Beruflich Dokumente
Kultur Dokumente
Nous verrons dans la suite que la plupart des ltres agissent selectivement
sur ces frequences pour les selectionner, en vue de les amplier ou de les
reduire tout comme dans le cas unidimensionnel.
Le bruit ! Poivre et sel " ou bruit impulsionnel est un bruit qui assigne a
une certain nombre de pixels de limage une valeur 0 ou 255 aleatoirement. Ce
bruit est du soit a des erreurs de transmission de donnees, soit a la defaillance
delements de capteur, soit a la presence de particules nes sur le capteur
dimages.
3.1.4 Le ou
tion :
etalonnage de lappareil : malgre des technologies de plus en plus poin-
tues, il existe toujours des erreurs minimes de mesure ou de manipula-
tion,
perturbations par le milieu ambiant : cest le cas des images medicales
par exemple (radiographie, echographie) ou linformation est bruitee par
la traversee des tissus observes,
mauvaises conditions dacquisition : nuages pour les photos aeriennes,
manque de luminosite etc ...
Les degradations peuvent etre aussi le fait du vieillissement des supports
(photographies ou lms anciens) ou le resultat dartefacts numeriques lors
de reconstructions a partir des donnees physiques (comme en tomographie
par exemple). Une notion utile pour estimer le bruit dans une image (et plus
generalement dans un signal) et le rapport signal sur bruit (SNR : Signal
to Noise Ratio). Ce rapport est souvent obtenu (experimentalement) grace a
letalonnage des instruments de mesure.
Denition 3.1.1 On appelle ! rapport signal sur bruit " (Signal to Noise
Ratio : SNR), dun signal donne x entache dun bruit b sur un intervalle de
temps ni I la quantite :
}x}
SN R 20 log10 ,
}b}
3.1 Le ! bruit " 35
Cette notion est reprise dans le cas des images dans le chapitre 4, section 4.3.3.
c
On peut implementer le SNR de plusieurs facons avec MATLAB en utilisant
par exemple la formule SNR = 20*log10(norm(u(:))/norm(u(:)-v(:))) ou
u est limage observee et v limage restauree (la dierence u v representant
alors le bruit).
Le bruit est de nature et dorigine variees et donc se modelise de dierentes
facons :
1. Bruit additif gaussien (centre) decart-type souvent egal au SNR. Nous
utiliserons cette denomination (standard) qui est un peu abusive toutefois.
En eet, si u represente limage originale, limage degradee ub sobtient par
u b u ` b ,
ub u p1 ` b q .
Les ltres lineaires dun signal 1D sont et ne sont que des ltres de convo-
lution : nous allons expliciter cela dans la section suivante. Il est donc naturel
de commencer par ce type de ltre pour le ltrage spatial.
A : e s : Apeq .
En pratique, les espaces utilises pour letude des signaux 1D sont les espaces
L1 pRq, L2 pRq ou L8 pRq si le signal est deni sur R et les espaces L1p pIq, L2p pIq
ou L8p pIq si les signaux sont denis sur un intervalle ni I de R et periodises.
Ces espaces sont denis dans lannexe A.1 (on peut voir aussi [15, 47] par
exemple).
Denition 3.2.1 (Filtre) Un ltre lineaire est forme des espaces dentree
et de sortie et dun operateur lineaire continu qui verie les deux proprietes
suivantes :
1. Invariance temporelle : si Ta : x xp aq est loperateur de translation
alors
Ta A ATa .
2. Causalite (ou realisabilite) : si pour tout to donne, on a la propriete sui-
vante :
Generalement, on distingue les ltres suivant laction quils ont sur le spectre
(cest-a-dire par la forme de leur fonction de transfert) :
Denition 3.2.2 un ltre passe-bas va eliminer ou attenuer fortement
lenergie des hautes frequences dun spectre en ne laissant ! passer " que
les basses frequences ;
un ltre passe-haut va eliminer ou attenuer fortement lenergie des
basses frequences dun spectre ;
un ltre passe-bande ne conservera que lenergie concentree dans une
bande de frequences.
un ltre coupe-bande qui est le complementaire du precedent.
Comme nous lavons deja evoque, les images peuvent etre degradees par
dierentes perturbations, dont nous donnons un apercu dans la gure 3.2 p.
36. Le ltrage a pour but deliminer leet de ces perturbations en essayant de
ne pas toucher aux informations essentielles de limage (contours, dynamique,
textures etc.)
Dans cette section, nous allons presenter les techniques lineaires de base
pour eectuer un ltrage permettant de supprimer les eets dun bruit additif
que lon supposera gaussien (centre).
Comme dans le cas 1D, le ltrage lineaire spatial des images est aussi une
operation de convolution (2D). Si f est limage a ltrer (ou a rehausser ) et
la reponse impulsionnelle du ltre (spatial) on a :
$ ,
& /
.
1
pf qpx, yq F Fpf q lo
Fpq
omoon/ px, yq.
% -
Kpu,vq
3.2 Filtrage spatial (bruit additif) 39
pd1
1q{2 1q{2
pd2
pf qx,y fx`i,y`j i,j . (3.3)
ipd1 1q{2 jpd2 1q{2
w1 w2 w3 y 1
w4 w5 w6 y
w7 w8 w9 y ` 1
x1 x x`1
Fig. 3.5 Reexion dune image par rapport a ses bords. Ici pd1 1q{2 pd2 1q{2 : d
et la taille de limage et n1 n2 .
3.2 Filtrage spatial (bruit additif) 41
Denition 3.2.3 Un ltre 2D est dit separable sil est possible de decomposer
le noyau de convolution h2D en deux ltres 1D appliques successivement en
horizontal puis en vertical (ou inversement) :
h2D hV1D b hH
1D ,
@i, j 1, N, pU b V qi,j Ui Vj .
On peut alors traiter separement les lignes et les colonnes de limage ce qui
est un gros avantage pour limplementation.
Proposition 3.2.1 Pour quun ltre 2D soit separable, il faut et il sut que
les coecients de ses lignes et de ses colonnes soient proportionnels. Plus
precisement, un ltre donne par un tableau N M dont les coecients sont
ai,j , 1 i N, 1 j M , est separable si et seulement si
a b c
a b c b a b c a b c .
a b c
1 1 1 1 1
1 1 1 1 1 1 1 1
1 1
1 1 1 1 1 1 1 1
9 25
1 1 1 1 1 1 1 1
1 1 1 1 1
Nous presentons dans la gure 3.6 leet des ltres de moyenne sur une image
bruitee par un bruit gaussien additif, de moyenne nulle et decart-type . Ce
sont des ltres separables.
1 4 6 4 1
4 18 30 18 4
1
6 30 48 30 6.
300
4 18 30 18 4
1 4 6 4 1
La taille du ltre gaussien est gouvernee par . En general un ltre gaussien
avec 1 est utilise pour reduire le bruit. Plus est grand, plus le ou
applique a limage sera important
Les ltres presentes sont des ltres passe-bas : ils attenuent les details de
limage (et donc le bruit additif) mais, en erodant les contours, ils ajoutent
du ou a limage. Nous verrons dans une section suivante comment attenuer
le ou.
Fpgq H Fpf q ,
En dautres termes
3.3 Filtrage frequentiel (bruit additif) 45
1 si }p, q} c
"
Hp, q
0 sinon
Fig. 3.10 Application dun creneau ! ideal " (c 15% de la taille de limage) : on voit
les ondulations dues a leet Gibbs.
46 3 Debruitage par ltrage lineaire
(a) Zoom (coin superieur droit)- Original (b) Zoom de limage ltree
Fig. 3.11 Zoom sur le coin superieur droit de la gure precedente : on voit les ondulations
et un ou tres important
Fig. 3.13 Fonction de transfert du ltre passe-haut ideal avec la norme euclidienne
Mentionnons pour nir les ltres passe-bande (et coupe -bande) moins
pertinents dans le cadre 2D que le cadre 1D. Ils permettent de ne garder que
les frequences comprises dans un certain intervalle :
#
1 si c }p, q} c `
Hp, q 2 2
0 sinon
Le gradient de limage f en un point (pixel) M px, yq, sil existe est egal a :
Bf Bf
f px, yq p px, yq, px, yqq.
Bx By
En pratique, il faut approcher ces gradients pour travailler avec des gradients
discrets qui correspondent a des taux de variation, calculables meme si limage
est discontinue (en particulier au voisinage dun contour). Les approximations
les plus simples des derivees directionnelles se font par dierences nies.
Nous allons preciser ce point dans le cas de la derivee dune fonction dune
seule variable : on se donne une fonction f continue sur r0, Ls et derivable sur
s0, Lr. On peut approcher la derivee de la fonction en des points x1 , xN 1
dune subdivision (uniforme pour simplier) de r0, Ls de la forme : xi
ih, i 0, , N ou h N
L
est le pas de la grille. Si N est assez grand h est
petit et on peut approcher la derivee par le taux de variation :
3.4 Filtrage dierentiel 51
f pxi ` hq f pxi q N
@i 1, , N 1 f 1 pxi q pf pxi`1 q f pxi qq .
h L
Cest ce que nous allons faire en dimension 2 pour calculer les gradients dis-
crets. Toutefois la notion de taille de limage est tres relative. En eet, limage
est essentiellement determinee par le nombre de pixels. La taille physique,
depend du support sur lequel on va lire limage. Une image numerique appa-
raissant sur un smartphone naura pas la meme taille, ni la meme resolution
que la meme image projetee sur un ecran de cinema.
Si on considere, par exemple, une image carree de cote L 1(cm), qui com-
porte N N pixels, le pas de discretisation est h 1{N : il est donc petit
(si N est grand) et la formule dapproximation par le taux de variation est
mathematiquement justiee (car elle est locale). Si on considere la meme
image sur un support carre de cote L N (cm), le pas h vaut 1 mais le
gradient de limage na pas change. Comme on ne sait pas quelle sera la taille
du support a priori, nous adopterons la convention suivante : limage est de
! taille " N N et le pas h 1. Ainsi, on peut denir le gradient discret de
limage par
0 y1
0 1 1 y 1 y
1 y`1
x1 x x`1
x
avec
1 0 1
hx r1 0 1s b r1 2 1st 2 0 2
1 0 1
et
1 2 1
hy r1 2 1s b r1 0 1st 0 0 0 .
1 2 1
Ce sont les masques de Sobel. On peut constater dans la gure 3.19 que le
gradient discret en x correspond aux contours verticaux et le gradient en y
aux contours horizontaux. Cela vient du fait que la premiere composante x
du pixel px, yq correspond aux colonnes de la matrice representant limage et
lindice y aux lignes (voir la gure 1.2 du chapitre 1).
3.4 Filtrage dierentiel 53
Fig. 3.19 Valeur absolue des gradients et des gradients de Sobel (apres passage en negatif
puis contraste avec la fonction imadjust de MATLAB )
54 3 Debruitage par ltrage lineaire
Masques de Roberts
-1 0 0 -1
b
A G21 ` G22
0 1 1 0 4
G2
G1 , G2 + arctan
G1
Masques de Sobel
-1 0 1 -1 -2 -1
b Gy
-2 0 2 0 0 0 A G2x ` G2y = arctan
Gx
-1 0 1 1 2 1
Gx , Gy
Masques de Prewitt
1 0 -1 1 1 1
b Gy
1 0 -1 0 0 0 A G2x ` G2y = arctan
Gx
1 0 -1 -1 -1 -1
Gx , Gy
Masques de Kirsh
Direction
5 5 5
-3 0 -3 maximum des |Gi | correspondant
-3 -3 -3
+ les 7 autres masques obtenus par au Gi selectionne
permutation circulaire des coecients
Gi pour i de 1 a 8
Masques de Robinson
1 1 1
1 -2 1 maximum des |Gi | Idem
-1 -1 -1
+ les 7 autres masques obtenus par
permutation circulaire des coecients
Gi pour i de 1 a 8
Fig. 3.20 Gradients de Robinson (valeur absolue contrastee) dans 3 directions dierentes
(voir tableau 3.4)
0 1 0 1 1 1
1 -4 1 1 -8 1
0 1 0 1 1 1
56 3 Debruitage par ltrage lineaire
}x}2
1
On pose upt, xq phpt, q uo qpxq ou hpt, xq G 2t pxq
exp .
4t 4t
Comme hpt, q P C 8 pR2 q a ses derivees bornees et uo P L1 pR2 q, la convolee
upt, q est aussi C 8 et on peut calculer u :
B2 u B2 u
@t 0, @x P R2 upt, xq 2 pt, xq ` 2 pt, xq phpt, q uo qpxq.
Bx1 Bx2
et on obtient
1 }x}2
upt, xq ` 2 upt, xq.
t 4t
3.4 Filtrage dierentiel 57
Bu Bh
pt, xq pt, yquo px yqdy
Bt Bt
R2
ce qui donne :
Bu
pt, xq upt, xq 0 sur s0, trR2 .
Bt
Dautre part, avec
}y}2
1
upt, xq exp uo px yqdy
4t 4t
R2
on obtient
lim upt, xq xx , uo y uo pxq,
t0
Bu
#
pt, xq upt, xq 0 dans s0, T rR2
Bt (3.4)
up0, xq uo pxq x P R2 ,
Bu
$
& Bt pt, xq upt, xq 0 dans s0, T r
Bu (3.5)
0 sur s0, T rB
Bn
% up0, xq u pxq
x P .
o
Bu
pt, xq pupt, xq, nx q ,
Bn
ou nx est le vecteur normal (sortant) a B en x
58 3 Debruitage par ltrage lineaire
Fig. 3.22 Filtrage par EDP de la chaleur avec pas de temps dt 0.2 et 10 iterations
Une autre source de perturbation dune image est le ou. Nous avons vu
quun ltre de convolution passe-bas permettait denlever le bruit additif mais
que limage ltree etait outee. Cela sexplique par le fait que loperateur de
convolution est regularisant. Loperateur de ou est donc souvent modelise
par un produit de convolution, de noyau positif symetrique h (qui est la
plupart du temps gaussien). Il nest pas necessairement inversible (et meme
lorsquil est inversible, son inverse est souvent numeriquement dicile a cal-
culer).
Nous avons constate precedemment que faire une convolution par un noyau
gaussien revient a resoudre une equation de la chaleur. Le temps nal joue
le role de lecart type de la gaussienne. Pour faire loperation inverse, la
deconvolution on peut donc imaginer de resoudre une equation de la chaleur
60 3 Debruitage par ltrage lineaire
! retrograde " en partant de letat ! nal " qui est limage outee et en
ajustant le temps nal au rapport signal sur bruit.
Bu
#
pt, xq ` upt, xq 0 dans s0, T r
Bt (3.8)
upT, xq uo pxq @x P
Cette equation est notoirement mal posee (on ne peut assurer ni lexistence
dune solution, ni la stabilite dun schema numerique) et il convient de ne
faire quun petit nombre diterations.
3.5 Deconvolution (cas dun ou) 61
un`1 f ` g un f ` p1 hqun ,
ou de maniere equivalente
62 3 Debruitage par ltrage lineaire
un`1 f ` un h un .
Fig. 3.25 Deconvolution par algorithme de Van Cittert : h est un masque gaussien de
taille 9 et decart-type 4 (connu)