bases du traitement des images - opérations de base et améliorations
TRANSCRIPT
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Bases du traitement des images
I Opérations de base et améliorations J
Matthieu Cord
Transparents de cours préparés par S. Dubuisson, D. Béréziat, N. Thome
2016
1 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Plan du cours
1 Types d’opérations sur une image
2 Transformations géométriques
3 Opérations entre images
4 Améliorations
2 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Opérations sur une image
Comment transformer une image ?
I Chaque pixel de l’image est défini par sa position (i , j) et sonamplitude (intensité) k dans l’image
I Il existe deux types de transformations sur les pixels de l’image :
• les transformations géométriques qui modifient les positions despixels
• les transformations radiométriques qui modifient les intensités despixels
I Possibilité d’effectuer des opérations entre images, qui utilisent cesdeux types de transformation
3 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Transformations géométriques d’image
Transformation affineI Transformation directe sur les coordonnées spatiales d’un pixel
exprimée de manière générale par :(i ′
j ′
)= T
(ij
)+ V
où T est une matrice de transformation, et V un vecteur
I Transformation inverse sur les coordonnées spatiales d’un pixel (sansV) : (
i ′
j ′
)= T−1
(ij
)
I On construit alors l’image J à partir de I par : J(i ′, j ′) = I (i , j)
4 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Transformations géométriques d’image
Translation
I La translation d’un pixel (i , j) de vecteur (ti , tj)t s’exprime :(i ′
j ′
)=
(1 00 1
)(ij
)+
(titj
)
5 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Transformations géométriques d’image
Changement d’échelle
I Le changement d’échelle d’un pixel (i , j) de cœfficients αi et αj
s’exprime : (i ′
j ′
)=
(αi 00 αj
)(ij
)
6 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Transformations géométriques d’image
Rotation
I La rotation d’un pixel (i , j) d’angle θ (dans un repère au centre del’image) s’exprime :(
i ′
j ′
)=
(cos θ sin θ− sin θ cos θ
)(ij
)
7 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Transformations géométriques d’image
Déformation linéaire
I La déformation linéaire d’un pixel (i , j) de cœfficients βi1 , βi2 , βj1 etβj2 s’exprime : (
i ′
j ′
)=
(βi1 βi2βj1 βj2
)(ij
)
8 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Transformations géométriques d’image
Les coordonnées homogènes
I Système de coordonnées défini dans les "espaces projectifs"
• espaces euclidiens ⊂ espaces affines ⊂ espaces projectifs
I Avec les mains : une coordonnée supplémentaire(x , y) affine → (x , y , 1) ∼ (x · w , y · w ,w) projectif
I Toutes les transformations géométriques sont expriméesmatriciellement :
• Les translations de R2 deviennent des transformations linéaires dansR
3
• Idem pour les projections (orthogonales ou non)
9 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Transformations géométriques d’image
Les coordonnées homogènes
I Ex : déformation linéaire en coordonnées homogènes : i ′
j ′
1
=
βi1 βi2 0βj1 βj2 00 0 1
ij1
I Déformation affine (linéaire + translation) : i ′
j ′
1
=
βi1 βi2 Tx
βj1 βj2 Ty
0 0 1
ij1
10 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Transformations géométriques d’image
ProblèmeI Une transformation directe n’implique pas que tous les pixels de
l’images destination auront une couleur↪→ phénomènes de “trous” dans les images
I Deux solutions :
• Appliquer une transformation inverse (mais la matrice doit êtreinversible !)
• “Boucher” les trous
I Dans les deux cas, il faut interpoler
11 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Transformations directe et inverse
I Transformation directe : on part des pixels de l’image initiale et oncalcule leur transformé : génération de “trous” ou de superpositions
I Transformation inverse : on part des pixels de l’image résultat et ondétermine à quel pixel ils correspondent dans l’image initiale partransformation inverse.
12 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Interpolations
I Deux modes d’interpolation principaux :
• Plus proche voisin : le pixel est de la même couleur que celle de sonplus proche voisin
• Interpolation bilinéaire : prise en compte des 4 voisins du pixel pourfaire une combinaison bilinéaire des intensités
I Il en existe beaucoup d’autres : B-splines, polynômes d’Hermitte, ...
13 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Interpolation bilinéaire
P = (1− v)A+ vB
Q = (1− v)D + vC
R = (1− u)P + uQ
= (1− v)(1− u)A+ (1− u)vB + uvC + u(1− v)D
14 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Opérations entre images
I Les images ne sont pas des matrices (une matrice est uneapplication linéaire), les images sont des tableaux (ou des vecteursen la rangeant ligne par ligne ou colonne par colonne)
I Bien faire la différence entre une opération matricielle et uneopération pixel par pixel
I En image, on fait en général des opérations pixel par pixel : addition,soustraction, multiplication, division, combinaison linéaire, ...
15 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Quelques exemples d’opérations entreimages
16 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Quelques applications d’opérations entreimages
Soustraction et réduction de bruit
I On a 2 images identiques (au bruit près) et recalées
I L’image différence des deux images permet de détecter le bruit
I Pixel noir : aucune différence
I Pixel non noir : différence dont l’amplitude est celle du bruitAttention : à des temps différents, l’image de différence donne lavariation en temps de la valeur du pixel, on approxime la dérivéepartielle par rapport au temps
17 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Quelques applications d’opérations entreimages
Image de différence pour la détection de changement
18 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Quelques applications d’opérations entreimages
Image de différence pour la détection de mouvement
19 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Quelques applications d’opérations entreimages
Image de différence pour la détection de mouvement
I Attention : la différence d’image n’est pas suffissante pour ladétection du mouvement
I Généralement, les conditions d’éclairage, les phénomènesd’occultation, le bruit d’acquisition induisent un gradient temporel
I Il est impossible d’estimer la direction ni l’intensité du vecteurvitesse à partir de la différence d’images
20 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Quelques applications d’opérations entreimages
Suivi multi-camera
I Pouvoir suivre un/des objets des selon différentes vues d’une mêmescène
21 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Quelques applications d’opérations entreimages
Suivi multi-cameraI Une solution : transformation homographique
22 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Quelques applications d’opérations entreimages
Recalage rigide d’images pour la cartographie
I Données : une carte et une image satellite (IKONOS)
23 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Quelques applications d’opérations entreimages
Recalage d’images pour la cartographie
I Une solution : détecter des points d’intérêt et les faire correspondreavec ceux de la carte à l’aide d’une transformation homogènelinaire (translation, homothétie, rotation, projection).
24 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Quelques applications d’opérations entreimages
Recalage d’images pour la surveillance des crûes
25 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Quelques applications d’opérations entreimages
Recalage d’images médicales multimodales pour la fusion
I Données : différentes modalités (CT, ultra-son, IRM)
I But : les recaler pour pouvoir les fusionner ensuite et disposer d’uneinformation plus complète
26 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Quelques applications d’opérations entreimages
Recalage d’images médicales multimodales pour la fusion
27 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Quelques applications d’opérations entreimages
Prédiction par compensation de mouvement pour lacompression vidéo
I Données : deux images d’une séquence
I But : prédire d’une image vers l’autre la position de blocs, et netransmettre que des vecteurs mouvement pour ces blocs
28 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Quelques applications d’opérations entreimages
Prédiction par compensation de mouvement pour lacompression vidéo
I Partitionnement de l’image 1 en blocs
29 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Quelques applications d’opérations entreimages
Prédiction par compensation de mouvement pour lacompression vidéo
I Chercher la position de chaque bloc de l’image 1 dans l’image 2
30 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Quelques applications d’opérations entreimages
Prédiction par compensation de mouvement pour lacompression vidéo
I Transférer le contenu du bloc de l’image 1 dans sa cible dansl’image 2
31 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Améliorations d’images
But de l’améliorationI Rendre les images plus aptes à l’interprétation humaine ou à celle de
la machine
I Aucune théorie générale
I Manipulation dans le domaine spatial : accès direct aux valeurs depixels
I Manipulation dans le domaine fréquentiel : modification de latransformée de Fourier de l’image
32 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Améliorations d’images
Types d’amélioration
I Amélioration ponctuelle : f ′(i , j) = T (f (i , j))↪→ Modification de la brillance ou du contraste d’une image.↪→ L’arrangement spatial (position) des pixels n’intervient pas :aucune relation de voisinage étudiée.↪→ Travail sur les histogrammes, les valeurs de pixels, ...
I Amélioration locale : f ′(i , j) = T (f (V )), où V est un voisinage dupixels (i , j)↪→ Utilisation de filtres (sera étudié dans le cours sur le filtrage).
I Amélioration fréquentielle : f ′ = T (f )↪→ Utilisation de la transformée de Fourier (sera étudié dans lecours sur la TFD).
33 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Améliorations d’images
Pourquoi améliorer une image ?
I Régions à faire apparaître
I Image trop claire ou trop foncée
I Nécessité de modifier ses niveaux de gris afin de rendre visiblescertains détails
34 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Améliorations d’images
Pourquoi améliorer une image ?
I Modifier la brillance.
I Augmenter le contraste.
35 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Améliorations d’images
Rappels - définitions
I Opérations d’améliorations d’images modifient l’histogramme
I Qu’est-ce qu’un histogramme ? Un histogramme cumulé
I A quoi correspond le contraste d’une image ?
36 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Histogramme
DéfinitionI Fonction décrivant la répartition des niveaux de gris de l’image
I Fournit des informations propres à l’image, telles que :
• La distribution statistique des niveaux de gris• Les bornes de répartition des niveaux de gris
I Mais aucune information spatiale !
I À chaque image f de taille N ×M , on peut associer le nombre Hd’apparition des valeurs contenues dans cette image par :
H(k) = Card{0 ≤ i ≤ N − 1, 0 ≤ j ≤ M − 1 : f (i , j) = k} = nk
37 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Remarque sur l’histogramme
Il ne code pas d’information spatiale
I Deux images différentes (en termes de contenu sémantique) peuventaussi avoir le même histogramme
38 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Histogramme normalisé
Définition
I Fonction Hn donnant la probabilité (en termes de fréquenced’occurrence) qu’un pixel ait pour niveau de gris k
Hn(k) =H(k)
N ×M
où N et M sont respectivement le nombre de colonnes et de lignesde l’image
I Les valeurs de H sont normalisées
I En supposant que les valeurs en chaque pixel d’une image sont laréalisation d’une variable aléatoire I , Hn approxime sa loi deprobabilité : Hn(k) ' P(I = k)
39 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Histogramme cumulé
DéfinitionI L’histogramme cumulé est donné par :
Hc(k) =∑i≤k
H(i)
I L’histogramme cumulé normalisé est donné par :
Hc(k) =∑i≤k
Hn(i)
I Hc(k) représente la probabilité d’avoir un niveau de gris inférieur ouégal à k (fonction croissante qui tend vers 1), ou fonction derépartition de la loi de probabibilité de I :
Hc(k) = P(I ≤ k)
40 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Propriétés de l’image
ContrasteI Définition 1 : variation maximale entre valeurs de niveaux de gris
min et max dans l’image :
C =maxi,j [f (i , j)]−mini,j [f (i , j)]maxi,j [f (i , j)] +mini,j [f (i , j)]
I Définition 2 : écart-type des variations de niveaux de gris dansl’image :
C =
√√√√ 1NM
N−1∑i=0
M−1∑j=0
(f (i , j)− B)2
I Deux images totalement différentes peuvent avoir le même contraste
41 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Améliorations d’images
Modifications d’histogrammes
I Modification de la luminance kf : k → k ′ = f (k).
I Diffèrentes fonctions f vont avoir des impacts différents sur l’image
42 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Inversion d’image
DéfinitionI Inversion de l’intervalle des niveaux de gris de f par la formule :
k ′ = |(L− 1)− k |
où L est la dynamique de l’image f
I Ne change pas la dynamique
43 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Seuillage
Définitions et principe
I Seuillage (tresholding) : traitement ramenant l’image à deux ouquelques niveaux d’intensité
I Binarisation (binarization) : traitement ramenant l’image à deuxniveaux ⇒ seuillage binaire
I Le seuillage binaire est défini par :
k ′ =
{k1 si k ≤ Sk2 si k > S
où k1, k2 et S (seuil) sont des niveaux de gris
I Met en avant des régions mais n’améliore pas l’image
44 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Exemples de seuillages (k1 = 0 et k2 = 255)
45 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Variantes autour du seuillage
I Seuillage adaptatif : L(s) = 1I (s)>tI,s :
• Diviser l’image en sous-images• Seuiller chaque sous-image avec un seuil propre
I Inconvients :
• Difficulté des choix des seuils et du découpage des sous-images• Problème de discontinuité dans L
I Seuillage en bande : L(s) = 1I (s)∈D : extraction d’isolignes
I Seuillage multiple : L(s) =∑
i=1...n
i1I (s)∈Di
I Semi seuillage : L(s) = I (s)1I (s)≥T
I Seuillage sur d’autres informations que les niveaux de gris : normedu gradient, seuillage dans le domaine de Fourier, ...
46 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Seuillage : choix du seuil
I À la main ... parfois possible :
, , ,(a) 4 plans de coupe
(b) Seuillage à 80 (c) Seuillage à 500
Figure – X-CT dentaire (dynamique sur 12 bits)47 / 73
Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Seuillage : choix du seuil
I Survey over image thresholding techniques and qualitativeperformance evaluation, Sezgin and Sankur, 2004 : 40 méthodes enclassées 6 catégories :
1 histogram shape-based methods, where, for example, the peaks,valleys and curvatures of the smoothed histogram are analyzed
2 clustering-based methods, where the gray-level samples areclustered in two parts as background and foreground object, oralternately are modeled as a mixture of two Gaussians
3 entropy-based methods result in algorithms that use the entropy ofthe foreground and background regions, the cross-entropy betweenthe original and binarized image, ...
4 object attribute-based methods search a measure of similaritybetween the gray-level and the binarized images, such as fuzzyshape similarity, edge coincidence, ...
5 the spatial methods use higher-order probability distribution and/orcorrelation between pixels
6 local methods adapt the threshold value on each pixel to the localimage characteristics.
48 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Seuillage
I Soit h l’histogramme de l’image,
I hhull, enveloppe convexe de h.
I Prendre : t = argmaxg|h(g)− hhull(g)|
49 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Seuillage
I Trouver le seuil t qui minimise la variance intraclasses
I Deux classes : C1 = {g |0 ≤ g < t} et C2 = {g |t ≤ g < L}, avec0 ≤ g < L
I Soit p(g) = n(g)N avec n(g) = nombre de pixels de niveau g et
N = |S |
I Remarquons que α(t) =t−1∑g=0
p(g) et 1− α(t) =L−1∑g=t
p(g)
I Variance intraclasses, définie par :
σ2intra(t) = α(t)σ2
1(t) + (1− α(t))σ22(t) (1)
où σ21 et σ2
2 sont les variances des deux classes
50 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Seuillage
I Minimiser la variance intraclasses :• elle est d’autant plus petite que les variances σ2
1 et σ22 sont petites
(en proportion de leur taille)• c’est-à-dire que la variance intraclasses est d’autant plus petite que
les deux classes sont homogènes.
Théorème (Admis)
Le seuil qui minimise la variance intraclasse est la valeurstationnaire de l’algorithme numérique suivant :
t0 = µ0, tk+1 =12(µ1(tk) + µ2(tk))
I En pratique : on itère jusqu’à ce que |tk − tk+1| < ε, l’algorithmeconverge en une dizaine d’itérations.
51 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Seuillage
Figure – Image IRM.
52 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Améliorations d’images
Revenons à notre problème
I Des images trop claires ou trop foncées
I D’une manière générale : l’histogramme est trop concentré
I Méthodes ponctuelles travaillant sur les niveaux de gris ou sur leshistogrammes mais, en général, ne modifiant pas l’informationcontenue dans les images
53 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Rehaussement logarithmique de contraste
Définition
I Formule : k ′ = log(k)
I L’intervalle des intensités sombres est augmenté (éclaircissementglobal de l’image) : utilisé pour traiter des images trop sombres
I Remettre l’intervalle de variation des k ′ entre 0 et (L− 1)
54 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Rehaussement logarithmique de contraste
55 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Rehaussement exponentiel de contraste
Définition
I Formule : k ′ = ek
I L’intervalle des intensités claires est augmenté (assombrissementglobal de l’image) : utilisé pour traiter des images trop claires
I Remettre l’intervalle de variation des k ′ entre 0 et (L− 1)
56 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Rehaussement exponentiel de contraste
57 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Translation d’histogramme
DéfinitionI Permet de faire varier la luminosité de l’image sans en changer le
contraste
I On obtient une image plus claire ou plus sombre
I S’applique sur des images à faible dynamique
I On a donc : k ′ = k + t, où t ∈ R
58 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Translation d’histogramme
59 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Changement de contraste
DéfinitionI On effectue une transformation affine sur les niveaux de gris
I La transformation s’exprime : k ′ = ak + b, où a, b ∈ R
I Diminution de contraste a < 1 et b > 0
I Augmentation de contraste a > 1 et b < 0
I Un exemple : l’étirement d’histogramme
60 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Étirement d’histogramme
DéfinitionI Cas où l’intervalle de variation des niveaux de gris est réduit : on le
remet entre 0 et (L− 1)
I Si les niveaux de gris de I appartiennent à [kmin, kmax], et qu’onl’étire à l’intervale [0, L− 1], alors on a :
k ′ =L− 1
kmax − kmin(k − kmin)
61 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Étirement d’histogramme
62 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Étirement d’histogramme
Un cas particulier : la transformation linéaire avec saturation
I On choisit deux seuils Smin et Smax tels que
kmin ≤ Smin < Smax ≤ kmax
I On a : k ′ = L−1Smax−Smin
(k − Smin)
I On peut obtenir des valeurs pour k ′ en dehors de l’intervalle devariation maximale des niveaux de gris.
I Exemple : image codée sur 8 bits (valeurs entre 0 et 255) :
k ′ < 0 → k ′ = 0k ′ > 255 → k ′ = 255
63 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Étirement d’histogramme
Et dans le cas général ?
I La dynamique de l’image n’est pas forcément maximale
I On peut choisir un intervalle cible [fmin, fmax] quelconque
I C’est une simple changement d’intervalle, de [kmin, kmax] vers[fmin, fmax]
I On a donc :
k ′ = fmin +fmax − fmin
kmax − kmin(k − kmin)
64 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Égalisation d’histogramme
DéfinitionI Homogénéisation de la répartition des intensités des pixels
I Amplification des fluctuations dans les zones où elles sont faibles
I étalement des détails concentrés dans un petit intervalle de niveauxde gris
65 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Égalisation d’histogramme
DéfinitionI Formule :
k ′ = Int(
L− 1N ×M
Hc(k)
)où L est la dynamique de l’image, N et M respectivement le nombrede lignes et de colonnes de l’image et Hc(k) l’histogramme cumulédu niveau de gris k . Int est la fonction qui arrondit à l’entier le plusproche.
66 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Égalisation d’histogramme : exemple 1
67 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Égalisation d’histogramme : exemple 2
68 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Étirement et égalisation : le même combat ?
Deux effets différents
I L’étirement va changer la répartition spatiale des entrées (bins) del’histogramme, mais pas leur taille
I L’égalisation va changer la répartition spatiale des entrées (bins) del’histogramme, et leur taille
69 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Quelques applications de modificationd’histogrammes
La mosaïque d’images
I Donnée : une image cible et une base d’imagettes
70 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Quelques applications de modificationd’histogrammes
L’apprentissage sur une base d’images
I Donnée : une base de visages
71 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Quelques applications de modificationd’histogrammes
L’apprentissage sur une base d’images
I Un problème : des variations d’illumination au sein de la base↪→ normaliser l’ensemble des histogrammes pour que les imagesaient la même dynamique
72 / 73Bases du traitement des images
Plan Types d’opération Transformation géométriques Opérations entre images Amélioration
Quelques applications de modificationd’histogrammes
Segmentation
I Histogramme dans les espaces de couleurs (très grosse table !)
I Méthodes de “clustering” : k-moyennes (généralisation de Otsu à kseuils), mean-shift.
73 / 73Bases du traitement des images