Prétraitement des images de diatomées 

Les prélèvements des diatomées de notre base de données ont été réalisés dans 126 stations du réseau des rivières sous surveillance du ministère du Développement durable, de l’Environnement et des Parcs du Québec, par l’équipe du professeur s. Campeau [22]. Chaque échantillon a été analysé et les diatomées répertoriées. Chaque spécimen d’un inventaire des espèces présentes a été photographié et stocké dans une base de données. Puisque ces images sont saisies à l’aide d’un binoculaire et baignant dans une eau de rivières, il est nécessaire d’isoler, dans l’image, chaque diatomée de son fond bruité, parsemé de débris de végétaux et autres artéfacts. Guo et al. [22] ont isolé manuellement (efface électronique) chaque diatomée de la base de données .

Le prétraitement d’une image correspond à toutes les transformations appliquées aux images de notre base de données afin de supprimer le bruit dans celles-ci et de corriger le contraste. Les opérateurs de prétraitement appliqués sont, dans l’ordre:
• Le lissage de l’image;
• La binarisation d’image;
• La rotation d’une image de diatomée autour de son axe principal.

Lissage d’une image 

Le prétraitement d’images vise la réduction du bruit parasite d’une image acquise par une caméra ou tout autre système d’acquisition et aussi l’amélioration du contraste. L’image peut être corrompue par des variations dues à l’éclairage ou à la présence d’artéfacts indésirables. Le lissage est une opération de traitement d’image importante car elle permettra idéalement de préciser les contours des structures étudiées [42].

Filtrer une image signifie convoi uer la fonction impulsionnelle du filtre f(x , y ) avec la fonction d’intensité I(x,y) [42] . Cette convolution consiste à remplacer chaque niveau de gris I(x,y)par une combinaison linéaire des niveaux de gris des points voisins dont les coefficients de la combinaison sont définis par la réponse impulsionnelle du filtre f (x,y)  . l'(x,y) = [(x,y) * l(x,y). (3.1)

Le filtre médian 

Le filtrage médian réalise un lissage plus performant surtout dans différents modèles de bruits.

Chaque pixel est traité en considérant ses voisins dans une fenêtre de taille donnée. Le pixel traité est remplacé par la valeur médiane des pixels de la fenêtre [43]. La fenêtre peut être carrée n x n, une croix n x n, une ligne ou une colonne. Les effets de ce filtre changent en fonction de la taille de la fenêtre.

Le filtre médian offre deux avantages:
• Le filtrage médian ne change pas les bords des contours.
• Étant donné que la valeur médiane doit être la valeur de l’un des pixels du voisinage, le filtre médian ne crée pas de nouvelles valeurs de pixel aberrantes comme le filtre moyen, qui calcule la moyenne des pixels aux voisins pour nous donner une nouvelle valeur.

Le filtre moyen 

Le filtre moyen est la méthode la plus utilisée pour réduire le bruit dans une image. Chaque pixel est traité en considérant ses voisins sur un voisinage donné. Le pixel traité et ses voisins forment un ensemble dont on calcule la valeur moyenne, le pixel sera donc remplacé par celle-ci [43]. Le filtre moyen se base autour d’un noyau qui représente la forme et la taille du voisinage à échantillonner lors du calcul de la moyenne. Généralement, un noyau carré de 3 x 3 est utilisé, cependant l’utilisateur peut choisir une autre taille.

Les deux principaux problèmes du filtrage moyen sont:
• Un seul pixel avec une valeur aberrante peut affecter la valeur moyenne de tous les pixels de son voisinage.
• Lorsque le voisinage du filtre chevauche un bord du contour, le filtre interpole de nouvelles valeurs pour les pixels sur le bord et va donc flouter ce bord.

Comme on peut le constater sur les deux images ci-dessus les deux filtres n’ont qu’une faible répercussion sur la qualité de l’image, ce qui rend ces filtres inadaptés dans le cas du lissage de l’image d’une diatomée. La diminution du bruit n’étant presque pas visible à l’œil nu. On constate donc que ces deux filtres ne sont pas appropriés dans le cadre de notre recherche.

Binarisation d’image 

Dans l’analyse d’images, la binarisation est souvent une des premières étapes utilisées avant l’étape de la reconnaissance. Elle a donc une grande influence sur la performance des étapes suivantes et sur le résultat final [21]. C’est une technique importante dans les applications de traitement d’images. La binarisation d’une image est un processus de transformation d’une image en niveaux de gris en une image en noir et blanc. Dans une image en niveau de gris, un pixel peut prendre 256 valeurs d’intensité différentes tandis que dans une image binaire chaque pixel est soit noir ou blanc [21]. Cette conversion est effectuée en établissant, idéalement de façon automatique, la valeur d’un seuil pour départager les pixels d’une image en deux classes. Si le seuil est établi trop bas, l’image binaire résultante sera principalement composée de pixels blancs et inversement, si le seuil est trop haut, l’image résultante mettra en évidence un grand nombre de pixels noirs, éventuellement indésirables [21]. Plusieurs algorithmes ont été étudiés et testés dans le cadre de notre travail, nous avons retenu l’algorithme d’OTSU qui offrait le meilleur résultat.