Serie 2
Serie2
(solution)
Exercice 1 : Ajout de bruits dans une image
1. Charger une image en niveaux de gris.
2. Ajouter successivement : a. Un bruit gaussien avec une
moyenne et un écart-type donnés. b. Un bruit poivre et sel
(ex. 5% des pixels).
3. Comparer visuellement les images bruitées.
1. Charger une image en niveaux de gris.
2. Ajouter successivement : a. Un bruit
gaussien avec une moyenne et un écart-type
donnés. b. Un bruit poivre et sel (ex. 5%
des pixels).
3. Comparer visuellement les images
bruitées.
Exercice 2 : Conversion conditionnelle en
niveaux de gris
Écrire un programme qui :
1. Charge une image couleur.
2. Calcule la luminosité de chaque pixel :
L=0.299R+0.587G+0.114B
3. Convertit en niveaux de gris uniquement les pixels dont la luminosité dépasse un
seuil donné.
4. Laisse les pixels plus sombres en couleur.
5. Affiche l’image finale et discute l’effet obtenu.
Écrire un programme qui :
1. Charge une image couleur.
2. Calcule la luminosité de chaque pixel :
L=0.299R+0.587G+0.114B
3. Convertit en niveaux de gris uniquement
les pixels dont la luminosité dépasse un
seuil donné.
4. Laisse les pixels plus sombres en
couleur.
5. Affiche l’image finale et discute l’effet
obtenu.
Exercice 3 : Réduction de bruit par filtrage
Charger une image bruitée.
Appliquer :
a. Un filtre moyenneur (moyenne locale).
b. Un filtre médian.
c. Un filtre gaussien.
d. Un filtre bilatéral (préserve les bords).
Comparer les résultats et déterminer le filtre le plus efficace selon le type de bruit.
Exercice 3 : Réduction de bruit par filtrage
Comparer les résultats et déterminer le filtre le plus efficace selon le type de bruit.
bruit poivre & sel → médian efficace
bruit gaussien → moyenneur ou gaussien efficace
filtrage bilatéral → préserve mieux les contours nets
Exercice 4 : Analyse d’un noyau de
convolution
On donne un noyau :
a) Calculer le coefficient de normalisation.
b) Expliquer l’effet du filtre
c) Indiquer dans quel cas ce filtre est utile.
d) Indiquer ses inconvénients
Exercice 4 : Analyse d’un noyau de
convolution
On donne un noyau :
a) Calculer le coefficient de normalisation.
Le coefficient de normalisation est la valeur par laquelle on doit diviser chaque élément du noyau pour
que la somme totale des coefficients soit égale à 1. Cela permet de conserver la luminosité globale de
l'image originale.
•Somme des coefficients : 1 + 2 + 1 + 2 + 4 + 2 + 1 + 2 + 1 = 16
•Coefficient de normalisation : 1/16 (ou 0,0625)
Exercice 4 : Analyse d’un noyau de
convolution
b) Expliquer l'effet du filtre
Le filtre gaussien est un filtre de lissage.
Il permet de réduire le bruit dans une image en atténuant les variations
brusques d’intensité entre les pixels.
Exercice 4 : Analyse d’un noyau de
convolution
c) Indiquer dans quel cas ce filtre est utile
[Link] réduction du bruit : Il est très efficace pour
atténuer le "bruit blanc" ou le grain aléatoire dans
une image avant d'effectuer d'autres traitements.
[Link] lissage des textures : Pour adoucir des traits trop
nets ou préparer l'image à une segmentation.
3.L'anti-aliasing : Pour réduire les effets d'escalier sur
les bords des objets.
Exercice 4 : Analyse d’un noyau de
convolution
d) Indiquer ses inconvénients
❑ Floute les contours et détails fins.
❑ Moins efficace sur les bruits impulsionnels (poivre & sel).
❑ Plus lent à calculer qu’un filtre moyenneur simple, surtout pour de
grands noyaux.
Exercice 5 : Application du filtre médian
On considère l’image suivante :
❑ En utilisant un filtre médian 3×3, calculer la nouvelle valeur du pixel (1,1).
❑ Définir comment traiter un pixel au bord (padding, réplication…).
❑ Appliquer cette règle au pixel (5,5).
❑ Décrire l’effet global du filtre médian sur une image bruitée.
Exercice 5 : Application du filtre médian
1. Calculer la nouvelle valeur du pixel (1, 1)
Voisinage 3 x3 autour de (1, 1) :
•Liste des valeurs : 146, 146, 155, 152, 0, 142,
155, 155, 154
•Tri des valeurs par ordre croissant :
0, 142, 146, 146, 152, 154, 155, 155, 155$
Nouvelle valeur = 152
Exercice 5 : Application du filtre médian
2. Comment traiter un pixel au bord ?
On peut utiliser plusieurs méthodes :
Padding (Zero-padding) : On entoure l'image de pixels noirs (valeur 0). Cela
peut fausser la médiane vers le bas.
Réplication (Border replication) : On duplique les valeurs des pixels du bord
vers l'extérieur. C'est souvent la méthode la plus fidèle.
Symétrie (Mirroring) : On crée un effet miroir des pixels internes pour
remplir les cases manquantes.
Exercice 5 : Application du filtre médian
Appliquer cette règle au pixel (5,5).
Application au pixel (5,5)
Le pixel (5,5) est le coin inférieur droit de l'image (valeur actuelle : 0).
Appliquons la règle de la réplication :
❑ Liste des valeurs : [155, 156, 156, 155, 0, 0, 155, 0, 0]
❑ Tri croissant : [0, 0, 0, 0,155, 155, 155, 156, 156]
❑ Médiane : 155
❑ Résultat : La nouvelle valeur du pixel (5,5) est 155.
Exercice 5 : Application du filtre médian
4. Effet global du filtre médian sur une image bruitée
Élimination du bruit "Poivre et Sel" : C'est sa fonction principale. Comme le montre
l'exercice, les valeurs aberrantes (comme le 0 au milieu de valeurs proches de 150)
disparaissent car elles sont exclues de la médiane.
Préservation des contours : Contrairement au flou gaussien, le filtre médian ne crée
pas de nouvelles valeurs de pixels (il choisit une valeur existante). Cela permet de
garder les bords des objets plus nets.
Réduction des petits détails : Il peut supprimer des détails très fins qui ne sont
présents que sur un ou deux pixels, car ils seront considérés comme du bruit.
Exercice 6 : Histogramme et filtrage
moyenneur
1. Charger une image en niveaux de gris.
2. Calculer et tracer son histogramme (0 à 255).
3. Afficher l’image originale et son histogramme côte à côte.
Filtrage moyenneur
1. Créer et appliquer les filtres moyenneurs suivants :
o 3×3
o 5×5
o 7×7
2. Afficher les images lissées et les comparer à l’originale.
3. Calculer et visualiser la différence (image originale – image filtrée) pour chaque filtre.
Exercice 6 : Histogramme et filtrage
moyenneur
1. Charger une image en niveaux de gris.
2. Calculer et tracer son histogramme (0
à 255).
3. Afficher l’image originale et son
histogramme côte à côte.
Exercice 6 : Histogramme et filtrage
moyenneur
Exercice 6 : Histogramme et filtrage
moyenneur
Filtrage moyenneur
1. Créer et appliquer les filtres moyenneurs
suivants :
o3×3
o5×5
o7×7
2. Afficher les images lissées et les comparer à
l’originale.
3. Calculer et visualiser la différence (image
originale – image filtrée) pour chaque filtre.
Exercice 6 : Histogramme et filtrage
moyenneur
Exercice 6 : Histogramme et filtrage
moyenneur
Exercice 6 : Histogramme et filtrage moyenneur
Exercice 6 : Histogramme et filtrage
moyenneur
Remarques
❑Plus le filtre est grand, plus l’image est lissée, mais les détails fins
disparaissent.
❑L’histogramme de l’image filtrée devient moins contrasté, les valeurs
sont plus regroupées.
❑La différence permet de visualiser les zones où le lissage a le plus agi.
Exercice 7 : Étude d’une image en 4 bits
Soit l'image I à niveaux de gris (codée sur 4 bits) de taille 11x10 pixels.
1. Définir le contraste et calculer sa valeur dans cette image I ?
2. Tracer l'histogramme de l'image I ?
3. Binariser l'image I de façon à séparer l'emoji (visage souriant) du fond ? donner la valeur de
seuil S et représenter l'image binaire Ib ?
4. Un bruit est ajouté à l'image I tel que : I(2, 2)=0, I(10, 10)=15, I(8, 4)=0, I(6, 9)=15
4.1- Quel est le type de ce bruit ?
4.2- Appliquer un filtre moyenneur (équitable) et un filtre médian de
taille 3 x 3 sur les pixels bruités ?
4.3- Quel filtre est plus adapté ? justifier ?
5. Maintenant, on veut corriger le contraste de l'image I par l'égalisation de l'histogramme :
5.1- Citer les 4 étapes principales pour réaliser l'égalisation de l'histogramme ?
5.2- Donner les nouvelles valeurs des pixels suivants : (2, 4), (4, 4), (8, 8), (2, 2), (11, 10)
Exercice 7 : Étude d’une image en 4 bits
1.Définir le contraste et calculer sa valeur dans cette image I ?
Le contraste mesure la différence de luminosité entre les zones les plus
claires et les plus sombres d'une image
Exercice 7 : Étude d’une image en 4 bits
2. Histogramme de l'image I
Exercice 7 : Étude d’une image en 4 bits
[Link] l'image I de façon à séparer l'emoji (visage souriant) du
fond ? donner la valeur de seuil S et représenter l'image binaire Ib ?
Pour séparer l’emoji du fond, il faut observer les valeurs de l’image. Le
fond est composé des niveaux 12, 9, 7 et 4, tandis que l’emoji
correspond au niveau 2.
Donc Seuil (S) : S = 3. Tout pixel I(x,y) < S devient 0 (emoji) et
I(x,y) >=S devient 1 (fond).
Exercice 7 : Étude d’une image en 4 bits
Un bruit est ajouté à l'image I tel que : I(2, 2)=0, I(10, 10)=15, I(8, 4)=0,
I(6, 9)=15
4.1- Quel est le type de ce bruit ?
Le bruit ajouté prend des valeurs extrêmes (0 et 15) sur des pixels isolés. Il s'agit
d'un bruit impulsionnel(bruit "Poivre et Sel)
Exercice 7 : Étude d’une image en 4 bits
4.2- Appliquer un filtre moyenneur (équitable)
et un filtre médian de taille 3 x 3 sur les pixels
bruités ?
Exercice 7 : Étude d’une image en 4 bits
4.3- Quel filtre est plus adapté ? justifier ?
Tant que Erreurméd < Erreurmoy, donc le filtre médian est le plus adapté.
Exercice 7 : Étude d’une image en 4 bits
5. Maintenant, on veut corriger le contraste de l'image I par l'égalisation de
l'histogramme :
5.1- Citer les 4 étapes principales pour réaliser l'égalisation de l'histogramme ?
A. Calcul de l’histogramme
Hist(I) 0 0 28 0 14 0 0 18 0 12 0 0 38 0 0 0
B. Normalisation de l’histogramme
HistN(I) 0 0 𝟐𝟖 0 𝟏𝟒 0 0 𝟏𝟖 0 𝟏𝟐 0 0 𝟑𝟖 0 0 0
𝟏𝟏𝟎 𝟏𝟏𝟎 𝟏𝟏𝟎 𝟏𝟏𝟎 𝟏𝟏𝟎
C. Calcul de l’histogramme cumule :
C(I) 0 0 𝟐𝟖 𝟐𝟖 𝟒𝟐 𝟒𝟐 𝟒𝟐 𝟔𝟎 𝟔𝟎 𝟕𝟐 𝟕𝟐 𝟕𝟐 𝟏 1 1 1
𝟏𝟏𝟎 𝟏𝟏𝟎 𝟏𝟏𝟎 𝟏𝟏𝟎 𝟏𝟏𝟎 𝟏𝟏𝟎 𝟏𝟏𝟎 𝟏𝟏𝟎 𝟏𝟏𝟎 𝟏𝟏𝟎
Exercice 7 : Étude d’une image en 4 bits
D. Transformation de niveaux de gris de l'image :
5.2- Donner les nouvelles valeurs des pixels suivants : (2, 4), (4, 4), (8, 8), (2, 2), (11, 10)
Les nouvelles valeurs des pixels après l'égalisation de l'histogramme :