Traitement d’images Licence d’excellence, en
et de signal intelligence artificielle
Pr: ELAZZABY F.
TD1 : Notions de base - CORRECTION
Exercice 1 : Représentation des images
Question 1.1 : Tableau comparatif
Question 1.2 : Calculs de taille mémoire
Pour une image de 256 × 256 = 65 536 pixels :
1. Image binaire (1 bit par pixel) :
Taille = (256 × 256 × 1) / 8 = 65 536 / 8 = 8 192 octets = 8 Ko
2. Image en niveaux de gris (8 bits par pixel) :
Taille = 256 × 256 × 1 = 65 536 octets = 64 Ko
3. Image couleur RGB (24 bits par pixel) :
Taille = 256 × 256 × 3 = 196 608 octets = 192 Ko
Question 1.3 : Lecture de matrice
Supposons la matrice 4×4 suivante :
1. Valeur du pixel en position (2, 3) :
Ligne 2, Colonne 3 → 220
2. Pixel le plus sombre :
Valeur minimale : 10
Position : (2, 1)
3. Pixel le plus lumineux :
Valeur maximale : 255
Position : (1, 1)
4. Valeur moyenne :
Moyenne = (50+120+200+80+100+255+30+150+70+10+180+220+190+60+140+90) / 16
Moyenne = 1945 / 16 = 121,56 ≈ 122
5. Pixels avec valeur > 150 :
Valeurs : 200, 255, 180, 220, 190
Nombre : 5 pixels
Question 1.4 : RGB vs HSV
1. Afficher une image sur un écran ?
RGB est plus adapté
Raison : Les écrans utilisent directement le modèle RGB (Red, Green, Blue) avec des diodes
émettant cestrois couleurs primaires
2. Détecter un objet rouge dans une image ?
HSV est plus adapté
Raison : Le canal H (Teinte) permet d'isoler facilement une couleur spécifique indépendamment
de laluminosité et de la saturation
3. Créer un effet de désaturation progressif ?
HSV est plus adapté
Raison : On peut modifier uniquement le canal S (Saturation) sans affecter la teinte ou la
luminosité
4. Ajuster uniquement la luminosité sans changer les couleurs ?
HSV est plus adapté
Raison : Le canal V (Valeur/Luminosité) permet de modifier la brillance indépendamment de la
couleur
Exercice 2 : Images binaires
1 Créer une image binaire de 150×150 pixels entièrement noire (valeurs = 0)
2 Dessiner les formes suivantes en blanc (valeurs = 255) :
◦ Un cercle au centre de rayon 30 pixels
◦ Un rectangle de 40×20 pixels dans le coin supérieur gauche
◦ Une ligne diagonale du coin inférieur gauche au coin supérieur droit
3 Afficher l'image et vérifier que les valeurs des pixels sont bien 0 ou 255
4 Calculer et afficher :
◦ Le pourcentage de pixels blancs
◦ Le pourcentage de pixels noirs
◦ Le nombre total de pixels blancs
Exercice 3 : Conversion en niveaux de gris
Objectifs : Comparer différentes méthodes de conversion
5 Charger une image en couleur de votre choix
6 Convertir l'image en niveaux de gris en utilisant trois méthodes :
◦ Méthode 1 : Moyenne simple (R+G+B)/3
◦ Méthode 2 : Luminosité 0.299R + 0.587G + 0.114B
◦ Méthode 3 : Désaturation (lightness) (max(R,G,B) + min(R,G,B))/2
7 Afficher les quatre images côte à côte (originale + 3 conversions)
8 Extraire une région de 15×15 pixels de chaque conversion et afficher les valeurs
sous forme de matrice
9 Pour chaque conversion, calculer et afficher :
◦ Valeur minimale des pixels
◦ Valeur maximale des pixels
◦ Valeur moyenne des pixels
◦ Écart-type des valeurs
Questions :
• Quelle méthode donne le résultat le plus naturel ?
• Quelle méthode préserve le mieux les détails ?
1) Quelle méthode donne le résultat le plus naturel ?
→ La méthode de luminosité (0.299R + 0.587G + 0.114B)
C’est la méthode la plus naturelle et la plus réaliste, car elle correspond à la perception de
l’œil humain :
• L’œil est très sensible au vert → coefficient 0.587
• L’œil est assez sensible au rouge → coefficient 0.299
• L’œil est peu sensible au bleu → coefficient 0.114
Résultat : un niveau de gris qui ressemble le plus à l’image réelle.
2) Quelle méthode préserve le mieux les détails ?
→ La méthode de luminosité aussi.
Pourquoi ?
• Elle conserve les contrastes naturels entre les couleurs.
• Elle ne “moyenne” pas toutes les couleurs de façon uniforme.
• Elle ne “aplatit” pas les zones claires et sombres comme la désaturation.
Exercice 4 : Manipulation des canaux RGB
Objectifs : Comprendre la composition des images couleur
1 Charger une image couleur et afficher ses dimensions sous la forme (hauteur,
largeur, canaux)
2 Séparer les trois canaux (Rouge, Vert, Bleu) de l'image
3 Créer trois nouvelles images où :
◦ Image 1 : contient uniquement le canal Rouge (G=0, B=0)
◦ Image 2 : contient uniquement le canal Vert (R=0, B=0)
◦ Image 3 : contient uniquement le canal Bleu (R=0, G=0)
4 Afficher les quatre images : originale + les trois canaux séparés
5 Extraire une portion de 10×10 pixels au centre et afficher les valeurs RGB sous
forme de trois matrices distinctes
6 Créer une nouvelle image en :
◦ Échangeant les canaux Rouge et Bleu
◦ Mettant le canal Vert à zéro
Questions :
• Quelle couleur domine dans l'image originale ?
Dans cette image, le bleu est la couleur qui domine visuellement.
• Que se passe-t-il si vous mettez tous les canaux à leur maximum (255) ?
Si tous les pixels des trois canaux sont à 255, chaque pixel devient (R, G,
B) = (255, 255, 255).
Donc l’image devient complètement blanche.
Exercice 5 : Espace colorimétrique HSV
1 Charger une image couleur en format RGB
2 Convertir l'image en espace HSV
3 Extraire et afficher séparément les trois canaux :
◦ Canal H (Teinte) : représente la couleur pure (0-180° ou 0-360°)
◦ Canal S (Saturation) : représente l'intensité de la couleur (0-100%)
◦ Canal V (Valeur) : représente la luminosité (0-100%)
4 Créer une image en niveaux de gris en utilisant uniquement le canal V
5 Comparer cette conversion avec la conversion RGB standard
Questions :
• Pourquoi le canal V peut-il servir d'approximation pour les niveaux de gris ?
• Quelle information perd-on en utilisant seulement le canal V ?
• Dans quel canal les ombres et lumières sont-elles visibles ?
Pourquoi le canal V peut-il servir d’approximation pour les niveaux de gris ?
• Le canal V (Valeur / Luminosité) représente l’intensité lumineuse de chaque pixel, c’est-
à-dire la clarté ou l’obscurité du pixel.
• Les niveaux de gris reflètent également cette intensité lumineuse.
• Ainsi, utiliser le canal V permet d’obtenir une approximation très proche du gris
perceptuel de l’image, car il offre une conversion directe en niveaux de gris sans avoir à
calculer une moyenne pondérée des composantes R, G et B.
Quelle information perd-on en utilisant seulement le canal V ?
• On perd toute l’information sur la couleur (Teinte H) et la saturation (S) :
o Les nuances de couleur disparaissent.
o L’image montre seulement la luminosité des pixels.
Dans quel canal les ombres et lumières sont-elles visibles ?
• Les ombres et les lumières sont visibles dans le canal V (Valeur / Luminosité).
• Valeurs faibles → zones sombres (ombres)
• Valeurs élevées → zones claires (lumières)
Exercice 6 : Manipulation de la saturation
Objectifs : Comprendre l'effet de la saturation sur les images
1 Charger une image couleur et la convertir en espace HSV
2 Modifier le canal S (Saturation) pour créer :
◦ Une version avec saturation augmentée de 50%
◦ Une version avec saturation diminuée de 50%
◦ Une version complètement désaturée (S = 0)
◦ Une version avec saturation maximale (S = 100%)
3 Reconvertir toutes les images en RGB et afficher les résultats en grille
4 Observer et expliquer l'effet de la saturation sur l'apparence visuelle
Exercice 7 : Profondeur de couleur et quantification
1 Charger une image couleur (24 bits : 8 bits par canal)
2 Réduire la profondeur de couleur à :
◦ 16 bits (5 bits pour R, 6 bits pour G, 5 bits pour B)
◦ 8 bits (3 bits pour R, 3 bits pour G, 2 bits pour B)
◦ 4 bits (1-2 bits par canal)
◦ 2 bits (palette très limitée)
3 Afficher les images avec différentes profondeurs en grille
4 Pour chaque profondeur, calculer :
◦ Le nombre de couleurs possibles
◦ La taille théorique en mémoire (pixels × profondeur)
•
Questions :
• À partir de quelle profondeur la dégradation devient-elle visible ?
• Quels éléments de l'image sont les plus affectés ?
À partir de quelle profondeur la dégradation devient-elle visible ?
• 24 bits (original) : pas de dégradation, toutes les couleurs sont conservées.
• 16 bits (5R-6G-5B) : légère perte de détails dans les dégradés, mais visuellement
acceptable sur la plupart des images.
• 8 bits (3R-3G-2B) : la dégradation devient visible, surtout dans les zones avec
dégradés ou transitions douces de couleur.
• 4 bits et 2 bits : dégradation très prononcée : l’image montre des bandes de
couleur (banding) et une perte quasi totale des nuances.
la dégradation commence à être perceptible à 8 bits, et devient importante en dessous de 8
bits.
Quels éléments de l’image sont les plus affectés ?
• Les zones avec dégradés subtils ou couleurs similaires sont les plus touchées, car
la quantification arrondit les couleurs à un nombre limité de niveaux.
• Les textures fines et les détails (par exemple, feuillage, ciel nuageux, vêtements à
motifs) perdent de la richesse et apparaissent parfois en zones uniformes ou en
bandes.
• Les couleurs saturées ou très contrastées sont moins affectées, car elles ont peu
de nuances intermédiaires.