02/11/2025

Université de Sousse
Institut Supérieur des Sciences Appliquées et de
Technologie de Sousse

Image et Reconnaissance de Formes

Département Informatique
MR-SPI-SE1

Dr. Ing. Lamia Rzouga

Maitre-Assistante en informatique

Image et RDF 2025 Lamia Rzouga

1
 02/11/2025

Objectifs
Ce cours propose une formation de base en analyse d'images et en reconnaissance
des formes. La première partie présente les connaissances fondamentales sur les
images discrètes (théorie de l'information), leur représentation (structures
discrètes) et leur exploitation (filtrage). La concrétisation de l'analyse des images
sera réalisée à travers des exemples de segmentation. Dans la deuxième partie, des
notions de niveau supérieur concernant les images (classification et
reconnaissance des formes) seront abordées. Des exemples pratiques permettront
aux étudiants de mieux comprendre ces concepts..

Image et RDF 2025 Lamia Rzouga

4 4

Chapitre I : Introduction aux images

numériques

Chapitre II: Modèles et outils

fondamentaux du traitement d’image

Chapitre III: Filtrage et détection de

contour

Chapitre VI: Segmentation

RDF
Image et RDF 2025 Lamia Rzouga

2
 02/11/2025

Plan d’étude 5 5

Modèles et outils fondamentaux

Introduction aux images
du traitement d’image
numériques

− Modèle linéaire
− Définitions et notations − Modèle fréquentiel
− Domaine d’applications − Modèle statistique
− Schéma général d’un système de − Modèle es différentiel
RdF − Modèle ensembliste
− Echantillonnage et quantification − Modèle discret
− Représentation d’images et espace
de couleur

Image et RDF 2025 Lamia Rzouga

Plan d’étude 6 6

Segmentation
Filtrage et détection de contour

Introduction
- Filtres de lissage : filtrage par -Introduction à la segmentation
convolution, filtrage dans le - Méthodes statistiques
domaine de Fourier - Méthodes géométriques
- Filtres dérivateurs : filtrage par
convolution, filtrage dans le
domaine de Fourier
- Filtres non linéaires
- Détection de contours : méthode
analytique et méthode multi-échelle

Image et RDF 2025 Lamia Rzouga

3
 02/11/2025

Définition de la RdF, ses applications 7 7

Introduction aux images

numériques

− Définitions et notations
− Domaine d’applications
− Echantillonnage et quantification
− Représentation d’images et espace
de couleur

Image et RDF 2025 Lamia Rzouga 7

Définitions et notations 8 8

Définition 1:

La reconnaissance de formes est la reconnaissance automatique des

motifs et des régularités dans les données . La reconnaissance de formes
est étroitement liée à l'intelligence artificielle et l' apprentissage de la
machine , ainsi que des applications telles que l' exploration de données et
la découverte de connaissances dans les bases de données (KDD), et est
souvent utilisé de manière interchangeable avec ces termes.

Définition 2:

La reconnaissance de formes est avant tout la réduction méthodique

d’information. A partir d’une donnée très riche, par exemple une image
numérisée, on veut obtenir une information pertinente qui tient en
quelques bits, par exemple l’indication que la forme contient une forme
circulaire ou rectangulaire. On considère donc souvent la reconnaissance
de formes comme un problème de classification, c’est-à-dire un problème
de synthèse d’une fonction qui affecte chaque donnée prévisible à la
catégorie pertinente.
Image et RDF 2025 Lamia Rzouga

4
 02/11/2025

Définitions et notations 9 9

Définition 3:
J.P. Haton: « La RdF s’intéresse à la conception et à la réalisation de
systèmes (matériels et logiciels) capables de percevoir, et dans une
certaine mesure, d’interpréter des signaux captés dans le monde
physique »

Image et RDF 2025 Lamia Rzouga

Définitions et notations 1010

Le problème de la RdF est lié à la combinatoire

-problème de "sur"-information

La difficulté de la RdF provient

-de la variabilité des formes
-de la distorsion (déformation, bruit) des données

Image et RDF 2025 Lamia Rzouga

5
 02/11/2025

Définitions et notations 1111

Espaces impliqués dans un système de RdF

L'information originale (par exemple une image numérique) fait partie de

l'espace d'observation (ou espace des données).
il contient beaucoup d'information redondante.
L'espace de représentation (ou espace des caractéristiques) permet de
représenter les caractéristiques.
il contient l'information jugée pertinente.
L'espace d'interprétation (ou espace des catégories) est le domaine qui permet
de représenter le résultat de la RdF
il est en général très petit (souvent un ensemble fini d'étiquettes)

Image et RDF 2025 Lamia Rzouga

Définitions et notations 1212

 Pour l’être humain, l’image représente une source d’informations riches.

 Une scène contient une quantité importante d’informations qu’il est utile
parfois de la traiter et de l’analyser dans le but de prendre des décisions.

Image et RDF 2025 Lamia Rzouga 12

6
 02/11/2025

Définitions et notations 1313

 Pour un système informatique, la compréhension de la scène est une tache

délicate.
 Plusieurs étapes doivent être considérées pour la compréhension de la scène.

Objet à détecter Traitement 1

Scène

Objet détecté Correspondance Traitement 2

Figure 1 : Un système de vision par Ordinateur

Image et RDF 2025 Lamia Rzouga 13

Définitions et notations 1414

 La vision par ordinateur est un processus de traitement d’information.

 L’entrée d’un système de vision est généralement un signal qui peut prendre
différentes formes (exemple : signal sonore, image, vidéo…)
 Le signal passe généralement par un ensemble de traitements et de
transformations afin de permettre une meilleure compréhension de son continu.
 La sortie d’un système de vision est généralement une décision ou bien une tache
à effectuer.

Signal d’entrée Décision

Un système de vision
par ordinateur

Image et RDF 2025 Lamia Rzouga 14

7
 02/11/2025

Définitions et notations 1515

Historique
 Phase 1: Acquisition et traitement des images (1950) :

L’existence d’images de mauvaises qualités et des images volumineuses a conduit les

chercheurs à s’intéresser à :

 La restauration : correction et amélioration de la qualité des images.

 La compression : diminution de la taille des images.

Image et RDF 2025 Lamia Rzouga 15

Définitions et notations 1616

Historique
Phase 2 : Interprétation du contenu des images (1970) :

La volonté de comprendre et interpréter automatiquement le contenu de l’image a conduit

à l’apparition de nouveaux types d’opérations sur les images :
 le seuillage des images en niveaux de gris.
 La segmentation de certaines régions dans l’image
 La détection et l’extraction du contour des objets dans l’image.

Seuillage

Extraction de contours

Segmentation

Image et RDF 2025 Lamia Rzouga 16

8
 02/11/2025

Définitions et notations 1717

Historique
La vision par ordinateur (1980 ) :
 De l’image 2D à l’image (2D +t) et l’image 3D
 Détection et la reconnaissance des mouvements
 La vision artificielle, la vision industrielle, les systèmes de vision autonome…

Vision par Traitement du

ordinateur signal

Traitement Intelligence
d’image artificielle

Physique
RDF Mathématique

Image et RDF 2025 Lamia Rzouga 17

Domaine d’applications 1818

 Reconnaissance de l’écriture (OCR : Optical Character Reader)

Divers systèmes de vision sur le marché :
Vérification des chèques Tri postal

Suivi de l’occupation des postes de

Numérisation des documents anciens stationnement des avions

Image et RDF 2025 Lamia Rzouga 18

9
 02/11/2025

Domaine d’applications 1919

 Imagerie biologique :

Mesure des dynamiques des molécules

Identification des cellules, bactéries, virus dans les cellules

Segmentation des cellules Comptage des cellules

Image et RDF 2025 Lamia Rzouga 19

Domaine d’applications 2020

 Imagerie Médicale:
Radiographie Échographie
Reconstruction 3D des images

Scintigraphie Tomographie Imagerie par Résonance

Magnétique

Image et RDF 2025 Lamia Rzouga 20

10
 02/11/2025

Domaine d’applications 2121

 Imagerie aérienne et satellitaire :

Météo Cartographie Astronomie

Analyse des ressources terrestres

Image et RDF 2025 Lamia Rzouga 21

Domaine d’applications 2222

 Biométrie :
Reconnaissance de visage
Reconnaissance d’empreintes digitales

Reconnaissance de l’empreinte palmaire

Reconnaissance d’iris

Image et RDF 2025 Lamia Rzouga 22

11
 02/11/2025

Domaine d’applications 23

 Robotique :
Robotique humanoïde Robotique domotique
Robotique chirurgicale

Robotique : Sonde d’exploration

Militaire

Image et RDF 2025 Lamia Rzouga 23

Domaine d’applications 24

 Vision Industrielle :

Le marché de la vision industrielle est très varié, nous citons les systèmes de transport
intelligents, le secteur agroalimentaire, le secteur médical, l’industrie des systèmes
électroniques, la supervision automatique des chaines de production…

Contrôle qualité Assemblage Inspection de pièces automobiles

Image et RDF 2025 Lamia Rzouga 24

12
 02/11/2025

Domaine d’applications 25

 Vidéosurveillance :
Smart Home Vidéo surveillance des espaces

Vidéo surveillance routière la fatigue au volant

Image et RDF 2025 Lamia Rzouga 25

Domaine d’applications 2626

 Reconnaissance d'objets routiers

Vision artificielle, perception du conducteur, simulateur de conduite, modélisation du
trafic.

Smart Home

Image et RDF 2025 Lamia Rzouga 26

13
 02/11/2025

Domaine d’applications 2727

 Eye Tracking
Ensemble de techniques permettant de mesurer le regard d’une personne en vue d’interagir
avec un système. Les applications possibles sont :
• Etude de l’impact d’une publicité, d’un rayon d’un supermarché (domaine d’aide à la
marketing )
• Aide à la communication aux personnes handicapées.
• Les nouveaux jeux vidéos impliquant différents modes d’interaction, dont le regard du
joueur

Image et RDF 2025 Lamia Rzouga 27

Schéma général d’un système de RdF 2828

1. Architecture générale d’un système de reconnaissance de formes

Les systèmes de reconnaissance de formes présentent deux principaux modes de

fonctionnement qui sont : le mode d’enregistrement et le mode d’identification.

 L’enregistrement est un mode durant lequel les formes à reconnaître sont collectées par un
capteur, puis représentées sous formes de signatures numériques pour être stockées dans
une base de références. Pour garantir une certaine robustesse du système de reconnaissance
de formes ….
 L’identification est un mode durant lequel les caractéristiques liées à une formes sont
mesurées et comparées à celles des formes stockées dans la base de références.
Enregistrement

Acquisition Base de
Prétraitement Caractérisation
des signaux références

Identification

Acquisition Comparaison
Comparaison Décision
Prétraitement Caractérisation
des signaux 1:N
Image et RDF 2025 Lamia Rzouga Rejet/Acceptation
28

14
 02/11/2025

Schéma général d’un système de RdF 2929

1. Architecture générale d’un système de reconnaissance de formes

Enregistrement

Acquisition Base de
Prétraitement Caractérisation
des signaux références

Identification

Acquisition Comparaison
Comparaison Décision
Prétraitement Caractérisation
des signaux 1:N
Rejet/Acceptation

 Appareil photo  Filtrage

 Scanner  Segmentation
 Microphone  Normalisation
 Capteur spécifique  Squelettisation
 ….
 Acquisition des signaux : elle consiste à acquérir les formes à reconnaitre afin d’extraire une signature
numérique de la forme.

 Prétraitement : l’acquisition des formes est souvent caractérisée par la présence d’un ensemble
d’informations complexes mélangées avec du bruit. Les prétraitement consistent à extraire
l’information utile et la préparer à la phase Image
suivante.
et RDF 2025 Lamia Rzouga 29

Schéma général d’un système de RdF 3030

1. Architecture générale d’un système de reconnaissance de formes

Enregistrement

Acquisition Base de
Prétraitement Caractérisation
des signaux références

Identification

Acquisition Comparaison
Comparaison Décision
Prétraitement Caractérisation
des signaux 1:N
Rejet/Acceptation

 Appareil photo  Filtrage  Approches globales

 Scanner  Segmentation  Approches locales
 Microphone  Normalisation  Approches hybrides
 Capteur spécifique  Squelettisation
 ….

 Caractérisation : elle permet de décrire les objets à travers des grandeurs appelées caractéristiques,
descripteurs, primitives, attributs ou encore invariants. Idéalement ces grandeurs doivent permettre de
reconnaitre à la fois les objets de la même classe et aussi de distinguer entre les objets ou les formes de
Image et RDF 2025 Lamia Rzouga 30
classes différentes.

15
 02/11/2025

Schéma général d’un système de RdF 3131

1. Architecture générale d’un système de reconnaissance de formes

Enregistrement

Acquisition Base de
Prétraitement Caractérisation
des signaux références

Identification

Acquisition Comparaison
Comparaison Décision
Prétraitement Caractérisation
des signaux 1:N
Rejet/Acceptation

 Appareil photo  Filtrage  Approches globales  Distance Euclidienne

 Scanner  Segmentation  Approches locales  Réseaux de neurones
 Microphone  Normalisation  Approches hybrides  Supports Vectors Machines
 Capteur spécifique  Squelettisation …
 ….
 Comparaison : appelé encore module de correspondance ou module de similarité, examine les
descripteurs extraits par le module de caractérisation aux attributs stockés dans la base de références.
Ce module permet d’évaluer le degré de correspondance entre deux vecteurs de caractéristique, à
travers un score..

 Décision : correspond à un seuillage du score fourni par le module de comparaison.

Image et RDF 2025 Lamia Rzouga 31

Schéma général d’un système de RdF 3232

2. Evaluation des performances d’un système de vérification biométrique :

Les métriques d’évaluation d’un système de reconnaissance de formes

• Taux de Fausse Acceptation (TFA) :

• Taux de Faux Rejet (TFR) :

CourbeImage
caractéristique (ROC)
et RDF 2025 Lamia Rzouga 32

16
 02/11/2025

Echantillonnage et quantification 3333

1. Acquisition des images :

L’acquisition des images se fait à l’aide d’un capteur :

Parmi les capteurs, on peut distinguer:
 Les capteurs thermiques
 Les capteurs photoélectriques (photodiodes, CCD, CMOS,…)
Le signal obtenu est caractérisé par :
 Sa dimension : 1D, 2D ou 3D
 Sa nature (analogique ou numérique)

Image et RDF 2025 Lamia Rzouga 33

Echantillonnage et quantification 3434

2. Image

Une image est une reproduction exacte d'un être ou d'une chose. C'est une forme discrète
d'un phénomène continu obtenue après discrétisation.

Le plus souvent, cette forme est bidimensionnelle. En traitement de signal, une image est
définie comme une fonction discrète (,) à deux dimensions donnant l'intensité lumineuse
[intensity, value, luminosity] en chaque points (pixels) de coordonnées spatiales (𝑥,𝑦).

Cette image sera représentée par une matrice de dimension dont les éléments représentent les
niveaux de gris, 𝑀 nombre de lignes et 𝑁 nombre des colonnes.

Pixel : Une image est constituée d'un ensemble de points appelés pixels (pixel est une abréviation
de PICture ELement). Le pixel représente ainsi le plus petit élément constitutif d'une image
numérique. L'ensemble de ces pixels est contenu dans un tableau à deux dimensions constituant
l'image.

Niveau de gris : C'est la valeur de l'intensité lumineuse en un point de l'image.

Dynamique de l'image : C'est l'étendue des teintes de gris ou des couleurs que peut prendre
chaque pixel.

Image et RDF 2025 Lamia Rzouga 34

17
 02/11/2025

Echantillonnage et quantification 3535

3. Numérisation

La transformation d’un signal analogique 2D nécessite :

Une discrétisation de l’espace: c’est l’échantillonnage.
Une discrétisation des couleurs: c’est la quantification.
 Échantillonnage spatial Consiste à représenter l'image par un nombre fini de points.
Il peut être vu comme une superposition à l'image une grille régulière formé de petits
éléments chacun d'eux va présentera un point de l'image discrète appelé pixel (PICture
ELement). L'échantillonnage spatial détermine la taille de chaque point élémentaire de
l'image (pixel). ). Cette taille est fonction de la résolution du capteur.

Numérisation
=
Échantillonnage
+
Quantification

Image et RDF 2025 Lamia Rzouga 35

Echantillonnage et quantification 3636

2. Numérisation:

La transformation d’un signal analogique 2D nécessite :

Une discrétisation de l’espace: c’est l’échantillonnage.
Une discrétisation des couleurs: c’est la quantification.

 La quantification consiste à décomposer l'éclairement du pixel en un nombre fini de

valeurs appelées niveaux de gris (niveaux de quantification). Dans la plupart du
temps l'intensité des pixels allant du blanc jusqu'au noir, prend des valeurs sur
l'intervalle [0 255].

Numérisation
=
Échantillonnage
+
Quantification

Image et RDF 2025 Lamia Rzouga 36

18
 02/11/2025

Echantillonnage et quantification 3737

3. Numérisation

a. Echantillonnage

Image en niveaux de gris

Si l’image est codée sur huit
A l’échelle mathématique, une bits, on a
I(a,b)  [0, 255]
image est une matrice dont les
coefficients sont des nombres - 0 correspond à la couleur
Image binaire noire
qui décrivent le signal. I(a,b)  {0 , 1} - 255 correspond à la
couleur blanche

Image et RDF 2025 Lamia Rzouga 37

Echantillonnage et quantification 3838

3. Numérisation

a. Echantillonnage

 La résolution spatiale est le nombre de pixels par unité de longueur :

– En points par pouce (ppp) ou en dots per inches (dpi). Un pouce = 2,54 cm

 La résolution est un nombre défini pendant la numérisation :

– Plus ce nombre est important, plus la qualité de l’image est meilleure.
Les pixels sont les plus petits éléments constitutifs d'une image numérique.
Un pixel est généralement rectangulaire ou presque carré et présente une taille
comprise entre 0,18 mm et 0,66 mm de côté.
Exemple :
– Une image de dimension 1 × 1 pouce (c-à-d : 2,54 cm × 2,54 cm) acquise à 100
ppp est de taille de 100×100 pixels.

Résolution = Résolution =
8? 4?

Image et RDF 2025 Lamia Rzouga 38

19
 02/11/2025

Echantillonnage et quantification 3939

3. Numérisation

a. Echantillonnage

Image et RDF 2025 Lamia Rzouga 39

Echantillonnage et quantification 4040

3. Numérisation

b. Quantification
La résolution de niveaux de gris est liée à la quantification, elle représente le plus petit écart
de ton (de niveau) discernable dans l’image, ce qui permet des dégradés fins.
- si un pixel est codé sur 8 bits ⇒ 28=256 couleurs ou niveau de gris
- si ……………...sur 16 bits ⇒ 216=65 536 couleurs…plus d’espace
- …………………….24 bits ⇒ 224=16 777 216 couleurs…encore ++

La quantification désigne la limitation du nombre de valeurs différentes que peut prendre

I(x,y)I(x, y)I(x,y). Ainsi, la quantification d'une image consiste, pour chaque pixel, à lui
associer une valeur discrète d’amplitude. Cette valeur de l’amplitude s’exprime en « bit »,
et l’action de transformer la valeur numérique de l’amplitude en valeur binaire s’appelle le
codage. Une quantification trop faible peut causer des problèmes de faux contours.

Image et RDF 2025 Lamia Rzouga 40

20
 02/11/2025

Echantillonnage et quantification 4141

3. Numérisation

b. Quantification

Image et RDF 2025 Lamia Rzouga 41

Représentation d’images et espace de couleur 4242

1. Les format d’images

1. Images vectorielles Vs. Images matricielles :

 Si l’image est constituée de lignes et de régions homogènes, il est plus intéressant de la représenter
autrement que sous la forme d’une matrice de pixels. Dans ce cas, elle est dite image vectorielle.

 Une image vectorielle est formée par un ou plusieurs objets de géométrie connue tels que les cercles,
les triangles, les rectangles, les polygones… chaque objet est présenté par un ensemble de
caractéristiques comme la couleur, la position, les coordonnées de certains points clés…

Exemple : La figure ci-dessous donne les caractéristiques nécessaires pour représenter un rectangle
ou un cercle dans une image vectorielle.

Image et RDF 2025 Lamia Rzouga 42

21
 02/11/2025

Représentation d’images et espace de couleur 4343

1. Les format d’images

1. Images vectorielles Vs. Images matricielles :

• Les images vectorielles sont essentiellement utilisées pour réaliser des schémas. Les
logiciels de dessin industriel et Les outils de 3D fonctionnent suivant ce principe (CAO
Illustrator, Indesign, Autocad, 3DSMax …).

Images vectorielles Images matricielles

Avantages Inconvénients Avantages Inconvénients
Peut devenir gros Peuvent occuper
Peu de place en Aucun calcul pour
pour une image beaucoup d’espace
mémoire. l’affichage.
complexe. mémoire.
Redimensionnement La complexité de
Beaucoup de calculs
sans perte l’image n’influe pas
pour l’affichage.
d’informations. sur sa taille.
Aucun effet d’escalier
si on manipule l’objet
graphique.

Image et RDF 2025 Lamia Rzouga 43

Représentation d’images et espace de couleur 4444

1. Les format d’images

2. Stockage:

Une image digitale est généralement stockée dans un fichier selon un arrangement particulier des
pixels. Cet arrangement est connu sous : « format d’image ».
Il existe différents formats d’images :
- Le format BMP (plate-forme WINDOWS),
- Le format GIF, compression par la méthode LZW, codage sur 8 bits donc limité à 256 niveaux
- Le format JPEG (transfert d’image à travers le Web), bon rapport qualité/ espace
- Le format PSD, natif au logiciel Adobe Photoshop. Codage sur 8, 16, 24 ou 32 bits
- Le format TIFF (Tagged-Image File Format) ,le plus universel) ,

Certains formats utilisent des méthodes de compression d’image pour réduire la taille mémoire
nécessaire. La méthode de compression peut être avec perte (comme c’est le cas du JPEG) ou sans
perte (comme c’est le cas du TIFF).

Image et RDF 2025 Lamia Rzouga 44

22
 02/11/2025

Représentation d’images et espace de couleur

2. Eléments de Colorimétrie :

La lumière couvre une partie du spectre d’énergie électromagnétique. Les longueurs d’ondes
du spectre visible s’étendent approximativement entre 380 et 780 nm.

Des études ont montré :

• l’œil ne sait pas distinguer les couleurs composant une couleur obtenue par addition de
deux couleurs.
• L’addition de certains couples de couleurs peut produire une impression de couleur blanche.
Les deux couleurs sont alors dites complémentaires.

Image et RDF 2025 Lamia Rzouga

Vision par Ordinateur 2024 45

Représentation d’images et espace de couleur

3. Les systèmes de représentation des couleurs :

 Toutes les couleurs peuvent être obtenues par la combinaison de trois principales
longueurs d’ondes appelés « les couleurs ou les longueurs d’ondes primaires ».
 Nous pouvons présenter une couleur donnée dans un espace à trois dimensions. Les
principaux systèmes de représentation des couleurs sont :

 Le système Red Green Blue (RGB)  Le système XYZ

 Le système Cyan Magenta Yellow (CMY)  Le système Hue Lumuinance Saturation

(HLS)

Image et RDF 2025 Lamia Rzouga

Vision par Ordinateur 2024 46

23
 02/11/2025

Représentation d’images et espace de couleur

3. Les systèmes de représentation des couleurs :

- Système RGB (Red Green Blue)

- L‘espace chromatique RGB est le système colorimétrique standard utilisé dans la plupart
des systèmes vidéo pour coder une couleur.

- Dans le système RGB, une couleur est définie

par trois coordonnées (r,g,b).
- L’origine correspond à la couleur noire.
- Le blanc est obtenu lorsque r=g=b=valeur
maximale.
- Sur la droite reliant l’origine au sommet du
cube, on trouve tous les points de l’espace
vérifiant r=g=b et donc les couleurs grises.

Image et RDF 2025 Lamia Rzouga

Vision par Ordinateur 2024 47

Représentation d’images et espace de couleur

3. Les systèmes de représentation des couleurs :

- Système RGB (Red Green Blue)

Red Green Blue Couleur

0 0 0 . noir
... ... ... ... ...
0 0 255 . bleu
... ... ... ... ...
0 255 0 . vert
... ... ... ... ...
255 0 0 . rouge
... ... ... ... .
128 128 128 . Un niveau de gris
255 255 255 blanc

Image et RDF 2025 Lamia Rzouga

Vision par Ordinateur 2024 48

24
 02/11/2025

Représentation d’images et espace de couleur

3. Les systèmes de représentation des couleurs :

- Système CMY (Cyan Magenta Yellow)

Le système de représentation des couleurs Cyan-Magenta-Yellow (CMY) est le complément

du système RGB. En effet, dans le système RGB, à l’origine on trouve la couleur noire et au
sommet opposé on trouve la couleur blanche, alors que dans le système CMY, c’est la couleur
blanche qui constitue l’origine et au sommet opposé on trouve la couleur noire.

Image et RDF 2025 Lamia Rzouga

Vision par Ordinateur 2024 49

Représentation d’images et espace de couleur

3. Les systèmes de représentation des couleurs

- Système HLS (Hue : Teinte, Ligtness : Luminance, Saturation : Saturation)

Le système HLS est caractérisé par :

- La teinte est associée à la longueur d’onde dominante

- La saturation est liée au degré de blanc dans la couleur

- La luminance est l’intensité de lumière que la couleur réfléchit

Composante teinte Composante saturation Composante luminance

Image et RDF 2025 Lamia Rzouga
Vision par Ordinateur 2024 50

25
 02/11/2025

Représentation d’images et espace de couleur

3. Les systèmes de représentation des couleurs

- Système HLS (Hue : Teinte, Ligtness : Luminance, Saturation : Saturation)

Pour passer de la représentation initiale (RVB) au système HLS :

Avec : k1, k2 et k3 sont des coefficients de normalisation

Les valeurs des coefficients (a,b,c) =(0.612, 0.369, 0.019)

Luminance=A
Saturation=(C 12+C22)1/2
Teinte =arcos(C1/S)

Image et RDF 2025 Lamia Rzouga

Vision par Ordinateur 2024 51

Représentation d’images et espace de couleur

3. Les systèmes de représentation des couleurs

- Système XYZ

Les composantes du système XYZ sont liées à celles de RGB par la relation :

 X   2,7690 1,7518 1,13   R 

Y    1 
4,5907 0,0601 G 
    
 Z   0 0,0565 5,5943   B 

En normalisant les composantes XYZ par rapport à X+Y+Z, on obtient le système xyz
défini par :

 X
x  X  Y  Z
 Y
y 
 X  Y Z
z  Z
 X Y  Z
Image et RDF 2025 Lamia Rzouga
Vision par Ordinateur 2024 52

26
 02/11/2025

Chapitre II 5353

Modèles et outils fondamentaux

du traitement d’image

− Modèle linéaire
− Modèle fréquentiel
− Modèle statistique
− Modèle es différentiel
− Modèle ensembliste
− Modèle discret

Image et RDF 2025 Lamia Rzouga

Modèles et outils fondamentaux du traitement d’image

Nous proposons une introduction aux outils d'analyse des images

numériques les plus utilisés. Cette présentation est structurée autour des
principaux modèles mathématiques employés pour le traitement des
images, notamment :

•Modèle linéaire

•Modèle statistique

•Modèle fréquentiel

•Modèle différentiel

•Modèle ensembliste

•Modèle discret

Image et RDF 2025 Lamia Rzouga 54

27
 02/11/2025

Modèles linéaire
La convolution

Dans le modèle linéaire, la structure mathématique sous-jacente est l'espace

vectoriel. Les opérateurs fondamentaux sont ceux qui préservent cette
structure, c'est-à-dire les applications linéaires. Pour les images, ces opérateurs
correspondent aux convolutions.

La convolution

La convolution est l'opérateur de base du traitement linéaire des images. Un

produit de convolution est le traitement d’une matrice par une autre, appelée
matrice de convolution ou « noyau » (kernel). Dans notre cas, nous
considérons deux matrices très différentes : la matrice image initiale, qui est
généralement grande (par exemple, 512 x 512), et une matrice plus petite (3x3
ou 5x5), appelée noyau, car elle constitue le « cœur » des changements qui
affecteront l’image.
Image et RDF 2025 Lamia Rzouga 55

Modèles linéaire
La convolution

 Pour lisser une image, on utilise un filtre H (aussi appelé noyau de convolution ou fenêtre de
convolution ) dont la longueur et les coefficients déterminent la puissance du lissage.

Image originale Image filtrée

 L’image lissée est alors obtenue par une convolution 2D entre l’image en niveau de gris I et
le noyau (filtre) :
I lissée  I  H
 Le produit de convolution numérique d’une image par un noyau est une somme de
multiplications

Image et RDF 2025 Lamia Rzouga

Vision par Ordinateur 2024 56

28
 02/11/2025

Modèles linéaire
La convolution

 Le produit de convolution est obtenu en parcourant les différents pixels de l’image tout en
remplaçant à chaque fois la valeur du pixel en cours par une combinaison des pixels relatifs à
son voisinage. La nouvelle valeur du pixel est donnée par la formule ci-dessous :

 Formule : L’image I’ résultat de la convolution de I par H est donnée par :

Image et RDF 2025 Lamia Rzouga

Vision par Ordinateur 2024 57

Modèles linéaire
La convolution

 =

I H I’

Image et RDF 2025 Lamia Rzouga

Vision par Ordinateur 2024 58

29
 02/11/2025

Modèles linéaire
La convolution

Nouvelle Nouvelle valeur

image 21 de pixel

Noyau H 1 1 1
1/9 1 1 1
1 1 1

Image
51 21 14
Originale I 9 9 19
19 22 27

Nouvelle valeur de pixel =

Image et RDF 2025 Lamia Rzouga
Vision par Ordinateur 2024 59

Modèles linéaire
La convolution

Effets de bords :
Quelle stratégie pour les pixels se trouvant aux bords d’une image.

 Solutions envisagées :
- Ne pas traités les pixels se trouvant aux frontières de l’image.
- Considérer les pixels extérieurs égales à zéro et on aura ainsi une convolution partielle

Image et RDF 2025 Lamia Rzouga

Vision par Ordinateur 2024 60

30
 02/11/2025

Modèles linéaire
La convolution

 Le filtre de convolution est généralement :

 Carré.
 De taille impair 3x3 ou 7x7 …
 Ce filtre linéaire permet la modification de la valeur des niveaux de gris dans une image.
 Pour conserver la même entropie et éviter de changer la luminosité dans l’image,
généralement le résultat de convolution est divisé par la somme des coefficients du filtre.

Image et RDF 2025 Lamia Rzouga

Vision par Ordinateur 2024 61

Modèles linéaire
La convolution

 Le bruit dans une image est généralement défini comme étant une valeur de niveaux de
gris aberrante par rapport à son voisinage.
 Le bruit dans une image est lié à différentes sources telles que l’environnement
d’acquisition, une erreur de conversion analogique numérique…
 Les filtres de lissage sont généralement utilisés pour éliminer ou réduire l’effet du bruit.
 D’une façon générale, le bruit est un signal aléatoire qui s’ajoute par addition (bruit
Gaussien) ou par multiplications à l’image.
 Applications :
I = imread('[Link]'); figure, imshow(I)
K= imnoise(I,’salt & pepper‘ ,0.02); figure, imshow(K)
J = imnoise(I,'gaussian',0.02); figure, imshow(J)

(I) (K) (J)

Image et RDF 2025 Lamia Rzouga

Vision par Ordinateur 2024 62

31
 02/11/2025

Modèles statistique

On s'intéresse dans ce modèle aux propriétés statistiques des images :

•La distribution des valeurs prises par les pixels, la corrélation existante entre les
pixels spatialement proches, et la fréquence d’occurrence de certaines structures
spatiales.
•Les mesures statistiques fournissent des grandeurs et des fonctions empiriques sur
lesquelles peuvent s’appuyer les modèles probabilistes utilisés par les algorithmes
d’analyse d’images.
•Exemple : l'histogramme.
L'histogramme d'une image numérique est une courbe statistique représentant la
répartition de ses pixels selon leur intensité. Pour une image en noir et blanc, il
indique en abscisse le niveau de gris (entier entre 0 et 255) et, en ordonnée, le nombre
de pixels ayant cette valeur.

Image et RDF 2025 Lamia Rzouga 63

Modèles statistique
L’histogramme

 L’histogramme donne une information sur la répartition des niveaux de gris dans cette image.

 H (k) présente le nombre de pixels de valeur k dans l’image.

H(k)

Nombre de
pixels

Niveau de gris

Image et RDF 2025 Lamia Rzouga

Vision par Ordinateur 2024 64

32
 02/11/2025

Modèles statistique
L’histogramme

 Nous calculons le nombre d’apparition de chaque niveaux de gris dans l’image comme le
montre le graphe des deux exemples ci-dessous.

cameraman

1000

800

600

400

200

0 50 100 150 200 250

Variation du nombre de pixels pour

Image définie sur 8 bits chaque valeur de niveaux gris

Image et RDF 2025 Lamia Rzouga

Vision par Ordinateur 2024 65

Modèles statistique
L’histogramme

L’image I en niveaux Matrice des valeurs de niveaux de gris

de gris relative à l’image I.

2 2 2 2 2 2 2 2  Cette image contient trois

2 0 0 0 0 0 0 2 nuances : 0, 1 et 2.
2 0 1 1 1 1 0 2
2 0 1 0 0 1 0 2  On doit déterminer les
2 0 1 1 1 1 0 2 répétitions de chaque niveau
2 0 1 0 0 1 0 2 de gris.
2 0 0 0 0 0 0 2
2 2 2 2 2 2 2 2

Histogramme de I.

 La valeur 0 est donnée par 24 pixels.

 La valeur 1 est donnée par 12 pixels.
 La valeur 2 est donnée par 28 pixels.

D’où l’histogramme suivant :

Image et RDF 2025 Lamia Rzouga

Vision par Ordinateur 2024 66

33
 02/11/2025

Modèles statistique
L’histogramme

Histogramme cumulé d’une image :

Exemple :
L’image I en niveaux Matrice des valeurs de niveaux de gris
de gris relative à l’image I.
 Cette image contient trois
2 2 2 2 2 2 2 2 nuances : 0, 1 et 2.
2 0 0 0 0 0 0 2
2 0 1 1 1 1 0 2  Cet histogramme cumule
2 0 1 0 0 1 0 2 dans un ordre croissant les
différents niveaux de gris
2 0 1 1 1 1 0 2
dans l’image.
2 0 1 0 0 1 0 2
2 0 0 0 0 0 0 2
2 2 2 2 2 2 2 2

 l’histogramme cumulé est calculé ainsi :

 La valeur 0 est donnée par 24 pixels.

 La valeur 1 est donnée par 24+12= 36 pixels.
 La valeur 2 est donnée par 36+28= 64 pixels.

D’où l’histogramme suivant :

Image et RDF 2025 Lamia Rzouga

Vision par Ordinateur 2024 67

Modèles statistique
L’histogramme

Histogramme d’une image couleur :

image colorée correspondant à des histogrammes différents pour chaque

composante

Image et RDF 2025 Lamia Rzouga

Vision par Ordinateur 2024 68

34
 02/11/2025

Modèles statistique
L’histogramme

 Luminance de l’image = moyenne µ des niveaux de gris.

 Ecart-type σ = amplitude moyenne de la variation des niveaux de part et d’autre de la
moyenne.

Image et RDF 2025 Lamia Rzouga

Vision par Ordinateur 2024 69

Modèles statistique
L’histogramme

 Dynamique de l’image : nombre de niveaux [imin, imax] réellement présents

 Contraste de l’image: Il est d’autant plus élevé que l’histogramme est «étalé» horizontalement.
Il peut être estimé par l'écart-type σ .

Remarque : L’histogramme donne une information sur

les fréquences d'apparition des niveaux de gris des Exemple :
pixels de l’image, mais ne donne aucune indication sur
la répartition de ces niveaux de gris au sein de l’image.
Image et RDF 2025 Lamia Rzouga
Vision par Ordinateur 2024 70

35
 02/11/2025

Modèles statistique
L’histogramme

Dans de nombreux domaines, imagerie satellitaire, astronomie, imagerie médicale, archivage,

il est courant de manipuler des images de mauvaises qualités.
L’histogramme est utilisé pour améliorer le contraste d’une image :

Image originale Image restaurée

Image originale Image restaurée

Histogramme de l’image originale Histogramme de l’image restaurée

Image et RDF 2025 Lamia Rzouga

Vision par Ordinateur 2024 71

Modèles statistique
L’histogramme

 Transformation linéaire simple : Expansion de la dynamique

 Soit [imin, imax] la dynamique de l’image initiale.
 la fonction de transformation est :

Avec :

Effet : rehaussement du contraste

par expansion de la dynamique

Image et RDF 2025 Lamia Rzouga

Vision par Ordinateur 2024 72

36
 02/11/2025

Modèles statistique
L’histogramme

 Égalisation de l’histogramme

 L’égalisation de l’histogramme est une opération très courante en traitement d’images

permettant l’amélioration de la qualité de l’image.
 Cette amélioration est obtenue en effectuant une meilleure répartition des niveaux de gris
afin d’obtenir une distribution uniforme de ces niveaux de gris.

Exemple 1:
Exemple 2:

Image et RDF 2025 Lamia Rzouga

Vision par Ordinateur 2024 73

Modèles statistique
L’histogramme

 Égalisation de l’histogramme

 L'égalisation d'histogramme est une méthode 74

d'ajustement
du contraste d'une image numérique qui utilise l'histogramme.
 Elle consiste à appliquer une transformation sur chaque pixel de l'image, et donc
d'obtenir une nouvelle image à partir d'une opération indépendante sur chacun
des pixels.
 Cette transformation est construite à partir de l'histogramme cumulé de l'image de
départ.
 L'égalisation d'histogramme permet de mieux répartir les intensités sur l'ensemble
de la plage de valeurs possibles, en « étalant » l'histogramme. L'égalisation est
intéressante pour les images dont la totalité, ou seulement une partie, est de faible
contraste (l'ensemble des pixels sont d'intensité proches).
 La méthode est rapide, facile d'implémentation, et complètement automatique

Image et RDF 2025 Lamia Rzouga

Vision par Ordinateur 2024

37
 02/11/2025

Modèles statistique
L’histogramme

 Égalisation de l’histogramme

75

Avant Après

Image et RDF 2025 Lamia Rzouga

Vision par Ordinateur 2024

Modèles statistique
L’histogramme

 Égalisation de l’histogramme

76
G(x)=[(T(x)/N)*L]-1

G(x)=(L/N). T(x)-1

Où :
G(x): la nouvelle valeur de pixel après égalisation
L: nombre de niveaux de gris
N: nombre de pixels
T(x): la somme cumulée de chaque niveau de gris

Image et RDF 2025 Lamia Rzouga

Vision par Ordinateur 2024

38
 02/11/2025

Modèles fréquentiel

Le modèle fréquentiel décrit l'image en termes de structures

périodiques, en la décomposant en une base de fonctions
périodiques simples, telles que des sinusoïdes.

Image et RDF 2025 Lamia Rzouga 77

Modèles fréquentiel

Principe : Toute fonction, même non périodique, dont l'aire sous la

courbe est finie, peut être représentée par l'intégrale de fonctions sinus
et cosinus, chacune multipliée par un coefficient différent.

Applications :
•Convertir du domaine spatial vers le domaine fréquentiel.
•Effectuer des manipulations dans le domaine fréquentiel.
•Réaliser la transformation inverse pour passer du domaine fréquentiel
au domaine spatial.

Image et RDF 2025 Lamia Rzouga 78

39
 02/11/2025

Modèles fréquentiel 79

Transformation spectrale
Transformation de Fourier
Si on considère un signal continu x(t, u), alors sa transformée de Fourier X(f , g) est
donnée par :

Interprétation :

Projection de x(t, u) sur un ensemble de fonctions 2d de base {exp (2iπ(ft + gu))}, (f , g) ∈ IR2
= images de base

• X(f , g) =< x(t, u); e i2π(ft+gu) > : produit scalaire entre x(t, u) et la fonction 2d e i2π(ft+gu)

Image et RDF 2025 Lamia Rzouga 79

Modèles fréquentiel 80

Transformation spectrale
Transformation de Fourier
Définitions:

Image et RDF 2025 Lamia Rzouga 80

40
 02/11/2025

Modèles fréquentiel 81

Transformation spectrale
Transformation de Fourier
Reconstruction:

Image et RDF 2025 Lamia Rzouga 81

Modèles fréquentiel 82

Transformation spectrale
Transformation de Fourier
Propriétés:

Linéarité
Translation
contraction
convolution
Produit

Image et RDF 2025 Lamia Rzouga 82

41
 02/11/2025

Modèles fréquentiel 83

Transformation spectrale
Transformation de Fourier

Image et RDF 2025 Lamia Rzouga 83

Modèles fréquentiel 84

Transformation spectrale
Transformation de Fourier

Image et RDF 2025 Lamia Rzouga 84

42
 02/11/2025

Modèles fréquentiel 85

Transformation spectrale
Transformation de Fourier
Propriétés:

Image et RDF 2025 Lamia Rzouga 85

Modèles fréquentiel 86

Transformation spectrale
Transformation de Fourier
Propriétés:

La réponse fréquentielle de X(f , g) comporte une information structurelle sur la

direction des fréquences spatiales

Image et RDF 2025 Lamia Rzouga 86

43
 02/11/2025

Modèles fréquentiel 87

Transformation spectrale
Transformation de Fourier

Les lignes directrices fortement représentées dans les images sont mises en valeur
dans les spectres

Image et RDF 2025 Lamia Rzouga 87

Modèles fréquentiel 88

Transformation spectrale
Transformation de Fourier

Objectifs: isoler le signal du bruit

Hypothèse: le bruit et le signal utile vont être portés par les composantes fréquentielles
différentes:
Signal-BF
Bruit-HF

Méthodes de débruitage :
Mise à zéros des composantes fréquentielles qui correspondent aux hautes fréquences

Objectifs: réduire l’espace occupé par une image

Hypothèse: l’énergie d’une image concentré sur peu de coefficient de la BF, les HF ont
une énergie négligeable.

Idée:
Ne conserver que les BF
Image et RDF 2025 Lamia Rzouga 88

44
 02/11/2025

Modèles différentiel

Dans le cadre du modèle différentiel, l'image est considérée comme une fonction
continue f(x,y)f(x,y)f(x,y).

Son comportement local est analysé à travers ses dérivées.

Cette analyse, qui repose sur la formule de Taylor, n'est pertinente que si la
fonction fff possède un certain niveau de régularité, ce qui constitue le défi
principal des méthodes différentielles.

Image et RDF 2025 Lamia Rzouga 89

Modèles ensembliste

Les opérateurs morphologiques sont des filtres non-linéaires qui peuvent être opérés sur des
images en niveaux de gris ou des images binaires.
Les opérateurs morphologiques agissent sur la morphologie des formes dans une image.
Les opérateurs morphologiques sont utilisés pour éliminer le bruit, remplissage des trous…
Les opérations morphologiques sont caractérisées par un élément structurant et des
transformations de types :
- La dilatation, l’érosion
- L’ouverture (érosion & dilatation), la fermeture (dilatation & érosion)

Ouverture
Dilatation

Originale Erosion Originale Fermeture

Image et RDF 2025 Lamia Rzouga

Vision par Ordinateur 2024 90

45
 02/11/2025

Modèles ensembliste

 L’élément structurant « parcourt » les bords intérieurs et extérieurs des objets et modifie sur
son passage :
- Les pixels du premier-plan en pixels de l’arrière-plan (érosion)
- Les pixels de l’arrière-plan en pixels du premier-plan (dilatation)

Arrière-plan
 Premier-plan

Image et RDF 2025 Lamia Rzouga

Vision par Ordinateur 2024 91

Modèles ensembliste

Applications 1 : Segmentation des microcalcifications mammographique en utilisant

une procédure semi-automatique basée sur les opérateurs morphologiques.
Image et RDF 2025 Lamia Rzouga
Vision par Ordinateur 2024 92

46
 02/11/2025

Modèles ensembliste

Applications 2 : La rétinopathie diabétique : détection et classification

des exsudats durs qui provoque l’aveuglement .

Image et RDF 2025 Lamia Rzouga

Vision par Ordinateur 2024 93

Modèles ensembliste

Applications 3 : Prétraitement morphologique d’une

empreinte digitale pour la biométrie

Applications 4 : Prétraitement morphologique pour l’extraction

automatique de caractéristiques urbaines les bâtiments
Image et RDF 2025 Lamia Rzouga
Vision par Ordinateur 2024 94

47
 02/11/2025

Modèles discret

La géométrie discrète est une discipline aussi ancienne que le traitement d'images. Le
modèle discret intègre l'espace échantillonné comme cadre mathématique et vise à
établir un cadre formel pour les structures géométriques discrètes, en définissant leurs
caractéristiques, propriétés et théorèmes.

Image et RDF 2025 Lamia Rzouga

Vision par Ordinateur 2024 95

Modèles discret

Un pavage du plan est une partition du plan en cellules élémentaires (pixels). Il

existe trois pavages réguliers :
Triangulaire
Rectangulaire
Hexagonal
…et beaucoup d’irréguliers

Image et RDF 2025 Lamia Rzouga 96

48
 02/11/2025

Modèles discret

À chaque pavage du plan, il est possible d'associer un graphe dans lequel les sommets
(ou nœuds) représentent les cellules élémentaires. Les arêtes du graphe indiquent la
relation d'adjacence entre ces cellules, c'est-à-dire que deux cellules sont considérées
adjacentes si elles partagent un côté commun.
Ce type de graphe constitue un maillage du plan. Les pavages et les maillages réguliers
sont en effet des structures duales.

Image et RDF 2025 Lamia Rzouga 97

9898

Filtrage et détection de contour

Introduction
- Filtres de lissage : filtrage par
convolution, filtrage dans le
domaine de Fourier
- Filtres dérivateurs : filtrage par
convolution, filtrage dans le
domaine de Fourier
- Filtres non linéaires
- Détection de contours : méthode
analytique et méthode multi-échelle

Image et RDF 2025 Lamia Rzouga 98

49
 02/11/2025

Introduction 9999

Un des plus vieux problèmes en traitement d’images, et toujours une étape de prétraitement
nécessaire pour beaucoup d’applications.

Dans son processus d’acquisition, une image peut subir des dégradations (mais également
pendant sa transmission ou son enregistrement)

Ces dégradations peuvent être dues

- aux capteurs, à la transmission
• le flou causé par le système optique
• le bruit quantique, bruit de mesure, défauts de transmission
• la quantification, la compression

- aux conditions de prise de vues

• flou de bougé
• perturbation atmosphérique
• supprimer ou diminuer les effets d’une telle détérioration : restauration

Le prétraitement d’images regroupe l’ensemble des processus visant à:

• Améliorer les caractéristiques d’une image.
•Simplifier le contenu de l’image

Image et RDF 2025 Lamia Rzouga 99

Introduction 10
0
10
0

Débruitage

Déconvolution

Image et RDF 2025 Lamia Rzouga

50
 02/11/2025

Introduction 10
1

Bruit sel et poivre

Définition:
• Obtenu en insérant n pixels blancs et n pixels noirs aléatoirement dans une image.
• Caractérisé par le pourcentage de pixels remplacés (rapport 2n/N).

−→ dû à des défauts de transmission, de capteur

Image et RDF 2025 Lamia Rzouga 101

Introduction 10
2

Bruit blanc gaussien

Bruit additif Gaussien iid: Obtenu en ajoutant à chaque pixel une valeur aléatoire
distribuée identiquement et indépendamment suivant une loi gaussienne :

Image et RDF 2025 Lamia Rzouga 102

51
 02/11/2025

Filtrage numérique 103

Définition d’un filtre

Un filtre est une transformation mathématique (produit de convolution avec l’image)

permettant, pour chaque pixel de la zone a laquelle il s'applique, de modifier sa valeur en
fonction des valeurs des pixels avoisinants, affectées de coefficients.

Le filtre est représente par un tableau (matrice), caractérise par ses dimensions et ses
coefficients, dont le centre correspond au pixel concerne. Les coefficients du tableau
déterminent les propriétés du filtre.
Voici un exemple de filtre 3 x 3 :

Image et RDF 2025 Lamia Rzouga

Filtrage numérique 104

Filtrage

Domaine Domaine
spectral spatial

Non
Fourier Ondelettes Linéaire
linéaire

Image et RDF 2025 Lamia Rzouga

52
 02/11/2025

Filtrage numérique 105

Restauration par filtrage spatial

La restauration par filtrage spatial peuvent être classes en deux grandes catégories : les
filtres linéaires et les filtres non linéaires.
1. Les Filtres linéaires
• Ils sont simples à étudier et implémenter.
• Ils sont caractérises par leur masque h (kernel, noyeau)
• La relation entrée sortie étant donnée par la formule :

Les principaux filtres linéaires sont le filtre de la moyenne et le filtre gaussien.

Image et RDF 2025 Lamia Rzouga

Filtrage numérique 106

A. Le Filtre de la moyenne ou filtre moyenneur

L’intensité du pixel central est remplacée par la moyenne des intensités des pixels
environnants. La taille de la fenêtre dépend de l'intensité du bruit et de la taille des
détails significatifs de l'image traitée.
Sa réponse impulsionnelle est :

Les effets du filtre de la moyenne varient avec la taille du noyau : plus les
dimensions du noyau seront importantes, plus le bruit sera éliminé ; mais en
contrepartie, les détails fins et les contours seront eux aussi effacés.
Image et RDF 2025 Lamia Rzouga

53
 02/11/2025

Filtrage numérique 107

Nouvelle Nouvelle valeur

A. Le Filtre de la moyenne image de pixel
ou filtre moyenneur 21

Noyau H 1 1 1
(1/9) 11 1
1 1 1

Image 5121 14
Originale I 9 9 19
19 22 27

= et RDF 2025
Nouvelle valeur de pixelImage Lamia Rzouga

Filtrage numérique 108

Il existe différentes configurations de noyau :

Image et RDF 2025 Lamia Rzouga

54
 02/11/2025

Filtrage numérique 109

Image Image
originale bruitée

Moyenneur 3x3 Moyenneur 5x5 Moyenneur 7x7

Image et RDF 2025 Lamia Rzouga

Filtrage numérique 110

Une représentation fréquentielle tridimensionnelle du filtre donne un bon aperçu sur

l’effet du filtre.

L’image d’origine est un carré blanc placé sur un fond noir. Sa représentation
fréquentielle montre les basses fréquences au milieu avec la plus grande amplitude
au point (0,0). Les hautes fréquences expriment la présence de contour. Plus
l’amplitude est grande en hautes fréquences, plus les contours sont nets.
Image et RDF 2025 Lamia Rzouga

55
 02/11/2025

Filtrage numérique 111

Image et RDF 2025 Lamia Rzouga

Filtrage numérique 112

B. Le Filtre gaussien
Le filtre gaussien a une réponse impulsionnelle de la forme :

Le noyau du filtre est calculé à partir d’une gaussienne

Image et RDF 2025 Lamia Rzouga

56
 02/11/2025

Filtrage numérique 113

Pour le filtre gaussien, l’amplitude dans les hautes fréquences se trouve atténué ce qui explique
que ce type de filtre adouci les contours de l’image et de ses détails et introduit un peu de flou
dans sa qualité visuelle.
Image et RDF 2025 Lamia Rzouga

Filtrage numérique 114

2. Les Filtres Non linéaires

Filtre d’ordre

Ordonner les pixels qui sont contenus dans un voisinage donné selon leur niveau
de gris grâce à des modules de tri :

• Les valeurs de gris (gi) seront triés par ordre croissant

• On affiche au pixel courant une valeur G (fonction non linéaire de gi)

Image et RDF 2025 Lamia Rzouga

57
 02/11/2025

Filtrage numérique 115

Image et RDF 2025 Lamia Rzouga

Filtrage numérique 116

2. Les Filtres Non linéaires

Filtre d’ordre

Le filtrage médian est une opération non-linéaire : médiane { xm + ym } ≠ médiane { xm

} + médiane { ym } sauf exception
Exemple sur des séquences de signaux de longueur 3:

En traitement d’image, les tailles des fenêtres utilisées pour le filtrage médian sont
généralement impaires : 3 × 3 ; 5 × 5 ; 7 × 7.
Plus le noyau est grand, plus le filtrage peut être efficace.
Mais, il déforme l’image sans pour autant adoucir son contraste.
Image et RDF 2025 Lamia Rzouga

58
 02/11/2025

Filtrage numérique 117

2. Les Filtres Non linéaires

Filtre d’ordre

Image de référence ( taille 3 × 3 )

Filtrage médian avec une fenêtre de taille 3 × 3 :

on liste les valeurs de l’image de référence sur la fenêtre 3 ×3

355 , 68 , 77 , 90 , 91 , 95 , 115 , 151 , 210

valeur médiane = 91

Le filtre médian est efficace lorsque l’image est dégradée par une source de bruit
du type impulsionnel, donc lorsque l’on a des variations brusques de pixels
isolées

Image et RDF 2025 Lamia Rzouga

Filtrage numérique 118

2. Les Filtres Non linéaires

Comparaison : filtre médian et filtre moyenneur

Image « Pièces » de référence, bruitée ( bruit de type impulsionnel ) puis filtrée avec
un filtre moyenneur (3 ×3) et un filtre médian (3 ×3).

Le filtrage médian est plus adapté que le filtrage linéaire pour réduire le bruit
impulsionnel
Image et RDF 2025 Lamia Rzouga

59
 02/11/2025

Filtrage numérique 119

2. Les Filtres Non linéaires

Filtre d'ordre: Filtre maximum

- On retient pour l'image filtrée la valeur maximale.

- Le filtre maximum tend à homogénéiser et éclaire régions de l'image.

Filtre d'ordre: Filtre minimum :

- On retient pour l'image filtrée la valeur minimale.

- Le filtre minimum tend à homogénéiser et assombrir les régions de l'image.

Image et RDF 2025 Lamia Rzouga

Filtrage numérique 120

2. Les Filtres Non linéaires

Filtre d'ordre: Filtre MIN/MAX

- La valeur du pixel de l'image bruitée, sera rempli par la valeur la plus proche
(Min ou Max) de la moyenne, de son voisinage ( 3x3 par exemple),

Considérons max et min les valeurs maximale et minimale d'un voisinage 3x3 (de
moyenne m) du pixel de l’image bruitée A(i,j). Sa nouvelle valeur B(i,j) est

Bij=min si m-min < max-m et B(i,j)=Max si m-min>max-m

Image et RDF 2025 Lamia Rzouga

60
 02/11/2025

Filtrage numérique 110

Traitement Effets de bords :

Effets de bords :
Quelle stratégie pour les pixels se trouvant aux bords d’une image.

Solutions envisagées :
- Ne pas traiter les pixels se trouvant aux frontières de l’image.
- Considérer les pixels extérieurs égales à zéro et on aura ainsi une convolution
partielle
Image et RDF 2025 Lamia Rzouga

Filtrage : Extraction de contour 112

122
Filtrage spectrale

Image et RDF 2025 Lamia Rzouga

61
 02/11/2025

Filtrage : Extraction de contour 113

1. Introduction

123
La détection de contour est une étape préliminaire à de nombreuses applications de
l'analyse d'images.

Les contours constituent en effet des indices riches, au même titre que les points
d'intérêts, pour toute interprétation ultérieure de l'image.

Les contours dans une image proviennent des :

• discontinuités de la fonction de réflectance (texture, ombre),
• discontinuités de profondeur (bords de l'objet),

Image et RDF 2025 Lamia Rzouga

Filtrage : Extraction de contour 114

Définition :

124
• Un contour est généralement la limite qui sépare les objets qui constituent l’avant-
plan (foreground) et l’arrière-plan (background).

• Un contour est caractérisé par un changement brusque d’intensité lumineuse.

• Un filtre passe-haut est utilisé pour la détection du contour

Image et RDF 2025 Lamia Rzouga

62
 02/11/2025

Filtrage : Extraction de contour 115

2. Mise en évidence des zones de contours :

 Une zone de contour est caractérisée par un passage d’un niveau de gris à un autre niveau
différent.

Image et RDF 2025 Lamia Rzouga 125

Filtrage : Extraction de contour 115

2. Mise en évidence des zones de contours :

Il existe plusieurs méthodes de localisation et d’isolation du contour, Le rôle de

l’ingénieur de vision est de trouver les opérateurs les mieux adaptés aux exigences de
l’image à traiter.

- Les détecteurs de contour sont très variés.

- Généralement, les images issues d’un détecteur de contour présentent des objets avec des
zones de contour incomplètes. Image et RDF 2025 Lamia Rzouga 126

63
 02/11/2025

Filtrage : Extraction de contour 117

2. Mise en évidence des zones de contours :

La détection des contours d'une image réduit de manière significative la quantité de

données et élimine les informations qu'on peut juger moins pertinentes, tout en
préservant les propriétés structurelles importantes de l'image.

Il existe un grand nombre de méthodes mais la plupart d'entre elles peuvent être
regroupées en deux catégories.

• La première recherche les extremums de la dérivée première, en général les

maximums locaux de l'intensité du gradient.

• La seconde recherche les annulations de la dérivée seconde, en général les

annulations du laplacien ou d'une expression différentielle non-linéaire.

Image et RDF 2025 Lamia Rzouga 127

Filtrage : Extraction de contour 118

2. Mise en évidence des zones de contours :

 Une zone de contour est caractérisée par un passage d’un niveau de gris à un autre
niveau différent.

 Un maximum local
au niveau de la dérivée
première.

 Un passage par 0 au
niveau de la seconde
dérivée.

Image et RDF 2025 Lamia Rzouga 128

64
 02/11/2025

Filtrage : Extraction de contour 129

2. Mise en évidence des zones de contours :

i). Approximations du gradient :

f
( x0 , y0 )  f ( x0  1, y0 )  f ( x0 , y0 )  1  1
x Masques associés

ou  f ( x0 , y0 )  f ( x0  1, y0 )  1  1
à la dérivée
première selon x
f ( x0  1, y0 )  f ( x0  1, y0 ) 1
ou   1 0  1
2 2
De même pour le masque associé à la dérivée seconde selon y

Image f
f Contours horizontaux
f
Contours verticaux
x y

Image et RDF 2025 Lamia Rzouga

Filtrage : Extraction de contour 130

2. Mise en évidence des zones de contours :

ii). Approximations du Laplacien (2emeDérivée) :

2 f 
(x0 , y 0 )   f (x0  1, y 0 )  f (x0 , y 0 )
x 2 x
  f (x0  1, y 0 )  f (x0 , y 0 )  f (x0 , y 0 )  f (x0  1, y 0 )
 f (x0  1, y 0 )  2 f (x0 , y 0 )  f (x0  1, y 0 )  1  2  1
De même : le masque associé à la dérivée seconde selon y Masques associés à la
:   1 2emedérivée selon x
2 f   2
(x0 , y 0 )  f (x0 , y 0  1)  2 f (x0 , y 0 )  f (x0 , y 0  1)  
y 2 Masques associés à la
  1 2eme dérivée selon y
D’où l’approximation discrète du Laplacien :

2 f 2 f
f   Masques associés à la
x 2 y 2 2emedérivée selon x et y

 0 1 0 
f (x 0 , y 0 )  f (x0  1, y 0 )  f (x0  1, y 0 )  f (x0 , y 0  1)  1  4  1
 
 f (x0 , y 0  1)  4 f (x0 , y 0 )  0  1 0 

Image et RDF 2025 Lamia Rzouga

65
 02/11/2025

Filtrage : Extraction de contour 131

- Filtres de Sobel

- Les filtres de Prewitt

- Les filtres de Kirsch

Image et RDF 2025 Lamia Rzouga

Filtrage : Extraction de contour 132

4. Autres approximations du Laplacien:

Il existe d’autres approximations discrètes du détecteur Laplacien telles que :

0 1 0  1 1 1 1 4 1
1  4 1  ou
1  8 1 ou 4  20 4 ou …
     
0 1 0 1 1 1 1 4 1 

 Remarques :

• Les détecteurs de contour sont très variés.

• Généralement, les images issues d’un détecteur de contour
présentent des objets avec des zones de contour incomplètes.

Image et RDF 2025 Lamia Rzouga

66
 02/11/2025

Filtrage : Extraction de contour 133

4. Autres approximations du Laplacien:

• Le filtre Laplacien de Gaussienne ou Le filtre de Marr ou chapeau mexicain

• Le filtre Laplacien de Gaussienne est une combinaison d’un filtre passe-bas suivit
d’un filtre passe-haut :
- Le filtre passe-bas est une Gaussienne qui lisse l’image pour diminuer le bruit.

- Le filtre passe-haut est un Laplacien qui détecte les contours.

• Le filtre Laplacien de Gaussienne est un remède contre la sensibilité au bruit :

x2 y2
1  x 2  y 2   2 2
LoG * I   2 * G * I   2G * I LoG(x, y )   1  e
 4  2 2 

 Remarque :

Le paramètre  permet de varier l’échelle de variation

des contours.
►  faible : Détection des contours fins
► grand : Détection de contour des objets principaux.
Image et RDF 2025 Lamia Rzouga
1 < 2 < 3

Segmentation

-Introduction à la segmentation
- Méthodes statistiques
- Méthodes géométriques

Image et RDF 2025 Lamia Rzouga 134

67
 02/11/2025

Introduction 135

• La segmentation est une étape importante dans un système de reconnaissance de formes.

• La segmentation permet d’extraire d’une image, une information structurelle.
• L’objectif est de découper l’image en plusieurs régions, dans lesquelles les pixels vérifient
un certain critère d'homogénéité.

Segmentation Segmentation

Segmentation : foie Segmentation : cortex cérébral

Image et RDF 2025 Lamia Rzouga

Introduction 136

La segmentation d'images est une étape cruciale dans de nombreuses applications de

traitement d’images. Le choix de la méthode dépend des caractéristiques spécifiques de
l’image à traiter et des objectifs du processus de segmentation.

• Les approches statistiques

Les méthodes statistiques sont souvent plus simples et efficaces pour des images avec
une distinction claire entre les objets et le fond.
Exemples : segmentation par seuillage, Modèles de Mélange de Gaussiennes (GMM)
• Les approches géométriques
Les méthodes géométriques sont plus adaptées aux objets complexes et irréguliers, te
que Détection de Contours, Split and merge,…

Image et RDF 2025 Lamia Rzouga

68
 02/11/2025

Segmentation 137

1. Segmentation par seuillage:

Cette approche s’appuie uniquement sur l’information donnée par l’histogramme de

l’image.
La segmentation par seuillage est une technique simple et très courante pour la
segmentation d’objets dans les images numériques.

Exemple :

Seuillage
Image binaire
Image originale

Le seuillage peut être :

- Global : un seuil est appliqué sur toute l’image.
- Local adaptatif : un seuilImage
pour chaque partie de l’image.
et RDF 2025 Lamia Rzouga

Segmentation 138

1. Segmentation par seuillage:

Seuillage Global :
Pour une image I, le seuillage est dit simple :
Si I(n,m) >= seuil alors I(n,m) = 1
Si I(n,m) < seuil alors I(n,m) = 0
Le seuillage global simple donne une image binaire.

Cette méthode est efficace dans le cas particulier de la segmentation en deux classes.

Image et RDF 2025 Lamia Rzouga

69
 02/11/2025

Segmentation 139

1. Segmentation par seuillage:

Le seuillage multiple consiste à découper l’image en un ensemble de régions

correspondant à un intervalle de niveau de gris

2 si f ( x , y )  T2

g ( x , y )   1 si T2  f ( x , y )  T1
0 si f ( x , y )  T

Exemple : Les seuils peuvent être définis comme le niveau de gris du minimum de
l’histogramme sur chaque intervalle

Image et RDF 2025 Lamia Rzouga

Segmentation 140

1. Segmentation par seuillage:

Seuillage local :

La limitation du seuillage global est donnée dans l’image ci-dessous :

La Solution est le seuillage local

Image Image
originale segmentée
Principe : La solution consiste à découper l’image en plusieurs portion et attribuer
un seuil à chaque portion

Découper encore !!!

Image et RDF 2025 Lamia Rzouga

70
 02/11/2025

Segmentation 141

2. Segmentation par accroissement de région :

Principe :
• Les approches par accroissement de région partent de petits éléments de l’image, ou
des pixels, et les regroupent suivant un critère d’homogénéité.
• L’image est parcourue de gauche à droite et de haut en bas ou inversement.

• Chaque pixel de l’image est inclus dans les régions de pixels voisines si le critère est
vérifié, ou bien dans une nouvelle région sinon.
• Le test d’homogénéité peut être la variation d’intensité, variance faible…

Où I' est un pixel voisin de I, et s un seuil arbitraire à déterminer.

• Supprimer certaines régions, considérées comme trop petites, contenant un nombre

de pixels inférieur à un certain seuil.
Image et RDF 2025 Lamia Rzouga

Segmentation 142

2. Segmentation par accroissement de région :

Remarques :
• PM signifie que l’image de départ est au
préalable filtrée.
• Les régions de moins de sup pixels ont
été supprimées.
• Le seuil s influence beaucoup sur le
résultat final.
• Les résultats obtenus avec cette méthode
dépendent des conditions initiales (pixels
d’amorçage)

Image et RDF 2025 Lamia Rzouga

71
 02/11/2025

Segmentation 143

3. Segmentation par « Split and Merge » :

• Cet algorithme est inspiré de l’algorithme d’accroissement de région.

Principe : cet algorithme opère sur deux étapes :
1) split (Diviser):
• On divise l’image en plusieurs régions et on fait un test d’homogénéité
• Si on considère la région homogène on s’arrête, sinon on divise cette région en 4 régions.
• On continue ainsi sur chaque sous région et on s’arrête lorsque toutes ces régions sont
homogènes.
2) Merge (fusion) :
• La procédure de découpage (Split) aboutit à un nombre de régions trop élevé.
• L’étape de fusion (Merge) est chargée de regrouper les régions voisines (régions adjacentes) si
elles vérifient le critère d’homogénéité.

Exemple: Critère
d’homogénéité : les
pixels d’une région ont la
même intensité.
Image et RDF 2025 Lamia Rzouga
Image initiale Split Merge

Segmentation 144

3. Segmentation par « Split and Merge » :

Application : ► Critère d’homogénéité : un seuil sur la variance des

régions.
- Si variance ≥ seuil alors la région R est découpée.

Image initiale

- Si variance ≤ seuil alors les régions adjacentes sont fusionnées.

Split Merge Merge avec sup =

Image et RDF 2025 Lamia Rzouga
100

72