I.

1 Introduction :

Un systme d'enregistrement d'image comme un appareil photo ne restitue pas l'image de manire parfaite : des informations parasites apparaissent et viennent s'ajouter de manire alatoire aux dtails de la scne d'origine. Ce type dinformation est appel couramment bruit Cet effet est peut tre parfois gnant, nous avons recourt a lopration de filtrage pour liminer ce type de perturbation.

I.2 Limage : . Limage est une reprsentation dune personne ou dun objet par la peinture, la sculpture,

le dessin, la photographie, le film, etc Cest aussi un ensemble structur dinformations qui, aprs affichage sur lcran, a une signification pour l il humain. Elle peut tre dcrite sous la forme dune fonction I(x, y) de brillance analogique continue, dfinie dans un domaine born, tel que x et y sont les coordonnes spatiales dun point de limage et I est une fonction dintensit lumineuse et de couleur. Sous cet aspect, limage est inexploitable par la machine, ce qui ncessite sa numrisation I.2.1. Image numrique : Contrairement aux images obtenues laide dun appareil photo, ou dessines sur du papier, les images manipules par un ordinateur sont numriques (reprsentes par une srie de bits). Limage numrique est limage dont la surface est divise en lments de tailles fixes appels cellules ou pixels, ayant chacun comme caractristique un niveau de gris ou couleurs prlev lemplacement correspondant dans limage relle, ou calcul partir dune description interne de la scne reprsenter. La numrisation dune image est la conversion de celle-ci de son tat analogique en une image numrique reprsente par une matrice bidimensionnelles de valeurs numriques f(x, y) o : x, y : coordonnes cartsiennes dun point de limage.

f(x, y) : ni

de gri en ce point

Pour des raisons de commodit de reprsentation pour l affichage et l adressage, les donnes images sont gnralement ranges sous formes de tableauI de n lignes et p colonnes. Chaque lment I(x ,y) reprsente un pi el de l image et sa valeur est associ un niveau de gris cod sur m bits (2m niveaux de gris ; 0 = noir ; 2m-1 = blanc). La valeur en chaque point exprime la mesure dintensit lumineuse perue par le capteur. I.2.2 Caractristi s dune i age numri ue :

Limage est un ensemble structur dinformations caractris par les paramtres suivants:  Pixel : Contraction de lexpression anglaise " picture elements ": lments dimage, le pixel est le plus petit point de limage, cest une entit calculable qui peut recevoir une structure et une quantification. Si le bit est la plus petite unit dinformation que peut traiter un ordinateur, le pixel est le plus petit lment que peuvent manipuler les matriels et logiciels dafficha ou ge dimpression. La lettre A, par exemple, peut tre affiche comme un groupe de pixels dans la figure ci-dessous :

Figure 1 : les pixels La quantit dinformation que vhicule chaque pixel donne des nuances entre images monochromes et images couleurs. Dans le cas dune image monochrome, chaque pixel est cod sur un octet, et la taille mmoire ncessaire pour afficher une telle image est directement lie la taille de limage. Dans une image couleur (R.V.B.), un pixel peut tre reprsent sur trois octets : un octet pour chacune des couleurs : rouge ( R ), vert ( V ) et bleu (B).
3

 Dimen ion : Cest la taille de limage. Cette dernire se prsente sous forme de matrice dont les lments sont des valeurs numriques reprsentatives des intensits lumineuses (pixels). Le nombre de lignes de cette matrice multipli par le nombre de colonnes nous donne le nombre total de pixels dans une image.  R olution : Cest la clart ou la finesse de dtails atteinte par un moniteur ou une imprimante dans la production dimages. Sur les moniteurs dordinateurs, la rsolution est exprime en nombre de pixels par unit de mesure (pouce ou centimtre). On utilise aussi le mot rsolution pour dsigner le nombre total de pixels affichables horizontalement ou verticalement sur un moniteur. Plus ce nombre est grand la rsolution est meilleure.

 Contour et te ture : Les contours reprsentent la frontire entre les objets de limage, ou la limite entre deux pixels dont les niveaux de gris reprsentent une diffrence significative. Les textures dcrivent la structure de ceux-ci. Lextraction de contour consiste identifier dans limage les points qui sparent deux textures diffrentes.

 Luminance : La luminance est le degr de luminosit des points de limage. Elle est dfinie aussi comme tant le quotient de lintensit lumineuse dune surface par laire apparente de cette surface Pour un observateur lointain, le mot luminance est substitu au mot brillance, qui correspond lclat dun objet. Une bonne luminance se caractrise par :
y y

Des images lumineuses (brillantes); Un bon contraste : il faut viter les images o la gamme de contraste tend vers le blanc ou le noir; ces images entranent des pertes de dtails dans les zones sombres ou lumineuses.
4

Labsence de parasites.

 Contra te : Cest lopposition marque entre deux rgions dune image, plus prcisment entre les rgions sombres et les rgions claires de cette image. Le contraste est dfini en fonction des luminances de deux zones dimages. Si L1 et L2 sont les degrs de luminosit respectivement de deux zones voisines A1 et A2 dune image, le contraste C est dfini par le rapport :

C!

L1  L2 L1  L 2

..

I.3 Le bruit : Le bruit caractrise les parasites ou interfrences d'un signal, c'est--dire les parties du signal dformes localement. Ainsi le bruit d'une image dsigne les pixels de l'image dont l'intensit est trs diffrente de celles des pixels voisins. [1] Notre problme consiste rcuprer une image proche de limage originale partir dune image de mauvaise qualit (dgrade), le bruit peut se prsent sur plusieurs formes :

Dgradation due un bruit additif : on observe une image g qui est la version dgrade dune image f par lajout dun signal alatoire b, g(x)= f(x)+ b(x), lobjectif est de retrouver, autant que possible limage initiale f. Dgradation due un bruit multiplicatif, g(x)=f(x) .b(x) Dgradation due un bruit impulsionelle : la valeur observe g(x) ne dpend pas de la valeur initiale f(x), mais remplace (avec une certaine probabilit) f(x) par une valeur quelconque. [2]

I.4 Le filtrage : Le filtrage consiste appliquer une transformation numrique en appliquant un oprateur.
5

toute ou partie d'une image

Dans le cas dun bruit additif , nous avons recourt gnralement aux filtrage linaire qui repose sur le principe suivant : Si on ne peut pas soustraire b(x) a g(x) dans le domaine spatial ( b tant alatoire , donc inconnu), on peut tenter de faire dans le domaine frquentiel moyennant des hypothses sur la rpartition des composantes frquentielle de b par rapport celles de f. Par linarit de la transform de fourrier on a : G(u)= F(u) + B(u). Le filtrage idal consiste faire lhypothse que le support B est connu et quil est distinct par rapport F. Dans ce cas multiplier G par la fonction indicatrice du complmentaire du support de B est quivalent soustraire B G et donc par transforme inverse retrouver f. La multiplication dans le domaine frquentiel correspond une opration de filtrage linaire, la mme opration peut aussi tre ralise directement dans le domaine spatial par convolution. Soit g une image numrique, h une fonction discrte bidimensionnelle de support {a1,a2} v {b1,b2 } la convolution g par h est dfinie comme suit :

Lopration de convolution de limage g par la fonction h, dite noyau de convolution consiste donc a remplacer la valeur de chaque pixel g[x,y] par une combinaison linaire des ses voisins, ou le coefficient attach a chaque voisin (x i , y j) est dtermin par la valeur h[i,j] du noyau de convolution.

Dans le cas ou la perturbation lie au bruit nest plus additive mais multiplicative on se ramne au cas prcdent par un logarithme. Pour le bruit impultionnelle, le filtrage linaire nest plus adapt, on a plutt recours a dautre oprations de voisinage quon dsigne sous le terme de filtre non linaire, le niveau dun pixel de limage filtre est toujours fonction du niveau des pixels environnants, ainsi le calcule nest plus bas sur des combinaisons linaires.

Nous allons maintenant prsenter et comparer les diffrents filtres lisseur les plus frquemment rencontr. Les filtres de lissage sont des oprateurs qui liminent des lments perturbateurs pour amliorer la visualisation des images numriques, ou bien qui supprime des structures non significatives pour simplifier le contenu.
6

Sagissant dimages, ce sont des noyaux de convolution 2D, mais qui en raison de leur symtrie, sparable. Plus prcisment, si une fonction 2D q[x, y] peut scrire comme le produit de deux fonctions 1D q[x, y] = qh[x]. qv[y], dans ce cas la composition de 2 convolutions, lune verticale, lautre horizontale : q[x, y] = qh[x]. qv[y] fg = (f qh) qv

I.4.1 Filtre moyenneur : Le filtre moyenneur correspond une fonction porte dans le domaine spatial. Sa transform de fourrier, correspondant aux coefficients de pondration des composantes frquentielles appliqus par le filtre dans le domaine frquentiel, est une fonction Sinus cardinal.

Figure2 : Le filtre moyenneur et ces proprits.

Figure 3 : Principe du lissage par moyenne Soit limage u (m, n) manire est alors : [0, 255], avec (m, n) la position dun pixel. Limage lisse de cette

] La figure suivante montre le rsultat de cette opration sur limage cameraman : [4]

Figure 4 : Lissage par moyenne de limage cameraman

I.4.2 Filtre Gau ien :

En convoluant avec une petite fentre gaussienne ou un rectangulaire, on utilise le fait que la variance du bruit est divise mais le processus ne doit pas continuer car il lisse aussi le contenu de l'image qu'il soit bruit ou non. Choisir une fentre gaussienne ou rectangulaire ne

prsente visuellement que peu de diffrence mise part que convoluer avec une gaussienne est plus rigoureux mathmatiquement. [3] Ce type de filtre est trs utilis en traitement de signal et des images car la transforme de fourrier dune gaussienne dcart type W est une autre gaussienne dcart type 1/W , le filtre gaussien ralise ainsi une sorte dquilibre entre les rpartitions spatiale et frquentielle ce qui se traduit par un meilleur compromis entre la prservation des structures locales et la rduction du bruit.

Figure 5 : Le filtre gaussien et ces proprits. Le problme qu'on rencontre avec cette mthode est le manque de moyen scientifique pour choisir la taille de la fentre ... il faut ttonner jusqu'a trouver la meilleure chelle. On observe que mme si cet algorithme est trs simple il dtruit les fortes discontinuits qui sont les contours des images. On peut comprendre ce phnomne grce la thorie de Fourrier. Que le filtre soit gaussien ou rectangulaire, on a dans l'espace des frquences un passe bas qui tue les hautes frquences qui sont les seules prserv les irrgularits des signaux comme les contours. [3]

Figure 6 : Fonction gaussien en 3D.

I.4.3 Filtre e ponentiel : Le filtre exponentiel utilise un paramtre K > 0, qui dtermine sa dispersion spatiale (plus grand estK, moins le filtre est dispers spatialement). Par rapport aux autres filtres, le filtre exponentiel prserve mieux les transitions (contours) au prix dune rduction moins visible du bruit.

Figure 7 : Le filtre exponentiel et ces proprits

I.4.4 Filtre de Wiener : Le filtre de Wiener, ne caractrise pas le signal et le bruit par leur forme analytique mais par leurs proprits statistiques. On considre que les images sont des ralisations dun processus alatoire stationnaire : on cherche alors minimiser la moyenne du carr de la
10

diffrence entre limage initiale et limage restaure. Ce filtre est trs efficace pour traiter des images dgrades la fois par du flou et du bruit. On considre une image dgrade f:

f = h *u +b
Ou u est limage originale restaurer, h un noyau de convolution symtrique positif (rponse impulsionnelle du filtre flou ) et b est un bruit de loi de probabilit (identique pour chaque pixel). Lhypothse gnralement faite est celle dun bruit blanc gaussien dcart-type . On modlise donc le problme par une formulation au sens des moindres carrs en considrant lerreur quadratique


que lon va minimiser. Le problme de
. Le noyau

minimisation nadmettant pas ncessairement de solution convenable, on ajoute un terme de rgularisation quadratique de la forme
fonction du rapport signal sur bruit. En appliquant la transformation de Fourier le problme de minimisation scrit alors :

q sera fix ultrieurement en

Ou F= , U=

, H= , Q=


La solution U de ce problme est obtenue par drivation.

On obtient :



Le principe du filtrage de Wiener est de fixer |Q|2 en fonction dune estimation du rapport signal sur bruit. Lorsque Q =0 on retrouve le filtrage inverse (pas de bruit). Idalement, il faudrait choisir :

11

O est la puissance spectrale moyenne de b (resp. u) Pour implmenter le filtre de Wiener, nous devons tre en mesure destimer correctement la puissance spectrale de limage dorigine et du bruit. Pour un bruit blanc gaussien, la puissance spectrale moyenne est gale la variance pas u !
2

du bruit. La puissance spectrale de u est difficile obtenir puisquon ne connait

Puisque le bruit b et les images sont indpendants. Donc, pour un bruit gaussien :

En rsum, la fonction de transfert du filtre de Wiener est donne par :

Avec dans le cas ou b est un bruit blanc gaussien dcart-type .

I.5 Filtrage non linaire : Le filtrage linaire montre des limites dans deux aspects particuliers de lamlioration des images numriques :

12

Le bruit impulsionnel : Lorsque limage fait apparatre des valeurs parasites aberrantes qui ne dpendent pas des valeurs initiales de limage, le filtrage linaire diffuse ces valeurs aberrantes sur les pixels voisins.

Le respect des frontires : le filtrage linaire lisse les transitions abruptes, rendant ainsi les images floues.

On dsigne par filtre non linaire un oprateur qui remplace la valeur de chaque pixel par une combinaison non linaire des valeurs de ses pixels voisins. Lobjectif des filtres lisseurs non linaires est dapporter une solution aux limites exprimes ci- dessus.

I.5.1 Filtre mdian : Le filtre mdian est un filtre spatial qui calcule en chaque pixel la mdiane des niveaux de gris des pixels de sa fentre, ce qui donnera le niveau de gris du pixel dans l'image filtre. Plus prcisment, pour tout pixel p, soit W(p) la fentre associe p ; on suppose que sa taille jW(p), j est impaire (c'est le cas pour une fentre centre en p, par exemple une fentre 3 x 3 ou 5 x 5). Etant donne une image I niveaux de gris, le filtre mdian transformera I en une image J niveaux de gris, telle que pour tout pixel p, le niveau de gris J(p) est la mdiane des niveaux de gris I(q) des pixels q dans la fentre

W (p): J (p) = med (I(q) : q 2 W(p)): Notons que ce calcul de J(p) se fait en parallle, en d'autres termes le calcul en un pixel p n'influe pas sur le calcul en un pixel voisin q. C'tait dj le cas dans le cadre des filtres convolutifs mais le filtre mdian prsente un autre avantage : il prserve les contours existants mais au prix de :
y

tre inefficace pour crer des dgrades dans une image dont les niveaux de gris ont t sous-quantifis. Ne peut pas restaurer une image en demi-ton, au contraire il accentuera l'effet de binarisation.

Cet algorithme est particulirement efficace pour les "trous" qu'on peut apercevoir sur les vieux films. D'ailleurs comme l'on a dj dit, le filtre mdian est spatial mais rien n'empche d'ajouter la dimension temporelle tendant la notion de voisinage au temps.

13

Si on voulait caricaturer les filtres convolutifs, on pourrait dire qu'il s'agit toujours de passebas. La raison est que l'on suppose implicitement que l'image est rgulire par morceaux et que donc l'information est contenue dans les basses frquences. Malheureusement, si la pollution est un bruit blanc, le bruit est reprsent toutes les frquences qu'elles soient leves ou basses. I.5.2 Filtre lectif Ce filtre s'appelle aussi filtre bilatral ou edge protector et il a t rinvent au moins trois fois depuis 1990. Le principe de ce filtre est de combiner les avantages des filtres mdian et convolutif tout en se dbarrassant de leurs dfauts. L'ide simple consiste faire une moyenne gaussienne ou rectangulaire mais sur les pixels de couleurs proches dans le voisinage. Il y a donc deux paramtres : la taille de la fentre et la distance de niveau de gris au del de laquelle on ne compte pas le pixel dans le voisinage.

Cet algorithme s'avre tre trs efficace : robuste et rapide. Il prserve les contours, cre les dgrads lorsque c'est ncessaire. Pour bien comprendre l'intrt de ce filtre, on peut regarder ce qui se passe en 1D.

Figure 9 : Echelon, pure bruit trait par un filtre slectif et par moyenne Sur ces figures, l o il y avait une discontinuit, le filtre moyenne produit un lent dgrad alors que le filtre slectif prserve les contours.

14

15