Initiation au traitement d’images

Plan du cours

● Introduction
● Image numérique
Définitions, caractérisation
Numérisation et échantillonnage
Espaces des couleurs
Types d’images numériques
Formats des images numériques
Contenu des images
● Méthodes du traitement d’image
Représentation spatiale et fréquentielle de l'image.
Opérateurs et transformées classiques, transformées 2D,
transformée de Fourier
Amélioration et correction d’images : Filtrage, convolution
Prétraitements : Détection de contours, Seuillage,
Morphologie mathématique
Segmentation de l'image : détections de contours, de régions
1
 Initiation au traitement d’images
Introduction

Objectifs :
• Connaître les outils du traitement d’image
• Utiliser les méthodes du traitement d’image
Définition
Par traitement d'images, on désigne l'ensemble des
opérations sur les images numériques, qui transforment une
image en une autre image, ou en une autre primitive formelle.
Le traitement d'image consiste à améliorer le contenu d'une
image pour en extraire de l'information : par exemple
identifier une séquence de texte [OCR - Optical Character
Recognition] ou un chromosome, éviter un obstacle
(robotique), détecter des zones soumises à l'érosion
(télédétection).
2
 Initiation au traitement d’images
Introduction

Traiter une image c'est lui ajouter du sens par un procédé

automatique.
Pour cela il peut être nécessaire de supprimer les facteurs de
bruit, de rehausser les signaux utiles contribuant à une
meilleure lisibilité. Nous examinerons donc différentes
transformations. Certaines affectent tout (ou partie) des
pixels de l'image sans qu'intervienne la notion de position
spatiale des pixels, ce sont des transformations globales. Les
opérations entre images permettent de traiter des séries
d'images relatives à la même scène. Enfin des opérations plus
élaborées, dites de convolution, portent sur plusieurs pixels
voisins et ont donc un caractère local.

3
 Initiation au traitement d’images
Introduction

Un système de traitement d’images permet d’acquérir, de lire, de

visualiser, de modifier et stocker les images. Il est composé d’une partie
matérielle (hardware) et logicielle (software)
Matérielle
système d’acquisition (images multimodales 3D+t) ;
système de traitement (ordinateur) ;
système de stockage, archivage ;
systèmes de visualisation et restitution.
Logicielle
acquisition ;
traitement ;
archivage.

4
 Initiation au traitement d’images
Introduction

Traitements Stockage

Stockage

Visualisation

Numérisation
Echantillonnage Acquisition
5
Initiation au traitement d’images
Introduction

Acquisition

Numérisation

Traitement

Stockage Visualisation

6
Initiation au traitement d’images
Introduction

7
Initiation au traitement d’images
Introduction Applications

8
Initiation au traitement d’images
Introduction Applications

Évitement d’obstacle

Reconstruction 3D

Environnement non structuré / hostile

9
 Initiation au traitement d’images
Introduction Applications

Analyse
Théorie du numérique Statistique
signal

Informatique Traitement
Théorie de
d’images l’information

Electronique Neurophysiologie
Théorie des psychophysique
Optique systèmes

10
Initiation au traitement d’images
Définition Image

Vision discrète

Vision surfacique

11
 Initiation au traitement d’images
Définition Image : représentation

(0,0) y

f(x,y) =intensité
lumineuse

x
12
 Initiation au traitement d’images
Définition Image

Définitions et notations
Une image est représentée :
• par fonction continue f (x; y), x; y 𝜖 R;
• par une fonction numérique f (i ; j ) (ou f (n; m)), i ; j 𝜖 N
(n; m 𝜖 N) et f 𝜖 N+, après numérisation.

Image analogique ⟶ image numérique :

Numérisation en deux étapes :
1 échantillonnage spatial : discrétisation des coordonnées de
l’image réelle ;
2 quantification des luminances : discrétisation des intensités de
l’image réelle.
Une image numérique est composée d’un ensemble fini
d’éléments, appelés picture element, ou pixels (voxels en 3D)
13
 Initiation au traitement d’images
Définition Image

 L'échantillonnage exige un pavage de l'espace

qui est motivé par :
 l'adéquation au système d'acquisition
 des relations géométriques ou topologiques telles
que le voisinage
 quelques exemples de pavage :

rectangulaire haxagonal triangulaire Rectangulaire en

quinconce
14
 Initiation au traitement d’images
Définition Image numérique

Après échantillonnage spatial : notations

N le nombre de lignes de l’image ;
M le nombre de colonnes de l’image ;
(i ; j ) les coordonnées spatiales d’un élément de l’image
(ligne i , colonne j ) ;
fj(i ), ou encore f (i ), la ligne i ;
fi(j ), ou encore f (j ), la colonne j .
Après quantification : notations
➢ f (i ; j ) l’amplitude en du pixel (i ; j ) ;
➢ k (ou f ) un niveau de gris ;
➢ m le nombre de bits sur lesquels est codée la valeur d’un
niveau de gris ;
➢ L la dynamique de l’image, soit l’étendue des valeurs qu’un
pixel peut prendre. 𝐿 = 2𝑚 , donc 𝑘𝜖 0, … , 2𝑚 − 1
15
 Initiation au traitement d’images
Image numérique

➢ Représentation matricielle
• Représentation lexicographique de l’image, soit une matrice
f = [0; : : : ; N-1] x [0; : : : ; M-1]
▪ La largeur de l’image est donnée par la nombre de colonnes M de
f , sa hauteur par le nombre de lignes N
▪ Le pixel au croisement de la ligne i et de la colonne j est désigné
par f (i ; j )

➢ Représentation vectorielle
• Les lignes de l’image sont juxtaposées de manière à former un
vecteur v = [0; : : : ; M x N-1]t
• Le pixel (i ; j ) correspond à la composante v[iM + j ]

16
 Initiation au traitement d’images
Image numérique : Voisinage de pixels

➢ Connexité
• Notion fondamentale en traitement d’images
• Topologie
• Algorithmes de suivi de contours,
croissance de région, ...
• Deux pixels voisins peuvent être agrégés
➢ Connexité d’ordre 4
• on considère les 4 voisins directs N, S, O et
E du pixel
➢ Connexité d’ordre 8
• on considère les 8 voisins directs N, NE, NO,
S, SE, SO, O et E du pixel
➢ La connexité peut s’étendre aux voisins indirects (i.e. pas de
la première couronne)
17
 Initiation au traitement d’images
Image numérique : numérisation

 La distance entre pixels :

 distance Euclidienne : ( P ( i , j ), P (k , j ))  ( i  k )2  ( j  l )2

 distance de Manhattan : ( P (i , j ), P (k , j ))  i  k  j  l

 distance "tour d'échiquier" : ( P (i , j ), P (k , j ))  max( i  k , j  l )

j l
Tour d'échiquier
i
Euclidienne

Manhattan
k

18
 Initiation au traitement d’images
Image numérique : numérisation

 La valeur d'un pixel représente la luminosité et

elle peut être :
 un scalaire : représentant un niveau de gris (du noir
au blanc)
 un vecteur : représentant une couleur composée dans
le système colorimétrique (RVB, HSL, Lab, XYZ, etc.)
 Une image est :
 dite en niveaux de gris : la valeur entière du pixel est
quantifié entre le noir (0) et le blanc (255)
 dite noir et blanc : la valeur est 0 (noir) 1 (blanc)

 dite couleur : les valeurs entières du pixel sont

quantifiées entre 0 et 255
19
 Initiation au traitement d’images
Image numérique : numérisation

 L'image est représentée comme un tableau de pixels

dont la taille est synonyme de précision ou résolution :
j m-1
1
00
1

f :IJ   Rk
(i , j )  f (i , j )
i
f(i,j) où I={0, 1, …, n-1}
et J={0, 1, …, m-1}


n-1

20
 Initiation au traitement d’images
Image numérique : numérisation

64 x 64 32 x 32 16 x 16

21
 Initiation au traitement d’images
Image numérique : codage

 Pour une image en niveaux de gris, si l'on code

les niveaux sur 8 bits, on pourra décrire
28=256 valeurs entières

 pour une image couleur à k composantes, et si

chaque composante est codé sur 8 bits, on
aura 256k au total.

22
 Initiation au traitement d’images
Image numérique : formats

 Une image est un tableau de pixels. Elle est

stockée soit dans un fichier sous la forme de texte,
soit dans la mémoire sous forme d'un vecteur
1ère ligne

0 1 n-1 (n-1)(m-1)

 Opérations :
 fichier  mémoire : lecture
 mémoire  fichier : écriture

 Informations nécessaires : nblignes, nbcolonnes,

format des pixels, compression éventuelle 23
 Initiation au traitement d’images
Image numérique : formats
 Plusieurs formats de fichiers :
 formats simples : image est stockée dans un fichier texte comportant
un entête qui contient la dimension de l'image et le format des pixels
: PNM (portable anymap), PBM (portable bitmap), PGM (portable
grayscale map), PPM (portable pixmap)
 les fichiers correspondants sont constitués des éléments suivants :
1 un "nombre magique" pour identifier le type de fichiers : P1 ou P4 pour PBM, P2
ou P5 pour PGM, P3 ou P6 pour PPM
2 la largeur de l'image en décimale codée en ASCII suivie d'un espace et suivie de
la longueur
3 uniquement pour PGM et PPM : l'intensité maximum présente dans l'image
4 les valeurs décimales codées en ASCII dans le cas de P1, P2, P3; soit directement
en binaire sur 1 ou 2 octets dans le cas de P4, P5 et P6.
 formats compressés : l'information des compressée de manière à
réduire la taille des fichiers images :

24
 Initiation au traitement d’images
Image numérique : formats

 Plusieurs formats de fichiers :

 formats compressés : l'information des compressée de
manière à réduire la taille des fichiers images :
 GIF (Graphics Interchange Format, Compuserve) :
compression LZW (un standard)
 JPEG (Joint Photographic Experts Group) : compression de la
lumière et de la teinte par DCT (Discrete Cosine Transform)
 d'autres formats : BMP, TIFF, …
 BMP image bitmap, représentée sous forme d'une matrice de
bits, à chaque pixel de l'image correspond un groupe de bits. Il
supporte un code de couleurs jusqu'à 24bits.

25
 Initiation au traitement d’images
Image numérique : formats

P3
# CREATOR: XV Version 3.10a Rev: 12/29/94 (PNG patch 1.2)
512 512
255
162 162 162 162 162 162 162 162 162 161 161 161 162 162 162
156 156 156 163 163 163 160 160 160 165 165 165 162 162 162
161 161 161 159 159 159 155 155 155 162 162 162 159 159 159
154 154 154 157 157 157 156 156 156 161 161 161 161 161 161
153 153 153 156 156 156 154 154 154 157 157 157 153 153 153
157 157 157 154 154 154 152 152 152 156 156 156 154 154 154
154 154 154 156 156 156 153 153 153 157 157 157 154 154 154
159 159 159 158 158 158 166 166 166 159 159 159 166 166 166
166 166 166 165 165 165 166 166 166 171 171 171 170 170 170
175 175 175 173 173 173 170 170 170 172 172 172 172 172 172
167 167 167 174 174 174 168 168 168 166 166 166 161 161 161
160 160 160 147 147 147 148 148 148 153 153 153 139 139 139
130 130 130 119 119 119 117 117 117 106 106 106 97 97 97
97 97 97 94 94 94 92 92 92 87 87 87 97 97 97

26
 Initiation au traitement d’images
Image numérique : formats

P3
# CREATOR: XV Version 3.10a Rev: 12/29/94 (PNG patch 1.2)
512 512
255
162 162 162 162 162 162 162 162 162 161 161 161 162 162 162
156 156 156 163 163 163 160 160 160 165 165 165 162 162 162
161 161 161 159 159 159 155 155 155 162 162 162 159 159 159
154 154 154 157 157 157 156 156 156 161 161 161 161 161 161
153 153 153 156 156 156 154 154 154 157 157 157 153 153 153
157 157 157 154 154 154 152 152 152 156 156 156 154 154 154
154 154 154 156 156 156 153 153 153 157 157 157 154 154 154
159 159 159 158 158 158 166 166 166 159 159 159 166 166 166
166 166 166 165 165 165 166 166 166 171 171 171 170 170 170
175 175 175 173 173 173 170 170 170 172 172 172 172 172 172
167 167 167 174 174 174 168 168 168 166 166 166 161 161 161
160 160 160 147 147 147 148 148 148 153 153 153 139 139 139
130 130 130 119 119 119 117 117 117 106 106 106 97 97 97
97 97 97 94 94 94 92 92 92 87 87 87 97 97 97

27
 Initiation au traitement d’images
Image numérique : quantification

 Quantification : discrétisation de l'espace des couleurs ou

niveaux de gris, elle définit le nombre de couleurs utiliser pour
dessiner l'image
 Échantillonnage : discrétisation de l'espace 2D, il définit le
nombre de pixels pour l'image (la résolution)
Signal
échantillonné
Niveau de décision di

r3 Niveaux de reconstruction ri
r2 Si d i  x  d i 1
r1 alors xq  ri

d1 d2 d3 d4 Signal échantillonné

28
 Initiation au traitement d’images
Image numérique : quantification

 le principe : codage des valeurs réelles en valeurs

entières de manière optimale i.e. remplacer toute valeur
située entre 2 niveaux de décision consécutifs di et di+1
par un niveau de reconstruction ri avec [m, M] la gamme
dynamique du signal à quantifier

 contrainte : nouvelle image ressemblante le plus possible

à l'image initiale
d0 d1 di di+1 dn

max(f)=M
min(f)=m
r0 r1 ri rn-1

29
 Initiation au traitement d’images
Image numérique : quantification

 on mesure l'erreur entre ces 2 images :

 soit f l'intensité de l'image initiale
 soit g l'intensité de l'image quantifiée : x  d i , d i 1  g( x )  ri

 on suppose que les valeurs de f suivent une variable

aléatoire de densité p(f). L'erreur est donnée (erreur
quadratique moyenne):
 
n 1

EQM  E ( f  g )   ( f  g ) p ( f )d ( f )   
M d i 1
2 2
( f  ri ) 2 p ( f )df
m di
i 0

où n est le nombre total de niveaux de reconstruction

en résumé : ces résultats montrent que les niveaux
de transitions rk optimaux sont au milieu entre les
deux niveaux de reconstruction optimaux dk et dk-1
30
 Initiation au traitement d’images
Image numérique : échantillonnage

 Étape nécessaire quand le signal sous-jacent est analogique

 Dans le cas 1-D l’échantillonnage est bien expliqué, bien connu, bien
compris et bien utilisé.
 La généralisation aveugle de 1-D à 2-D est dangereuse!
 Souvent, les hypothèses sous-jacentes du cas 1-D sont oubliées
 La nature des signaux 2-D est presque toujours différente de celle des
signaux 1-D.
 Les contraintes des applications et des réalisations sont différentes.
 Dans le cas 1-D on utilise le théorème bien connu de l’échantillonnage :
Un signal analogique peut être entièrement reconstruit à partir de ses
échantillons s’il est échantillonné au moins au double de sa fréquence
maximum.
 La fréquence maximum doit être connue (peut être mesurée avec des
analyseurs de spectre)
 Le signal doit être stationnaire (transformée de Fourier)
31
 Initiation au traitement d’images
Image numérique : quantification

Une quantification 8bits

trop faible peut
causer des
problèmes de faux
contours 3bits
4bits

1bit

32
 Initiation au traitement d’images
Image numérique : échantillonnage

 Admettons que toutes les hypothèses soient satisfaites : signaux

stationnaires avec fréquences maximum connues, nécessité de
reconstituer le signal analogique proche de l’échantillonnage idéale
 Soit xa(u, v) un signal analogique 2-D. Sa transformée de Fourier
Xa (f, g) est définie par :
X a ( f , g )   xa ( u, v )e  2 i( fu  gv )dudv

 L ’échantillonnage M-D de xa(u,v) est réalisé en prélevant

des échantillons espacés périodiquement. Le signal
échantillonné est donné par :
x( ku, lv )  x( k , l )  xa ( u, v ) u  kv
v  l u

33
 Initiation au traitement d’images
Image numérique : échantillonnage

 Pour reconstituer xa(u, v) à partir de ses échantillons, les

périodes d’échantillonnages u et v doivent satisfaire
certaines conditions.
 Un signal analogique 2-D xa(u, v) limité en bande à F et G
peut être reconstitué de ses échantillons, ssi u  1 et
1 2F
v 
2G
.
 La version échantillonnée xe(u, v) d ’un signal analogique
xa(u,v) peut être vue comme le produit de xa(u, v) et des
impulsions delta 2D périodique e(u, v)
xe ( u, v )  xa (u, v ).e( u, v )
avec  
e ( u, v )    (u  ku, v  lv )
k   l  
34
 Initiation au traitement d’images
Image numérique : échantillonnage

 Au produit direct dans le domaine du signal , correspond le

produit de convolution:
X e ( f , g )  X a ( f , g ) * E ( f , g )   X a ( f ' , g' ) E ( f  f ' , g  g' )df ' dg'

On peut montrer que :

 
1 m n
E( f , g)   
uv m   n  
( f 
u
,g  )
v
En utilisant les propriétés de convolution des impulsions de
Dirac :
y( , ) * (  a ,   b)   y(' , ' )(  ' ,   ' )d' d'  y(  a ,   b)

35
 Initiation au traitement d’images
Image numérique : échantillonnage

 La Transformée de Fourier du signal échantillonné est donnée

par :  
1 m n
Xe ( f , g)    X a ( f  u , g  v )
uv m   n  

 La fonction Xe(f,g) est obtenue par la duplication périodique de

Xa(f,g) dans les 2 dimensions avec l’inverse des périodes
d’échantillonnage 1 / u et 1 / v .
 Ainsi, l’échantillonnage 2-D produit une succession de spectres
secondaires dans les 2 directions, proportionnels au spectre
principal Xa(f,g) .
 Si l ’échantillonnage est fait avec les impulsions de Dirac, les
poids sont tous égaux. (échantillonnage idéal).
 Si l’échantillonnage est fait avec les impulsions de largeur finie,
les poids sont donnés par la transformée de Fourier de cette
impulsion.
36
Initiation au traitement d’images
Image numérique : échantillonnage

37
Initiation au traitement d’images
Image numérique : échantillonnage

38
 Initiation au traitement d’images
Image numérique : numérisation

Une vision subjective

• L’échantillonnage spatial définit la taille du plus petit élément de
l’image (pixel)
• La quantification des luminances définitle plus petit changement
d’intensité dans l’image (est-il toujours perceptible à l’œil ?)
• Cela définit la taille (en bits) de l’image : tb = N x M x m

39
 Initiation au traitement d’images
Image numérique

Types d’image
• m = 1, k ∈ [0; 1] : image binaire
• m = 8, k ∈ [0; . . . ; 255] : image en niveaux de gris en général
codée sur 1 octet ;
par convention : noir = 0 et blanc = 255 (ou 1 si normalisation) ;

• m = 24, k ∈ [0; : : : ; 16777215] : image en couleurs (3 octets)

40
 Initiation au traitement d’images
Espaces de couleurs

Définition
➢ Toute couleur peut être représentée comme une combinaison
linéaire de trois primaires c1 , c2, c3
➢ Deux types de synthèse : synthèse additive, synthèse soustractive

➢ Beaucoup d’espaces de couleur : RGB, CMYK ( RGB en synthèse

soustractive), HSV (TSL), Lab, ...
41
 Initiation au traitement d’images
Espace RGB

Définition
Synthèse additive, 3 couleurs primaires : rouge, vert et bleu
Luminance L = 0,3R + 0,59G + 0,11B
Séparation des plans de couleur
& Mélange de plans )

   BLEU0
   VERT BLEU0
   VERT0
  BLEU
Rouge 1, Vert 0, Bleu 0
ROUGEVERT0
Rouge 0, Vert 1, Bleu 0
ROUGE0
Rouge 0, Vert 0, Bleu 1
ROUGE0

Rouge 0, Vert 1, Bleu 1

ROUGE VERT 1  BLEU  1 42
 Initiation au traitement d’images
Espace RGB

Limites
➢ Toutes les couleurs perceptibles par l’œil ne peuvent
être définies à l’aide des trois composantes r , v et b
➢ Les composantes y sont souvent fortement corrélées.
➢ Différence perceptuelle entre deux couleurs ne coïncide
pas avec la distance dans l’espace RVB.

Extension
Base où les composantes sont décorrélées, par analyse
statistique (ACP, ACI)
Espace couleur plus "perceptuels" : HSV, XYZ, Lab, etc.

43
 Initiation au traitement d’images
Espace HSV

Définition
Trois composantes : Hue (teinte),
Saturation, Value (luminance)
Passage RBG ⟹ HSV :
𝐑+𝐆+𝐁
𝐕=
𝟑
𝜽 𝒔𝒊 𝑩≤𝑮
𝐇= ቊ
𝟐𝝅 − 𝜽 𝒔𝒊𝒏𝒐𝒏
𝑅−𝐺 + 𝑅−𝐵
𝜃 = 𝑎𝑟𝑐𝑐𝑜𝑠
2 𝑅−𝐺 2 + 𝑅−𝐵 𝐺−𝐵

𝟑𝐦𝐢𝐧 𝑹, 𝑮, 𝑩
𝐒=𝟏−
𝐑+𝐆+𝐁
44
 Initiation au traitement d’images
Espace HSV : exemples

➢ Espace HSV
45
 Initiation au traitement d’images
Espace Lab

L'espace colorimétrique Lab comprend toutes les couleurs perceptibles par l'œil
humain.
Dans ce Modèle de couleur 3D,
l'axe L reproduit la luminosité,
l'axe a est responsable des teintes
rouge-orangé et des verts alors que
l'axe b décrit les couleurs du bleu
au jaune.
Le Modèle de couleur est
indépendant du matériel.
Les couleurs sont définies indépendamment de la façon dont elles sont produites et
de leur technique de reproduction.
L'espace colorimétrique Lab est un espace couleur uniforme, c.-à-d. plus la distance
entre les couleurs est grande dans l'espace colorimétrique, plus la différence de
couleur devient nette pour l'œil.
46
 Initiation au traitement d’images
Types d’images

Image vectorielle
( Adobe Illustrator )

47
 Initiation au traitement d’images
Types d’images
Image vectorielle ( Adobe Illustrator )
I ) Principe:
L'image vectorielle est une représentation conceptuelle de forme
calculée par des formules mathématiques, (exemple, un cercle n'est
pas déterminé par des pixels mais par une formule mathématique qui
détermine sa forme, sa taille et son emplacement).
Exemple: une image (comme un cercle par exemple) de petite taille
que l'on grossit dix fois, le cercle est agrandi mais il n'est pas
déformé car la précision de l'image ne dépend pas du facteur
d'agrandissement

Même rond (x10)

Petit rond
en vectorielle

48
 Initiation au traitement d’images
Types d’images

Image bitmap
( Adobe Photoshop )

49
 Initiation au traitement d’images
Types d’images

Image bitmap ( Adobe Photoshop )

L'image bitmap est représentée par une trame de points que
l'on appelle pixels. Ce ne sont pas des formules
mathématiques qui définissent les formes, mais un ensemble
de pixels qui agissent comme un tableau pointilliste.
Une image (comme un cercle par exemple) de petite taille,
que l'on agrandit dix fois, révélera des petits carrés de teinte et
de demi-teinte qui la constitue, et que l'on discerne
distinctement (pixels).

Même rond (x10)

Petit rond
en bitmap

50
 Initiation au traitement d’images
Types d’image

Image vectorielle
( Adobe Illustrator )

Principe:
L'image vectorielle est une représentation conceptuelle de forme
calculée par des formules mathématiques, (exemple, un cercle n'est
pas déterminé par des pixels mais par une formule mathématique
qui détermine sa forme, sa taille et son emplacement).
Exemple: une image (comme un cercle par exemple) de petite
taille que l'on grossit dix fois, le cercle est agrandi mais il n'est pas
déformé car la précision de l'image ne dépend pas du facteur
d'agrandissement
Même rond (x10)
Petit rond
en vectorielle
51
 Initiation au traitement d’images
Types d’image

Image bitmap
( Adobe Photoshop )

L'image bitmap est représentée par une trame

de points que l'on appelle pixels. Ce ne sont
pas des formules mathématiques qui
définissent les formes, mais un ensemble de
pixels qui agissent comme un tableau
pointilliste.
Une image (comme un cercle par exemple) de
petite taille, que l'on agrandit dix fois, révélera
des petits carrés de teinte et de demi-teinte qui
la constitue, et que l'on discerne distinctement
(pixels).
Même rond (x10)
Petit rond
en bitmap
52
 Initiation au traitement d’images
Formats de l’image

Données brutes : raw data

Standards universels : gif, bitmap, tiff, ppm, eps, ...
Standards médicaux : DICOM
Standards propriétaires : Philips®, Siemens®
Quelques exemples
BMP (Bitmap) : matrice de bits codés en couleur (jusqu’à 24 bits/pixel)
GIF : format compressé avec codage 8 bits/pixel
JPG (jpeg) : format de compression d’images photographiques

53
 Initiation au traitement d’images
Exemples d’images numériques

Image 2D : objet représenté par un tableau bidimensionnel de

surfaces élémentaires (pixels)
Séquence vidéo (2D) : scène dynamique présentant des objets
2D en mouvement
⟶ juxtaposition d’images 2D, où le temps peut être vu
comme une troisième dimension (de nature différente)
Image volumique : objet représenté par un tableau
tridimensionnel de volumes élémentaires (voxels)
⟶ pile d’images 2D (ex. des coupes scanners ou stack of slices)
Séquences volumiques : scène dynamique présentant des
objets 3D en mouvement

54
 Initiation au traitement d’images
Qualité d’une image numérique

Lignage : phénomène d’alternance de lignes claires (ou

sombres) de même direction et qui tranchent avec le reste
de l’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 géométriques : 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)

55
 Initiation au traitement d’images
Contenu d’une image numérique

Texture : : répartition statistique ou

géométrique 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
Région : groupe de pixels présentant des caractéristiques
similaires (intensité, mouvement, etc.)

Objet : région (groupe de régions) entièrement délimitée

par un contour, possédant une indépendance dans l’image
⟶ description sémantique : on peut donner un nom à un
objet
56
 Initiation au traitement d’images
Contenu d’une image numérique

Brillance : moyenne des niveaux 𝑵−𝟏 𝑴−𝟏

𝟏
de gris de l’image ou intensité 𝑩= ෍ ෍ 𝒇 𝒊, 𝒋
𝑵𝑴
moyenne 𝒊=𝟎 𝒋=𝟎

Contraste
Définition 1 : variation maximale 𝒎𝒂𝒙𝒊,𝒋 𝒇 𝒊, 𝒋 − 𝒎𝒊𝒏𝒊,𝒋 𝒇 𝒊, 𝒋
entre valeurs de niveaux de gris 𝑪 = 𝒎𝒂𝒙𝒊,𝒋 𝒇 𝒊, 𝒋 + 𝒎𝒊𝒏𝒊,𝒋 𝒇 𝒊, 𝒋
min et max dans l’image :

57
 Initiation au traitement d’images
Contenu d’une image numérique

Contraste
Définition 2 : écart-type des variations de niveaux de gris
dans l’image
𝑵−𝟏 𝑴−𝟏
𝟏 𝟐
𝑪= ෍ ෍ 𝒇 𝒊, 𝒋 − 𝑩
𝑵𝑴
𝒊=𝟎 𝒋=𝟎

Attention, l’écart type traduit une moyenne de variation, ce

qui est un peu différent

Deux images totalement différentes peuvent avoir le même

contraste

58
Initiation au traitement d’images
Contenu d’une image numérique

59