Introduction au Traitement d’image

Master Système Embarqué

Aissa. Belmeguenai

Laboratoire de Recherche en Electronique de Skikda

Université 20 Août 1955- Skikda
BP 26 Route d’El-hadaeik Skikda, Algeria

2019

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 1 / 59
 Outline

1 L’Image

2 Système de Traitement d’Image

3 Histogramme

4 Convolution

5 Transformations d’images

6 Seuillage et Binarisation

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 2 / 59
 1. L’Image

Définition
Une image est avant tout un signal 2D(x,y)
Souvent, cette image représente une réalité 3D(x,y,z)
D’un point de vue mathématique :
Une image est une matrice de nombres représentant un signal
Plusieurs outils permettent de manipuler ce signal
D’un point de vue humain :
Une image contient plusieurs informations sémantiques
Il faut interpréter le contenu au-delà de la valeur des nombres
Une image est représentée :
Par fonction continue f(x, y), x, y R;
Les valeurs de f(x,y) sont la réponse du capteur au phénomne observé
Les valeurs de f(x,y) sont des valeurs de voltage continu.
Les valeurs de f(x, y) doivent être converties vers le domaine numérique.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 3 / 59
 Image Numérique

Définition
Une image est dite numèrique si elle est échantiollonée et quantifiée.
Échantiollonnage:
La discrétisation des coordonnées de l’image réelle (généralement limité
par la capacité du capteur), donc le nombre de pixels disponible.
Le résultat est un découpage discret de l’image en une matrice de
pixels de taille Largeur x Hauteur y .
L’échantillonnage influence la résolution spatiale de l’image finale,
c’est-à-dire le nombre de pixels (en x et y ) que contiendra cette image
et le plus petit détail qui sera discernable sur cette image.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 4 / 59
 Image Numérique

Quantification:
La quantification est la discrétisation du niveau de gris (ou de la
couleur) de chaque pixel selon une échelle définie sur k bits.
La quantification influence la résolution des tons de gris (ou de
couleurs), c’est-à-dire le plus petit changement de gris (ou de couleur)
qui sera discernable pour un pixel de l’image finale.
Une image numérique est composée d’un ensemble fini d’élments,
appelés picture élément, ou pixels (voxels en 3D).
Dynamique de l’image:
la dynamique de l’image D, est l’étendue des valeurs qu’un pixel peut
prendre D = [Dmin , Dmax ].

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 5 / 59
 Image Numérique

Figure : L’échantillonnage et la quantification.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 6 / 59
 Résolution

La résolution correspond à la finesse de la description spatiale.

Définition : la résolution est le nombre de points/pixels par unité de
longueur. Exprimé en : dpi : dots per inch (points par pouce.)

Figure : Résolution spatiale : Échantiollonnage.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 7 / 59
 Résolution

Figure : Résolution tonale : Quantification.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 8 / 59
 Représentation d’une image numérique

Représentation matricielle :
Le contenu de l’image est représentée par une matrice f (i, j) de i × j
pixels (picture element).
Chaque pixel est localisé par la ligne i et de la colonne j est désigné par
f(i,j).
Représentation vectorielle:
Le contenu de l’image est représentée par un vecteur V = [0, ..., i × j]
de i × j pixels (picture element).
Les lignes de l’image sont juxtaposées de manière former un vecteur
V = [0, ..., i × j].

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 9 / 59
 Différents types d’images

Imagerie à rayons X (radiologie, scanner).

Imagerie radio-active (tomographie)
Imagerie IRM (rsonance magnétique)
Imagerie satellitaire
Imagerie multispectrale et imagerie couleur
Imagerie d’écho (radar, sonar, échographe, doppler)
Imagerie thermique (thermographie)
Imagerie vidéo (vision industrielle, vidéo surveillance)

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 10 / 59
 Différents format d’images

Image en mode point (Bitmap):

Ce sont les niveaux de gris des pixels et leur position dans l’image qui
définissent le contenu de celle-ci.
Les formats les plus connus sont RAW, BMP, TIFF (compression),
JPEG (compression), GIF (compression) ou PNG (compression).
Image Binaire:
Dans une image binaire, les pixels sont représentés par deux états
logiques 0 (noir) et 1 (blanc). C’est un codage de l’image sur 1 bit.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 11 / 59
 Image Binaire

Figure : Image Binaire.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 12 / 59
 Différents format d’images
Image à niveaux de gris:
Chaque pixel est codé sur k bits, ce qui lui confère des valeurs entières
comprises entre 0 (noir) et2k − 1 (blanc).

Figure : Image à niveaux de gris.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 13 / 59
 Différents format d’images
Image couleur
Une image couleur correspond à la synthèse additive de 3 images,
rouge, vert et bleu. Chaque pixel est donc codé sur 3 × k bits.
La couleur d’un pixel est représentée par 3 composantes couleur et
donne naissance à un point dans un espace tridimensionnel

Figure : Image couleur.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 14 / 59
 Voisinage de pixels
Connexité
Connexit d’ordre 4 : on considre les 4 voisins directs N, S, O et E du
pixel.
Connexit d’ordre 8 : on considre les 8 voisins directs N, NE, NO, S, SE,
SO, O et E du pixel.

Figure : Connexité d’ordre 4 et d’ordre 8.

Aissa. Belmeguenai (Université 20 Août 1955-
Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 15 / 59
 Images Naturelles
Image naturelle: Plusieurs moyens d’acquisition
Caméra, microscope, tomographie, infrarouge, satellite,

Figure : Image naturelle.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 16 / 59
 Images Artificielles

Image artificielle: Plusieurs outils de représentation

Synthèse d’images, réalité virtuelle, visualisation scientifique,

Figure : Image artificielle.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 17 / 59
 Qualité d’une image

Contraste: qualité de la dynamique des intensités de l’image.

Bruit: signal ’parasite’ dont la distribution dans l’image est aléatoire et la
plupart du temps inconnue.
Déformations géomtriques: défauts dus à l’acquisition de l’image (ex.
différence d’axe entre le capteur d’acquisition et le centre de la scène
observée).
Dégradations connues : (ex. dus à la réponse impulsionnelle du
détecteur).

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 18 / 59
 Contenu d’une image

Texture: répartition statistique ou géomtrique des intensités dans l’image.

Contour : limite entre deux ou un groupe de pixels dont la différence de
niveaux de gris ou de couleurs est significative.
Rgion : groupe de pixels présentant des caractéristiques similaires
(intensité, mouvement, etc.).
Objet : région (groupe de régions) entièrement délimite par un contour,
possédant une indépendance dans l’image.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 19 / 59
 Contenu d’une image

Figure :

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 20 / 59
 2. Système de Traitement d’Image
Un systèm de traitement numérique d’image est composé de :
Acquisition: Convertir l’image d’une vue réelle en une image
numérique
Prétraitement:
Compresser, restaurer et améliorer limage.
Préparer l’image au traitement et à l’analyse.
Coder l’image
Traitement (ou analyse)
Extraire l’information utile.
Traitement bas-niveau : l’image est décrite de manière numérique
(structurelle), il n’y a pas de liens avec la réalité qu’elle repréésente.
Traitement haut-niveau : l’image est décrite de manière symbolique, un
lien existe avec la scène observée.
Analyse (ou décision ou interprétation):
Interpréter les informations et déécider d’une action à engager: l’image
est alors décrite de manière sémantique.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 21 / 59
 Système de traitement d’image

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 22 / 59
 Différents types de traitements

Synthèse d’images (infographie):

Modélisation mathématique du contenu des images.
Amélioration
Modification de l’image dans le but de la rendre plus agréable à l’oeil.
Restauration
Correction des défauts dus à une source de dégradation.
Compression
Réduction du volume de l’image.
Quantification:
Codage de l’image.
Segmentation:
Partition de l’image

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 23 / 59
 Différents types de traitements

Classification
Affectation des données de l’image à une classe définie.
Reconnaissances des formes
Identification du contenu de l’image.
Indexation et recherche d’images
Caractérisation du contenu de l’image.
Analyse du mouvement
Estimation du mouvement dans les séquences d’images.
Vision 3D
Localisation en 3 dimensions des objets dans l’image (triangulation,
stéréoscopie ou stéréovision, granulométrie, )
Visualisation

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 24 / 59
 3. Histogramme

Définition: L’histogramme représente la distribution des niveaux de

gris (ou de couleurs) dans une image.
Fonction décrivant la répartition des niveaux de gris (niveaux
d’intensité) de l’image
Fournit des informations propres à l’image, telles que :
La distribution statistique des niveaux de gris
Les bornes de répartition des niveaux de gris
Mais aucune information spatiale !
Notation: H(k) nombre de pixels dans l’image ayant le niveau de gris
k.
Cas considr : image code sur m=8 bits 256 niveaux de gris disponibles
Convention : labscisse dun histogramme reprsente les niveaux gris
allant du plus fonc gauche au plus clair droite.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 25 / 59
 3. Histogramme

Figure : Quelques exemples dhistogrammes.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 26 / 59
 3. Histogramme
Deux images différentes (en termes de contenu sémantique) peuvent
aussi avoir le même histogramme.

Figure : Histogramme deux images diffrentes.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 27 / 59
 Histogramme Normalisé

Définition
Fonction Hn donnant la probabilité (en termes de fréquence
d’occurrence) qu’un pixel ait pour niveau de gris k
Hn (k) est le taux de pixels ayant un niveau de gris égal à k:

H(k)
Hn (k) = (1)
N ×M
Où N et M sont respectivement le nombre de lignes et de colonnes de
l’image.
Les valeurs de Hn (k) sont normalisées.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 28 / 59
 Histogramme Cumulé

Définition
Lhistogramme cumulé est donné par :
X
Hc (k) = H(i) (2)
i≤k

Où H(.) est lhistogramme.

Il est défini récursivement par :

Hc (0) = H(0)
Hc (k) = (3)
Hc (k) = Hc (k − 1) + H(k)

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 29 / 59
 Histogramme Cumulé

Figure : Histogramme et Histogramme Cumulé.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 30 / 59
 Histogramme Cumulé Normalisé

L’histogramme cumulé normalisé est donné par :

Hcn (i) = Σi≤k Hn (i)

(4)

Où Hn (.) est l’histogramme normalisé.

Hcn (k)représente la probabilité d’avoir un niveau de gris inférieur ou
égal à : approximation discrète de la fonction de répartition du variable
aléatoire ”niveau de gris d’un pixel”.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 31 / 59
 4. Convolution

C’est l’oprateur de base du traitement linéaire des images.

Soit I une image numérique; soit h une fonction de
[x1 , x2 ] × [y1 , y2 ]àvaleursr é[Link] I par h estd éfiniepar :
y2
x2 X
X
I ∗h = h(i, j)I (x − i, y − j) (5)
i=x1 j=y1

La fonction h est dite noyau de convolution. En générale, h est un

masque carré de taille d impaire.
Les nouvelles valeurs sont calculées par le produit scalaire entre le
noyau de convolution et le voisinage du pixel.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 32 / 59
 4. Convolution

Figure : Noyau de convolution.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 33 / 59
 4. Convolution

Figure : Produit de convolution.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 34 / 59
 4. Convolution

Figure : Produit de convolution.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 35 / 59
 4. Convolution

Propriétés
Commutativité : f ∗ h = h ∗ f
Associativité : (f ∗ g ) ∗ h = f ∗ (g ∗ h)
Distributivité : (f + g ) ∗ h = (f ∗ h) + (g ∗ h)
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 l’origine (0,0) du noyau
de convolution).

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 36 / 59
 5. Transformations d’images: Principes et Types

Principe
Changer la valeur de chaque pixel d’une image I pour obtenir une
nouvelle image I 0 . Cette image résultat a même taille que I mais des
propriétés plus intéressantes.
Notation
0
La transformation est notée T : I (x, y )) = T (I (x, y )).

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 37 / 59
 5. Transformations d’images

Types de Transformations
Ponctuelles (ou pixel pixel): la nouvelle valeur I’(x,y) est obtenue
0
partir de I(x,y) seulement I (x, y )) = T (I (x, y )).
Exemple: seuillage, ajustement luminosit/contraste oprations algbriques,
manipulation d’histogramme.
Locales (ou de voisinage): la nouvelle valeur I 0 (x, y ) est obtenue à
partir de l’ensemble des valeurs initiales I (V (x, y )) dans un voisinage
autour du pixel de coordonnes (x, y ).
0
I (x, y )) = T (I (V (x, y )))
Exemple Filtrage
Globales : la nouvelle valeur I 0 (x, y ) est obtenue à partir de
l’ensemble des valeurs de l’image initiale I .
0
I (x, y )) = T (I )
Transformation dans l’espace de Fourier.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 38 / 59
 Transformations ponctuelles:Look-Up Table (LUT)

Principe
Une transformation ponctuelle T change un niveau de gris k dans
l’image initiale I en un niveau de gris k 0 pour obtenir l’image rsultat I 0 .
Elle est donc définie par une table de correspondance ou LUT qui
définit, pour chaque niveau de gris k, le nouveau niveau k 0 = T (k).

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 39 / 59
 Reprsentations de la LUT tableau ou graphe

Figure : Représentations de la LUT.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 40 / 59
 Transformations ponctuelles
Exemples
Identité k = k 0 .
Négatitif k0 = 255 − k.
0sik < 127
Seuillage k 0 =
1sik ≥ 127.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 41 / 59
 Transformation linéaire simple

Expansion de la dynamique
Soit k 0 = [kmin , kmax ] la dynamique de l’image initiale..
Fonction de transformation :
k−kmin
k 0 = 255 kmax −kmin ) .

k−kmin
Avec kmax −kmin )∈ [0, 1 ]
Effet : rehaussement du contraste par expansion de la dynamique
Remarque : pas d’effet si kmin = 0 et kmax = 255 .

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 42 / 59
 Transformation linéaire

Figure : Transformation linéaire.

Aissa. Belmeguenai (Université 20 Août 1955-
Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 43 / 59
 Transformation linéaire par morceaux

Ces fonctions peuvent êtres plus ou moins complexe

k 0 = αk + β
Effet : selon la pente locale (gain), expansion ou compression de la
dynamique
Rehaussement du contraste si gain> 1
Diminution du contraste si gain < 1

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 44 / 59
 Transformation linéaire par morceaux

Figure : Transformation linéaire par morceaux.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 45 / 59
 Quantification

Quantification:
Transformation linéaire par morceaux utilisant des paliers.
Ex: paliers de mêmes largeurs et de hauteurs réparties uniformément.
Résultat : seuls les niveaux de ces paliers sont conservés dans le
résultat.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 46 / 59
 Quantification

Figure : Quantification.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 47 / 59
 Transformations non-linéaires

Correction gamma:
k 0 = kmax ( 255
k 1/γ
)
γ > 1 Cette transformation augmente la plage dynamique des
intensités élevées : dilatation des zones claires
γ < 1 Elle augmente la plage dynamique des intensits faibles dilatation
de zones sombres.
kmax = 255 pour une image 8 bits..

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 48 / 59
 Correction gamma:

Figure : Correction gamma:

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 49 / 59
 Transformations non-linaires

Transformation logarithmique:
k0 = kmax
ln(1+kmax ) ln(1 + k)
Cette transformation de lintensit permet de dilater les intensits faibles
et de compresser les niveaux dintensits leves.
kmax = 255 pour une image 8 bits..

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 50 / 59
 Transformation logarithmique

Figure : Transformation logarithmique

Aissa. Belmeguenai (Université 20 Août 1955-
Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 51 / 59
 Égalisation d’histogramme

Principe:
On cherche à obtenir une image où les niveaux de gris sont répartis de
manière la plus égalitaire possible (contraste maximal).
L’histogramme de l’image résultat I 0 est donc plat (idéalement) :
On cherche une fonction de transformation
k 0 = T (k) = round(255 × Hcn (k))
Où Hcn (k) est l’histogramme cumélé normalisé.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 52 / 59
 Égalisation d’histogramme

Figure : Égalisation d’histogramme

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 53 / 59
 Égalisation d’histogramme

Figure : Égalisation d’histogramme

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 54 / 59
 Égalisation d’une image couleur

Considérons une image A = (R, G , B)

On calculer l’intensité de l’image couleur
I = R+G3 +B
On calculer l’histogramme de I
Calculer l’histogramme cumulé normalisé de I noté Hcn
On applique l’égalisation de l’histogramme dans chaque plan de l’image
couleur
R 0 = Hcn (R) × 255
G 0 = Hcn (G ) × 255
B 0 = Hcn (B) × 255
A(R 0 , G 0 , B 0 ) L’égalisation de A .

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 55 / 59
 3. Seuillage et Binarisation

Définitions et principe
Seuillage: traitement ramenant l’image à deux ou quelques niveaux
d’intensité
Binarisation: traitement ramenant l’image à deux niveaux (seuillage
binaire)
Le seuillage
 binaire est défini par:
k1 sik ≤S
k0 =
k2 sik > S.
Où k1 , k2 et S (seuils) sont des niveaux de gris.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 56 / 59
 Binarisation
La binarisation est aussi la première étape d’isolement des objets par
rapport au fond.

Aissa. Belmeguenai (Université 20 Août 1955-

Figure : Binarisation
Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 57 / 59
 Seuillage optimal

Ayant une image constituée des informations fond + objet. Comment

trouver le seuil optimum séparant l’objet et le fond ?
On sépare les niveaux en deux classes:
C1 : Classe des niveaux de 1 à k
C2 : Classe des niveaux de k + 1 à 255.
Pour chaque classe, on détermine les éléments statistiques
|C1 | : Nombre de pixels ∈ C1 , C1 = ki=0 H(i)
P

|C2 | : Nombre de pixels ∈ C2 , C2 = 255

P
i=k+1 H(i)
1 Pk
µ1 : Niveau moyen de C1 , µ1 = |C1 | i=0 i × H(i)
µ2 : Niveau moyen de C2 , µ21 = |C12 | 255
P
i=k+1 i × H(i)

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 58 / 59
 Seuillage optimal

1 Pk
σ1 = |C1 | i=0 (i − µ1 )2 H(i)
P255
σ2 = |C12 | i=k+1 (i − µ2 )2 H(i)
Où σ1 et σ2 les variances de C1 respectivement C2
Puis on calcule la fonction d’estimation W (k) = σ12 + σ22
En variant k de k + 1 à 254, on détermine k0 le niveau correspondant
au minimum deW (k).
Ce niveau représente le seuil optimum.

Aissa. Belmeguenai (Université 20 Août 1955-

Introduction
Skikda) au Traitement d’image Master Système Embarqué 2019 59 / 59