Applications du Traitement des Images

 Robotique
 Contrôle industriel
 Télédetection
 Multimédia
 Médecine
 Biométrie
 Vidéo-surveillance

Applications en TdI
Robotique (1)

 Applications :
‰ Conduite automatique
‰ Suivi et préhension d’objets en robotique mobile

 Caractéristiques
‰ Environnement non structuré / hostile et évolutif
‰ Temps réel primordial

 Exemples
‰ Praxitèle
(INRIA)
‰ AIBO (SONY)

Applications en TdI
Robotique (2)

 Exemples
‰ Mars Exploration Rovers
 TdI
‰ Reconstruction3D
‰ Fusion de données
‰ Reconnaissance des formes

Applications en TdI
Contrôle industriel

 Applications
‰ Contrôle qualité produit
‰ Surveillance de matériel, détection de défauts

 Caractéristiques
‰ Environnement maîtrisé
‰ Algorithmes dédiés

 Exemples
‰ Inspectiondes équipements nucléaires (EDF)
‰ Contrôle qualité de médicaments, sieges,…

Applications en TdI
Télédétection (1)

 Applications
‰ Cartographie (réseaux routiers, milieu urbain, etc.)
‰ Reconstruction 3D
‰ Surveillance (détection de changements, mouvements,
poursuites)
 Caractéristiques
‰ Très grande diversité des capteurs d’observation de la
terre (longueurs d’onde, résolutions, répétitivité
temporelle,…)
‰ Nécessaire automatisation des traitements (bases de
données gigantesques)

Applications en TdI
Télédétection (2)

 Exemples
‰ Applications militaires (préparation de mission)
(DGA, ONERA, …)
‰ Applicationsciviles (aménagement du territoire,
problématiques agricoles, observation de la terre et
protection de l’environnement,…)
(CNES, SPOT Image, …)
 TdI
‰ Reconstruction 3D
‰ Cartographie (classification)

Applications en TdI
Mutimédia
 Applications
‰ Compression / codage / rendu visuel
‰ Indexation
‰ Traitement des œuvres d’art
 Caractéristiques
‰ Trèsgrandes bases de données
‰ Flux vidéo

 Exemples
‰ Reconnaissance d’action pour l’indexation vidéo (recherche par le
contenu)
‰ Reconnaissance et re-synthèse de gestes pour le codage et la
transmission du langage signé

Applications en TdI
Biomédical
 Applications
‰ Aide au diagnostic
‰ Planification préopératoire
‰ Chirurgie assistée par ordinateur
‰ Aide à la recherche médicale

 Caractéristiques
‰ Interactionforte avec les utilisateurs finals
‰ Temps réel pour certaines applications

 Exemples

 TdI
‰ Reconnaissance des formes
‰ Reconstruction 3D

Applications en TdI
Biométrie
 Applications
‰ Contrôle d’accès, vérification d’indentité (petite base)
‰ Recherche dans une base de données
‰ Identification (avec déclaration d’identité : nom, carte, …)

 Caractéristiques
‰ Militaire/ grand public
‰ Parties on-line / off-line

 Exemples
‰ Reconnaissance d’empreintes digitales
‰ Reconnaissance de l’iris
 TdI
‰ Reconnaissance des formes
‰ Compression

Applications en TdI
Vidéo-surveillance

 Applications
‰ Surveillance lieux publics ou privés
 Caractéristiques
‰ Tempsréel
‰ Caméras de médiocre qualité

 Exemples

 TdI
‰ Reconnaissance et suivi de visages
‰ Fusion de plusieurs sources

Applications en TdI
 Introduction aux images couleur

Couleur : perception, formalismes, traitements

●
 Aspects physiques et perceptuels
●
 Acquisition et Restitution
●
 Les espaces couleur : RGB, XYZ, HSV, Yuv
●
 Traitements d'images couleur

Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 2
 La couleur : Introduction
Les  couleurs  trouvent  leur  origine  dans  la  séparation  de  la  lumière  blanche  naturelle  en 
composantes  absorbées  et  composantes  réfléchies.  Toute  source  lumineuse  visible  est  composée 
d'un mélange d'ondes électromagnétiques cohérentes (i.e. couleurs pures), dont la longueur d'onde 
est comprise entre 0,4 µm (violet) et 0,7 µm (rouge) :

Un mélange quelconque de ces couleurs pures engendre une autre couleur, qu'on peut qualifier en 
termes de nuances selon différents critères plus ou moins intuitifs :

« teinte » « foncé / clair » « pure / délavé »

La question principale que nous allons considérer dans la suite est :
« Comment représenter ces couleurs dans un espace qui soit à la fois facile à manipuler et qui 
soit pertinent en termes d'analyse d'images couleur ? »

Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 3
 La trichromie
Le principe de la trichromie réside dans la découverte qu'il suffit d'un triplet de couleurs pures 
pour  restituer  –  par  mélange  de  ces  3  composantes  qu'on  peut  qualifier  de  primaires  – 
l'intégralité des couleurs. 

Le  cercle  de  ycm

Newton  peut  ainsi 
se  « résumer »  en 
un  triangle  de 
rgb
primaires. 

En remplissant le triangle de primaires selon la loi des 
aires ci­dessous, on obtient le triangle de Maxwell : 

g
r
b
Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 4
 Restitution de la couleur
La  trichromie  permet  donc  de  voir  l'ensemble  des  couleurs  comme  un  espace  vectoriel  de 
dimension 3, où 3 sources lumineuses primaires (r,g,b) varient en intensité entre 0 et 100%.

Ce  principe  de  synthèse  additive  de  la  couleur  se  retrouve  dans  la  plupart  des  dispositifs 
lumineux de restitution de la couleur : CRT, LCD, Plasma.

Dans  les  écrans  à  cristaux  liquides  (LCD),  3  matrices  de 

Dans  les  écrans  cathodiques  (CRT),  3  canons  à  cristaux liquides sont contrôlées par un couple de polariseurs 
électrons  balayent  une  grille  de  photophores  qui  change  l'orientation,  des  cristaux,  en  modifiant  la 
rouges, verts et bleus, avec une intensité variable. transparence  de  chaque  pixel,  ces  matrices  sont  rétro­
éclairées à travers des filtres rouge, vert et bleu.
Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 5
 Synthèse additive et synthèse soustractive
Ne  pas  faire  de  confusion  entre  la  synthèse  additive  réalisée  par  des  sources  lumineuses 
chromatiques et la synthèse soustractive opérée par le mélange de pigments colorés.

Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 6
 Acquisition de la couleur
Les systèmes d'acquisition de la couleur fonctionnent aussi habituellement par une combinaison 
locale de capteurs sélectifs sensibles à une certaine partie du spectre lumineux. 

Les  caméras  CCD  les  plus  coûteuses  intègrent  3  matrices 

photosensibles éclairées par des prismes semi­réflecteurs. Les caméras 
CCD  et  CMOS  grand  public  intègrent  une  seule  matrice  avec  des 
damiers de filtres rouge, vert, bleu.

Tri­CCD
Matrice de Bayer

Dans  les  matrices  de  Bayer,  noter  que  la  résolution  spatiale  est  différente  de  la 
résolution  couleur,  ce  qui  implique  une  interpolation  de  la  valeur  de  chaque 
composante pour éviter les phénomènes d'aliasing de couleur.
Dans  la  partie  centrale  de  la  rétine  humaine 
(fovea)  se  trouvent  les  cellules  photoréceptrices 
appellées  cônes,  qui  se  distinguent  en  trois  types 
selon leur spectre de sensibilité.
Noter que globalement, notre œil ne présente pas la 
même  sensibilité  aux  différentes  longueur  d'ondes 
(max dans le vert/jaune).
Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 7
 L'espace RGB
L'espace RGB est l'espace vectoriel engendré par les 3 composantes primaires (Rouge, Vert, Bleu).
L'ensemble des couleurs produites se représente comme l'intérieur d'un cube :

taux 
de vert

origine
taux de rouge

taux de 
bleu

Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 8
 L'espace RGB

Triangle chromatique Axe achromatique

Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 9
 Limites de la trichromie
En  réalité,  les  trois  composantes  RGB  ne  permettent  pas  de  reconstituer  vraiment  toutes  les 
couleurs perceptibles par l'oeil humain :

r'
b b
t g t g
r r
Expérience  de  « color  matching »  :  une  source  lumineuse  On  observe  que  certaines  couleurs  cibles  ne  peuvent  être 
cohérente t est comparée à un mélange des 3 couleurs. On  reproduites par le triplet (r,g,b), et qu'on n'obtient l'identité 
dose  les  taux  (r,g,b)  jusqu'à  ce  que  les  2  zones  soient  des  couleurs  qu'en  ajoutant  à  la  source  cible  t  un  certain 
perçues parfaitement identiques. taux d'une des composantes primaires. Ce taux r' intervient 
donc négativement dans l'expression de t. 
Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 10
 Limites de la trichromie

Résultats  de  l'expérience  de  color  Le triangle de Maxwell 

matching sur un grand nombre de sujets. et le diagramme CIE.

Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 11
 L'espace XYZ

L'espace XYZ (CIE 1931) est défini à partir d'une 
transformation linéaire sur l'espace RGB telle que 
toutes  les  couleurs  du  spectre  visible  soient  diagramme CIE 
contenues dans le triangle xyz. (spectre visible)

Les coordonnées XYZ des couleurs naturelles ont 
triangle xyz
ainsi toujours des valeurs positives.

  
X 2,769 1,7518 1,1300 R
Y = 1,0000 4,5907 0,0601 ⋅ G
Z 0,0000 0,0565 5,5943 B

transformation  des  coordonnées 

RGB  en  coordonnées  XYZ  (sans 
normalisation)
triangle de 
Maxwell

Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 12
 L'espace XYZ

Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 13
 Classification des couleurs
●
  En  terme  de  distance  perceptuelle, 
l'espace  XYZ  n'est  pas  uniforme  :  on 
perçoit plus de nuances en x et z qu'en y.

●
  D'autre  part,  certaines  dimensions 
descriptives  de  couleur  :  clair/foncé, 
pure/délavé  ne  sont  pas  accessibles 
directement.

ellipses de Mc Adam

Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 14
 L'espace HSV
Le  principe  de  l'espace  HSV  est  de  caractériser  les  couleurs  de  façon  plus 
intuitive, conformément à la perception naturelle des couleurs, en termes de :

1 ­ teinte : intuitivement, c'est le nom qu'on utilisera pour désigner la couleur, 
"vert", "mauve", "orange", etc. Idéalement associé à une longueur d'onde, donc 
à une position sur le cercle de Newton.
2  ­  saturation  :  c'est  le  taux  de  pureté  de  la  couleur,  qui  doit  varier  entre  la 
pureté maximale (couleur éclatante) et l'achromatisme (niveau de gris).
3  ­  valeur  :  c'est  la  mesure  de  l'intensité  lumineuse  de  la  couleur,  qui  doit 
varier entre le noir absolu et le blanc.

Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 15
 L'espace HSV
Un  point  x  de  coordonnées  (r,g,b)  du 
cube RGB peut être décomposé en deux 
x composantes  (c,a).  Soit  y  la  projection 
c orthogonale de x sur l'axe achromatique.
●
  Une  composante  chromatique  c  :  c'est 
a
le vecteur yx.
●
 Une composante achromatique a : c'est 
le vecteur Oy.

Cette décomposition permet d'associer les composantes 
HSV à des grandeurs géométriques :

●
  la  valeur  :  c'est  le  module  de  la  composante 
achromatique ∥a∥
●
  la  saturation  :  c'est  le  module  de  la  composante 
chromatique ∥c∥
●
  la  teinte  :  c'est  l'argument  (par  référence  à  une 
direction  arbitraire  du  triangle  chromatique),  de  la 
Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 16
 L'espace HSV

s Le  passage  de  RGB  à  HSV  se 

v fait  par  une  transformation  non 
linéaire.  Plusieurs  opérateurs 
h ont  été  proposés  pour  la 
conversion. Voici un exemple : 

s
r gb h
v=
3

3 min r , g , b v
s =1−
r gb

h=
{  si bg
2 − si bg ∣
=arccos

r −gr −b
2   r−g 2r −b g−b 
Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 17
 L'espace HSV
Voici un autre exemple, sans l'Arc Cosinus :

(1)
s (2) (0)

v
(3) (5)
(4)
h
L'hexagone chromatique et les 
valeurs de  associées.

r gb
v=
3

∣
3
s=
{
2
3
2
 M −v si vmed

v−msi vmed
M =max r , g , b
m=min r , g , b
med =mediane r , g , b 

0 si r gb ; 1 si gr b
 1

h=  −−1
3 2
 M m−2 med

2v  {
; = 2 si gbr ; 3 si bgr
4 si br g ; 5 si rbg }
Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 18
 Image couleur Composante valeur
Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 19
 Image couleur Composante saturation
Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 20
 Image couleur Composante teinte
Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6
( On voit l'effet de la quantification de couleurs réalisée lors de la compression) page 21
 Un autre exemple, sans compression Jpeg...

Image couleur Composante valeur

Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 22
 Image couleur Composante saturation

Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 23
 Image couleur Composante teinte

La teinte n'est pas significative pour les régions 
peu saturées, très claires, ou très sombres.
Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 24
 L'espace Yuv
Le  principe  de  l'espace  Yuv  est  de  représenter  les  couleurs  en 
utilisant  une  composante  de  luminance  Y,  et  2  composantes  de 
chrominance (u,v) correspondant aux composantes bleue et rouge 
dans les coordonnées chromatiques réduites :

Cb + Cr + Cg = Cte
 Cg = Cte – Cb – Cr
g La  composante  de  luminance  est  une 
r
moyenne  pondérée  par  la  sensibilité 
b
humaine relative des primaires.
0Y N max

Y = 0,2989 r + 0,5866 g + 0,1145 b
u = 0,5647(b – Y) = ­0,1687 r ­ 0,3312 g + 0,5000 b 
v = 0,7132(r – Y) = 0,5000 r ­ 0,4183 g ­ 0,0817 b
Les  composantes  de  chrominance  correspondent  à  la  différence 
normalisée entre la composante primaire et la luminance. 
−N max N max −N max N max
u v
2 2 2 2
Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 25
 L'espace Yuv
Les  composantes  de  chrominance  u  et  v 
u
représentent  respectivement  le  contraste 
Bleu/Jaune et le contraste Rouge/Cyan.
v

Image couleur Luminance Y Chrominance bleue u Chrominance rouge v

Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 26
 Traitements d'images couleur

PLAN DE CETTE PARTIE :

●
 Opérations linéaires
●
 Filtres non linéaires
●
 Opérateur de contraste
●
 Détection des ombres

Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 27
 Filtres linéaires couleurs
Un  opérateur  linéaire  couleur  est  défini  dans  une  base  vectorielle  par  une  matrice  3x3 
d'opérateurs  linéaires  scalaires.  Les  opérateurs  linéaires  couleurs  invariants  par  rotation  sont 
donc décrits par une matrice de convolutions : 
Cas général Traitement marginal Traitement identique

     
f 11 f 12 f 13 f1 0 0 f 0 0
F= f 21 f 22 f 23 F= 0 f2 0 F= 0 f 0
f 31 f 32 f 33 0 0 f3 0 0 f

Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 ex : filtre gaussien appliqué sur les 3 composantes RGB. page 28

 Opérations non linéaires
Même  si,  formellement,  rien  n'empêche  d'utiliser  des  opérateurs  non  linéaires  marginalement  sur 
chaque  composante  d'un  espace  vectoriel,  il  faut  être  prudent  sur  l'interprétation  du  vecteur 
résultant.

Par  exemple,  dans  le  cas  des  filtres  d'ordre  (et  donc  des  opérateurs  morphologiques),  la  relation 
d'ordre dans l'espace couleur n'existe pas a priori. Le résultat de l'érosion ou de la dilatation calculée 
par composante a peu de choses à voir avec l'érosion ou la dilatation...

On peut fixer explicitement un ordre sur l'espace vectoriel (e.g. lexicographique).

On peut aussi appliquer différents opérateurs sur les composantes (e.g. érosion sur Y, (u,v) constant, 
etc.)

Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 29
 Contraste couleur
Comment caractériser les variations spatiales d'une image couleur I = (I1 , I2 , I3) ?
Les  2  colonnes  de  la  matrice  Jacobienne  de  I  par  rapport  à  (x,y)  sont  les  dérivées  partielles 
directionnelles.  Ce  sont  des  images  couleurs  qui  ont  un  sens  car  les  dérivées  partielles  sont  des 
opérateurs linéaires : ∂ I ∂I ∂I
Ix=  1

∂x
,
2

∂x ∂x
,
3

Les 3 lignes de la matrice Jacobienne sont les vecteurs gradients des 3 composantes. Ces grandeurs 
ont aussi un sens en tant que mesure des variations des composantes :
∂ I k ∂ Ik
∇ I k= 
∂x ∂y
, 
Mais  quel  sens  aura  la  notion  de  gradient  couleur  ?  En  terme  de  contraste  (module),  on  utilise 
souvent une approche en 2 temps :

GI =∥∇ I 1∥1 ,∥∇ I 2∥1∥∇ I 3∥1  ∥I∥d =∥GI∥2

La norme (1) est une norme L1, L2 ou L∞ ; la norme 2 est souvent la norme L∞.

Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 30
 Contraste couleur

I Ix

∂r ∂g ∂b
∂x ∂x ∂x
Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 31
 Contraste HSV
Dans les espaces HSV, on peut utiliser la saturation comme pondération pour calculer une norme 
de  gradient  couleur  par  combinaison  linéaire  des  normes  des  gradients  de  la  luminance  et  de  la 
teinte :

S K −S
∥I∥d ' = ∥∇ H∥1 ∥∇ V∥1
K K

Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 32
 Détection des ombres
La couleur permet de détecter plus facilement les ombres grâce aux invariants couleurs, i.e. les 
quantités qui ne changent pas si on diminue l'intensité de la source d'éclairement. Le principe est 
que dans les zones ombrées, les 3 composantes RGB diminuent de manière identique. On peut 
par  exemple  utiliser  :  les  coordonnées  chromatique  (u,v)  ou  les  coordonnées  (r,g,b)  réduites 
(normalisées).

Cas  statique  :  on  compare  les  Cas  dynamique  :  on  compare 

invariants au voisinage des contours  les  invariants  dans  la 
des ombres portées. dimension temporelle.

Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 33
 Bibliographie

Généralités  sur la couleur :
●
 Brun, L. « Traitement d'images couleur » 
[Link]
●
 Metz D. « Comprendre la couleur et ses profils » [Link]

Traitement d'images couleur :
● Angulo, J. et Serra J. « Traitement des images de couleur en représentation l/s/t par norme L1 » 
Traitement du Signal 21(6) 583­604 (2004)

Sur le traitement des ombres :
●
 Coll. University of Haïfa « Shadow Removal – Computer vision seminar » 
[Link]

Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 34
 Conclusion
A retenir pour ce cours :

(1) Les espaces couleurs
●
RGB
●
XYZ
●
HSV
●
Yuv
(2) Traitements couleurs
●
Filtres linéaires
●
Filtres non linéaires
●
Mesure du contraste

Antoine MANZANERA ­ Cours TERI – Master 2 UPMC Paris 6 page 35
 Introduction au TI – Plan du cours
I Développement du TI et domaines connexes
I­1 Historique du Traitement d'images (TI)
I­2 TI et vision par ordinateur
I­3 TI et Intelligence Artificielle
I­4 TI et perception visuelle
II Introduction aux images numériques
II­1 Modalités
II­2 Vocabulaire
II­3 Échantillonnage et quantification
III Les modèles formels du TI
III­1 Le modèle linéaire : la convolution...
III­2 Le modèle fréquentiel : la transformée de Fourier, l'échantillonnage...
III­3 Le modèle statistique : l'histogramme, la quantification, l'entropie,...
III­4 Le modèle différentiel : gradients, isophotes, équations différentielles,...
III­5 Le modèle ensembliste : morphologie mathématique,...
III­6 Le modèle discret : maillage, connexité, distances,...

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 4
 Historique du Traitement d'Images
Images de  EMPIRISME
chambre à bulles
Restauration VISION ACTIVE
Amélioration
RECONSTRUCTIONISME
1950 Caractères 
typographiés MORPHOLOGIE 
Classification Imagerie satellite  MATHEMATIQUE
Imagerie médicale et aérienne
EDP & SCALE 
Télesurveillance 
SPACE
et armement
Reconstruction
Contrôle qualité
Détection
Robotique 
Poursuite mobile
Localisation

Gestion des données 
multimedia
Compression

Indexation
2005
Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 5
 TI & vision par ordinateur
Vision industrielle Vision robotique
● Environnement non contrôlé /hostile
● Environnement connu / contrôlé ● Contraintes d'énergie
● Contraintes de temps
● Action / Adaptation
● Contraintes de qualité

Traitement
d'Images
Adéquation 
Multimedia Algorithme 
Architecture
● Humain dans la boucle
● Contraintes d'espace
● Prise en compte de la machine
● Protection des contenus
● Compromis temps/énergie/espace

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 6
 Systèmes à base de TI

Transmission
e
Sc

Codage / compression
èn

Décodage / restitution

Amélioration

Segmentation U f  I  x 
x∈ Ig

Acquisition
Calcul de gradient

Extraction 
Traitement d'attributs ∑
∂I
 p
p∈ S ∂x

Détection de contours Analyse

Compréhension
Filtrage
Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 7
 TI & Intelligence Artificielle
Dans  la  conception  moderne  de  l'Intelligence  Artificielle  dite  située  (i.e.  mise  en 
situation)  ou  incarnée  (i.e.  introduite  dans  un  « acteur »),  la  machine  agit  sur  le 
monde extérieur, éventuellement se déplace, et aussi perçoit son environnement pour 
pouvoir s'y adapter.

La  vision  est  une  source  extrêmement  riche

d'information,  qui  permet  à  la  machine  de  se 
localiser,  reconnaître  des  objets  ou  des 
personnes,  à  un  coût  faible,  une  énergie
raisonnable,  et  de  manière  passive  (i.e.  sans 
émettre de signal).

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 8
 TI & Intelligence Artificielle

Réciproquement,  le  traitement  d'image  et  la  vision  tirent  parti  des  connaissances  et  des 
techniques d'intelligence artificielle pour gérer l'adaptation à un environnement changeant, 
l'information  incertaine,  les  systèmes  hétérogènes  de  connaissances  et  les  différents 
niveaux de prise de décision. 

Représentation  Modélisation des 
de l'incertain connaissances
Apprentissage

Raisonnement 
et décision

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 9
 TI & perception visuelle

Une difficulté fondamentale de la vision artificielle vient du manque de connaissance 
profonde des mécanismes qui régissent la compréhension des images dans la nature. 
La  vision  humaine  est  en  effet  extrêmement  performante  (déplacement,  lecture, 
reconnaissance), mais nous n'avons aucun retour conscient sur la mécanismes mis en 
jeu  (à  la  différence  du  jeu  d'échec  par  exemple).  En  cela  l'étude  des  mécanismes 
physiologiques  et  psychologiques  de  la  vision  sont  une  source  très  importante 
d'information, et d'inspiration. 

● Exemples :
●

● Traitements rétiniens / traitements corticaux.
● Mécanisme d'accentuation des contrastes.

● Multi­résolution et rétine.

● Vision des batraciens.

● .../...

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 10
 I­1 Types d'images, de capteurs
Phénomène physique Grandeur mesurée Capteur

Émission et réflexion  CCD, CMOS, 
Réflectivité, luminance,...
de la lumière visible  Barrettes CCD,...

Rayonnement 
Luminance IR (chaleur), ... Bolomètres,...
infra­rouge

Échographie, 
Écho ultra sonore  Distance, densité de tissus,...
sonar,...

Résonance magnétique Présence d'un corps chimique,... IRM, RMN,...

Écho électromagnétique Distance, spécularité de surfaces,.. Radar, SAR,... 

Radiographie, 
Absorption des rayons X Densité de tissus,...
tomographie,... 

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 13
 Images numériques
x I(x,y)
R(x,y)

L'échantillonnage est le procédé de discrétisation spatiale 
y d'une  image  consistant  à  associer  à  chaque  zone 
rectangulaire  R(x,y)  d'une  image  continue  une  unique 
valeur I(x,y).
On  parle  de  sous­échantillonnage      lorsque  l'image  est 
déjà discrétisée et qu'on diminue le nombre d'échantillons.

La  quantification  désigne  la  limitation  du  nombre  de  valeurs  différentes  que  peut 
prendre I(x,y).

Une image numérique est une image échantillonnée et quantifiée.

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 14
 Pixels et niveaux de gris 
Largeur i  Indice de 
colonne
O

j 

Hauteur Le pixel [i,j]

I[i,j] = N
Indice de 
Une image numérique I Valeur
ligne
Niveau de gris
N ∈ [Nmin,Nmax]

(Nmax  ­ Nmin) = nombre de niveaux de gris
Log2(Nmax  ­ Nmin) = dynamique
Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 15
 Échantillonnage et quantification
Résolution...
...spatiale : Échantillonnage

256x256 128x128 64x64 32x32

...tonale : Quantification

6 bits 4 bits 3 bits 2 bits 1 bit

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 16
 Échantillonnage et information
L'échantillonnage  est  une  étape  fondamentale  qui 
doit  tenir  compte  du  contenu  informationnel 
pertinent  de  l'image  à  analyser.  Sur  l'exemple  ci­
contre, en 1d, le signal échantillonné « ressemble » à 
une sinusoïde de fréquence 8 fois plus faible : 

Ce phénomène appelé aliasing est encore 
pire en 2d, car il affecte la fréquence et la 
direction  des  structures  périodiques. 
Imaginons  par  exemple  qu'on  souhaite 
échantillonner  l'image  correspondant  aux 
bandes noires ci­contre :

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 17
 Échantillonnage et information

Avec  un  échantillonnage  adapté,  l'image 

numérique  fait  apparaître  des  structures 
conformes  à  l'information  présente  dans 
l'image :

Mais  en  considérant  seulement  1 

échantillon  sur  2,  une  structure  différente 
apparaît,  dont  l'analyse  (ici  des  bandes 
verticales,  plus  épaisses)  ne  sera  pas 
conforme à la réalité de l'objet :

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 18
 Échantillonnage et information
Un exemple, sur une image de synthèse :

Et  sur  une  image 

naturelle :

Image originale Image sous­échantillonnée
Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 19
 Quantification et information
La  quantification  peut  également  faire  apparaître  des 
distortions dans les images :

Comme pour l'échantillonnage, il existe des règles pour déterminer la bonne quantification 
(le bon nombre de bits) pour coder les images numériques.
L'une  dépend  du  capteur,  et  de  sa  capacité  effective  à  observer  des  signaux  de  valeurs 
différentes : le rapport signal sur bruit. 
Le rapport signal sur bruit est défini à partir du rapport entre l'amplitude des niveaux de gris 
mesurables  par  le  capteur  (nmax  ­  nmin)  et  le  niveau  du  bruit,  en  gros  l'écart­type  sn  de  la 
perturbation  aléatoire  qui  affecte  les  niveaux  de  gris.  En  prenant  le  logarithme,  on  a  le 
nombre de bits utile au capteur pour coder les images.

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 20
 Quantification et information
Outre les capacités du capteur, le nombre de bits réellement 
nécessaires  pour  coder  une  image  varie  d'une  image  à 
l'autre, en fonction de leur contenu informationnel.
Ce  nombre  dépend  de  l'entropie,  définie  à  partir  de  la 
distribution  des  niveaux  de  gris  de  l'image  (cf  plus  loin, 
modèle statistique). 

E= ∑ − pi log 2  pi 
i N

Où  N  est  le  nombre  de  niveaux  de  gris  présents,  pi  est  la  proportion  (0  <  pi  <  1)  de 
points  de  l'image  ayant  pour  niveau  de  gris  i.  Cette  grandeur  représente  le  nombre 
moyen  de  bits  par  pixel  nécessaires  pour  coder  toute  l'information  présente.  Elle  est 
utilisée  dans  les  techniques  de  compression  sans  perte  pour  adapter  le  volume  de 
donnée des images à leur contenu informationnel.

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 21
 III Modèles et outils fondamentaux

Dans la suite, on présente une introduction aux outils d'analyse d'images numériques 
les plus courants. Pour des raisons didactiques, la présentation est organisée selon les 
principaux modèles mathématiques qui ont été employés pour traiter les images. Ces 
différents  modèles  ne  sont  cependant  ni  exclusifs  ni  cloisonnés,  et  la  séparation  ne 
sera pratiquement plus visible dans les cours suivants.
Aux  différents  modèles  présentés  correspondent  un  certain  nombre  d'outils 
fondamentaux, qui se sont révélés au cours du temps plus ou moins incontournables, 
que  ce  soit  d'un  point  de  vue  pratique  ou  théorique.  Citons  :  la  convolution,  la 
transformée de Fourier, l'histogramme, les pyramides, la corrélation, la transformée 
en tout­ou­rien, les ondelettes...
Nous donnons dans la suite de ce cours une introduction aux outils les plus basiques 
ou  les  plus  courants. Les autres  seront  traités  ou  approfondis dans  la suite  du  cours 
TERI, ou dans les autres cours optionnels.
 

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 22
 III­1 : Le modèle linéaire
Dans  le  modèle  linéaire,  la  structure  mathématique  sous­jacente  est  l'Espace 
Vectoriel.  Les  opérateurs  fondamentaux  sont  ceux  qui  préservent  la  structure 
d'espace vectoriel, c'est­à­dire les applications linéaires :

f  I  J = f  I  f  J 
f  I = f  I 
Pour les images, ces opérateurs correspondent aux convolutions :

La convolution :
C'est  l'opérateur  de  base  du  traitement  linéaire  des  images.  Apparue  très  tôt  dans  les  premiers 
systèmes d'analyse d'images sous forme empirique et justifiée par des considérations d'implantation, 
ce  n'est  que  plus  tard  qu'on  a  fourni  des  justifications  physiques  et  fait  le  lien  théorique  avec  les 
filtres et le traitement du signal. 

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 23
 La Convolution
Soit I une image numérique.
Soit h une fonction de [x1,x2]×[y1,y2] à valeurs réelles.
La convolution de I par h est définie par :
x2 y2

 I∗h[ x , y ]=∑ ∑ h [i , j ]⋅I [ x −i , y− j ]

i= x 1 j = y1

La fonction h est dite 
noyau de convolution
Propriétés de la convolution : x

h[x , y]
COMMUTATIVITÉ h∗g= g∗h y

Les  nouvelles  valeurs  du  pixel 

ASSOCIATIVITÉ h∗g∗k = h∗ g∗k = h∗g∗k sont calculées par produit scalaire
entre le noyau de convolution et le 
voisinage correspondant du pixel.
DISTRIBUTIVITÉ / + h∗ gk = h∗g h∗k 

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 24
 La Convolution
Exemple :
5
11 16 11
1/152 5 16 24 16 5
11 16 11
5

Pour  calculer  une  convolution,  on 

remplace  la  valeur  de  chaque  pixel  par  la 
valeur du produit scalaire entre les valeurs 
du  noyau  de  convolution  et  les  valeurs  du 
voisinage du pixel considéré (par rapport à 
l'origine (0,0) du noyau de convolution).
Attention : implémentation « parallèle ».

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 25
 III­2 : Le modèle fréquentiel
Le modèle fréquentiel tend à décrire l'image en termes de structures périodiques, en la 
décomposant dans une base de fonctions périodiques simples, comme des sinusoïdes :

La transformée de Fourier :
Outil  fondamental  d'analyse  en  traitement  du  signal,  le  pendant  bidimensionnel  de  la  TF  et  sa  version 
discrète  peut  être  appliqué  avec  profit  aux  images  numériques.  Si  son  utilisation  en  tant  qu'outil 
analytique et algorithmique s'est estompée en traitement d'images au profit d'approches mieux adaptées à 
la localisation spatiale des fréquences (ondelettes), elle reste un outil théorique et pédagogique important : 
la formalisation du phénomène de l'aliasing et des contraintes d'échantillonnage en est un exemple (voir 
cours Espace d'échelles).

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 26
 Transformée de Fourier
La transformée de Fourier permet la décomposition d'un signal f en combinaison linéaire de 
sinusoïdes complexes, dont les coefficients F[u,v] dit coefficients de Fourier, fournissent des 
informations  sur  les  fréquences  (u,v)  et  permettent  des  manipulations  dans  le  domaine 
fréquentiel.

Transformée de Fourier discrète bidimensionnelle :
w−1 h −1
(x,y)  sont  les  coordonnées  −2i  uxvy  / wh
du domaine spatial Directe : F [u , v]= ∑ ∑ f [ x , y ]e
x =0 y= 0

w−1 h−1
(u,v)  sont  les  coordonnées  1 2i  uxvy  /wh
du domaine fréquentiel Inverse : f [ x , y ]= ∑ ∑ F [u , v ]e
wh u=0 v=0

Propriétés de la transformée de Fourier (1) :
ÉCRITURE SOUS FORME MODULE / PHASE F [ u , v]=∥ F [ u , v]∥e i [ u , v ]

PÉRIODICITÉ F [ u , v]= F [ u w , v h ]

SYMÉTRIE
Si F est la transformée de Fourier d'une fonction réelle f :
F [ u , v]= F [−u ,− v ] et donc : ∥F [ u , v ]∥=∥F [−u ,−v ]∥ et   [u , v ]=−[−u ,− v ]

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 27
 Transformée de Fourier
Module Phase
Image
v v

u u

f [ x , y] ln ∥F [u , v ]∥  [u , v ]

Propriétés de la transformée de Fourier (2) :
TF

{ }
f [x ,y]  F [u , v ] LINEARITÉ
si f 1[ x , y ]  F1[ u , v ] a⋅f 1 [ x , y ] b⋅ f 2 [ x , y ]  a⋅F 1 [ u , v ] b⋅F 2 [ u , v]
f 2
[x ,y]  F 2 [ u , v]
TRANSLATIONS SPATIALES / FRÉQUENTIELLES
CORRESPONDANCE CONVOLUTION / PRODUIT f [ x− x ' , y− y ' ]  F [u , v ]⋅e
−2i  ux ' vy '  /wh

f 1 [ x , y]∗ f 2
[ x , y]  F 1 [ u , v ]⋅F 2 [ u , v]
f [ x , y ]⋅e 2i  u ' x v ' y  / wh  F [u−u ' , v−v ' ]
f 1 [ x , y]⋅f 2
[x ,y]  F 1 [ u , v ]∗F 2 [ u , v]
THÉORÈME DE PARSEVAL
DÉRIVATION
w−1 h−1 w−1 h −1
∂ f [ x , y] ∂ f [ x , y] 2 1 2
 iuF [ u , v ] et  ivF [ u , v ] ∑ ∑ ∥ f [ x , y ]∥ = ∑ ∑ ∥F [ u , v ]∥
∂x ∂y x =0 y =0 wh u= 0 v =0

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 28
 QUIZZ ­ Transformée de Fourier
Attribuez à chaque image son spectre de Fourier

(1) (2) (3) (4)

(a) (b) (c) (d)

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6
 QUIZZ ­ Transformée de Fourier
Attribuez à chaque image son spectre de Fourier

(1) (2) (3) (4)

(a) (b) (c) (d)

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6
 III­3 : Le modèle statistique
On  s'intéresse  dans  ce  modèle  aux  propriétés  statistiques  des  images  :  la  distribution  des 
valeurs prises par les pixels, la corrélation existant entre des pixels spatialement proches, la 
fréquence d'occurrence de certaines structures spatiales... 
Les  mesures  statistiques  fournissent  des  grandeurs  et  fonctions  empiriques  sur  lesquelles 
peuvent s'appuyer des modèles probabilistes utilisés par les algorithmes d'analyse d'images.

Par exemple, le modèle des champs de Markov considère l'image comme la réalisation d'un 
champ aléatoire (chaque pixel correspondant à une variable aléatoire), où la valeur prise par 
un  pixel  ne  dépend  que  de  celle  de  ses  voisins  (selon  une  topologie  discrète  donnée,  voir 
plus loin).  

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 31
 III­3 : Le modèle statistique
Un  autre  exemple  remarquable  d'analyse statistique  est l'utilisation  des  matrices  de co­
occurrence, habituellement utilisées pour caractériser les textures. j

La  matrice  de  co­occurrence  Mv  associée  au 

vecteur v, est la matrice de taille N x N ( N est le  i v
nombre  de  niveaux  de  gris),  tel  que  Mv(i,j) i
j
représente la fréquence du couple de valeurs (i,j) 
parmi les couples de pixels (x,x+v).

Ces  techniques,  et  d'autres  exemples  de  modèles  statistiques  seront  présentées  plus  en 
détail dans les prochains cours. Dans le cadre de cette introduction, nous développerons 
seulement le premier outil statistique d'analyse des images : l'histogramme.

L'histogramme :
Outil  de  base  pour  l'étude  des  capteurs  ou  de  la  dynamique  d'une  scène,  il  est  utilisé  par  certains 
opérateurs d'analyse. On retiendra cependant qu'il ne faut pas considérer l'histogramme comme une 
caractéristique fondamentale de l'image dans la mesure où on peut le transformer radicalement sans 
changer significativement l'image.

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 32
 Histogramme
W Histogramme
Effectif

H(x) H(x) est le nombre 
de  pixels  dont  le 
H
niveau  de  gris  est 
égal à x.

Niveau de gris
L'histogramme  représente  la 
répartition  des  pixels  en 
Histogramme cumulatif normalisé
fonction  de  leur  niveau  de  Effectif  x

gris.  Il  fournit  diverses  relatif  ∑ H x

i= 0
informations  comme  les  HC  x=
HC(x) W ×H
statistiques  d'ordre  (voir  ci­
contre),  l'entropie  (voir  HC(x)  est  le  taux 
précédemment),  et  peut  de  pixels  dont  le 
permettre d'isoler des objets. niveau  de  gris  est 
inférieur  à x.
Min Médian Max

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6
Niveau de gris page 33
 Traitement à base d'histogramme
On  présente dans  la  suite  quelques  traitement  d'analyse effectués  uniquement  à  partir 
de  l'histogramme.  Retenons  que  certains  de  ces  traitements  sont  souvent  calculés  au 
niveau  des  capteurs,  et  qu'en  général  leur  pertinence  est  très  intimement  liée  aux 
conditions d'acquisition.

(1) Normalisation
→ exploiter toute la dynamique de codage.

(2) Égalisation
→ équilibrer la dynamique de codage et augmenter le contraste.

(3) Segmentation
→ simplifier l'image en regroupant les pixels selon leurs valeurs.

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 34
 Histogramme : normalisation
La normalisation d'histogramme, ou expansion de dynamique, est une transformation affine
du  niveau  de  gris  des  pixels  de  telle  sorte  que  l'image  utilise  toute  la  dynamique  de 
représentation.
Pour  rendre  la  normalisation  moins  sensible 
● D : dynamique aux  valeurs  marginales  (outliers),  on  utilise 
● Nmin : la plus petite 
généralement  un  paramètre  , 0<<1,et  on 
valeur dans l'image 2 D−1
f new [ x , y ]= f [ x , y ]−Nmin⋅ prend :
● Nmax : la plus  Nmax− Nmin
grande valeur dans 
Nmin∈ HC −1 
l'image Nmax ∈ HC −1 1−

image d'origine f[x,y]

expansion de dynamique 
Nmin Nmax 2D ­ 1 fnew[x,y]
histogramme d'origine histogramme normalisé
Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 35
 Histogramme : égalisation
L'égalisation d'histogramme  est une transformation des niveaux de gris dont le principe est 
d'équilibrer le mieux possible la distribution des pixels dans la dynamique (Idéalement, on 
cherche à obtenir un histogramme plat).
●La technique classique consiste à rendre « le plus linéaire   ● D : dynamique
D HC  f [ x , y]
possible »  l'histogramme  cumulé  de  l'image  en  utilisant  la  f new [ x , y ]= 2 −1⋅ ● (w,h) : dimension de l'image
wh ● HC(.) : histogramme cumulé
transformation suivante :

Histogramme de f Histogramme de fnew

Original f[x,y] Histogramme  Histogramme  Après égalisation fnew[x,y]

cumulé de f cumulé de fnew

Le résultat est une augmentation globale du contraste dans l'image. Notez dans l'exemple ci­dessus l'accentuation 
des défauts avec la mise en évidence du bruit spatial fixe (effet de tramage) de l'imageur infra­rouge.

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 36
 Histogramme : segmentation
Il existe des techniques de segmentation basées sur un regroupement des niveaux de gris à 
partir de l'histogramme. Ces techniques sont rarement efficaces car elles ne considèrent que 
la valeur des pixels sans tenir compte de critères géométriques ou topologiques (voir cours 
Segmentation).
Par  exemple,  la  méthode  ci­dessous  calcule  un  certain  nombre  de  quantiles  à  partir  de 
l'histogramme  cumulé,  les  regroupe  par  classes  en  fonction  d'un  critère  de  distance,  puis 
attribut la même étiquette aux pixels dont la valeur est la plus proche d'une classe donnée : 

Histogramme cumulé avec 
Image originale agrégation des quantiles 
Image segmentée
Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 37
 III­4 : Le modèle différentiel
Dans  le  modèle  différentiel,  on  considère  l'image  comme  une  fonction  continue  f(x,y), 
dont on étudie le comportement local à l'aide de ses dérivées.
Une  telle  étude,  fondée  sur  la  formule  de  Taylor,  n'a  de  sens  que  si  la  fonction  f  a  une 
certaine régularité, ce qui constitue le problème clef des méthodes différentielles.

Au  premier  ordre,  on  peut  ainsi  associer  à  chaque  point 

(x,y)  un  repère  propre  (t,g),  où  le  vecteur  t  donne  la 
direction  de  l'isophote  (ligne  de  variation  minimale)  et  g
la direction orthogonale, celle du gradient.
∇I
g Grâce  au  plongement  dans  le  continu,  le  modèle 
différentiel  permet  en  outre  d'exprimer  un  grand  nombre 
φ
d'opérations d'analyse en termes d'équations aux dérivées 
x partielles  (EDP),  ce  qui  permet  de  donner  un  fondement 
mathématique  satisfaisant  aux  traitements  et  aussi  de 
t
fournir  des  méthodes  pour  les  calculer,  par  des  schémas 
numériques de résolution. 
y

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 38
 III­5 : Le modèle ensembliste
En  morphologie  mathématique,  l'image  est  considérée  comme  un  ensemble,  dont  on 
étudie  les  propriétés  en  fonction  de  relations  locales  avec  un  ensemble  de  référence 
(élément structurant) en termes d'intersection et d'inclusion (relations en tout­ou­rien).

B ∩ X =∅

B⊂X

B ∩ X ≠∅

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 39
 Érosion et Dilatation
Les transformations morphologiques sont définies à partir des 2 opérateurs ensemblistes de 
base que sont l'érosion et la dilatation 

2 2
Original (Matisse ­ 1952)  B  X ={x ∈ℝ ; B x ⊂ X }  B  X ={x ∈ℝ ; B x ∩ X ≠∅}

(élément structurant : disque)

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 40
 III­6 : Le modèle discret
La  géométrie  discrète  est  une  discipline  au  moins  aussi  ancienne  que  le  traitement 
d'images.  Alors  que  le  modèle  différentiel  considère  les  structures  géométriques 
(courbes,  surfaces,  droites,  etc)  comme  des  approximations  numériques  de  leurs 
homologues continues, ou que le modèle fréquentiel traduit la discrétisation en termes de 
perte  d'information,  le  modèle  discret,  lui,  intègre  l'espace  échantillonné  comme  cadre 
mathématique,  et  s'efforce  de  donner  un  cadre  formel  aux  structures  géométriques 
discrètes : définition, propriétés, théorèmes,...  

Quelle  est  la  distance  Qu'est­ce qu'un trou ? Qu'est­ce  qu'une 

entre les 2 points ? droite ?

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 42
 Pavages du plan
Un pavage du plan est une partition du plan en cellules élémentaires (pixels).
Il n'existe que 3 pavages réguliers du plan :

triangulaire carré hexagonal

... mais de nombreux pavages irréguliers :

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 43
 Pavages du plan
D'autres pavages irréguliers du plan...

Pavage apériodique de Penrose

Pavage périodique d'Escher

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 44
 Pavages et maillages
A tout pavage du plan on peut associer un graphe où les sommets (noeuds) représentent 
les  cellules  élémentaires,  et  où  les  arêtes  représentent  la  relation  d'adjacence  entre  les 
cellules (2 cellules sont adjacentes si elles ont un côté en commun). Un tel graphe est un 
maillage du plan. 

Les pavages et les maillages réguliers sont duaux :
Questions :

­ représentation dans Z2 ?

­ combien de directions ?

­ récursivité ?

Pavage triangulaire Pavage carré Pavage hexagonal

Maillage hexagonal Maillage carré Maillage triangulaire

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 45
 Maillage et connexité
Les relations topologiques dans les images discrètes sont définies à partir de la relation 
de connexité induite par le graphe du maillage (X,S), où X représente les sommets et S les 
arêtes. 2 2
X ⊂ℤ ; S⊂X
Soient x et y 2 points de X, par définition x et y sont voisins si :
x≈ y ⇔ x , y∈S

maille carrée  maille carrée  maille triang. 

4­connexe 8­connexe 6­connexe

La clôture transitive de la relation de voisinage est une relation d'équivalence 
« il existe un chemin connexe entre x et y » :
x~ y ⇔∃ {x 1, ... , x n }/ x≈ x1, ... , x i≈ x i1 , ... , x n≈ y
Les classes d'équivalence de cette relation s'appellent les composantes connexes de X

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6
 Topologie dans la maille carrée
Dans la maille carrée, la notion de trou dans un objet X (X ⊂Z2), qui doit correspondre à 
une composante connexe finie du complémentaire Xc, n'est pas bien définie...

Ce  problème  est  lié à  la  validité  du  théorème  de 

Jordan,  selon  lequel  une  courbe  simple  fermée 
sépare  le  plan  en  2  composantes  connexes,  dont 
une bornée.

8­connexité 4­connexité

...sauf si l'on considère des connexités différentes pour X et pour Xc : 

Questions :
combien  de  composantes 
connexes,  combien  de  trous 
compte l'image ci­contre 
(8,4)­connexité (4,8)­connexité

Le  théorème  de  Jordan  est  vérifié  ­ en (8,4)­connexité ?

pour ces connexités. ­ en (4,8)­connexité ?

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6
 Métrique dans la maille carrée
Le  graphe  du  maillage  induit  également  une  distance  dans  le  plan  discret,  la  distance 
entre 2 points x et y étant définie par la longueur du plus court chemin connecté entre x et 
y. En pondérant toutes les arêtes du maillage par la valeur 1, on trouve :

distance de la 4­connexité 1 distance de la 8­connexité
1 1
∣ ∣ ∣ ∣
d 4  x , y = x1 − y 1  x 2 − y 2 ∣ ∣∣ ∣
d 8  x , y = max  x 1 − y1 , x 2 − y 2 

On peut aussi pondérer différemment les arêtes du maillage 8­connexe, voire utiliser des 
maillages plus complexes (i.e. des voisinages plus grands) : 
4 7
11

3 5
distance du  distance du 
chamfrein (3,4) chamfrein (5,7,11) y
Questions :

calculer  les  distances  d4(x,y),  d8(x,y),  dch(3,4)(x,y),  dch(5,7,11)(x,y) 

x
entre les 2 points x et y ci­contre :

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6
 Conclusion
A retenir pour ce cours :
Équivalence convolution / 
multiplication
­ image numérique
­ échantillonnage
modèle ­ quantification
linéaire modèle
fréquentiel
­ histogramme
­ convolution
Filtres 
­ représentation fréquentielle
différentiels Corrélation 
Ondelettes ­ connexité et distance 
– ACP 
discrètes
modèle modèle
différentiel statistique
.../...

Morphologie 
EDP / Ensemble  statistique
de niveaux modèle
ensembliste

Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 49
 Sources et bibliographie ­ Liens utiles
Livres :
 J.P. Cocquerez et S. Philipp « Analyse d'images : filtrage et segmentation » Masson 1995
●

 R.C. Gonzalez et Woods « Digital Image Processing ­ 2d edition » Addison Wesley 2002
●

 A. Rosenfeld et A.C. Kak   « Digital picture processing » Academic Press ­ London 1982.
●

 H. Maître (ss la direction de) « Le traitement des images » Hermes Lavoisier IC2 2003.
●

 J.R. Parker « Algorithms for Image Processing and Computer Vision » Wiley & Sons 1997.
●

● S. Bres, J.M. Jolion, F. Lebourgeois « Traitement et analyse des images numériques» Hermes Lavoisier 
2003
 I.T. Young, J.J. Gerbrands et L.J. Van Vliet « Fundamentals of Image Processing » Université de Delft. (sur 
●

internet : [Link]

 D. Lingrand « Introduction au Traitement d'images » Vuibert 2004
●

Pages web :
● Telesun – INSA : [Link]
● Univ. de Delft : [Link]
● Projet Marble : [Link]
● CVOnLine ­ Univ. d'Édimbourg : [Link]
Antoine MANZANERA ­ Cours TERI – Master IAD UPMC Paris 6 page 50
 Filtrage vs Restauration
Ce cours s'intéresse aux techniques d'amélioration des images numériques, pour augmenter la qualité
de leur rendu visuel, ou pour faciliter leur analyse. On cherche donc à atténuer, sinon supprimer une
certaine dégradation. Celle-ci n'est pas forcément connue a priori, mais elle peut parfois être estimée
a posteriori. On distinguera ici :
- les dégradations liées au bruit : g(x) = f(x)+b(x) ou g(x) = f(x)b(x) liées au capteur, à la
quantification, à la transmission... On les traite en tirant parti des informations locales par le filtrage.
Par différenciation, les techniques de filtrage permettent en outre de calculer ou amplifier les
contrastes locaux.
- les dégradations convolutives : g(x) = f(x)∗b(x) liées à un mouvement du capteur ou un défaut de
mise au point. On les traite en inversant un opérateur linéaire, donc supposé connu : ce sont les
techniques dites de restauration (voir cours Restauration).

bruit additif bruit multiplicatif flou de mise au point flou de bougé

Antoine MANZANERA – Cours TERI – Master 2 IAD page 2
 Filtrage – Plan du cours

I Filtres de lissage
I-1 Filtrage dans le domaine de Fourier
I-2 Filtrage par convolution
I-3 Implantation des filtres linéaires
I-4 Bruit multiplicatif
I-5 Filtres non linéaires
II Filtres dérivateurs
II-1 Filtrage dans le domaine de Fourier
II-2 Filtrage par convolution
II-3 Filtres non linéaires

Antoine MANZANERA – Cours TERI – Master 2 IAD page 3

 I Filtres de lissage
Les filtres de lissage sont des opérateurs qui éliminent des éléments perturbateurs / non significatifs
dans les images numériques, soit pour améliorer leur visualisation, soit pour les simplifier en but
d'un traitement postérieur :

rendu : les images codés en demi-

teintes de l'imprimerie présentent à
grande échelle un effet pointilliste.

bruit de compression : les

techniques de compression d'image
bruit d'acquisition, de numérisation, de transmission : les incertitudes dans les avec perte produisent une distortion
différentes étapes de formation de l'image numérique induisent des fluctuations dans l'image, comme cet effet de
aléatoires de la valeur des pixels (à droite, bruit gaussien). Les erreurs de bloc dans la transformée Jpeg (taux
transmission font apparaître des valeurs aberrantes (à gauche, bruit de compression 1/25).
impulsionnel).

(1) Filtrage dans le domaine de Fourier

(2) Filtrage par convolution
PLAN DU CHAPITRE : (3) Implantation des filtres linéaires bruit spatial fixe : la non-uniformité
des détecteurs dans la matrice de cet
imageur infra-rouge entraîne une
(4) Filtres non linéaires texturisation de l'image.

Antoine MANZANERA – Cours TERI – Master 2 IAD page 4

 I-1 Filtrage dans le domaine de Fourier (1)
Filtrage passe-bas

Le filtrage passe-bas est la

multiplication dans le domaine
fréquentiel par une fonction porte
(fonction indicatrice d'un intervalle
[-umax,umax] ×[-vmax,vmax]).

TF
TF-1

Passe-
bas

Antoine MANZANERA – Cours TERI – Master 2 IAD page 5

 I-1 Filtrage dans le domaine de Fourier (2)
Filtrage coupe-bande
Le filtrage coupe-bande est la
multiplication dans le domaine
fréquentiel par une fonction bande
complémentaire, fonction indicatrice
de l'ensemble :

(ℝ2 \ [-umax,umax]×[-vmax,vmax])
∪ [-umin,umin]×[-vmin,vmin] TF TF-1
Notons que dans ce cas
comme le précédent, la
valeur de la fréquence
origine F[0,0] est
inchangée. Or :
Coupe-
w h
bande
F [0,0 ]=∑ ∑ f [ x , y ]
x=0 y=0

La somme des niveaux

de gris dans le domaine
spatiale reste donc
constante.

Antoine MANZANERA – Cours TERI – Master 2 IAD page 6

 I-2 Filtrage par convolution (1)
La multiplication dans le domaine fréquentiel correspond à la convolution dans le domaine spatial. Un grand nombre
de filtres de lissage peut être obtenu à partir de noyaux de convolution symétriques et normalisés (de somme égale à
1). Voici 3 famille de filtres parmi les plus utilisés :

Moyenne Gauss Exponentiel

* Réponse impulsionnelle :
1 2 2 2
h x , y= 2 si  x , y∈[−/ 2,/ 2 ] 1 − x  y  2
 h  x , y= 2
exp  2
 h  x , y= exp−∣x∣∣y∣
2  2 4
h  x , y=0 sinon
* Représentation graphique de la réponse impulsionnelle (en 1d) :

* Exemple de noyaux de convolution discrets :

     
1 1 1 1 1 11 23 29 23 11 1 1 3 1 1
1 1 1 1 1 23 48 62 48 23 1 3 7 3 1
1 1 1
⋅1 1 1 1 1 ⋅ 29 62 80 62 29 ⋅3 7 16 7 3
25 864 80
1 1 1 1 1 23 48 62 48 23 1 3 7 3 1
1 1 1 1 1 11 23 29 23 11 1 1 3 1 1

Filtre moyenneur (5x5) Filtre gaussien ( = 1,41) Filtre exponentiel ( = 0,8)

Antoine MANZANERA – Cours TERI – Master 2 IAD page 7
 I-2 Filtrage par convolution (2)

Coefficient de dispersion : pour un Échelon unité

échelon unitaire perturbé par un bruit
blanc de variance v2, la variance du bruit
filtré devient δv2.
Échelon bruité

Image originale
Échelon bruité filtré
* Coefficients de dispersion :

2
1 1
= 2
= 2
= 
 4  16

Filtre moyenneur (9x9) Filtre gaussien ( = 2,54) Filtre exponentiel ( = 0,44)

Antoine MANZANERA – Cours TERI – Master 2 IAD page 8
 I-3 Implantation des filtres linéaires
En traitement d'images, les volumes de données traités sont bien sûr très importants. La
prise en compte du temps de calcul reste un élément majeur dans les algorithmes en
dépit des progrès technologiques exponentiels des microprocesseurs. L'implantation
des filtres linéaires, en particulier ceux dont le support est grand, voire infini, est un
problème incontournable.

(a) multiplication dans le domaine de Fourier

(b) convolution directe par noyau (tronqué)

(c) noyaux séparables

(d) implantation récursive des filtres à réponse impulsionnelle infinie

Antoine MANZANERA – Cours TERI – Master 2 IAD page 9

 I-3-a Multiplication dans le domaine de Fourier
Grâce à la correspondance convolution-produit
dans la transformée de Fourier (TF), la CORRESPONDANCE CONVOLUTION / PRODUIT
convolution de l'image f par un filtre de
réponse impusionnelle h peut se calculer f 1 [ x , y ]∗ f 2 [ x , y]  F 1 [u , v ]⋅F 2 [u ,v ]
comme la TF inverse du produit F·H, où F f 1 [ x , y ]⋅ f 2 [ x , y]  F 1 [u ,v ]∗F 2 [u ,v ]
(resp. H) est la TF de f (resp. h).

Fonction porte ↔ Sinus cardinal Gaussienne () ↔ Gaussienne (1/ )

La complexité de l'implantation par multiplication dans le domaine fréquentiel est celle de 2 calculs
de TF (1 direct + 1 inverse), plus 1 multiplication. Pour une image de taille N×N, le coût de la
multiplication est en O(N2), et en utilisant la transformée de Fourier rapide (FFT), le coût de la TF est
en O(N.log2(N)).
Dans ce cas, la complexité est indépendante de la taille K×Κ du noyau de convolution. Ce type
d'implantation peut être intéressant pour des gros noyaux, (K2 >> log2(N)). Il nécessite cependant une
grande précision dans les valeurs de la TF (représentation en complexes flottants).

Antoine MANZANERA – Cours TERI – Master 2 IAD page 10

 I-3-b/c convolution directe / noyaux séparables
La convolution de l'image f par un filtre de réponse impusionnelle h

 
1 1 3 1 1
1 3 7 3 1 représenté par un noyau fini (éventuellement tronqué) peut être calculé
1
80
⋅3 7 16 7 3 directement par balayage des pixels de f et calcul de la somme des
1 3 7 3 1
1 1 3 1 1
valeurs des voisins de chaque pixel pondérées par les valeurs du noyau
de convolution.
La complexité de l'implantation directe pour une image de taille N×N et pour un noyau de
convolution de taille K×Κ, est en O(K2N2). Le coût par pixel est donc quadratique en fonction du
rayon du noyau.
Filtres séparables :
Lorsque la matrice de convolution peut s'écrire comme produit d'un vecteur colonne et d'un vecteur
ligne : t
〚 h 〛 =[h col ]⋅[h lig ]
Alors : h [ x , y ]=hcol [ x ]⋅hlig [ y ]

x2 y2 x2 y2

Et :  I∗h [ x , y ]= ∑ ∑ h[i , j]⋅I [ x−i , y− j]= ∑ h col [i ] ∑ h lig [ j ]⋅I [ x−i , y − j ]

i= x 1 j= y1 i= x 1 j= y 1

La complexité de l'implantation pour une image de taille N×N et pour un noyau de convolution de
taille K×Κ, devient O(KN2). Le coût par pixel est donc linéaire en fonction du rayon du noyau.
Les filtres moyenneur, gaussien, exponentiel sont des filtres séparables.

Antoine MANZANERA – Cours TERI – Master 2 IAD page 11

 I-3-d Implantation récursives des filtres IIR
La convolution directe par noyau fini permet d'implanter les filtres à réponse impulsionnelle finie
(FIR), mais pose problème dans le cas des filtres à réponse impulsionnelle infinie (IIR). On peut
approximer les filtres IIR en tronquant le noyau de convolution (on choisit par exemple des supports
de rayon 2σ ou 3σ pour approximer la gaussienne par un filtre FIR). On retiendra cependant que la
TF d'un filtre FIR étant à support infini, on ne peut pas éliminer totalement les hautes fréquences
avec un filtre FIR.

Certains filtres IIR possèdent la propriété de pouvoir être calculés de manière récursive (cf
transformée en Z). C'est la cas du filtre exponentiel, ou de certaines approximation du noyau
gaussien. Le filtrage est en général obtenu par un filtre causal, calculé par balayage direct, suivi d'un
filtre anti-causal, calculé par un balayage rétrograde :

Ex : filtre IIR 1D horizontal :

f [i ]= 0 f [i ]1 f [i−1] 2 f [i−2] Séquence causale (directe)

f [i ]=0 f [i ]1 f [i1] 2 f [i2 ] Séquence anti-causale (rétrograde)

La complexité de cette implantation est en O(N2), elle est en général indépendante des paramètres du
noyau de convolution. Elle a de plus donné lieu à des implantations matérielles (circuits spécialisés).
Cependant les problèmes de précision nécessitent en général un passage en nombre flottant et donc
une augmentation de la dynamique.

Antoine MANZANERA – Cours TERI – Master 2 IAD page 12

 I-4 Bruit multiplicatif : filtrage homomorphique
Pour un bruit additif, on avait g(x) = f(x) + b(x), et donc dans le domaine de Fourier G(u) = F(u) + B(u).
On pouvait donc tenter d'éliminer B(u) directement sur le spectre (ex : filtre passe-bas : multiplication
par le complémentaire de la fonction indicatrice du support de B), ou ce qui est équivalent, par
convolution.
Dans le cas d'un bruit multiplicatif g(x) = f(x).b(x), on n'a plus addition des spectres, on ne peut donc
plus fonctionner par convolution directe.
Le principe du filtrage homomorphique est de se ramener au cas linéaire en passant par le logarithme :

g h=log  g H H ×T k 
f =e k
logarithme TF Filtrage TF inverse exponentiel

Voici deux exemples d'applications très différents :

Image visible avec forte

Image radar (SAR)
variation de l'illumination i :
avec un défaut de
on cherchera à retrouver la
bruit multiplicatif
composante de réflectivité r à
caractéristique
partir du niveau de gris g :
(speckle).
g(x) = r(x).i(x)

Antoine MANZANERA – Cours TERI – Master 2 IAD page 13

 I-5 Filtres non linéaires
●Deux aspects du lissage sont concernés par le filtrage non linéaire :
● Le bruit impulsionnel : les filtres linéaires éliminent mal les valeurs

aberrantes.
● L'intégrité des frontières : on souhaiterait éliminer le bruit sans rendre

flous les frontières des objets.

(a) Filtres d'ordre, médian

(b) Filtres non linéaires divers – ex : Nagao
(c) Filtres morphologiques

Antoine MANZANERA – Cours TERI – Master 2 IAD page 14

 I-5-a Filtres d'ordre, médian
Les filtres d'ordres procèdent en remplaçant les valeurs de chaque pixel par la valeur qui
occupe un certain rang lorsqu'on trie les valeurs observées dans un certain voisinage du pixel.

les valeurs dans le voisinage de (x,y) : V  x , y ={a 1 , a 2 ,⋯, a N }

soit {b1 , b2 ,⋯, b N } permutation de {a 1 , a 2 ,⋯, a N } telle que b 1b 2 ⋯ b N

alors le filtre d'ordre de rang k est défini par :  k [ x , y ]=b k

pour k=N/2, on parle de filtre médian, pour k=1, d'érosion morphologique, pour k=N, de dilatation morphologique.
voisinage : élément
structurant
Implantations du médian :
● calcul d'histogrammes locaux
● tri des valeurs dans le voisinage (Quick Sort)
● tri incrémental

● .../...

ex : bruit impulsionnel traité par un filtre médian

(voisinage comme ci-dessus). opérateurs morphologiques : à gauche Original au centre Érosion
à droite Dilatation (élément structurant comme ci-dessus)
Antoine MANZANERA – Cours TERI – Master 2 IAD page 15
 I-5-b Filtres non linéaires divers
On trouve dans la littérature de nombreux filtres combinant filtres d'ordre, moyennes robustes
(opérations linéaires éliminant les valeurs marginales), et anisotropie (le support des opérations
s'adapte en fonction des frontières locales). Nous décrivons ici comme exemple le filtre de Nagao.

Le filtre de Nagao examine la fenêtre 5x5 centrée

sur chaque pixel. 9 domaines sont définis dans cette
fenêtre (voir figure). On calcule pour chaque
domaine Di la moyenne i et la variance vi. Le
résultat de l'opérateur est la moyenne du domaine
qui présente la plus faible variance.

original Nagao
D1 D2 D3

D4 D5 D6

D7 D8 D9

Les 9 fenêtres de Nagao

gaussien ( = 1,5) gaussien puis Nagao

Antoine MANZANERA – Cours TERI – Master 2 IAD page 16

 I-5-c Filtres morphologiques
Les filtres morphologiques sont les opérateurs croissants et idempotents :

Filtre
Original Alterné
Séquentiel

Ouverture Fermeture Nivellement

Antoine MANZANERA – Cours TERI – Master 2 IAD page 17

 I-5-c Ouvertures et Fermetures
L'ouverture morphologique est
égale à la composition d'une
érosion suivie d'une dilatation.
C'est un opérateur croissant et
idempotent (i.e. un filtre
morphologique)
 B °  B = B

 B= B °  B

∀ X  Y B  X   B Y 

∀ X  B  B  X =B  X 

B B B
La fermeture morphologique est
l'opération duale de l'ouverture :
Elle est égale à la composition B
d'une dilatation suivie d'une
érosion. C'est aussi un filtre
morphologique.

B

 B  X c = B  X c
 B= B °  B

Antoine MANZANERA – Cours TERI – Master 2 IAD page 18

 I-5-c Ouvertures et Fermetures

• l’ouverture élimine les petites composantes, et ouvre les petits isthmes.

B
• la fermeture bouche les petites trous, et ferme les petits détroits.

X B X  B  X 

Antoine MANZANERA – Cours TERI – Master 2 IAD page 19

 I-5-c Ouvertures et Fermetures

B  X  B X 

X B X  B  X 

Antoine MANZANERA – Cours TERI – Master 2 IAD page 20

 I-5-c Filtres alternés séquentiels
Les filtres alternés séquentiels (FAS) sont
une successions d'ouvertures et de
fermetures utilisant des éléments structurants
de taille croissantes :

 1= 1  1  1=1 1
 n = n  n  n−1  n = n n  n −1

Les FAS conduisent à une bonne réduction

Original du bruit grâce à une élimination progressive Application directe
des pics et des creux de faible surface. du filtre alterné γ4 φ4

Ξ1 Ξ2 Ξ5 Ξ8

Antoine MANZANERA – Cours TERI – Master 2 IAD page 21

 I-5-c Filtres alternés séquentiels
Original f(x) …en 1d :

Somme f(x)+E(x)

Bruit E(x)

Application directe
du filtre alterné φ5 γ5

Θ2 Θ3 Θ4 Θ5

Antoine MANZANERA – Cours TERI – Master 2 IAD page 22

 I-5-c Filtres alternés séquentiels

Antoine MANZANERA – Cours TERI – Master 2 IAD page 23

 I-5-c Filtres connexes
L’ouverture par reconstruction élimine les
composantes connexes qui n’appartiennent pas à
l’ouvert sans modifier les autres :

ouverture par
reconstruction

E X (γ B ( X ))

X
fermeture par
reconstruction
La fermeture par reconstruction
est définie par dualité : ( E ( (ϕ ( X ) ) ) )
Xc
B
c c

Antoine MANZANERA – Cours TERI – Master 2 IAD page 24

 I-5-c Filtres connexes
Par extension, les ouvertures et fermetures par reconstruction élimine les
structures en préservant les contours des images numériques :

élément structurant
de l’ouverture
morphologique :

original ouverture par reconstruction fermeture par reconstruction

Antoine MANZANERA – Cours TERI – Master 2 IAD page 25

 I-5-c Filtres connexes

Antoine MANZANERA – Cours TERI – Master 2 IAD page 26

 II Filtres dérivateurs
i Les variations locales d'intensité constituent une source
primordiale d'information en traitement d'images. Elles
sont mesurées par le gradient, fonction vectorielle des
pixels [i,j] :
∇ f [i , j ]=  ∂f
∂x
[i , j ] ,
∂f
∂y
[i , j] 
D'autres grandeurs différentielles sont utilisées en
traitement d'images, comme le laplacien, fonction
scalaire de [i,j] :
∇ f [i , j ]
2 2
∂ f ∂ f
j  f [i , j ]= 2 [i , j] 2 [i , j ]
x ∂x ∂y

∂f ou encore le hessien, fonction matricielle de [i,j] :

[i , j ]
∂y y

 
2 2
∂ f ∂ f
[i , j ] [i , j]
∂f ∂x
2
∂ x∂ y
[i , j ] H f [i , j ]= 2 2
∂x ∂ f ∂ f
[i , j ] [i , j ]
∂ x∂ y ∂y
2

Le problème du calcul des filtres dérivateurs dans les images numériques est l'approximation de ces
grandeurs différentielles dans notre espace discret ; on s'intéresse aussi à leur utilisation :
réhaussement, détection de contours,...

Antoine MANZANERA – Cours TERI – Master 2 IAD page 27

 II Filtres dérivateurs
Les filtres dérivateurs sont des opérateurs
qui mettent en évidences certaines
variations spatiales dans les images. Ils
sont utilisés comme traitements de base
dans de nombreuses opérations, comme le
réhaussement de contraste ou la détection
de contours :

les contours (image de droite) constituent une simplification de l'image utile

dans de nombreuses applications. Dans les approches linéaires, ils sont en
général obtenus à partir des maxima locaux de la dérivée première, ou des
passages par zéro de la dérivée seconde :

f (x) f '(x) f ''(x)

réhaussement de contraste obtenu par

combinaison linéaire avec le laplacien.

(1) Filtrage dans le domaine de Fourier

PLAN DU CHAPITRE :
(2) Filtrage par convolution
Antoine MANZANERA – Cours TERI – Master 2 IAD page 28
 II-1 Filtrage dans le domaine de Fourier
Le filtrage passe-haut correspond à la multiplication dans le
domaine fréquentiel d'une fonction porte-complémentaire.
Filtrage passe-haut
Image originale

TF-1 TF-1
TF

Filtre passe-haut  = 20 Filtre passe-haut  = 60

Antoine MANZANERA – Cours TERI – Master 2 IAD page 29

 II-1 Filtrage dans le domaine de Fourier
Filtrage passe-bande
Le filtrage passe-bande
correspond à la
multiplication dans le
domaine fréquentiel par une
fonction bande symétrique.

Dans ce cas comme dans le

précédent, la valeur de la
fréquence origine (0,0) est
annulée. Par conséquent, TF TF-1
l'image correspondante dans
le domaine spatial est de
somme nulle, elle comporte
donc des valeurs négatives.

Antoine MANZANERA – Cours TERI – Master 2 IAD page 30

 II-2 Filtrage par convolution
Les approximations les plus simples des dérivées directionnelles se font par différences finies calculées
par convolution avec des noyaux très simples :
Par ex : [−1 1] , pour l'approximation de ∂f
∂x
, et : [ ] , pour l'approximation de
−1
1
∂f
∂y

[ ]
−1
On utilise plus souvent [−1 0 1 ] , respectivement 0 qui produisent des frontières plus épaisses,
1
mais bien centrées (phase nulle).
Ces opérations étant très sensibles au bruit, on les combine en géneral avec un filtre lisseur dans la
direction orthogonale à celle de dérivation, par ex par le noyau suivant (ou sa transposée) : [1 2 1]
Le calcul des dérivées directionnelles en x et en y revient finalement à la convolution avec les noyaux
suivants, respectivement :

[ ] [ ]
−1 0 1 −1 −2 −1
f x [i , j ]= f ∗h x [i , j] , avec : h x = −2 0 2 h y = 0 0 0 (Masques de Sobel)
f y [i , j ]= f ∗h y [i , j ] −1 0 1 1 2 1

On peut ensuite calculer la norme du gradient : Et son orientation :

∥∇ f [i , j]∥2=  f x [i , j ]2 f y [i , j]2

∥∇ f [i , j ]∥1 =∣ f x [i , j]∣∣ f y [i , j ]∣
∥∇ f [i , j]∥∞ =max {∣ f x [i , j ]∣,∣ f y [i , j ]∣}
arg  ∇ f [i , j ]=arctan
 f y [i , j ]
f x [i , j ] 
Antoine MANZANERA – Cours TERI – Master 2 IAD page 31
 II-2 Filtrage par convolution

Notons que les noyaux

dérivateurs sont à
somme nulle, la
transformée de Fourier
de leur réponse
impulsionnelle est donc
nulle à l'origine.

Original Noyau [-1 1] Noyau [-1 0 1]

Gradient horizontal (Sobel) Gradient vertical (Sobel) Module du gradient de

Sobel
Antoine MANZANERA – Cours TERI – Master 2 IAD page 32
 II-2 Filtrage par convolution
L'approximation par différences finies la plus simple de la dérivée seconde est la convolution par le
noyau :

[ ]
2 1 2
[1−2 1] , pour l'approximation de ∂ f , et : −2 , pour l'approximation de ∂ f
∂ x2 1 ∂ y2

∂2 f ∂2 f
Le laplacien  f =  peut donc être approximé par l'opérateur linéaire suivant :
∂ x2 ∂ y2

[ ] [ ]
1 1 1 1
Laplacien en Laplacien en
1 −4 1 4-connexité , ou encore 1 −8 1 8-connexité
1 1 1 1

Original Laplacien 4-cx Laplacien 8-cx

Antoine MANZANERA – Cours TERI – Master 2 IAD page 33

 II-3 Opérateurs résiduels non linéaires

B  X  B X 

X g B  X = B  X − B  X  B  X = B  X  B  X − 2X

Antoine MANZANERA – Cours TERI – Master 2 IAD page 34

 II-3 Opérateurs résiduels non linéaires

B X  B  X 

X  B  X = X − B  X  
 B
 X = B  X − X

Antoine MANZANERA – Cours TERI – Master 2 IAD page 35

 II TI et portée des opérateurs
Les opérateurs de traitement d'images possèdent une certaine portée correspondant à l'amplitude du
voisinage qui interagit.
Un exemple, l'opération de réhaussement de contraste (unsharp masking) :
R f [ x , y ]= f [ x , y ]−⋅ f [ x , y] ( : gain)

En soustrayant le laplacien à l'image original, on augmente le contraste.

Mais le contraste est une notion multi-échelle :
Original ( = 0.5 ,  = 3) ( = 2.5 ,  = 10) ( = 7.5 ,  = 80)

Il faut donc des mécanismes pour adapter la portée des opérateurs :

Laplaciens calculés par
dérivées secondes de
noyaux gaussiens, pour
 = 1, puis 5, puis 15 :

Antoine MANZANERA – Cours TERI – Master 2 IAD page 36

 Filtrage - Conclusion

FILTRAGE

Dégradation liée à un bruit

additif multiplicatif

g  x = f  x . b  x
g  x = f  x b x 
TF
Log
G u = F u  Bu

Supp  B∩Supp F =∅

OUI
NON

G×1 Supp B ≡G− B

c

Filtrage
linéaire : Filtrage non linéaire :
convolution rang, morphologique,...

Antoine MANZANERA – Cours TERI – Master 2 IAD page 37

 Détection de contours – Plan

1 Méthodes élémentaires
2 Méthodes analytiques : principe
3 Méthodes analytiques : multi-échelle

Antoine MANZANERA – Cours TERI – Master 2 IAD page 2

 Détection de contours
La détection de contours est une technique de réduction d'information dans
les images, qui consiste à transformer l'image en un ensemble de courbes,
pas forcément fermées, formant les frontières significatives de l'image.

Si les structures extraites sont simples à manipuler (courbes fines,

régulières, stables...), elles peuvent être utiles pour la mise en
correspondance d'images (robotique, indexation,...)

Image n°13
Contours image n°13 Contours image n°22
Antoine MANZANERA – Cours TERI – Master 2 IAD page 3
 Contours : méthode élémentaire
Norme L1 du gradient de Sobel

∣...∣
+

∂I
Sobel vertical :
∂y Seuillage

Original
∣...∣

∂I Amincissement Contours épais

Sobel horizontal :
●

∂x ● Poursuite

● Fermeture
Antoine MANZANERA – Cours TERI – Master 2 IAD page 4
 III Contours : méthode analytique
En 1d, un contour correspond à un maximum
f (x) f '(x) f ''(x)
de la dérivée première, c'est-à-dire à un
passage par zéro de la dérivée seconde :

Pour retrouver cette propriété en 2d, il faut se placer dans la

direction du gradient. Les contours sont donc définis comme
les maxima de la dérivée première dans la direction du
∇I
gradient, c'est-à-dire des passages par zéros de la dérivée
g seconde dans la direction du gradient, soit :

x I g g =0
t
 
2
∂ I
I g g= 2
∂g

Antoine MANZANERA – Cours TERI – Master 2 IAD page 5

 III Contours : méthode analytique
Exprimons la fonction image et ses dérivées dans le repère local
au gradient (g,t) :

g= x cos y sin  x= g cost sin 

t =−x sin  y cos  y= g sin −t cos 
∇I
g
avec =arg  ∇ I =arctan  
Ix
Iy

φ Calcul des dérivées premières :

x I g =I x cos  I y sin 
I t =I x sin −I y cos 
t Ix Iy
Et puisque cos = ∥∇ I ∥ et sin = ∥∇ I∥ on a :

y I g =∥∇ I ∥
I t =0

● La composante tangentielle t correspond à la direction de l'isophote ou ligne de niveau.

● La composante gradient g correspond à la direction principale de variation.

Antoine MANZANERA – Cours TERI – Master 2 IAD page 6

 III Contours : méthode analytique
Calcul des dérivées secondes :
I g g = I x x cos2 2 I x y cos  sin  I y y sin 2 
2 2
I t t= I x x sin −2 I x y cos sin  I y y cos 
Et finalement, en remplaçant cos φ et sin φ par leur expression en
∇I fonction du gradient, l'équation des contours devient :
2 2
g I xx I x 2 I x y I x I y I y y I y =0
φ
Soit 5 dérivées à calculer. On peut néanmoins gagner beaucoup en
x approximant la dérivée seconde dans la direction de g par le
laplacien. En effet, on peut remarquer que :
t
I g g I t t =I xx I y y = I
y Le laplacien est donc invariant par rotation.

Or Itt, la dérivée seconde dans la direction de t, correspond à la courbure de la ligne isophote (ligne de
niveau). Si cette courbure est faible, on a : I ≃0⇒≃I
tt gg

Finalement, l'équation des contours devient :  I =0

Antoine MANZANERA – Cours TERI – Master 2 IAD page 7
 Contours et Laplacien

Laplacien

+ + ++
+ - - +
● Seuiller les passages par + - .../...
zéro selon le contraste. + +
● Sélectionner les structures

en fonction de l'échelle Détection des

changements de
polarité dans un
voisinage 2x2
Passages par zéro
Antoine MANZANERA – Cours TERI – Master 2 IAD page 8
 Dérivées multi-échelles
n n
∂  I ∗gt =I ∗∂ gt
2
∂ gt ∂ gt
gt 2
∂x ∂x
échelle

I Ix ∥∇ I ∥= I x 2  I y 2 I xx I xy  I=I x x I y y

Antoine MANZANERA – Cours TERI – Master 2 IAD page 9

 Contours multi-échelles

σ = 1.0 σ = 1.5 σ = 2.0

Σ = 2.5 σ = 3.5 σ = 5.0

Antoine MANZANERA – Cours TERI – Master 2 IAD page 10

 Contours et contrastes
Laplacien (σ = 1.5) Module du gradient (σ = 1.5)

Le seuil par hystérésis

consiste à sélectionner
l'ensemble des composantes
connexes dans l'image de
passages par zéro seuil bas, qui ont au moins 1
Seuil bas
(s = 0.5) pixel dans l'image de seuil
Seuil haut (s = 8.0)
haut (voir reconstruction
géodésique).

Seuil par hystérésis

Antoine MANZANERA – Cours TERI – Master 2 IAD page 11
 Contours - Conclusion

CONTOURS
Courbure négligée ?

non oui
∥∇  I ∥
I g g  I
Seuil Seuil par
simple hystérésis
Passages par zéro

Z G

Intersection

σ : échelle C
caractéristique
Contours

Antoine MANZANERA – Cours TERI – Master 2 IAD page 12

 Codage d’image :
Exemple de la compression Jpeg

• Représentation fréquentielle et DCT

• Quantification des coefficients DCT

• Parcours des blocs DCT et codage par plage

• Codage entropique et algorithme de Huffman

Antoine MANZANERA – Cours TERI – Master IAD UPMC Paris 6

 La norme de compression Jpeg utilise une représentation des images sous forme de transformée en cosinus discret
bidimensionnel (DCT2d) :

Transformée directe : Transformée inverse :

 ( 0 , 0 ) ( u ,v ) n 1 n 1  ( 0 , 0 ) ( u ,v )
2 1  (2 x  1)u (2 y  1)v n 1 n 1
 1  (2 x  1)u (2 y  1)v
C (u, v)     I ( x, y)  cos  sin  I ( x, y)     C (u, v)  cos  sin 
n 2 x 0 y 0 n n u 0 v 0  2  n n

Dans cette représentation, un bloc (imagette) de taille nn

est représenté par ses composantes dans une base de nn
fonctions élémentaires Fu,v(x,y) :

n 1 n 1
I ( x, y )   C (u, v )  Fu ,v ( x, y )
u 0 v 0

avec : Fu ,v ( x, y )    1  ( 0 , 0 ) ( u ,v )
2
cos  ( 2 x 1) u
n  sin  ( 2 y 1) v
n

L’avantage de cette base, est que contrairement à la base

canonique, certaines composantes peuvent être
considérées comme moins importantes. C’est cette
propriété qu’exploite la compression avec perte.
Ci contre, la base DCT2d pour des blocs de taille 88 :

Les 64 fonctions élémentaires Fu,v (n = 8)

Antoine MANZANERA – Cours TERI – Master IAD UPMC Paris 6
 Sur de grandes images, cette transformation est appliquée à tous les blocs
carrés d’un découpage régulier, voir exemple ci-contre (n = 8) :

Le mode de représentation (1) de la DCT2d préserve la localisation des

blocs de l’image originale : il illustre bien l’irrégularité spatiale de la
répartition de l’information.

Le mode de représentation (2) de la DCT2d regroupe les pixels de tous les

blocs par coefficient. Il permet de visualiser le découpage en bande de
fréquence, et d’apprécier la différence de leur pertinence d’un point de vue
psychovisuel.

La compression Jpeg
exploite cette différence en
quantifiant plus fortement,
voire en supprimant les
fréquences les plus élevées
de la DCT2d

(2) (1)
Antoine MANZANERA – Cours TERI – Master IAD UPMC Paris 6
 Transmission progressive d’image correspondant à une allocation de débit variable du codage DCT2d.
La norme Jpeg utilise en outre un codage entropique qui n’est pas pris en compte ci-dessous :

originale DCT2d quantifiée DCT2d inverse

256x256 pixels codés Bitrate : 0,25

sur 8 bits.
Size : 16 Ko
Mean Square Error : 378,7
Antoine MANZANERA – Cours TERI – Master IAD UPMC Paris 6
 Transmission progressive d’image correspondant à une allocation de débit variable du codage DCT2d.
La norme Jpeg utilise en outre un codage entropique qui n’est pas pris en compte ci-dessous :

originale DCT2d quantifiée DCT2d inverse

256x256 pixels codés Bitrate : 0,5

sur 8 bits.
Size : 32 Ko
Mean Square Error : 239,5
Antoine MANZANERA – Cours TERI – Master IAD UPMC Paris 6
 Transmission progressive d’image correspondant à une allocation de débit variable du codage DCT2d.
La norme Jpeg utilise en outre un codage entropique qui n’est pas pris en compte ci-dessous :

originale DCT2d quantifiée DCT2d inverse

256x256 pixels codés Bitrate : 0,75

sur 8 bits.
Size : 48 Ko
Mean Square Error : 171,8
Antoine MANZANERA – Cours TERI – Master IAD UPMC Paris 6
 Transmission progressive d’image correspondant à une allocation de débit variable du codage DCT2d.
La norme Jpeg utilise en outre un codage entropique qui n’est pas pris en compte ci-dessous :

originale DCT2d quantifiée DCT2d inverse

256x256 pixels codés Bitrate : 1

sur 8 bits.
Size : 64 Ko
Mean Square Error : 130,2
Antoine MANZANERA – Cours TERI – Master IAD UPMC Paris 6
 Transmission progressive d’image correspondant à une allocation de débit variable du codage DCT2d.
La norme Jpeg utilise en outre un codage entropique qui n’est pas pris en compte ci-dessous :

originale DCT2d quantifiée DCT2d inverse

256x256 pixels codés Bitrate : 1,5

sur 8 bits.
Size : 96 Ko
Mean Square Error : 79,8
Antoine MANZANERA – Cours TERI – Master IAD UPMC Paris 6
 Transmission progressive d’image correspondant à une allocation de débit variable du codage DCT2d.
La norme Jpeg utilise en outre un codage entropique qui n’est pas pris en compte ci-dessous :

originale DCT2d quantifiée DCT2d inverse

256x256 pixels codés Bitrate : 2

sur 8 bits.
Size : 128 Ko
Mean Square Error : 50,0
Antoine MANZANERA – Cours TERI – Master IAD UPMC Paris 6
 Transmission progressive d’image correspondant à une allocation de débit variable du codage DCT2d.
La norme Jpeg utilise en outre un codage entropique qui n’est pas pris en compte ci-dessous :

originale DCT2d quantifiée DCT2d inverse

256x256 pixels codés Bitrate : 2,5

sur 8 bits.
Size : 160 Ko
Mean Square Error : 31,6
Antoine MANZANERA – Cours TERI – Master IAD UPMC Paris 6
 Transmission progressive d’image correspondant à une allocation de débit variable du codage DCT2d.
La norme Jpeg utilise en outre un codage entropique qui n’est pas pris en compte ci-dessous :

originale DCT2d quantifiée DCT2d inverse

256x256 pixels codés Bitrate : 3

sur 8 bits.
Size : 192 Ko
Mean Square Error : 19,9
Antoine MANZANERA – Cours TERI – Master IAD UPMC Paris 6
 Transmission progressive d’image correspondant à une allocation de débit variable du codage DCT2d.
La norme Jpeg utilise en outre un codage entropique qui n’est pas pris en compte ci-dessous :

originale DCT2d quantifiée DCT2d inverse

256x256 pixels codés Bitrate : 3,5

sur 8 bits.
Size : 224 Ko
Mean Square Error : 12,4
Antoine MANZANERA – Cours TERI – Master IAD UPMC Paris 6
 Transmission progressive d’image correspondant à une allocation de débit variable du codage DCT2d.
La norme Jpeg utilise en outre un codage entropique qui n’est pas pris en compte ci-dessous :

originale DCT2d quantifiée DCT2d inverse

256x256 pixels codés Bitrate : 4

sur 8 bits.
Size : 256 Ko
Mean Square Error : 7,5
Antoine MANZANERA – Cours TERI – Master IAD UPMC Paris 6
 Après la transformée en DCT2d et la quantification, la deuxième partie de la norme Jpeg utilise une compression sans
perte qui va : (1) regrouper les nombreuses valeurs nulles par plages (Run Length Encoding), et (2) exploiter le
déséquilibre dans la distribution des valeurs à coder en attribuant à chaque valeur (symbole) une longueur (nombre de
bits) inversement proportionnelle à sa probabilité d’apparition (codage entropique).

(1) Chaque bloc DCT2d quantifié est transformé en un vecteur ligne grâce à un parcours en zig-zag :

Cette transformation regroupe les

valeurs faibles en fin de vecteur.

(2) Les valeurs non nulles sont codées par le codage de Huffman :

a 0
0,15
0 Symbole Probab. Code
0,32 a 0,15 000
b 1 0,5 0
0,08 0 b 0,08 010
c
0,5 1 1 c 0,5 1
1
d d 0,04 0110
0,04
0 0,18 e 0,17 001
e 1
0,17 0,1 f 0,06 0111
f 1
0,06
Antoine MANZANERA – Cours TERI – Master IAD UPMC Paris 6