{
 "cells": [
  {
   "cell_type": "markdown",
   "id": "3960a901",
   "metadata": {},
   "source": [
    "# Centre Universitaire de Mila"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "c4568d4a",
   "metadata": {},
   "source": [
    "# Master 1 (STIC & I2A), Matière: Traitement d'images"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "a8bedc4a",
   "metadata": {},
   "source": [
    "# Travaux pratiques N°3"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "c91f3f10",
   "metadata": {},
   "source": [
    "## 3.1 Objectifs"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "c6a3a70a",
   "metadata": {},
   "source": [
    "* Implanter le filtrage d’image pour la réduction de bruit.\n",
    "* Amélioration du contraste et détection de contours."
   ]
  },
  {
   "cell_type": "markdown",
   "id": "f57e8c63",
   "metadata": {},
   "source": [
    "## 3.2 Enoncé"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "751221fd",
   "metadata": {},
   "source": [
    "Dans ce projet, vous devez implémenter trois opérations d'amélioration de la qualité d'une image et une opération de détection de contours (les images de test vous seront fournies):"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "dd0f7ae7",
   "metadata": {},
   "source": [
    "### 1) Implanter le filtrage moyen, Gaussien et médian"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "5ff21564",
   "metadata": {},
   "source": [
    "  Ici vous devez implanter une fonction de réduction de bruit 'bruit\\_reduction' qui aura trois paramètres d'entrée: l'image bruitée, la taille du filtre et le genre de filtre (ex. 0 pour le filtre moyen, 1 pour le filtre Gaussien et 2 pour le filtre médian). La fonction doit retourner l'image filtrée comme paramètre de sortie."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "c5f70461",
   "metadata": {},
   "outputs": [],
   "source": [
    "import numpy as np\n",
    "import cv2 as cv\n",
    "from PIL import Image, ImageFilter\n",
    "from scipy.signal import convolve2d\n",
    "from matplotlib import pyplot as plt"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "506de1d5",
   "metadata": {},
   "outputs": [],
   "source": [
    "def bruit_reduction(nom_du_fichier, taille_du_filtre, genre_de_filtre):\n",
    "    # Valider les paramètres.\n",
    "    if ( taille_du_filtre<3 or taille_du_filtre%2==0 ):\n",
    "        print('la taille du filtre doit être un nombre non-pair plus grand ou égal que 3')\n",
    "        return\n",
    "    \n",
    "    # Lire le fichier\n",
    "    img_source = ...\n",
    "    \n",
    "    # Traiter le filtre\n",
    "    sgdf = ''\n",
    "    if genre_de_filtre == 0:\n",
    "        sgdf = 'filtre moyen'\n",
    "    elif genre_de_filtre == 1:\n",
    "        sgdf = 'filtre gaussien' \n",
    "    elif genre_de_filtre == 2:\n",
    "        sgdf = 'filtre median'\n",
    "    else:\n",
    "        print('Genre de filtre incorrect, doit être 0-moyen, 1-gaussien, 2-median')\n",
    "    \n",
    "    print('Paramètres OK, on utilise un ', sgdf,' de ',taille_du_filtre,'x',taille_du_filtre)   \n",
    "    \n",
    "    # Traiter le filtre\n",
    "    sgdf = ''\n",
    "    if genre_de_filtre == 0:\n",
    "        mon_filtre = ...\n",
    "        nouvelle_image = ...\n",
    "    elif genre_de_filtre == 1:  \n",
    "        mon_filtre = ...\n",
    "        nouvelle_image = ...\n",
    "    elif genre_de_filtre == 2:\n",
    "        nouvelle_image = ...\n",
    "    else:      \n",
    "        return\n",
    "    \n",
    "    # Affichage des résultats\n",
    "    plt.figure(figsize=(12, 8))\n",
    "    plt.subplot(121)\n",
    "    plt.imshow(img_source, cmap='gray')\n",
    "    plt.title('Image Source')\n",
    "    plt.subplot(122)\n",
    "    plt.imshow(nouvelle_image, cmap='gray')\n",
    "    plt.title(sgdf)\n",
    "    plt.show()\n",
    "    \n",
    "    return"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "4b5be798",
   "metadata": {},
   "outputs": [],
   "source": [
    "# Initialiser le nom du fichier de l'image.\n",
    "nom_du_fichier = 'img/ckt_board_saltpep_prob_pt05.tif'\n",
    "  \n",
    "# Calculer l'image filtrée.\n",
    "bruit_reduction(..., ...., ....)\n"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "0f9b8669",
   "metadata": {},
   "source": [
    "### 2) Amélioration du contraste d'une image"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "e56b3749",
   "metadata": {},
   "source": [
    "Ici vous devez implanter l'opération d'amélioration de contraste en utilisant le Laplacien:"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "aef2d7eb",
   "metadata": {},
   "source": [
    "$$  g(x,y) = f(x,y) + c \\| \\nabla^2 f \\| $$"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "4fca84f3",
   "metadata": {},
   "source": [
    "Il faut implanter une fonction 'ameliorer\\_constraste' qui a en paramètre d'entrée: l'image à améliorer et le paramètre $c$, et en paramètre de sortie: l'image résultat."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "e6f921c6",
   "metadata": {},
   "outputs": [],
   "source": [
    "# Lire l'image f.\n",
    "img_source = ....\n",
    "\n",
    "# Génération du filtre Laplacien.\n",
    "w = ....\n",
    "\n",
    "# Application du filtre sur l'image d'entrée img_source\n",
    "img_resultat_temp = ....\n",
    "\n",
    "# Appliquer l'amélioration du contraste en utilisant le Laplacien:\n",
    "c = ....\n",
    "img_resultat = ....\n",
    "\n",
    "# Affichage des résultats\n",
    "plt.figure(figsize=(12, 8))\n",
    "plt.subplot(131)\n",
    "plt.imshow(img_source, cmap='gray')\n",
    "plt.title('Image Source')\n",
    "plt.subplot(132)\n",
    "plt.imshow(img_resultat_temp, cmap='gray')\n",
    "plt.title('Résultat de convolution')\n",
    "plt.subplot(133)\n",
    "plt.imshow(img_resultat, cmap='gray')\n",
    "plt.title('Image améliorée')\n",
    "plt.show()"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "acffe0b3",
   "metadata": {},
   "source": [
    "### 3) Détection de contours"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "15319988",
   "metadata": {},
   "source": [
    "Ici vous devez implanter une fonction 'contours\\_detection' qui prend comme paramètres d'entrée une image et une valeur de seuil, et en paramètre de sortie la carte des contours avec l'algorithme de Canny."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "2be996cd",
   "metadata": {},
   "outputs": [],
   "source": [
    "def canny_edges_detection(original_imgage, T1, T2):\n",
    "    ...\n",
    "    ...\n",
    "    ...\n",
    "    return contours"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "f1ce29ec",
   "metadata": {},
   "outputs": [],
   "source": [
    "# Lire l'image f.\n",
    "img_source = ...\n",
    "\n",
    "# Application de la détection de contours avec la méthode Canny.\n",
    "contours = canny_edges_detection(...., ...., ...)\n",
    "\n",
    "# Affichage des résultats\n",
    "plt.figure(figsize=(12, 8))\n",
    "plt.subplot(121)\n",
    "plt.imshow(img_source, cmap='gray')\n",
    "plt.title('Image Source')\n",
    "plt.subplot(122)\n",
    "plt.imshow(contours, cmap='gray')\n",
    "plt.title(\"Résultat de l'algorithme de Canny\")\n",
    "plt.show()"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "7e650433",
   "metadata": {},
   "source": [
    "### Astuces avec Python:\n",
    "Vous pouvez utiliser les fonctions ImageFilter de la librairie PIL et la fonction convolve2d de la library scipy.signal."
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3 (ipykernel)",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.7.13"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 5
}