Traitement d'image - Historique des versions

A.decouttere le 20 mai 2017 à 18:13

2017-05-20T18:13:57Z

← Version précédente		Version du 20 mai 2017 à 18:13
Ligne 1 :		Ligne 1 :
			* Réalisé par : Ambroise Decouttere, étudiant en CMI-INFO

	= Introduction =		= Introduction =

A.decouttere le 20 mai 2017 à 18:12

2017-05-20T18:12:40Z

← Version précédente		Version du 20 mai 2017 à 18:12
Ligne 402 :		Ligne 402 :
	u2.setPixel(i,k,(r2,g2,b2))		u2.setPixel(i,k,(r2,g2,b2))
	u2.save('out2.ppm')</pre>		u2.save('out2.ppm')</pre>

			= Sources =
			http://webia.lip6.fr/~thomen/Teaching/BIMA/cours/intro.pdf

			https://fr.wikipedia.org/wiki/Teinte_Saturation_Valeur

			https://fr.wikipedia.org/wiki/Image_num%C3%A9rique#Images_matricielles_.28ou_images_bitmap.29

			http://dept-info.labri.fr/~vialard/Traitement/cours/cours2.pdf

			http://alpageproject.free.fr/doc/RAPPORT_TER_final_1.pdf

			http://webia.lip6.fr/~thomen/Teaching/BIMA/cours/contours.pdf

			http://webia.lip6.fr/~thomen/Teaching/BIMA/cours/Fourier_1.pdf

			http://thibault.biz/Doc/Enseignements/4%20TI.pdf

			https://fr.wikipedia.org/wiki/Filtre_passe-bas

			https://fr.wikipedia.org/wiki/Filtre_passe-haut

			http://www.ipol.im/pub/art/2016/140/

A.decouttere le 20 mai 2017 à 18:01

2017-05-20T18:01:40Z

← Version précédente		Version du 20 mai 2017 à 18:01
Ligne 92 :		Ligne 92 :
	Une égalisation d’histogramme va donc modifier l’histogramme de l’image :		Une égalisation d’histogramme va donc modifier l’histogramme de l’image :

	[[Fichier:Histogramme ~~Joconde~~.png]]		[[Fichier:Histogramme joconde.png]]

	Avec en premier l’histogramme de base de l’image, ensuite l’histogramme cumulé de l’image puis a la fin l’histogramme après égalisation.		Avec en premier l’histogramme de base de l’image, ensuite l’histogramme cumulé de l’image puis a la fin l’histogramme après égalisation.

A.decouttere le 20 mai 2017 à 17:58

2017-05-20T17:58:20Z

← Version précédente		Version du 20 mai 2017 à 17:58
Ligne 185 :		Ligne 185 :
	Le but de cet algorithme va être de donner à une image le même histogramme qu’une autre image en préservant le plus possible les niveaux de gris.		Le but de cet algorithme va être de donner à une image le même histogramme qu’une autre image en préservant le plus possible les niveaux de gris.
	Voici ce que l’on doit obtenir en principe avec cet algorithme :		Voici ce que l’on doit obtenir en principe avec cet algorithme :

	[[Fichier:Image equalization.png]]		[[Fichier:Image equalization.png]]

A.decouttere le 20 mai 2017 à 17:56

2017-05-20T17:56:48Z

← Version précédente		Version du 20 mai 2017 à 17:56
Ligne 20 :		Ligne 20 :
	Il existe d’autres manières de coder les couleurs : HSV par exemple.		Il existe d’autres manières de coder les couleurs : HSV par exemple.
	HSV correspond à Hue Saturation Value. Celui-ci aussi est codé sur 3 valeurs :		HSV correspond à Hue Saturation Value. Celui-ci aussi est codé sur 3 valeurs :

	- La teinte (Hue) est codée suivant l’angle correspondant sur le cercle des couleurs :		• La teinte (Hue) est codée suivant l’angle correspondant sur le cercle des couleurs :
	- 0° ou 360° rouge ;
	~~- 60~~° ~~jaune~~ ;		- 0° ou 360° rouge ;
	- ~~120~~° ~~vert~~ ;		- 60° jaune ;
	- ~~180~~° ~~cyan~~ ;		- 120° vert ;
	- ~~240~~° ~~bleu~~ ;		- 180° cyan ;
	- ~~300~~° ~~magenta.~~		- 240° bleu ;
			- 300° magenta.
⚫	- La saturation est l’intensité de la couleur :

⚫	- elle varie entre 0 et 100 % ;
		⚫	• La saturation est l’intensité de la couleur :
⚫	- elle est parfois appelée « pureté » ;
		⚫	- elle varie entre 0 et 100 % ;
⚫	- plus la saturation d’une couleur est faible, plus l’image sera grisée et apparaitra fade. Donc par exemple pour avoir un rouge entièrement saturé il faudrait que la Saturation soit égale à 100%.
		⚫	- elle est parfois appelée « pureté » ;
⚫	- La valeur (Value) est la brillance de la couleur :
		⚫	- plus la saturation d’une couleur est faible, plus l’image sera grisée et apparaitra fade. Donc par exemple pour avoir un rouge entièrement saturé il faudrait que la Saturation soit égale à 100%.
⚫	- elle varie entre 0 et 100 % ;

⚫	- plus la valeur d’une couleur est faible, plus la couleur est sombre : une valeur de 0 correspond au noir.
		⚫	• La valeur (Value) est la brillance de la couleur :
		⚫	- elle varie entre 0 et 100 % ;
		⚫	- plus la valeur d’une couleur est faible, plus la couleur est sombre : une valeur de 0 correspond au noir.

	Donc le format HSV est basé sur la perception des couleurs et utilise trois composantes définies par une approche psychologique et perceptuelle de la couleur.		Donc le format HSV est basé sur la perception des couleurs et utilise trois composantes définies par une approche psychologique et perceptuelle de la couleur.
	Passage RGB vers HSV :		Passage RGB vers HSV :

A.decouttere le 20 mai 2017 à 17:20

2017-05-20T17:20:33Z

A.decouttere le 20 mai 2017 à 17:18

2017-05-20T17:18:07Z

← Version précédente		Version du 20 mai 2017 à 17:18
Ligne 20 :		Ligne 20 :
	Il existe d’autres manières de coder les couleurs : HSV par exemple.		Il existe d’autres manières de coder les couleurs : HSV par exemple.
	HSV correspond à Hue Saturation Value. Celui-ci aussi est codé sur 3 valeurs :		HSV correspond à Hue Saturation Value. Celui-ci aussi est codé sur 3 valeurs :
	- La teinte (Hue) est codée suivant l’angle correspondant sur le cercle des couleurs :		- La teinte (Hue) est codée suivant l’angle correspondant sur le cercle des couleurs :
	- 0° ou 360° rouge ;		- 0° ou 360° rouge ;
	- 60° jaune ;		- 60° jaune ;
Ligne 27 :		Ligne 27 :
	- 240° bleu ;		- 240° bleu ;
	- 300° magenta.		- 300° magenta.
	- La saturation est l’intensité de la couleur :		- La saturation est l’intensité de la couleur :
	- elle varie entre 0 et 100 % ;		- elle varie entre 0 et 100 % ;
	- elle est parfois appelée « pureté » ;		- elle est parfois appelée « pureté » ;
	- plus la saturation d’une couleur est faible, plus l’image sera grisée et apparaitra fade. Donc par exemple pour avoir un rouge entièrement saturé il faudrait que la Saturation soit égale à 100%.		- plus la saturation d’une couleur est faible, plus l’image sera grisée et apparaitra fade. Donc par exemple pour avoir un rouge entièrement saturé il faudrait que la Saturation soit égale à 100%.
	- La valeur (Value) est la brillance de la couleur :		- La valeur (Value) est la brillance de la couleur :
	- elle varie entre 0 et 100 % ;		- elle varie entre 0 et 100 % ;
	- plus la valeur d’une couleur est faible, plus la couleur est sombre : une valeur de 0 correspond au noir.		- plus la valeur d’une couleur est faible, plus la couleur est sombre : une valeur de 0 correspond au noir.

A.decouttere le 20 mai 2017 à 17:12

2017-05-20T17:12:45Z

Voir les modifications

A.decouttere le 20 mai 2017 à 17:07

2017-05-20T17:07:48Z

← Version précédente		Version du 20 mai 2017 à 17:07
Ligne 103 :		Ligne 103 :
	- La segmentation fondée sur la classification ou le seuillage des pixels en fonction de leurs intensités. (3)		- La segmentation fondée sur la classification ou le seuillage des pixels en fonction de leurs intensités. (3)
	- La segmentation fondée sur la coopération entre les trois premières segmentations. (4)		- La segmentation fondée sur la coopération entre les trois premières segmentations. (4)

	=== ah oui ===
	1. Pour faire une segmentation basée sur les régions on peut utiliser deux techniques différentes, soit on part d’une première partie de l’image que l’on modifie en divisant ou regroupant des régions (décomposition ou fusion), soit on commence avec quelques régions que l’on agrandie an y ajoutant des pixels jusqu’à ce que toute l’image soit couverte (croissance de régions). Il y a également des méthodes fondées sur la modélisation statistique conjointe de la régularité des régions et des niveaux de gris de chaque région.		1. Pour faire une segmentation basée sur les régions on peut utiliser deux techniques différentes, soit on part d’une première partie de l’image que l’on modifie en divisant ou regroupant des régions (décomposition ou fusion), soit on commence avec quelques régions que l’on agrandie an y ajoutant des pixels jusqu’à ce que toute l’image soit couverte (croissance de régions). Il y a également des méthodes fondées sur la modélisation statistique conjointe de la régularité des régions et des niveaux de gris de chaque région.
	Les algorithmes utilisant la décomposition/fusion se base sur les caractéristiques propres de chaque région (surface, intensité lumineuse, colorimétrie, texture, etc.). On va chercher des couples de régions candidates à une fusion et on va noter l’impact que cette fusion aura sur l’apparence générale de l’image. On va ensuite pouvoir fusionner les couples de régions ayant les meilleures notes. On refait ces opérations jusqu’à ce que les caractéristiques de l’image remplissent une condition prédéfinie : nombres de régions, luminosité, contraste, …, ou alors jusqu’à ce que les meilleures notes obtenues n’atteignent plus un certain seuil (on parle alors d’algorithme avec minimisation de fonctionnelle).		Les algorithmes utilisant la décomposition/fusion se base sur les caractéristiques propres de chaque région (surface, intensité lumineuse, colorimétrie, texture, etc.). On va chercher des couples de régions candidates à une fusion et on va noter l’impact que cette fusion aura sur l’apparence générale de l’image. On va ensuite pouvoir fusionner les couples de régions ayant les meilleures notes. On refait ces opérations jusqu’à ce que les caractéristiques de l’image remplissent une condition prédéfinie : nombres de régions, luminosité, contraste, …, ou alors jusqu’à ce que les meilleures notes obtenues n’atteignent plus un certain seuil (on parle alors d’algorithme avec minimisation de fonctionnelle).

A.decouttere le 20 mai 2017 à 17:06

2017-05-20T17:06:40Z

← Version précédente		Version du 20 mai 2017 à 17:06
Ligne 1 :		Ligne 1 :

	== Introduction ==		= Introduction =
	Le traitement d’image est une discipline de l’informatique et des mathématiques appliquées qui étudie les images numériques et leurs transformations, dans le but d’améliorer leur qualité ou d’en extraire de l’information.		Le traitement d’image est une discipline de l’informatique et des mathématiques appliquées qui étudie les images numériques et leurs transformations, dans le but d’améliorer leur qualité ou d’en extraire de l’information.

	Le traitement d’image est quelque chose d’énormément utilisé que ce soit par des particuliers ou des professionnels. Il est aussi bien utilisé dans l’imagerie médicale que dans la prise de photo avec un smartphone.		Le traitement d’image est quelque chose d’énormément utilisé que ce soit par des particuliers ou des professionnels. Il est aussi bien utilisé dans l’imagerie médicale que dans la prise de photo avec un smartphone.

	== Les couleurs ==		= Les couleurs =
	Pour chaque pixel est associé un triplet de valeurs (rouge, vert, bleu). On appelle ce codage le RGB (Red Green Blue). Le point fort de cette méthode de codage est sa simplicité puisqu’il ne nécessite aucun calcul de la part de l’ordinateur.		Pour chaque pixel est associé un triplet de valeurs (rouge, vert, bleu). On appelle ce codage le RGB (Red Green Blue). Le point fort de cette méthode de codage est sa simplicité puisqu’il ne nécessite aucun calcul de la part de l’ordinateur.
	Chaque couleur est codé sur 1 octet (256 bits), et quand les 3 couleurs sont placées à côté, on ne distingue pas chaque couleur mais seulement la couleur du pixel par synthèse additive.		Chaque couleur est codé sur 1 octet (256 bits), et quand les 3 couleurs sont placées à côté, on ne distingue pas chaque couleur mais seulement la couleur du pixel par synthèse additive.
Ligne 50 :		Ligne 50 :


	== Les images ==		= Les images =
	Il existe 2 représentations d’image possible : matricielle et vectorielle.		Il existe 2 représentations d’image possible : matricielle et vectorielle.

Ligne 69 :		Ligne 69 :


	== Familles de traitement d'image ==		= Familles de traitement d'image =
	Restauration :		== Restauration ==
	Technique d'imagerie numérique permettant de rendre son aspect d'origine à une image, souvent utilisé dans le but d'améliorer l'apparence physique d'une image. Une restauration peut être faite avec une intervention humaine par exemple dans les restaurations de document ancien, ou sans aucune intervention sur les documents moins important ou qui n’en ont pas besoin. Une restauration d'image peut améliorer la luminosité et le contraste ou recalibrer le profil colorimétrique.		Technique d'imagerie numérique permettant de rendre son aspect d'origine à une image, souvent utilisé dans le but d'améliorer l'apparence physique d'une image. Une restauration peut être faite avec une intervention humaine par exemple dans les restaurations de document ancien, ou sans aucune intervention sur les documents moins important ou qui n’en ont pas besoin. Une restauration d'image peut améliorer la luminosité et le contraste ou recalibrer le profil colorimétrique.

	Égalisation d'histogramme :		== Égalisation d'histogramme ==
	Un histogramme est une fonction décrivant les niveaux de gris d’une image. Il permet de connaitre la distribution statistique des niveaux de gris mais ne donne aucune information sur la disposition spatiale des différents niveaux de gris, donc une image ayant seulement subit une rotation aura le même histogramme que l’image de départ.		Un histogramme est une fonction décrivant les niveaux de gris d’une image. Il permet de connaitre la distribution statistique des niveaux de gris mais ne donne aucune information sur la disposition spatiale des différents niveaux de gris, donc une image ayant seulement subit une rotation aura le même histogramme que l’image de départ.
	Exemple d’histogramme :		Exemple d’histogramme :
Ligne 92 :		Ligne 92 :
	Avec en premier l’histogramme de base de l’image, ensuite l’histogramme cumulé de l’image puis a la fin l’histogramme après égalisation.		Avec en premier l’histogramme de base de l’image, ensuite l’histogramme cumulé de l’image puis a la fin l’histogramme après égalisation.

	Élimination du flou de déplacement :		== Élimination du flou de déplacement ==
	Le flou de déplacement fait partie des « bruits » qui peuvent venir réduire la qualité de l'image de différentes manières. Ici, il s'agit soit du flou cinétique (ou flou de mouvement) qui est due au mouvement rapide du sujet photographié, soit ou flou de bougé qui lui est due au mouvement de l'appareil photo pendant la prise de vue. Le but de ce traitement est donc d'éliminer toute les imperfections dues au mouvement du photographe ou du mouvement du sujet photographié.		Le flou de déplacement fait partie des « bruits » qui peuvent venir réduire la qualité de l'image de différentes manières. Ici, il s'agit soit du flou cinétique (ou flou de mouvement) qui est due au mouvement rapide du sujet photographié, soit ou flou de bougé qui lui est due au mouvement de l'appareil photo pendant la prise de vue. Le but de ce traitement est donc d'éliminer toute les imperfections dues au mouvement du photographe ou du mouvement du sujet photographié.

	Segmentation :		== Segmentation ==
	Le but de la segmentation est de rassembler des pixels entre eux en fonction de critères prédéfinis. Les pixels sont donc regroupés en régions qui constituent une partition de l'image (si le nombre de classes est égal à 2 on parle de binarisation).		Le but de la segmentation est de rassembler des pixels entre eux en fonction de critères prédéfinis. Les pixels sont donc regroupés en régions qui constituent une partition de l'image (si le nombre de classes est égal à 2 on parle de binarisation).
	Souvent utilisé pour séparer les objets du fond. La segmentation est une partie importante du traitement d’image car contrairement à l’Homme qui sait différencier les objets qui constitue une image, la machine ne fait pas naturellement cette différentiation.		Souvent utilisé pour séparer les objets du fond. La segmentation est une partie importante du traitement d’image car contrairement à l’Homme qui sait différencier les objets qui constitue une image, la machine ne fait pas naturellement cette différentiation.
Ligne 103 :		Ligne 103 :
	- La segmentation fondée sur la classification ou le seuillage des pixels en fonction de leurs intensités. (3)		- La segmentation fondée sur la classification ou le seuillage des pixels en fonction de leurs intensités. (3)
	- La segmentation fondée sur la coopération entre les trois premières segmentations. (4)		- La segmentation fondée sur la coopération entre les trois premières segmentations. (4)
			=== ah oui ===

	1. Pour faire une segmentation basée sur les régions on peut utiliser deux techniques différentes, soit on part d’une première partie de l’image que l’on modifie en divisant ou regroupant des régions (décomposition ou fusion), soit on commence avec quelques régions que l’on agrandie an y ajoutant des pixels jusqu’à ce que toute l’image soit couverte (croissance de régions). Il y a également des méthodes fondées sur la modélisation statistique conjointe de la régularité des régions et des niveaux de gris de chaque région.		1. Pour faire une segmentation basée sur les régions on peut utiliser deux techniques différentes, soit on part d’une première partie de l’image que l’on modifie en divisant ou regroupant des régions (décomposition ou fusion), soit on commence avec quelques régions que l’on agrandie an y ajoutant des pixels jusqu’à ce que toute l’image soit couverte (croissance de régions). Il y a également des méthodes fondées sur la modélisation statistique conjointe de la régularité des régions et des niveaux de gris de chaque région.
	Les algorithmes utilisant la décomposition/fusion se base sur les caractéristiques propres de chaque région (surface, intensité lumineuse, colorimétrie, texture, etc.). On va chercher des couples de régions candidates à une fusion et on va noter l’impact que cette fusion aura sur l’apparence générale de l’image. On va ensuite pouvoir fusionner les couples de régions ayant les meilleures notes. On refait ces opérations jusqu’à ce que les caractéristiques de l’image remplissent une condition prédéfinie : nombres de régions, luminosité, contraste, …, ou alors jusqu’à ce que les meilleures notes obtenues n’atteignent plus un certain seuil (on parle alors d’algorithme avec minimisation de fonctionnelle).		Les algorithmes utilisant la décomposition/fusion se base sur les caractéristiques propres de chaque région (surface, intensité lumineuse, colorimétrie, texture, etc.). On va chercher des couples de régions candidates à une fusion et on va noter l’impact que cette fusion aura sur l’apparence générale de l’image. On va ensuite pouvoir fusionner les couples de régions ayant les meilleures notes. On refait ces opérations jusqu’à ce que les caractéristiques de l’image remplissent une condition prédéfinie : nombres de régions, luminosité, contraste, …, ou alors jusqu’à ce que les meilleures notes obtenues n’atteignent plus un certain seuil (on parle alors d’algorithme avec minimisation de fonctionnelle).
Ligne 119 :		Ligne 119 :


	== Famille de technique de traitement d'image ==		= Famille de technique de traitement d'image =
	Dans les types de filtrage suivant (filtrage spatial et filtrage fréquentiel), on a besoin d’un outil appelé la Transformée de Fourier. Commençons donc par voir comment fonctionne la transformée de Fourier :		Dans les types de filtrage suivant (filtrage spatial et filtrage fréquentiel), on a besoin d’un outil appelé la Transformée de Fourier. Commençons donc par voir comment fonctionne la transformée de Fourier :
	Nous utiliserons la Transformée de Fourier Rapide (FFT) qui correspond à la Transformée de Fourier mais avec un calcul bien plus rapide à réaliser que la formule initiale. Celle-ci permet de passer d’une représentation spatiale à une représentation de l’image dans le domaine fréquentiel.		Nous utiliserons la Transformée de Fourier Rapide (FFT) qui correspond à la Transformée de Fourier mais avec un calcul bien plus rapide à réaliser que la formule initiale. Celle-ci permet de passer d’une représentation spatiale à une représentation de l’image dans le domaine fréquentiel.
Ligne 128 :		Ligne 128 :
	[[Fichier:FFT.png]]		[[Fichier:FFT.png]]

	Filtrage spatial :		== Filtrage spatial ==
	Le filtrage spatial est une méthode permettant de sélectionner des composantes spatial d’une image. C’est-à-dire qu’on va ici s’intéresser à la forme des objets qui composent une image. Cette technique permet donc de modifier une image en fonction de ce qu’elle représente plutôt qu’en fonction de ses couleurs.		Le filtrage spatial est une méthode permettant de sélectionner des composantes spatial d’une image. C’est-à-dire qu’on va ici s’intéresser à la forme des objets qui composent une image. Cette technique permet donc de modifier une image en fonction de ce qu’elle représente plutôt qu’en fonction de ses couleurs.
	Exemple de filtrage morphologique spatial : érosion / dilatation / ouverture / fermeture …		Exemple de filtrage morphologique spatial : érosion / dilatation / ouverture / fermeture …
Ligne 151 :		Ligne 151 :
	Où l’érosion correspond au minimum des luminances observées dans un voisinage et la dilatation au maximum des luminances observées dans un voisinage.		Où l’érosion correspond au minimum des luminances observées dans un voisinage et la dilatation au maximum des luminances observées dans un voisinage.

	Filtrage fréquentiel :		== Filtrage fréquentiel ==
	Le filtrage fréquentiel utilise la Transformée de Fourier pour obtenir le contenu fréquentiel de l’image. Ce contenu fréquentiel peut ensuite être décomposé en domaine de basses fréquences (faibles variations spatiales : zones homogènes) et de hautes fréquences (fortes variations spatiales : contours).		Le filtrage fréquentiel utilise la Transformée de Fourier pour obtenir le contenu fréquentiel de l’image. Ce contenu fréquentiel peut ensuite être décomposé en domaine de basses fréquences (faibles variations spatiales : zones homogènes) et de hautes fréquences (fortes variations spatiales : contours).

Ligne 167 :		Ligne 167 :


	== Différences traitement d'image noir & blanc et couleurs ==		= Différences traitement d'image noir & blanc et couleurs =
	Les images en couleurs et celles en noir et blanc étant codées différemment en représentation matriciel, forcément le traitement d’une image en noir et blanc est bien plus simple puisqu’il n’y a qu’une seule valeur a modifié (le niveau de gris), alors que sur une image en couleur il faut modifier chacune des trois couleurs du pixel (dans le cas d’un codage RGB).		Les images en couleurs et celles en noir et blanc étant codées différemment en représentation matriciel, forcément le traitement d’une image en noir et blanc est bien plus simple puisqu’il n’y a qu’une seule valeur a modifié (le niveau de gris), alors que sur une image en couleur il faut modifier chacune des trois couleurs du pixel (dans le cas d’un codage RGB).
	Par exemple, pour faire l’histogramme cumulé d’une image en couleur, il faudra calculer la luminance de chaque pixel, alors que pour une image niveaux de gris il suffit de prendre la valeur du pixel.		Par exemple, pour faire l’histogramme cumulé d’une image en couleur, il faudra calculer la luminance de chaque pixel, alors que pour une image niveaux de gris il suffit de prendre la valeur du pixel.


	== Filtrage fréquentiel ==		= Filtrage fréquentiel =
	Il existe actuellement plein d’algorithmes utilisant le filtrage fréquentiel. Dans presque tous ces algorithmes on va utiliser la Transformée de Fourier pour passer à une représentation de l’image dans le domaine fréquentiel. Il y a par exemple les simples algorithmes de filtre passe-bas et passe-haut qui ont été expliqués plus tôt.		Il existe actuellement plein d’algorithmes utilisant le filtrage fréquentiel. Dans presque tous ces algorithmes on va utiliser la Transformée de Fourier pour passer à une représentation de l’image dans le domaine fréquentiel. Il y a par exemple les simples algorithmes de filtre passe-bas et passe-haut qui ont été expliqués plus tôt.
	Mais il existe par exemple le filtre de Butterworth qui, plutôt que de couper nette les fréquences non voulues, va adoucir la transition.		Mais il existe par exemple le filtre de Butterworth qui, plutôt que de couper nette les fréquences non voulues, va adoucir la transition.
Ligne 178 :		Ligne 178 :


	== Midway Image Equalization ==		= Midway Image Equalization =
	Le but de cet algorithme va être de donner à une image le même histogramme qu’une autre image en préservant le plus possible les niveaux de gris.		Le but de cet algorithme va être de donner à une image le même histogramme qu’une autre image en préservant le plus possible les niveaux de gris.
	Voici ce que l’on doit obtenir en principe avec cet algorithme :		Voici ce que l’on doit obtenir en principe avec cet algorithme :

← Version précédente		Version du 20 mai 2017 à 17:20
Ligne 21 :		Ligne 21 :
	HSV correspond à Hue Saturation Value. Celui-ci aussi est codé sur 3 valeurs :		HSV correspond à Hue Saturation Value. Celui-ci aussi est codé sur 3 valeurs :
	- La teinte (Hue) est codée suivant l’angle correspondant sur le cercle des couleurs :		- La teinte (Hue) est codée suivant l’angle correspondant sur le cercle des couleurs :
	- 0° ou 360° rouge ;		- 0° ou 360° rouge ;
	- 60° jaune ;		- 60° jaune ;
	- 120° vert ;		- 120° vert ;
	- 180° cyan ;		- 180° cyan ;
	- 240° bleu ;		- 240° bleu ;
	- 300° magenta.		- 300° magenta.
	- La saturation est l’intensité de la couleur :		- La saturation est l’intensité de la couleur :
	- elle varie entre 0 et 100 % ;		- elle varie entre 0 et 100 % ;
	- elle est parfois appelée « pureté » ;		- elle est parfois appelée « pureté » ;
	- plus la saturation d’une couleur est faible, plus l’image sera grisée et apparaitra fade. Donc par exemple pour avoir un rouge entièrement saturé il faudrait que la Saturation soit égale à 100%.		- plus la saturation d’une couleur est faible, plus l’image sera grisée et apparaitra fade. Donc par exemple pour avoir un rouge entièrement saturé il faudrait que la Saturation soit égale à 100%.
	- La valeur (Value) est la brillance de la couleur :		- La valeur (Value) est la brillance de la couleur :
	- elle varie entre 0 et 100 % ;		- elle varie entre 0 et 100 % ;
	- plus la valeur d’une couleur est faible, plus la couleur est sombre : une valeur de 0 correspond au noir.		- plus la valeur d’une couleur est faible, plus la couleur est sombre : une valeur de 0 correspond au noir.
	Donc le format HSV est basé sur la perception des couleurs et utilise trois composantes définies par une approche psychologique et perceptuelle de la couleur.		Donc le format HSV est basé sur la perception des couleurs et utilise trois composantes définies par une approche psychologique et perceptuelle de la couleur.
	Passage RGB vers HSV :		Passage RGB vers HSV :
Ligne 129 :		Ligne 129 :

	== Filtrage spatial ==		== Filtrage spatial ==
	Le filtrage spatial est une méthode permettant de sélectionner des composantes spatial d’une image. C’est-à-dire qu’on va ici s’intéresser à la forme des objets qui composent une image. Cette technique permet donc de modifier une image en fonction de ce qu’elle représente plutôt qu’en fonction de ses couleurs.		Le filtrage spatial est une méthode permettant de sélectionner des composantes spatial d’une image. C’est-à-dire qu’on va ici s’intéresser à la forme des objets qui composent une image. Cette technique permet donc de modifier une image en fonction de ce qu’elle représente plutôt qu’en fonction de ses couleurs.
	Exemple de filtrage morphologique spatial : érosion / dilatation / ouverture / fermeture …		Exemple de filtrage morphologique spatial : érosion / dilatation / ouverture / fermeture …
	Voyons comment ces algorithmes fonctionnent dans le cas d’une image en noir et blanc (1 bit) :		Voyons comment ces algorithmes fonctionnent dans le cas d’une image en noir et blanc (1 bit) :
Ligne 135 :		Ligne 135 :
	On va d’abord devoir choisir un élément structurant, c’est-à-dire une configuration élémentaire de pixels à rechercher dans l’image (un des pixels sera l’origine de l’élément structurant) (on appellera B l’élément structurant et X l’image).		On va d’abord devoir choisir un élément structurant, c’est-à-dire une configuration élémentaire de pixels à rechercher dans l’image (un des pixels sera l’origine de l’élément structurant) (on appellera B l’élément structurant et X l’image).

	- L’érosion : Pour chaque position de B sur l’image X, si tous les pixels de B font partie de X, alors l’origine de B appartient à l’image générée. Donc l’érosion d’une image en noir et blanc va en général réduire la présence de pixel noir sur l’image. Au contraire, si on fait une érosion sur une image en niveaux de gris, alors cela va agrandir les zones sombres de l’image.		- L’érosion : Pour chaque position de B sur l’image X, si tous les pixels de B font partie de X, alors l’origine de B appartient à l’image générée. Donc l’érosion d’une image en noir et blanc va en général réduire la présence de pixel noir sur l’image. Au contraire, si on fait une érosion sur une image en niveaux de gris, alors cela va agrandir les zones sombres de l’image.

	- La dilatation : Pour chaque position de B sur l’image X, si au moins un des pixels de B fait partie de X, alors l’origine de B appartient à l’image générée. Donc à l’inverse, la dilatation d’une image va augmenter la présence de pixel noir sur celle-ci. Au contraire si on fait une dilatation sur une image en niveaux de gris, alors cela va agrandir les zones claires de l’image.		- La dilatation : Pour chaque position de B sur l’image X, si au moins un des pixels de B fait partie de X, alors l’origine de B appartient à l’image générée. Donc à l’inverse, la dilatation d’une image va augmenter la présence de pixel noir sur celle-ci. Au contraire si on fait une dilatation sur une image en niveaux de gris, alors cela va agrandir les zones claires de l’image.

	- L’ouverture va avoir pour but d’isoler les surfaces présentes dans l’image et de lisser les contours. Pour cela, on va réaliser une érosion par B puis une dilatation par la transposée de B (la transposée de B étant la symétrie de B par rapport à l’origine.). Si on fait une ouverture sur une image en niveaux de gris, alors cela va supprimer les petites zones claires de l’image.		- L’ouverture va avoir pour but d’isoler les surfaces présentes dans l’image et de lisser les contours. Pour cela, on va réaliser une érosion par B puis une dilatation par la transposée de B (la transposée de B étant la symétrie de B par rapport à l’origine.). Si on fait une ouverture sur une image en niveaux de gris, alors cela va supprimer les petites zones claires de l’image.

	- La fermeture aura pour but de recoller des morceaux de surfaces proches de manière à fermer des contours disjoints et de lisser les contours. Pour cela on réalise une dilatation par B de l’image puis une érosion par la transposée de B. Si on fait une fermeture sur une image en niveaux de gris, alors cela va supprimer les petites zones sombres de l’image.		- La fermeture aura pour but de recoller des morceaux de surfaces proches de manière à fermer des contours disjoints et de lisser les contours. Pour cela on réalise une dilatation par B de l’image puis une érosion par la transposée de B. Si on fait une fermeture sur une image en niveaux de gris, alors cela va supprimer les petites zones sombres de l’image.

	Pour appliquer ces algorithmes à des images en couleurs, il faut utiliser la luminance qui correspond approximativement à : L = 0.3R + 0.59G + 0.11B		Pour appliquer ces algorithmes à des images en couleurs, il faut utiliser la luminance qui correspond approximativement à : L = 0.3R + 0.59G + 0.11B