CHAPITRE 3:

Technologies
TRAITEMENT D’IMAGES Multimédias

Sarra MEJRI:
• Docteur en informatique
• [Link]@[Link]
1. Synthèse d’images

2. Représentation d’une image

3. Numérisation

4. Segmentation

2
SYNTHÈSE
D’IMAGES
3
INFOGRAPHIE

Infographie:

• informatique graphique,

• est définie comme étant l’utilisation de l’ordinateur pour: créer, mémoriser et manipuler
des images.

4
DÉFINITION : SYNTHÈSE D’IMAGES

• Synthèse d’images (Computer Graphics): utilisation d’un ordinateur pour générer des
images.

• Synthèse d’image interactive :

- l’utilisateur contrôle les attributs de l’image synthétisée à l’aide d’un périphérique

d’entrée interactif (souris, crayon optique, clavier, ...).

5
DÉFINITION : ANALYSE D’IMAGES

• Analyse d’images (Image Analysis): Utilisation d’un ordinateur pour interpréter le

monde extérieur au travers d’images.

• Traitement d’images (Image Processing): images données

• Reconnaissance des formes (Pattern Recognition)

• Vision par ordinateur (Computer Vision)

6
 PRINCIPE DE LA SYNTHÈSE D’IMAGES

Interprétation Analyse

Modélisation Synthèse

Monde réel ou virtuel Modèle Image

numérique numérique 7
LES DIFFÉRENTES PHASES DE LA SYNTHÈSE D’UNE IMAGE

1. Modélisation: représentation mathématique des objets de la

scène.

2. Gestion du modèle: ce qui doit être vu et comment cela doit

apparaître.

3. Production d’une image: rendu à partir de la description du

modèle.
8
MODÈLE

Le modèle est:

• une représentation abstraite

• un ensemble d’objets organisés pour représenter une scène à afficher.

• une structure formalisée utilisée pour rendre compte d’un ensemble de phénomènes qui
possèdent entre eux des centaines de relations.

Objet du modèle = approximation de l’élément modélisé.

9
MODÈLE

« Ce que la métaphore est au langage poétique, le modèle l’est au

langage scientifique. Métaphores et modèles sont des fictions que
nous plaisons à construire soit pour la joie de l’étincelle, soit pour
décrire plus adéquatement le réel. »
Philippe Quéau , 1986

10
REPRÉSENTATION
D’UNE IMAGE
11
ETAPES DE REPRÉSENTATION DES IMAGES – SYSTÈME DE TRAITEMENT
NUMÉRIQUE D’IMAGES

12
DÉFINITION

• La représentation numérique d'une image est discrète, tandis que l'image elle-même est de nature
continue.

• Il est donc nécessaire de procéder à une discrétisation (numérisation) du signal 2D.

 Discrétisation spatiale: l’échantillonnage (Découper l'image en pixels, chacun représentant un

point de l'image originale)

 Discrétisation des couleurs: la quantification (Quantifier les couleurs en un nombre limité de

valeurs pour chaque pixel)

13
ACQUISITION DES IMAGES

14
ACQUISITION DES IMAGES

On utilise:

• des sources d'éclairement : les sources lumineuses + des objets dans la

scène qui renvoient de l'énergie provenant des sources lumineuses + ou
d'autres objets.

• un système de prise de vue (appareil photo, caméra, etc.) pour observer la

scène ou l'objet

15
ACQUISITION DES IMAGES
• Le système de prise de vue:

 est une optique qui permet de capter l'énergie lumineuse envoyée par les objets de
la scène.

 focalise une image de la scène sur son plan focal, et un capteur fige cette image
(papier photosensible, cellules CCD, ...).

• Pour être traitée par un ordinateur, l’image doit être numérisée.

L'image analogique (papier photo) ou partiellement numérisée (cellules CCD)

est envoyée dans un module de numérisation.

16
NUMÉRISATION
17
NUMÉRISATION: PRINCIPE

18
NUMÉRISATION: PRINCIPE
Qu’est ce qu’une image numérique ?
• Image = matrice de M × N éléments, ou une fonction f(x, y)

• Elle est constitué d’un ensemble de points appelés pixels

(picture element) correspondant à l’échantillonnage et la
quantification d’un signal acquis avec une caméra.

• Le pixel est le plus petit élément constituant une image

numérique. L'ensemble de ces pixels est contenu dans un
tableau à deux dimensions formant l'image.

• Chaque pixel est localisé par ses coordonnées x et y dans

l’image. 19
NUMÉRISATION: PRINCIPE
Résumé
• La taille d'une image numérique peut se définir par:

 sa définition en pixels

 ses dimensions en pouces

 sa résolution en dpi ou ppp

• Ces trois éléments sont interconnectés: en connaissant deux d'entre eux, il est possible de
calculer le troisième. Les formules sont les suivantes:

 Résolution = Définition / Dimension,

 Définition = Résolution * Dimension,

 Dimension = Définition / Résolution.

20
NUMÉRISATION: PRINCIPE
Résumé

• Dans le cas générale: Nombre de pixels par pouce (ppp)

= nombre de pixels / nombre de pouces,

• Exemple: Une image 40 x 40 pixels mesurant 4 x 4

pouces a une résolution: 40/4=10 dpi

21
NUMÉRISATION: PRINCIPE

L'obtention d'une image numérique nécessite deux processus:

 Echantillonnage spatial de l'image:
 Découpage en « tranche »: définition de la résolution spatiale de
l’image (nombre pixels en horizontal et en vertical).
 Quantification du niveau de luminance:
 Définition de la résolution de luminance: Précision du nombre de
bits utilisé pour le codage de chaque échantillon (pixel).
22
ECHANTILLONNAGE ET QUANTIFICATION

23
ECHANTILLONNAGE ET QUANTIFICATION

• L’échantillonnage est limité par la capacité du capteur, donc le nombre de pixels

disponible.

• La quantification est limitée par la quantité de tons (de gris) définie dans l’intervalle

24
ECHANTILLONNAGE ET QUANTIFICATION

Exemple de variation de l’échantillonnage

1024x1024; 512x512; 256x256, 128x128, 64x64, 32x32
25
ECHANTILLONNAGE ET QUANTIFICATION

Exemple de Variation de quantification (452x374 pixels):

A) 256 tons de gris B)128 C)64 D)32 E)16 F)8 G)4 H)2

26
ÉCHANTILLONNAGE ET QUANTIFICATION

27
NUMÉRISATION : ECHANTILLONNAGE

• Echantillonnage: On passe d’une image continue à une image discrète

 en choisissant sur l’image continue des valeurs en différents points afin de

pouvoir calculer une image discrète. Mais on ne peut pas prendre ces points
n’importe où.

 en les déterminant à l’aide d’une fonction d’échantillonnage, le plus souvent

cette fonction est appelée un “peigne” de Dirac.

• Le sous-échantillonnage: réduit le nombre de points dans l’image.

• Le sur-échantillonnage: augmente le nombre de points dans l’image.

28
ECHANTILLONNAGE

16 x 16 32 x32 256 x 256 512 x 512

64 x 64 128 x 128

 Si l’échantillonnage est trop grossier, l’image devient inexploitable.

 s’il est trop fin, on a un nombre de pixels trop important

29
QUANTIFICATION

La quantification consiste à :
 1 bit 2 niveaux : 0 (noir), 1 (blanc) (image
 coder sous forme binaire les valeurs prélevées binaire)
 2 bits 4 nivaux
lors de l’échantillonnage. Le signal ainsi  8 bits 256 niveaux 0 (noir), …, 255
(blanc)
quantifié est une suite de valeurs numériques  12, 16, 32 bits ….
 N bits 𝟐𝑵 niveaux : 0 (noir), … , 𝟐𝑵 -1
manipulables par le processeur. (blanc)
 spécifier le nombre de bits nécessaires (en
général 8 bits) pour représenter le signal

30
QUANTIFICATION

On parle de quantification lorsqu’on réduit le nombre de valeurs

possible pour représenter les valeurs de l’image.

Etant donnée une image échantillonnée spatialement, on a, en tous les

points d’échantillonnage (xi,yi) une valeur continue fc(xi,yi).

L’objet de la quantification est de remplacer cette fonction continue

(nombre flottant, compris entre 0 et 1 par exemple) par une fonction
discrète fd(xi,yi), c’est-à-dire coder l’intensité du pixel, suivant un
nombre limité de bits ( = 256 niveaux, si on code l’image sur 8 bits).

31
QUANTIFICATION : EXEMPLE

 Si on utilise un nombre de
bits trop petit, l’information
de l’image est détruite.
 Si on utilise trop de bits,
certains sont inutiles
32
CHANGEMENT D’ÉCHELLE

33
CHANGEMENT D’ÉCHELLE

34
SEGMENTATION
35
INTRODUCTION

• Une image est généralement composée d’objets.

• L’analyse de cette image nécessite l’identification de ces objets.

• Cette opération consiste à partitionner l’image en zone homogènes selon un critère bien
déterminé: couleur, texture, niveau de gris, etc.

36
SEGMENTATION
A quoi sert la segmentation en région?

La segmentation en régions permet de diviser une image en

zones distinctes qui partagent des caractéristiques
similaires.
 Recalage d’images, mises en correspondance.

37
SEGMENTATION
A quoi sert la segmentation en région?

• Elle facilite les mesures et la compréhension de la scène en permettant

l’identification et la distinction des objets:
 Reconnaissance d’objets
 Indexation: rechercher dans une base d’images, les images similaires à une
image initiale.
 Compression en réduisant la quantité d’informations redondantes
 Recalage d’images, mises en correspondance.

38
CHAMPS D’APPLICATION

• Médecine: Imagerie médicale, pour segmenter et analyser des zones spécifiques comme les tumeurs (tumeur/non-
tumeur), les cellules, chromosomes ou différentes pathologies, ce qui aide au diagnostic et au suivi des patients.

• Biométrie

• Vidéo-surveillance

• Robotique

• Télédétection

• Reconnaissance des formes: reconnaissance de caractères

• Industrie manufacturière

• Traitement de documents

39
MÉTHODES DE SEGMENTATION

Méthodes globales:

• Classification puis équeutage en composantes connexes: classifier les pixels de l'image

en différentes catégories (par exemple, selon des seuils d'intensité), puis à identifier et
regrouper les pixels adjacents qui appartiennent à la même classe en composantes
connexes. Cette approche est couramment utilisée pour segmenter des zones homogènes.

 Classification basée sur des histogrammes

 Méthodes de clustering (k-means, c-means)

• Segmentation basée sur l'extraction de contours

40
MÉTHODES DE SEGMENTATION

 Méthodes locales

• Se basent sur les notions de prédicats et de partitions

 Ascendantes (bottom-up): croissance de régions: Cette approche commence par des pixels ou des
régions initiales, qui se développent en intégrant les pixels adjacents si ceux-ci répondent à des
critères de similarité prédéfinis (par exemple, des seuils de couleur ou de texture).

 Descendantes (top-down): division-fusion: Cette méthode part de l'image entière et la divise en

sous-régions jusqu'à obtenir des zones homogènes. Ces régions sont ensuite fusionnées si elles
respectent certains critères de similarité.

41
MÉTHODES DE SEGMENTATION

Méthodes mixte régions-contours

• Ligne de partage des eaux: Elle segmente l’image en fonction des variations
d'intensité, en attribuant des pixels aux régions selon des gradients.

• Coopération région-contours: Cette approche utilise les informations des régions et

des contours de manière coopérative pour affiner la segmentation. Les contours guident
la délimitation des régions, tandis que les régions fournissent des informations pour
valider ou ajuster les contours.

42
MÉTHODES BASÉES HISTOGRAMME
Principe
1. Localisation sur un histogramme d’un mode isolé

2. Détection des zones correspondantes par seuillage

3. Parmi les zones de l’image contribuant à ce mode, sélection de la région connexe la

plus grande

Exemple

43
MÉTHODES BASÉES HISTOGRAMME

• Segmentation fondée sur le seuillage

Exemple: Seuillage avec apprentissage

44
MÉTHODES BASÉES HISTOGRAMME

• Principe :

• Localisation sur l’histogramme d’un premier mode

• Sélection de la région connexe la plus grande

45
MÉTHODES BASÉES HISTOGRAMME

• Principe :

• Localisation sur l’histogramme d’un 2 ème mode

• Sélection de la région connexe la plus grande

46
SEGMENTATION FONDÉE SUR LE SEUILLAGE

• Principe

• Itération jusqu’à résultat final

Image original Image segmenté

47
SEGMENTATION FONDÉE SUR LES RÉGIONS

• Partition et Fusion:

• Algorithme « split and merge »: Partager et fusionner

• Splitting: On divise les régions non-homogènes

48
SEGMENTATION FONDÉE SUR LES RÉGIONS

• Partition et Fusion

49
SEGMENTATION MIXTE FONDÉE SUR LES
RÉGIONS&CONTOUR

• Dans la segmentation par approches contours, il y a deux problématiques à résoudre, à

savoir :

- caractériser la frontière entre les régions: détection de contours

- fermer les contours

50
Exercice d’application
• Soit F une image donnée par la matrice ci-dessous

• Segmenter (Binariser) cette image pour une valeur de seuil s=5.

51