Trait Image

ab
ddd b
bbb
bbb
bbb
bbb
bbb
bbb
bbb
bbb
bbb
bbb
bbb
bbb
bbb
bb
eee
Ecole Nationale Superieure dIngenieurs de Caen
ddd eee ENSICAEN
ddd eee
dddAnnee universitaire 2012-2013
eee
ddd eee
ddd eee
ddd eee
ddd Elements Fondamentaux du eee
ddd Pre-Traitement des Images eee
ddd eee
ddd eee
ddd eee
ddd eee
ddd M.J.FADILI
eee
ddd eee
ddd 3eme annee Electronique
eee
ddd eee
Majeure Instrumentation Avancee
ddd eee
ddd eee
ddd eee
ddd eee
d
fgggggggggggggggggggggggggggggggggggggggggggh e
Table des matieres
I Introduction 5
1 Dates importantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2 Les types dimages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3 De lobservation a la decision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
4 Les processus dacquisition et de visualisation . . . . . . . . . . . . . . . . . . . . . . . 6
4.1 Du monochrome au multispectral . . . . . . . . . . . . . . . . . . . . . . . . . . 6
4.2 Lacquisition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
4.3 Un mot sur la visualisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
5 Les pre-traitements dimages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
II Systemes lineaires bidimensionnels 11

1 Limage comme signal continu deterministe . . . . . . . . . . . . . . . . . . . . . . . . 11
1.1 Transformee de Fourier bidimensionnelle . . . . . . . . . . . . . . . . . . . . . . 11
1.1.1 Quelques exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2 Proprietes de la TF 2D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3 Filtrage lineaire invariant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3.1 Dans le domaine original . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3.2 Dans le domaine spectral . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3.2.a Applications aux systemes a ouverture . . . . . . . . . . . . 14
2 Vers la revolution discrete . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1 Transformee de Fourier discrete bidimensionnelle . . . . . . . . . . . . . . . . . 15
2.2 Filtrage lineaire discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3 Convolution discrete circulaire . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4 Transformee de Fourier discrete . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.5 Transformee de Fourier rapide . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
III Caracterisation simple dune chane image 19

1 La fonction de transfert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.2.1 La camera a tube vidicon . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.2.2 La camera CCD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2 Le bruit dans les images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.1 Sources des bruits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.1.1 Bruits externes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.1.2 Bruits internes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.1.3 Bruits des elements associes . . . . . . . . . . . . . . . . . . . . . . . 22
2.2 Caracterisation statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2.1 Definition dun processus stochastique . . . . . . . . . . . . . . . . . . 22
2.2.2 1er ordre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1
2 TABLE DES MATIERES
2.2.3 Second ordre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

2.2.4 La stationnarite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.5 Caracterisation spectrale . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.6 Ergodicite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.3 Le rapport signal sur bruit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3 La numerisation et la quantification dimages . . . . . . . . . . . . . . . . . . . . . . . 26
3.1 La conversion analogique-numerique . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2 Erreurs introduites par la numerisation . . . . . . . . . . . . . . . . . . . . . . 27
3.2.1 Pre-filtrage par louverture . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2.2 Lechantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2.3 La quantification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4 Relations spatiales entre pixels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.1 Notion de voisinage et de connexite . . . . . . . . . . . . . . . . . . . . . . . . 29
4.2 Quelques notions discretes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.3 Distance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
IV Bases de pre-traitement dimages 33

1 Histogramme dintensite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.1 Modification dhistogramme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
1.1.1 Obtention dun histogramme plat . . . . . . . . . . . . . . . . . . . . 34
1.1.2 Transformation dun histogramme vers un histogramme impose . . . 34
1.1.2.a Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
1.2 Correction de la non-linearite dintensite dun capteur . . . . . . . . . . . . . . 35
2 Filtrage spatial discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.1 Filtres lineaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.2 Caracterisation spectrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3 Sur quelques operateurs differentiels discrets . . . . . . . . . . . . . . . . . . . . 39
2.3.1 Le gradient . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.3.1.a Cas continu . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.3.1.b Cas discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.3.2 Le gradient en presence de bruit . . . . . . . . . . . . . . . . . . . . . 41
2.3.2.a Filtre de Prewitt . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.3.2.b Filtre de Sobel . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.3.2.c Filtre optimal de Canny . . . . . . . . . . . . . . . . . . . . . 41
2.3.2.d Extension recursive de Deriche . . . . . . . . . . . . . . . . . 43
2.3.3 Le Laplacien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.3.3.a Application au rehaussement de structures . . . . . . . . . . 44
2.4 Filtres non-lineaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.4.1 Le median . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.4.2 Le min-max . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
V Restauration dimages 47
1 Defauts photometriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
1.1 Lestimateur de Wiener . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
1.1.1 Estimation diagonale . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
1.2 La deconvolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
1.2.1 Identification du flou . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
1.2.1.a Reponse inconnue . . . . . . . . . . . . . . . . . . . . . . . . 50
1.2.1.b Reponse physiquement connue . . . . . . . . . . . . . . . . . 50
1.2.2 Filtre inverse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
TABLE DES MATIERES 3
1.2.3 Filtre de Wiener . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

1.2.4 Restauration iterative . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
1.2.5 Approche variationnelle . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2 Distorsions geometriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.1 Compensation par test dune maille de reference . . . . . . . . . . . . . . . . . 55
2.2 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3 Interpolation dintensite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.1 Interpolation au plus proche voisin . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.2 Interpolation lineaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.3 Interpolation cubique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.4 Interpolation spline cubique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.5 Interpolation par inversion de la TFD . . . . . . . . . . . . . . . . . . . . . . . 60
3.6 Effet spectral de linterpolation . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.7 Filtrage et interpolation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.8 Interpolation a deux ou plusieurs dimensions . . . . . . . . . . . . . . . . . . . 63
3.8.1 Interpolation bilineaire . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.8.2 Interpolation bicubique . . . . . . . . . . . . . . . . . . . . . . . . . . 64
VI Introduction a la reconstruction tomographique 69

1 Tomographie numerique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
2 La transformee de Radon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
2.1 Theoreme de projection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
2.2 La retroprojection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
2.3 Implementation pour projections a bande limitee . . . . . . . . . . . . . . . . . 72
2.3.1 Le filtre dapodisation . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
2.4 Sur dautres formes de reconstruction . . . . . . . . . . . . . . . . . . . . . . . 75
2.5 Reconstruction de projections lissees bruitees . . . . . . . . . . . . . . . . . . . 77
4 TABLE DES MATIERES
Chapitre I
Introduction
1 Dates importantes
Dans un sens tres large, le traitement dimages trouve son origine dans loptique. En effet,
des le XVIIe siecle, les pionniers de la photographie ont traite des images par des moyens physico-
chimiques. Vers la fin des annees 1930, des liens etroits ont commence a se tisser entre loptique et
les sciences de la communication aussi bien sur le plan experimental que theorique a travers la for-
mulation mathematique du signal mono f (t) et bidimensionnel f (x, y). Les techniques optiques et
electroniques analogiques ont constitue ce que lon a appele alors le traitement analogique des images.
Plus recemment, sest developpe le domaine des signaux numeriques qui a connu un essor considerable
et a donne lieu au traitement dimages sous sa forme moderne actuelle. Dans ce cadre, toute image
(d-dimensionnelle) est fournie sous forme de valeurs fi1 i2 ...iN numeriques tabulees traduisant la mani-
festation dune grandeur physique (lumiere, chaleur, particules radioactives, champ electrique, champ
magnetique, etc.). Cette grandeur est dune maniere ou dune autre transformee en signal electrique
a un point donne dans la chane dacquisition avant detre traduite en valeur numerique. Une image
vehicule une grande quantite dinformations quil na ete possible de traiter que par le developpement
technologique de moyens de calcul et de stockage lourds.
Les domaines dapplication du traitement dimages nont cesse depuis de selargir. On serait tente
de dire quils couvrent quasiment tous les domaines. Pour ainsi dire, peu de domaines de nos jours
echappent au traitement numerique dimages. Citons les exemples des metiers du spectacle et du mul-
timedia que nous rencontrons tous les jours. Des applications plus scientifiques vont de la teledetection
(astronomie, astrophysique, geologie, archeologie, meteorologie, agronomie, etc.) a la medecine, la bio-
logie, la physique nucleaire et atomique, la physique du solide, la cristallographie, ou encore dans le
domaine militaire (guidage davions et de missiles, detection de cibles, sonar, radar, etc.), la robotique
et le controle industriel, etc, etc.
Meme si ce document sattachera au pre-traitement dimages et non au traitement dimages en detail,
son objectif reste dexposer les techniques de traitrement des images modernes uniquement statiques.
Dans la suite, on restera fidele a cette demarche en traitant uniquement ce cas.
2 Les types dimages

La notion dimage est tres vaste et ne se limite pas a celle que lon concoit habituellement. Ce
concept recouvre donc des types dimages tres varies que lon peut classer en distinguant les images
de nature physique et de nature mathematique, les images volatiles et permanentes, les images ana-
logiques et numeriques et finalement les images monochromes et colorees (cf. Tableau.??).
5
6 CHAPITRE I. INTRODUCTION
Physiques Mathematiques
Materielles Immaterielles
Visibles Non visibles
Volatiles Permanentes Volatiles Permanentes Par extension Fonctions
Cartes de
Scenes de la vie. Imagerie IR, temperature, Modeles
Photos. analogiques
Images optiques UV. Video cassette, pression.
Analogique Dessins. fonctionnels
du visible. Imagerie Video disque. Phenomene
Peintures. continus de
Images video. nucleaire. physique, limage.
chimique.
Images sur
support de
sauvegarde Modeles
Images sur ecran Sortie sur Images numerises (disque dur, fonctionnels
Numerique
LCD imprimante sur RAM support discrets de
magnetique, CD limage.
ROM, CDI, CD
Photo, DVD).
Table I.1 Classification des types dimages.
3 De lobservation a la decision
Lexploitation dune image acquise, depuis lobservation jusqua la prise de decision implique
plusieurs etapes. Celles-ci correspondent aux transitions entre les cases de la Figure.?? :
1. Lacquisition : On entend par la lensemble de la chane instrumentale permettant de traduire le
phenomene physique en un signal (electrique) analogique. Laboutissement a limage numerique
est assure par la convertisseur analogique-digital. Cest dans ce sens que nous traiterons lac-
quisition en general dans ce document.
2. Le stockage : qui englobe la memorisation de limage soit sur un support volatile (RAM), soit
sur une memoire de masse voire sur des supports darchivage (disque optique, CD, bande, etc).
3. Le traitement : Cest la que le mot traitement dimages prend tout son sens moderne. Il sagit
tout simplement de lenchanement de tous les calculs numeriques qui, appliques a une image
dentree, fournissent une image de sortie permettant datteindre un objectif donne fixe a priori.
Plusieurs pre-traitements bas niveaux seront detailles dans des chapitres dedies (??-??).
4. La visualisation et linterpretation : Ces operations implique linteraction de lutilisateur (e.g.
le medecin praticien pour une image medicale) qui tentera dexpertiser les resultats et les in-
terpreter qualitativement et quantitativement grace aux resultats fournis par les traitements
prealables. Il est a noter que la visualisation opere en quelque sorte dans le sens inverse de
lacquisition puisquelle implique la retraduction de limage a visualiser en signal analogique
affichable (sur un moniteur par exemple).
4 Les processus dacquisition et de visualisation

4.1 Du monochrome au multispectral
Une difference fondamentale entre les appareils dacquisition tient a la notion de couleurs. Si
la plupart des images dans les applications medicales sont monochromes (les couleurs donnees sont
4. LES PROCESSUS DACQUISITION ET DE VISUALISATION 7
ACQUISITION
Capteur
Instrumentation
Numrieur
Image numrique
Mmoire de masse Mmoire vive STOCKAGE

Image numrique dentre
Processeur TRAITEMENTS
Image numrique traite
PRISE DE DCISION Restituteur

VISUALISATION ET
INTERPRTATION
Image analogique restitue
Figure I.1 De lobservation a la decision.
Figure I.2 Exemple dune image monochrome bidimensionnelle : Imagerie par Resonance
Magnetique acquise sur limageur du CHU de Caen. Chaque pixel (entite spatiale elementaire)
represente une certaine propriete magnetique du tissu cerebral correspondant.
dites fausses couleurs), une scene photographique, elle, est coloree et une image prise par un satellite
correspond a differentes bandes spectrales. Ainsi, nous distinguons trois types dimages :
1. Les images monochromes : une image analogique est dite monochrome si a toute localisation (en
termes de coordonnees d-dimensionnelles) correspond une valeur scalaire (appelee communement
le niveau de gris) qui traduit le phenomene physique mesure (luminance, propriete magnetique
pour le cas de lIRM Figure.??, etc.). Limage numerisee (echantillonnee et quantifiee) corres-
pondante peut etre formulee comme une fonction :
Nd Z
(i1 , i2 , . . . , id )T f (i1 , i2 , . . . , id ) (I.1)
2. Les images trichromes : nous verrons par la suite quune couleur quelconque peut etre synthetisee
par la superposition additive (resp. soustractive) de trois couleurs de base dites primaires (resp.
secondaires). Il sensuit quune image couleur en pratique est representee par un vecteur a trois
composantes qui sont des fonctions fp (i1 , i2 , . . . , iN ), p = {1, 2, 3} (chacune correspondant a
un plan de couleur). Ainsi, lacquisition dune scene en couleurs necessitera trois acquisitions
correspondant aux differents plans de couleurs.
3. Les images multispectrales : Cest la generalisation des deux cas precedents ou a chaque locali-
sation correspondra un vecteur a M composantes. Lexemple type est lacquisition dune image
satellite par bandes de longueurs dondes differentes. La formulation generale correspondante
secrit comme suit :
Nd ZM
f1 (i1 , i2 , . . . , id )
f2 (i1 , i2 , . . . , id )

(i1 , i2 , . . . , id )T ..
.
fM (i1 , i2 , . . . , id )
5. LES PRE-TRAITEMENTS DIMAGES 9
4.2 Lacquisition
Lacquisition est un maillon primordial dans la chane image. En effet, nous verrons par la suite
quelles sont les limitations apportees par les processus mis en jeu lors de lacquisition. Ceci se traduit
par une perte de linformation ou des defauts (que lon appelle artefacts dacquisition). Ces limitations
peuvent etre plus ou moins serieuses mais elles sont toutes irrecuperables de maniere parfaite apres
lacquisition par un traitement informatique aussi performant soit-il.
Considerons une scene monochromatique du visible a deux dimensions (notee 2D). Lacquisition de
cette image met en jeu deux operations :
1. Une saisie de la scene par un capteur photoelectrique qui transforme le signal lumineux en
signal electrique. Pour cela limage est balayee par une petite ouverture. Le flux lumineux
correspondant a cette ouverture est represente par lintensite moyenne de limage (sur la surface
du spot) au point correspondant. La taille necessairement finie de louverture (mais aussi celle
induite par loptique disposee devant le capteur) engendre necessairement la perte de details
fins de dimension inferieure a celle de louverture. Cette operation peut etre mathematiquement
representee par une convolution, et peut se traduire en terme spectral de la meme maniere
que les signaux temporels, ou ici on fera reference a des frequences spatiales. Ainsi, on pourra
admettre que limage observee a subi une degradation de type passe-bas.
2. La conversion analogique-numerique (CAN) destinee a coder le signal analogique recueilli a la
sortie du capteur en chaque point de limage par une valeur quantifiee (un nombre entier sur
NB bits dependamment de la resolution du convertisseur). Pour ce faire, on procede dabord a
un echantillonnage de limage analogique qui consiste a ne prendre en compte que des points
particuliers de limage formant un reseau (on peut parfois parler de maillage) souvent orthogonal.
Ces points sont separes par un pas (periode dechantillonnage) souvent regulier mais qui nest
pas necessairement egal suivant toutes les dimensions. Ces entites spatiales elementaires (pixels
pour picture elements) forment alors limage echantillonnee. La quantification de la valeur
de chaque pixel. Cette operation est generalement realisee conjointement avec lechantillonnage
par le convertisseur analogique-numerique.
Lensemble des points qui viennent detre introduits seront abordes avec plus de details pour
quelques systemes dacquisition dimages tels que la camera CCD.
4.3 Un mot sur la visualisation

Cest le processus inverse de lacquisition ou limage numerique est transformee en image analo-
gique restituee sur un support de sortie (e.g. moniteur couleurs) appele restituteur. Cette operation
necessite une conversion digitale-analogique suivie dun affichage. Ceci est schematiquement represente
sur la Figure.??. On remarque la presence des trois voies (Rouge-Vert-Bleu) correspondant a trois
faisceaux delectrons R,V et B dans le canon. On remarque aussi lexistence de trois luminophores
(elements phosphorescents) pour chacun des pixels du moniteur. Le nombre de pixels sur le mo-
niteur en fixe la definition. La taille memoire image correspond au nombre de couleurs affichables
simultanement.
5 Les pre-traitements dimages

Grace a la formulation mathematique du traitement dimages, une discipline entiere a pu voir le
jour. Celle-ci met en uvre des outils qui trouvent principalement leur origine dans le traitement du
signal. Lextension de tels outils a revele les particularites que posent une image qui ne se limite pas
a lidee simpliste (et sans doute fausse) quune image nest quune replication en plusieurs dimensions
dun signal 1D. Ce document ne se veut pas un ouvrage de traitement dimages. Cependant, on sat-
tachera uniquement aux seuls traitements (plutot dirons-nous pre-traitement) dimages ou de simples
Figure I.3 La visualisation dimage sur un moniteur (restituteur). A droite, on a represente les 3
luminophores par pixel.
outils seront introduits et explicites. Nous distinguerons trois categories dans les pre-traitements
abordes :
1. La reconstruction dimages : limage acquise nest pas toujours une fonction des coordonnees
spatiales originales. Ainsi, la reconstruction dimages se propose a partir dune ou plusieurs
images acquises dans un repere transforme (transformation non necessairement lineaire) de
calculer une approximation de limage originale.
2. La restauration : Une image observee est la resultante de limage originale ayant subi des
degradations lineaires ou non-lineaires en intensite et contaminee par des composantes indesirables
(aleatoires ou structurelles que lon denomme bruit). Limage observee peut aussi subir des dis-
torsions geometriques. La theorie de la restauration au sens large offre un cadre ou lon peut
estimer limage originale a partir de sa version degradee distordue.
3. Lamelioration dimages : Limage observee est souvent traitee afin detre exploitee a des fins de
detection et/ou dinterpretation. Lamelioration dimage offre les outils necessaires pour faciliter
cette tache en accentuant le caractere qui nous interesse dans une image (region, contours, etc.)
et rejeter celui qui nous perturbe (bruit).
Il est a noter que dans la suite, on se limitera uniquement a la definition fonctionnelle dune image.
Par manque de place et par souci pedagogique, les autres definitions (geometrique, ensembliste) seront
hors du cadre de ce document. Toutefois, le lecteur interesse peut se referer a dautres ouvrages (par
exemple [?]) pour plus de details.
Chapitre II
Systemes lineaires bidimensionnels
A lechelle dobservation usuelle, une image peut etre consideree comme un signal deterministe.
Bien que les outils presentes ici peuvent etre traites dans le cas general pour toute dimension finie d,
nous nous contenterons ici de traiter le cas bidimensionnel (2D) ou d = 2. Cette demarche est suivie ici
par souci pedagogique et pour plus de clarte pour le lecteur. Nous entendons ici par signal deterministe
que la fonction f (x, y), qui associe a tout couple de coordonnees suivant les deux directions Ox et Oy
une valeur reelle, est determinee en levant toute ambigute. Par ailleurs, les systemes lineaires traites
dans notre contexte sont consideres invariants (SLI) dans le sens ou tout decalage de du signal
dentree dun SLI induit egalement un decalage de en sortie. En outre, nous nous limitons dans le
cadre de ce document aux seules images a caractere stationnaire dou laccent mis sur la Transformee
de Fourier. Dautres transformees plus adaptees aux signaux non-stationnaires sont en dehors de notre
interet ici.
1 Limage comme signal continu deterministe

1.1 Transformee de Fourier bidimensionnelle
En sinspirant de lapproche mono-dimensionnelle pour les signaux temporels, on peut generaliser
les outils au cas 2D en les etendant aux deux variables despace continues x et y. En particulier, la
notion de spectre setend tres facilement en faisant intervenir les frequences spatiales u et v. Une image
quelconque periodique ou non denergie finie (on parle de sommabilite dans une certaine norme dans
R2 ), peut etre ecrite sous la forme de la somme de nombre infini de fonctions harmoniques complexes
ayant toutes les frequences spatiales possibles dans les deux directions. Ceci secrit sous la forme :
Z Z
f (x, y) = F (u, v)ei2(ux+vy) dudv (II.1)

ou F (u, v) est la Transformee de Fourier (TF) bidimensionnelle (complexe) de limage f (x, y). En
exploitant lorthonormalite de la base harmonique, on peut ecrire facilement que :
Z Z
F (u, v) = f (x, y)ei2(ux+vy) dxdy (II.2)

F (u, v) et f (x, y) sont respectivement les transformees directe et inverse lune de lautre definies de
maniere unique. On peut re-ecrire lintegrale precedente comme suit :
Z Z
F (u, v) = f (x, y)ei2ux dx ei2vy dy (II.3)

Ceci fait clairement apparatre que la TF 2D dune image peut etre calculee en calculant dabord la
TF 1D suivant lune des dimensions, suivie de la TF 1D suivant lautre dimension pour toutes les TF
11
12 CHAPITRE II. SYSTEMES LINEAIRES BIDIMENSIONNELS
1D precedentes. Ceci est particulierement pertinent pour limplementation des algorithmes de calcul
de la TF des signaux discrets (TFD). En particulier, si limage est une fonction separable (e.g. une
fonction porte bidimensionnelle), il est trivial de prouver que la TF 2D secrit alors :
F (u, v) = F1D (u)F1D (v) (II.4)
1.1.1 Quelques exemples

La fonction porte bidimensionnelle (rectangle dintensite unitaire) : f1 (x, y) = a (x)b (y)
F1 (u, v) = T F (a (x)).T F (b (y)) = ab.Sinc(ua).Sinc(vb)
Son premier passage par 0 est pour u = a1 (resp. v = 1b ). Limage et sa TF sont illustrees par la
ligne 1 de la Figure.??.
Le disque dintensite unitaire. Cette image est a symetrie circulaire :
(
1 si x2 + y 2 R2 ,
f2 (x, y) =
0 sinon.
En passant en coordonnee polaires (u = cos , v = sin ), ou la TF peut etre exprimee dans

le cas general par : Z Z 2
F (, ) = f (r, )ei2rcos() rdrd (II.5)
0 0
La TF de cette image est exprimee a laide des fonctions de Bessel de 1ere espece. Cette TF est
aussi a symetrie circulaire dont le module est en 2R2 J12R
(2R)
. Limage et sa TF sont illustrees
par la ligne 2 de la Figure.??.
La gaussienne bidimensionnelle :
2 2
f3 (x, y) = e(x +y )
Encore une fois, cette fonction est separable. Par un simple calcul et des rearrangements
algebriques, on prouve alors que :
2 +v 2
u
F3 (u, v) = e 4
Limage et sa TF sont illustrees par la ligne 3 de la Figure.??.
1.2 Proprietes de la TF 2D
Le tableau ?? resume la plupart des proprietes usuelles de la TF. Leurs preuves sont souvent obte-
nues par simple changement de variables. Toutes les fonctions sont supposees satisfaire les conditions
dintegrabilite pour lexistence de la TF.
Nous resumons aussi quelques resultats importants que nous mettrons en uvre par la suite.
Resultat Expression
RR RR
Theoreme de Parseval R2
f (x, y)g (x, y)dxdy = R2 F (u, v)G (u, v)dudv
Formule de Plancherel (conservation RR RR

f =g R2
|f (x, y)|2 dxdy = R2
|F (u, v)|2 dudv
denergie)
Rotation Rotation de rotation de dans le domaine de Fourier :

f (x cos y sin , x sin + y cos ) F (u cos v sin , u sin + v cos )
Dautres proprietes interessantes existent mais sont situees au dela du cadre de ce cours. Elles peuvent
etre consultees dans des ouvrages dedies [?].
1. LIMAGE COMME SIGNAL CONTINU DETERMINISTE 13
Figure II.1 Exemples de TF de fonctions bidimensionnelles.
Propriete Fonction TF
f (x, y) F (u, v)
Linearite i ai fi (x, y) i ai Fi (u, v)
Inverse F (x, y) f (u, v)
Translation f (x x0 , y y0 ) ei2(ux0 +vy0 ) F (u, v)
Modulation exu0 +yv0 f (x, y) F (u u0 , v v0 )
1 u v
Changement dechelle f (ax, by) |ab| F ( a , b )
Complexe conjugue f (x, y) F (u, v)
Symetrie hermitienne f (x, y) R F (u, v) = F (u, v)
Separabilite f (x, y) = f (x)f (y) F (u, v) = F (u)F (v)
Table II.1 Proprietes usuelles de la TF.

1.3 Filtrage lineaire invariant

1.3.1 Dans le domaine original
Les SLI sont caracterises par leur reponse impulsionnelle a une distributionR de Dirac. En une
dimension, si f est continue, sa valeur en x est obtenue par lintegration f (x) = R f (x )(x x )dx .
Ainsi, les SLI sont caracterises par la relation entree-sortie :
Z
s(x) = f h(x) = f (x )h(x x )dx (II.6)
R
ou h est la reponse impulsionnelle du systeme et le signe designe le produit de convolution. Son

calcul explicite consiste en la succession des operations (translation de x, retournement, multiplication,
integration). Ce produit est commutatif, associatif et distributif par rapport a la somme. Limpulsion
de Dirac est son element neutre. Les fonctions harmoniques sont des vecteurs propres de loperateur
de convolution. On appelle ainsi la fonction de transfert du SLI la TF de sa reponse impulsionnelle.
Le produit de convolution verifie plusieurs autres proprietes interessantes que nous ne detaillerons pas
ici.
Lextension bidimensionnelle de ces relations est directe avec conservation des proprietes evoquees
pour le signaux mono-dimensionnels :
ZZ
s(x, y) = f h(x, y) = f (x , y )h(x x , y y )dx dy (II.7)
R2
La reponse impulsionnelle du SLI en 2D (ou encore la fonction detalement dun point de langlais
point spread function PSF) est la sortie s lorsque lentree est un point lumineux centree en 0.
On definit aussi le produit de correlation 2D de deux fonctions reelles f et g (avec des contraintes
dintegrabilite) comme suit :
ZZ
Cf g (x, y) = f (x , y )g(x x, y y)dx dy (II.8)
R2
Remarque 1 On peut aisement verifier que Cf g (x, y) = f (x, y) g(x, y)
1.3.2 Dans le domaine spectral

Dans le domaine frequentiel, le produit de convolution se transforme en produit simple. En effet :
T F (f h(x, y)) = F (u, v)H(u, v) (II.9)
De la meme maniere, en utilisant la symetrie hermitienne et le resultat precedent, on montre facilement

que :
T F (Cf g (x, y)) = F (u, v)G (u, v) (II.10)
Remarque 2 On peut montrer que la periodisation dun motif dans le domaine spatial avec un pas a
en 2D implique lechantillonnage de sa TF avec le pas 1/a et inversement. En effet, la periodisation
de pas a correspond a une convolution par un peigne de Dirac de pas a dont la TF est aussi un peigne
de pas 1/a.
1.3.2.a Applications aux systemes a ouverture Si lon balaye une image par une ouverture
o(x, y), il est facile de verifier que la reponse impulsionnelle de ce SLI est louverture retournee en x
et en y : h(x, y) = o(x, y). Si le systeme est doublement symetrique, la fonction de transfert est
alors la TF de louverture. Des exemples usuels de telles ouvertures sont :
2. VERS LA REVOLUTION DISCRETE 15
Louverture rectangulaire uniforme : camera CCD ou la PSF est le produit de deux sinus car-
dinaux (voir les exemples traites precedemment).
Louverture circulaire uniforme : microdensitometre ou la PSF est une fonction de Bessel de
1ere espece.
Louverture gaussienne (de revolution) : tube Vidicon ou la PSF est aussi une gaussienne de
revolution.
2 Vers la revolution discrete

Il est bien clair, vu ce qui a precede, que les images que nous considerons dans le cadre du traitement
dimages moderne sont acquises et ensuite digitalisees. Cette nature numerique nous pousse donc a
discretiser les outils des systemes lineaires et notamment la TF, pour ladapter aux signaux a nombre
dechantillons fini. Le traitement des images 2D pose plusieurs problemes geometriques et topologiques
specifiques qui nexistent pas dans le cas 1D. Par exemple, le simple concept de causalite nest pas
clairement defini en 2D. On evite ainsi la complexite introduite par les dimensions supplementaires
en etendant les algorithmes discrets 1D avec une approche separable en exploitant les proprietes du
produit tensoriel.
2.1 Transformee de Fourier discrete bidimensionnelle

Limage discretisee est echantillonnee sur une grille reguliere rectangulaire. Les autres grilles (hexa-
gonale par exemple) induisent des degres de complexite supplementaires et ne sont pas considerees
ici. Soient Tx et Ty les periodes dechantillonnage suivant les directions Ox et Oy. Limage discrete
secrit alors :
+
X
fd (x, y) = f (nx Tx , ny Ty )(x nx Tx )(y ny Ty ) (II.11)
nx ,ny =
Sa TF est donc :
+
X
Fd (u, v) = f (nx Tx , ny Ty )ei2(unx Tx +vny Ty ) (II.12)
nx ,ny =
qui peut aussi secrire :

+
X
1 nx ny
Fd (u, v) = F (u ,v ) (II.13)
T x Ty nx ,ny =
Tx Ty
qui est une version periodisee de la TF de f (x, y).

Si F (u, v) a son support dans le domaine de Nyquist [1/2Tx , 1/2Tx ] [1/2Ty , 1/2Ty ], alors limage
continue peut etre parfaitement reconstruite a partir de sa version discrete (Theoreme de Witthaker) :
+
X x n x Tx y n y Ty
f (x, y) = f (nx Tx , ny Ty )Sinc( )Sinc( ) (II.14)
nx ,ny =
Tx Ty
Ce theoreme sera utilise lorsque lon abordera linterpolation. Si le support de F (u, v) nest pas
inclus dans le rectangle basse frequence du domaine de Nyquist, linterpolation introduit des erreurs
daliasing (recouvrement ou repliement spectral). Ces erreurs peuvent etre corrigees en pre-filtrant
f (x, y) par un filtre passe-bas dit anti-aliasing. Ces effets ont lieu dautant plus loin du centre que
le pas dechantillonnage est plus fin. Ceci nest pas sans rappeler la condition de Shannon sur la
frequence dechantillonnage minimale dun signal donne. La Figure.?? illustre les consequences du
repliement spectral sur une ouverture gaussienne (a). La figure (b) montre son spectre et la figure
(c) montre le spectre de louverture echantillonnee a un pas de 1/2, engendrant une periodisation du
spectre avec une periode de 2 dans le domaine frequentiel. On voit clairement le chevauchement du
spectre provenant des contributions en dehors du rectangle [1/2Tx , 1/2Tx ] [1/2Ty , 1/2Ty ]. Sur la
figure (d) est reportee limage reconstruite et leffet visuel produit.
Remarque 3 Pour lexemple donne de la gaussienne de revolution, plus le pas dechantillonnage est
grossier, plus le spectre dans le domaine de Nyquist sera assimile a une fonction porte du fait du
repliement. Lallure de limage reconstruite rappelle celle dun sinus cardinal.
2.2 Filtrage lineaire discret

De la meme maniere quauparavant, on sinteresse uniquement aux SLI discrets. La convolution
discrete 2D est donnee par :
+
X
f h(nx , ny ) = f (px , py )h(nx px , ny py ) (II.15)
px ,py =
ou h(nx , ny ) est definie comme la reponse impulsionnelle discrete du systeme. Le resultat du cas
continu sur la TF du produit de convolution setend au cas discret :
T F [f h(nx , ny )] = F (u, v)H(u, v) (II.16)
H(u, v) est la fonction de transfert du SLI en question.
2.3 Convolution discrete circulaire

Jusqua lors, nous avons tout le temps considere des images a horizon dobservation infini (n Z).
Cependant, en pratique, les images ne sont connues que pour un domaine a nombre fini dechantillons
N (0 n < N ). Ceci souleve donc des problemes deffets de bord pour n = 0 et n = N 1.
Identiquement au cas 1D, ces effets sont resolus par extension de limage finie fe, en la periodisant le
long de ses lignes et colonnes :
f (nx , ny ) = fe(nx modNx , ny modNy )
Compte tenu de cette periodisation, la convolution discrete est remplacee par la convolution circulaire
sur la periode de limage. Si fe et ge sont de dimensions Nx Ny , alors :
x 1 N
NX X y 1
f g(nx , ny ) = f (px , py )g(nx px , ny py ) (II.17)

px =0 py =0
ou le symbole represente la convolution discrete circulaire.
2.4 Transformee de Fourier discrete

Les vecteurs
propres de la convolution circulaire 2D sont des fonctions sinusodales discretes a deux
dimensions ekx ,ky (nx , ny ) i2
N (k x n x + k y n y ) 0kx ,ky <N
. Cette famille de Nx Ny vecteurs discrets
est le produit separable de deux bases de Fourier 1D. Par ailleurs, cette famille de vecteurs 2D est
une base orthonormale de lespace des images qui sont periodiques de periodes Nx et Ny le long des
lignes et colonnes. Par consequent, toute image periodique f peut etre decomposee dans cette base
orthogonale :
NX x 1 N
X y 1
1 i2
f (nx , ny ) = F (kx , ky )e N (kx nx +ky ny ) (II.18)
Nx Ny
kx =0 ky =0
2. VERS LA REVOLUTION DISCRETE 17
Figure II.2 Consequences du repliement spectral sur une ouverture gaussienne (a). La figure (b)
montre son spectre et la figure (c) montre le spectre de louverture echantillonnee a un pas Tx =
Ty = 1/2, engendrant une periodisation du spectre avec une periode de 2. On voit clairement le
chevauchement du spectre provenant des contributions en dehors du rectangle [1/2Tx , 1/2Tx ]
[1/2Ty , 1/2Ty ]. Sur la figure (d) est reportee limage reconstruite.
ou F est par definition la transformee de Fourier discrete (TFD) bidimensionnelle de f :
x 1 N
NX X y 1
i2
(kx nx +ky ny )
F (kx , ky ) = f (nx , ny )e N (II.19)
nx =0 ny =0
La TFD de f g est le produit des TFDs de f et g. Le calcul direct dun tel produit de convolution
requiert O(N 4 ) multiplications. Avec lalgorithme de la transformee de Fourier rapide (en anglais Fast
Fourier Transform FFT), ce produit ne necessite que O(N 2 log N ) operations.
2.5 Transformee de Fourier rapide

En utilisant la separabilite de la base de Fourier discrete bidimensionnelle, on peut faire appel a
lalgorithme de la FFT 1D. Celui-ci calcule tout dabord les FFT 1D des lignes (colonnes) donnant
lieu a une image intermediaire. Ensuite, cet algorithme separable procede suivant lautre dimension
en calculant cette fois les FFT 1D des colonnes (lignes) de cette image intermediaire. La FFT 1D met
en jeu un algorithme de complexite en KN log2 N . Il est facile donc de voir que la FFT 2D requiert
O(N 2 log2 N ) operations.
Chapitre III
Caracterisation simple dune chane

image
Il est clair que pour des raisons de commodite et de synthese, nous traitons ici lexemple de limage
mettant en jeu des phenomenes physiques lies a la lumiere. Si ce procede physique est celui que nous
rencontrons le plus dans notre vie courante, il a ete cependant bien precise auparavant (cf. ??.??),
quil est loin detre le seul a fournir le produit image que nous rencontrons en traitement dimages.
La diversite des sources physiques des images actuelles nous pousse a prendre limage optique plus
comme un support didactique que pour un exemple universel.
1 La fonction de transfert
1.1 Definition
Il est fondamental de pouvoir apprecier la facon dont un systeme de saisie transmet les frequences
spatiales de lobjet analyse. Ceci engendre en general un filtrage de limage originale que nous ca-
racterisons dans le cas des SLI par la fonction de transfert (FT). Celle-ci est egale par definition au
rapport entre la TF de limage saisie et la TF de limage dentree selon le schema de la Figure.??.
Cette figure implique la mise en cascade de trois filtres lineaires :
Le systeme physique qui genere la grandeur dinteret (image lumineuse pour les systemes optiques).
Pour un systeme optique limite par la diffraction en eclairage incoherent, la FT optique est un passe-
bas de frequence de coupure fc .
Le capteur caracterise lui-meme par sa fonction de transfert et donc sa propre bande passante.
Lelectronique dacquisition (elements associes au capteur, amplificateurs) sensee se comporter

comme un integrateur (ou pseudo-integrateur) avec sa propre frequence de coupure.
Image
Image originale siaisie Conversion
Analogique-numerique
Systeme physique Capteur Electronique
Figure III.1 La fonction de transfert dune chane dacquisition dimage.
19
20 CHAPITRE III. CARACTERISATION SIMPLE DUNE CHAINE IMAGE
Cible photoconductrice
1cm x 1cm
Spot danalyse
Ampli Vers CAN
Scene
Objectif Tube vidicon
Figure III.2 La chane de la camera a tube vidicon.
1.2 Exemples
1.2.1 La camera a tube vidicon
La camera est munie dun objectif de focale f = 55mm ouvert a f /8 que lon assimile a une
lentille mince. On observe un objet a la distance D = 55cm de lobjectif ; le rapport de grandissement
f
est donc de G = D = 0.1. La cible du tube vidicon est un carre de surface 1cm2 , ce qui correspond
a un champ de vue de 10cm 10cm. Le spot danalyse, gaussien, a une largeur de 20m a 60% du
maximum, cest a dire = 10m. La duree du balayage dune ligne est de 50s. Enfin lamplificateur
a une constante de temps de 50ns.
1. La FT optique : cest une fonction tente. En eclairage incoherent, la FT optique peut secrire :
H(u, v) = Hc (u, v) Hc (u, v)
ou Hc (u, v) est la TF de louverture de la pupille de sortie (circulaire ici). La frequence de

a
coupure correspondante est alors fco = D ou a = f /8 = 55
8 mm est louverture de la pupille.
1
Pour = 500nm, on obtient fco = 25mm . La frequence de coupure dans le plan cible est
fco /G = 250mm1 .
2. Spot gaussien du tube vidicon : on a precedemment montre que le TF dune gaussienne de
revolution est aussi une gaussienne de revolution. Sa frequence de coupure a 60% du maximum
1
est fcs = 2 = 16mm1 . Dans le plan objet, elle est de fcs G = 1.6mm1 .
3. La FT de lelectronique : La duree de balayage dune ligne etant de 50s, une constante de
temps de 50ns correspond a un deplacement du spot sur la cible de 50ns1cm
50s = 10m, soit a
1
une frequence de coupure dans le plan objet de fce = 10mm .
Ces fonctions de transfert et leurs frequences de coupure sont representees sur la Figure.??. Ainsi,
cest le spot du tube qui limite la bande passante de la camera a tube vidicon.
1.2.2 La camera CCD

La configuration optique est la meme quavant. On remplace le tube par un capteur CCD dont la
zone image est carree de 1cm de cote et de 500 500 pixels. La zone photosensible noccupe quun
1/4 (rapport douverture) de la surface totale (photosites de 10m). La resolution spatiale, definie
comme le rapport du champ de vue objet sur le nombre dechantillons (pixels), est alors de 0.2mm.
1. La FT optique : idem exemple precedent.
2. La FT du spot CCD : on a precedemment montre que le TF dune ouverture carree est un sinus
1
cardinal dont le premier passage par zero est pour la frequence fcs = 10m = 100mm1 , soit
dans le plan objet une frequence de coupure Gfcs = 10mm1 .
1. LA FONCTION DE TRANSFERT 21
1
FT spot vidicon
FT electronique
0.8 FT optique
FT spot CCD
0.6
0.4
0.2
0.2
0.4
30 20 10 0 10 20 30
Frequence (mm1)
Figure III.3 Allure des fonctions de transfert des trois etages dune camera.
Vers CAN
Scene Electronique
Objectif Zone image CCD
(1cm x 1cm, 500 x 500 pixels)
Figure III.4 La chane de la camera CCD.

3. La FT de lelectronique : Il ny a pas damplificateur associe. Cependant, on pourrait integrer

dans cette contribution toute lelectronique de conversion et de quantification supposee de bande
passante assez large.
Comme lillustre la Figure.??, cest le spot CCD qui limite la bande passante du systeme.
2 Le bruit dans les images

2.1 Sources des bruits
On appelle bruit tout processus (souvent stochastique) qui contamine le signal utile en introduisant
des fluctuations aleatoires et non mesurees. Il se decompose pour la plupart des capteurs dimages en
trois origines distinctes.
2.1.1 Bruits externes

Ce sont les bruits dus aux fluctuations stochastiques du phenomene physique a lorigine du signal
dans le pixel. Par exemple, pour un capteur photoelectrique (e.g. camera), ce bruit est du a la nature
aleatoire corpusculaire des rayonnements recus (mesure et ambiant). Cest le bruit fondamental dans
la chane dacquisition qui impose un majorant sur le rapport signal-sur-bruit (RSB, voir definition
ci-dessous).
Remarque 4 Ces bruits externes vont parfois se trouver modifies (par necessite ou par commodite)
par le systeme de detection et lelectronique de conditionnement, ce qui altere leurs proprietes statis-
tiques originales.
2.1.2 Bruits internes

Ce sont les sources de bruits generes par le composant lui-meme. Par exemple, pour un capteur
photoelectrique, on peut distinguer les detecteurs a effet photoelectrique externe (photo-emission dans
le vide) et interne (semiconducteurs).
2.1.3 Bruits des elements associes

Il sagit essentiellement du bruit engendre par lelectronique de la chane instrumentale qui suit
le capteur. Nous retrouvons ici essentiellement le bruit thermique du a la resistance de charge et les
resistances parasites. A celui-ci se rajoute le bruit des amplificateurs et des convertisseurs analogiques-
numeriques.
2.2 Caracterisation statistique

Par sa nature stochastique, le bruit dans les images sera caracterise a laide des outils classiques
des mathematiques statistiques, et plus precisement des processus stochastiques. Ainsi, on pourra
sattacher a etudier ses proprietes distributives, ses statistiques du second ordre et finalement sa
stationnarite.
2.2.1 Definition dun processus stochastique

Pour des besoins pedagogiques evidents, les rappels sont donnes pour les processus 1D. Rappelons
quune variable aleatoire (VA) est une application assignant a chaque evenement E un nombre
X(E ). Un processus stochastique X(s) est une application assignant a chaque evenement E une
fonction X(s, E ). Un processus stochastique est donc une famille de fonctions des deux variables
2. LE BRUIT DANS LES IMAGES 23
pX (x)
PDF Fonction de distribution
0.4 1
(x)2
1 e 2 2 , xR Normale 0.2
2 0.5
0 0
5 0 5 5 0 5
0.6 1
x2
x 22
2
e , x R+
Rayleigh 0.4
0.5
0.2
0 0
0 1 2 3 4 5 0 1 2 3 4 5
1
I(x[a,b])
ba , x [a, b] 0.2
Uniforme 0.5
0.1
0 0
5 0 5 5 0 5
0.2 1
x
e x! , x N
Poisson 0.1 0.5
0 0
0 5 10 15 20 0 5 10 15 20
Figure III.5 Exemples de PDFs et de fonctions de distribution usuelles (pour des variables aleatoires
continues et discretes).
s S et E . Si S est laxe reel, le processus est continu. Si S est un sous-ensemble des entiers, le
processus est discret.
2.2.2 1er ordre

Definition 1 En tout s, X(s) est une VA dont la distribution (du 1er ordre) est :
P(x, s) = Pr(X(s) x) (III.1)
Sa densite (PDF) est :

P(x, s)
p(x, s) = (III.2)
x
2.2.3 Second ordre

Definition 2
Autocorrelation : On appelle la fonction dautocorrelation (FAC) du processus X(s) lesperance
du produit X(s1 )X(s2 )
Rx (s1 , s2 ) = E[X(s1 )X(s2 )] (III.3)
Cette notion peut setendre a deux processus pour donner lieu a linter-(ou cross)correlation.
Pour X(s) reel, La FAC est une fonction reelle paire. Un cas interessant est celui dun processus
blanc stationnaire. Un processus est dit blanc ssi :
Rx (s1 , s2 ) = (s1 s2 )
ou (s) est la distribution de Dirac. Ceci veut dire le processus na aucune memoire.
Autocovariance : Elle est definie par :
Cx (s1 , s2 ) = Rx (s1 , s2 ) E[X(s1 )]E[X(s2 )] (III.4)
Variance : La variance du processus X(s) est Cx (s, s).
2.2.4 La stationnarite
Definition 3 (Au sens strict) Un processus aleatoire est dit stationnaire au sens strict (SSS) si
ses proprietes statistiques sont invariantes par changement dorigine par rapport a la variable s.
Definition 4 (Au sens large) Un processus aleatoire est dit stationnaire au sens large (SSL) sil
verifie les conditions suivantes :
E[X(s)] = mX = cte, E[X(s1 )X(s2 )] = Rx (s2 s1 ) (III.5)
La FAC ne depend que de la distance entre s1 et s2 . Notons en particulier que E[X(s)2 ] = Rx (0) = cte
Dans les situations pratiques, on est souvent amenes a considerer des signaux (images) periodiques.
On definit ainsi la cyclostationnarite :
Definition 5 (Stationnarite periodique) Un processus aleatoire est dit cyclostationnaire si ses

proprietes statistiques sont invariantes par translations de multiples de T par rapport a la variable s,
i.e. :
D
n Z, X(s + nT ) = X(s) (III.6)
2.2.5 Caracterisation spectrale

Definition 6 Le spectre de puissance (densite spectrale de puissance DSP) Sx () dun processus
aleatoire SSL X(s) est la transformee de Fourier de sa FAC :
Z
Sx () = Rx (s)eis ds (III.7)
R
Pour X(s) reel, la DSP est une fonction reelle paire. En particulier, la variance du processus centre
SSL est : Z
2 1
X = Rx (0) = Sx ()d (III.8)
2 R
2.2.6 Ergodicite
Soit X(s, E ) un processus stochastique defini sur un compact , et {X(s, Ek )}k=1,...,K plusieurs
de ses realisations (ici s indexe lespace). Le probleme dergodicite consiste a se poser la question
dequivalence asymptotique entre les proprietes statistiques du processus et celles obtenues a partir
de ses realisations.
Prenons par exemple le cas de lergodicte en moyenne. Soit mX (s) x la moyenne des K realisations
en tout s :
1 X
mX (s) xk (s) (III.9)
K
k
Supposons a linverse que lon accede qua une seule realisation du processus. Peut-on alors estimer
la moyenne mX (s) par la moyenne spatiale du processus, i.e.,
Z
1
x = lim X(s, E )ds (III.10)
Card + Card
2. LE BRUIT DANS LES IMAGES 25
Ceci nest evidemment pas possible si mX (s) depend de s (condition suffisante pour rejeter lhypothese
dergodicite). Dans le cas contraire ou mX (s) = mX , s, on peut montrer que sous hypotheses assez
generales, x = mX .
Repondre a cette question est un probleme mathematique qui va au dela de ce manuscrit. On
peut toutefois intuitivement voir que pour que cette equivalence soit valide, il faut que les proprietes
statistiques deduites a partir du processus soient independantes de k. De meme quil faut que celles
deduites des realisations soient independantes de s, dou la stationnarite (tout du moins la SSL).
Ces conditions sont necessaires mais pas suffisantes. Fort heureusement, dans beaucoup de problemes
rencontres en traitement dimages, ces conditions sont verifiees et lergodicite est alors supposee vraie.
2.3 Le rapport signal sur bruit

Cest une quantite permettant dapprecier lenergie du signal utile par rapport a celles des com-
posantes de nuisance, en particulier le bruit, note . Il est generalement defini en decibels (dB) sous
la forme :
Esignal
RSB = 10 log10 (III.11)
2
ou 2 est la variance du bruit et Esignal lenergie moyenne vehiculee par le signal.
Exemple 1 (Le photodetecteur) Interessons nous a un photodetecteur surfacique forme de pho-

todiodes elementaires (une par pixel) independantes. Le bruit externe dans ce cas est un bruit de
grenaille photonique propre a tout dispositif de collecte de particules induisant un bruit de comptage
de statistique poissonienne. De ce fait, le nombre de photons arrivant sur un photosite (pixel) (jusqua
un instant T ) peut etre ecrit :
X
n= (t ti ) (III.12)
i
ou les instants ti sont des VAs poissoniennes independantes et identiquement distribuees de parametre

h , ou est le flux moyen (la densite secrit comme en Fig.??). Ainsi le flux instantane arrivant sur
le pixel est :
X
T = hn = h (t ti ) (III.13)
i
On peut facilement deduire des proprietes de la loi de Poisson que :
E [T ] = , ST () = h (III.14)
La DSP de T est donc celle dun bruit blanc. Ainsi, si le photodetecteur collecte les photons a une
bande passante video f , la variance de T se deduit de la definition Eq.?? :
Z +f
2 1 2hcf
= ST ()d = (III.15)
T
2 f
ou est la longueur donde. Le RSB est alors :

RSB = 20 log10 = 10 log10 (III.16)
2hcf
Ainsi, on retrouve le resultat classique quacquerir a une cadence elevee confere au systeme dacquisi-
tion une plus grande rapidite. Mais ceci peut etre au detriment du RSB et donc de la qualite du signal
recueilli.
Figure III.6 Effet de lechantillonnage (droite) sur une image continue (gauche).
3 La numerisation et la quantification dimages
3.1 La conversion analogique-numerique
Comme nous lavons vu jusqua lors, une image reflete une grandeur physique transformee en
signal electrique mesuree en chaque point de lespace. Le signal electrique brut recueilli est un signal
analogique quil faudra convertir en valeur numerique pour pouvoir le traiter numeriquement par un
calculateur. Ceci se decompose en deux operations :
a. Un echantillonnage du signal electrique delivre par le systeme de saisie : celui-ci ne prend en compte
que les valeurs de limage analogique a des points discrets sur un reseau orthogonal periodique.
Cet echantillonnage spatial est realise par construction dans les dispositifs utilisant des capteurs
a elements discrets. Dans le cas dun spot carre, limage peut etre vue comme une mosaque de
pixels jointifs, chacun portant une valeur uniforme qui traduit le signal moyen mesure par le capteur
elementaire correspondant (voir Fig.??).
b. Une quantification de la valeur de niveau de gris de chaque pixel : cette valeur etant en general
continue (reelle), il convient, pour des traitements numeriques, de la convertir en valeur numerique
(un nombre entier en general) selon une loi de codage (lineaire ou pas). Limage se trouve ainsi quan-
tifiee sur un nombre fini de niveaux le plus souvent equidistants. Pour un convertisseur analogique-
numerique (CAN) en NB bits, le nombre de niveaux possible est de 2NB allant de 0 a 2NB 1
(exemples courants : 8 bits 256 niveaux, 16 bits 65536 niveaux). Le signal de conversion est delivre
au CAN au bon moment par un dispositif de codage spatial (mecanique ou electrique) permettant
de reperer le pixel en question.
Quoiquil en soit, le resultat final de lacquisition est une image numerique, cest a dire des va-
leurs tabulees (une matrice pour une image 2D). Pour des raisons de commodite, le nombre de
points par ligne et par colonne est souvent le meme et egal a une puissance de 2 (notamment
pour les calculs de transformees rapides telles que la FFT). Ainsi recontre-t-on souvent des images
256 256, 512 512, 1024 1024 (voir Fig.??).
3. LA NUMERISATION ET LA QUANTIFICATION DIMAGES 27
Spectre signal Bande utile

FT ouverture
Produit des deux
f f
c 1/2T 1/2T c
Erreur daliasing
Figure III.7 Erreur de repliement et erreur de resolution.
3.2 Erreurs introduites par la numerisation
3.2.1 Pre-filtrage par louverture
Si a est la dimension effective de louverture de lecture, cette derniere se comporte comme un filtre
passe-bas de frequence de coupure fc a1 . Si fmax est la frequence du detail le plus fin perceptible
dans limage, il faut choisir a de facon a verifier fc fmax .
3.2.2 Lechantillonnage
Si on veut echantillonner un signal sans perte dinformation, limage doit etre a spectre borne :
|T F | 0 pour la frequence en dehors de lintervalle [fmax , fmax ], et il faut choisir une frequence
dechantillonnage T1 2fmax (condition de Shannon). Comme nous lavons evoque au ??.??, le
phenomene de repliement spectral (aliasing) engendre une perte dinformation se traduisant en presence
de bruit, par une degradation du RSB et par lintroduction de figures de moire. En pratique, les
spectres des images ne sont jamais a support compact mais on admet quils se composent dune partie
utile de frequence maximale fmax et dune partie dominee par le bruit en dehors de lintervalle utile.
Fixant T1 2fmax , le choix de la taille et de la forme du spot de mesure resulte dun compromis entre
la resolution et laliasing. Le pre-filtrage passe-bas de frequence de coupure fc fmax introduit par
le spot nest pas celui du gabarit rectangulaire parfait. En prenant comme reference ce dernier et en
notant son energie dans la bande utile EM , on peut chiffrer lerreur de resolution comme lecart relatif
entre lenergie vehiculee dans lintervalle utile et EM . Lenergie qui passe en dehors de cet intervalle
permet de chiffrer lerreur de repliement. Pour les ouvertures usuelles, on aboutit a un compromis
resolution-aliasing pour T = f1c = a qui permet dobtenir des pixels jointifs sur une maille orthogonale.
Cependant, cet echantillonnage nest pas optimal pour des images a spectre non carre. Par exemple,
si le spectre est circulaire, on montre que la maille hexagonale est celle qui assure un rapprochement
maximal des motifs du spectre avec un minimum dencombrement. Elle presente aussi lavantage de
lequidistance dun pixel a ses voisins directs dou sa preference en reconnaissance de formes ou en
morphologie mathematique.
(b) (c)
y v
x (a) u
v
y u v
x u
(d) (e)
Figure III.8 (a) Image a analogique a spectre circulaire. (b) Maille orthogonale carree. (c) Spectre
de la version discrete de limage precedente sur la maille carree. (d) Maille hexagonale. (e) Spectre

de la version discrete de limage precedente sur la maille hexagonale. Un gain dun facteur 1 23 en
nombre de pixels est assure avec une telle maille pour couvrir la meme quantite dinformation.
4. RELATIONS SPATIALES ENTRE PIXELS 29
4connexite 8connexite
Figure III.9 Systemes de voisinage en deux dimensions.
3.2.3 La quantification
Elle cree un bruit de discretisation des niveaux et risque, si les niveaux de sortie sont trop espaces,
de faire apparatre de faux isocontours (phenomene de Mach). Pour eviter ces effets nefastes, il est
possible dutiliser des quantificateurs a niveaux non-equidistants tels que le quantificateur lineaire
optimum de Max-Lloyd. Celui-ci exploite la loi de repartition des niveaux dans limage analogique.
Une autre approche consiste a utiliser un quantificateur logarithmique (non-lineaire) qui exploite la
reponse logarithmique de loeil.
Dans le cas de niveaux a repartition uniforme, il est facile de prouver que lecart type du bruit de
quantification vaut 2NVBmax
. Ce bruit etant decorrele du bruit electronique et du bruit de detection
12
photonique (ces deux derniers etant eux-memes mutuellement independants), la variance du bruit
total est alors la somme des variances individuelles. Cest le bruit de detection qui reste preponderant
sauf a faible signal. Par ailleurs, meilleur est le bruit de detection, plus grand doit etre le nombre de
bits du CAN.
4 Relations spatiales entre pixels

Dans cette section, nous considerons plusieurs relations importantes entre pixels dune image
numerique. Un pixel s sera indexe par ses coordonnees spatiales (nx Tx , ny Ty ). Pour ne pas alourdir
la notation, le pas dechantillonnage sera suppose unitaire et egal suivant les deux dimensions.
4.1 Notion de voisinage et de connexite

Un systeme de voisinage V est defini de la facon suivante :
Definition 7 (Voisinage)
(
s/ Vs
Vs = {t} tels que (III.17)
t Vs s Vt
Le cardinal de Vs sera notee Card Vs . Ce cardinal est au maximum soit de 4, auquel cas on
parle de voisinage 4-connexite, ou de 8 auquel cas on parle de voisinage 8-connexite. Les voisins t de
s = (nx , ny ) en 4-connexite sont les voisins horizontaux et verticaux de coordonnees
(nx + 1, ny ), (nx 1, ny ), (nx , ny + 1), (nx , ny 1)
Ils sont tous a une distance euclidienne de 1 pixel du pixels s. On parle aussi de pixels 4-connexes.
Lorsqua ces voisins, on rajoute les voisins diagonaux (a une distance euclidienne 2), on obtient les 8
voisins (Fig.??). Puisque les images numeriques sont definies sur des domaines bornes, dans les deux
voisinages evoques, les pixels au bord de limage nont pas tous leurs 4 ou 8 voisins.
Figure III.10 Quelques concepts discrets.
4.2 Quelques notions discretes

Definition 8 (adjacence) Soient S1 et S2 deux sous-ensembles de lensemble des pixels dune image
numerique. S1 et S2 sont dits adjacents ssi :
s1 S1 et s2 S2 , tq s2 Vs1
ou le voisinage est entendu au sens defini ci-dessus.
Definition 9 (Chemin ou courbe) Un chemin entre deux pixels s1 et sn est une sequence de pixels
distincts ou si et si+1 sont adjacents. n est la longueur discrete du chemin. Si en plus s1 et sn se
confondent, alors le chemin est ferme.
Definition 10 (Connectivite) Soit S un sous-ensemble de lensemble des pixels dune image numerique.
Deux pixels sont connectes dans S sil existe un chemin les reliant dont les pixels sont aussi dans S.
Lensemble des pixels connectes dans S definissent une composante connexe.
Definition 11 (Region) Une region R dune image est un ensemble de pixels definissant une com-
posante connexe.
Definition 12 (Bordure ou bord) La bordure ou bord dune region est le sous-ensemble de pixels
dune region ayant un ou plusieurs voisins nappartenant pas a R.
Definition 13 (Contour ou front) Le concept de front ou contour peut parfois se confondre avec
celui de bord ou bordure. Toutefois, nous leverons definitivement cette ambuiguite lorsquon reliera
etroitement la notion de contour ou front aux transitions franches qui existent dans les images, que
lon peut capter par des operateurs differentiels comme le gradient ou encore le laplacien. Ceci fait du
contour un concept local lie aux discontinuites locales mesurees sur limage. Alors que le bord dune
region compacte est un chemin ferme definissant ainsi un concept global. Le cas ou ceux des concepts
concident est celui des images binaires.
4.3 Distance
Definition 14 On appelle distance entre deux pixels s1 et s2 toute fonction d(s1 , s2 ) verifiant les
axiomes classiques :
(i) Positivite : d(s1 , s2 ) 0,
(ii) Homogenete : R, d(s1 , s2 ) = ||d(s1 , s2 ),
(iii) Symetrie : d(s1 , s2 ) = d(s2 , s1 ),
(iv) Inegalite triangulaire : s3 , d(s1 , s3 ) d(s1 , s2 ) + d(s2 , s3 ).
4. RELATIONS SPATIALES ENTRE PIXELS 31
Par exemple, la distance euclidienne verifie ces axiomes. Cependant, le passage du continu au discret,
et notamment la qualite et la precision destimation dune distance continue a partir dune image
discrete est un probleme important en soi. Ceci necessite la comprehension des phenomenes souvent
complexes associes a la frontiere discret-continu, et qui sont loin davoir ete resolus. Nous nallons pas
nous attarder plus sur ces aspects.
Chapitre IV
Bases de pre-traitement dimages
Une image echantillonnee numerisee est maintenant prete a subir les traitements numeriques
permettant den extraire les informations pertinentes facilitant ainsi les taches dinterpretation et de
prise de decision. Nous nous limitons ici au cas des pre-traitements de limage. Bien quil soit difficile
de trouver un qualificatif particulier du pre-traitement par rapport au traitement, nous tenterons de
nous limiter ici a quelques operations de bases sur les images monochromes. Ces pre-traitements
agiront sur laspect photometrique (intensite) ou geometrique de limage.
1 Histogramme dintensite
Limage que nous observons est codee sur NB bits. Si on appelle m ses niveaux de gris (0
m < M = 2NB ), et on considere limage comme la realisation dune variable aleatoire a differentes
coordonnees. Etablir lhistogramme dune image, cest compter le nombre relatif de points N (m) dont
lintensite est au niveau m.
M
X 1
N= N (m)
m=0
ou N est le nombre de pixels de limage.

En renormalisant par N , on obtient une estimee de la probabilite p(m) dapparition du niveau m :
M 1
N (m) X
p(m) = , p(m) = 1
N
m=0
Par la loi des grands nombres, ceci tend vers la densite de probabilite de la precedente variable alatoire
lorsque N tend vers linfini.
Remarque 5 Le signal analogique E issu dune camera est continu, il lui correspond une densite de
probabilite fE . La quantification est effectue a laide dun CAN dont la dynamique couvre en principe
la gamme dexcursion de E pour eviter la saturation. La quantification liee au CAN introduit les
probabilites p(m) telles que :
Z m+/2
p(m) = fE (e).de
m/2
ou est le pas de quantification. On remarque donc une dissymetrie pour p(0) et p(M 1) liee a
la technique de CAN. En general, on restreint la dynamique dintensite et ces niveaux ne sont pas
peuples.
33
34 CHAPITRE IV. BASES DE PRE-TRAITEMENT DIMAGES
1.1 Modification dhistogramme

La modification de lechelle dintensite dune image a pour but, soit de renormaliser deux images
dorigines differentes pour des post-traitements soit de faciliter son examen visuel.
1.1.1 Obtention dun histogramme plat

Placons dans le cas continu. Le signal dentree E a une densite de probabilite fE . On veut calculer
la transformation monotone E = h(E) telle que fE (e ) = A1 ; E est uniforme dans lintervalle [0, A].
Cette fonction etant monotone, on a conservation des densites detat :

fE (e).de = RfE (e ).de = h (e)de
A
e
e = h(e) = A 0 fE (u).du = AFE (e)
ou FE est la fonction de repartition de la variable E. Elle est estimee dans le cas echantillonne par
lhistogramme cumule.
1.1.2 Transformation dun histogramme vers un histogramme impose

On peut transformer E vers E tel que fE soir de forme imposee donnee. On sait deja transformer
E E pour que fE (e ) = A1 . En prenant cette fois E comme origine, on peut egalement deduire
la transformation monotone qui rend E uniforme dans [0, A]. Il vient alors que :
e = g(e) = FE1
FE (e) (IV.1)
1.1.2.a Exemple Changement dhistogramme vers une forme specifiee. Limage est numerisee sur
8 niveaux (3 bits) telle que :
m0 1 2 3 4 5 6 7
fE (m) 0.19 0.25 0.21 0.16 0.08 0.06 0.03 0.02
FE (m) 0.19 0.44 0.65 0.81 0.89 0.95 0.98 1
Transformation
P vers un histogramme uniforme A = 8 :
m E = A m fE (m) m
0 1.52 1-2
1 3.52 3-4
2 5.2 5
3 6.48 6
4 7.12 7
5 7.6 7-8
6 7.84 7-8
7 8 8
Modification vers un histogrammePspecifie :
m fE (m ) FE (m ) E = A m fE (m ) m m
0 0 0 0
1 0 0 0
2 0 0 0
3 0.15 0.15 1.2 1
4 0.2 0.35 2.8 2-3 1
5 0.3 0.65 4.4 4-5 2
6 0.2 0.85 6.8 6-7 3 ou 4
7 0.15 1 8 8 5 ou 6 ou 7
La Figure.?? donne un exemple simple duniformisation de lhistogramme dune image codee sur
8 bits. Tous les niveaux de limage finale sont alors equiprobables. A etant egal a 255, la dynamique
1. HISTOGRAMME DINTENSITE 35
Image originale Image a histogramme uniforme
Histogramme original 3 Histogramme uniforme

x 10
0.025 7
6
0.02
5
0.015 4
0.01 3
2
0.005
1
0 0
0 50 100 150 200 0 50 100 150 200 250
Figure IV.1 Un exemple simple duniformisation de lhistogramme dune image codee sur 8 bits.
La ligne rouge sur lhistogramme final correspond a un histogramme uniforme dans [0,255].
de limage finale est de 256 niveaux de gris. On remarque clairement leffet visuel engendre par cette
transformation, ou on apprecie mieux certaines zones de limage.
1.2 Correction de la non-linearite dintensite dun capteur

A une intensite lumineuse, correspond une tension v telle que :
v = g(e), e = g 1 (v) = h(v)
Les cartes de digitalisation sont munies de LUT (look-up table) telles qua vm correspond un autre
niveau em (la plus proche valeur entiere de e h(vm )).
En pratique, on dispose dune image digitalisee de M valeurs de v avec les probabilites doccurrence
associees p(m) :
Z m+/2
p(m) = fV (v).dv
m/2
La technique de linearisation fait correspondre a m une valeur m dou p(m) = p(m ). Mais, si
lintervalle dintegration sur v est par definition constant, il ne lest pas forcement sur E, il est dont
preferable de lineariser avant numerisation.
Exemple Soit une image dont leclairement est uniforme dans [0, EM ] ; fE (e) = E1M , 0 e

EM . Ce signal passe par un capteur de caracteristique v = k e ; v est ensuite numerise. Si on appelle
le pas de quantification du CAN, la population du niveau m apres conversion secrit :
Z Z
2
m+/2
m+/2 k
p(m) = fV (v).dv = 2 fE (e).de
m/2
m/2 k
2m2
p(m) =
k 2 EM
La transformation inverse fait correspondre a m le niveau m = m2 . Ce processus de linearisation
doit etre complete apres digitalisation par une interpolation locale. En pratique ces corrections de
linearite sont effectuees par des cartes memoires au moyen de LUT programmables. Ce sont des
tables etablissant des correspondances de niveaux.
2 Filtrage spatial discret

2.1 Filtres lineaires
Definition 15 Comme nous lavons vu auparavant, les proprietes des operateurs spatialement in-
variants sont essentiellement les memes que ceux en une dimension. Ainsi, la reponse dune image
discrete a laction dun filtre lineaire spatialement invariant h(nx , ny ) de support [Mx , Mx ][My , My ]
est :
Mx My
X X
f h(nx , ny ) = f (nx px , ny py )h(px , py ) (IV.2)
px =Mx py =My
La convolution circulaire permet de prendre en compte les effets de bord soit par symetrisation soit
par reflexion. Le filtre h est aussi communement appele masque ou noyau. Le plus grand des scalaires
Mx et My est dit taille ou horizon du filtre. La reponse impulsionnelle de h est soit finie auquel cas
Mx et My sont finis, soit infinie dans le cas ou lhorizon est infini.
La Fig.?? illustre un exemple de filtre 3 3 et son application sur une image f . En tout point, le
resultat de la convolution est la somme des produits terme a terme montres dans les grilles zoomees
de la figure.
Exemple 2 (Moyenneur) Le filtre moyenne mobile ou moyenneur est defini sur un carre de taille
(2M +1)(2M +1) dont tous les echantillons portent la valeur (2M +1)2 . Ainsi, le pixel (nx , ny ) dans
limage filtree portera la moyenne de tous les pixels lentourant (dans un horizon M ) dans limage
dentree f , i.e. :
M
X XM
1
fM (nx , ny ) = f (nx px , ny py ) (IV.3)
(2M + 1)2
px =M py =M
La Fig.?? montre le resultat dapplication du filtre moyenneur sur une image avec M = 3 et M = 5.
Il faut noter en particulier la reduction du bruit mais aussi la perte des details fins a mesure que M
augmente. Ceci presage du comportement spectral de ce filtre que nous verrons plus loin.
2.2 Caracterisation spectrale

Le domaine spectral permet de scruter le filtre lineaire sous un autre angle ; celui du contenu
frequentiel en passant par sa fonction de transfert en regime harmonique. De facon generale, ayant
2. FILTRAGE SPATIAL DISCRET 37
ny
(nx,ny)
h(1,1) h(1,0) h(1,1)
Arrangement et
f(nx,ny) h(0,1) h(0,0) h(0,1) coeffs du masque.
nx
h(1,1) h(1,0) h(1,1)
f(nx1,ny1) f(nx1,ny) f(nx1,ny+1)
f(nx,ny1) f(nx,ny) f(nx,ny+1) Pixels de limage en dessous

du masque.
f(nx+1,ny1) f(nx+1,ny) f(nx+1,ny+1)
Figure IV.2 Exemple de filtrage spatial avec un filtre a horizon fini 3 3. Lagencement des valeurs
du masque, ainsi que des pixels en dessous sont montres en zoom pour une meilleure lisibilite.
Figure IV.3 Effet dun moyenneur 3 3 et 5 5 sur une image. Noter en particulier la reduction
du bruit mais aussi la perte des details fins a mesure que M augmente.
Figure IV.4 Profil frequentiel du moyenneur pour M = 1 et M = 3. Ce filtre est essentiellement

un passe-bas avec des lobes secondaires vers les hautes frequences de gain negligeable.
affaire a un filtre discret, nous pouvons definir (sous les conditions de rigueur necessaires), la trans-
formee en Z (bilaterale) du filtre bidimensionnel h(nx , ny ) par le developpement en serie de Laurent
suivant : X n
H(zx , zy ) = Zh(nx , ny ) = h(nx , ny )zxnx zy y (IV.4)
(nx ,ny )Z2
a chaque fois que la serie ci-dessus converge. En regime harmonique, les variables complexes zx =
ei2u , zy = ei2v (rappelons que Tx et Ty sont supposes unitaires). Ainsi, on retrouve lexpression de la
TFD de h comme nous lavons etabli au ??.??. Rappelons par ailleurs que du fait de lechantillonnage,
la bande spectrale a laquelle nous avons acces est limitee par le theoreme de Shannon, i.e. (u, v)
[ 12 , 21 [2 .
Exemple 3 (Moyenneur) Reprenons le cas du moyenneur (2M + 1) (2M + 1). Sa TFD est alors :
X
H(u, v) = h(nx , ny )ei2(nx u+ny v)
(nx ,ny )[M,M ]2
M
! M
!
1 X X
= 1+2 cos 2nu 1+2 cos 2nv (IV.5)
(2M + 1)2
n=1 n=1
Comme nous lavions predit dans le section precedente, ce filtre est essentiellement un passe-bas avec
des lobes secondaires vers les hautes frequences de gain negligeable. En outre, sa frequence de coupure
diminue a mesure que lhorizon M croit.
Exercice 1 Soit le filtre continu gaussien suivant :

2
x + y2
h(x, y) = K exp
2 2
Calculer les echantillons de lequivalent discret de ce filtre sur un horizon 3 3 et = 1.

Deduire la valeur de K de facon a normaliser le filtre a une moyenne unitaire.
Etudier son comportement frequentiel. Le resultat etait-il previsible ?
2.3 Sur quelques operateurs differentiels discrets

Ces operateurs sont essentiellement destines a mettre en exergue les details fins dune image. Ainsi,
on pourrait dores et deja prevoir que le gabarit frequentiel correspondant est plutot un passe-haut.
Leur utilite est multiple, et couvre des champs aussi varies que la segmentation (approche contour),
le rehaussement et lamelioration des images, la restauration, etc.
Deux operateurs fondamentaux de cette famille sont le gradient et le Laplacien.
2.3.1 Le gradient
2.3.1.a Cas continu Une image continue f (x, y) monochrome est une fonction de R2 vers R. On
peut alors definir le gradient de ce champ potentiel comme etant le vecteur des derivees partielles
(lorsque celles-ci existent) selon les deux dimensions, i.e.,
!
f (x,y)
f (x, y) , x (IV.6)
f (x,y)
y
r
(x,y) 2 f (x,y) 2
On peut aussi definir son module | f (x, y)| = fx f (x,y)/y
+ y et sa direction = arctan f (x,y)/x .
Le vecteur gradient est orthogonal a la direction du front ou du contour de limage (voir Fig.??). Sa
direction donne celle de la plus forte variation de limage f . Ainsi, localiser les contours dune image
(fonction) se ramene a localiser les points de fortes variations correspondant aux extrema du gradient.
2.3.1.b Cas discret La discretisation du gradient requiert celle des derivees partielles. Les derivees
dune image digitale sont definies en termes de differences finies. Il existe plusieurs facon de les definir.
Toutefois, quelle que soit la definition, nous exigerons pour la derivee premiere quelle soit : (1) nulle
dans les regions de niveaux de gris constant, (2) non-nulle aux changements francs dintensite, (3)
non-nulle le long des variations uniformes dintensite (e.g. rampe). Par ailleurs, dans des images
numeriques a valeurs finies, la plus grande variation dintensite est aussi finie.
Ecrivons lexpression de la derivee partielle de limage continue f (derivable en tout x) suivant x
par exemple :
f (x, y) f (x + ) f (x)
= lim
x 0
f (x) f (x )
= lim
0
f (x + ) f (x )
= lim (IV.7)
0 2
Le plus petit pas accessible en discret etant le pas dechantillonnage Tx , les differences finies
df/dx | f|
(x,y) df/dy
Figure IV.5 Interpretation geometrique du gradient dune image.
Figure IV.6 Illustration du gradient dune image.
suivantes permettent une bonne approximation des derivees :
f\
(x, y) f (nx +Tx )f (nx )
Tx (difference finie a droite)
x
f (nx )f (nx Tx )
Tx (a gauche)
f (nx +Tx )f (nx Tx )
2Tx (centree) (IV.8)
Pour un pas dechantillonnage unitaire, les masques correspondants sont :

A droite A gauche Centree
(1 1) (1 1) (1 0 1)/2
Il ne sont pas sans rappeler les reponses impulsionnelles dun derivateur discret.
La Fig.?? montre un exemple de calcul dun gradient par les differences centrees (masque (1 0 1)/2).
Exercice 2 Pour chacune des approximations des differences finies ci-dessus, etudier le comporte-
ment frequentiel du masque associe. De quel gabarit sagit-il ?
2.3.2 Le gradient en presence de bruit

Il nest pas difficile de voir que les masques des differences finies ci-dessus ont un comportement
passe-haut (selection des details fins). Leffet secondaire dun tel comportement est une amplification
du bruit, ce qui est de fait indesirable. Pour pallier cette effet, plusieurs alternatives existent. Elles
consistent essentiellement a intercaler un filtre passe-bas avant de proceder a une derivation, limitant
ainsi lamplification du bruit.
2.3.2.a Filtre de Prewitt La proposition de Prewitt est dappliquer la difference finie suivant
une dimension en moyennant suivant lautre. Ainsi, le masque de derivation discrete dans ce cas
suivant x pour une taille 3 3 est :

1 1 1 1/2
1
0 0 0 = 0 (1/3 1/3 1/3)
6
1 1 1 1/2
Le masque de derivation suivant y est le transpose du masque ci-dessus.
Exercice 3 Soit une image de bruit blanc gaussien stationnaire de variance 2 . Considerons la
derivee partielle discrete suivant x, et notons la x .
Calculer la densite spectrale de puissance du bruit dans x , dans le cas ou le filtre de Prewitt
est utilise, ainsi que dans le cas de la difference finie centree seule.
En deduire que le filtre de Prewitt entrane une reduction du bruit par rapport au gradient avec
une difference finie centree seule.
2.3.2.b Filtre de Sobel Le filtre de Sobel est similaire a celui de Prewitt sauf quun filtre gaussien
est utilise a la place du moyenneur. Le masque 3 3 pour la derivee discrete suivant x est :

1 2 1 1/2
1
0 0 0 = 0 (1/4 2/4 1/4)
8
1 2 1 1/2
2.3.2.c Filtre optimal de Canny Prenons le cas mono-dimensionnel continu. Modelisons une
transition (prise arbitrairement en 0) observee comme etant la superposition dun echelon dHeaviside
damplitude A corrompu par un bruit additif gaussien blanc centre de variance 2 :
f (x) = AU (x) + (x) (IV.9)
Le critere de Canny consiste a trouver un filtre optimal lineaire invariant de reponse impulsionnelle
paire h(x) C 2 avec en sortie du filtre :
s(x) = Ah U (x) + h (x) (IV.10)
satisfaisant trois criteres pour le signal et ainsi garantir une bonne detection du contour :
(i) Critere defficacite de la detection : Lefficacite de la detection correspond a la maximisation
RSB en sortie de h qui le quotient de la reponse du filtre h(x) a la transition (au point 0) par
lecart type du bruit apres filtrage. Son expression est donnee par :
R +
A h(x)dx
RSBd = qR0 (IV.11)
+ 2
h (x)dx
(ii) Critere de localisation : on localise le contour pour s (x) = 0 avec :
s (x) = Ah(x) + h (x) (IV.12)
ayant utilise les proprietes usuelles de la distribution U (x) et du produit de convolution. Le bruit
en sortie de ce detecteur possede une variance :
Z +
2 2
f = h2 (x)dx (IV.13)

En absence de bruit, s (x) = Ah(x), il faut donc h(0) = 0 pour localiser le contour en 0. En raison
du bruit, la position du contour va fluctuer sur une extension spatiale x telle que Ah(x) = f
(amplitude de variation comparable au bruit). Soit en linearisant h(x) dans [0, x],

Ah(x) = A h(0) + xh (0) = f (IV.14)
or h(0) = 0 puisquil faut localiser en x = 0 sans bruit, et la localisation doit satisfaire :

1
x = A q |h (0)| (IV.15)
R + h2 (x)dx

(iii) Critere dunicite : Ce critere dunicite exige que la reponse a un contour bruite du filtre recherche
ne donne pas lieu a trop de maxima locaux proches du maximum local definissant la position
du contour. Pour calculer la distance moyenne entre deux maxima de bruit en sortie du filtre,
on se sert du theoreme de Rice selon lequel, la distance moyenne entre deux zeros consecutifs
dun bruit blanc gaussien filtre est : s
R(0)
(IV.16)
R (0)
ou Rets la FAC du bruit en sortie du filtre. On sinteresse a la distance entre deux deux maxima.
Des extrema (maxima ou minima) dun signal correspondent aux zeros de sa derivee. Ayant
la meme probabilite dobserver des maxima que des minima, la distance moyenne entre deux
maxima est alors de deux fois la distance entre deux zeros de la derivee. En sortie du filtre h, la
FAC du bruit derive est la TF inverse de sa DSP :
h i Z +
2
R( ) = T F 1 2
|2uH(u)| = 2
|2uH(u)|2 ei2u du (IV.17)

En supposant que lon puisse deriver deux fois sous le signe integrale (conditions de sommabilite
et de derivabilite suffisantes), on a :
Z +
2 2
2
R ( ) = 4 u H(u)2 ei2u (IV.18)

Soit en regroupant tous les termes et en appliquant la formule de Plancherel, la distance moyenne
entre deux maxima : s vR
u + 2
R(0) u h (x)dx
dM = 2
= 2 t R
+ (IV.19)
R (0) h2 (x)dx

La determination du filtre repose sur la maximisation des parties variables du produit RSBd x1
sous la contrainte dM maximale. Une solution analytique nexistant pas, le filtre optimal peut etre
approxime par une derivee de gaussienne :
2
! 2
d 1 x2 x2
2 2
h(x) = e h = Kxe h (IV.20)
dx 2h
Lextension en 2D est directe en remplacant la derivee ci-dessus par les derivees partielles. On peut
alors aisement voir que pour calculer les composantes du gradients, il suffit de moyenner selon une
dimension avec un filtre gaussien tout en appliquant la derivee de la gaussienne suivant lautre di-
mension. Cependant ce filtre a un support idealement infini, rendant son implementation directe par
le produit de convolution extremement couteuse. Dautre part, sa troncature a un support fini en
pratique (masque (2M + 1) (2M + 1)) limite ses performances. Lapproche de Deriche propose une
implementation recursive de h tout en preservant ses proprietes doptimalite.
Exercice 4 Prouver lexpression de RSBd .

Pour le filtre approche de Canny, ecrire les expressions simplifiees de RSBd , x1 et dM en
fonction de h . Commenter leffet de h sur levolution de ces trois criteres.
2.3.2.d Extension recursive de Deriche Le filtre de Deriche reformule le filtre h sous la forme :
h(x) = Kxe|x| , > 0 (IV.21)
ou joue le role inverse de h . Ce filtre possede une implementation recursive fort utile. En effet, la
transformee en Z bilaterale du filtre a reponse impulsionnelle infinie h(nx ) (la version discrete de h)
est :
S(z) az 1 az
Zh = = H+ (z) + H (z) = + (IV.22)
F (z) 1 2bz 1 + b2 z 2 1 2bz + b2 z 2
avec a = Kb et b = e . Ainsi, la version filtree de f (nx ) (signal derive discret) est par recurrence :
s(nx ) = a(s+ (nx ) s( nx ))

s+ (nx ) = f (nx 1) + 2bs+ (nx 1) b2 s+ (nx 2)
s (nx ) = f (nx + 1) + 2bs (nx + 1) b2 s+ (nx + 2) (IV.23)
De la meme facon, lextension en 2D sopere en appliquant suivant une direction le derivateur de

Deriche 1D, et suivant lautre le filtre passe-bas de Deriche suivant :
g(x) = (1 + |x|) e|x|
Exercice 5 En suivant la meme demarche que ci-dessus, trouver les coefficients des equations de
recurrence du filtre moyenneur de Deriche.
2.3.3 Le Laplacien
Comme nous venons de le voir, les contours dune image correspondent aux extrema du gradient.
Pour un signal 1D (voir Fig.??), ces maxima correspondent aux passage par zero de la derivee seconde.
Le Laplacien est un champ scalaire calcule sur une fonction de d variables (deux pour une image 2D).
Le Laplacien dune image continue f (x, y) (supposee C 2 ) est definie :
2f 2f
f (x, y) = +
x2 y 2
Le passage au discret sopere par les differences finies a droite et a gauche :
d
2f
f (nx + 1, ny ) f (nx , ny )
x2
(f (nx + 1, ny ) f (nx , ny )) (f (nx , ny ) f (nx 1, ny ))
f (nx + 1, ny ) 2f (nx , ny ) + f (nx 1, ny ) (IV.24)
Figure IV.7 Quelques operateurs differentiels (1er et 2nd ordre) sur une image bruitee.
dou le masque 2D 3 3 suivant :

0 1 0
1 4 1
0 1 0
Le Laplacien etant tres sensible au bruit, il est generalement utilise en association avec un filtre
passe-bas. Ainsi, le Laplacien discret est implemente a laide dune derivee seconde de gaussienne. Ce
dernier est appele filtre de Marr-Hildreth.
2.3.3.a Application au rehaussement de structures La Fig.?? illustre lapplication de loperateur

differentiel du second ordre (Laplacien) a laccentuation des details dune image. Cette tache (shar-
pening en anglais) permet de rehausser les structures de detail fin dans limage. Les operateurs
differentiels peuvent etre utilises sous des formes plus sophistiquees, particulierement dans le do-
maine des transformees multi-echelles, pour le rehaussement et permettent daboutir a des resultats
spectaculaires.
2.4 Filtres non-lineaires

Parmi les filtres non-lineaires de base que lon retrouve en pre-traitement des images est ceux de
la famille des statistiques dordre. Ces filtres ont une reponse basee sur le tri des valeurs de pixels
contenus dans lhorizon du filtre. La valeur du pixel central est ensuite remplacee par une statistique
dordre sur les valeurs triees, e.g. la mediane correspond au plus connu de ces filtres : le median.
2.4.1 Le median
Ce filtre est extremement populaire car il est tres bien adapte au bruit impulsionnel (i.e. a
evenements isoles).
Front f
2
f
Signal rehausse
2
f f
Figure IV.8 Gauche : Principe du rehaussement de structures par le Laplacien. Milieu : Image
originale. Droite : Image reehaussee.
Definition 16 (Bruit impulsionnel) Un bruit impulsionnel bipolaire est une variable aleatoire a
valeurs dans {a+ , a } ayant pour pdf :
p() = + ( a+ ) + ( a ) + (1 + ) () (IV.25)
Autrement dit, ce bruit a une probabilite + (respectivement )de prendre la valeur a+ (respecti-
vement na et zero sinon. Si a+ > a , les pixels ayant la valeur a+ apparatront comme brillants
et ceux avec a comme sombres. Ce bruit est essentiellement caracterise par lapparition de valeurs
occasionnelles isolees avec les probabilites correspondantes. Lorsque + 6= 0, le bruit est aussi
appele sel et poivre. Lorsque + ou est nul, le bruit est unipolaire et est souvent appele bruit
impulsionnel.
Le filtre median applique a une image numerique f produit comme sortie :
fb(nx , ny ) = mediane f (l, m) (IV.26)

(l,m)V(nx ,ny )
2.4.2 Le min-max
La mediane est une statistique dordre correspondant a un quantile de 0.5, i.e. 50% des valeurs au
dessus et 50% en dessous. On peut generaliser ce concept pour tout quantile 0 et 1. Le particulier
du quantile a 0% correspond au minimum des valeurs dans le masque (filtre min), le max au quantile
100% (filtre max). Plusieurs variantes peuvent etre derivees de ce meme principe.
La Fig.?? montre une image corrompue par un bruit sel et poivre avec + = = 1% (2% des
pixels sont contamines). Le resultat du filtre median et max sont illustres. Les bonnes performances de
ces filtres sur ce type de bruit sont evidentes, en tout cas bien meilleures que ce que lon peut obtenir
par un simple filtre passe-bas lineaire invariant (moyenneur par exemple). Cependant, ces filtres
peuvent souffrir de certaines limitations comme la degradation de certains details fins de limage (les
coins par exemple). De plus, comme on peut le prevoir intuitivement, un filtre max (resp. min) aurait
tendance a retirer a tord des points sombres (brillants) dans les objets de limage debruitee, comme
en temoigne la Fig.??.
ny
Valeurs des pixels
(nx,ny) 35 48 68
28 120 45
70 23 44
23 28 35 44 45 48 68 70 120
Mdiane
nx
Figure IV.9 Gauche : Principe du median. Droite : Exemple dune image bruitee par un bruit sel
et poivre (+ = = 1%) et ses versions en sortie de quelques filtres dordre.
Chapitre V
Restauration dimages
1 Defauts photometriques
Dans le cadre de la restauration dimages, une ecriture generique possible de lequation de degradation,
qui relie lobservation image Y a limage parfaite non-observee X, est :
Y = (BX) (V.1)
ou B est un operateur (possiblement non-lineaire mais borne) de degradation, est toute composition
a deux arguments (e.g. + ou ), est une fonction inversible (e.g. puissance). represente le bruit ;
des fluctuations aleatoires non mesurables autour des valeurs ideales. Dans la plupart des cas, on
suppose X et mutuellement independants. On suppose aussi que lapplication 7 y = z , pour
tout z > 0 est inversible, dinverse (y, z) strictement croissant en y (e.g. 7 y = z + dont linverse
est y z, ou 7 y = z dinverse y/z si z 6= 0 et 0 sinon).
On appelle la restauration dimages la resolution du probleme inverse (usuellement mal pose) de
lestimation de limage X a partir de lobservation Y . Traiter ce probleme dans un cadre general est
tres difficile et des solutions realistes nexistent quen introduisant des simplifications mathematiques.
Le cadre statistique pour la restauration permet dune part de specifier lattache aux donnees en
prenant en compte le modele de formation de limage et donc en precisant lequation de degradation
(loi conditionnelle), et dimposer des contraintes a travers la loi a priori sur la solution, garantissant
ainsi lunicite et la stabilite de la solution lors de linversion de loperateur B.
Revoyons quelques exemples dequation de degradation :
Exemple 4 (Degradation lineaire avec bruit blanc gaussien) Dans le cas des systemes lineaires
spatialement invariants, loperateur B correspond a la convolution par la fonction detalement du point
h (reponse impulsionnelle du systeme dacquisition). Si le capteur est lui meme lineaire, est liden-
tite. Lequation de degradation se reduit a :
Y = (X h) (V.2)
etant la convolution circulaire discrete. Inverser le filtre de convolution h est aussi connu sous le
nom de deconvolution. Le bruit etant gaussien blanc stationnaire de moyenne et de variance 2
( N (, 2 )), la pdf de lobservation sachant limage X est :

1 ( (y, (x h)) )2
pY |X (y|x) = exp (V.3)
2 2 2
Lestimation de X a partir de Y est aussi un probleme inverse lineaire mal pose.
47
48 CHAPITRE V. RESTAURATION DIMAGES
Exemple 5 (Degradation lineaire avec bruit poissonien) Cest le cas typique en sortie dune
camera numerique notamment CCD. Le bruit dans ce cas est un bruit de comptage de distribution
poissonienne. La loi conditionnelle de lobservation sachant X est une loi de Poisson dintensite
(x h), i.e. Y |X P (x h). Ainsi, on peut ecrire la pdf conditionnelle de lobservation sachant X :
(x h)y
pY |X (y|x) = e(xh) (V.4)
y!
1.1 Lestimateur de Wiener

Placons-nous tout dabord dans le cas du debruitage, i.e. estimer x avec lequation de degradation :
Y (s) = X(s) + (s) (V.5)
X(s) et (s) sont deux VAs stationnaires de moyennes nulles. Nous cherchons a trouver parmi les
estimateurs lineaires D(y), celui minimisant le risque quadratique suivant :
" #
X 2
X
R(X, X) = E X(s) X(s)) , X = D(Y ) = g(s )Y (s s ) (V.6)
s s
Lesperance est calculee par rapport a la densite du bruit. La proposition suivante donne la condition
necessaire et suffisante qui determine cet estimateur.
Proposition 1 (Estimateur de Wiener) Un estimateur lineaire est un estimateur de Wiener si

seulement et si les inter-correlations verifient :
Rxy (s) = g Ryy (s) pour tout s S (V.7)
et donc lorsque lerreur destimation est orthogonale aux observations. ou est la convolution circu-
laire discrete.
Preuve: La preuve passe par le principe dorthogonalite. En injectant lestimateur lineaire dans
lequation du risque quadratique, on obtient :
2
X X

R(X, X) = E X(s) g(s )Y (s s ) (V.8)
s

s
qui est la somme de M N sous-problemes doptimisation pour chaque observation. Ainsi le minimum
est atteint lorsque :

L(X(s), D(Y )(s)) X

= 2E X(s) g(s )Y (s s ) Y (s s ) =0 (V.9)
g(s )
|s

{z }
=X(s)
dou : h i
E X(s) X(s) Y (s s ) = 0, pour tout s, s s S (V.10)
Par linearite de lesperance, et par definition de la fonction dinter-correlation :
X
Rxy (s) = g(s )Ryy (s s ) = g Ryy (s) (V.11)
s
1. DEFAUTS PHOTOMETRIQUES 49
Il convient de noter que si X(s) et (s) sont gaussiens mutuellement independants, alors X(s) X(s)
et Y (s ) sont aussi gaussiens independants (s, s ). En effet, Y (s) est clairement gaussienne et :
(s) = X(s) X(s) = X(s) g Y (s) (V.12)
(s) et Y (s ) sont conjointement gaussiens. Ainsi, leur decorrelation (voir Proposition ??) implique
leur independance. De ce fait, on peut montrer que pour un a priori gaussien, lestimateur de Wiener
concide avec lestimateur bayesien MMSE (mais aussi avec le MAP). Il suffit de noter que, du fait
de lindependance, lerreur moyenne destimation de Wiener sachant les observations est :
E [(s)|Y ] = E [(s)] = 0 (V.13)
car X(s) et (s) sont des VAs centrees. Il en decoule que :

h i
0 = E (X X(s))|Y = E [X(s)|Y ] E [D(Y (s))|Y ] = E [X(s)|Y ] D(Y (s)) (V.14)
1.1.1 Estimation diagonale

Supposons quil existe une base (dite de Karhunen-Loeve) dans laquelle les covariances de X et
sont diagonales, alors lestimateur de Wiener est aussi diagonal dans cette base. Ce resultat prouve
par Wiener reste valable meme pour des signaux qui ne sont pas forcement stationnaires. Du fait de la
structure de lEq.??, la base naturelle parat celle de Fourier dans laquelle les covariances des signaux
cyclostationnaires sont diagonales, on peut alors facilement prouver que :
Proposition 2 (Wiener spectral) Lestimateur de Wiener pour des signaux cyclostationnaires est :
N
X Sx (ku , kv )
X(u, v) = Ye (ku , kv ) ei2(ku u+kv v) (V.15)
Sx (ku , kv ) + S (ku , kv )
ku ,kv =0
ou Ye est la transformee de Fourier discrete (TFD) de Y , Sx et S sont les densite spectrales de

puissance (DSP) de X et .
Le risque bayesien correspondant est :
N
X Sx (ku , kv )S (ku , kv )
Ropt (X, X) = (V.16)
Sx (ku , kv ) + S (ku , kv )
ku ,kv =0
Avant dexposer la preuve, cette proposition nous dicte un algorithme simple pour la calcule de
lestimateur de Wiener : on calcule la TFD (par la FFT) de lobservation, on applique le filtre de
Wiener Sx (kuS,kxv(k u ,kv )
)+S (ku ,kv ) par simple multiplication, on calcule la TFD inverse pour avoir lestimee
debruitee X.
Preuve: X et etant mutuellement independants :
Rxy (s) = Rxx (s) + Rx (s) (V.17)

| {z }
=0
et :
Ryy (s) = Rxx (s) + R (s) + 2Rx (s) (V.18)
| {z }
=0
On applique ensuite la TFD aux deux membres de lEq.?? pour obtenir :
Sx (ku , kv )
Sx (ku , kv ) = ge(ku , kv ) (Sx (ku , kv ) + S (ku , kv )) ge(ku , kv ) = (V.19)
Sx (ku , kv ) + S (ku , kv )
ou par definition Sx (ku , kv ) = TFD [Rxx ], idem pour S . Par application de la TFD inverse, le resultat
a prouver suit.
Le calcul du risque est obtenu par la formule de Plancherel :

N
X 1 2
e
R(X, X) = E X(ku , kv ) ge(ku , kv )Ye (ku , kv ))
ku ,kv =0
N
X 1 h i
= e u , kv )|2 + ge(ku , kv )2 E |e
(1 ge(ku , kv ))2 E |X(k (ku , kv )|2 (V.20)
ku ,kv =0 | {z } | {z }
=Sx (ku ,kv ) =S (ku ,kv )
ce qui donne le risque enonce apres quelques arrangements algebriques.
1.2 La deconvolution
Lequation de degradation adoptee est :
Y = (X h) + (V.21)
ou X et sont toujours centres cyclostationnaires. Nous avons explique plus haut que restaurer X a
partir de Y en presence de bruit etait un probleme inverse mal pose, ou linversion pure et simple de
h induirait de grandes erreurs qui domineraient le signal utile.
1.2.1 Identification du flou

Ici, on se propose didentifier la reponse impulsionnelle du filtre h caracterisant laction du flou.
Deux situations se presentent :
1.2.1.a Reponse inconnue Ici, on peut deployer tout larsenal des methodes didentification des
systemes lineaires invariants etendues au cas 2D. On peut par exemple citer les methodes directes ou
les methodes spectrales, sil sagit de la PSF dun systeme dacquisition, et que lon peut avoir acces a
cette reponse en observant la sortie a une source ponctuelle (impulsion de Dirac). On peut aussi citer
les methodes dautocorrelation. Si une forme parametrique est connue a priori (e.g. modele ARMA),
on peut aussi avoir recours a lidentification universelle par lalgorithme dadaptation parametrique.
1.2.1.b Reponse physiquement connue Ici, cest la physique dacquisition ou celle sous-jacente
au flou qui nous renseigne sur la nature de celui-ci. Prenons le cas dun mouvement rectiligne horizontal
dune camera observant une scene par exemple. La reponse dun point lumineux a ce mouvement tel
quil est capte par la camera se traduit par une tranee le long de la direction du mouvement, i.e. :
(
1/a si 0 ny a, nx = 0
T
h R (nx , ny ) =
0 sinon.
ou R est la rotation par un angle , la direction du mouvement rectiligne par rapport a laxe
horizontal.
Un autre exemple usuel est celui de la mauvaise mise au point dune lentille circulaire, auquel cas
la PSF est une ouverture circulaire de rayon r dont la fonction de transfert a ete calculee Eq.??. La
PSF gaussienne est aussi un modele souvent rencontre puisquil represente la limite (asymptotique)
dun certain nombre de PSF rencontrees en pratique.
La Fig.?? montre une image ayant subi un flou introduit par trois reponses instrumentales :
1. DEFAUTS PHOTOMETRIQUES 51
Originale Mouvement =11, a=15
Mise au point r=10 Gaussien =10
Figure V.1 Exemples de degradation par flou.
1.2.2 Filtre inverse

Les fonctions de la base de Fourier forment des vecteurs propres pour loperateur de convolution
et le traitement mathematique qui en decoule est considerablement simplifie. Une premiere solution
consiste a inverser le filtre h dans le domaine de Fourier, cest a dire, diviser la TFD de Y par H, la
TFD de h, et calculer ainsi la TF inverse :

1 TFD [] (ku , kv )
Xinv (nx , ny ) = X(nx , ny ) + TFD (V.22)
H(ku , kv )
Avec un risque quadratique de :

X 1
R(X, Xinv ) = 2 (V.23)
|H(ku , kv )|2
ku ,kv
Pour un filtre h de type passe-bas (flou), ce risque peut diverger entranant un risque non borne. Ainsi
le bruit apres inversion domine largement le signal.
Afin deviter les erreurs lies a linversion simple de h, une alternative possible serait de tron-
quer le filtre inverse, en mettant la valeur de lestimee a zero lorsque le denominateur dans lin-
verse devient negligeable (inferieur a un seuil donne). Ceci empeche la solution de diverger. Ce
seuil est typiquement de lordre du bruit (en termes decart-type). Il reste toutefois a le choisir par
experimentation. La Fig.??.(e) et (f) montre le resultat de linversion simple, et de linversion modifiee
pour la deconvolution de limage de voiture.
1.2.3 Filtre de Wiener

Les resultats de lestimateur de Wiener peuvent etre facilement etendus au cas de la deconvolution.
De ce fait, on definit le filtre de Wiener minimisant le meme risque quadratique que ci-dessus. On
peut alors aisement prouver que le meilleur estimateur lineaire est le suivant :
N
X 1 e
h (ku , kv )Sx (ku , kv )
X(u, v) = Ye (ku , kv ) ei2(ku tu +kv tv ) (V.24)
ku ,kv =0 |e
h(ku , kv )|2 Sx (ku , kv ) + S (ku , kv )
et le risque optimal correspondant est :

N
X 1
Sx (ku , kv )S (ku , kv )
Ropt (X, X) = (V.25)
e 2
ku ,kv =0 |h(ku , kv )| Sx (ku , kv ) + S (ku , kv )
La preuve nest pas detaillee car elle decoule directement de la Proposition ??.
1.2.4 Restauration iterative

Cependant, le filtre de Wiener nest pas facilement implementable puisquil depend de la DSP
de limage X inconnue, ce qui est rarement (voire jamais) accessible en pratique. Plusieurs alterna-
tives existent alors. Lune dentre elles consiste a estimer localement un rapport signal-sur-bruit en
chaque frequence. Lautre plus attractive, consiste a resoudre iterativement le probleme doptimisation
suivant :
X = arg min R(Y, X) = arg min kY (nx , ny ) (X h)(nx , ny )k22 (V.26)
XF XF
en utilisant une descente de gradient a pas fixe, i.e. :
X t+1 (nx , ny ) = X t (nx , ny ) R(Y, X)(X t )

= X t (nx , ny ) + h(nx , ny ) Y (nx , ny ) (X t h)(nx , ny ) (V.27)
en prenant par exemple comme initialisation X 0 = Y . En supposant que la PSF est normalisee a une
somme unitaire, lalgorithme ci-dessus converge pour 0 < < 2. Ainsi, en prenant = 1, on obtient
lalgorithme de Landweber. Par ailleurs, letude de lunicite et de la preuve de convergence de cet
algorithme, qui restent faisables, seront omises volontairement ici.
1.2.5 Approche variationnelle

La deconvolution dimage est un probleme inverse mal pose au sens dHadamard. En presence de
bruit, linversion pure simple de h peut se reveler dramatique. Ceci est du a la presence du bruit. Afin
dassurer la stabilite de la solution, on peut imposer des contraintes de regularite supplementaires
sur limage a restaurer, permettant ainsi de reduire lespace des solutions candidates. On appelle
cette demarche la regularisation de la solution. Formellement, la resolution du probleme inverse de
deconvolution peut secrire sous la forme dun probleme de minimisation de la fonctionnelle denergie
suivante : X
J(Y, X) = (Y, X) + (X), > 0 (V.28)
nx ,ny
2. DISTORSIONS GEOMETRIQUES 53
Le premier terme exprime la fidelite ou lattache de la solution X aux donnees observees Y , ou est
une fonction positive generalement continue mais non-necessairement derivable. Ce terme dattache
est contrebalance par le terme de regularisation (X) exprimant generalement une contrainte de
regularite sur la solution candidate. On trouve une multitude de choix possibles pour ce dernier
terme. Citons par exemple, les operateurs de regularisation de Tikhonov si on sait que la solution doit
satisfaire des contraintes de derivabilite et de continuite. En loccurence, si la solution est deux fois
continuement derivable, ont peut choisir :
(X) = kXk22 = kL Xk22 (V.29)
ou L est loperateur du Laplacien discret calcule dans ??. Dautres choix incluent la norme TV pour
les fonctions a variation bornee, etc.
Reprenons le cas repandu correspondant aux operateurs de regularisation de Tikhonov :
J(Y, X) = kY (X h)k22 + kL Xk22 (V.30)
Ce qui correspond aux moindres carres regularises. En utilisant la formule de Plancherel, on peut
facilement prouver que :
Proposition 3 La solution du probleme de deconvolution regularise de Tikhonov est :

1 H (ku , kv )
X(nx , ny ) = TFD TFD [Y ] (ku , kv ) (V.31)
|H(ku , kv )|2 + SL (ku , kv )
ou SL (ku , kv ) est la DSP du noyau du Laplacien discret L.
Exercice 6 Prouver la proposition ci-dessus.

Les differentes approches de restauration discutees ci-dessus ont ete mises en oeuvre pour restaurer
une image degradee par un mouvement rectiligne sur un horizon de 15 pixels et ensuite bruitee par
un processus blanc gaussien avec un RSB=33dB. Les resultats sont illustres sur la Fig.??. Le filtre
de Wiener a bien reussi a lever le flou introduit par le filtre lisseur et permet une meilleure lisibilite
des details (e.g. chiffres sur la plaque). Lalgorithme iteratif de Landweber est legerement moins bon
mais permet dobtenir des resultats satisfaisants assez comparables au filtre original. Ceci se traduit
aussi en termes de RSB en sortie. La regularisation de Tikhonov donne aussi de bons resultats pour
cette image, mais au prix dun lissage des contours francs. Elle nest donc pas adaptee pour preserver
les discontinuites dans les images.
Pour clore cette section, rappelons que plusieurs alternatives non-lineaires au filtre de Wiener
existent. Elles permettent dobtenir de bien meilleures performances de deconvolution. De plus, la
base de Fourier utilisee ici ne permet de representer efficacement quune partie des images rencontrees
en pratique dites regulieres. Dautres bases permettent une representation plus parcimonieuse dimages
irregulieres (e.g. avec des singularites ou des discontinuites), et aboutissent donc a une estimation bien
plus efficace (ondelettes et au dela).
2 Distorsions geometriques
Outre les defauts photometriques, les images acquises par une chane reelle sont porteuses de distor-
sions geometriques. Elles resultent soit des defauts propres au capteur (distorsion en tonneau/barillet
ou en coussinet des cameras vidion par exemple, soit du mecanisme meme qui reconstruit une image
bidimensionnelle dun objet 3D. Si la correction physique inherente au capteur nest pas toujours
accessible, il reste cependant possible de proceder a une post-correction en appliquant au capteur
un objet de reference (une mire par exemple) dans le premier cas et dans le second en operant la
transformation geometrique inverse.
Originale Observee RSB=33dB
(a) Filtre inverse (b) Filtre inverse seuill RSBout=16dB
(c) Filtre inverse de Wiener RSBout=18.2dB (d) Itration de Landweber RSBout=16.8dB
(e) Tikhonov RSBout=17.25dB ( = 1.7E3)
Figure V.2 (a) Image originale. (b) Image degradee bruitee (RSB=33dB). Image restauree par :
(a) linversion du filtre h, (b) par linversion modifiee, (c) par le filtre de Wiener parfait, ou la DSP de
limage X est supposee connue, (d) par lalgorithme iteratif de Landweber, (e) par la regularisation
de Tikhonov.
2. DISTORSIONS GEOMETRIQUES 55
Mire originale Distorsion en tonneau/barillet Distorsion en coussinet
Figure V.3 Exemples de distorsions geometriques observees sur des images de cameras.
Pd
Pr
Figure V.4 Principe de correction de la distorsion en tonneau par une mire de reference. On connat
les coordonnees exactes des noeuds du maillage (Pir ) ; les coordonnees correspondantes dans limage
distordue (Pid ) servent pour lestimation de la distorsion (au sens de moindres-carres par exemple).
Pour les autres points, on procede par interpolation.
2.1 Compensation par test dune maille de reference

Une mire de reference est proposee au systeme dacquisition. On connat donc les coordonnees
exactes des noeuds du maillage ; les coordonnees correspondantes dans limage distordue servent pour
lestimation de la distorsion (au sens de moindres-carres par exemple). Pour les autres points, on
procede par interpolation.
2.2 Exemple
Soit une deformation geometrique elastique (non-lineaire) et continue en tout point de lespace.
Une modelisation possible dune telle deformation est la base polinomiale dordre P , dont lordre reste
a definir (des fonctions de transformation plus complexes sont disponibles dans la litterature). Nous
pouvons ainsi ecrire une estimee de tout point deforme (xi , yi ) en fonction de son homologue non
deforme connu (xri , yri ) (puisque la maille est connue). Cela donne alors :
P P
X X l P P
X X l
xi = alm xlri yri
m
, yi = blm xlri yri
m
l=0 m=0 l=0 m=0
Cette equation dispose de K = (P +1)(P

2
+2)
inconnues, dou la condition sur le nombre minimal de
points connus pour que le systeme soit soluble avec une solution unique. En recrivant lequation
Figure V.5 Illustration dapplication sur une image reelle : image distordue (gauche) et corrigee
(droite).
precedente sous forme matricielle pour les N K points suivant la coordonnee x, nous obtenons :
2 P l
x1 1 yr1 yr1 . . . xlr1 yr1 2
xlr1 yr1 . . . xlr1 yr1 . . . xPr1 a1
x2 1 yr2 y 2 . . . xl yr2 xlr2 yr2
2 P l
. . . xlr2 yr2 . . . xPr2
r2 r2 a2
.. = .. ..
. . .
2 P l
xN 1 yrN yrN . . . xlrN yrN xlrN yrN
2 . . . xlrN yrN . . . xPrN 1 aK
Dou x = Ha + Erreur, ou x, H et a sont respectivement le vecteur de coordonnees xi , la matrice

N K des xlri yrim et le vecteur de parametres a . En resolvant ce systeme au sens des moindres
lm
carres, une solution unique est obtenue de la forme :
a = (HT H)1 HT x
Le meme raisonnement peut etre mene pour la coordonnee y. Pour le cas N = dim(a), la solution
est unique mais elle differera si on choisit un autre jeu de points. La methode suppose N K et la
solution est celle qui sajuste au mieux aux points proposes. Bien sur, la solution sera dautant moins
fluctuante que N est eleve.
3 Interpolation dintensite
Il arrive tres souvent que lon soit amene a calculer les valeurs dune image pour des positions
arbitraires autres que les points de la maille de base (Ex. Zoom, changement de resolution, correction
de mouvements ou de distorsions geometriques, etc.). Comme ce calcul intervient en general sur un
grand nombre de point, il doit etre rapide ce qui est en general en opposition avec la precision que
lon requiert. Cest dans cet esprit que les methodes utilisees resultent dun compromis entre lideal
et lutilisable.
Nous avons deja aborde le cadre ideal dans lequel tout signal a bande limitee peut etre parfaitement
reconstruit a partir de sa version echantillonnee (theoreme de Witthaker ??). Cette equation fait
clairement apparatre une somme sur un horizon infini alors que les signaux pratiques ne sont connus
que pour un nombre fini dechantillons. De plus, le noyau dinterpolation (sinus cardinal) dans cette
equation depend de la position et doit etre recalcule en chaque point. Si ce cas ideal ne peut etre
atteint en pratique, il existe des versions permettant de sen approcher.
Les interpolations que lon va aborder ci-apres seront formules dans un cadre unifie. Soit f (x) une
fonction mono-dimensionnelle discretisee en des points xk = kTx ; ou Tx est le pas dechantillonnage.
3. INTERPOLATION DINTENSITE 57
1.5
Echantillons f(x )
1 k Noyau
0.5
Tx
0.5 Position x a interpoler
Poids H((xx )/T )

k x
1
1.5
1 2 3 4 5 6 7 8
Figure V.6 Interpretation graphique de linterpolation.
On cherche a interpoler f (xk ) par une fonction g(x) sapprochant au plus de f (x) au sens dune norme
telle que :
X x xk
g(x) = f (xk )h (V.32)
Tx
k
ou h() est le noyau (appele aussi coeur) dinterpolation. Sagissant dinterpolation et non de filtrage
au sens strict, la contrainte g(xk ) = f (xk ) est imposee. Une solution possible consiste a prendre :
(
1 si = 0,
h() =
0 sinon.
Il existe une multitude de noyaux dinterpolation (lineaire, cubique, spline, B-spline, Bezier, Legendre,
Hermitte, etc, etc.) quil nous est impossible de presenter en totalite ici. Par souci de simplicite, nous
exposerons les plus usuels.
3.1 Interpolation au plus proche voisin
P
Soit h() porte dans [1/2, 1/2]. Si x = xj + tel que || < Tx , alors g(x) =
la fonction

k f (xk )h j k + Tx
| Tx | < 1
2 alors j = k obligatoirement et g(x) = f (xj )
Tx > 1
2 alors k = j + 1 et g(x) = f (xj+1 )
Figure V.7 Illustration de linterpolation au plus proche voisin sur un signal mono-dimensionnel.
Tx < 1
2 alors k = j 1 et g(x) = f (xj1 )
La Figure.?? illustre ces differents cas sur un signal mono-dimensionnel.
3.2 Interpolation lineaire

Soit h() la fonction triangle dans [1, 1] :
(
1 + si [1, 0[,
h() = (V.33)
1 si [0, 1].

Si x = xj + tel que 0 < < Tx , alors h() 6= 0 pour k tel que |j k + Tx | < 1, soit k = j ou
k = j + 1. Le signal interpole est alors :

g(x) = f (xj )h + f (xj+1 )h 1
Tx Tx
dou :

g(x) = f (xj ) 1 + f (xj+1 ) (V.34)
Tx Tx
Remarque 6 On peut facilement remarquer que le noyau dinterpolation lineaire consiste en la

convolution de deux coeurs de linterpolation au plus proche voisin.
3.3 Interpolation cubique

Le coeur de linterpolation est pair defini sur lintervalle ] 2, 2[ tel que :
h(0) = 1, h(1) = h(2) = h(1) = h(2) = 0, h(|| 2) = 0

Coeur dinterpolation cubique

1.2
0.8
0.6
H()
0.4
0.2
0.2
2 1.5 1 0.5 0 0.5 1 1.5 2

Figure V.8 Coeur dinterpolation cubique.
Ecrivons le developpement a lordre 3 suivant :

2 3
A0 + A1 || + A2 || + A3 || pour 0 < || 1
h() = B0 + B1 || + B2 ||2 + B3 ||3 pour 1 < || < 2 (V.35)

0 pour || 2
Avec les contraintes :

h(0) = 1, h(1 ) = h(1+ ) = 0, h(2 ) = 0
h (0) = 0, h (1 ) = h (1+ ), h (2 ) = 0
En appliquant ces contraintes a ??, on aboutit a un ensemble de 7 equations qui laisse un degre de
liberte qui est utilise de facon a ce que le developpement en serie de Taylor de f (x) dans lintervalle
[xk , xk+1 ] approche au mieux g(x). On peut ainsi faire en sorte que le le premier terme de leur difference
soit a lordre 3. Il vient alors lexpression de h() en interpolation cubique (ceci revient dailleurs a
prendre la derivee a droite et a gauche de 1 egale a -1/2).
La fonction h() est sa derivee premiere sont de plus continues en {2, 1, 0, 1, 2}. La solution en
decoulant est alors :
5 2 3 3

1 2 || + 2 || pour 0 || 1
5 2 1 3
h() = 2 4|| + 2 || 2 || pour 1 < || < 2 (V.36)

0 pour || 2
Son allure est portee en Figure.??.
On peut toujours ecrire que x = xj + = jTx + tel que 0 < = Tx < 1. Ainsi, on a
x +x
= j Tx k = j k + , alors h() 6= 0 pour k tel que |j k + Tx | < 2, soit k = j 1, j, j + 1, j + 2.
Le signal interpole est alors :
g(x) = f (xj1 )( 3 + 2 2 )/2

+f (xj )(3 3 5 2 + 2)/2
+f (xj+1 )(3 3 + 4 2 + )/2
+f (xj+2 )( 3 2 )/2 (V.37)
Ceci est equivalent au developpement en serie de Taylor a lordre 3 autour de x, ou les coefficients du
developpement sont adaptativement calcules.
Remarque 7 Les effets de bord nont pas ete abordes mais doivent etre traites avec precaution.
3.4 Interpolation spline cubique

Lequation ?? est lineaire par morceaux, elle a donc une derivee seconde nulle a linterieur de
chaque intervalle, et une derivee seconde infini ou non-definie aux abscisses xk . Le but de linterpolation
spline cubique est dobtenir une formule dinterpolation qui est 2 fois continuement derivable aussi
bien a linterieur de chaque intervalle que sur ses bords.
Supposons quen plus des valeurs f (xk ), nous disposons aussi de la derivee seconde f tabulee aux
abscisses xk . Alors, dans chaque intervalle, nous pouvons rajouter au membre de droite de lequation
?? un polynome cubique dont la derivee seconde varie lineairement de f (xk ) jusqua f (xk+1 ). Nous
avons alors la propriete de continuite requise. Si lon construit ce polynome de facon a annuler les
valeurs en xk et xk+1 , alors rajouter ce polynome ne change en rien les valeurs de la fonction aux
bords xk et xk+1 .
Le calcul litteral montre quil existe une facon unique de construire ce polynome ou :
g(x) = Af (xk ) + Bf (xk+1 ) + Cf (xk ) + Df (xk+1 )
avec
xj+1 x
A = xj+1 xj
j xx
B = 1 A = xj+1 x
j (V.38)
C = 16 A3 A (xj+1 xj )2
D = 61 B 3 B (xj+1 xj )2
Il est facile de verifier les proprietes de continuite annoncees.
Le seul probleme qui se pose maintenant est que lon a suppose la connaissance de f (xk ), chose
qui nest pas verifiee en pratique. Cependant, nous navons pas encore impose que la derivee premiere
soit continue aux bords xk entre deux intervalles adjacents. Lidee cle de linterpolation spline cubique
est dexploiter cette contrainte afin dobtenir les equations de la derivee seconde en xk . Ceci aboutit
donc a la resolution dun systeme lineaire de N 2 equations pour les N inconnues f (xk ), k = 1 . . . N .
Pour une solution unique, nous avons besoin dimposer deux contraintes supplementaires aux abscisses
de bords x1 et xN . Ceci peut etre effectue de deux facons :
Imposer f (x1 ) = f (xN ) = 0. Cest ce que lon appelle linterpolation cubique spline naturelle.
Imposer des valeurs sur la derivees secondes en ces points de bord de maniere a ce que la derivee
premiere prenne des valeurs specifiques sur ces abscisses de bord.
Une raison pour le succes pratique de cette interpolation est que le systeme dequations auquel on
aboutit est non seulement lineaire mais aussi tridiagonal. La resolution numerique en est alors forte-
ment acceleree.
3.5 Interpolation par inversion de la TFD

Les N echantillons dun signal peuvent etre reconstruits exactement a partir de leur TFD. A une
dimension, ceci secrit comme au chapitre ?? :
Nx 1
1 X kx i2kx nx Tx
f (nx Tx ) = F e Nx Tx (V.39)
Nx Nx
kx =0
Pour la simplicite de la notation, nous laisserons de cote les indices x et nous ecrirons dorenavant
f (n) et F (k) pour les echantillons et les coefficients de leur TFD. Si on generalise cette formulation
pour toute position x, on obtient :
N 1
1 X i2kx
fr (x) = F (k)e N T (V.40)
N
k=0
Fonction continue de x de et periodique de periode N T .

Dautre part, F a ete obtenu a partir dune fonction f (x) continue echantillonnee sur une duree
N T . Si on periodise f (x) que lon note fP (x), on peut la decomposer en serie de Fourier (sous
conditions dadmissibilite du theoreme de Dirichlet) :
+
X i2mx
fP (x) = Cm e NT (V.41)
m=
Dans ce cas, F secrit a partir de fP :

X i2nk
F (k) = fP (nT )e N
n
XX i2mn i2nk
= Cm e N e N
n m
!
X X i2(mk)n
= Cm e N
m n
P
| {z }
=N n (mknN ) formule de Poisson
X
= N Ck+nN (V.42)
n
Sil ny a pas de recouvrement spectral, alors Ck+nN = 0 sauf pour |k + nN | N/2 ce qui implique
n = 0 et donc F (k) = N Ck pour N/2 k N/2. Le signal reconstruit fr (x) est donc :
N/21
X i2kx
fr (x) = Ck e NT = fP (x) (V.43)
k=N/2
A partir des N composantes spectrales (sans recouvrement de spectre), on peut donc reconstruire
exactement f (x) :
Soit par calcul direct de la somme ??.
Soit par calcul de la FFT en prolongeant le jeu des composantes F (k) par des 0. Par exemple
(Figure.??), si N = 32 en choisissant N = 4N = 128 ceci est equivalent au cas ou f (x) aurait ete
echantillonnee a une frequence T1 4 fois plus rapide.
3.6 Effet spectral de linterpolation

P
xxk
Si g(x) = k f (xk )h Tx , alors la TF de g(x) secrit par linearite :
X
x xk
G(u) = f (xk )TF h
Tx
k
En utilisant les proprietes de translation et de changement dechelle dans le tableau ??, on obtient
alors : X
G(u) = Tx TF [h] (Tx u) f (xk )ei2uxk (V.44)
k
Ceci fait clairement ressortir que la TF de la fonction interpolee est une version filtree de la TFD de
la fonction f . Une analogie directe peut etre alors etablie entre interpolation et filtrage (mais pas au
sens strict du terme) ou le noyau dinterpolation joue le role dun filtre de reponse impulsionnelle h().
La Figure.?? represente le modules des spectres des noyaux dinterpolation que nous avons exposes
dans cette section. Le noyau de linterpolation ideale en Sinus cardinal correspond la fonction porte,
son spectre. Linterpolation cubique est clairement superieure aux deux autres puisque cest celle qui
sapproche au mieux du gabarit passe-bas carre parfait avec des lobes secondaires les plus negligeables.
FFT du signal echantillonne N=32

1 20
Signal continu
Echantillons N=32
0.5 15
0 10
0.5 5
1 0
2 0 2 0.5 0 0.5
Extension par 0 de la FFT N=128 Signal reconstruit N=128

20 1
15 0.5
10 0
5 0.5
0 1
0.5 0 0.5 2 0 2
Figure V.9 Exemple sur un signal sinusodal de linterpolation par inversion de la TFD.
1
Linaire
Plus proche voisin
0.9 Cubique
Sinc
0.8
0.7
0.6
Module
0.5
0.4
0.3
0.2
0.1
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Frequence normalisee
Figure V.10 Modules des spectres des noyaux dinterpolation presentes dans cette section.
3.7 Filtrage et interpolation

Lallure des coeurs dinterpolation dordre 0 et 1, notons les h0 et h1 , on montre facilement que :
h1 = h0 h0

Sinu 2
Sa TF est en u . On peut etre tente de monter aux ordres superieurs par convolutions successives
par B0 :
h2 = h0 h0 h0 , h3 = h0 h0 h0 h0
Ces fonctions sont appelees B spline, la plus utilisee en interpolation est la B spline cubique (ordre 3)
dont nous avons discute plus haut. Elle setend sur un horizon de 4 points h3 () = 0 si || 2, sa TF
4
varie en Sinu
u . Elle est appelee fenetre de Parzen.
Par convolutions successives, on obtient :

3 2

4 pour 0 || 0.5
2
h2 () = 98 23 || + 2 pour 0.5 < || 1.5 (V.45)

0 pour || > 1.5
et
2 2 ||3

3 + 2 pour 0 || 1
||3
h3 () = 34 2|| + 2 pour 1 < || 2 (V.46)

6
0 pour || > 2
On voit que h2 et h3 ne repondent pas a hi (0) = 1 et hi (k) = 0 pour k N . Si on applique un filtre
de reconstruction par h3 , on ne trouve pas les valeurs des echantillons aux points de la maille, on
ne fait donc pas une interpolation. La technique utilisee est de reconstruire par h3 et de calculer les
coefficients ck a partir des echantillons f (xk ) de facon que g(xk ) soit egal a f (xk ). Lequation de base
nous donne :
1 2 1
g(xk ) = ck1 + ck + ck+1 (V.47)
6 3 6
En identifiant g(xk ) a f (xk ) on obtient :

f (0) 4 1 0 0 0 ... 0 c0
f (1) 1 4 1 0 0 ... 0
c1
f (2) 1 0 1 4 1 0 . . . 0 c2

=
.. 6 . . . . . . . . . . . . . . ..
. . . . . . . . .
f (N ) 0 0 0 ... 0 1 4 cN
On aboutit au systeme lineaire tridiagonal dont on a parle au ??. Ce systeme est rapide a resoudre
par une technique specifique.
3.8 Interpolation a deux ou plusieurs dimensions

En plusieurs dimensions, lobjectif est destimer une fonction f en toute position arbitraire a
partir de ses echantillons sur une grille d-dimensionnelle. Nous nous limiterons ici uniquement au cas
dune grille cartesienne. Plus explicitement, nous exposons le cas 2D, les cas 3D ou les dimensions
superieures procedent selon une demarche analogue.
En 2D, la fonction f est echantillonnee a des points reguliers (xi , yj ) de la maille. Nous voulons
estimer, par interpolation, la fonction f a des positions non tabulees (x, y). Un concept important est
celui du carre de la grille dans lequel le nouveau point est situe, cest a dire les 4 points voisins directs
qui entourent le point desire. Ceux-ci sont numerotes de 1 a sur la Figure.??. Voici deux exemples
complets dinterpolation en 2 dimensions.
pt. 1 (xi,yj) pt. 3 (xi,yj+1)
Point interpoler (x,y)
Tx
pt. 2 (xi+1,yj) pt. 4 (xi+1,yj+1)
Ty
Figure V.11 Illustration graphique de linterpolation 2D.
3.8.1 Interpolation bilineaire
Linterpolation au plus proche voisin est triviale et consiste a reperer le point le plus proche dans le
carre des voisins. Linterpolation bilineaire elle est aussi simple. Grace a la separabilite de son noyau,
celle-ci procede dabord suivant lune des dimensions et ensuite suivant lautre conformement a la
Figure.??.
xxi yyj
En notant = xi+1 xi et = yj+1 yj , alors on peut facilement montrer que :
g(x, y) = (1 )(1 )f (xi , yj ) + (1 )f (xi , yj+1 ) +

(1 )f (xi+1 , yj ) + f (xi+1 , yj+1 ) (V.48)
3.8.2 Interpolation bicubique
De la meme maniere que le cas 1D, la fonction interpolante cubique 2D secrit sous la forme :
4 X
X 4
g(x, y) = cij i1 j1 (V.49)
i=1 j=1
En notant et les coordonnees normalisees comme ci-dessus. Cette fonction conserve les memes
proprietes de continuite et de derivabilite discutees dans le cas 2D.
Le calcul de g(x, y) sur une grille rectangulaire suppose la connaissance des coefficients cij qui ne
sont pas connus a priori. Ces 16 coefficients sont estimes tout dabord en ecrivant lexpression de g,
ses derivees premieres et sa derivee seconde croisee et en identifiant ces equations aux 4 sommets du
f(xi,yj+1)
f(x,y)
f(xi,yj)
1D
Interpolation linaire 1D
ire
y
a
g(x,y)
1D
in
nl
aire
io
x
lat
lin
po
ter
tion
In
ola
erp
Int
(x,y)
f(xi+1,yj)
f(xi+1,yj+1)
Figure V.12 Illustration graphique de linterpolation bilineaire.
rectangle entourant le point a interpoler (cf. Figure.??). Ainsi, nous pouvons voir que :
4 X
X 4
g
(x, y) = (i 1)cij i2 j1

i=1 j=1
4 X
X 4
g
(x, y) = (j 1)cij i1 j2

i=1 j=1
4 X
X 4
g
(x, y) = (i 1)(j 1)cij i2 j2 (V.50)

i=1 j=1
Lensemble des 16 equations fournit donc une solution unique. Ces equations aboutissent au systeme
lineaire suivant ecrit sous forme matricielle :

g(x1 , y1 ) c11
g
(x1 , y1 )
c12

g
(x1 , y1 ) c13

g
(x1 , y1 )
= A
c14

g(x2 , y2 ) c15
..
..
. .
g c44
(x4 , y4 )
ou il est facile de montrer que :

1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0

1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0

0 0 0 0 1 0 0 0 2 0 0 0 3 0 0 0

0 0 0 0 1 1 1 1 2 2 2 2 3 3 3 3
A=
0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 1 2 3 0 0 0 0 0 0 0 0 0 0 0 0

0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0

0 1 2 3 0 1 2 3 0 1 2 3 0 1 2 3

0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 1 2 3 0 0 0 0 0 0 0 0

0 0 0 0 0 1 0 0 0 2 0 0 0 3 0 0
0 0 0 0 0 1 2 3 0 2 4 6 0 3 6 9
Par ailleurs, ce systeme ne necessite pas dinversion matricielle en chaque point interpole puisque la
matrice ci-dessus peut etre inversee une fois pour toute et ensuite utilisee dans les calculs subsequents.
Cest ainsi que procedent les algorithmes implementant cette interpolation.
Exemple dune rotation

Originale o o o
Rotation 5 Plus proche voisin Rotation 5 Bilineaire Rotation 5 Bicubique
Exemple dun zoom

Zoom x 6 Plus proche voisin Zoom x 6 Bilineaire Zoom x 6 Bicubique
Originale
Figure V.13 Comparaison de trois methodes dinterpolation sur deux images tests. Dans un premier
exemple, pour illustrer leffet de linterpolation, nous avons introduit une rotation volontaire artificielle
de 5o sur limage dorigine. Dans un second exemple, nous illustrons leffet dun zoom consquent sur
une imagette.
Chapitre VI
Introduction a la reconstruction
tomographique
1 Tomographie numerique
Une projection est une image indirecte obtenue par integration du signal provenant dun objet
le long dun chemin oriente. Chaque pixel projete represente le signal integre le long du chemin a la
distance s et lorientation de la source vers le detecteur.
Le but de la reconstruction est dobtenir une image dune coupe (resp. volume) a partir de ces projec-
tions. Les imageurs correspondants sont denommes imageur par tomographie assistee par ordinateur.
Soit f (x, y) la fonction dabsorption au point (x, y) a une coupe localisee en z. Lintensite du faisceau
integree est :
" Z #
I = I0 exp f (x, y)dxdy (VI.1)
(x,y)
I0 est lintensite incidente et est le chemin. Le terme exponentiel traduit lattenuation du signal
dans le milieu homogene separant la source du detecteur.
On definit limage observee par :
Z
g , log(I/I0 ) = g(s, ) = f (x(s, t), y(s, t))dt (VI.2)
(s,t)
avec (s, ) R [0, [ les coordonnees du rayon par rapport a lobjet dans lespace de projection.
Le probleme de la reconstruction est de determiner f (x, y) a partir de g(s, ).
Exemples
Tomographie par transmission (Rayons X).
Tomographie par Reflexion (Radar).
Tomographie par Emission (TEP), etc.
2 La transformee de Radon
Dans le repere tourne de , le systeme de coordonnees (s, t) secrit :

s cos sin x
= (VI.3)
t sin cos y
69
70 CHAPITRE VI. INTRODUCTION A LA RECONSTRUCTION TOMOGRAPHIQUE
Projection s
Objet f(x,y) x
Figure VI.1 Illustration du principe de la tomographie en 2D.
La transformee de Radon dune fonction f (x, y) sommable, notee g(s, ), est son integrale le long
dune ligne a la distance s de lorigine inclinee de langle (cf. Figure.??). Ceci secrit alors :
Z Z +
g(s, ) , Rf = f (x, y)(x cos + y sin s)dxdy (VI.4)

Le symbole R est loperateur de projection associe a la transformee de Radon, projection 1D de f (x, y)

dans la direction .
La transformee de Radon peut aussi secrire :
Z +
g(s, ) = f (s cos t sin , s sin + t cos )dt (VI.5)

Le projecteur R transforme de facon unique les points (x, y) dans lespace des coordonnees (s, ).
Remarque 8 (s, ) ne sont pas les coordonnees polaires de (x, y).
Exemple 6 La transformee de Radon dun point (x x0 , y y0 ) decrit une trajectoire sinusodale

dans le domaine (s, ) dont lequation parametrique est :
s() = x0 cos + y0 sin

2. LA TRANSFORMEE DE RADON 71
Ceci justifie le fait que limage representant la transformee de Radon soit souvent appele sinogramme.
De meme, limage dune droite inclinee distante de s de lorigine et de direction 0 par la transformee
de Radon est un point de coordonnees (s, /2 + 0 ).
Notations
Soit U = L2 (R2 ) lespace des fonctions a energie finie dans R2 . On utilise les notations de la
transformee de Fourier (TF) introduite au Chapitre ??. En coordonnees polaires, on ecrira :
Fp (, ) = F ( cos , sin )
De la meme maniere, on definit lespace V des fonctions a energie finie dans R [0, [. La TF 1D de
g(s, ) par rapport a s est definie par :
TF
g(s, ) G(, )
Propriete 1
Linearite.
Les projections sont spatialement limitees si lobjet est limite et est 2 periodique.
Une translation de lobjet induit une translation g(s, ) de x cos + y sin suivant s.
2.1 Theoreme de projection

La TF 1D de la transformee de Radon par rapport a la distance s est egale a la TF 2D de lobjet
dans la direction , i.e.
G(, ) = Fp (, ) = F ( cos , sin ) (VI.6)
Ce theoreme est aussi appele le theoreme de la tranche centrale de Fourier, puisquil relie la TF dune
projection suivant a celle de lobjet prise le long dune ligne radiale de direction aussi.
On peut ainsi reconstituer apres interpolation pour le passage des coordonnees polaires en coor-
donnees cartesiennes, lensemble de F (u, v). Par transformee de Fourier inverse, on obtient f (x, y).
Propriete 2
Si le signal est a bande finie, alors ses projections le sont aussi.
Convolution-projection : Le produit de convolution bidimensionnel de deux fonctions U est egal
au produit de convolution 1D suivant la variable s de leurs transformees de Radon respectives.
1
R[f1 f2 (x, y)] = T F1D [G(s, )]
1
= T F2D [F1 .F2 ( cos , sin )] (VI.7)
1
= T F1D [G1 .G2 (, )] = g1 g2 (s, )
2.2 La retroprojection
Ici, lidee est de reconstruire limage originale f (x, y) a partir de ses projections g(s, ). Ceci est
resume dans le resultat suivant :
Theoreme 1 Z
f (x, y) = Bq = q(x cos + y sin , )d (VI.8)
0
ou, Z +
q(s, ) = G(, ) || ei2s d (VI.9)

Preuve:
Z + Z +
f (x, y) = F (u, v)ei2(ux+vy) dudv

Z 2 Z +
= Fp (, )ei2( cos x+ sin y) dd
0 0
Z Z +
= Fp (, )ei2( cos x+ sin y) dd
0 0
Z Z +
+ Fp (, + )ei2( cos x+ sin y) dd (VI.10)
0 0
Par un changement de variable = + dans la deuxieme integrale. Mais Fp (, + ) = Fp (, ).

En posant = , on obtient :
Z Z +
f (x, y) = Fp (, )ei2( cos x+ sin y) dd
0 0
Z Z 0
+ Fp (, )ei2( cos x+ sin y) () dd
0
Z Z +
i2( cos x+ sin y)
= Fp (, ) || e d d (VI.11)
0
| {z }
q(x cos +y sin ,)
Finalement, par le theoreme de projection Fp (, ) = G(, ), et le resultat suit.
Ce resultat stipule que la reconstruction put etre realisee en sommant toutes les projections apres les
avoir filtrees par un filtre de fonction de transfert ||. Cest pour cette raison que q(s, ) porte le nom
de projection filtree. Une autre interpretation physique de la retroprojection est la suivante. Pour
tout point (x, y) correspond un point s = x cos + y sin pour donne dans le domaine de Radon.
La projection filtree q contribue a la reconstruction au point (x, y) par sa valeur en s.
2.3 Implementation pour projections a bande limitee

La reconstruction exacte discutee ci-dessus suppose que lon puisse disposer de toutes les contri-
butions dans la TF inverse de q(s, ) a toutes les frequences possibles. Cependant, si les projections
sont a bande limitee (|G(, )| 0, pour || > max < +), les integrales ci-dessus peuvent etre
1
discretisee. Par le theoreme de Shannon, les projections doivent etre echantillonnees a Ts 2max . De
plus, si on suppose que lobjet est a support borne, les projections ont aussi un support borne en s.
Alors une projection peut etre representee par ses echantillons :
N N smax
g(mTs , ), m = ,..., 1, N = 2max smax
2 2 Ts
Ainsi, un algorithme a base de la transformee de Fourier rapide (FFT, voir Chapitre ??) peut etre
efficacement utilise. En effet, en se placant a la limite de shannon :

2max
G(, ) = T F [g(s, )] G k , = T F D [g(mTs , )]
N
1 X mk
= g(mTs , )ei2 N (VI.12)
2max m
La projection filtree est donc :

Z max
q(s, ) = G(, ) || ei2s d (VI.13)
max
Figure VI.2 Illustration du principe de la retroprojection en 2D.
q(s, ) est aussi echantillonne en s a la cadence Ts donnant ainsi :

2max 2max
q(mTs , ) T F D 1
G k , k
N N

2max X 2max 2max i2 mk
e N
G(k , ) k (VI.14)
N m
N N
2.3.1 Le filtre dapodisation

Cependant, une attention particuliere doit etre portee a legard de lapproximation sur q. En
effet, linversion de la transformee de Radon requiert une convolution par le filtre passe-haut || dont
le support spectral nest pas borne. Lapproximation ci-dessus devrait en theorie etre faite avec un
pas infiniment petit et un nombre dechantillons infiniment grand. Pour des images physiques (a
bande limitee en general), celui-ci tend a favoriser exclusivement les hautes frequences engendrant
une degradation du RSB en presence de bruit. Afin de limiter le support, en pratique, on a recours a
une fenetre dapodisation. De ce fait, la retroprojection filtree discrete peut etre ecrite :

1 X 2max 2max
2max mk
q(mTs , ) G(k , ) k W k ei2 N
N m N N N
2max
g(mTs , ) w (mTs , ) (VI.15)
N
ou w(s) est la fenetre dapodisation et W sa TFD. Des exemples incluent la fenetre de Hamming ou
celle de Ram-Lak dont lexpression est :

W () =
2c
Figure VI.3 Strategies dimplementation.
Remarque 9 Lapplication de cette derniere fenetre dapodisation ne se fait pas sans consequences
puisquelle entrane des oscillations de Gibbs pour une faible frequence de coupure est tend a amplifier
encore une fois le bruit si c est grande. Le choix de c resulte donc dun compromis bruit-effet de
Gibbs. De facon generale, en pratique, une fenetre dapodisation est preferee limitant ainsi les effets
doscillation de Gibbs. Meme si un leger flou (attenuation des details a hautes frequences) est introduit
sur limage.
Les deux formules de reconstruction de lEq.?? donnent acces a deux strategies de reconstruction
possibles : soit dans le domaine original de s par convolution soit dans le domaine frequentiel par
simple multiplication et TFD inverse. Ces deux choix dimplementation sont illustres dans le cas
discret sur la Figure.??. Finalement, limage reconstruite est obtenue en discretisant lintegrale sur
les directions sur K points pour donner ainsi :
K
X
f (x, y) q(x cos i + y sin i , i ) (VI.16)
K
l=1
Notons que les points x cos i +y sin i peuvent ne pas correspondre aux localisations mTs ou q(mTs , )
est connue par les equations ci-dessus. Dans ce cas, nous avons recours aux techniques dinterpolation
detaillees dans le chapitre precedent.
La Fig?? illustre les effets de la fenetre dapodisation et de sa frequence de coupure sur la qualite
de la reconstruction par retroprojection filtree en absence de bruit. Linterpolation utilisee est celle
des splines cubiques (voir Chapitre ?? Section ??), le pas angulaire est de 1 . Les frequences sont
normalisees dans la bande de Nyquist. On peut ainsi remarquer que la fenetre de Ram-Lak preserve
bien les details fins pour c = 0.5 (bande pleine). A mesure que c decrot, les effets doscillations
de Gibbs apparaissent. Cet effet disparat avec la fenetre de Hamming qui reste raisonnablement peu
sensible a la valeur de c .
Figure VI.4 Exemple dun sinogramme (gauche) et limage reconstruite (droite) par retroprojection
filtree.
2.4 Sur dautres formes de reconstruction

La projection filtree q(s, ) peut etre re-ecrite :
q(s, ) = g(s, ) p(s) (VI.17)
ou p(s) est la TF inverse de ||. Cependant, || nest pas carre-integrable (ni integrable dailleurs), sa
TF nexiste pas au sens usuel. Cependant, on peut etudier la limite de la fonction sommable :
|| e|| (VI.18)
lorsque 0+ . La TF inverse de cette fonction existe :

h i 2 (2s2 )
p (s) = T F 1 || e|| = (VI.19)
(2 + (2s2 ))2
Lallure de ce filtre est donnee en Fig.??. Noter en particulier, que quel soit , le filtre dans la
retroprojection filtree est en O(s2 ) lorsque s +.
Par ailleurs, la projection filtree peut aussi etre re-ecrite sous la forme :
Z + 1
p(s, ) = i2G(, ) sign () ei2s d (VI.20)
i2
avec : (
1 si > 0
sign () = (VI.21)
1 si < 0
Prenons le premier terme entre parentheses. On reconnat la la TF de la derivee de la projection
g(s, ). Le second terme correspond a la TF de 1/(2 2 s). Finalement, par lapplication du theoreme
de convolution, on obtient :
1 g(s, ) 1
p(s, ) = (VI.22)
2 s s
Originale
RamLak c=0.5 RamLak c=0.25 RamLak c=0.1
Hamming =0.5 Hamming =0.25 Hamming =0.1

c c c
Figure VI.5 Influence de la frequence de coupure du filtre dapodisation sur limage reconstruite.
4
p (s)

2
Asymptote O(s )
3.5
2.5
2
p (s)

1.5
0.5
0.5
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
s
Figure VI.6 Reponse approche du filtre de retroprojection p (s) et borne asymptotique.
En theorie du signal, la convolution par 1/(s) est appelee transformee dHilbert. Notons loperateur
associe H, et celui de la derivation par rapport a s s . En vertu du Theoreme ??, limage reconstruite
peut etre re-ecrite :
f (x, y) = BHs g (VI.23)
ou B est loperateur de retroprojection defini dans le Theoreme ??. La reconstruction se traduit

alors par la succession dune derivation, une convolution (transformee dHilbert) et finalement une
retroprojection. La reconstruction du pixel en (x, y) requiert la connaissance de toutes les projections.
2.5 Reconstruction de projections lissees bruitees

En presence de bruit, aucun des filtres de reconstruction classiques nest optimal (Ram-Lak, Ham-
ming, etc.). Dans le modele de mesure lineaire, les projections sont observees sous forme degradee
selon : Z
y(s, ) = hp (s s , )g(s , )ds + (s, ) (VI.24)
R
ou encore dans le domaine spectral :
Y (, ) = H(, )G(, ) + ()
= H(, ) || Q(, ) + () (VI.25)
hp (s, ) represente un filtre de lissage invariant par translation generalement connu a priori ou estime
par une etape de calibration de limageur, et (s, ) est un bruit de mesure additif centre ergodique et
SSL (stationnaire au sens large) independant de g et decorrele en . Q(, ) et la TF de la projection
filtree (voir Theoreme ??).
Cette formulation est celle dun probleme classique que lon a vu dans le chapitre precedent : la
deconvolution. Tout algorithme de deconvolution discute dans le Chapitre ?? peut etre mis a contri-
bution a bon escient. Par exemple, pour une reconstruction lineaire a erreur quadratique minimale, un
Figure VI.7 Allure du spectre du filtre inverse de Wiener dans lexemple traite.
filtrage de Wiener peut etre utilise. Le filtre inverse de Wiener fournit une estimation des projections
filtrees, et en appliquant lalgorithme de la retroprojection filtree, on obtient une estimee de f (x, y) :
fb(x, y) = Bg = B [Ap (, )Y (, )] (VI.26)
ou Ap est le filtre de Wiener estimant les projections donne dans le domaine spectral par :
H (, )Sf (, )
Ap (, ) = (VI.27)
|H(, )|2 Sf (, ) + S (, )
ou Sf (, ) et S (, ) sont les DSP de limage originale et du bruit les contaminant. Il faut bien noter
que par le theoreme de la tranche centrale (projection), Sf (, ) = Sg (, ). Le filtre de reconstruction
de q(s, ) est la cascade du filtre Ap et de || requis pour la retroprojection filtree. Finalement ayant les
estimees q, lalgorithme de retroprojection filtree decrit ci-dessus peut etre applique pour reconstruire
f (x, y).
Dans le cas particulier de projections bruitees uniquement, le filtre de lissage est limpulsion de
Dirac hp (s, ) = (s), H(, ) = 1. De plus, lorsque la mesure est parfaite (S 0), alors le filtre
|| Ap || ce qui est requis par la transformee de Radon inverse. Toutefois, comme nous lavons
remarque dans le Chapitre ??, en pratique, on a plutot recours a des approches de deconvolution
iteratives ne necessitant pas de connatre a priori la DSP des projections.
Exemple 7 Supposant que le bruit est blanc (en plus des proprietes precedemment enoncees). Sa
variance est notee 2 . On suppose que les projections sont uniquement bruitees. La distribution du
champ a observer a une fonction de covariance :
p
Cf (x, y) = 2 exp x2 + y 2
La DSP est donnee en coordonnees polaires par :

3
Sf (, ) = 2 2 2 + 4 2 2 2
Le filtre inverse de Wiener est :
2 2
Ap (, ) = 3 (VI.28)
2 2 + 2 [2 + 4 2 2 ] 2
(a) Fantome original

(b) Reponse du filtre (c) Image reconstruite
Figure VI.8 Reconstruction dune image bruitee avec filtrage inverse de Wiener. Compromis entre
details fins reconstruits et filtrage du bruit. Adptativite a mesure que 2 croit (du bas vers le haut).
Les methodes de reconstruction exposees sont basees sur la transformee de Radon et le theoreme
de projection. Il existe une autre famille de methodes variationnelles en reformulant le probleme de
reconstruction sous forme dun probleme inverse mal-pose. Lorsquaucun a priori nest disponible sur
le signal recherche, lattache aux donnees nest pas suffisant pour trouver une solution satisfaisante.
Le nombre de solutions explose et lon doit imposer des contraintes si loptimalite, au sens dun
critere donne, est souhaitee dans un sous-ensemble de signaux verifiant certaines contraintes dans
lespace des candidats. Ces dernieres sont souvent introduites sous forme de proprietes de regularite.
Les methodes variationnelles sont plus souples mais necessitent beaucoup de ressources en vue de
leur implementation. Toutefois, leur mise en uvre devient de plus en plus accessible grace aux
developpements des machines actuelles.
Bibliographie
[Ma03] H. Matre. Le traitement des images. Hermes, 2003.

[Mal00] S. Mallat. Une exploration des signaux en ondelettes. Ed. de lecole Polytechnique, 2000.
81

Trait Image

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Trait Image

Hochgeladen von

Copyright:

Verfügbare Formate

ab

ddd eee ENSICAEN

II Systemes lineaires bidimensionnels 11

III Caracterisation simple dune chane image 19

2.2.3 Second ordre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

IV Bases de pre-traitement dimages 33

1.2.3 Filtre de Wiener . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

VI Introduction a la reconstruction tomographique 69

2 Les types dimages

Table I.1 Classification des types dimages.

4 Les processus dacquisition et de visualisation

Mmoire de masse Mmoire vive STOCKAGE

Image numrique traite

PRISE DE DCISION Restituteur

4.3 Un mot sur la visualisation

5 Les pre-traitements dimages

Systemes lineaires bidimensionnels

1 Limage comme signal continu deterministe

F (u, v) = F1D (u)F1D (v) (II.4)

1.1.1 Quelques exemples

F1 (u, v) = T F (a (x)).T F (b (y)) = ab.Sinc(ua).Sinc(vb)

En passant en coordonnee polaires (u = cos , v = sin ), ou la TF peut etre exprimee dans

Limage et sa TF sont illustrees par la ligne 3 de la Figure.??.

Formule de Plancherel (conservation RR RR

Rotation Rotation de rotation de dans le domaine de Fourier :

Figure II.1 Exemples de TF de fonctions bidimensionnelles.

Table II.1 Proprietes usuelles de la TF.

1.3 Filtrage lineaire invariant

ou h est la reponse impulsionnelle du systeme et le signe designe le produit de convolution. Son

Remarque 1 On peut aisement verifier que Cf g (x, y) = f (x, y) g(x, y)

1.3.2 Dans le domaine spectral

T F (f h(x, y)) = F (u, v)H(u, v) (II.9)

De la meme maniere, en utilisant la symetrie hermitienne et le resultat precedent, on montre facilement

2 Vers la revolution discrete

2.1 Transformee de Fourier discrete bidimensionnelle

qui peut aussi secrire :

qui est une version periodisee de la TF de f (x, y).

2.2 Filtrage lineaire discret

T F [f h(nx , ny )] = F (u, v)H(u, v) (II.16)

H(u, v) est la fonction de transfert du SLI en question.

2.3 Convolution discrete circulaire

f (nx , ny ) = fe(nx modNx , ny modNy )

f g(nx , ny ) = f (px , py )g(nx px , ny py ) (II.17)

ou le symbole represente la convolution discrete circulaire.

2.4 Transformee de Fourier discrete

ou F est par definition la transformee de Fourier discrete (TFD) bidimensionnelle de f :

2.5 Transformee de Fourier rapide

Caracterisation simple dune chane

Lelectronique dacquisition (elements associes au capteur, amplificateurs) sensee se comporter

Systeme physique Capteur Electronique

Figure III.1 La fonction de transfert dune chane dacquisition dimage.

Ampli Vers CAN

Objectif Tube vidicon

Figure III.2 La chane de la camera a tube vidicon.

H(u, v) = Hc (u, v) Hc (u, v)

ou Hc (u, v) est la TF de louverture de la pupille de sortie (circulaire ici). La frequence de

1.2.2 La camera CCD

Figure III.4 La chane de la camera CCD.

3. La FT de lelectronique : Il ny a pas damplificateur associe. Cependant, on pourrait integrer

2 Le bruit dans les images

2.1.1 Bruits externes

2.1.2 Bruits internes

2.1.3 Bruits des elements associes

2.2 Caracterisation statistique