LES REHAUSSEMENTS D'IMAGES

Présentation au sujet: "LES REHAUSSEMENTS D'IMAGES"— Transcription de la présentation:

1 LES REHAUSSEMENTS D'IMAGES
Les algorithmes de manipulation du contraste Les algorithmes de rehaussement par pseudo-couleurs Les algorithmes de création de composées-couleurs Les algorithmes de rehaussement d’images multispectrales Objectif : Redistribuer les valeurs numériques des pixels d’une image monochrome dans l’intervalle 0 à 255 (échelle de gris d’un médium d’affichage) afin d’améliorer les contrastes dans une image tels que perçus par l’humain. Cartes graphiques: permettent l’affichage d’images monochromes avec une profondeur de 8 bits (256 niveaux de gris). La majorité des images numériques sont exprimées en 8 bits mais la tendance actuelle est plutôt vers les 11 ou 12 bits et même 16 bits.

2 La manipulation du contraste: raison d’être
Distinction entre deux objets adjacents selon l'écart de leurs VNs Cas d’une image à 8 bits : souvent, l’étendue des niveaux de gris de l’image ne couvre qu’une partie restreinte de l’intervalle de 256 niveaux de gris (effets atmosphériques, effets d'illumination, l'intervalle restreint des réflectances des objets pour un territoire donné, la résolution radiométrique des capteurs, etc). D'autre part l'oeil ne peut distinguer qu'une dizaine de niveaux de gris (20 à 30 selon d’autres). La concentration des valeurs de niveaux de gris dans un faible intervalle donne donc l'impression d'un faible contraste visuel sur un écran d’ordinateur (ou en cas d’impression). Plus la différence des valeurs numériques est grande, plus on a de la facilité à les percevoir comme des objets différents.

3 La manipulation du contraste: raison d’être
Cas d’une image à plus que 8 bits : pour des raisons informatiques les valeurs numériques d’images à 11 ou 12 bits, et bien sûr 16 bits, sont exprimées automatiquement à 16 bits (65536 teintes de gris). Comme l’affichage d’une image se fait toujours à 8 bits, GEOMATIQUA applique une « compression d’échelle de gris » ou « rééchelonnement » (scaling) automatique. La plupart de temps les valeurs numériques de l’image sont lues et le minimum et maximum sont relevés. L’intervalle min-max est « projeté » à l’intervalle entre 0 et 255. Différentes façon de faire cette opération sont possibles

4 La manipulation du contraste
VN du pixel de l’image de sortie VN du pixel de l’image d’entrée Fonction de transformation

5 Deux façons de manipuler le contraste
Étirement de l’histogramme: on agit sur l’intervalle de valeurs de l’image d’entrée Modification de l’histogramme: on agit à la fois sur l’intervalle de valeurs de l’image d’entrée et sur la forme de son histogramme

6 Étirement Ex.: fonction de transfert par morceaux

7 Exemple: On veut accentuer le contraste dans la bande PIR d’une image multispectrale en ignorant les surfaces d’eau ainsi que les objets très brillants. L’histogramme est le suivant: En utilisant différentes fonctions d’étirement de l’histogramme donner les nouvelles valeurs de gris des pixels ayant des valeurs originales : 24, 67 et 190

8 Application d’un étirement par morceau: choix des seuils: exemple 40 et 180
Étirement linéaire entre 40 et 180… 24  0 67  190  255

9 L’image originale

10 L’image après rehaussement

11 Application d’un étirement par morceau: choix des seuils: exemple 40 et 180
Étirement fonction du carrée entre 40 et 180… 24  0 67  190  255

12 L’image originale

13 L’image après rehaussement

14 Application d’un étirement par morceau: choix des seuils: exemple 40 et 180
Étirement fonction de la racine carrée entre 40 et 180… 24  0 67  190  255

15 L’image originale

16 L’image après rehaussement

17 Modification de l’histogramme
Forme souhaitée de l’histogramme de sortie: ex. isopopulation Fréquence cumulative

18 L’image après égalisation de l’histogramme

19 Le nettoyage du bruit + Rehaussement des arêtes
Nous le verrons dans le cours du filtrage

20 Le seuillage: un exemple

21 Le seuillage: un exemple

22 Le seuillage: un exemple

23 Le seuillage: un exemple

24 Le seuillage: un exemple

25 Le seuillage: un exemple

26 Le seuillage: un exemple

27 Les pseudo-couleurs

28 Les pseudo-couleurs

29 La manipulation d’images à plusieurs composantes

30 1. Composés couleurs ETM1 ETM2 ETM2 ETM3 ETM3 ETM4 ETM3 ETM4 ETM6 ETM5

31 2. Les opérations mathématiques: un exemple les indices de végétation
Normalized Vegetation Index ou NDVI= K*(PIR-ROUGE)/(PIR+ROUGE)

32

33 Indices de végétation : quelques idées d’application- densité du couvert végétal par arrondissement

34 Indices de végétation : quelques idées d’application- densité du couvert végétal par arrondissement

35 Un autre exemple: les rapports de bandes

36 Un autre exemple: les rapports de bandes
IROC1 : ETM+5 PIR : ETM+4 Rapport ETM+4 sur ETM+5

37 Un autre exemple: la différence des bandes --- surtout utilisée pour la détection des changements avec des images multi-dates 1990 1988

38 DIFXS1(VERT)=127+XS1(1990)-XS1(1988)
Un autre exemple: la différence des bandes --- surtout utilisée pour la détection des changements avec des images multi-dates DIFXS1(VERT)=127+XS1(1990)-XS1(1988)

39 DIFXS2(ROUGE)=127+XS2(1990)-XS2(1988)
Un autre exemple: la différence des bandes --- surtout utilisée pour la détection des changements avec des images multi-dates DIFXS2(ROUGE)=127+XS2(1990)-XS2(1988)

40 DIFXS3(PIR)=127+XS3(1990)-XS3(1988)
Un autre exemple: la différence des bandes --- surtout utilisée pour la détection des changements avec des images multi-dates DIFXS3(PIR)=127+XS3(1990)-XS3(1988)

41 Un autre exemple: la différence des bandes --- surtout utilisée pour la détection des changements avec des images multi-dates COMPOSÉ COULEUR: DIFXS1—ROUGE; DIFXS2---VERT; DIFXS3---PIR