TP3 Traitement D'images

Ministère de l’Enseignement Supérieur et de la Recherche
Scientifique
Ecole Nationale d’Electronique et des Télécommunications de Sfax
TP3 :
Segmentation des images et
opérateurs morphologiques
Elaboré par :
 ABDALLAH AYA
Encadré par :
 MR. AMRI HEDI
Classe :
2 GII 1
Année universitaire : 2022/2023

ENET’COM Traitement d’images 2ème Année GII 1
Exercice n =°1 :
Une LUT (Look-Up Table) ou table de conversion est une

fonction qui transforme un niveau de gris initiale i en un
niveau de gris j sans toucher la structure spatiale de l’image
 Transformation linéaire.
 Transformation linéaire avec saturation.
Image 1 :
Image 2 :
Image 3 :
Image 4 :
Création de function AppLut:

function iout = AppLut(Iin ,maLUT)
[nl nc ] = size(Iin) ;
iout = uint8(zeros(nl, nc )) ;
for i=0: 255
U(:,:)=Iin ==i;
iout(U)= maLUT(i+1);
end
1) Nous avons ici créé les tableaux de la

conversion suivante :
Transformation linéaire :
clear all ; clc ; close all ;
Ng =0:1:255 ;
LUT1 = uint8(0.5*Ng);
LUT2 = uint8(255 -Ng) ;
Transformation linéaire avec saturation :

mn =50 ;
mx = 180 ;
LUT3 =uint8(255*(Ng- mn )/(mx - mn ));
2) On a lire et afficher l’image 'image1.bmp'

im = imread('image1.bmp'); //Lire l’image
figure , imshow(im) ; //L’afficher
Résultat :
3) On a appliqué les LUT1,2,3 sur les images en niveaux

de gris 'image1.bmp', 'image2.bmp' et 'image3.bmp'
:
[nl nc]= size(im) ;
im1 = AppLut(im, LUT1) ; //LUT1 appliqué sur im
im2 = AppLut(im , LUT2 ) ; //LUT2 appliqué sur im
im3 = AppLut(im , LUT3) ; //LUT3 appliqué sur im
% im1(i,j)= LUT1(im(i,j)+1) ;
%im2(i,j) = LUT2(im(i,j)+1) ;
%im3(i,j) = LUT3(im(i,j)+1) ;
figure ,
subplot(2,2,1) , imshow(im),title('Im' ) ,
subplot(2,2,2) , imshow(im1),title('Im1' ) ,
subplot(2,2,3) , imshow(im2),title('Im2' ) ,
subplot(2,2,4) , imshow(im3),title('Im3' ) ;
Him = imhist(im) ; //L’histogramme de im

Him1 = imhist(im1) ; //L’histogramme de im1
figure ,
subplot(2,2,1) , imhist(im),title('HIm' ) ,
subplot(2,2,2) , imhist(im1),title('HIm1' ) ,
subplot(2,2,3) , imhist(im2),title('HIm2' ) ,
subplot(2,2,4) , imhist(im3),title('HIm3' ) ;
Résultat :
Voici les images :
Et voici ses histogrammes :

Exercice n=°2 :
1) Le rôle de la fonction imnoise :
2) Nous avons ici lire et afficher l’image

‘image3.bmp’ qui affecté à la variable im :
3)
4) Nous avons calculé à partir de l’image im
les images :
 Isp suite au bruit Sel & Poivre de densité 0.01.
 Ipois suite au bruit Poisson.
 Is suite au bruit de Speackle de variance 0.02.
 Ig suite au bruit Gaussien de moyenne 0 et de
variance 0.1.
clear all ; clc ; close all ;

im = imread('image3.bmp');
figure , imshow(im) ;
[nl , nc]= size(im) ;
d =0.01 ;
v = 0.02;
M = 0 ;
V =0.1 ;
Isp = imnoise(im,'salt & pepper',d);
Ipois = imnoise(im,'poisson');
Is = imnoise(im,'speckle',v);
Ig= imnoise(im,'gaussian',M,V);
psnr(im ,Isp) ; //L’erreur entre l’image im et Isp

psnr(im ,Ipois);//L’erreur entre l’image im et Ipois
psnr(im ,Is) ; //L’erreur entre l’image im et Is
psnr(im ,Ig) ; // L’erreur entre l’image im et Ig
5) Ici on a affiché le résultat dans une figure qui

contient les 5 images :
10) Le rôle des fonctions medfilt2 :
11) Ici on a appliqué un filtre médian carré 3*3 sur

les images Isp, Ipois, Is et Ig :
Ici on a appliqué un filtre médian carré 5*5 sur les

images Isp, Ipois, Is et Ig :
13) Maintenant on a affiché le résultat dans une

figure :
6) Le rôle des fonctions imfilter :
7) On a appliqué un filtre moyenneur carré 3*3

(h=ones (3*3)*(1/9)) sur les images Isp, Ipois, Is
et Ig :
On a appliqué un filtre moyenneur carré 5*5

(h=ones (5*5)*(1/9)) sur les images Isp, Ipois, Is et
Ig :
B_ = medfilt2(Isp, [5 5]);
B1_ = medfilt2(Ipois, [5 5]);
B2_ = medfilt2(Is, [5 5]);
B3_ = medfilt2(Ig, [5 5]);
figure ,
subplot(2,2,1) , imshow(B_),title('Isp' ) ,
subplot(2,2,2) , imshow(B1_),title('Ipois' ) ,
subplot(2,2,3) , imshow(B2_),title('Is' ) ,
subplot(2,2,4) , imshow(B3_),title('Ig' ) ;
figure ,
subplot(3,4,1) , imshow(Isp),title('Isp' ) ,
subplot(3,4,2) , imshow(B),title('Fd3' ) ,
subplot(3,4,3) , imshow(B_),title('Fd5' ) ,
subplot(3,4,4) , imshow(Ipois),title('Ipois' ) ,
subplot(3,4,5) , imshow(B1),title('Fd23' ) ,
subplot(3,4,6) , imshow(B1_),title('Fd25' ) ,
subplot(3,4,7) , imshow(Is),title('Is' ) ,
subplot(3,4,8) , imshow(B2),title('Fd33' ) ,
subplot(3,4,9) , imshow(B2_),title('Fd35' ) ,
subplot(3,4,10) , imshow(Ig),title('Ig' ) ,
subplot(3,4,11) , imshow(B3),title('fd43' ) ,
subplot(3,4,12) , imshow(B3),title('Fd53' ) ;
8)
h3 = ones(3,3)*1/9 ;
h5= ones(5,5)*1/25 ;
Fy13 = imfilter(Isp,h3) ;
Fy15 = imfilter(Isp,h5) ;
Fy23 = imfilter(Ipois,h3) ;
Fy25 = imfilter(Ipois,h5) ;
Fy33 = imfilter(Is,h3) ;
Fy35 = imfilter(Is,h5) ;
Fy43 = imfilter(Ig,h3) ;
Fy45 = imfilter(Ig,h5) ;
figure ,
subplot(3,4,1) , imshow(Isp),title('Isp' ) ,
subplot(3,4,2) , imshow(Fy13),title('Fy13' ) ,
subplot(3,4,4) , imshow(Ipois),title('Ipois' ) ,
subplot(3,4,7) , imshow(Is),title('Is' ) ,
subplot(3,4,10) , imshow(Ig),title('Ig' ) ,
subplot(3,4,12) , imshow(Fy45),title('Fy45' ) ;
Exercice n=°3 :
1)Nous avons ici lire et afficher l’image

‘image1.bmp’ qui affecté à la variable Im :
2) Le rôle de la fonction edge :

1) Nous avons réalisé la détection du contour sur

l’image ‘image1.bmp’ par le détecteur de
« Canny » :
Nous avons maintenant réalisé la détection du

contour sur l’image ‘image1.bmp’ par le détecteur
de « Prewitt », « Roberts », « Sobel », et « Canny » :
Exercice n=°4 :
1) Nous avons ici lire et afficher l’image

‘image1.bmp’ qui affecté à la variable Im :
2) Le rôle de la fonction K-means :
3) Nous avons appliqué K-means sur l’image

‘image1.bmp’ pour extraire 2,3,4 puis 5
régions de l’image Im en utilisant la fonction
imagesc pour afficher Imk3 :
4) La segmentation par l’algorithme K-means :
5) Nous limiterons à une segmentation de 3

régions. Isoler la région 1 (qu’on nommera
REG1), la région 2 (qu’on nommera REG2) et
la région 3 (qu’on nommera REG3) :

TP3 Traitement D'images

Transféré par

Droits d'auteur :

Formats disponibles

TP3 Traitement D'images

Transféré par

Informations du document

Titre original

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

TP3 Traitement D'images

Transféré par

Droits d'auteur :

Formats disponibles

Ministère de l’Enseignement Supérieur et de la Recherche

 MR. AMRI HEDI

Année universitaire : 2022/2023

Une LUT (Look-Up Table) ou table de conversion est une

Création de function AppLut:

1) Nous avons ici créé les tableaux de la

Transformation linéaire avec saturation :

2) On a lire et afficher l’image 'image1.bmp'

3) On a appliqué les LUT1,2,3 sur les images en niveaux

Him = imhist(im) ; //L’histogramme de im

Et voici ses histogrammes :

1) Le rôle de la fonction imnoise :

2) Nous avons ici lire et afficher l’image

clear all ; clc ; close all ;

psnr(im ,Isp) ; //L’erreur entre l’image im et Isp

5) Ici on a affiché le résultat dans une figure qui

10) Le rôle des fonctions medfilt2 :

11) Ici on a appliqué un filtre médian carré 3*3 sur

Ici on a appliqué un filtre médian carré 5*5 sur les

13) Maintenant on a affiché le résultat dans une

6) Le rôle des fonctions imfilter :

7) On a appliqué un filtre moyenneur carré 3*3

On a appliqué un filtre moyenneur carré 5*5

1)Nous avons ici lire et afficher l’image

2) Le rôle de la fonction edge :

1) Nous avons réalisé la détection du contour sur

Nous avons maintenant réalisé la détection du

1) Nous avons ici lire et afficher l’image

2) Le rôle de la fonction K-means :

3) Nous avons appliqué K-means sur l’image

4) La segmentation par l’algorithme K-means :

5) Nous limiterons à une segmentation de 3

Vous aimerez peut-être aussi