Histogramme
Calcul et affichage d’histogramme d’une image:
Image=imread('cameraman.tif');
[l,c]=size(Image);
H=zeros(256,1);
for i=1:l
for j=1:c
H(Image(i,j)+1)= H(Image(i,j)+1)+1;
end
end
bar(H)
Avec la fonction prédefinie:
imhist(Image)
Egalisation d’histogramme
l’égalisation d’histogramme est une méthode d’ajustement du contraste d’une image numérique qui utilise l’histogramme. Elle consiste à appliquer une transformation sur chaque pixel de l’image, et donc d’obtenir une nouvelle image à partir d’une opération indépendante sur chacun des pixels. Cette transformation est construite à partir de l’histogramme cumulé de l’image de départ.
Étapes à suivre
1. Calcul de l’histogramme h(k) avec k Є[0; 255]
2. Histogramme cumulé
3. Transformation des niveaux de gris de l’image
En Matlab, la fonction prédéfinie histeq permet d’obtenir l’histogramme égalisé d’une image.
I = imread('pout.tif');
imshow(I)
imhist(I)
I2 = histeq(I);
imshow(I2)
subplot ( 2 , 2 , 1 ) ; imshow( I) ; title ( 'Image originale' ) ;
subplot ( 2 , 2 , 3 ) ; imhist(I) ; title ( 'Histogramme original' ) ;
subplot ( 2 , 2 , 2 ) ; imshow(I2) ; title ( 'Image traitée (égalisation d''histogramme)' ) ;
subplot ( 2 , 2 , 4 ) ; imhist(I2) ; title ( 'Histogramme égalisé' ) ;
Ajout de bruit à une image:
% Read the test Image
mygrayimg = imread('cameraman.tif');
subplot(2,3,1);
imshow(mygrayimg);
title('Original Image');
% Add Salt and pepper noise with noise density 0.001
salt = imnoise(mygrayimg,'salt & pepper',0.001);
subplot(2,3,2);
imshow(salt);
title('Salt & Pepper Image (bruit impulsionnel faible)');
% Add Salt and pepper noise with noise density 0.03
salt = imnoise(mygrayimg,'salt & pepper',0.03);
subplot(2,3,3);
imshow(salt);
title('Salt & Pepper Image (bruit impulsionnel fort)');
% Add Gaussian noise with mean 0 and variance 0.003
gau = imnoise(mygrayimg, 'gaussian', 0, 0.003);
subplot(2,3,4);
imshow(gau);
title('Gaussian Image- mean 0 and variance 0.003');
% Add Gaussian noise with mean 0 and variance 0.02
gau = imnoise(mygrayimg, 'gaussian', 0, 0.02);
subplot(2,3,5);
imshow(gau);
title('Gaussian Image- mean 0 and variance 0.02');
% Original Image plus sinusoidal noise
subplot(2,3,6);
[x y] = meshgrid(1:256,1:256);
mysinusoidalnoise = 15 * sin(2*pi/14*x+2*pi/14*y);
mynoiseimg1 = double(mygrayimg) + mysinusoidalnoise;
imshow(mynoiseimg1,[]);
title('Generated Sinusoidal noise');
Filtre Moyen:
org=imread('peppers.png');
m = imnoise(org, 'gaussian', 0, 0.03); % Ajout d'un bruit blanc Gaussien, de moyenne nulle
filterWindow3 = ones(3) / 9;
filteredImage3 = imfilter(m, filterWindow3);
filterWindow5 = ones(5) / 25;
filteredImage5 = imfilter(m, filterWindow5);
filterWindow9 = ones(9) / 81;
filteredImage9 = imfilter(m, filterWindow9);
filterWindow15 = ones(15) / 225;
filteredImage15 = imfilter(m, filterWindow15);
subplot ( 2 , 3 , 1 ) ; imshow(org) ; title ( 'Image originale' ) ;
subplot ( 2 , 3 , 2 ) ; imshow(m) ; title ( 'Image bruitée (bruit Gaussien)' ) ;
subplot ( 2 , 3 , 3 ) ; imshow(filteredImage3) ; title ( 'Image filtrée (Moyen 3x3)');
subplot ( 2 , 3 , 4 ) ; imshow(filteredImage5) ; title ( 'Image filtrée (Moyen 5x5)');
subplot ( 2 , 3 , 5 ) ; imshow(filteredImage9) ; title ( 'Image filtrée (Moyen 9x9)');
subplot ( 2 , 3 , 6 ) ; imshow(filteredImage15) ; title ( 'Image filtrée (Moyen 15x15)');
Filtre Gaussien:
I = imread('cameraman.tif');
Iblur = imgaussfilt(I,2); % Image filtrée avec un filtre Gaussiin- Sigma = 2
subplot ( 1 , 2 , 1 ) ; imshow(I) ; title ( 'Image originale');
subplot ( 1 , 2 , 2 ) ; imshow(Iblur) ; title ( 'image filtrée avec un filtre Gaussien');
Filtre médian:
I = imread('eight.tif');
J = imnoise(I,'salt & pepper',0.02);
K = medfilt2(J);
subplot ( 1 , 3 , 1 ) ; imshow(I) ; title ( 'Image originale');
subplot ( 1 , 3 , 2 ) ; imshow(J) ; title ( 'Image bruitée');
subplot ( 1 , 3 , 3 ) ; imshow(K) ; title ( 'image filtrée avec un filtre médian');
Détection de contour:
I = imread('coins.png');
BW1 = edge(I,'sobel');
BW2 = edge(I,'prewitt');
BW3 = edge(I,'canny');
subplot ( 2 , 2 , 1 ) ; imshow(I) ; title ( 'Image originale' ) ;
subplot ( 2 , 2 , 2 ) ; imshow(BW1) ; title ( 'Contour avec Sobel' ) ;
subplot ( 2 , 2 , 3 ) ; imshow(BW2) ; title ( 'Contour avec prewitt' ) ;
subplot ( 2 , 2 , 4 ) ; imshow(BW3) ; title ( 'Contour avec Canny' ) ;
Filtre morphologique (érosion):
a=[
0 0 0 1 0 0 0
0 1 1 1 1 1 0
0 1 0 1 1 1 0
1 1 1 1 1 1 0
0 0 1 1 1 1 0
0 1 1 1 1 1 0
0 0 0 0 0 1 0];
st1=[1 1 1
1 1 1
1 1 1];
st2=[0 1 0
1 1 1
0 1 0];
st3=[0 1 0
0 1 0
0 1 0];
st4=[0 0 0
1 1 1
0 0 0];
i1= imerode(a,st1);
i2= imerode(a,st2);
i3= imerode(a,st3);
i4= imerode(a,st4);
subplot (2,3,1), imshow(a), title('original');
subplot (2,3,2), imshow(i1), title ('erosion cube');
subplot (2,3,3), imshow(i2), title ('erosion cercle');
subplot (2,3,4), imshow(i3), title ('erosion |');
subplot (2,3,5), imshow(i4), title ('erosion ---');
Transformée de Fourier Rapide sur l’image:
[f, p]=uigetfile('*','selection de fichier');
S=imread(fullfile(p,f));
subplot(1,3,1); imshow (S); title ( 'Image originale');
FS=fft2(double(S));
module=abs(fftshift(FS));
Max=max(max(max(abs(module))));
subplot(1,3,2), imshow(module *255 /Max);colormap gray ; title ( 'Spectre d''amplitude');
phase=angle(fftshift(FS));
subplot(1,3,3); imshow(phase,[-pi,pi]); colormap gray; title ( 'Spectre de phase');
