ….. ….. 10 ….. ….. …..

12 7 8 9
6 9 9 ….. 9 9 9 …..
7 9 9 9
7 9 9 9 ….. 9 9 ….. ….. 9 9 …..
Hedi AMRI ….. ….. ….. …..
8 8 11 10 ….. ….. ….. ….. 7

Amélioration d’images : Améliorations locales

Calculer les coefficients d’un filtre gaussien 3x3 ayant la même variance que le bruit (ɐଶ ൌ ͳ).
(X,Y)
(-1,-1) (-1,0) (-1,1)
(0,-1) (0,0) (0,1)
(1,-1) (1,0) (1,1)

ͳ ଴మ ା଴మ
ି 0,16
݄ ͲǡͲ ൌ ݁ ଶ ൌ ͲǤͳͷͻ
ʹߨ

0,06 0,06
ͳ ିଵమ ାିଵమ
ି
݄ െͳǡ െͳ ൌ ݁ ଶ ൌ ͲǤͲͷͺ 0,16 ݄ െͳǡ െͳ ൌ ݄ ͳǡ െͳ ൌ ݄ െͳǡͳ ൌ ݄ ͳǡͳ
ʹߨ
0,06 0,06

0,06 0,1 0,06

ͳ ଴మ ାିଵమ
ି
݄ Ͳǡ െͳ ൌ ݁ ଶ ൌ ͲǤͲͻ͸ 0,1 0,16 0,1 ݄ Ͳǡ െͳ ൌ ݄ െͳǡͲ ൌ ݄ Ͳǡͳ ൌ ݄ ͳǡͲ
ʹߨ
0,06 0,1 0,06
Hedi AMRI
8
 Amélioration d’images : Améliorations locales

Calculer les coefficients d’un filtre gaussien 3x3 ayant la même variance que le bruit (ɐଶ ൌ ͳ).
(X,Y)
(-1,-1) (-1,0) (-1,1)
(0,-1) (0,0) (0,1)
(1,-1) (1,0) (1,1)

0,06 0,1 0,06

ͳ
݄ൌ ൈ 0,1 0,16 0,1
૙ǡ ૙૟ ൈ Ͷ ൅ ૙ǡ ૚૟ ൅ ૙ǡ ૚ ൈ Ͷ
0,06 0,1 0,06

0,06 0,1 0,06

ͳ
ଶ
Filtre gaussien 3x3 (ɐ ൌ ͳ) ݄ൌ ൈ 0,1 0,16 0,1
Ͳǡͺ
0,06 0,1 0,06

Hedi AMRI
9

Amélioration d’images : Améliorations locales

Appliquer ce masque afin de supprimer le bruit de l’image

12 7 8 9 0,06 0,1 0,06

ͳ
7 12 8 9 ൌ
ٔ 0,1 0,16 0,1 ൈ
Ͳǡͺ
ǡ
7 7 11 9 0,06 0,1 0,06
8 8 11 10

12 7 8 9 …. …. …. ….
0,06 0,1 0,06
7 12 8 9 ͳ …
…. …. 9 ….
ൈ 0,1 0,16 0,1 ൈ
Ͳǡͺ
ǡ
ൌ
7 7 11 9 0,06 0,1 0,06
…. …. …. ….
8 8 11 10 …. …. …. ….

͹ ‫Ͳ כ‬ǡͲ͸ ൅ ͺ ‫Ͳ כ‬ǡͳ ൅ ͻ ‫Ͳ כ‬ǡͲ͸ ൅  ͳʹ ‫Ͳ כ‬ǡͳ ൅ ͺ ‫Ͳ כ‬ǡͳ͸ ൅ ͻ ‫Ͳ כ‬ǡͳ ൅  ͹ ‫Ͳ כ‬ǡͲ͸ ൅ ͳͳ ‫Ͳ כ‬ǡͳ ൅ ͻ ‫Ͳ כ‬ǡͲ͸

ൌૢ
Ͳǡͺ
Hedi AMRI
10
 Amélioration d’images : Améliorations locales
Appliquer ce masque afin de supprimer le bruit de l’image

12 7 8 9 …. …. …. ….
0,06 0,1 0,06
7 12 8 9 ͳ …
…. …. 9 ….
ൈ 0,1 0,16 0,1 ൈ
Ͳǡͺ
ǡ
ൌ
7 7 11 9 0,06 0,1 0,06
…. …. 10 ….
8 8 11 10 …. …. …. ….

ͳʹ ‫Ͳ כ‬ǡͲ͸ ൅ ͺ ‫Ͳ כ‬ǡͳ ൅ ͻ ‫Ͳ כ‬ǡͲ͸ ൅  ͹ ‫Ͳ כ‬ǡͳ ൅ ͳͳ ‫Ͳ כ‬ǡͳ͸ ൅ ͻ ‫Ͳ כ‬ǡͳ ൅  ͺ ‫Ͳ כ‬ǡͲ͸ ൅ ͳͳ ‫Ͳ כ‬ǡͳ ൅ ͳͲ ‫Ͳ כ‬ǡͲ͸

ൌ ૢǡ ૞
Ͳǡͺ

Hedi AMRI
11

Amélioration d’images : Améliorations locales

Déterminer le noyau de convolution d’un filtre exponentiel 3x3 avec ࢽ=1

(X,Y)
(-1,-1) (-1,0) (-1,1)
(0,-1) (0,0) (0,1)
(1,-1) (1,0) (1,1)

ͳ ି ଴ା଴
݄ ͲǡͲ ൌ ݁ ൌ ͲǤʹͷ 0,25
Ͷ

0,03 0,03
ͳ ି ିଵ ା ିଵ 0,25 ݄ െͳǡ െͳ ൌ ݄ ͳǡ െͳ ൌ ݄ െͳǡͳ ൌ ݄ ͳǡͳ
݄ െͳǡ െͳ ൌ ݁ ൌ ͲǤͲ͵
Ͷ 0,03 0,03

ͳ 0,03 0,09 0,03

ି ଴ ା ିଵ
݄ Ͳǡ െͳ ൌ ݁ ൌ ͲǤͲͻ 0,09 0,25 0,09
Ͷ ݄ Ͳǡ െͳ ൌ ݄ െͳǡͲ ൌ ݄ Ͳǡͳ ൌ ݄ ͳǡͲ
0,03 0,09 0,03
Hedi AMRI
12
 Amélioration d’images : Améliorations locales

filtre exponentiel 3x3 avec ࢽ=1

(X,Y)
(-1,-1) (-1,0) (-1,1)
(0,-1) (0,0) (0,1)
(1,-1) (1,0) (1,1)

0,03 0,09 0,03

ͳ
݄ൌ ൈ 0,09 0,25 0,09
૙ǡ ૙૜ ൈ Ͷ ൅ ૙ǡ ʹͷ ൅ ૙ǡ Ͳͻ ൈ Ͷ
0,03 0,09 0,03

0,03 0,09 0,03

ͳ
filtre exponentiel 3x3 avec ࢽ=1 ݄ൌ ൈ 0,09 0,25 0,09
Ͳǡ͹͵
0,03 0,09 0,03

Hedi AMRI
13

Amélioration d’images : Améliorations locales

Appliquer ce masque afin de supprimer le bruit de l’image

12 7 8 9 …. …. …. ….
0,03 0,09 0,03
7 12 8 9 ͳ …
…. …. 9 ….
ൈ 0,09 0,25 0,09 ൈ
Ͳǡ͹͵
͹
ൌ
7 7 11 9 0,03 0,09 0,03
…. …. …. ….
8 8 11 10 …. …. …. ….

͹ ‫Ͳ כ‬ǡͲ͵ ൅ ͺ ‫Ͳ כ‬ǡͲͻ ൅ ͻ ‫Ͳ כ‬ǡͲ͵ ൅  ͳʹ ‫Ͳ כ‬ǡͲͻ ൅ ͺ ‫Ͳ כ‬ǡʹͷ ൅ ͻ ‫Ͳ כ‬ǡͲͻ ൅  ͹ ‫Ͳ כ‬ǡͲ͵ ൅ ͳͳ ‫Ͳ כ‬ǡͲͻ ൅ ͻ ‫Ͳ כ‬ǡͲ͵

ൌ ૡǡ ૢ
Ͳǡ͹͵

Hedi AMRI
14
 Amélioration d’images : Améliorations locales
Appliquer ce masque afin de supprimer le bruit de l’image

12 7 8 9 …. …. …. ….
0,03 0,09 0,03
7 12 8 9 ͳ …
…. …. 9 ….
ൈ 0,09 0,25 0,09 ൈ
Ͳǡ͹͵
͹
ൌ
7 7 11 9 0,03 0,09 0,03
…. …. 10 ….
8 8 11 10 …. …. …. ….

ͳʹ ‫Ͳ כ‬ǡͲ͵ ൅ ͺ ‫Ͳ כ‬ǡͲͻ ൅ ͻ ‫Ͳ כ‬ǡͲ͵ ൅  ͹ ‫Ͳ כ‬ǡͲͻ ൅ ͳͳ ‫Ͳ כ‬ǡʹͷ ൅ ͻ ‫Ͳ כ‬ǡͲͻ ൅  ͺ ‫Ͳ כ‬ǡͲ͵ ൅ ͳͳ ‫Ͳ כ‬ǡͲͻ ൅ ͳͲ ‫Ͳ כ‬ǡͲ͵

ൌ ૢǡ ૟
Ͳǡ͹͵

Hedi AMRI
15

Amélioration d’images : Améliorations locales

Exercice 2 :

Hedi AMRI
16
 Amélioration d’images : Améliorations locales

3 3 3 3 3 3 3 3
3 3 4 7 9 8 5 3 Symétriques
3 5 11 12 10 7 3 3

3 11 12 11 9 5 3 3 ͳ ͳ ͳ ͳ
image I ‫ܪ‬ଵ ൌ ͳ ʹ ͳ
4 13 12 10 7 4 3 3 ͳͲ
ͳ ͳ ͳ
3 9 13 11 7 3 3 3

3 3 8 10 5 3 3 3 ͳ െͳ ʹ െͳ
‫ܪ‬ଶ ൌ ʹ ͷ ʹ
3 3 3 4 3 3 3 3 ͻ
െͳ ʹ െͳ

1. Calculer les résultats de la convolution des deux filtre H1 et H2 sur les pixels de coordonnés
(1,1), (3,2), (3,6) et (5,1)

Hedi AMRI
17

Amélioration d’images : Améliorations locales

sans toucher au bord.

3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
3 3 4 7 9 8 5 3 3 3 4 7 9 8 5 3
3 5 11 12 10 7 3 3 3 6 11 12 10 7 3 3
3 11 12 11 9 5 3 3 ͳ ͳ ͳ ͳ 3 11 12 11 9 5 3 3
4 13 12 10 7 4 3 3
ൈ ‫ܪ‬ଵ ൌ
ͳͲ
ͳ ʹ ͳ ൌ
4 13 12 10 7 4 3 3
ͳ ͳ ͳ
3 9 13 11 7 3 3 3 3 9 13 11 7 3 3 3
3 3 8 10 5 3 3 3 3 3 8 10 5 3 3 3
3 3 3 4 3 3 3 3 3 3 3 4 3 3 3 3

͵ ‫ ͳ כ‬൅ ͵ ‫ ͳ כ‬൅ Ͷ ‫ ͳ כ‬൅  ͵ ‫ ͳ כ‬൅ ૞ ‫ ʹ כ‬൅ ͳͳ ‫ ͳ כ‬൅  ͵ ‫ ͳ כ‬൅ ͳͳ ‫ ͳ כ‬൅ ͳʹ ‫ͳ כ‬

ൌ͸
ͳͲ

ͻ ‫ ͳ כ‬൅ ͺ ‫ ͳ כ‬൅ ͷ ‫ ͳ כ‬൅  ͳͲ ‫ ͳ כ‬൅ ૠ ‫ ʹ כ‬൅ ͵ ‫ ͳ כ‬൅  ͻ ‫ ͳ כ‬൅ ͷ ‫ ͳ כ‬൅ ͵ ‫ͳ כ‬

 ൌ ͸ǡ͸
ͳͲ
Hedi AMRI
18
 Amélioration d’images : Améliorations locales

sans toucher au bord.

3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
3 3 4 7 9 8 5 3 3 3 4 7 9 8 5 3
3 5 11 12 10 7 3 3 3 7 11 12 10 7 3 3
3 11 12 11 9 5 3 3 ͳ െͳ ʹ െͳ 3 11 12 11 9 5 3 3
4 13 12 10 7 4 3 3
ൈ ‫ܪ‬ଶ ൌ
ͻ
ʹ ͷ ʹ ൌ
4 13 12 10 7 4 3 3
െͳ ʹ െͳ
3 9 13 11 7 3 3 3 3 9 13 11 7 3 3 3
3 3 8 10 5 3 3 3 3 3 8 10 5 3 3 3
3 3 3 4 3 3 3 3 3 3 3 4 3 3 3 3

͵ ‫ כ‬െͳ ൅ ͵ ‫ ʹ כ‬൅ Ͷ ‫ כ‬െͳ ൅  ͵ ‫ ʹ כ‬൅ ૞ ‫ כ‬ͷ ൅ ͳͳ ‫ ʹ כ‬൅  ͵ ‫ כ‬െͳ ൅ ͳͳ ‫ ʹ כ‬൅ ͳʹ ‫ כ‬െͳ

ൌ ͸ǡͷͷ
ͻ

ͻ ‫ כ‬െͳ ൅ ͺ ‫ ʹ כ‬൅ ͷ ‫ כ‬െͳ ൅  ͳͲ ‫ ʹ כ‬൅ ૠ ‫ כ‬ͷ ൅ ͵ ‫ ʹ כ‬൅  ͻ ‫ כ‬െͳ ൅ ͷ ‫ ʹ כ‬൅ ͵ ‫ כ‬െͳ

ൌ ͸ǡ͹
ͻ
Hedi AMRI
19

Amélioration d’images : Améliorations locales

Filtre Médian (Filtre non linéaire)
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
3 3 4 7 9 8 5 3 sans toucher au bord. 3 3 4 7 9 8 5 3
3 5 11 12 10 7 3 3 3 4 11 12 10 7 3 3
3 11 12 11 9 5 3 3 3 11 12 11 9 5 3 3
4 13 12 10 7 4 3 3 4 13 12 10 7 4 3 3
3 9 13 11 7 3 3 3 3 9 13 11 7 3 3 3
3 3 8 10 5 3 3 3 3 3 8 10 5 3 3 3
3 3 3 4 3 3 3 3 3 3 3 4 3 3 3 3

3 3 3 3 4 5 11 11 12
Trier les pixels
appartenant au
masque 3 3 5 5 7 8 9 9 10

Hedi AMRI Valeur médiane

20
 Amélioration d’images : Améliorations locales

Exercice 3 :
les pixels de coordonnés (2,2), (3,5), (6,6) et (7,3)

3 3 3 3 3 3 3 3
3 0 4 7 9 8 5 3

3 5 11 12 0 7 3 3

3 11 12 11 9 5 3 3

4 13 12 10 7 4 3 3

3 9 13 11 7 15 3 3

3 3 15 10 5 3 3 3

3 3 3 4 3 3 3 3

Hedi AMRI
21

Amélioration d’images : Améliorations locales

1. Appliquer un filtre moyenneur 3x3 sur les pixels de coordonnés (2,2), (3,5), (6,6) et (7,3)

3 3 3 3 3 3 3 3 ૜ ൅ ૜ ൅ ૜ ൅ ૜ ൅ ૙ ൅ ૝ ൅ ૜ ൅ ૞ ൅ ૚૚ 3 3 3 3 3 3 3 3
ൌ ૜Ǥ ૡ
3 0 4 7 9 8 5 3 ૢ 3 4 4 7 9 8 5 3

3 5 11 12 0 7 3 3 3 5 11 12 8 7 3 3
ૠ ൅ ૢ ൅ ૡ ൅ ૚૛ ൅ ૙ ൅ ૠ ൅ ૚૚ ൅ ૢ ൅ ૞
ൌ ૠǡ ૞
image I 3 11 12 11 9 5 3 3 ૢ 3 11 12 11 9 5 3 3

4 13 12 10 7 4 3 3 4 13 12 10 7 4 3 3
ૠ ൅ ૝ ൅ ૜ ൅ ૠ ൅ ૚૞ ൅ ૜ ൅ ૞ ൅ ૜ ൅ ૜
3 9 13 11 7 15 3 3 ൌ ૞ǡ ૞ 3 9 13 11 7 6 3 3
ૢ
3 3 15 10 5 3 3 3 3 3 8 10 5 3 3 3
ૢ ൅ ૚૜ ൅ ૚૚ ൅ ૜ ൅ ૚૞ ൅ ૚૙ ൅ ૜ ൅ ૜ ൅ ૝
3 3 3 4 3 3 3 3 ൌ ૠǤ ૡ 3 3 3 4 3 3 3 3
ૢ

Efficace pour éliminer les bruits liés au capteur (Bruit gaussien )

Hedi AMRI Rend l'image floue, en particulier les contours.

22
 Amélioration d’images : Améliorations locales

2. Appliquer un filtre médian 3x3 sur les pixels de coordonnés (2,2), (3,5), (6,6) et (7,3)

Valeur médiane
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
0 3 3 3 3 3 4 5 11
3 0 4 7 9 8 5 3 3 3 4 7 9 8 5 3

3 5 11 12 0 7 3 3 3 5 11 12 8 7 3 3
0 5 7 7 8 9 9 11 12
image I 3 11 12 11 9 5 3 3 3 11 12 11 9 5 3 3

4 13 12 10 7 4 3 3 4 13 12 10 7 4 3 3
3 3 3 3 4 5 7 7 15
3 9 13 11 7 15 3 3 3 9 13 11 7 4 3 3

3 3 15 10 5 3 3 3 3 3 9 10 5 3 3 3
3 3 3 4 9 10 11 13 15
3 3 3 4 3 3 3 3 3 3 3 4 3 3 3 3

Filtre Médian (Filtre non linéaire)

Hedi AMRI Efficace pour éliminer les bruits de type Sel et Poivre
23

Amélioration d’images : Améliorations locales

2. Appliquer un filtre d’ordre de taille 3x3 et de rang 1 (érosion morphologique) 3x3

La valeur minimale
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
0 3 3 3 3 3 4 5 11
3 0 4 7 9 8 5 3 3 0 4 7 9 8 5 3

3 5 11 12 0 7 3 3 3 5 11 12 0 7 3 3
0 5 7 7 8 9 9 11 12
image I 3 11 12 11 9 5 3 3 3 11 12 11 9 5 3 3

4 13 12 10 7 4 3 3 4 13 12 10 7 4 3 3
3 3 3 3 4 5 7 7 15
3 9 13 11 7 15 3 3 3 9 13 11 7 3 3 3

3 3 15 10 5 3 3 3 3 3 3 10 5 3 3 3
3 3 3 4 9 10 11 13 15
3 3 3 4 3 3 3 3 3 3 3 4 3 3 3 3

Le filtre de érosion élimine les pixels isolés sur le fond et érode le contour des objets.

Hedi AMRI Cette opération vise à dilater le noir

24
 Amélioration d’images : Améliorations locales

2. Appliquer un filtre de dilatation morphologique (filtre d’ordre de taille 3x3 et de rang maximal)

La valeur maximale
3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
0 3 3 3 3 3 4 5 11
3 0 4 7 9 8 5 3 3 11 4 7 9 8 5 3

3 5 11 12 0 7 3 3 3 5 11 12 12 7 3 3
0 5 7 7 8 9 9 11 12
image I 3 11 12 11 9 5 3 3 3 11 12 11 9 5 3 3

4 13 12 10 7 4 3 3 4 13 12 10 7 4 3 3
3 3 3 3 4 5 7 7 15
3 9 13 11 7 15 3 3 3 9 13 11 7 15 3 3

3 3 15 10 5 3 3 3 3 3 15 10 5 3 3 3
3 3 3 4 9 10 11 13 15
3 3 3 4 3 3 3 3 3 3 3 4 3 3 3 3

Le filtre de dilatation élimine les trous isolés dans les objets et dilate le contour des objets

Hedi AMRI Cette opération vise à dilater le blanc 25

Amélioration d’images : Améliorations locales

3 3 3 3 3 3 3 3
3 0 4 7 9 8 5 3

3 5 11 12 0 7 3 3

3 11 12 11 9 5 3 3
Filtre de Nagao
4 13 12 10 7 4 3 3

3 9 13 11 7 15 3 3

3 3 15 10 5 3 3 3

3 3 3 4 3 3 3 3

ͳ ͳ
ߤ௜ ൌ ෍ ݂௜௄ ߪ௜ଶ ൌ ෍ሺ݂௜௄ െ ߤ௜ ሻଶ
ܰ஽೔ ܰ஽೔
௄ ௄

Le résultat de l’opérateur est la moyenne du domaine « ࣆ࢏ »

Hedi AMRI qui présente la plus faible variance « ߪ௜ଶ ». 26
 11 9 5 3 3 ͳͷ ൅ ͵ ൅ ͵ ൅ ͵ ൅ ͵ ൅ ͵ ൅ ͵
10 7 4 3 3
ߤଵ ൌ ൌ Ͷǡ͹
͹
11 7 15 3 3
ሺͳͷ െ Ͷǡ͹ሻଶ ൅ሺ͵ െ Ͷǡ͹ሻଶ ൅ሺ͵ െ Ͷǡ͹ሻଶ ൅ሺ͵ െ Ͷǡ͹ሻଶ ൅ሺ͵ െ Ͷǡ͹ሻଶ ൅ሺ͵ െ Ͷǡ͹ሻଶ ൅ሺ͵ െ Ͷǡ͹ሻଶ
10 5 3 3 3 ߪଵଶ ൌ ൌ ͳ͹ǡ͸͵
͹
4 3 3 3 3

11 9 5 3 3 11 9 5 3 3 11 9 5 3 3 11 9 5 3 3

10 7 4 3 3 10 7 4 3 3 10 7 4 3 3 10 7 4 3 3

11 7 15 3 3 11 7 15 3 3 11 7 15 3 3 11 7 15 3 3

10 5 3 3 3 10 5 3 3 3 10 5 3 3 3 10 5 3 3 3
4 3 3 3 3 4 3 3 3 3 4 3 3 3 3 4 3 3 3 3

ߤଶ ൌ ߤଷ ൌ ߤସ ൌ ߤହ ൌ
ߪଶଶ ൌ ߪଷଶ ൌ ߪସଶ ൌ ߪହଶ ൌ

11 9 5 3 3 11 9 5 3 3 11 9 5 3 3 11 9 5 3 3

10 7 4 3 3 10 7 4 3 3 10 7 4 3 3 10 7 4 3 3

11 7 15 3 3 11 7 15 3 3 11 7 15 3 3 11 7 15 3 3

10 5 3 3 3 10 5 3 3 3 10 5 3 3 3 10 5 3 3 3
4 3 3 3 3 4 3 3 3 3 4 3 3 3 3 4 3 3 3 3

ߤ଺ ൌ ߤ଻ ൌ ߤ଼ ൌ ߤଽ ൌ
Hedi
e AMRI ߪ଺ଶ ൌ ߪ଻ଶ ൌ ߪ଼ଶ ൌ ߪଽଶ ൌ
27

Amélioration d’images : Améliorations locales

3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3
3 0 4 7 9 8 5 3 3 0 4 7 9 8 5 3

3 5 11 12 0 7 3 3 3 5 11 12 0 7 3 3
Filtre de Nagao
3 11 12 11 9 5 3 3 3 11 12 11 9 5 3 3

4 13 12 10 7 4 3 3 4 13 12 10 7 4 3 3

3 9 13 11 7 15 3 3 3 9 13 11 7 …. 3 3

3 3 15 10 5 3 3 3 3 3 15 10 5 3 3 3

3 3 3 4 3 3 3 3 3 3 3 4 3 3 3 3

Le résultat de l’opérateur est la moyenne du domaine « ࣆ࢏ »

qui présente la plus faible variance « ߪ௜ଶ ».

C’est un filtre permettant d’éliminer les valeurs

Hedi AMRI
marginales 28