Initiation aux Traitements des images numériques M.

AIT KBIR

II Traitements ponctuels
En traitement d’image, on peut considérer 3 types de transformations :
 Ponctuelles : la valeur de l’intensité du pixel traité dépend uniquement de
son correspondant dans l’image originale (modification de contraste,
modification de la LUT, étirement d’histogramme … ).

 Locales : la valeur de l’intensité du pixel traité dépend d’un ensemble de

pixels pris au sein d’une fenêtre de l’image originale. Cette fenêtre est
typiquement centrée sur le pixel traité (détection des contours, filtrage
médian, filtrage moyen … ).

 Globales : la valeur de l’intensité du pixel traité dépend de la totalité des

pixels de l’image d’entrée. Comme exemple : la transformation de Fourier
discrète (DFT2D) où chaque composante fréquentielle F(u, v) est fonction de
l’ensemble des pixels de l’image à transformer f(x,y).

La complexité du traitement en termes de nombre d’opérations nécessaires pour obtenir

une image résultat est liée au type du traitement effectué et cette complexité augmente
pour une image donnée du premier type vers le troisième. Aussi, le temps d’accès en
mémoire image est grand pour les transformations locales et encore plus pour les
transformations globales, ce qui peut ralentir sérieusement le temps de traitement.
II.1 Application aux images en niveaux de gris

Ce type de transformations fait correspondre à un niveau de gris ou couleur d’entrée un

nouveau niveau de gris ou de couleur de sortie.
g(x,y)=T[f(x,y)]
f(x,y ) est le niveau de gris ou la couleur du pixel de coordonnées (x, y) et g(x,y) le niveau de gris ou la
couleur de son correspondant dans l’image de sortie. Quelques applications de ce type de
transformations:
 Modifier l’apparence de l’image à l’affichage, exemple : affichage de fausses
couleurs à partir d’une image en niveaux de gris.

 Modifier le niveau de gris ou la couleur afin de compenser certaines non-

linéarités introduite par le système d’acquisition.

 Modifier le contraste de l’image afin de le rehausser.

Pour un codage sur 8 bits par pixel, le nombre de nuances de gris possibles est 256. A
chaque niveau de gris d’indice i, i {0, . . ., 255}, correspond une couleur créée par la
combinaison, Ri= Vi= Bi = (i/255), des trois couleurs primaires. Avec les trois composantes
15
égaux on distingue l’absence de la chromaticité, caractéristique d’une nuance de gris..

MST/Cycle ingénieur 2021-2022

Initiation aux Traitements des images numériques M. AIT KBIR

La table de correspondance qui permet d’associer à chaque indice de niveau de gris une
couleur est appelée palette des couleurs ou LUT (signifiant en anglais Look-Up Table).
II.2 Inversion de l’échelle des niveaux de gris (inversion vidéo)

Solution 1

Chaque indice d’une nuance de gris Io est remplacé par ( Is=28-Io-1) ( voir figure ci-dessous),
le contenu de la LUT reste inchangé.

Solution 2

Ne pas toucher aux indices des niveaux de gris de l’image et faire remplacer la LUT comme
suite :
LUT originale LUT transformée
[ 0 0 0 [ 1 1 1
1/255 1/255 1/255 254/255 254/255 254/255
2/255 2/255 2/255 253/255 253/255 253/255
… …
254/255 254/255 254/255 1/255 1/255 1/255
1 1 1 ] 0 0 0 ]
II.3 Rehaussement de contraste

Le contraste est une mesure relative des différences dans l’image. On trouve comme
définition :

maxI (i, j )  minI (i, j )

N 1 M 1
1
C
NM
  ( I (i, j )  I
i 0 j 0
moy )2 Ou encore C
maxI (i, j )  minI (i, j ) 16

MST/Cycle ingénieur 2021-2022

Initiation aux Traitements des images numériques M. AIT KBIR

Exemple :

Les niveaux de gris appartenant à l’intervalle [a, b] dans l’image d’origine sont transformés
selon l’équation suivante :
( B  A)
Is  Io - a   A
(b  a)

Le but est de faire croître la dynamique des intensités des pixels de l’intervalle de départ [a,
b] vers un intervalle [A, B]. Pour l’augmentation de contraste, il faut avoir (B-A) > (b-a).

C= 0.882 (a=13, b=209) C=0.384 (A= 80, B=180) C=1(A= 0, B=255)

En augmentant le contraste, les pixels de faible intensité sont saturés à 0 et inversement les
pixels de forte intensité sont saturés à 255. Pour l’intervalle des pixels non saturés, la
répartition des niveaux de gris s’effectue sur l’intervalle entier [A, B] de manière linéaire. Le
recadrage de dynamique consiste à étendre la dynamique de l’image à l’intervalle [0,255]
Il est possible d’accentuer le contraste dans une plage précise de niveaux de gris et de le diminuer
pour une autre.

Dilatation de la dynamique des zones Dilatation de la dynamique des zones

de faible intensité de forte intensité

17

MST/Cycle ingénieur 2021-2022

Initiation aux Traitements des images numériques M. AIT KBIR

II.4 Histogramme des images à niveaux de gris

Un histogramme représente la fréquence d’apparition des niveaux de gris (ou d’intensité)

dans l’image. Il représente une description globale de l’information contenue dans l’image).
L’histogramme normalisé d’une image est indépendant du changement d’échelle et de
rotation.

Les figures suivantes montrent les histogrammes des images après les modifications de
contraste précédentes.

On remarque ici la compression respectivement l’étalement de l’histogramme lors de la

réduction respectivement l’augmentation de contraste. Dans le deuxième cas,
l’histogramme est étiré ce qui permet d’exploiter linéairement toute la dynamique de
l’image. L’image obtenue après étirement possède donc un contraste plus accentué (pour
les zones non saturées).
II.5 Egalisation d’histogramme

L’égalisation d’histogramme est une transformation ponctuelle qui vise à équilibrer le mieux
possible la distribution des intensités dans la dynamique possible des intensités (obtenir un
histogramme plat le plus que possible). Pour cela on utilise la transformation suivante :
(2 D  1)hc ( I e ( x, y ))
I s ( x, y ) 
HL
hc est l’histogramme cumulé de l’image. H et L sont respectivement la hauteur et la largeur
de l’image. D le nombre de bits utilisé pour coder les intensités (niveau de gris). Ie(x, y) et
18

MST/Cycle ingénieur 2021-2022

Initiation aux Traitements des images numériques M. AIT KBIR

Is(x, y) représentent respectivement le niveau de gris du point (x, y) dans l’image originale et
le niveau de gris après application de la transformation.

II.6 Spécification d’histogramme

L’égalisation des histogrammes n’est pas toujours une bonne solution surtout lorsque l’histogramme
initial est très concentré (apparition des bords et des régions erronés et intrusion du bruit dans
l’image). La spécification de l’histogramme est une transformation qui donne une image de sortie
avec un histogramme prédéfini, relatif à une image de référence ou à une partie de celle-ci. Elle est
très utile pour comparer les images d’une même scène qui sont obtenues dans des conditions de
prise de vue différentes.

La méthode de spécification d’histogramme consiste à appliquer à l’image initiale une

transformation d’égalisation puis appliquer à l’image résultat l’inverse de la transformation
d’égalisation appliquée à l’image de référence. Selon l’équation suivante :

Où T et G représentent les transformations d’égalisation d’histogramme appliquées à l’’image

originale et à l’image de référence respectivement ; x, y, s et v représentent respectivement les
niveaux de gris de l’image originale, de l’image de référence, de l’image originale égalisée et de
l’image de référence égalisé.

19

MST/Cycle ingénieur 2021-2022

Initiation aux Traitements des images numériques M. AIT KBIR

II.7 Correction gamma

Pour un tube cathodique l'intensité lumineuse reproduite à l'écran est une fonction non
linéaire de la tension d'entrée. La correction gamma peut être considérée comme un
procédé permettant de compenser ce phénomène pour obtenir une reproduction fidèle de
l'intensité lumineuse. Les effets gamma sont modélisés par des fonctions du type f(Io)=(Io),
où  est un réel qui varie entre 2 et 2,5. Pour compenser ces effets on transforme la LUT
pour obtenir la LUT de correction inverse.

8000 10000

9000
7000
8000
6000
7000
5000
6000

4000 5000

4000
3000
3000
2000
2000
1000
1000

0 0
0 100 200 300 0 100 200 300

Is =255x(f(Io)/255)1/ (=2.2)

Les pixels de faibles intensités dans l’image d’origine sont alors amenés à des intensités plus
élevées et leur dynamique est augmentée. On détecte donc les détails situés dans les zones
sombres plus facilement que dans l’image d’origine.
II.8 Seuillage ou binarisation

L'opération de seuillage a pour but obtenir une image avec deux niveaux gris et donc
l’information intensité au niveau de chaque pixel est codé sur un seul bit. Souvent cette
20

MST/Cycle ingénieur 2021-2022

Initiation aux Traitements des images numériques M. AIT KBIR

opération est utile pour séparer les objets du fond dans une image. On obtiendra une image
ayant deux niveaux (0 :noir et 255 : blanc).

a) Choix manuel du seuil

Cette opération est effectuée en comparant le niveau de gris de chaque point image à une
valeur seuil.

si Io(i,j) > seuil

alors Is(i,j) = 255

sinon Is(i,j) = 0

Seuil égal à 50 Seuil égal à 150

Il est possible d’utiliser l’histogramme pour guider le choix du seuil en réalisant la binarisation d’une
façon interactive.

b) Choix automatique du seuil (Méthode d’Otsu)

La méthode d’Otsu permet le calcul automatique du seuil de binarisation d’une image multi-niveaux
de gris dont l’histogramme manifeste deux modes, un représentant le fond et l’autre représentant
les objets. En effet, prenons I une image de N pixel avec une dynamique dans l’intervalle [0, 255].
L’histogramme h de I donne la fréquence d’apparition de chaque niveau de gris g dans l’image. On
note p(g)=h(g)/N la probabilité à priori d’apparition d’un niveau de gris dans l’image.

21

MST/Cycle ingénieur 2021-2022

Initiation aux Traitements des images numériques M. AIT KBIR

La somme des p(g) donne la densité de probabilité des niveaux de gris de l’image :

255

 p( g )  1
g 0

Le niveau de gris moyen :

255
   g. p( g )
g 0

La variance des niveaux de gris :

255
 2   ( g   ) 2 . p( g )
g 0

Pour Otsu la détermination du seuil T pour la binarisation de l’image est un problème de

classification des pixels en deux sous-groupes. On suppose ici que l’image est divisée en deux classes
C1 et C2, l’une correspondant au fond et l’autre aux objets de l’image. C1 est associée aux pixels de
niveau de gris compris entre 0 et T et C2 au niveau de gris compris entre T et L. Ce qui permet de
définir :
- La probabilité à priori d’appartenance d’un pixel x à C1 ou à C2 :
T 255
P 1(T) =  p(g) P 2(T) =  p(g) (1)
g=0 g = T +1

- Les niveaux de gris moyens ( Moment d’ordre 1) de C1 et C2 par :

T 255

 g. p( g )
g 0
 g. p( g )
g T 1
1(T )   2(T )  (2)
P 1(T) P 2(T)
- Les variances dans C1 et C2 par :
T 255

 g  1(T )². p( g )
g 0
 g   (T ) ². p( g )
g T 1
2

 ²1(T )   ²2(T )  (3)

P1(T ) P 2(T )

- Le niveau de gris moyen pour l’ensemble de l’image :

255
   g . p( g )   P (T ). (T )
j j
g 0 j 1, 2 22

MST/Cycle ingénieur 2021-2022

Initiation aux Traitements des images numériques M. AIT KBIR

- variance pour l’ensemble de l’image :

255
 ²    g   ². p ( g )   ²W (T )   ² B (T )
g 0

Avec :

 ²W(T) =  P (T). ² (T)

j=1,2
j j appelée variance intra - classes

 ²B(T) =  P (T). (T) -  ²

j=1,2
j j appelée variance inter - classes

Otsu propose de maximiser le critère de discrimination suivant:

 2 B (T )
 (T ) 
 2 (T )
En effet, quelle que soit la variance totale de l’image, un seuil optimal se traduit par une valeur
maximale de la variance entre la classe correspondant au fond et celle correspondant aux
objets :  2 B(T).

Comme la variance pour l’ensemble de l’image ne dépend pas de T,

L' évaluation de  (T) nécessite le calcul préalable de  ²B(T) et de  ², au lieu d' exploiter  (T),
on peut utiliser le fait que :  ² =  ²W(T) +  ²B(T) = cste T
Ainsi, pour calculer le seuil optimal T, maximiser  ²B(T) revient à minimiser  ²W(T).
Par conséquent, classifier revient à trouver la frontière qui d’une part maximise la variance
interclasses de manière à séparer les classes entre elles et d’autre part minimise la variance intra-
classes de manière à regrouper les niveaux de gris de chaque classe autour de sa moyenne.

II.9 Arithmétique sur les images

Il est aussi possible de réaliser des opérations arithmétiques sur les images en agissant sur
l’intensité/couleur de l’image pixel par pixel. Dans le cadre d’une vidéosurveillance, une soustraction
entre l’image prise à un instant donné du couloir et l’image de référence, couloir vide, permet de
détecter un intrus.

23

MST/Cycle ingénieur 2021-2022