COMPTE RENDU :

Traitement d’image sous MATLAB

Réalise par :

Asmahane Harimech

Salma khoumri

Chaima taouil
 TP II : SEUILLAGE ET FILTRAGE D’IMAGES BRUITEES ET
DETECTION DES CONTOURS

BUT DU TP
L’objectif de ce TP est d’appliquer des techniques de seuillage et de filtrage dans le
domaine du traitement d’images numériques afin d’améliorer la qualité visuelle des
images. Ces opérations permettent la segmentation des objets, la réduction du bruit ainsi
que l’amélioration du contraste, facilitant ainsi l’analyse et l’interprétation des
informations contenues dans l’image.

I. Seuillage
Le seuillage est une technique de segmentation d’image qui consiste à comparer
l’intensité de chaque pixel à une valeur seuil prédéfinie. Les pixels dont l’intensité est
inférieure au seuil sont généralement affectés à une valeur noire, tandis que ceux dont
l’intensité est supérieure au seuil deviennent blancs ou conservent leurs niveaux de gris.
Le choix du seuil, souvent déterminé à partir de l’histogramme de l’image, permet de
distinguer les objets du fond ou de séparer différentes régions d’une image.

Code MATLAB

function seuillage_tp :

2
Resultats :

Seuil =5 :

Lorsque la valeur du seuil est faible (ex : 0.1), la modification de l’image reste
limitée et la majorité des détails est conservée.
En augmentant le seuil (0.2), les zones sombres deviennent plus claires, ce qui réduit
certaines informations de faible intensité et améliore la séparation entre les régions

3
 claires et sombres.
Pour un seuil plus élevé (0.3,0.5), une grande partie des pixels sombres est remplacée
par la valeur seuil, ce qui entraîne une perte de détails mais met davantage en évidence
les objets les plus lumineux de l’image.
Ainsi, le choix du seuil influence directement la qualité de la segmentation et doit être
déterminé en fonction de l’histogramme et de l’application souhaitée.

II. Filtrage
Les techniques d’amélioration du contraste ou de la qualité d’une image peuvent être réalisées
à l’aide de transformations ponctuelles, dans lesquelles chaque pixel est modifié
indépendamment de ses voisins. Cependant, dans la plupart des images numériques, il existe
une redondance spatiale : les pixels voisins présentent généralement des caractéristiques
similaires.

Le bruit, quant à lui, se manifeste par des variations brusques de l’intensité d’un pixel par
rapport aux pixels environnants. Afin de réduire ces perturbations et d’améliorer la qualité de
l’image, on utilise des techniques de filtrage.

On distingue principalement deux types de filtrage :

• le filtrage linéaire, où la nouvelle valeur d’un pixel est obtenue par une combinaison
linéaire des valeurs des pixels voisins ;

• le filtrage non linéaire, dans lequel la contribution des pixels voisins suit une relation
non linéaire.

Ces méthodes permettent de réduire le bruit tout en préservant au mieux les informations
utiles de l’image.

Introduction des différents bruits sur une image :

4
5
Resultats :

6
 Le bruit gaussien est un bruit additif qui s’ajoute directement aux intensités des pixels
de l’image. Il provoque une variation aléatoire uniforme sur toute l’image, donnant un aspect
granuleux homogène. Lorsque la variance augmente, la dégradation de l’image devient plus
importante et les détails sont davantage masqués.

En revanche, le bruit speckle est un bruit multiplicatif. Il dépend de l’intensité du pixel et

multiplie les valeurs de l’image par un facteur aléatoire. Ainsi, les zones claires sont plus
fortement affectées que les zones sombres, ce qui produit une texture plus irrégulière.

En résumé :

• Bruit gaussien → bruit additif, indépendant de l’intensité.

• Bruit speckle → bruit multiplicatif, dépendant du contenu de l’image.

Filtrage :

7
8
9
 Resultas :

Deux filtres gaussiens ont été utilisés :

• H1 : taille [7 × 7]avec 𝜎 = 1.4

• H2 : taille [10 × 10]avec 𝜎 = 2.2

Le filtrage gaussien agit comme un filtre passe-bas, réduisant les hautes fréquences
responsables des détails fins et du bruit.

On observe que :

• le filtre H1 réalise un lissage modéré tout en conservant relativement les contours ;

• le filtre H2, ayant une taille et un sigma plus grands, produit un lissage plus important,
ce qui entraîne une image plus floue et une perte partielle des détails.

Ainsi, plus la valeur de 𝜎et la taille du masque augmentent, plus l’effet de flou est important.

10
Les fonctions de transfert obtenues à l’aide de la transformée de Fourier montrent que :

• l’amplitude est maximale autour des basses fréquences (centre du spectre) ;

• les hautes fréquences sont fortement atténuées.

Le filtre H2 présente une bande passante plus étroite que H1, confirmant qu’il élimine
davantage les hautes fréquences, donc davantage de bruit mais aussi plus de détails.

Deux types de bruit ont été ajoutés :

• bruit gaussien (additif),

• bruit speckle (multiplicatif).

a) Cas du bruit gaussien

11
Après filtrage :

• le bruit est significativement réduit ;

• le filtre H2 supprime mieux le bruit que H1 ;

• cependant, H2 provoque un flou plus important.

Le filtrage gaussien est donc efficace contre le bruit gaussien car leurs modèles statistiques
sont compatibles.

b) Cas du bruit speckle

On remarque que :

• le bruit est atténué mais reste partiellement visible ;

• le filtre gaussien est moins performant car le bruit speckle est multiplicatif ;

• le lissage excessif (H2) dégrade davantage les contours.

Conclusion

Le filtrage gaussien permet de réduire efficacement le bruit, en particulier le bruit

gaussien, grâce à son effet passe-bas. Toutefois, une augmentation excessive de la taille du
filtre ou du paramètre 𝜎entraîne une perte de détails et un flou plus marqué. Le choix du filtre
doit donc représenter un compromis entre réduction du bruit et conservation des contours.

III. Détection de contours :

Methode1 :

12
13
14
Resultats :

15
Comparaison avec d’autres opérateurs de contours

a) Opérateur de Sobel

Le filtre de Sobel produit :

• des contours plus lisses et plus continus ;

• une meilleure résistance au bruit grâce à un effet de lissage intégré.

Les contours sont généralement plus épais mais plus stables que ceux obtenus avec Prewitt.

b) Opérateur de Roberts

L’opérateur de Roberts :

• utilise un masque plus petit (2×2) ;

• détecte des variations très locales.

Il donne :

• des contours plus fins ;

• mais une plus grande sensibilité au bruit et des résultats moins réguliers.

Conclusion

Les opérateurs de gradient permettent d’identifier les contours en mesurant les variations
d’intensité dans l’image.

• Prewitt offre un bon compromis entre simplicité et efficacité.

• Sobel fournit des contours plus robustes face au bruit.

• Roberts détecte des détails fins mais reste sensible aux perturbations.

Le choix de l’opérateur dépend donc du compromis recherché entre précision des contours et
résistance au bruit.

16
Methode2 :

17
18
Résultats :

19
Détection des contours avec un seuil fixe

La fonction edge a été utilisée pour détecter les contours de l’image [Link] à l’aide des
opérateurs Prewitt, Sobel et Roberts, avec un seuil fixé à 0.06.

Observations :

• Prewitt :

o détecte correctement les contours principaux ;

20
 o contours relativement fins mais parfois discontinus ;

o sensibilité moyenne au bruit.

• Sobel :

o contours plus continus et plus réguliers ;

o meilleure suppression du bruit grâce à un effet de lissage intégré ;

o résultats globalement plus stables.

• Roberts :

o contours très fins ;

o forte sensibilité au bruit ;

Influence de la variation du seuil

Le seuil a été progressivement diminué de 0.08 à 0.03.

Analyse :

• Seuil élevé (0.08 – 0.07) :

o seuls les contours forts sont détectés ;

o perte de nombreux détails.

• Seuil moyen (≈ 0.06 – 0.05) :

o bon compromis entre détection et bruit ;

o contours principaux bien visibles.

• Seuil faible (0.04 – 0.03) :

o apparition de nombreux contours parasites ;

o amplification du bruit.

Détection avec seuil automatique (méthode d’Otsu)

Lorsque la fonction edge est utilisée sans préciser de seuil, MATLAB calcule
automatiquement une valeur optimale basée sur la méthode d’Otsu.

Résultats observés :

• adaptation automatique au contenu de l’image

• meilleure séparation entre contours et fond

21
 • réduction du besoin d’ajustement manuel.

IV. Détection des Contours au moyen d’opérateurs locaux approximant le

Laplacien:

22
23
Résultats :

Calcul du Laplacien

L’opérateur Laplacien est un opérateur différentiel du second ordre permettant de

détecter les variations rapides d’intensité dans une image. Le noyau obtenu avec
fspecial('laplacian') met en évidence les zones où l’intensité change brutalement,
correspondant généralement aux contours.

Après convolution, l’image du Laplacien présente :

• des zones positives et négatives autour des contours ;

• une amplification des hautes fréquences ;

• une forte sensibilité au bruit.

Détection des contours par passage par zéro

Les contours sont localisés aux points où le Laplacien change de signe (passage par zéro).

Les résultats montrent que :

• les contours principaux du circuit sont bien détectés ;

• certains contours apparaissent fragmentés ;

• la méthode reste sensible aux petites variations locales.

Le seuil choisi (4 % du maximum) permet d’éliminer les variations faibles dues au bruit.

Le Laplacien détecte efficacement les transitions d’intensité mais sans mécanisme de lissage
préalable.

24
Opérateur LoG (Laplacian of Gaussian)

Le LoG combine :

1. un filtrage gaussien (réduction du bruit),

2. suivi d’un Laplacien (détection des contours).

Cela améliore la stabilité de la détection.

a) Influence du seuil

Pour différents seuils :

• Seuil faible (0.001) :

o détection très sensible ;

o apparition de nombreux faux contours.

• Seuil moyen (0.003) :

o bon compromis ;

o contours bien définis avec peu de bruit.

• Seuil élevé (0.005) :

o seuls les contours forts sont conservés ;

o perte de détails fins.

Le seuil contrôle la sensibilité de la détection comme dans les opérateurs de gradient.

25
Seuil automatique

La fonction edge(I,'LoG') calcule automatiquement un seuil optimal :

• adaptation automatique au contenu de l’image ;

• contours équilibrés ;

• suppression partielle des contours parasites.

Le seuil automatique offre généralement un résultat plus robuste sans réglage manuel.

26
Influence du paramètre σ (sigma)

Le paramètre sigma contrôle le niveau de lissage gaussien avant la détection :

• σ faible (1 – 1.5) :

o contours très détaillés ;

o sensibilité élevée au bruit.

• σ moyen (≈2) :

o bon équilibre entre détails et réduction du bruit.

• σ élevé (3 – 3.5) :

o contours plus lisses ;

o disparition des détails fins.

Plus σ augmente, plus l’image est lissée avant la détection.

Conclusion

L’opérateur Laplacien permet de détecter les contours via les passages par zéro mais
reste sensible au bruit. L’opérateur LoG améliore cette approche en intégrant un filtrage
gaussien préalable, ce qui produit des contours plus stables et mieux définis. Le choix du seuil
et du paramètre σ influence fortement la qualité de la détection et doit être adapté selon le
niveau de bruit et les détails recherchés.

27