Conversion en niveaux de gris

La conversion d'une couleur en information de luminance L se fait en récupérant les composantes RVB de chaque pixel de l'image et en utilisant l'une des formules proposées par la CIE (Compagnie Internationale de l'Eclairage) soit ici L = 0.299*R + 0.587*V + 0.114*B.

Inversion

Le négatif d'une image en niveau de gris se fait simplement en calculant le complément N de la luminance de chaque pixel codée sur 8 bits soit N = 255 - L.

Histogramme d'une image

En imagerie numérique, l'histogramme représente la distribution des luminances dans une image en \"noir et blanc\". C'est un outil fondamental en traitement d'images. Comme nous travaillons sur une image en niveaux de gris, cet histogramme comportera 256 valeurs différentes sur l'axe des abscisses (de 0 à 255) et à chaque valeur correspondra le nombre de pixels ayant cette valeur. Pour sa représentation graphique, il faudra appliquer une mise à l'échelle (penser au cas particulier d'une image monochrome).

Egalisation

Dans une image naturelle qui a été quantifiée de manière linéaire, une majorité de pixels ont une valeur inférieure à la luminance moyenne. C'est pourquoi les détails dans les régions sombres sont difficilement perceptibles. Une des techniques utilisées pour pallier cet inconvénient est appelée égalisation d'histogramme, qui n'est autre qu'une intégration de l'histogramme initial.L'égalisation d'histogramme consiste à faire en sorte que le nombre de pixels pour chaque niveau N de l'histogramme égalisé idéal (dénommé ici histogramme final) soit constant et égal à l x h / N avec l largeur et h hauteur de l'image. Le nombre de niveaux final N doit être inférieur au nombre de niveaux initial M car l'égalisation n'est autre qu'une intégration de l'histogramme initial, en général on utilise N = M/2 qui est l'intégration minimale. L'histogramme final est donc séparé en bandes de taille M/N.

Méthode

• on part du niveau 0 de l'histogramme initial et on somme les niveaux jusqu'à la valeur moyenne idéale l x h / N,
• tous ces niveaux sont recadrés sur un niveau final unique qui se trouve au centre d'une bande de l'histogramme final,
• on recommence l'opération pour les bandes suivantes.

Algorithme Egalisation(Image ima, Histogramme histo)
Données
  Entier deb, fin  // index de debut et de fin
  Entier lab  // largeur d'une bande soit M/N
  Entier centre  // centre de la bande courante
Début
  moy <- l*h/N
  lab <- M/N
  centre <- lab/2
  deb <- fin <- 0
  tantque (fin < M) faire
    cumul <- 0
    tantque (cumul < moy ET fin < M) faire
      cumul <- cumul + histo[fin]
      fin++
    fintq
    pour i <- deb à fin-1 faire
      transfo[i] <- centre
    finpour
    deb <- fin
    centre <- centre + lab
  fintq
  pour tous les pixels de l'image ima faire
    ima[i][j] <- transfo[ima[i][j]]
  finpour
Fin

Filtrage linéaire

Entre une image réelle et l'image numérisée obtenue, un grand nombre de processus sont venus l'altérer. Parmi ceux-ci, le bruit résultat du bruit électronique du capteur et de la qualité de la numérisation joue un rÎle fondamental. On peut définir le bruit dans une image comme un phénomène de brusque variation d'un pixel isolé par rapport à ses voisins. On peut en déduire que pour lutter contre les effets du bruit, il est nécessaire d'opérer des transformations qui tiennent compte du voisinage de chaque pixel.L'une des méthodes visant à atténuer les effets du bruit est un filtre passe-bas : le filtrage linéaire qui est la transformation d'un pixel par combinaire linéaire des pixels voisins. Une méthode simple consiste à considérer chaque point de l'image et d'en faire la moyenne avec les 8 pixels qui lui sont voisins, ce qui aura pour effet d'adoucir l'image en réduisant les fluctuations de luminosité. Pour chaque pixel, on aura donc :

imb[i][j] <- (ima[i-1][j-1] + ima[i-1][j] + ima[i-1][j+1] + ima[i][j-1] + ima[i][j] + ima[i][j+1] + ima[i+1][j-1] + ima[i+1][j] + ima[i+1][j+1]) / 9

Attention : il faut travailler avec deux images (pour ne pas modifier l'image initiale pendant le filtrage) et tenir compte des effets de bord (i.e des pixels aux bords qui n'ont pas 8 voisins). Pour ces derniers on peut les ignorer durant le processus ou créer des pixels \"miroirs\" (i.e répliquer les pixels du bord de façon à ce qu'ils aient 8 voisins).

Extraction de contours (filtre de Sobel)

La notion de contour dans une image est fortement liée à ce que l'on désire voir dans celle-ci associée avec une information a priori sur le contexte (taille des objets, contraste moyen de ceux-ci avec le fond, etc.). Mais indépendamment de tout critère subjectif, il faut une définition mathématique d'un contour : c'est la brusque variation de niveau de gris dans une image et on peut caractériser cette variation par son amplitude (et par sa pente). La mise en évidence des contours se fait par une différenciation de l'image : si l'on dérive l'image une fois, on obtient un gradient (deux fois, on obtient un laplacien). On utilise le filtre de Sobel qui est une approximation discrète de la dérivée réelle et tel que (attention aux signes) :

Ax = -ima[i-1][j-1] - ima[i-1][j] - ima[i-1][j+1] + ima[i+1][j-1] + ima[i+1][j] + ima[i+1][j+1]

Ay = -ima[i-1][j-1] - ima[i][j-1] - ima[i+1][j-1] + ima[i-1][j+1] + ima[i][j+1] + ima[i+1][j+1]

L'amplitude en un point (i,j) de l'image est alors : A = sqrt(Ax² + Ay²). Pour visualiser l'image des contours, il est nécessaire ici encore d'appliquer une mise à l'échelle de façon à ce que l'ensemble des valeurs d'amplitude soit compris entre 0 et 255.