École supérieure des sciences et de la technologie de Hammam Sousse
Département Electronique et informatique
Niveau 3ème année LI : GLSI
Matière : Vision par ordinateur
Travaux Pratiques N°1
Objectifs :
Ce TP vise à introduire les bases du traitement d’images numériques en Python à travers différentes étapes : lecture et
affichage d’images, histogrammes, seuillage, filtrage, détection de contours, morphologie et segmentation. Les
bibliothèques utilisées sont : NumPy, Matplotlib, OpenCV, scikit-image et SciPy.
Exercice 1 :
Explication :
• Une image numérique est représentée par une matrice de pixels.
• L’histogramme d’une image en niveaux de gris représente la répartition des intensités lumineuses (de 0 = noir à
255 = blanc).
• L’égalisation d’histogramme améliore le contraste en répartissant mieux les intensités.
Consignes :
1. Lire une image couleur de votre choix et afficher ses dimensions.
2. Convertir l’image en niveaux de gris.
3. Charger et afficher l'image Cameraman.
4. Tracer l’histogramme des intensités de l'image Cameraman.
5. Appliquer une égalisation d’histogramme et comparer avec l’image initiale. Commenter
Dr. Imen Jegham 2025/2026
Exercice 2 – Seuillage
Explication :
• Le seuillage consiste à transformer une image en noir et blanc selon une valeur seuil.
• Le seuillage fixe : on choisit manuellement une valeur (par ex. 128).
• La méthode d’Otsu détermine automatiquement le seuil optimal en minimisant la variance intra-classes
(séparation entre objets et fond).
Consignes :
En utilisant l’image Coins :
1. Appliquer un seuillage fixe (120 par exemple). Commenter.
2. Appliquer le seuillage automatique d’Otsu. Commenter
3. Comparer les résultats et discuter des cas où Otsu est préférable.
Exercice 3 – Filtrage
Explication :
• Le filtre moyenneur réduit le bruit mais peut flouter l’image.
• Le filtre gaussien applique une pondération suivant une distribution gaussienne, donnant un lissage plus naturel.
• Le filtre médian remplace chaque pixel par la médiane de ses voisins : efficace contre le bruit impulsionnel
(poivre et sel).
Consignes :
1. Charger l’image Astronaut et la convertir en niveaux de gris :
2. Ajouter du bruit.
3. Appliquer un filtre moyenneur.
4. Appliquer un filtre gaussien.
5. Appliquer un filtre médian.
6. Comparer les résultats.
Dr. Imen Jegham 2025/2026
Exercice 4 – Détection de contours
Explication :
• Les contours correspondent aux variations brusques d’intensité.
• Sobel calcule le gradient horizontal et vertical de l’image.
• Canny est une méthode plus avancée : elle applique un filtrage gaussien, calcule les gradients, applique un
seuillage avec hystérésis et une suppression des non-maxima.
Consignes :
En utilisant l'image Cameraman :
1. Détecter les contours avec Sobel.
2. Détecter les contours avec Canny.
3. Comparer les résultats et expliquer les avantages de Canny.
Exercice 5 – Opérateurs Morphologiques
Explication :
• Ces opérations s’appliquent sur des images binaires (noir/blanc).
• Érosion : rétrécit les objets.
• Dilatation : agrandit les objets.
• Ouverture : érosion suivie de dilatation → supprime les petits bruits.
• Fermeture : dilatation suivie d’érosion → comble les petits trous.
Consignes :
En utilisant l’image horse :
1. Appliquer une érosion et une dilatation.
2. Appliquer une ouverture et une fermeture.
3. Illustrer l’impact sur l’image.
Dr. Imen Jegham 2025/2026
Exercice 6 – Segmentation par Watershed
Explication :
• La segmentation par Watershed (ou lignes de partage des eaux) est une méthode qui considère une image
comme un relief topographique.
• Chaque pixel est vu comme un point de ce relief :
o Les valeurs faibles (zones sombres) sont comme des vallées (bassins),
o Les valeurs fortes (zones claires) sont comme des montagnes.
• Le principe :
1. On « remplit d’eau » progressivement les bassins.
2. Quand deux bassins risquent de se rejoindre, une ligne de crête (watershed line) est construite.
3. Ainsi, on obtient une séparation nette entre les objets.
• Les minima locaux sont utilisés comme bassins, et l’algorithme sépare les régions qui se rejoignent.
• Très utile pour séparer des objets collés (ex. cellules, pièces).
Consignes :
En utilisant l’image coins :
1. Appliquer un seuillage (par ex. méthode d’Otsu) pour obtenir une image binaire (pièces en blanc, fond en noir).
2. Calculer la transformée de distance. La transformée de distance mesure, pour chaque pixel blanc, la distance au
pixel noir le plus proche. Comme le montre la figure, les centres des pièces apparaissent comme des maxima
(pics).
3. Définir des marqueurs :
Identifier les maxima locaux de la transformée de distance.
Chaque maximum représente le « cœur » d’un objet (pièce).
On attribue une étiquette unique (marqueur) à chaque objet détecté.
4. Appliquer l’algorithme de Watershed.
5. Commenter les résultats.
Dr. Imen Jegham 2025/2026