Aller au contenu

Rechercher sur le site

Échap pour fermer · Ctrl K ou ⌘ K pour ouvrir la recherche

CoursLa photographie numériqueÉtape 1 sur 2

La photographie numérique — l'essentiel

Capacités du programme abordées par cette ressource (4)

Ces capacités sont abordées par cette ressource. Cela ne signifie pas qu'elles sont entièrement couvertes : la couverture du programme relève d'une appréciation pédagogique.

  • Capacité 1Photosites, pixels, résolution (du capteur, de l'image), profondeur de couleurDistinguer les photosites du capteur et les pixels de l'image en comparant les résolutions du capteur et de l'image selon les réglages de l'appareil.
  • Capacité 2Métadonnées EXIFRetrouver les métadonnées d'une photographie.
  • Capacité 3Traitement d'imageTraiter par programme une image pour la transformer en agissant sur les trois composantes de ses pixels.
  • Capacité 4Rôle des algorithmes dans les appareils photo numériquesExpliciter des algorithmes associés à la prise de vue. Identifier les étapes de la construction de l'image finale.

Photosites et pixels : à ne pas confondre

C’est la distinction explicitement demandée par le programme, et elle est souvent mal posée.

  • Un photosite est un élément physique du capteur. Il mesure une quantité de lumière. Chaque photosite est surmonté d’un filtre coloré — rouge, vert ou bleu — selon la matrice de Bayer. Un photosite ne mesure donc qu’une seule composante de couleur.
  • Un pixel est un élément de l’image produite. Il porte les trois composantes R, V et B.

Un pixel n’est donc pas « un photosite ». Les trois composantes d’un pixel sont reconstituées par calcul, à partir du photosite correspondant et de ses voisins : c’est le dématriçage (demosaicing).

RVVBphotositesdématriçageRVBun pixelchaque photosite ne mesure qu'une couleurle calcul en déduit les trois valeurs d'un pixel
Plusieurs photosites, chacun sensible à une seule couleur, donnent un pixel à trois valeurs.Schéma original — SNT, LFI Pékin, CC BY-SA 4.0

La résolution du capteur et celle de l’image ne coïncident d’ailleurs pas nécessairement : selon les réglages de l’appareil (format, recadrage, ratio), une image peut compter moins de pixels que le capteur n’a de photosites. Comparer les deux résolutions est justement la capacité attendue.

Comparer concrètement les deux résolutions

La capacité attendue demande de comparer la résolution du capteur et celle de l’image selon les réglages. Voici comment le faire sur un cas concret.

Soit un appareil dont le capteur compte 6000 × 4000 photosites, soit 24 millions de photosites (« 24 Mpx » sur la fiche technique).

Réglage de l’appareil Résolution de l’image Pixels de l’image
Qualité maximale, ratio 3:2 6000 × 4000 24 000 000
Qualité moyenne 3936 × 2624 ≈ 10 300 000
Ratio 16:9 (recadrage) 6000 × 3368 ≈ 20 200 000
Ratio 1:1 (carré) 4000 × 4000 16 000 000

Trois observations qui répondent directement à la capacité :

  1. Le nombre de photosites est fixe : il est déterminé par le matériel et ne change jamais. Le nombre de pixels de l’image varie avec les réglages.
  2. Même à la qualité maximale, chaque pixel n’est pas « son » photosite : ses trois composantes sont calculées à partir des photosites voisins.
  3. Changer le ratio ne « fait pas grossir » le capteur : l’appareil écarte des rangées de photosites. L’image perd des pixels, le capteur n’en perd pas.

À faire : relevez sur un appareil (ou sa fiche technique) le nombre annoncé de mégapixels, puis les dimensions en pixels d’une photo réellement prise. Les deux coïncident-ils ? Sinon, quel réglage l’explique ?

Un algorithme de prise de vue : la mise au point automatique

Le programme demande d’expliciter un algorithme associé à la prise de vue. Voici celui de l’autofocus par détection de contraste, décrit pas à pas.

L’idée : une zone nette présente de forts écarts de luminosité entre pixels voisins ; une zone floue présente des transitions douces. L’appareil cherche donc la position de l’objectif qui maximise le contraste.

Hypothèses du modèle

Avant d’écrire quoi que ce soit, il faut poser le cadre — c’est ce qui manque le plus souvent aux « algorithmes » décrits à la va-vite.

  • L’objectif se déplace par pas discrets, entre deux butées. L’ensemble des positions possibles, de 1 à N, est le domaine de recherche : il est borné, on ne peut pas sortir.
  • On suppose le contraste strictement croissant jusqu’à un maximum, puis strictement décroissant : deux positions voisines ne donnent jamais la même mesure. C’est cette hypothèse — un profil unimodal sans palier — et elle seule qui garantit le résultat. C’est une simplification : une scène réelle peut présenter plusieurs maximums locaux, ou des paliers de contraste égal, et l’algorithme n’est alors plus garanti.

Variables

pos        position courante de l'objectif
sens       +1 (vers N) ou -1 (vers 1)
C          contraste mesuré à la position précédente
best_pos   meilleure position rencontrée
best_C     contraste à cette meilleure position
inversions nombre de demi-tours effectués
variation  vrai dès qu'une mesure diffère de la précédente

L’algorithme

 1. mesurer C à la position pos
 2. best_pos <- pos ; best_C <- C ; inversions <- 0 ; variation <- faux
 3. tant que inversions < 2 :
 4.     si pos + sens sort du domaine [1, N] :
 5.         sens <- -sens ; inversions <- inversions + 1
 6.         revenir à l'étape 3
 7.     pos <- pos + sens
 8.     mesurer C' à la nouvelle position
 9.     si C' > best_C :
10.         best_pos <- pos ; best_C <- C'
11.     si C' ≠ C :
12.         variation <- vrai
13.     si C' <= C :
14.         sens <- -sens ; inversions <- inversions + 1
15.     C <- C'
16. ramener l'objectif à best_pos
17. si variation est faux :
18.     signaler que la mise au point a échoué

Pourquoi c’est écrit ainsi

Quatre détails font toute la différence, et ce sont eux qu’il faut comprendre.

  • On compare à la mesure précédente (étape 13), pas au meilleur contraste. C’est le point le plus délicat. Comparer au meilleur ferait demi-tour dès qu’on repasse sur une position déjà visitée — y compris à égalité — et la recherche s’arrêterait avant d’avoir atteint le maximum.
  • La meilleure position est suivie séparément (étapes 9-10) et restituée à l’étape 16. Quand la boucle s’arrête, l’objectif est au-delà du maximum, pas dessus : sans cette mémoire, on rendrait une position floue.
  • Le domaine est testé avant de bouger (étape 4). Sans ce test, l’objectif sortirait de ses butées quand le maximum est en bordure.
  • L’échec se juge à l’absence de variation (étapes 11-12 et 17), pas à l’absence d’amélioration. Si l’objectif est déjà posé sur le maximum au départ, aucune mesure ne fera mieux que la première : conclure à l’échec dans ce cas reviendrait à rejeter une mise au point pourtant correcte, et c’est exactement ce qui se produit si l’on compare best_C au contraste de départ. Ce qui caractérise un mur blanc, ce n’est pas qu’on n’y progresse pas, c’est qu’aucune mesure n’y diffère de la précédente.

Deux inversions suffisent sous l’hypothèse d’unimodalité stricte posée plus haut : une pour se retourner si l’on est parti du mauvais côté, une pour constater qu’on a dépassé le sommet. Elles n’encadrent pas le maximum dans le cas général — si le contraste présente plusieurs bosses, l’algorithme peut s’arrêter sur un maximum local.

Sur un sujet uniforme, tous les contrastes sont égaux : l’étape 13 est vraie à chaque pas, deux inversions surviennent immédiatement, variation reste faux et l’étape 17 signale l’échec. C’est le comportement attendu — un appareil ne peut pas faire le point sur un mur blanc. À l’inverse, une recherche qui démarre déjà sur le maximum observe bien une variation en s’en éloignant : elle revient à best_pos et réussit, sans avoir rien amélioré.

Mais un palier, même court, suffit à sortir de la garantie, et pas seulement un sujet entièrement uniforme. Sur les mesures 30, 30, 31, 30, en partant de la position 1 vers la droite : la deuxième mesure vaut 30, l’étape 13 est vraie dès ce premier pas, l’objectif fait demi-tour sans avoir jamais vu le 31, et l’étape 17 signale un échec alors que la position 3 était la bonne. Ce n’est pas un défaut caché de l’algorithme : c’est la conséquence exacte de l’hypothèse posée au début. Deux mesures égales l’arrêtent.

À faire : déroulez cet algorithme à la main sur cette suite de mesures, une première fois en partant de la position 3 vers la droite, une seconde fois depuis la même position vers la gauche. Les deux parcours donnent-ils la même position finale ? Détaillez les valeurs successives de pos, C, best_pos et inversions.

Position 1 2 3 4 5 6
Contraste mesuré 12 28 45 61 40 22

Portée et source. Ceci est un modèle pédagogique de l’autofocus par détection de contraste, destiné à être déroulé à la main. Ce n’est pas l’algorithme d’un appareil réel : les boîtiers actuels combinent détection de phase et détection de contraste, prédisent le sens du déplacement au lieu de le chercher, et gèrent des scènes à plusieurs plans. Le principe général (recherche d’un maximum de contraste par pas successifs) relève de connaissances techniques générales ; aucun support de cours existant ne traite ce sujet. La formulation, le niveau d’exigence et l’opportunité de cet exercice restent à valider par l’enseignant.

De la lumière à l’image : les étapes

  1. Exposition : la lumière traverse l’objectif et atteint le capteur.
  2. Mesure : chaque photosite accumule une charge proportionnelle à la lumière reçue à travers son filtre.
  3. Numérisation : la charge devient une valeur numérique. Le nombre de valeurs possibles par composante est la profondeur de couleur (8 bits par composante donnent 256 niveaux, soit environ 16,7 millions de couleurs pour les trois).
  4. Dématriçage : reconstitution des trois composantes de chaque pixel.
  5. Traitements : balance des blancs, réduction de bruit, netteté, contraste.
  6. Enregistrement : compression et écriture du fichier, avec ses métadonnées.
lumièreobjectif et diaphragmecapteur : photositestraitement : dématriçagefichier image + EXIFoptiqueélectroniqueinformatique
De la lumière au fichier : l'optique, le capteur, puis le traitement.Schéma original — SNT, LFI Pékin, CC BY-SA 4.0

Beaucoup de ce qu’on attribue à « la qualité de l’appareil » relève en réalité de ces algorithmes : détection de visages, autofocus, assemblage de plusieurs prises de vue en une seule image.

Les métadonnées EXIF

Un fichier photo contient l’image et des métadonnées EXIF : date et heure, modèle d’appareil, temps de pose, ouverture, sensibilité, parfois les coordonnées de prise de vue.

Elles sont invisibles à l’écran mais bien présentes dans le fichier — ce qui pose une vraie question de confidentialité lorsqu’on publie une photo.

Traiter une image par programme

Une image est un tableau de pixels, chaque pixel étant un triplet (R, V, B) dont chaque composante vaut de 0 à 255.

from PIL import Image

img = Image.open("photo.jpg")
largeur, hauteur = img.size

for x in range(largeur):
    for y in range(hauteur):
        r, v, b = img.getpixel((x, y))
        img.putpixel((x, y), (v, r, b))   # permutation de deux composantes

img.save("photo_modifiee.jpg")

Agir sur les trois composantes suffit à produire négatif, niveaux de gris, permutations de canaux ou seuillage.

Pour aller plus loin

Les développements sur l’optique (distance focale, diaphragme, profondeur de champ), l’architecture détaillée des capteurs CCD et CMOS et les métadonnées avancées sont traités dans le cours complet du module Photographie, en complément de cette synthèse.

À retenir

Notion Idée clé
Photosite élément physique du capteur, une couleur
Pixel élément de l’image, trois composantes
Dématriçage reconstitution des couleurs par calcul, avec les voisins
Profondeur de couleur nombre de niveaux par composante
EXIF métadonnées invisibles mais présentes

Étape suivante

Retour au thème La photographie numérique