#!/usr/bin/env python
# coding: utf-8

# # Le traitement numérique des images

# Cette page reprend
# [l'article publié sur le site web Images des mathématiques](<http://images.math.cnrs.fr/Le-traitement-numerique-des-images.html).
# 
# Les appareils numériques photographient de manière très précise le monde
# qui nous entoure. L'utilisateur souhaite pouvoir stocker avec un encombrement
# minimal ses photos sur son disque dur. Il souhaite également pouvoir les retoucher
# afin d'améliorer leur qualité. Cet article présente les outils mathématiques et
# informatiques qui permettent d'effectuer ces différentes tâches.
# 
# 
# Cet article présente quelques concepts du [traitement](http://fr.wikipedia.org/wiki/Traitement_d'images)
# mathématique des
# images numériques. Ces traitements permettent de stocker plus facilement
# les images et d'améliorer leur qualité. Les mathématiques utilisées dans
# cet article correspondent au niveau de la classe de troisième. Les mots
# clés en rouge pointent vers les pages [Wikipédia](http://fr.wikipedia.org/)
# correspondantes. Ils sont
# repris à la fin de l'article dans un glossaire.
# 
# _Mot clefs :_ image, bits, carré, racine carrée, inverse, logarithme, moyenne, médiane.

# *Important :* voir la [page d'installation](http://gpeyre.github.io/numerical-tours/installation_python/) pour les détails de l'installation des toolboxes.
# $\newcommand{\dotp}[2]{\langle #1, #2 \rangle}$
# $\newcommand{\enscond}[2]{\lbrace #1, #2 \rbrace}$
# $\newcommand{\pd}[2]{ \frac{ \partial #1}{\partial #2} }$
# $\newcommand{\umin}[1]{\underset{#1}{\min}\;}$
# $\newcommand{\umax}[1]{\underset{#1}{\max}\;}$
# $\newcommand{\umin}[1]{\underset{#1}{\min}\;}$
# $\newcommand{\uargmin}[1]{\underset{#1}{argmin}\;}$
# $\newcommand{\norm}[1]{\|#1\|}$
# $\newcommand{\abs}[1]{\left|#1\right|}$
# $\newcommand{\choice}[1]{ \left\{  \begin{array}{l} #1 \end{array} \right. }$
# $\newcommand{\pa}[1]{\left(#1\right)}$
# $\newcommand{\diag}[1]{{diag}\left( #1 \right)}$
# $\newcommand{\qandq}{\quad\text{and}\quad}$
# $\newcommand{\qwhereq}{\quad\text{where}\quad}$
# $\newcommand{\qifq}{ \quad \text{if} \quad }$
# $\newcommand{\qarrq}{ \quad \Longrightarrow \quad }$
# $\newcommand{\ZZ}{\mathbb{Z}}$
# $\newcommand{\CC}{\mathbb{C}}$
# $\newcommand{\RR}{\mathbb{R}}$
# $\newcommand{\EE}{\mathbb{E}}$
# $\newcommand{\Zz}{\mathcal{Z}}$
# $\newcommand{\Ww}{\mathcal{W}}$
# $\newcommand{\Vv}{\mathcal{V}}$
# $\newcommand{\Nn}{\mathcal{N}}$
# $\newcommand{\NN}{\mathcal{N}}$
# $\newcommand{\Hh}{\mathcal{H}}$
# $\newcommand{\Bb}{\mathcal{B}}$
# $\newcommand{\Ee}{\mathcal{E}}$
# $\newcommand{\Cc}{\mathcal{C}}$
# $\newcommand{\Gg}{\mathcal{G}}$
# $\newcommand{\Ss}{\mathcal{S}}$
# $\newcommand{\Pp}{\mathcal{P}}$
# $\newcommand{\Ff}{\mathcal{F}}$
# $\newcommand{\Xx}{\mathcal{X}}$
# $\newcommand{\Mm}{\mathcal{M}}$
# $\newcommand{\Ii}{\mathcal{I}}$
# $\newcommand{\Dd}{\mathcal{D}}$
# $\newcommand{\Ll}{\mathcal{L}}$
# $\newcommand{\Tt}{\mathcal{T}}$
# $\newcommand{\si}{\sigma}$
# $\newcommand{\al}{\alpha}$
# $\newcommand{\la}{\lambda}$
# $\newcommand{\ga}{\gamma}$
# $\newcommand{\Ga}{\Gamma}$
# $\newcommand{\La}{\Lambda}$
# $\newcommand{\si}{\sigma}$
# $\newcommand{\Si}{\Sigma}$
# $\newcommand{\be}{\beta}$
# $\newcommand{\de}{\delta}$
# $\newcommand{\De}{\Delta}$
# $\newcommand{\phi}{\varphi}$
# $\newcommand{\th}{\theta}$
# $\newcommand{\om}{\omega}$
# $\newcommand{\Om}{\Omega}$

# In[1]:


from __future__ import division
from nt_toolbox.general import *
from nt_toolbox.signal import *
get_ipython().run_line_magic('pylab', 'inline')
get_ipython().run_line_magic('matplotlib', 'inline')
get_ipython().run_line_magic('load_ext', 'autoreload')
get_ipython().run_line_magic('autoreload', '2')


# ## Les pixels d'une image

# Une [image numérique](http://fr.wikipedia.org/wiki/Image_num%C3%A9rique)
# en niveaux de gris est un tableau de valeurs. Chaque
# case de ce tableau, qui stocke une valeur, se nomme un [pixel](http://fr.wikipedia.org/wiki/Pixel).
# En notant $n$ le nombre de lignes et $p$ le nombre de colonnes de l'image,
# on manipule ainsi un tableau de $n \times p$ pixels.
# 
# La figure ci-dessous montre une visualisation d'un tableau carré avec
# $n=p=240$, ce qui représente  $240\times 240$=57600 pixels. Les
# [appareils photos numériques](http://fr.wikipedia.org/wiki/Appareil_photographique_num%C3%A9rique)
# peuvent enregistrer des images beaucoup plus grandes,
# avec plusieurs [millions de pixels](http://en.wikipedia.org/wiki/Gigapixel_image).

# In[7]:


n = 256
name = 'nt_toolbox/data/hibiscus.bmp'
f = load_image(name, n, 1);
imageplot(f)


# Les valeurs des pixels sont enregistrées dans [l'ordinateur](http://fr.wikipedia.org/wiki/Ordinateur) ou
# [l'appareil photo numérique](http://fr.wikipedia.org/wiki/Appareil_photographique_num%C3%A9rique)
# sous forme
# de [nombres entiers](http://fr.wikipedia.org/wiki/Entier_relatif) entre 0 et 255,
# ce qui fait 256 valeurs possibles pour chaque pixel.
# 
# La valeur 0 correspond au noir, et la valeur 255 correspond au blanc. Les
# valeurs intermédiaires correspondent à des [niveaux de gris](http://fr.wikipedia.org/wiki/Niveau_de_gris)
# allant du noir au blanc.
# 
# La figure ci-dessous montre un sous-tableau de $6 \times 6$ pixels extrait de
# l'image précédente. On peut voir à la fois les valeurs qui composent le tableau et les niveaux de gris qui permettent d'afficher l'image à l'écran.

# In[8]:


selx = arange(19,24)
sely = arange(62,67)
print(floor(255*f[19:25,62:67]))


# ## Stocker une image

# Stocker de grandes images sur le [disque dur](http://fr.wikipedia.org/wiki/Disque_dur)
# d'un ordinateur prend
# beaucoup de place. Les nombres entiers sont stockés
# en [écriture binaire](http://fr.wikipedia.org/wiki/Syst%C3%A8me_binaire),
# c'est-à-dire sous la forme d'une succession
# de 0 et de 1. Chaque 0 et chaque 1 se stocke sur une unité élémentaire
# de stockage, appelée [bit](http://fr.wikipedia.org/wiki/Bit).
# 
# 
# Pour obtenir l'écriture binaire d'un pixel ayant comme valeur 179,
# il faut décomposer cette valeur comme somme de puissances de deux.
# On obtient ainsi
# $$ 179=2^7+2^5+2^4+2+1, $$
# où l'on a pris soin d'ordonner les puissances de deux par ordre
# décroissant. Afin de faire mieux apparaître l'écriture binaire,
# on ajoute "$1 \times$" devant chaque puissance qui apparaît dans l'écriture,
# et "$0\times$" devant les puissances qui n'apparaissent pas
# $$ 179=1 \times 2^7 + 0 \times 26 + 1 \times 2^5 + 1 \times 24 +
#   0 \times 2^3 + 0 \times 22 + 1 \times 2^1 + 1 \times 2^0. $$
# 
# 
# Avec une telle écriture,
# la valeur de chaque pixel, qui est un nombre entre 0 et 255, nécessite
# $$ \log_2(256) = 8 \text{ bits}. $$
# La fonction $\log_2$ est le logarithme en base 2, et ce calcul exprime
# le fait que
# $$ 256=2^8 = 2 \times 2 \times 2 \times 2 \times 2 \times 2 \times 2 \times 2.  $$
# L'écriture binaire de la valeur 179 du pixel est ainsi $(1,0,1,1,0,0,1,1)$,
# où chaque 1 et chaque 0 correspond au facteur multiplicatif qui apparaît devant chaque puissance.
# 
# 
# On peut écrire toute valeur entre 0 et 255 de cet manière,
# ce qui nécessite d'utilisation de 8 bits. Il y a en effet
# 256 valeurs possibles, et $256=2^8$. Pour stocker l'image complète, on a donc besoin de
# $$ n \times p \times 8 \text{ bits}. $$
# 
# 
# Pour stocker l'image complète, on a donc besoin de
# $$ n \times p \times 8  \text{ bits}. $$
# Pour l'image montrée aux figure précédentes, on a ainsi besoin de
# $$ 256 \times 256 \times 8 = 524288 \text{ bits}. $$
# 
# 
# Pour l'image montrée à la première figure, on a ainsi besoin de
# $$ 240 \times 240 \times 8 = 460800 \text{ bits.} $$
# On utilise le plus souvent [l'octet](http://fr.wikipedia.org/wiki/Octet) (8 bits) comme unité,
# de sorte que cette image nécessite 57,6ko (kilo octets).

# ## La résolution d'une image

# Afin de réduire la place de stockage d'une image, on peut réduire sa
# [résolution](http://fr.wikipedia.org/wiki/R%C3%A9solution_(imagerie_num%C3%A9rique)),
# c'est-à-dire diminuer le nombre de pixels.
# 
# 
# La façon la plus simple d'effectuer cette réduction consiste à supprimer des lignes et des colonnes dans l'image de départ.
# 
# 
# La figure suivante montre ce que l'on obtient si l'on retient une ligne sur 4 et une colonne sur 4.

# In[4]:


sub = lambda f,k: f[::k,::k]


# In[5]:


imageplot(sub(f,4))


# On a ainsi divisé par $4 \times 4 = 16$ le nombre de pixels de l'image,
# et donc également réduit par 16 le nombre de bit nécessaire pour stocker l'image sur
# un disque dur.
# 
# 
# La figure suivante montre les résultats obtenus en enlevant de plus en
# plus de lignes et de colonnes. Bien entendu, la qualité de l'image se
# dégrade vite.

# In[6]:


klist = [2, 4, 8, 16]
clf
for i in arange(0,len(klist)):
    k = klist[i]
    imageplot( sub(f,k), '1 ligne/ colonne sur ' + str(k), [2, 2, i+1]) 


# ## Quantifier une image

# Une autre façon de réduire la place mémoire nécessaire pour le stockage
# consiste à utiliser moins de nombres entirers pour chaque valeur.
# 
# 
# On peut par exemple utiliser uniquement des nombres entier entre 0 et 3,
# ce qui donnera une image avec uniquement 4 niveau de gris.
# 
# 
# On peut effectuer une conversion de l'image d'origine vers une image avec
# 3 niveau de valeurs en effectuant les remplacements:
# 
# 
# - les valeurs dans $0,1,\ldots,63$ sont remplacées par la valeur 0,
# 
# - les valeurs dans $64,1,\ldots,127$ sont remplacées par la valeur 1,
# 
# - les valeurs dans $128,1,\ldots,191$ sont remplacées par la valeur 2,
# 
# - les valeurs dans $192,\ldots,255$ sont remplacées par la valeur 3.
# 
# 
# Une telle opération se nomme [quantification](http://fr.wikipedia.org/wiki/Quantification_(signal)).
# 
# 
# La figure suivante montre l'image résultante avec 4 niveaux de couleurs.
# Les 4 valeurs sont affichées en utilisant 4 niveaux de gris allant du noir
# au blanc.

# In[7]:


quant = lambda f,q: (around(q*rescale(f, 1e-3, 1-1e-3)-1/2) + 1/ 2)/ q
imageplot(quant(f,4), '4 niveaux de gris')


# Nous avons déjà vu que l'on pouvait représenter toute valeur entre 0 et
# 255 à l'aide de 8 bits en utilisant l'écriture binaire. De fa\c{c}on similaire,
# on vérifie que toute valeur entre 0 et 3 peut se représenter à l'aide de 2 bits.
# On obtient ainsi une réduction d'un facteur 8/2=4 de la place
# [mémoire](http://fr.wikipedia.org/wiki/M%C3%A9moire_(informatique)) nécessaire
# pour le stockage de l'image sur un disque dur.
# 
# 
# La figure suivante montre les résultats obtenus en utilisant de moins en
# moins de niveaux de gris.

# In[8]:


qlist = [16, 4, 3, 2]
for i in arange(0,len(qlist)):
    q = qlist[i]
    f1 = quant(f,q)
    f1[0] = 0
    f1[1] = 1
    imageplot(f1, str(q) + ' niveaux de gris', [2, 2, i+1])


# Tout comme pour la réduction du nombre de pixels, la réduction du nombre
# de niveaux de gris influe beaucoup sur la qualité de l'image.
# Afin de réduire au maximum la taille d'une image sans modifier sa qualité,
# on utilise des méthodes plus complexes de
# [compression d'image](http://fr.wikipedia.org/wiki/Compression_d%27image). La méthode
# la plus efficace s'appelle
# [JPEG-2000](http://fr.wikipedia.org/wiki/Jpeg_2000).
# Elle utilise la théorie des [ondelettes](http://fr.wikipedia.org/wiki/Ondelettes).
# Pour en savoir plus à ce sujet, vous pouvez consuler cet
# [article d'Erwan Le
# Pennec](http://images.math.cnrs.fr/Compression-d-image.html).

# ## Enlever le bruit par moyennes locales

# Les images sont parfois de mauvaise qualité. Un exemple typique de défaut
# est le [bruit](http://fr.wikipedia.org/wiki/Bruit_num%C3%A9rique)
# qui apparait quand une photo est
# [sous-exposée](http://fr.wikipedia.org/wiki/Exposition_(photographie)), c'est-à-dire
# qu'il n'y a pas assez de luminosité. Ce bruit se manifeste par de petites
# flucturation [aléatoires](http://fr.wikipedia.org/wiki/Suite_al%C3%A9atoire)
# des niveaux de gris. La figure ci-dessous montre
# une image bruitée.

# In[9]:


name = 'nt_toolbox/data/boat.bmp'
f = load_image(name, n)
sigma = .08
f = f + randn(n,n)*sigma
imageplot(clamp(f))


# Afin d'enlever le bruit dans les images, il convient de faire subir une
# modification aux valeurs de pixels.
# L'opération la plus simple consiste à remplacer la valeur
# $a$ de chaque pixel par la [moyenne](http://fr.wikipedia.org/wiki/Moyenne) de
# $a$ et des 8 valeurs $b,c,d,e,f,g,h,i$ des 8 pixels voisins de a.
# 
# Les valeurs des pixels sont positionnées comme suit :
# $$
# \left[
# \begin{array}{ccc}$
#       g & c & h \\
#       b & a & d \\
#       f & e & i
# \end{array}$
# \right]
#   =
# \left[
# \begin{array}{ccc}$
#       79 & 54 & 47 \\
#       192 & 190 & 153 \\
#       166 & 189 & 203
# \end{array}$
# \right]
# $$
# 
# On obtient ainsi une image modifiée en rempla\c{c}ant a par
# $$ \frac{a+b+c+d+e+f+g+h+i}{9} $$
# puisque l'on fait la moyenne de 9 valeurs.
# Dans notre exemple, cette moyenne vaut
# $$ \frac{190+192+79+54+47+153+203+189+166}{9} \approx 141,4. $$
# En effectuant cette opération pour chaque pixel, on supprime une partie
# du bruit, car ce bruit est constitué de fluctuations aléatoires, qui sont
# diminuées par un calcul de moyennes. La figure ci-dessous montre l'effet d'un tel calcul.
# 
# 
# La figure ci-dessous montre l'effet d'un tel moyennage.

# In[10]:


roll2d = lambda f,i,j: roll(roll(f,i,axis=0),j,axis=1)
def filt_moy(f,k):
    n = f.shape[0];
    g = zeros((n,n));
    for i in arange(-k,k+1):
        for j in arange(-k,k+1):
            g = g + roll2d(f,i,j);
    return g/( (2*k+1)**2 );
imageplot(clamp(f), 'Image bruitée', [1, 2, 1])
imageplot(clamp(filt_moy(f, 1)), 'Image moyennée', [1, 2, 2])


# Tout le bruit n'a pas été enlevé par cette opération. Afin d'enlever plus
# de bruit, on peut moyenner plus de valeurs autour de chaque pixel.
# La figure suivante montre le résultat obtenu en moyennant de plus en plus
# de valeurs.

# In[11]:


klist = [1, 2, 3, 4]
for i in arange(0,len(klist)):
    k = klist[i]
    f1 = filt_moy(f,k)
    imageplot(clamp(f1), 'Moyenne de ' + str((2*k+1)**2) + ' pixels', [2, 2, i+1])


# Le moyennage des pixels est très efficace pour enlever le bruit dans les
# images, malheureusement il détruit également une grande partie de
# l'information de l'image. on peut en effet s'appercevoir que les images
# obtenues par moyennage sont [floues](http://fr.wikipedia.org/wiki/Flou,_nettet%C3%A9_et_contraste). Ceci est en particulier visible près
# des contours, qui ne sont pas nets.

# ## Enlever le bruit par médiane

# Afin de réduire ce flou, il faut remplacer le moyennage par une opération
# un peu plus complexe, que l'on nomme [mediane](http://fr.wikipedia.org/wiki/M%C3%A9diane).
# 
# 
# Etant donné la valeur $a$ d'un pixel, et les valeurs
# $b,c,d,e,f,g,h,i$, on commence par les classer
# par [croissant](http://fr.wikipedia.org/wiki/Ordre_croissant ordre).
# 
# 
# Dans l'exemple du voisinage de 9 pixels utilisé à la section précédente,
# on obtient les 9 valeurs classées
# $$ 47,54,79,153,166,189,190,192,203. $$
# La médiane des neuf valeurs $a,b,c,d,e,f,g,h,i$
# est la $5^\text{e}$ valeur de ce classement (c'est-à-dire la
# valeur centrale de ce classement).
# 
# 
# Dans notre cas, la médiane est donc 166. Notez que ce nombre est en général
# différent de la moyenne, qui vaut, pour notre exemple 141,4.
# 
# 
# La figure ci-dessous compare le débruitage obtenu en effectuant la
# moyenne et la médiane de 9 pixels voisins.

# In[12]:


def filt_med(f,k):
    n = f.shape[0]
    g = zeros((n,n,(2*k+1)**2))
    s = 0
    for i in arange(-k,k+1):
        for j in arange(-k,k+1):
            g[:,:,s] = roll2d(f,i,j);
            s = s+1
    return median(g,axis=2);
imageplot(clamp(filt_moy(f,1)), 'Moyenne de 9 nombres', [1, 2, 1])
imageplot(clamp(filt_med(f,1)), 'Médiane de 9 nombres', [1, 2, 2])


# Afin d'enlever plus de bruit, il suffit de calculer la médiane sur un
# nombre plus grand de pixels voisins, comme montré à la figure suivante.

# In[13]:


klist = [1, 2, 3, 4]
for i in arange(0,len(klist)):
    k = klist[i]
    f1 = filt_med(f, k)
    imageplot(clamp(f1), 'Médiane de '+ str((2*k + 1)**2) + ' pixels', [2, 2, i+1])


# On constate que cette méthode est plus performante que le calcul de
# moyennes, car les images résultantes sont moins floues. Cependant, tout comme
# avec le calcul de moyennes, si l'on prend des voisinages trop grands, on perd
# aussi de l'information de l'image, en particulier les bords des objets sont dégradés.

# ## Détecter les bords des objets

# Affin de localiser des objets dans les images, il est nécessaire de
# détecter les [bords](http://fr.wikipedia.org/wiki/D%C3%A9tection_de_contours)
# de ces objets. Ces bords correspondent à des
# zones de l'image où les valeurs des pixels changent rapidement. C'est le
# cas par exemple lorsque l'on passe de la coque du bateau (qui est sombre,
# donc avec des valeurs petites) à la mer (qui est claire, donc avec des
# valeurs grandes).
# 
# 
# Afin de quantifier combien un pixel avec une valeur $a$ est un bord,
# on prend en compte les valeurs $b,c,d,e$ de ses quatre voisins (deux
# horizontallement et deux verticalements). Dans le cas considéré
# précédemment, on obtient :
# $$
# \left[
# \begin{array}{ccc}$
#        & c &  \\
#       b & a & d \\
#        & e &
# \end{array}$
# \right]
#   =
# \left[
# \begin{array}{ccc}$
#        & 54 &  \\
#       192 & 190 & 153 \\
#        & 189 &
# \end{array}$
# \right]
# $$
# 
# 
# Notons que l'on utilise ici seulement 4 voisins, ce qui est différent du
# calcul de moyennes et de médianes où l'on utilisait 8 voisins.
# Ceci est important afin de détecter aussi précisément que possible les bords des objets.
# 
# 
# On calcule une valeur $\ell$ suivant la formule
# $$ \ell = \sqrt{ (b-d)^2 + (c-e)^2 }.  $$
# Dans notre exemple, on obtient donc
# $$ \ell= \sqrt{ (192 - 153)^2 + (189 - 54)^2 } = \sqrt{19746} \approx 140,5. $$
# 
# 
# On peut remarquer que si $\ell=0$, alors on a $b=c$
# et $d=e$. Au contraire, si
# $\ell$ est grand, ceci signifie que les pixels voisins ont des valeurs très
# différentes, le pixel considéré est donc probablement sur le bord d'un objet.
# 
# 
# La figure suivante montre l'image obtenue en calculant la valeur $\ell$
# associée à chaque pixel. On a affiché ces valeurs avec du noir quand
# $\ell=0$,  du blanc quand $\ell$ est grand,
# et on a utilisé des niveaux de gris intermédiaire pour les valeurs entre 0 et 1.

# In[14]:


n = 256
name = 'nt_toolbox/data/hibiscus.bmp'
f = load_image(name, n)


# In[15]:


edge = lambda f: sqrt( (roll2d(f,+1,0)-roll2d(f,-1,0))**2 + (roll2d(f,0,+1)-roll2d(f,0,-1))**2 )


# In[16]:


imageplot(f, 'Image', [1, 2, 1])
imageplot(edge(f), 'Carte de $\ell$', [1, 2, 2])


# On peut voir que dans l'image de droite, les contours des objets
# ressortent en blanc, car ils correspondent aux grandes valeurs de $\ell$.

# ## Les images couleurs

# Une [couleur](http://fr.wikipedia.org/wiki/Couleur image)
# est en réalité composée de trois images indépendantes,
# afin de représenter le
# [rouge, le vert, et le bleu](http://fr.wikipedia.org/wiki/Rouge_vert_bleu).
# Chacune de ces trois
# image s'appelle un [canal](http://fr.wikipedia.org/wiki/Codage_informatique_des_couleurs).
# Cette représentation en rouge, vert et bleu mime le fonctionnement du
# système visuel humain.
# 
# 
# La figure suivante montre une image couleur, qui est décomposée en ses
# trois canaux constitutifs.

# In[17]:


name = 'nt_toolbox/data/hibiscus.bmp'
f = load_image(name, n, 0, 1)


# In[18]:


f1 = f.copy(); f1[:,:,[1,2]] = 0;
f2 = f.copy(); f2[:,:,[0,2]] = 0;
f3 = f.copy(); f3[:,:,[0,1]] = 0;


# In[19]:


imageplot(f, 'Image couleur', [2, 2, 1]);
imageplot(f1, 'Canal rouge', [2, 2, 2]);
imageplot(f2, 'Canal vert', [2, 2, 3]);
imageplot(f3, 'Canal bleu', [2, 2, 4]);


# Chaque pixel de l'image couleur contient ainsi trois nombres $ (r,v,b) $,
# chacun étant un nombre entier entre 0 et 255.
# Si le pixel est égal à $(r,v,b)=(255,0,0)$, il ne contient que de l'information
# rouge, et est affiché comme du rouge.
# De fa\c{c}on similaire, les pixels valant $(0,255,0)$ et $(0,0,255)$ sont
# respectivement affichés vert et bleu.
# 
# 
# On peut afficher à l'écran une image couleur à
# partir de ses trois canaux $(r,v,b)$ en utilisant les règles de la
# [additive des couleurs](http://fr.wikipedia.org/wiki/Synth%C3%A8se_additive synthèse).
# La figure suivante montre les règles de composition
# cette synthèse additive des couleurs.
# Par exemple un pixel avec les valeurs
# $(r,v,b)=(255,0,255)$ est un mélange de rouge et de vert, il est donc
# affiché comme du jaune.
# 
# 
# On peut calculer une image en niveau de gris à partir d'une image couleur
# en moyennant les trois cannaux. On calcule donc une valeur
# $$ a = \frac{r+v+b}{3} $$
# qui s'appelle la [luminance](http://fr.wikipedia.org/wiki/Luminance) de la couleur.
# 
# 
# La figure suivante montre le passage d'une image couleur à une image de luminance en
# niveau de gris.

# In[20]:


imageplot(f, 'Couleur', [1, 2, 1])
imageplot(sum(f,axis=2), 'Couleur', [1, 2, 2])


# Une autre représentation courante pour les images couleurs utilise
# comme couleurs de base le cyan, le magenta et le jaune. On calcule
# les trois nombres $(c,m,j)$ correspondant à chacun de ces trois canaux à
# partir des canaux rouge, vert et bleu $(r,v,b)$ comme suit
# $$ c=255-r, \quad m=255-v, \quad j=255-b. $$
# Par exemple, un pixel de bleu pur
# $(r,v,b)=(0,0,255)$ va devenir
# $ (c,m,j)=(255,255,0) $. La figure suivante montre les trois canaux
# $(c,m,j)$ d'une image couleur.

# In[21]:


f1 = f.copy(); f1[:,:,[1,2]] = 0;
f2 = f.copy(); f2[:,:,[0,2]] = 1;
f3 = f.copy(); f3[:,:,[0,1]] = 1;


# In[22]:


imageplot(f, 'Image couleur', [2, 2, 1]);
imageplot(f1, 'Canal cyan', [2, 2, 2]);
imageplot(f2, 'Canal magenta', [2, 2, 3]);
imageplot(f3, 'Canal jaune', [2, 2, 4]);


# Afin d'afficher une image couleur à l'écran à partir des trois canaux
# $(c,m,j)$, on doit utiliser la synthèse soustractive des
# couleurs. La figure suivante montre les règles de composition
# cette synthèse soustractive. Notons que ces règles sont celles que
# l'on utilise en peinture, lorsque l'on mélange des pigments colorés. Le cyan,
# le magenta et le jaune sont appelés couleurs primaires.
# 
# 
# 
# On peut donc stocker sur un disque dur une image couleur en stockant les
# trois canaux, correspondant aux valeurs $(r,g,b)$ ou $(c,m,j)$.
# On peut modifier les images couleur tout comme les images en niveaux de
# gris. La fa\c{c}on la plus simple de procéder consiste à appliquer la modification
# à chacun des canaux.

# ## Changer le contraste d'une image

# Il est possible de faire subir différentes modifications à l'image afin de
# changer son [contraste](http://fr.wikipedia.org/wiki/Contraste).

# In[23]:


name = 'nt_toolbox/data/hibiscus.bmp'
f = load_image(name, n)


# Un exemple simple consiste à remplacer chaque valeur $a$ d'un pixel
# d'une image par $255-a$ ce qui correspond à la couleur opposée. Le blanc
# devient noir et vice-et-versa, ce qui donne un effet similaire à celui
# des [négatifs](http://fr.wikipedia.org/wiki/Film_n%C3%A9gatif)
# [d'appareils photos argentiques](http://fr.wikipedia.org/wiki/Argentique).

# In[24]:


imageplot(-f)


# Sans aller jusqu'à des modifications aussi extrêmes, on peut assombrir une image
# en rempl\c{c}ant la valeur $a$ de chaque pixel par son
# [carré](http://fr.wikipedia.org/wiki/Carr%C3%A9_(alg%C3%A8bre)) $a^2 = a \times a$.
# 
# 
# Ce faisant, les valeurs résultantes ne sont
# plus dans $0,\ldots,255$ mais dans $0,\ldots,255^2=65025$. Afin
# d'afficher l'image à l'écran on va donc utiliser des niveaux de gris
# allant du noir pour 0 au blanc pour 65025.

# In[25]:


imageplot(f**2, 'Carré')


# Afin d'éclaircir l'image, on peut remplacer chaque valeur $a$ par
# sa _racine carrée_ $b = \sqrt{a}$. Cette valeur $b$ est un nombre, qui n'est plus
# nécessairement entier, qui satisfait $b \times b = a$.
# 
# 
# La figure suivante montre l'éclaircissement obtenu.
# Les valeurs de l'image éclaircie sont dant
# $0,\ldots,\sqrt{255} \approx 16$, et on utilise donc des niveaux
# de gris allant du noir (pour 0) au blanc (pour 16).

# In[26]:


imageplot(sqrt(f), 'Remplacement de a par sqrt(a)')


# On pourra noter que l'on a
# $$ \sqrt{a} \times \sqrt{a} = a
# \quad\text{et}\quad \sqrt{a \times a}=a $$
# de sorte que si l'on réalise un éclairsissement suivit d'un
# assombrissement (ou dans le sens inverse) on retrouve l'image d'origine.
# Ces deux opérations sont
# [inverses](http://fr.wikipedia.org/wiki/Inverse) l'une de l'autre.
# 
# 
# On peut également changer le contraste d'une image couleur en changeant sa
# composante de luminance.

# In[27]:


name = 'nt_toolbox/data/hibiscus.bmp'
f = load_image(name, n, 0, 1)


# In[28]:


repeat3 = lambda x,k: resize( repeat( x, k, axis=1), [n, n, k])
m = lambda f: repeat3( mean(f,axis=2), 3)
contrast = lambda f,gamma: clamp(m(f) ** gamma + f-m(f))


# In[29]:


gamma_list = [.5, .75, 1, 1.5, 2, 3]
for i in arange(0,len(gamma_list)):
    gamma = gamma_list[i]
    subplot(2, 3, i+1)
    imageplot(contrast(f, gamma));
    title('$\gamma$ = ' + str(gamma))


# ## Transformations géométriques

# Une image est un tableau de nombres, avec $n$ lignes et $p$
# colonnes. Il est donc facile d'effectuer
# certaines [transformations géométriques](http://fr.wikipedia.org/wiki/Transformation_g%C3%A9om%C3%A9trique)
# sur l'image.
# 
# 
# Les valeurs des pixels qui composent ce tableau (noté $A$) peuvent être
# représentées sous la forme $ A = ( a_{i,j} )_{i,j} $
# ou l'index $i$ décrit l'ensemble des nombres $ \{1,\ldots,n\} $
# (les entiers entre 1 et n) et l'index
# $j$ les nombres $ \{1,\ldots,p\} $.
# One dit que $a_{i,j}$ est la valeur du pixel à la position $(i,j)$.
# 
# 
# Le tableau de pixels ainsi indexé peut se représenter sous la fa\c{c}on
# suivante
# $$
# A =
# \begin{pmatrix}$
# a_{1,1} &           &           &   & a_{1,p}\\
#        &           &  \vdots   &   &  \\
# 	   &           & a_{i-1,j} &   & \\
# \ldots & a_{i,j-1} & a_{i,j}   & a_{i,j+1} & \ldots\\
# 	   &           & a_{i+1,j} &   & \\
#        &           &  \vdots   &   &  \\
# a_{n,1} &           &           &   & a_{n,p}\\
# \end{pmatrix}$
# $$
# ce qui montre que le pixel en haut à gauche de l'image correspond à la
# valeur $a_{1,1}$. Ceci correspond à la représentation de l'image sous
# forme d'une [matrice](http://fr.wikipedia.org/wiki/Matrice_(math%C3%A9matiques)).
# 
# 
# Si l'on échange le rôle des lignes et des colonnes, on définit un autre
# tableau $B$ avec $p$ lignes et $n$ colonnes. La formule qui définit
# le tableau $B = ( b_{j,i} )_{i,j}$ est
# $$ b_{j,i} = a_{i,j}. $$
# Ceci correspond à la [transposition](http://fr.wikipedia.org/wiki/Matrice_transpos%C3%A9e) de la matrice correspondant à l'image.
# 
# 
# Pour une image couleur, on effectue cette modification sur chacune de ses
# trois composantes couleur R, V et B.
# 
# 
# La figure suivante montre l'image correspondant au tableau $A$ et
# l'image correspondant au tableau $B$. On peut constater que la
# modification correspond à faire sur l'image une
# [symétrie](http://fr.wikipedia.org/wiki/Sym%C3%A9trie_(transformation_g%C3%A9om%C3%A9trique)) par rapport à
# la [diagonale](http://fr.wikipedia.org/wiki/Diagonale)
# qui joint le coin haut/gauche au coin bas/droite.

# In[30]:


name = 'nt_toolbox/data/flowers.png'
n = 512
A = load_image(name, n, 0, 1)
B = transpose(A, [1,0,2])
imageplot(A, 'Image A', [1,2,1]);
imageplot(B, 'Image B', [1,2,2]);


# On peut également effectuer une [rotation](http://fr.wikipedia.org/wiki/Rotation)
# d'un quart de tour dans le sens d'une montre à
# l'image. Ceci est effectué en définissant une image $C = (c_{i,j})_{j,i}$ de
# $p$ lignes et $n$
# colonnes dont le tableau
# de nombre est calculé par
# $$ c_{j,i} =  a_{n-i+1,j}.$$

# In[31]:


C = A
C = C[-1:0:-1,:,:]
C = transpose(C, [1,0,2])
imageplot(A, 'Image A', [1,2,1]);
imageplot(C, 'Image C', [1,2,2]);


# ## Fondu entres deux images

# On souhaite effectuer une [transition entre deux images](http://fr.wikipedia.org/wiki/Fondu)
# $A$ et $B$ de même
# taille. On suppose donc que chaque image a le même nombre $n$ de lignes
# et le même nombre $p$ de colonnes.
# 
# 
# La figure ci-dessous montre les deux images entre lesquelles on souhaite
# calculer une transition.

# In[32]:


name1 = 'nt_toolbox/data/flowers.png'
name2 = 'nt_toolbox/data/hibiscus.bmp'
n = 512
A = load_image(name1, n, 0, 1)
B = load_image(name2, n, 0, 1)
imageplot(A, 'Image A', [1,2,1]);
imageplot(B, 'Image B', [1,2,2]);


# One note $A = (a_{i,j})_{i,j}$ les pixels de l'image $A$ et
# $B = (b_{i,j})_{i,j}$ les pixels de l'image $B$.
# 
# 
# Pour une valeur $t$ fixée entre $0$ et $1$, on définit l'image
# $C = (c_{i,j})_{i,j}$ comme
# $$ c_{i,j}  = (1-t) a_{i,j} + t b_{i,j}.$$
# Il s'agit de la formule d'une
# [interpolation linéaire](http://fr.wikipedia.org/wiki/Interpolation_lin%C3%A9aire)
# entre les deux images.
# 
# 
# Si l'image est une image couleur, on applique cette formule à chacun des
# canaux R, V et B.
# 
# 
# On peut constater que pour $t=0$, l'image $C$ est égale à l'image
# $A$. Pour $t=1$, l'image $c$ est égale à l'image
# $B$. Lorsque la valeur $t$ progresse de 0 à 1, on obtient ainsi un
# effet de fondu, puisque l'image, qui au départ est proche de l'image $A$
# ressemble de plus en plus à l'image $B$.
# 
# 
# La figure suivante montre 5 valeurs de $t$ réparties entre 0 et 1.

# In[33]:


p = 6
t = linspace(0, 1, p)
for i in arange(0,p):
    imageplot(t[i]*A + (1-t[i])*B, 't = ' + str(t[i]), [2, p/2, i+1])


# ## Conclusion

# Cet article n'a fait qu'effleurer l'immense liste des traitements que l'on
# peut faire subir à une image. Le traitement mathématique des images est un domaine
# très actif, où les avancées théoriques se concrétisent sous la forme d'algorithmes
# rapides de calcul qui ont des applications importantes pour la manipulation des contenus
# numériques.
# 
# 
# Les personnes intéressées pourront consulter le site web
# [A Numerical Tour of Signal Processing](http://www.numerical-tours.com/)
# pour de nombreux exemples de traitements d'images. On y
# trouve également des liens vers d'autres ressources disponibles en ligne.

# ## Glossaire

# - *Aléatoire* : valeur imprévisible souvent due au hazard, comme par exemple le bruit qui perturbe les images de mauvaises qualités.
# 
# - *Bit* : unité élementaire de stockage de l'information sous forme de 0 et de 1 dans un ordinateur.
# 
# - *Canal* : une des trois images élémentaires qui composent une image couleur.
# 
# - *Bords* : zone d'une image où les valeurs des pixels varient beaucoup, qui correspond aux contours des objets qui forment l'image.
# 
# - *Bruit* : petites perturbations qui dégradent la qualité d'une image.
# 
# - *Carré* : le carré $b$ d'une valeur $a$ est $a \times a$. Il est noté $a^2$.
# 
# - *Contraste* : quantité informelle qui indique la différence entre les zones claires et les zones sombres d'une image.
# 
# - *Compression d'image* : méthode permettant de réduire la place mémoire nécessaire au stockage sur le disque dur d'une image.
# 
# - *Ecriture binaire* : écriture de valeurs numériques à l'aide uniquement de 0 et de 1.
# 
# - *Flou* : dégradation d'une image qui rend les contours des objets peu net, et donc difficile à localiser précisément.
# 
# - *Fondu* : interpolation linéaire entre deux images.
# 
# - *Image couleur* : ensemble de trois images en niveau de gris, qui peut être affiché à l'écran en couleur.
# 
# - *Image numérique* : tableau de valeurs que l'on peut afficher à l'écran en assignant un niveau de gris à chaque valeur.
# 
# - *Inverse* : opération ramenant une image dans son état d'origine.
# 
# - *JPEG-2000* : méthode récente de compression d'images qui utilise une transformation en ondelettes.
# 
# - *Luminance* : moyenne des différents canaux d'une image, qui indique la puissance lumineuse du pixel.
# 
# - *Matrice* : tableau de valeurs, représenté sous la forme $(a_{i,j})_{i,j}$.
# 
# - *Médiane* : valeur centrale lorsque l'on classe par ordre croissant un ensemble de valeurs.
# 
# - *Moyenne* : la moyenne d'un ensemble de valeurs est leur somme divisée par leur nombre.
# 
# - *Niveaux de gris* : nuances de gris utilisées pour afficher à l'écran une image numérique.
# 
# - *Nombres entiers* : nombres 0, 1, 2, 3, 4 ...
# 
# - *Octet* : ensemble de huit bits consécutifs.
# 
# - *Ondelettes* : transformation de l'image qui est utilisée par la méthode JPEG-2000 de compression d'images.
# 
# - *Ordre croissant* : classement d'un ensemble de valeurs de la plus petite à la plus grande.
# 
# - *Pixel* : une case dans un tableau de valeurs correspondant à une image numérique.
# 
# - *Quantification* : procédé consistant à réduire l'ensemble des valeurs possibles d'une image numérique.
# 
# - *Racine carrée* : la racine carrée $b$ d'une valeur positive $a$ est la valeur positive $b$ vérifiant $a=b \times b$. On la note $\sqrt{a}$.
# 
# - *Résolution* : taille d'une image (nombre de pixels).
# 
# - *Sous-exposée* : photographie d'une scène trop sombre pour laquelle l'objectif photographique n'est pas resté assez longtemps ouvert.
# 
# - *Synthèse additive* : règle permettant de construire une couleur quelconque à partir des trois couleurs rouge, vert et bleu. C'est la règle qui régit le mélange des couleurs de faisceaux lumineux utilisés pour l'éclairage d'un mur blanc.
# 
# - *Synthèse soustractive* : règle permettant de construire une couleur quelconque à partir des trois couleurs cyan, magenta et jaune. C'est la règle qui régit le mélange des couleurs en peinture.

# In[33]: