Compte-rendu TP1 Barakat Karim, Emilie Houziaux

Transcription

1 Exercice n 1 : 1.1 ouvririmage Compte-ru TP1 Barakat Karim, Emilie Houziaux La fonction ouvririmage permet d'ouvrir une image et de la visualiser, elle renvoie sa taille. Notre fonction pr en argument le nom de l'image et retourne sa taille. On utilise la fonction size pour récupérer le nombre de lignes et de colonnes. function [ nblignes, nbcolonnes ] = ouvririmage(nameimg) % la fonction ouvririmage permet d'ouvrir une image et de la visualiser et % de renvoyer sa taille I = imread(nameimg); tailleimage = size(i); nblignes = tailleimage(1,1); nbcolonnes = tailleimage(1,2); colormap(gray); imagesc(i); 1.2 compterpixels La fonction compterpixels(i,k) renvoie le nombre de pixels de couleur k dans l'image I. Pour cette fonction nous avons fait un algorithme tout simple qui parcours la matrice image et qui incrémente un compteur dés que la couleur k est rencontrée. function [ nbpixels ] = compterpixels( image, color ) % fonction qui renvoit le nombre de pixels de couleur k dans l image nbpixels=0; [ N,M ] = size(image); if image(i,j) == color nbpixels = nbpixels +1; 1.3 remplacerpixels La fonction remplacerpixels(i,k1,k2) renvoie l'image correspondant à I mais avec les pixels de couleur k1 changés en k2. Pour cette fonction nous avons parcouru l'image et dés qu'un pixel était égal à k1 nous le remplacions par k2. function [ img ] = remplacerpixels( img, color1, color2 ) % fonction qui renvoie l image correspondant a image 1 quand on a change % les valeurs color1 en color2 [ N,M ] = size(img); if img(i,j) == color1 img(i,j) = color2;

2 1.4 normaliseimage(i,k1,k2) La fonction normaliseimage(i,k1,k2) normalise l'image en changeant l'intervalle de variation des niveaux de gris entre k1 et k2. Pour cela, nous avons repris la formule donnée au TD. Nous n'avons pas réussi à faire fonctionner cet algorithme, matlab nous renvoyait une erreur en rapport avec la division (fonction ndivide) que nous n'avons pas eu le temps de régler. function [ I ] = normaliseimage( img,k1,k2 ) %Permet de normaliser l'image [ N,M ] = size(img); I=double(img); I(i,j) = k2 + round((img(i,j)-max(max(img)))*(k1-k2))/(min(min(img))-max(max(img))); 1.5 calculerhisto Cette fonction renvoie un vecteur contenant l'histogramme de l'image. Notre fonction pr en compte le fait qu'une image peut être donnée par des valeurs entre 0 et 255 mais aussi entre 0 et 1. Nous avons testé si la matrice image était composée d'entier ou bien de réel. Pour afficher le graphique de l'histogramme nous faisons simple plot(h) où h est le vecteur retourné par la fonction. function [ histo ] = calculerhisto( I ) %cette fonction renvoit un vecteur contenant l'histogramme de I histo = zeros(1,256); [n m] = size(i); for j = 1:n for f = 1:m if (isinteger(i)) histo(1,i(j,f)+1)= histo(1,i(j,f)+1)+1; else histo(1,abs(round((i(j,f)*255)+1))) = histo(1,abs(round((i(j,f)*255)+1))) +1; 1.6 SeuillerImage La fonction seuillerimage(i,s) permet de seuiller une image vis-à-vis d'un seuil s. Nous avons parcouru la matrice image, si le pixel testé était inférieur au seuil, nous mettions le pixel en noir sinon en blanc. function [ I ] = seuillerimage( img, seuille ) % cette fonction renvoie l'image I seuillee I= img; [n m] = size(img); for i = 1:n for j = 1:m if img(i,j) <= seuille I(i,j) =0; else I(i,j) =255;

3 1.7 Instructions Voici la suite d'instructions à écrire pour obtenir l'histogramme d'une image seuillée par un seuil de 128 : i = ouvririmage('moon.jpg'); i2 = seuillerimage(i,128); h = calculerhisto(i2); plot(h); Exercice n 2 : 2.1 Créer l'image imgx Voici la matrice à écrire pour obtenir l'image du sujet : imgx = [128/ / ;128/ ;0 128/ ;128/ / ] imgx = Matrices aléatoires Distribution uniforme (rand) On peut voir sur l'histogramme que les couleurs des pixels sont à peu près uniformément réparties entre 0 et 255.

4 Distribution gaussienne (randn) Nous savons que la loi gaussienne est appelée aussi loi normale centrée réduite. La fonction normalise n'ayant pas été finie et la fonction randn donnant des valeurs inférieures à 0 et supérieures à 1, nous n'avons pas pu calculer sont histogramme avec notre fonction calculerhisto. Cepant d'après la définition de la loi et l'aperçu de l'image rue, on aurait tance à penser que l'histogramme ressemblerait à une des courbes de la distribution gaussienne (données ci-dessus). Distribution uniforme sur les entiers (randi) Nous pensons que nous aurions quasiment le même histogramme que la distribution uniforme.

5 Exercice n 3 : 3.1 Visualisation >> i = imread('pout.gif'); >> imagesc(i) >> colormap(gray) >> imagesc(i) Nous avons eu des problèmes pour visualiser cette image, visiblement maltab ne r pas l'image tel qu'elle devrait être. Nous ne savons pas si cela a engré des erreurs pour l'histogramme. Nous n'avons pas eu le temps de chercher notre erreur. 3.2 Histogramme min(i) = 0 max(i) = 47 On peut constater que les couleurs de cette image sont concentrées entre 0 et Inversement d'une image Nous n'avons pas eu le temps de faire ce partie.