Traitement numérique des images

Traitement numérique des images 

Les Travaux pratiques 

Sous Matlab 

Dr Mohamad KHALIL 

Traitement numérique des images Dr. Mohamad KHALIL


TP01 : Les couleurs - Les palettes - transformation d'images 

En utilisant la Toolbox MATLAB "image Processing": 

1- >> help images donne toutes les fonctions existantes dans la toolbox image 

processing. 

2- Les images suivantes sont prêtes dans la toolbox de Matlab 7 C:\Program 

Files\MATLAB\R2006a\toolbox\images\imdemos\ et peuvent être utilisées pour 

tester nos algorithmes 

bag.png hestain.png tape.png blobs.png liftingbody.png testpat1.png 

circles.png onion.png text.png coins.png pears.png tissue.png 

concordaerial.png peppers.png westconcordaerial.png concordorthophoto.png 

pillsetc.png westconcordorthophoto.png fabric.png rice.png 

gantrycrane.png saturn.png glass.png snowflakes.png 

football.jpg greens.jpg 

AT3_1m4_01.tif AT3_1m4_08.tif cell.tif m83.tif tire.tif AT3_1m4_02.tif 

AT3_1m4_09.tif circbw.tif moon.tif trees.tif T3_1m4_03.tif AT3_1m4_10.tif 

circuit.tif mri.tif AT3_1m4_04.tif autumn.tif eight.tif paper1.tif 

AT3_1m4_05.tif board.tif forest.tif pout.tif AT3_1m4_06.tif cameraman.tif 

kids.tif shadow.tif AT3_1m4_07.tif canoe.tif logo.tif spine.tif 

3- Pour lire une image on utilise X=imread(‘nom du fichier avec l’extension’). On 

obtient une matrice de données X. example : X=imead(‘rice.tif’). Faire Whos 

pour voir les dimensions et le type de X. X est de type « uint8 ». C.est a dire 

matrice non signée et 8 bits : entre 0 et 255. 

4- Pour tracer une image on utilise imshow (X) 

Inshow(X) fonctionne de la manière suivante : 

a- Si X est double, on suppose que 1=blanc et 0 est noir. Toutes les 

valeurs de X plus grande de 1 sont supposées blanches. 0.5 est 

gris, 0.7 est gris claire, 0.3 est gris foncé. 

Exemple : 

>> x=[0 0.2,0.6 ;1 0.1 0.9 ;1,1,0.5] 

>>imshow(x) 

b- Si X est binaire, c’est une image noir et blanc. Pas de niveau de 

gris. X=imread(‘circles.png’). 

c- Si X est uint8 alors la matrice X est entre 0 et 255. Dans ce cas, 

255 est blanc et 0 et noir. X=imread(‘rice.tif’) 

5- Pour voir la palette de couleur par defaut de matlab, on ecrit colormap. Utilisant 

colormap on peut imprimer les 3 composants R, G et B. Pour tracer la palette on 

tape colorbar. 


Manipulations: 

1- Regarder la palette des couleurs utilisées par défauts dans Matlab. Pour cela, 

reouvrir Matlab et puis taper colorbar. Regarder les composantes RGB. Utiliser 

rgbplot(colormap) pour voir la distribution RGB. 

2- Créer une matrice X 4x4 qui contient des données entre 0 et 64. Voir l'image 

correspondante à cette matrice (image (X)). Donc vous utilisez la palette par 

defaut de Matlab. Pour changer la palette faire doc colormap ou ecrire 

colormap(pink) ou colormap(jet)….. 

3- Ouvrir l’image binaire circles.tif. La tracer utilisant imshow(x). 

4- Ouvrir l’image gris rice.png et spine.tif. les tracer avec imshow. 

5- Ouvrir l'image couleur indexée trees.tif avec sa palette : 

[x,map]=imread(‘trees.tif’). La tracer avec la palette de Matlab utilisant 

imshow(X,colormap) et avec son propre palette imshow(X,map) Observer. 

6- Diviser toute la palette, map ou colormap par un nombre donné. Retracer la même 

figure et observer. 

7- Transformer les couleurs RGB de map en niveaux de gris. Utiliser la fonction 

rgb2gray. Observer les nouvelles composantes RGB. Retracer l'image trees en 

niveaux de gris. Observer. 

8- Ouvrir l’image couleur peppers.png. c’est une image couleur dont sa matrice est 

3D. Faire whos pour voir X et imshow(x) et observer les couleurs. 

9- Pour la même image de la question 8, sur une même figure tracer les composantes 

rouge, vert et bleue de cette image. Pour cela, on va créer 3 matrices 3D Xr, Xb et 

Xv. Dans la matrice Xr (rouge), copier la composante rouge de X et mettre a zéros 

les composantes vert et bleue puis tracer cette matrice……. Même chose pour les 

deux autres. 



TP02: transformations unitaires : transformation de Fourrier 2-D 

1- Faire help fft2 pour apprendre comment utiliser la transformee de fourier a 

deux dimensions 

2- Faire help fftshift aussi et apprendre comment fonctionne t-il. 

3- Utilisant la toolbox Matlab, Creer une image 256*256 contenant un carrée de 

capacité 64*64 centré à l'origine (noir==1, fond==0). Utiliser les fonctions 

zeros et ones 

4- Faites la transformée de Fourier discrète de cette image. Discuter les résultats 

en fonction du largueur de la fenètre. 

5- Créer l'ensemble des figures ci dessous et faites la transformée de Fourier 

discrète de chaque image. Les comparer. Déduire 

6- Utiliser la fonction CHECKERBOARD pour créer une image. Tester la 

transformée de Fourier de cette image. 

7- Charger les figures: spine.tif et trees.tif. Faites les transformées de Fourier de 

chaque image. Les reconstruire utilisant la TF inverse 

8- Faire help imtransform et faire une transformation de l’image checkerboard. 

Faire la TF et analyser les résultats. 

scale = 1.2; % scale factor 

angle = 40*pi/180; % rotation angle 

tx = 0; % x translation 

ty = 0; % y translation 

sc = scale*cos(angle); 

ss = scale*sin(angle); 

T = [ sc -ss;ss sc ;tx ty]; 

t_lc = maketform('affine',T); 

S = imtransform(I,t_lc,'FillValues',.3); 


9- Tracer une image contenant un rectangle. Faire la TF de cette image. 

Faire tourner cette image. Refaire sa TF et conclure. 

10- Faire la TF d’une image couleur ‘peppers.tif’. Pour cela, on fera la TF 

de chaque image correspondante a chaque couleur. 

11- On pourra ameliorer la qualite d’une image (contraste) en enlevant la 

module de la TFpar exposant alpha : F’(U,V)=|F(u,v| alpha exp phi(u,v) 

0


TP03: transformations unitaires : transformation de Hadamard, cosinus discrète 

1- Apprendre les fonction inline, blkproc et std2 a partir du help du Matlab. 

Utiliser cette procedure puis commenter les résultats 

I = imread('cameraman.tif'); 

fun = inline('std2(x)*ones(size(x))'); 

I2 = blkproc(I,[8 8],fun); 

imshow(I) 

Figure, imshow(I2,[]) 

2- Faites dctdemo pour voir une démonstartion sur la transformation en cosinus 

discrète. 

3- Charger l'image f=rice.tif ou ic.tif du matlab. 

4- Diviser l'image en des blocks 8*8 puis appliquer la transformée en cosinus 

discrète de chaque block. Utiliser la fonction blkproc : 

dctf=blkproc(f,[8,8],'dct2'); 

vous avez 1024 blocks et dans chacun vous avez 64 coefficients. Nous allons 

utiliser que quelques coefficients pour reconstruire l'image. Pour visualiser la 

forme de dctf, utiliser imshow(dctf,[]). 

5- Retenir que quelques coefficients de la dct (1x1,2x2,3x3,4x4,5x5…) dans 

chaque block de dctf. La nouvelle matrice est g. Reconstruire l'image initiale 

dans chaque cas utilisant la TCD inverse. Utiliser 

Fhat=blkproc(g,[8,8],'idct2') 

6- Calculer le rapport signal sur bruit pour chaque nombre des coefficients choisi. 

Pour cela, utiliser a fonction sum(sum(f-fhat).^2) 



TP04 : Erosion, dilatation, fermeture, ouverture, transformation de voisinage 

Partie 1: Erosion et dilatation 

7- Charger l'image text.tif de la toolbox Matlab 

8- Faire une érosion par une ligne de 4 pixels 

help imerode 

9- Faire une dilatation par une ligne de 4 pixels 

help imdilate 

10- Faire une ouverture par un carré 3x3 

imerode +imdilate 

11- Faire une fermeture par le même carrée 

imdilate+imerode 

12- Pour créer un élément structurant dans Matlab, il faut utiliser la fonction strel.m 

Essayer les mêmes techniques avec un élément circulaire de diamètre 10. Il faudra 

utiliser dans ce cas imerode et imdilate, 

Partie 2: Opérations morphologiques diverses 

1- charger l'image 'cirles.tif' de la toolbox Matlab 

2- le programme bwmorph.m permet de réaliser plusieurs opérations 

morphologiques sur les images. Faire help bwmorph pour apprendre à l'utiliser 

3- Essayer ce programme avec : bothat, clean, close, dilate, erode, hbreak, majority, 

open, remove, thicken, thin 

4- Créer des images pour interpréter toutes ces fonctions surtout hbreak, clean 

5- Ajouter du bruit « Salt and Pepper » sur l’image originale circles.tif puis appliquer 

majority filter 

Partie 3: Transformation de voisinage 

1- Faite help applylut et help makelut pour apprendre comment appliquer la 

transformée de voisinage 

Remarques: Lut=ensemble des zeros et des 1. 

N=2 donne 16 possibilités: 0 0 0 0 ….1111 

00 10 01 11 00 10 01 11 00 10… 

00 00 00 00 10 10 10 10 01 01 

00 01 11 

si lut=[000010000000011] alors V= 10 11 11 

2- Charger l'image circles.tiff 

3- Faire une transformée de voisinage utilisant 

00 01 11 

V= 10 11 11 

4- Faire un amincissement en appliquant applylut V=[111 ;111 ;111] 



TP05 : Histogramme- Rehaussement des images 

13- Exécuter le fichier demo : imadjdemo.m et faire suivre les instructions 

14- Charger l'image rice.tif , tire.tif ou pout.tif de la toolbox Matlab 

15- Tracer l'histogramme normalisé de chaque image. Utiliser imhist 

16- Faire une manipulation sur cet histogramme utilisant la fonction 

imadjust.m : comment faire ce changement d'histogramme: 

1 

sortie 

0 

0.1 0.5 entrée 

5- Changer le coefficient gamma (fonction imadjust) et interpréter. 

6- Comment faire pour changer le brightness? Use la fonction brighten 

7- Apprendre la fonction stretchlim.m. Appliquer 

I = imread('pout.tif'); 

J = imadjust(I,stretchlim(I),[]); 

imshow(I), figure, imshow(J) 

8- Faire une égalisation d'histogramme, tracer sur une même figure l’image 

originale, l'histogramme original normalisé, l’image égalisée, l'histogramme 

égalisé et la fonction de transformation de couleur z=f(r) . Utiliser histeq et 

subplot. 



TP06 : Filtrage Spatiale 

1- Exécuter la fonction nrfiltdemo et suivre les instructions 

2- Charger l’image ‘pout.tif’. Ajouter du bruit sur cette image. Utiliser la 

fonction imnoise.m. Voir les résultats pour différents types du bruit. 

3- Faire le filtrage de cette image utilisant : 

a. Une fenêtre 3*3 homogène centré a l’origine (averaging) 

b. Une fenêtre 3*3 qui a la forme 

1 2 1 

2 4 2 

1 2 1 

c. Une fenêtre 5*5 homogène et centrée a l’origine (averaging) 

d. Un filtre médiane 3*3. Utiliser la fonction medfilt2.m 

e. Un filtre médiane 5*5. 

4- Utiliser la fonction fspecial.m pour créer un filtre spatiale. Essayer de faire du 

filtrage (utiliser imfilter.m) après avoir ajouter du bruit gaussien sur l’image 

‘eight,tif’ et ‘saturn.tif’ et cela pour les types suivants : 

'average' averaging filter 

'disk' circular averaging filter 

'gaussian' Gaussian lowpass filter 

'laplacian' filter approximating the 2-D Laplacian operator 

'log' Laplacian of Gaussian filter 

'motion' motion filter 

'prewitt' Prewitt horizontal edge-emphasizing filter 

'sobel' Sobel horizontal edge-emphasizing filter 

'unsharp' unsharp contrast enhancement filter 



TP07 : Détection des contours 

1- Read in 'cell.tif', which is an image of a prostate cancer cell. 

I = imread('cell.tif'); 

figure, imshow(I), title('original image'); 

2- Rescale the Image 

We use the imadjust function to rescale the image so that it covers the entire dynamic 

range ([0,1]). 

DI = imadjust(I, [], [0 1]); 

figure, imshow(DI), title('scaled image'); 

3- Detect Entire Cell 

Two cells are present in this image, but only one cell can be seen in its entirety. We 

will detect this cell. Another word for object detection is segmentation. The object to 

be segmented differs greatly in contrast from the background image. Changes in 

contrast can be detected by operators that calculate the gradient of an image. One way 

to calculate the gradient of an image is the Sobel operator, which creates a binary 

mask using a user-specified threshold value.We determine a threshold value using the 

graythresh function. To create the binary gradient mask, we use the edge function. 

BWs = edge(DI, 'sobel', (graythresh(DI) * .1)); 

figure, imshow(BWs), title('binary gradient mask'); 

4: Fill Gaps 

The binary gradient mask shows lines of high contrast in the image. These lines do 

notquite delineate the outline of the object of interest. Compared to the original 

image, you can see gaps in the lines surrounding the object in the gradient mask. 

These linear gaps will disappear if the Sobel image is dilated using linear structuring 

elements, which we can create with the strel function. 

se90 = strel('line', 3, 90); 

se0 = strel('line', 3, 0); 

5: Dilate the Image 

The binary gradient mask is dilated using the vertical structuring element followed by 

the horizontal structuring element. The imdilate function dilates the image. 

BWsdil = imdilate(BWs, [se90 se0]); 

figure, imshow(BWsdil), title('dilated gradient mask'); 

6: Fill Interior Gaps 

The dilated gradient mask shows the outline of the cell quite nicely, but there are still 

holes in the interior of the cell. To fill these holes we use the imfill function. 


BWdfill = imfill(BWsdil, 'holes'); 

figure, imshow(BWdfill); 

title('binary image with filled holes'); 

7- Remove Connected Objects on Border 

The cell of interest has been successfully segmented, but it is not the only object that 

has been found. Any objects that are connected to the border of the image can be 

removed using the imclearborder function. The connectivity in the imclearborder 

function was set to 4 to remove diagonal connections. 

BWnobord = imclearborder(BWdfill, 4); 

figure, imshow(BWnobord), title('cleared border image'); 

8- Smooth the Object 

Finally, in order to make the segmented object look natural, we smooth the object by 

eroding the image twice with a diamond structuring element. We create the diamond 

structuring element using the strel function. 

seD = strel('diamond',1); 

BWfinal = imerode(BWnobord,seD); 

BWfinal = imerode(BWfinal,seD); 

figure, imshow(BWfinal), title('segmented image'); 

An alternate method for displaying the segmented object would be to place an outline 

around the segmented cell. The outline is created by the bwperim function. 

BWoutline = bwperim(BWfinal); 

Segout = imadd(I, immultiply(BWoutline, 255)); 

figure, imshow(Segout), title('outlined original image'); 



TP08 : Détection des contours, paramétrage 

PART I : Elimination et paramétrage des grands objets dans une 

image: 

1. Faire edgedemo pour voir un demo sur la détection des contours. 

2. Pour détecter un contour, on utilise la fonction edge.m. Cette fonction utilise 

plusieurs méthodes (masques) : Sobel, prewitt, roberts, laplacien, zero 

crossing et canny. 

Appliquer cette méthode pour détecter le contour de l’image binaire 

‘circles.tif’ et de l’image gris ‘rice.tif’. 

3. Apprendre les functions bwselect.m and bwarea.m 

4. Binariser l’image rice.tif. Utiliser la function im2bw.m 

5. Ecrire un programme qui permet d’éliminer les objets qui touche les bords de 

l’image précédente. Pour cela utiliser la fonction bwselect.m 

6. Ecrire un programme qui permet de compter le nombre des objets dans une 

image et retourne pour chaque objet : sa surface, son périmètre, son centre de 

gravite. 

Surface=nombre de pixels que constitue l’objet 

Perimetre : monbre de pixel sur le contour 

Centre de gravite : 

X=somme de tous les Xi des pixels appartenant a 

l’objet /surface 

Y=somme de tous les Yi des pixels appartenant a 

l’objet/surface 

Part II: Detecting Microstructures Using Image Segmentation 

Our goal is to detect microstructures within objects shown in the image. Any kind of 

detection in an image is known as image segmentation. Our segmentation method 

consists of the following steps: 

Find all the small structures in the image 

Find the large objects in the image, and 

Extract the common elements to both images. 

Step 1: Read Image 

Step 2: Find Small Structures 

Step 3: Extract Large Objects 


Step 4: Extract Small Structures 

Step 1: Read Image 

I = imread('pearlite.tif'); 

figure, imshow(I), title('original image'); 

Step 2: Find Small Structures 

To find all small structures, we take the complement of the image with the 

imcomplement function, so that the pixels values of the structures are higher than 

those of the background. We then threshold the resulting image with the im2bw 

function at a level specified by the graythresh function. 

Ic = imcomplement(I); 

BW = im2bw(Ic, graythresh(Ic)); 

figure, imshow(Ic), title('complement of image'); 

figure, imshow(BW); 

title('thresholding the image to show small structures'); 

Step 3: Extract Large Objects 

We extract the large objects from this thresholded image by using morphologic 

closing and opening operations in succession. These processes are commonly used to 

smooth, fill in, and/or remove objects in a grayscale or binary image. Morphologic 

closing is equivalent to a dilation followed by an erosion with a structuring element. 

Similarly, morphologic opening is equivalent to an erosion followed by a dilation. 

The choice of a structuring element depends on the size and shape of the objects to be 

modified. In our case, we create a disk-shaped structuring element with a radius of six 

pixels using the strel function. 

se = strel('disk', 6); 

BWc = imclose(BW, se); 

BWco = imopen(BWc, se); 

figure, imshow(BWc), title('closing the thresholded image'); 

figure, imshow(BWco); 

title('opening the image to show large objects'); 

Step 4: Extract Small Structures 

We have created an image containing all small structures and an image containing 

large objects. To extract all small structures within the large objects, we take the 

intersection or "and" of the two images with the & operator. 

mask = BW & BWco; 

figure, imshow(mask), title('the "and" of these two images'); 


Partie 1 : Par DCT 

1- Charger l'image rice.tif de l'image. 


TP09 : Compression des images 

2- Faire la transformation en DCT en la décomposant en des blocs de 8x8(utiliser 

blkproc.m) 

Appliquer la quantification par la matrice Q(i,j)=1+m(1+i+j). 

m est la facteur de qualité. 

Prenez m=2,4, ,6 et 10. 

Reconstruire l'image et calculer l'erreur pour chaque m. 

Partie 2 : Ondelettes. 

1- Charger l'image tire.tif de l'image. 

2- Faire la transformation en ondelettes en la décomposant en des blocs de 8x8 

3- Appliquer un seuillage sur la matrice finale (on vous laisse estimer le seuil) 

4- Reconstruire l'image et calculer l'erreur pour chaque seuil (prenez plusieurs seuils 

distincts) 



TP10 : Transformée de Radon 


TP11 : Caractérisation des objets circulaires

Traitement numérique des images

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?