Le but du filtrage d'image est d'améliorer leur aspect, en rendant plus visibles les structures d'intérêt, tout en réduisant l'influence des informations parasites (bruit de l'image). On utilise pour cela différents filtres, ou opérateurs, qui vont transformer l'image de départ en une image filtrée, plus facile à analyser.

4.1 Les différents types de filtres

On peut classer les filtres en fonction de la quantité d'information nécessaire pour calculer la valeur d'un pixel de l'image résultat. Certains filtres appliquent simplement une fonction de conversion à la valeur de chaque pixel. C'est le cas des filtres qui modifient l'histogramme, ou des filtres de binarisation.

D'autres filtres opèrent sur un voisinage local de chaque pixel. Pour chaque pixel, le résultat du filtre ne dépendra que des valeurs des pixels voisins. Par exemple, une opération courante consiste à remplacer la valeur de chaque pixel par la valeur moyenne de ses voisins, ce qui a pour effet de réduire le bruit dans l'image. Une autre possibilité consiste à calculer la différence entre les valeurs des pixels du centre et de la périphérie du voisinage. L'effet sera alors de mettre en évidence les contours dans l'image.

Le résultat du filtrage dépendra en grande partie de la taille du voisinage : plus le voisinage est grand, et plus le résultat sera différent de l'image de départ. Il est aussi possible d'utiliser des formes de voisinage différentes. Les plus classiques sont les voisinages carrés de taille 3x3, 5x5... On peut préférer des voisinages en forme de disque, qui traitent toutes les directions de manière identique, au contraire des formes carrées. À l'inverse, on peut utiliser des voisinages en forme de segment de droite, pour détecter ou supprimer des formes fines.Enfin, d'autres filtres ont besoin de la totalité de l'image pour calculer le résultat en un point. C'est le cas des filtres de reconstruction morphologique, de seuillage par hystérésis, ou de la ligne de partage des eaux.

4.2 Tables de correspondances (LUT)

On peut modifier une image en calculant pour chaque pixel une nouvelle valeur I'(u,v) qui ne dépend que de la valeur de départ

Le nombre de valeurs de départ étant fixe (256 pour les images courantes), on peut pré-calculer les valeurs finales et stocker le résultat dans un tableau, appelé table de correspondance, ou look-up table (LUT).

Figure 4.1 : Application de deux tables de correspondances (LUT) sur l'image de départ : une inversion, et une re-quantification sur 8 niveaux de gris.

La figure 4.1 montre deux LUT, et le résultat de leur application sur l'image de départ.