Cours Pretraitement Des Images

Prétraitements
d’images
Institut supérieur d’arts
Multimédia
1ère année mastère de Recherche

Informatique Décisionnel et Intelligence
Appliquée à la Gestion
Enseignant : Dr. Zouhaier ben Rabah

Traitement Mail : zouhaierbr@yahoo.fr
d’images
Tel : 98946126
1
Introduction
• Le mécanisme d’acquisition des images est loin
d’être parfait.
– Source de dégradation :
• Mauvais éclairage
• Capteur avec plage dynamique faible
• Sources d’éclairage parasites
• Réponse non-linéaire du capteur
• L’image à la sortie de ce mécanisme doit être

traitée avant d’être soumise aux traitements
Traitement
d’images ultérieurs.
2
• Objectifs
– Améliorer le contraste,
– Rehausser les niveaux de gris,
– Accentuer les caractéristiques.
• Techniques de rehaussement de l’image :

– Modifications d’histogramme,
– Égalisation d’histogramme,
– Spécification d’histogramme,
– Décalage de l’histogramme,
Traitement – ….
d’images
3
« Sé koi ? »
On entend par prétraitements des opérations effectuées

sur l’image pour soit l’améliorer, soit la restaurer, i.e.
restituer aussi fidèlement que possible le signal d'origine.
• Amélioration visuelle
• Réduction de l’information inutile (bruit)
• Renforcement de l’information utile
Prétraitements
Traitement
d’images Amélioration Restauration
(modification de la (débruitage par ex.)
dynamique par ex.) 4
Amélioration
Problème de l'amélioration : un problème subjectif.
Quand pourra-t-on dire qu'une image est améliorée ?
Œil humain : essentiellement sensible aux forts contrastes.

 Techniques d'amélioration tentent d'augmenter
ceux-ci pour accroître la séparabilité des
régions composant une scène.
Traitement
d’images
5
Luminance ou brillance
La luminance (ou brillance) est définie comme la moyenne de
tous les pixels de l’image.
Pour augmenter la luminance, il suffit de décaler

l’histogramme : F(x,y)=f(x,y)+n
Traitement
d’images
6
Luminance ou brillance
Dans les deux images suivantes, seule la luminance est

différente :
Traitement
d’images
7
Luminance et brillance
F(x,y)=f(x,y)+n
n=0 n=-80 n=+80
Traitement
d’images
image source Résultat
8
Contraste
Le contraste peut être défini de plusieurs façons :
• Variance des niveaux de gris (NxM nombre de pixels dans l’image)
N M
1
N M
 ( f (i
i 1 j 1
, j )  Moy ) 2
• Variation entre niveaux de gris max et min
max f (i, j )  min f (i, j )

Traitement
d’images max f (i, j )  min f (i, j )
Contraste
C’est une mesure relative aux différences des niveaux de gris
dans l’image.
Il est d'autant plus élevé que l'histogramme est « étalé »
horizontalement.
Traitement
d’images
Amélioration du contraste
Modifier chaque niveau de gris dans le but d'accroître le contraste.
Ce type de correction est également adapté lorsqu'une majeure

partie des niveaux de gris présents dans l'image est concentrée
dans un faible intervalle sur l'échelle des intensités lumineuses.
L'approche la plus simple et de créer une "fonction de transfert",

f'(x,y) = t(f(x,y)) afin de modifier la dynamique d'une image
(généralement pour l'augmenter).
où f(x,y) est l’image d’origine et t est une fonction prédéfinie.
Traitement
d’images
11
Modification de l’échelle des niveaux de gris
Chaque niveau de gris est modifié dans le but d'accroître le

contraste (en contrôle qualité, où on a un ou plusieurs objets sur un
fond continu uniforme, on s'attache à accroître les transitions objet-
fond).  opération ponctuelle
Type de correction adapté lorsqu'une majeure partie des niveaux de

gris présents dans l'image est concentrée dans un faible intervalle
sur l'échelle des intensités lumineuses.
g ' ( x, y )  t (g ( x, y ))
Traitement
d’images
Fonction prédéfinie
ex.: recadrage, linéarisation, amincissement 12
Modification de l’échelle des gris
Traitement
d’images
13
Modification de l’échelle des niveaux de gris
Traitement
d’images
14
Réhaussement de contraste
Traitement
d’images
15
Traitement
d’images
16
Traitement
d’images
17
Traitement
d’images
18
Amélioration du contraste
La majorité des techniques de traitement d ’ image pour
l ’ amélioration du contraste d ’ une image se base sur la
manipulation des histogrammes.
Parmi ces techniques on distingue:
Transformation linéaire,
Transformation linéaire avec saturation,
Transformation linéaire par morceau,
Traitement Transformation non-linéaire,

d’images
Égalisation de l’histogramme.
19
Histogramme
L'histogramme fournit une information globale sur la répartition des
niveau de gris dans l'image.
Un histogramme simple est une fonction h donnant, pour chaque valeur

de niveau de gris x, le nombre de pixels ayant ce niveau.
Traitement
d’images La fréquence d’apparition du niveau de gris x représente la probabilité
d’obtenir le niveau x, c’est une densité de probabilité
20
Histogramme
• La construction de l’histogramme consiste à subdiviser la droite réelle en
intervalles de mesure constante hN  pas de l’histogramme.
(N )
• Soit ,I k le kème intervalle de l’histogramme
I (N)
k 
 a  khN , a  k  1hN   ak , ak 1 N  N 

Traitement
d’images
21
Histogramme
Remarque : Une image possède un seul histogramme mais la réciproque est
fausse (l'histogramme ne comprend pas d'information spatiale)
Traitement
Deux images différentes ayant un même histogramme
d’images
22
Histogramme
Pour les images en vrai couleur plusieurs histogrammes
sont nécessaires. Par exemple pour une image codée en
RGB :
un histogramme représentant la distribution de la
luminance,
trois histogrammes représentant respectivement la
distribution des valeurs respectives des composantes
rouges, bleues et vertes.
Traitement
d’images
23
Histogramme cumulé
L'histogramme cumulé d'une image s'obtient en associant à chaque niveau
c
de gris i le nombre hi de pixels de l'image qui ont une valeur inférieure ou
égale à i.
Ceci revient à calculer l'histogramme de l'image et d'associer à chaque
niveau i la somme des hj pour j≤i.
L'histogramme cumulé dénombre les occurrences cumulées de chacun des

niveaux :
Il est défini de façon récursive par
Traitement
d’images
24
Histogramme cumulé
Exemple d’histogramme cumulé d’une image en niveau de gris
Histogramme de l’image (rouge) et

Traitement l'histogramme cumulé (noir)
d’images
25
Histogramme cumulé
Exemple d ’ histogramme cumulé d ’ une image
couleur
Traitement
d’images
26
Egalisation d’histogramme
L'égalisation d'histogramme permet de mieux répartir

les intensités sur l'ensemble de la plage de valeurs
possibles, en « étalant » l'histogramme.
L'égalisation est intéressante pour les images dont la

totalité, ou seulement une partie, est de faible
contraste (l'ensemble des pixels sont d'intensité
proches).
Traitement
d’images
27
La transformation T permet d'égaliser

Traitement
d’images l'histogramme et d'améliorer le contraste.
28
image originale Son histogramme (rouge) et

l'histogramme cumulé (noir)
Traitement
d’images
29
L'histogramme (rouge) et l'histogramme
L'image après égalisation d'histogramme cumulé (noir) après égalisation
Traitement
d’images
30
Traitement
Image originale Image après égalisation
d’images
31
Image originale Histogramme original
Transformation
Traitement
d’images
Image après Histogramme égalisé

32
égalisation
Transformations d’images
Principe :
Changer la valeur de chaque pixel d'une image f pour obtenir une nouvelle
image f'. Cette image résultat a la même taille que f, mais des propriétés
plus intéressantes.
Types de transformations
o Ponctuelles (ou pixel à pixel) : la nouvelle valeur f'(x,y) est obtenue à
partir de f(x,y) seulement.
o Locales (ou de voisinage) : la nouvelle valeur f'(x,y) est obtenue à
partir de l'ensemble des valeurs initiales f(V(x,y)) dans un voisinage
autour du pixel de coordonnées (x,y).
o Globales : la nouvelle valeur f'(x,y) est obtenue à partir de l'ensemble
Traitement de valeurs de l'image initiale f.
d’images
33
Transformations d’images
Transformations ponctuelles
f ( x, y ) 

t
f ' ( x, y )  t ( f ( x , y )
Ex. seuillage, ajustement luminosité/
Contraste, manipulation d'histogramme
Transformations locales
f ( x, y ) 

t
f ' ( x, y )  t ( f (V ( x, y )))
Ex. filtrage
Transformations globales
Traitement
f ( x, y ) 

t
f ' ( x, y )  t ( f )
d’images Ex. transformée de Fourier
34
Transformations Ponctuelles
Elle est donc définie par une table de correspondance ou LUT (Look-Up
Table) qui définit, pour chaque niveau de gris i, le nouveau niveau i'=t(i).
Représentations de la LUT: tableau ou graphe
Traitement
d’images
35
Lien avec l'histogramme : une LUT définit la transformation t des
niveaux de gris entre l'image initiale et l'image finale. Cette transformation
change la distribution statistique des niveaux de gris, caractérisée par
l'histogramme de chaque image
Traitement
d’images
36
Exemple :
• Expansion de la dynamique
par étirement de
l’histogramme
Effet : amélioration du
contraste
Traitement
d’images
37
Changement du contraste
La Transformation linéaire : On étire la dynamique en rééchelonnant les
niveaux de gris entre 0 et 255
255
f ' ( x, y )  ( f ( x, y )  min)
max  min
f’
255
f’(x,y)
f
Traitement
d’images 0
f(x,y)
min max
38
Exemple de transformation linéaire :
Traitement
d’images
39
Limite des transformations linéaires : Si la dynamique est déjà
maximale, la transformation n’apporte aucun changement.
Traitement
d’images
40
La Transformation linéaire avec saturation :
o Définie par 2 seuils : min( f ( x, y))  S min  S max  max( f ( x, y))
o Effet :Rehaussement du contraste des niveaux :S min  i  S max
et saturation :
• à 0 les niveaux : min( f ( x, y ))  i  S min
• à 255 les niveaux : S max  i  max( f ( x, y ))
255
f ' ( x, y)  ( f ( x, y)  Smin )
Smax  Smin
Traitement f ' ( x, y)  0  f ' ( x, y)  0
d’images
f ' ( x, y)  255  f ' ( x, y)  255
41
La Transformation linéaire avec saturation :
Traitement
d’images
42
La Transformation linéaire par morceau :
o Effet : selon la pente locale (gain), expansion ou compression de la
dynamique
• rehaussement du contraste si gain > 1
• diminution du contraste si gain < 1
Traitement
d’images
43
La Transformation linéaire par morceau :
Traitement
d’images
44
La Transformation non linéaire
Traitement
d’images
45
Autres transformations d’histogramme
négatif i'=255-i
Traitement
d’images
Quantification
46
Egalisation d’histogramme : exemple
Traitement
d’images
47
Egalisation d’histogramme : Méthode
On cherche à aplatir l’histogramme
1. Calcul de l’histogramme h(k) avec kk  [0, 255]

2. Histogramme cumulé hc (k )   h(i)
3. Transformation des niveaux de grisi de1 l’image
Traitement
hc ( f ( x, y )) * 255
d’images
f ' ( x, y ) 
N
48
Traitement
d’images
49
Traitement
d’images
50
Si on prend la même image avec des contrastes différents, l’égalisation
d’histogramme donne le même résultat pour
toutes les images.
Traitement
d’images
51
Egalisation locale d’histogramme
Traitement
d’images
52
Egalisation d’une image couleur
1. Calculer l’intensité de l’image couleur f = (R + V + B)/3
2. Calculer l’histogramme de f
3. Calculer l’histogramme cumulé de f
4. Appliquer l’égalisation de l’histogramme dans chaque
plan de l’image couleur
Traitement
d’images
53
Egalisation d’une image couleur : exemple
Traitement
d’images
54
Seuillage
Traitement
d’images
55
Seuillage : Comment trouver le seuil?
Traitement
d’images
56
Restauration
Objet : la réduction, voire l'élimination des

distorsions introduites (bruits) par le
système ayant servi à acquérir l'image.
But : obtenir une image qui soit la plus

proche possible de l'image idéale qui aurait
été obtenue si le système d'acquisition était
Traitement
d’images parfait.
57
Restauration
Nature du bruit
Bruit lié au contexte de l'acquisition

Bruit lié au capteur
Bruit lié à l'échantillonnage
Bruit lié à la nature de la scène
Traitement
d’images
58
Autres dégradations visibles dans une image:
• bruit "poivre-et-sel" (très localisé et très perturbant) ;
• bruit de "speckle " (chatoiement; bruit granulaire de type
multiplicatif);
• trous ou coupures sur une forme et des frontières pas nettes
(dents de scie).
Traitement local associé ou non à une connaissance a priori et a

posteriori de la forme peut donner de bons résultats.
Remarque:
• On peut tenter de modéliser le processus de dégradation pour
l’inverser (restauration)
• ou Agir directement sur l'image obtenue (amélioration).
• Dans ce cas le modèle de restauration retenu est linéaire et se
Traitement traduit par une transformation de voisinage
d’images
59
Restauration
Original Salt and pepper
Traitement
d’images
Gaussien Speckle 60
Dégradations Restauration
Dans l'ensemble des dégradations possibles d'une image,

il existe une classe intéressante : les transformations linéaires.
Dans ce cas, on suppose les dégradations invariantes
spatialement ce qui permet d'écrire le modèle suivant :
f ( x, y )  h  g ( x, y )  b( x, y )
Image à restaurer Image initiale Bruit additif
réponse impulsionnelle
Traitement du système linéaire modèle
d’images
de la source de dégradation
61
Restauration d’image
La restauration a pour but d'inverser l'effet du phénomène dégradant.
Il s'agit de produire une image la plus proche de la réalité physique de
la scène observée.
L'amélioration a pour but de satisfaire l'oeil de l'observateur humain. C'est

pourquoi l'image produite peut être différente de la réalité. appelé
prétraitement, regroupe toutes les techniques visant à améliorer la qualité
d'une image.
La notion de qualité est une notion très subjective:

La qualité d'une image n'est pas forcément la même pour un
ordinateur ou pour un opérateur humain.
Traitement
d’images
62
Bruit
Parasite :
phénomène de brusque variation de l’intensité d’un pixel
par rapport à ses voisins
Provenance :
l’éclairage,
l’objet,
La transmission,
l’optique de la caméra,
Traitement
d’images
Le capteur CCD,
l’échantillonnage,
63
Le stockage de l’image
Bruit
Traitement agrandissement 400%

d’images
64
Les sources de dégradations
Les techniques de restauration proposent de réduire les
effets des dégradations (ou bruits) subies par une image.
Il en existe quatre possible :
bruit lié au contexte de l'acquisition
bruit lié au capteur
bruit lié à la numérisation
bruit lié à la nature de la scène.

Traitement
d’images
65
Bruit lié au contexte de l'acquisition :
le bougé, conditions d'éclairage.
Bruit lié au capteur (bruit gaussien):

mauvaise qualité, mal utilisé.
Bruit lié à la numérisation : (bruit impulsionnel)

Mauvaise quantification dû à un mauvais calibrage des
capteurs.
Bruit lié à la nature de la scène :

Nuage (cas d ’ images satellites), la poussière dans un
Traitement
d’images
atelier de production.
Autres types de dégradations :

66
vieillissement de film,…
Traitement
d’images
Image initiale Dérivé lumineuse
67
Originale Bruit gaussien
Traitement
d’images
Bruit gaussien Bruit

impulsionnel 68
Restauration par connaissance a priori
La connaissance du phénomène physique, source de dégradation, permet
de déterminer un modèle représentant le processus de dégradation.
Le modèle du bruit étant connu, il suffit alors d’appliquer à l’image un

modèle inverse afin de neutraliser le bruit et retrouver l’image initiale.
Ce processus est assez complexe vu que généralement le bruit est généré

par une source aléatoire.
Sa modélisation nécessite donc une connaissance exacte des phénomènes

Traitement physiques agissant sur la lumière ainsi que la réponse de l ’ appareil
d’images
d’acquisition à l’instant de la prise de vue.
69
Restauration par connaissance a posteriori
le phénomène dégradant est inconnu, ou bien trop complexe pour qu’une
approche analytique soit envisageable.
Il est donc nécessaire d’estimer ce phénomène à partir de la connaissance

de l’image dégradée.
Par exemple, la recherche de points de formes particulières (coins, arrêtes,

etc.) connus et devant exister dans la scène permet une estimation locale
de certaines caractéristiques du phénomène dégradant.
Traitement
d’images
70
Restauration par filtrage spatial
Le filtrage consiste à appliquer une transformation (appelée
filtre) à tout ou partie d'une image numérique.
Son objectif est de réduire les variations d’intensité au sein de chaque
région de l’image tout en respectant l’intégrité des scènes :
• les transitions entre régions homogènes,
• les éléments significatifs de l’image
Différentes méthodes de filtrage :

• linéaire stationnaire (invariant par translations)
Traitement
• Non linéaire
d’images
71
Filtre linéaire : c’ est un système linéaire et invariant
dans le temps
• une combinaison linéaire d ’ entrées entraîne la même
combinaison linéaire des sorties
• tout décalage temporel de l ’ entrée entraîne le même
décalage en sortie
L’application du filtre est le produit de convolution de l’image
bruitée G(x, y) avec la fonction de transfert de la réponse
impulsionnelle h(x,y) appelée kernel ou noyau du filtre.
Traitement
d’images
72
Convolution discrète :
Traitement
d’images
73
Convolution discrète :
• Le masque est de dimension N impair et symétrique
( N 1) / 2 ( N 1) / 2
( f * filtre)( x, y )    f ( x  i, y  i) filtre(i, j )
i   ( N 1) / 2 j   ( N 1) / 2
Exemple voisinage de 3x3
Traitement
d’images
74
Propriétés de la convolution discrète :
• Elément neutre
• Réponse impulsionnelle discrète
Traitement
d’images
75
Propriétés de la convolution discrète :
• Additivité /distributivité
• Commutativité
• Associativité
• Norme d’un opérateur
• Séparabilité du produit de convolution
Traitement
d’images
76
Filtre moyenneur
Il s’agit d’effectuer un lissage spatial tout en remplacent la
valeur du pixel courant par la moyenne de tous les pixels
inclus dans un voisinage centré en ce point.
La taille du kernel dépend de l’intensité du bruit et de la taille

des détails significatifs de l’image traitée.
Traitement
d’images
77
Convolution en discret
Exemple de convolution: le filtre moyenneur
1 1 1
1/9 1 1 1
1 1 1
Traitement
d’images
Filtre moyenneur
78
Filtre moyenneur
1/9 *
Zone d’une Matrice de

image convolution
Valeur du pixel central après filtrage :
(27*1+13*1+21*1+19*1+12*1+29*1+15*1+18*1+14*1)/9
=19
Le résultat d’un tel filtrage est le lissage de l’image
Traitement
d’images
Zone après 79
filtrage
Filtre moyenneur
Traitement
d’images
80
Filtre moyenneur
Les effets du filtre moyenneur varient avec la taille du noyau :
- plus les dimensions du noyau seront importantes, plus le
bruit sera éliminé ;
- mais en contrepartie, il lisse les contours, ce qui donne une
impression de flou
Traitement
d’images
81
Filtre gaussien
Ce filtre tire son nom de la valeur de ses coefficients qui sont
ceux d’une courbe de gauss à deux dimensions.
Plus la taille d’un filtre est importante, plus l’image filtrée est
floue.
L’application d’un filtre gaussien à une image revient à sa
convolution par un noyau gaussien h, d’écart-type σ, donné
par l’équation suivante :
Traitement
d’images
82
Filtre gaussien
Traitement
d’images
83
Filtre gaussien
Traitement
d’images
84
Filtres Non Linéaires
Ces opérateurs ont été développés pour pallier aux
insuffisances des filtres linéaires,
• la mauvaise conservation des contours en infligeant des
déformations irréversibles à l’image.
Exemple : - les filtres d’ordre

- les filtres de Nagao.
Traitement
d’images
85
Filtres D’ordre
Le filtrage d’ordre consiste à ordonner les pixels qui sont
contenus dans un voisinage donné selon leur niveaux de gris
grâce à des modules de tri,
les valeurs de gris (gi) seront triés par ordre croissant puis
l’opération se fait en affectant au pixel courant une valeur G
(fonction non linéaire de gi)
Exemple : - filtre médian
Traitement
- filtre maximum
d’images
- filtre minimum
86
Filtres Médian
Le niveau de gris du pixel central est remplacé par la valeur
médiane de tous les pixels de la fenêtre d’analyse centrée sur
le pixel
Le principe de ce filtre est comme suit :
•On classe les pixels voisins du pixel courant (compris
dans la fenêtre) par valeurs croissantes.
•On prend la valeur médiane des pixels classés et on

l’affecte au pixel courant.
Traitement
d’images
87
Filtres Médian
Traitement
d’images
88
Filtres Médian
La taille du noyau dépend de l’intensité du bruit et de la taille
des détails significatifs de l’image traitée :
• Plus le noyau est grand, plus le filtrage peut paraître
efficace,
• mais plus il déforme l’image sans pour autant adoucir son
contraste
Le filtre médian est efficace lorsque l’image est dégradée
par une source de bruit du type impulsionnel, c-à-d
Traitement
d’images
lorsque l’on assiste à des variations brusques de pixels
isolés. 89
Filtres Médian
le médian garde la netteté de l’image pour les éléments de

Traitement dimensions importantes (par rapport au noyau du filtre), mais
d’images
élimine les détails fins de manière irrémédiable.
90
Filtre maximum
On retient pour l’image filtrée la valeur maximale.
Le filtre maximum tend à homogénéiser et éclaircir les régions
de l’image
Traitement
d’images
91
Filtre minimum
On retient pour l’image filtrée la valeur minimale.
Le filtre minimum tend à homogénéiser et assombrir les
régions de l’image.
Traitement
d’images
92
Filtre MIN/MAX
Ce type de filtre consiste à remplacer la valeur du pixel p de
l’image originale A par le minimum ou le maximum sur la
fenêtre centrée en ce point selon la proximité de ces deux
valeurs à la valeur centrale.
Le principe de cet algorithme est le suivant :
• Si le pixel central (i, j) a une valeur supérieure à Max, on
affecte MaxF(i, j) =Max.
• Si le pixel central (i, j) a une valeur inférieure à Min, on
affecte Min F(i, j) = min.
Traitement
d’images
• Si le pixel central (i, j) est compris entre Min et Max, le pixel
garde la même valeur.
93
Filtre MIN/MAX
Traitement
d’images
94
Exemples
Bruit gaussien Moyenneur 3x3 Filtre adaptatif 3x3 Médian 3x3
Traitement
d’images
Bruit Moyenneur 3x3 Filtre adaptatif 3x3 Médian 3x3

salt and pepper 95
Exemples
Bruit Moyenneur 3x3 Filtre adaptatif 3x3 Médian 3x3

speckle
Traitement
d’images
96

Cours Pretraitement Des Images

Transféré par

Informations du documentcliquez pour développer les informations du document

Informations du documentcliquez pour développer les informations du document

Droits d'auteur :

Formats disponibles

Cours Pretraitement Des Images

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours Pretraitement Des Images

Transféré par

Droits d'auteur :

Formats disponibles

Prétraitements

1ère année mastère de Recherche

Enseignant : Dr. Zouhaier ben Rabah

• L’image à la sortie de ce mécanisme doit être

• Techniques de rehaussement de l’image :

On entend par prétraitements des opérations effectuées

Œil humain : essentiellement sensible aux forts contrastes.

Pour augmenter la luminance, il suffit de décaler

Dans les deux images suivantes, seule la luminance est

n=0 n=-80 n=+80

• Variance des niveaux de gris (NxM nombre de pixels dans l’image)

• Variation entre niveaux de gris max et min

max f (i, j )  min f (i, j )

Ce type de correction est également adapté lorsqu'une majeure

L'approche la plus simple et de créer une "fonction de transfert",

Chaque niveau de gris est modifié dans le but d'accroître le

Type de correction adapté lorsqu'une majeure partie des niveaux de

Parmi ces techniques on distingue:

Transformation linéaire avec saturation,

Transformation linéaire par morceau,

Traitement Transformation non-linéaire,

Un histogramme simple est une fonction h donnant, pour chaque valeur

L'histogramme cumulé dénombre les occurrences cumulées de chacun des

Il est défini de façon récursive par

Histogramme de l’image (rouge) et

L'égalisation d'histogramme permet de mieux répartir

L'égalisation est intéressante pour les images dont la

La transformation T permet d'égaliser

image originale Son histogramme (rouge) et

Image originale Histogramme original

Image après Histogramme égalisé

Représentations de la LUT: tableau ou graphe

1. Calcul de l’histogramme h(k) avec kk  [0, 255]

Objet : la réduction, voire l'élimination des

But : obtenir une image qui soit la plus

Bruit lié au contexte de l'acquisition

Traitement local associé ou non à une connaissance a priori et a

Original Salt and pepper

Dans l'ensemble des dégradations possibles d'une image,

Image à restaurer Image initiale Bruit additif

L'amélioration a pour but de satisfaire l'oeil de l'observateur humain. C'est

La notion de qualité est une notion très subjective:

Traitement agrandissement 400%

Il en existe quatre possible :

bruit lié au contexte de l'acquisition

bruit lié au capteur

bruit lié à la numérisation

bruit lié à la nature de la scène.

le bougé, conditions d'éclairage.

Bruit lié au capteur (bruit gaussien):

Bruit lié à la numérisation : (bruit impulsionnel)

Bruit lié à la nature de la scène :

Autres types de dégradations :

Originale Bruit gaussien

Bruit gaussien Bruit

Le modèle du bruit étant connu, il suffit alors d’appliquer à l’image un

Ce processus est assez complexe vu que généralement le bruit est généré

Sa modélisation nécessite donc une connaissance exacte des phénomènes