comment récuperer des images ratées

[Jean Marie Cavanihac]

L’un de mes sujets favoris est l’observation du plancton – vivant- ce qui créé des contraintes particulières pour l’obtention de bonnes images : les sujets bougent et il faut les suivre en jouant sur la platine XY, faire la mise au point , ouvrir ou fermer le condenseur, prendre la photo… Je pense que le meilleur opérateur serait ...une pieuvre avec ses 8 bras !

Cela explique que certaines images ne sont pas de bonne qualité : par exemple trop sombres, ou avec dominante couleur car l’appareil photo n’a pas eu le temps de faire la balance des blancs etc ...mais on veut conserver ces images d’un spécimen rare .

On va voir que l’on peut atténuer quelques défauts en utilisant des fonctions logicielles qui n’ajoutent pas de pixels à l’image d’origine. En effet certaines fonctions ré échantillonnent l’image en créant de nouveaux pixels. Un bon conseil est de toujours garder l’image originelle et de faire les traitements sur une copie.

Nous allons commencer par une fonction très pratique et rapide : l’étirement de l’histogramme en un clic. L’histogramme est un outil statistique montrant la répartition d’une population.

Mais d’abord un petit exemple pour illustrer ce qu’est un histogramme : prenons le cas de l’age de spectateurs lors d’une séance de cirque en famille : on regarde l’age de chaque spectateur et on lui affecte une colonne dans le graphe ci dessus . Si 8 spectateurs ont le même age par exemple 26 ans , la colonne aura une hauteur de 8 éléments. Sur le graphe on voit 3 pics : le premier à gauche correspond aux ages des enfants de 2 à 13 ans, celui du milieu à l’age des parents et celui de droite à l’age des grands parents accompagnant : en horizontal les classes d’age et en vertical le nombre de présents dans chaque classe

Transposons cette représentation pour les niveaux d’éclairement d’une image : on a l’image d’une échelle de gris et à droite l’histogramme correspondant aux valeurs d’éclairement. Dans l’échelle deux plages (marquées) ont la même intensité de gris ce qui produit une barre deux fois plus haute dans l’histogramme au niveau correspondant :

Voyons ce que cela donne en pratique sur une image qui ne comporte que 2 plages : une très sombre et l’autre un peu plus claire: (cas d’une photo qui manque de lumière). L’histogramme montre 2 barres situées plutôt aux niveaux sombres. En appliquant la fonction « histogramme stretch » le résultat à droite montre une image plus équilibrée en luminosité et on voit que l’histogramme occupe à présent toute la dynamique des niveaux du sombre au clair.

On voit aussi que les « barres » sont plus épaisses et l’explication se voit dans l’image améliorée : le blanc n’est pas uniforme (le noir aussi mais cela se voit moins)  à cause du bruit contenu dans l’image.

Il s'agit du bruit électronique du capteur CCD ou Cmos, bruit qui a un niveau constant mais lorsque le signal utile (la lumière) diminue, le capteur compense en augmentant son amplification (Gain) et augmente aussi la contribution du bruit : le rapport signal/bruit (S/N ratio) se dégrade. Ce bruit est dû à la nature quantique des électrons qui se déplacent par paquets, et leur agitation augmente avec la température ce qui augmente aussi le bruit Les caméras à haute sensibilité utilisées en astronomie sont refroidies par effet Peltier

Premier essai d’un étirement d’histogramme sur cette image de micro méduse qui manque de lumière : en un clic l’image est meilleure. Au dessous les histogrammes de luminance des deux images : sur celui de droite on voit qu’il occupe la totalité des niveaux du plus foncé au plus clair

Pour les images en couleurs on aura 3 pics dans l’histogramme correspondant aux 3 couleurs utilisées par les filtres de la matrice du capteur . Les traitements qui suivent sont faits avec PaintShopPro 5 mais existent dans Photoshop et autres logiciels…

Exemple avec une image colorée : voici un spécimen de copépode du genre pontellina vivant : c‘ est un sujet rare car pas d’images sur le Web ! L’éclairage a été diminué pour ne pas l’exciter et on voit une dominante rouge . On va faire coïncider les pics rouge et bleu avec le pic vert qui est le mieux centré sur l’histogramme

En utilisant les curseurs du menu RGB adjust :

en superposant les 3 pics, la couleur du fond se rapproche du blanc : plus les pics vont vers la droite de l’histogramme plus l’image sera claire . On améliore encore en appliquant l’étirement d’histogramme qui déplace les trois pics vers la droite

Si le contraste est faible la fonction « gamma correct » améliore sensiblement le résultat

Autre exemple avec une larve d’ echinocardium cordatum (oursin coeur) se métamorphosant en adulte La dominante verte vient du capteur qui n’a pas eu le temps de faire la balance des blancs

On remarque que sur l’image de droite les taches dans le fond ont disparu ! Cela n’a rien à voir avec l’histogramme mais avec une fonction (cercle vert) de la visionneuse d’image de Windows 10 illustrée ci dessous : on déplace le pinceau (= le cercle centré sur le défaut) et le logiciel remplace la tache par la moyenne des pixels environnants

Autre logiciel En utilisant l’application de windows 10 « Image Composite Editor » qui réalise des panoramas , on va traiter ces 2 images partielles  d’un cladocère simocephalus :

on obtient cette image « stitched » qui a été corrigée avec les fonctions décrites plus haut : RGB/histogram stretch/ gamma correct : le but était d’obtenir plus de détails en utilisant un plus fort objectif mais alors le sujet dépassait du champ et on est obligé de combiner 2 images Attention ce logiciel ajoute des pixels

Autre exemple un peu plus complexe  avec ce tanaïdae : 5 photos élémentaires  au 2 X:

Résultat avec ICE mais sans optimisation du fond :

Voilà donc quelques techniques de « sauvetage » d’images mais bien sûr cela ne dispense pas de s’appliquer à faire les meilleures images lors de la prise de vue. Les traitements d’images ne peuvent PAS apporter de l’information là où elle est absente.

N’ oubliez pas les limites des logiciels  : Garbage in, garbage out !