Traitement d’images

Chapitre 3 – Prétraitement
Restauration d’images

Wided SOUID MILED

Plan
Introduction
Le débruitage d’images
La convolution Discrète 2D
Système de filtrage linéaire spatial
Filtres passe-bas
Filtres passe-haut
Filtrage non linéaire
Restauration d’images

• Dans son processus d’acquisition, de transmission ou de stockage, une

image peut subir des dégradations.

• Supprimer ou diminuer les effets d’une telle détérioration : Restauration

d’images.

• La restauration d’images est un des plus vieux problèmes en traitement

d’images, et toujours une étape de pré-traitement nécessaire pour
beaucoup d’applications.
Restauration d’images
• La restauration des images a pour but de palier les défauts et de réduire
les distorsions et dégradations.
• Elle cherche a retrouver l’image idéale qui aurait pu être obtenue.

• Débruitage

• Déconvolution
Restauration d’images
Restauration = suppression des dégradations subies par l’image.

■ est l’image inconnue à restaurer

■ est l’image observée et dégradée
■ est l’image restaurée. on souhaite que
Le débruitage
Le débruitage
Modélisation

Les intensités des pixels du bruit b peuvent être considérées comme

des variables aléatoires distribuées selon une densité de probabilité.
Le débruitage
Le bruit
Le bruit est une brusque variation des niveaux de gris pour des pixels
isolés de l’image.
Le bruit dégrade la qualité de l’image.

Objectif de la restauration: éliminer le bruit et améliorer la qualité de

l’image pour la rendre mieux interprétable.
Le débruitage
Sources de bruit

1. Bruit lié aux conditions de prises de vue:

Problèmes liés à l’éclairage de la scène.
Le flou de bougé (déplacement du capteur lors de la prise de vue).
2. Bruit lié au capteur:
Capteur de mauvaise qualité.
Flou causé par le système optique
3. Bruit lié à la numérisation (échantillonnage et quantification):
Résolution mal adaptée à la scène ou à l’application.
Convertisseur analogique numérique de faible précision.
4. Bruit lié à la nature de la scène:
Nuages dans les images satellitaires.
Poussières dans les scènes industrielles.
Brouillard dans les scènes routières.
Poils dans les images dermatologiques, …
Bruit Additif Gaussien
L’intensité de chaque pixel (m,n) de l’observation y est en moyenne
égale à l’intensité du pixel (m,n) de l’image non bruitée x :

Ce modèle est simple et facilite les calculs. Il est utilisé dans la plupart
des applications, dont la photographie.
Bruit de poisson
Le nombre de photons est aléatoire et dépend de l’illumination. Il est
modélisé par un processus de Poisson dont la moyenne est égale à
l’illumination.

L’intensité de chaque pixel (m,n) de l’observation y est :

Ce modèle est utilisé dans le cas d’acquisitions à faible nombre de

photons, par exemple en astronomie.
Bruit impulsionnel (sel & poivre)

Le bruit impulsionnel permet de modéliser le cas où certains pixels sont

saturés ou morts (dysfonctionnement des photosites, saturation, etc.).

où xmin et xmax sont les valeurs minimales et maximales des intensités..

Exemples de bruit

Image originale bruit sel et poivre bruit gausssien bruit de speckle

Etat de l’art des méthodes de débruitage

■ Filtrage spatial

■ Filtrage fréquentiel

■ Approches variationnelles (régularisation TV)

■ Ondelettes

■ Approches statistiques

■ Moyennes non locales

■…
Le bruit est une haute fréquence
Filtrage des images

• Idée générale: le bruit correspond à des hautes fréquences

• On travaille à partir d'une représentation fréquentielle de l'image,

souvent la transformée de Fourier de l'image f(x,y)

• Principe: appliquer un filtre sur la représentation fréquentielle pour

éliminer les hautes fréquences puis produire l'image filtrée par
transformée de Fourier inverse.
Filtrage des images

• Dans le domaine spectral, le filtrage se fait par multiplication

• Dans le domaine spatial, le filtrage se fait par convolution.

Filtrage des images

Filtrer une image c’est la multiplier en fréquence par un filtre… compliqué !

Or…
Filtrage spatial
Objectif
Réduire les variations d’intensité au sein d’une région.
Respecter l’intégrité des scènes: les transitions homogènes et les
éléments significatifs de l’image doivent être préservés au mieux.

Méthodes
Différentes méthodes de filtrage suivant le type et l’intensité du
bruit dans l’image ou suivant les applications auxquelles sont
destinées l’image filtrée.

On distingue:
Filtrage linéaire.
Filtrage non linéaire.
Filtrage linéaire spatial
Système linéaire invariant par translation : LSI

image image
d’entrée LSI System de sortie

Linéarité: supporte l’ajout des éléments.

Invariance: la translation des éléments d’entrée engendre la même
translation des éléments de sortie.
Filtrage linéaire spatial
Réponse impulsionnelle
C’est la réponse d’un système LSI à une impulsion d’entrée.

réponse
impulsion LSI System impulsionnelle

Un système LSI est complètement caractérisé par sa réponse

impulsionnelle.

Étant données la réponse impulsionnelle d’un système et son

entrée, la sortie est déterminée d’une manière unique.
Filtrage linéaire spatial
• Un filtre linéaire est réalisé grâce à la convolution de l’image avec un
«noyau» représentant la réponse impulsionnelle du filtre.

• Balayage de l’image par un masque ou fenêtre de taille finie ou noyau.

• La fréquence de coupure du filtre est en général déterminée par la

dimension du masque.

• Nécessité d’une transformation locale ou de voisinage.

Filtrage linéaire spatial
Transformations de voisinage
Une transformation de voisinage est telle que la nouvelle valeur
d’un pixel tient compte des pixels appartenant au voisinage du
pixel considéré.
Ex: la moyenne des 8 pixels voisins est une transformation de voisinage.

Le voisinage peut avoir une taille plus ou moins grande (3x3, 5x5,
7x7…), et il peut avoir une forme régulière (carré, rectangle,
hexagone…) ou bien une forme quelconque.
Filtrage linéaire spatial
Voisinage V d’un pixel P
- Hypothèses :
– V est centré en P
– les pixels sont disposés selon une maille carrée

- Définition : V (P) est l'ensemble des pixels Q situes a moins d'une certaine
distance de P
- Voisinages les plus utilisés en traitement d'images :
Filtrage linéaire spatial
La convolution discrète 2D
- L'image I est une fonction de 2 variables discrètes (x et y) à support fini.
- Le filtre de convolution H appliqué sur I est lui aussi à 2D. Il est donné
par une matrice de poids (ou coefficients) de taille (2w+1)x(2w+1).
- H est appelé filtre, masque, noyau ou fenêtre de convolution.
Formule et mise en œuvre :

Le filtrage de I consiste à déplacer H sur chaque pixel et à remplacer la

valeur de ce pixel d'analyse par la combinaison des valeurs de ses voisins
données par la formule de convolution
Filtrage linéaire spatial
Masque de convolution
- Caractéristiques
• Ses caractéristiques (coefficients, taille) déterminent l'effet du filtre
• Souvent carré et de taille impaire (3x3, 5x5, etc) pour être centré sans ambiguité
sur le pixel d'analyse
• Souvent à valeurs symétriques centrées : h(-1,-1)=h(+1,+1), h(0,-1)=h(0,+1), ...
- Normalisation
• Soit S la somme des coefficients du masque.
• Diviseur : normalisation à 1.
– Si l'on veut conserver la luminance de l'image (moyenne des niveaux de gris), on
doit avoir S=1.
Filtrage linéaire spatial
Convolution : exemple
Filtrage linéaire spatial
Convolution numérique
Filtrage linéaire spatial
Convolution numérique
Filtrage linéaire spatial
Convolution numérique
Filtrage linéaire spatial
Convolution numérique
Effets de bords
Problématique
L’utilisation des masques ou noyaux de filtrage engendre les problèmes
des effets de bords. Ces problèmes surviennent lorsque le centre du
noyau du filtre est posé sur un pixel situé sur le bord de l’image à traiter.
Une partie donc du noyau ne repose plus sur l’image.
Effets de bords
Problématique

Étant donné un masque de taille n x n et si le centre de ce masque est

positionné sur un pixel à une distance du bord < (n-1)/2 pixels, alors au
moins une ligne ou une colonne du masque ne repose plus sur l’image.
Exemple

1 8 6 6
0 1 0
6 3 11 8 1
1 2 1
8 8 9 10 6
0 1 0
9 10 10 7
Traitement des effets de bords
Solutions proposées

On peut se contenter comme résultat de filtrage, seulement de la

sous-image maximale sur laquelle on a pu effectuer le filtrage.
L’avantage de cette méthode est que l’ensemble des pixels a été traité
avec le même noyau. A noter que cette méthode n’est valable que
si l’application n’exige pas de conserver la taille de l’image originale
intacte.

Dans le cas, où l’application nécessite de conserver la taille de l’image

après filtrage, nous pouvons n’appliquer à un pixel que la partie du noyau
centré sur lui et qui couvre l’image. Cette méthode implique que tous les
pixels de l’image ne seront pas traités avec le masque entier.
Traitement des effets de bords
Solutions proposées
Nous pouvons également utiliser la méthode de rajout de pixels virtuels à
l’image. Cette méthode consiste à ajouter dans certains cas des colonnes
et des lignes de zéros (Zero Padding).

Effet de miroir : on considère que l’image est entourée des mêmes valeurs
que sur son bord
 Les filtres linéaires
• Filtres passe-bas, ou de lissage
– Principe : moyenne pondérée des valeurs du
voisinage
– Effet : lissage de l'image (variations atténuées)
– Avantage : atténuation du bruit
– Inconvénient : atténuation des détails, flou
– Caractérisation : coefficients tous positifs

• Filtres passe-haut, ou de contours

– Principe : dérivation de la fonction image
– Effet : accentuation des détails de l'image
– Avantage : mise en évidence des contours/détails
– Inconvénient : accentuation du bruit
– Caractérisation : coefficients de somme nulle
Les filtres de lissage
• Principe
– Utilité : restauration de l'image (élimination du bruit) par lissage.
– Inconvénient : suppression des hautes fréquences (filtres passe-bas), d’où
dégradation des contours et effet de flou.

• Variétés
– Plusieurs types de filtres possédant chacun des avantages propres.
– Plusieurs tailles possibles, selon l‘étendue du voisinage a considérer : 3x3, 5x5,
... l'effet de flou est d'autant plus marqué que la taille est grande.

• Principaux filtres de lissage

– Linéaires
• Caractérisés par un masque (réalisables par convolution).
• Exemples : filtres moyenneurs, gaussiens
– Non-linéaires
• Caractérisés par un operateur non-linéaire (non réalisables par convolution).
• Exemple : filtre median
Filtres de lissage linéaires
Le filtre moyenneur
Le filtre moyenneur est un cas particulier des filtres passe-bas qui a pour
but de lisser l’image en remplaçant chaque pixel par la moyenne des
valeurs des pixels adjacents et du pixel central.
 1 ... 1 
h(m, n) = 2 ... . ...
1
Son masque est, en général, de la forme :
N
avec N: taille du filtre  1 ... 1 

Configuration : dépend de l'importance à donner au pixel d'analyse et à

ses voisins :

Inconvénients :
– forte atténuation des contours
– forte influence des pixels aberrants isolés
Filtres de lissage linéaires
Le filtre moyenneur

Remarque: Utiliser un noyau plus grand comme 5x5 ou 7x7 permet

d’éliminer plus de bruit mais les détails fins seront effacés et les contours
étalés.
Filtres de lissage linéaires
Le filtre Gaussien
Le filtre Gaussien est un filtre passe-bas linéaire dont les coefficients
sont ceux d’une courbe de Gauss à deux dimensions.

Son masque est de la forme :

Il est connu par sa facilité de mise en œuvre et la bonne qualité de ses

résultats.
Filtres de lissage linéaires
Le filtre Gaussien
• Avantage : limite l'effet de flou (contours mieux conservés)
• Configurations : approximations discrètes de la distribution gaussienne de
moyenne μ=0 et d’écart-type σ dans un filtre fini. Exemple pour σ=0,8 :

• Ecart-type :
– Détermine le degré de lissage
– Impose la taille du masque
Filtres de lissage linéaires
Exemple de filtre de lissage

Filtre 0 1 0
1
1 2 1
6
0 1 0 1 8 6 6
6 3 11 8
Image d’entrée : 4*4, 4bits/pixel 8 8 9 10
9 10 10 7
Prétraitement : Zero-padding

0 0 0 0 0 0
1 8 6 6 0 1 8 6 6 0
6 3 11 8 0 6 3 11 8 0
8 8 9 10 0 8 8 9 10 0
9 10 10 7 0 9 10 10 7 0
0 0 0 0 0 0
Filtres de lissage linéaires
Exemple de filtre de lissage
0 0 0 0 0 0
Déplacer le filtre sur 0 1 0
1 0 1 8 6 6 0
l’image résultat. 1 2 1
6 0 6 3 11 8 0
0 1 0
0 8 8 9 10 0
Calculer la somme pondérée.
0 9 10 10 7 0

Résultat. 0 0 0 0 0 0

2.6 4.3 6.2 4.3 3 4 6 4

4.0 6.5 8.0 7.2
round 4 7 8 7
6.5 7.7 9.5 7.3 7 8 10 7
6.0 7.8 7.7 5.7 6 8 8 6
Filtrage non linéaire
Les filtres non linéaires
Ne peuvent pas être définis comme produits de convolution.
Ne peuvent pas être définis comme sélections de fréquences.

Le filtrage par les filtres non linéaires s’oppose au précédent dans sa

dénomination car il n’est pas le résultat d’une combinaison linéaire de
pixels.
Il a été introduit afin de combler l’inconvénient majeur des filtres
linéaires qui laissent flous les bords des objets après le lissage.
Filtrage non linéaire
Les filtres non linéaires
Ne peuvent pas être définis comme produits de convolution, ou comme .
comme sélections de fréquences (basses, hautes).
introduits afin de combler l’inconvénient majeur des filtres linéaires qui
laissent flous les bords des objets après le lissage.
Les filtres non linéaires sont formés essentiellement par la famille des filtres
d’ordre qui est basée sur le tri.
ordonner les pixels qui sont contenus dans un voisinage donné selon leur
niveaux de gris, puis affecter au pixel courant une valeur G (fonction non
linéaire des (gi)i).
Bruit impulsif
Bruit Salt & Pepper
Chaque pixel de l’image a une probabilité pa ou pb pour se transformer en
un pixel blanc (Salt) ou noir (Pepper).
X: image non bruitée; Y: image bruitée

 255 avec probabilité pa

 pixels bruités
Y ( m, n ) =  0 avec probabilité pb
 X ( m, n ) pixels originaux
 avec probabilité 1 - pa - pb

ajout du bruit
salt & pepper
 Les filtres non linéaires
1. Le filtre médian
Le filtre médian est utilisé pour atténuer des pixels isolés d'une valeur
très différente de leur entourage (bruit impulsif).
Le niveau de gris central est remplacé par la valeur médiane de tous les
pixels de la fenêtre d’analyse centrée sur le pixel.
La taille du kernel dépend de la fréquence du bruit et de la taille des
détails significatifs de l’image traitée.
Les filtres non linéaires
Le filtre médian n'est pas réellement un produit de convolution, mais sa
mise en œuvre sur l'image est assez similaire puisqu'un noyau est
appliqué sur l'image et collecte les valeurs des pixels.
Sur l'exemple ci-dessous le noyau est un 3x3 = 9 éléments. Les neufs
éléments extraits de l'image sont ensuite triés dans l'ordre croissant.
Plus le noyau est grand, plus le filtrage peut paraître efficace, mais plus il
déforme l’image.
Les filtres non linéaires

image originale bruit (pa = pb = 0.1)

filtre médian de taille 3x3 filtre médian de taille 5x5

Les filtres non linéaires
Le filtre médian itératif
Appliquer le filtre médian d’une manière répétitive sur le résultat
obtenu à partir d’un filtrage antérieur.

image bruitée 1 fois

2 fois 3 fois
Les filtres non linéaires
Le filtre médian: exemple
Étant donnée une image de taille 4*4,

5 6 7 8 impulsion
0 6 7 8
5 6 15 8
impulsion
5 6 7 8

1. Filtrer l’image avec un filtre médian 3x3 en appliquant le Zero-padding

aux niveau des bords.
0 0 0 0 0 0
5 6 7 8 0 5 6 7 8 0 filtre 0 5 6 0
0 6 7 8 zero-padding 0 0 6 7 8 0 médian 5 6 7 7
5 6 15 8 0 5 6 15 8 0 5 6 7 7
5 6 7 8 0 5 6 7 8 0 0 5 6 0
0 0 0 0 0 0
Les filtres non linéaires

2. Filtrer l’image avec un filtre médian 3x3 en appliquant replicate-padding

aux niveau des bords.

5 5 6 7 8 8
5 6 7 8 replicate 5 5 6 7 8 8 filtre 5 6 7 8
0 6 7 8 -padding 0 0 6 7 8 8 médian 5 6 7 8
5 6 15 8 5 5 6 15 8 8 5 6 7 8
5 6 7 8 5 5 6 7 8 8 5 6 7 8
5 5 6 7 8 8

impulse supprimée
 Les filtres non linéaires
2. Le filtre maximum
Il tend à homogénéiser et éclaircir les régions de l’image.
3. Le filtre minimum
Il tend à homogénéiser et assombrir les régions de l’image.