30
2 Traitement ponctuel des images num´ eriques
d’intensit´ e ra, bs. Avec cette transformation, la nouvelle image ne visualise
que les pixels dont le niveau d’intensit´ e appartient `
a l’intervalle ra, bs. Sous
r´ eserve d’une connaissance a priori de la distribution des niveaux de gris des
objets de l’image originale, cette technique permet une segmentation d’objets
particuliers de l’image. Le graphe de ces transformations est le suivant
Fig. 2.8 Fonctions de seuillage et ! fenˆ etre d’intensit´ e "
(a) Original
(b) Histogramme
(c) Image seuill´ ee avec fenˆ etre d’intensit´ e entre 30 et 100
(d) Seuillage ` a S “ 100
Fig. 2.9 Seuillages
Le choix de la valeur du seuil est le probl` eme crucial. Il existe de nombreuses m´ ethodes statistiques pour le d´ eterminer automatiquement, bas´ ees
par exemple sur des voisinages et crit` eres de niveau de gris, moyenne, variance
etc. Nous n’entrerons pas dans le d´ etail.
2 Traitement ponctuel des images num´ eriques
d’intensit´ e ra, bs. Avec cette transformation, la nouvelle image ne visualise
que les pixels dont le niveau d’intensit´ e appartient `
a l’intervalle ra, bs. Sous
r´ eserve d’une connaissance a priori de la distribution des niveaux de gris des
objets de l’image originale, cette technique permet une segmentation d’objets
particuliers de l’image. Le graphe de ces transformations est le suivant
Fig. 2.8 Fonctions de seuillage et ! fenˆ etre d’intensit´ e "
(a) Original
(b) Histogramme
(c) Image seuill´ ee avec fenˆ etre d’intensit´ e entre 30 et 100
(d) Seuillage ` a S “ 100
Fig. 2.9 Seuillages
Le choix de la valeur du seuil est le probl` eme crucial. Il existe de nombreuses m´ ethodes statistiques pour le d´ eterminer automatiquement, bas´ ees
par exemple sur des voisinages et crit` eres de niveau de gris, moyenne, variance
etc. Nous n’entrerons pas dans le d´ etail.