See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/320980196

Une Technique de Minimisation pour la Déconvolution d’images

Conference Paper · May 2009

CITATIONS READS

0 126

1 author:

Boukrouche Abdelhani
Université 8 mai 1945 - Guelma
75 PUBLICATIONS   498 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Ear Biometric View project

All content following this page was uploaded by Boukrouche Abdelhani on 29 September 2019.

The user has requested enhancement of the downloaded file.

 International Conference on Systems and Information Processing
ICSIP'09
May 2-4, 2009, Guelma

Une Technique de Minimisation pour la Déconvolution

d’images

El-Hadi Mehallel1, Abdelhani Boukrouche2

1,2
Département de Génie électrique, Laboratoire LAIG, Université de Guelma,
BP 401 Guelma 24000, Algérie.
[email protected], [email protected]

Résumé—La déconvolution des images ayant subi des permet de traiter aisément de nombreux problèmes dont
dégradations (flou, bruit, . . .) est un problème inverse mal-posé certains sont exprimés sous forme variationnelle, d'aborder
car le processus d’inversion est instable. Plusieurs approches de relativement sereinement des problèmes non-linéaires,
régularisation sont proposées dans la littérature traduisant d'obtenir dans de nombreux cas des résultats d'existence et
l’introduction d’informations a priori au modèle d’inversion d'unicité de solution, voire des schémas de résolution
afin de le rendre stable. Nous proposons et examinons un numérique très efficaces. Nombreuses sont les techniques à
modèle algorithmique simple pour la déconvolution d’images à
base des EDP qui ont été récemment proposées pour prendre
partir d’une observation floue et bruitée basé sur la
régularisation de la variation totale. Une technique rapide de en compte les problèmes de l’élimination du bruit, du
minimisation alternative, permet de construire un procédé réhaussement et de la restauration d’images réelles. Parmi la
itératif avec la résolution alternative d’une paire de sous- myriade de recherche nous pouvons citer la méthode de
problèmes associés aux valeurs de paramètre de pénalité. Pour régularisation de la variation totale a été présentée par
voir l’efficacité de l’algorithme, nous présentons des résultats Rudin, Osher, et Fatemi dans [18], et est devenu une
numériques dont lesquels nous montrons une implémentation technique standard ces dernières années [1,12,15,16,20,13].
simple de notre algorithme. Récemment, le champ des applications des méthodes à base
Mots Clés : Déconvolution d’images, restauration, de la variation totale a été développé avec succès, la
problème mal posé, problème inverse, variation totale. déconvolution aveugle [7], et le traitement des images
multivaluées [10]. En fait, La régularisation de la variation
I. INTRODUCTION totale permet de préserver des discontinuités (contours) tout

D ÉCONVOLUTION d’image est une tâche importante en lissant le bruit [16,18]. Les discontinuités dans les images
dans le traitement d’images dont le but de construire ou sont les contours et les frontières d'objet, et sont souvent les
de récupérer une image, qui a été dégradée en ayant a caractéristiques les plus importantes à maintenir et capturer
priori connaissance du phénomène de dégradation. La dans le traitement d'images. En outre, la régularisation de la
déconvolution d'image est apparue dans beaucoup de variation totale est convexe, non différentiable, de ce fait
domaines d'application tels que la télédétection, l’imagerie ouvrant la porte à la recherche des algorithmes efficaces
médicale, l'imagerie satellitaire, l’astronomie [2]…etc. pour les solutions optimales [4,3,25].
Comme la plupart des applications au traitement d’images
elle est qualifiée parmi les problèmes inverses mal posés au I.1. FORMULATION DU PROBLEME
sens d’Hadamard. La méthode d’inversion directe est La dégradation par un système linéaire et invariant par
difficile à cause de l’opérateur qui entre « linéaire » n’est translation, et un bruit additif, est constatée dans de
pas nécessairement inversible car un peu de bruit sur les nombreux instruments de mesure en imagerie contrôle non
données rend la solution instable. Il est alors nécessaire de destructif, médicale, satellite, multi-spectrale, etc.
régulariser le problème en imposant des contraintes sur la L’équation (1) représente le modèle mathématique direct de
solution, en essayant de formaliser les connaissances a priori l’observation :
que l'on a de l'image à reconstruire. Cela permet non
I 0 = HI + v (1)
seulement d'obtenir une solution plus stable, mais aussi de
construire une image acceptable, au sens où elle possède Où I une image originale, initialement régulière, on
bien les propriétés voulues. Ce type de problème a donné suppose qu’elle a été dégradée par un bruit additif v et
naissance à un grand nombre d'approches de régularisation. transformée via un opérateur linéaire H , on a alors l’image
Nombreuse des recherches, et beaucoup d’algorithmes, observée I 0 .
basés sur des formulations variationnelles ou stochastiques,
Nous supposons que les hypothèses de linéarité,
tentent de résoudre ce problème mal posé, nous pouvons
d’indépendance, et de stationnarité sont vérifiées,
citer les techniques à base d’équations aux dérivées
l’opérateur de flou peut être exprimé sous forme de
partielles, en abrégé EDP. Cet outil, dont l'introduction en
traitement des images date de quelques années seulement convolution suivante:
 ICSIP'09

(h * I )(x ) = ∫ h (x − τ )I (τ )d τ (2) I à partir de I 0 est alors formulé comme celui de retrouver

Ω
le minimum d’une fonctionnelle par rapport à I , afin que la
Où h * I est le résultat de convolution de l’image
minimisation de cette fonctionnelle puisse se faire avec un
originale I par le terme h , représentant le PSF (Point processus stable et convergeant tout en préservant les
Spread Function ) du système linéaire. On cherche à discontinuités éventuellement présentées dans la solution :
reconstruire I . Si on suppose que le bruit additif v est ⎛ λ ⎞
Min ⎜⎜ ∫ ∇ I ( x ) dx + ∫ HI ( x ) − I 0 ( x ) dx ⎟⎟ (6)
2
Gaussien, la méthode de moindres carrée nous conduit à 2
I
⎝Ω Ω ⎠
chercher comme solution du problème de la minimisation :
Où Ω est le domaine de l’image ouvert dans R ,
2

λ > 0 est le paramètre de régularisation H est un

∫ HI (x ) − I (x )
2
Min dx (3)
0
I
Ω opérateur de flou linéaire donné, I 0 : Ω → R est l'image
observée en L2 (Ω ) qui est une image floue et bruitée, I est
2
Où . désigne la norme dans L . Il s’agit d’un problème
l'image inconnue qui l’on cherche à reconstruire, et ∇I ( x )
inverse mal posé.
Il nous faut donc définir des critères sur la solution est la norme euclidienne du vecteur de gradient ∇I ( x ) ∈ R 2 .
recherchée afin de limiter le nombre de solutions à celles
physiquement acceptables, ce qui s’appelle « stabiliser le
Le terme
∫ ∇I (x ) dx
Ω
est la variation totale de la fonction

problème », tout en assurant la cohérence des résultats, c'est- I , avec I différentiable. Notons que, généralement la
à-dire en garantissant la proximité de la solution choisie fonction de variation totale n’est pas nécessairement
avec la solution idéale. Cependant, pour résoudre différentiable [27]. Cependant, nous sommes intéressés à la
numériquement le problème ci-dessus, on est amené à résolution du problème (1) dans un domaine discret pour le
introduire un terme de régularisation et à considérer le traitement d'image numérique, nous pouvons assurer
problème : implicitement le différentiabilité de I en utilisant
⎛ ⎞ l’expression ∇I ( x ) dx .
Min ⎜⎜ ∫ HI ( x ) − I 0 ( x ) dx + R (I )⎟⎟ (4) ∫
2

I
⎝Ω ⎠ Ω
L’intérêt de tel choix pour la fonction de régularisation
R(I ) = ∇I
2
Le terme de régularisation classique
provient du fait que la variation totale en deux dimension
(régularisation de Tikhonov) [21] n’est pas adapté au autorise les discontinuités sur les courbes, et donc en
problème de restauration d’images : l’image restaurée I est particulier la présence des bords dans l’image restaurée.
alors beaucoup lissée (en particulier, les bords sont érodés). Ainsi, même si numériquement l’approche s’avère plus
Pour contourner cet inconvénient, les auteurs Rudin et Osher délicate, la régularisation par la variation totale s’est
[17] ont proposé une approche beaucoup plus efficace, qui imposée comme une bonne approche en traitement
est une régularisation basée sur la variation totale, c'est-à- d’images.
dire à prendre R (I ) = ∇ I .
∫ En pratique, la solution numérique est calculée à partir de
Ω l’équation d’Euler-Lagrange associée à la fonctionnelle (6),
Le but est donc de trouver I sachant I 0 . Pour résoudre laquelle est un problème de minimisation convexe. Ces
équations s'écrivent formellement sous la forme suivante :
ce problème il est nécessaire d’avoir un minimum
d’information sur l’opérateur H et sur le bruit additif v .
∇I
L’approche de Rudin et Osher consiste à résoudre le ∇. − λH ∗
(HI − I0 )= 0 (7)
∇I
problème de minimisation de la variation totale sous
contraintes: Avec une condition de Neumann homogène aux bords. La
norme euclidienne n'est pas différentiable à zéro. Cependant,
Minimiser ∇I
Ω
∫ pour éviter les difficultés liées au non-différentiabilité, on
Sous les contraintes : et peut approximer par:
∫ HI = ∫ I
Ω Ω
0

∇I
∫ HI − I 0
2
=σ 2 (5) ∇. − λH ∗
(HI − I0 )= 0 (8)
Ω
∇I a
Où σ est l’écart type. La première contrainte supposons 2
que le bruit v est de moyenne nulle et la seconde que son
Où . = . + a 2 pour une certaine valeur petit
a
écart type est égale à σ . A. Chambolle et P.L. Lions [5] ont de a > 0 , et H ∗ est l'opérateur adjoint de H .
présenté des résultats d’existence et d’unicité pour ce Pour résoudre l’équation (8), Rudin et Osher [18] ont
modèle. Ils ont prouvé aussi, que le problème de reconstruire appliqué la méthode de descente de gradient :
 ICSIP'09

⎛ ∇I ⎞ pour des images numériques scalaires et présentons les

I = I + Δt ⎜ ∇. − λH ∗ (HI − I 0 )⎟ (9)
détails de l’algorithme proposé. Les résultats expérimentaux
⎜ ∇I ⎟
⎝ a ⎠ sont discutés dans la troisième section. Finalement, nous
Cette méthode est facile à mettre en application, mais la offrons quelques remarques de conclusion dans la quatrième
convergence extrêmement lente en raison du traitement section.
(
faible de l’opérateur diffusion ∇. ∇(.) ∇(.) . a
)
Pour obtenir une convergence plus rapide, on peut utiliser II. ALGORITHME DE DECONVOLUTION RAPIDE BASE SUR LA
VARIATION TOTALE
des techniques d'optimisations numériques standard comme
la méthode de Newton ou les méthodes de quasi-Newton.
Cependant, ces méthodes standard tendant à s’exécuter sont II.1. NOUVELLE FORMULATION
mauvaises pour les problèmes de minimisation de variation On a introduit une nouvelle variable W qui représente le
totale, comme il est démontré dans [11]. La difficulté
terme de gradient ∇I dans le modèle (1), on a obtenu un
fondamentale est que l'approximation quadratique locale à
problème équivalent au problème de minimisation convexe
base de méthode de Newton qui n'est pas un bon modèle
sous contraintes comme suite :
pour la non-linéarité de variation totale. Par conséquent, la
⎛ λ ⎞
Min ⎜⎜ ∫ W dx + ∫ HI ( x ) − I 0 ( x ) dx ⎟⎟
2
convergence locale est garantie et très rapide, mais pour (13)
trouver l’optimum globale « schémas de globalisation », on I ,W
⎝Ω 2 Ω ⎠
a besoin beaucoup d'itérations. Pour contourner cet Avec W ( x ) = ∇I (x ), x ∈ Ω
inconvénient, combiner un schéma de méthode de Newton,
Une autre technique possible, pour ramener simplement
et l'application d’une version primal-dual [9].
un problème de minimisation sous contraintes à la résolution
Dans [8], Chan, Golub et Mulet ont présenté la
d'un problème d'optimisation sans contraintes, consiste à
formulation primal-dual :
pénaliser la contrainte. L’idée de méthode de pénalisation
∇ .w − λ H ∗ (HI − I 0 ) = 0
r
(10)
r consiste à remplacer un problème avec contraintes par une
r
w ∇I − ∇I = 0 (11) suite de problèmes sans contraintes, dont on espère que les
r ∇I solutions convergent vers celles du problème initial. Donc,
Avec le variable dual : w = 2
2 on considère L la norme carrée de la formulation de
∇I + a2
pénalité :
Cette équation est alors résolue par la méthode de
Newton. D'autres schémas numériques d’optimisation sous ⎛ ⎞
λ 2 β 2
contraintes qui ont été appliqués à la minimisation de Min ⎜⎜ ∫ W dx + ∫ HI − I 0 dx + ∫ W − ∇ I dx ⎟⎟ (14)
I ,W
⎝Ω 2 2 ⎠
variation totale incluent les méthodes de pénalisations Ω Ω

intérieures et les méthodes lagrangiennes augmentées. Où β > 0 est le paramètre de pénalité. On sait bien que
Vogel et Oman, [23] ont proposé un schéma « lagged lorsque β → ∞ , la solution du problème de minimisation
diffusivity » qui a résolu les équations suivantes
(n +1) convexe (14) converge à celui (13).
itérativement pour I : Dans la pratique, il suffit de trouver une solution de (14)
⎛ ∇ I ( n +1 ) ⎞
⎟ − λ H ∗ (HI ( n +1 ) − I ) = 0 pour un β suffisamment trop grand afin d'approximer la
∇ .⎜ (12)
⎜ ∇ I (n ) ⎟ 0
solution de (1), pour des raisons de stabilité numérique.
⎝ a ⎠
Pour définir le problème (14) dans la forme discrète. On
Avec une condition de Neumann homogène aux bords.
pose I 0 ∈ R NxN ,(l’espace euclidien) est un matrice
I.2. CONTRIBUTION représentant une image numérique de niveau de gris, et
Dans cet article, nous proposons un algorithme simple et I ∈ R NxN est la matrice représentant l'image inconnue
rapide pour la résolution de l’équation (1). Cependant, Nos qu’on veut restaurée.
contributions principales: la dérivation d'un nouveau modèle Donc, l’équation définie ci-dessus, écrite sous la forme
quadratique et l'algorithme d’accompagnement, l'analyse des discrète suivante :
⎛ N β N ⎞
(∂I )ij − W ij + λ ∫ HI − I 0 2F ⎟⎟
propriétés de la convergence de l'algorithme, et l’évaluation
min ⎜⎜ ∑ W ij + ∑
2

de sa exécution pratique. Pour évaluer notre résultat obtenu, I ,W 2 i , j =1 2Ω

⎝ i , j =1 ⎠
on a comparé notre méthode avec d’autres méthodes de
(15)
déconvolution.
Où H : R
NXN
→ R NXN est un opérateur de convolution
I.3. ORGANISATION 2
discret, . est la norme Frobenius, et
Le reste du papier est organisé comme suit. Dans la F

deuxième section, nous décrivons un modèle discret de (1)

 ICSIP'09

⎛ (w1 )ij ⎞ NXN

Wij = ⎜ ⎟ ∈ R2 i, j ∈ {1,2,..., N } de I et similaire pour d'autres quantités dans R . Le
⎜ ( w2 ) ⎟ problème de moindres carrée (17) est mis sous la forme
⎝ ij ⎠
suivante dans le domaine fréquentielle :
Et ⎛ (∂1I )ij ⎞ ⎛ I i +1, j − I i j ⎞ l'opérateur de
(∂I )ij =⎜ ⎟=⎜ ⎟ ⎛ ⎛ T F ( ∂ I ) .T F ( I ) − T F ( w ) ⎞⎞
2

∈ R2
⎜ (∂ 2 I ) ⎟ ⎜ I i , j +1 − I i j ⎟ M in ⎜ T F ( h ) .T F ( I ) − T F ( I ) + γ ⎜ ⎟⎟
2 1 1 F

⎝ ij ⎠ ⎝ ⎠ I
⎜ 0 F
⎜ + T F ( ∂ I ) .T F ( I ) − T F ( w ) ⎟ ⎟ 2

⎝ ⎝ 2 ⎠⎠ 2 F

différence finie.
(19)
II.2 ALGORITHME DE MINIMISATION ALTERNEE Où « . » désigne la produit simple, et γ = β λ .
Pour résoudre le problème (15) consiste à minimiser Après la solution du problème ci-dessus pour TF (I ) , on
alternativement la fonction objective par rapport W à I prend une transformée de Fourier discrète inverse,
fixé et vice versa. Donc, on a besoin de résoudre les deux TF −1 (I ) pour obtenir la solution de sous problème I (19)
sous problème à la foie. L’algorithme de minimisation dans l'espace d'image, c'est-à-dire :
alternée comporte donc deux étapes :
I = TF ⎜−1
*

0 (
⎛ TF ( h ) .TF ( I ) + γ TF ( ∂ I ) .TF ( w ) + TF ( ∂ I ) .TF ( w )
1
*

1 2
*

2 ) ⎞⎟ (20)
Une étape de minimisation en sous problème W à I fixé,
donnée par : ⎝
*

(
⎜ TF ( h ) .TF ( h ) + γ TF ( ∂ I ) .TF ( ∂ I ) + TF ( ∂ I ) .TF ( ∂ I )
1
*

1 2
*

2 ) ⎟⎠
⎛ N β N 2 ⎞
Où « ∗ » dénote le conjugué complexe.
Min ⎜⎜ ∑ W ij + ∑ W ij − (∂ I )ij ⎟⎟ (16) Pour n'importe quelle valeur de β > 0 donnée, nous
W
⎝ i , j =1 2 i , j =1 ⎠
résoudrons le problème (15) en appliquant les formules (18)
On observe que la fonction objective qui comporte les
deux premiers termes dans (15), est séparable pour chaque et (20) alternativement, à partir d'un I initiale.
Pour le cas convexe, la convergence de cette procédure de
Wij .
minimisation alternatif a été prouvée [22].
Une autre étape de minimisation en sous problème I à
W fixé, donnée par : II.3. IMPLEMENTATION D’ALGORITHME DE DECONVOLUTION
⎛λ 2 β 2 β 2 ⎞ Comme on vient de le voir, le problème est de trouver
Min ⎜ HI − I 0 + ∂ 1 I − w1 + ∂ 2 I − w2 ⎟
I
⎝2
F
2 F
2 F
⎠ l’image idéale I à partir de l’image observée I 0 ,
(17) mathématiquement cela revient à résoudre l’équation (1).
Où ∂ 1 I = [(∂ I ) ]∈ R
1 ij
NXN
et w1 = [(w ) ]∈ R
1 ij
NXN Cette opération se constitue à la déconvolution, qui fait
partie de problème inverse mal posé. Pour faire face à la
Il est facile de voir que la fonction objective ci-dessus est résolution de problème, il faut résoudre le nouveau critère
juste une autre expression des deux derniers termes dans (15) qui est un équivalant de critère (13). L’approximation
(15). Évidemment, l'efficacité essentielle de notre approche de la solution de problème est dépend de l'importance de β
alternative de minimisation ci-dessus, est comment peut on qui détermine la quantité de pénalité appliquée à la
résoudre les deux sous problèmes de façon très rapide.
différence entre ∇I et W en distance carré L .
2
Alors, nous démontre maintenant la résolution de sous
problèmes par des procédures très rapides. En pratique, la valeur de β ne peut pas être trop petite
La solution de ce sous problème W est approximée [24] car elle laisse de ∇I = W à se violer excessivement. Bien
par la forme suivante: qu'il puisse tenter de prendre une valeur de β très grand au
⎛ 1 ⎞ (∂ I )ij début pour forcer W à une approximation précise à ∇I .
W ij = max ⎜⎜ (∂ I )ij − , 0 ⎟⎟ (18)
⎝ β ⎠ (∂ I )ij Elle doit être claire que la mise à jour du W est faite par la
1 ≤ i, j ≤ N . formule (15), lorsqu’on donne β une valeur trop grand,
Le sous problème I est un problème des moindres carrés afin que la quantité de la mise à jour s'applique à W est
linéaire avec une structure spéciale; c'est-à-dire, les trois diverge à I , ça implique que la minimisation des étapes de
opérateurs linéaires, H , ∂ 1 I et ∂ 2 I sont tous des l’algorithme a besoin beaucoup plus d'itérations pour la
convergence. Par conséquence, on doit choisir la valeur de
convolutions discrètes.
La propriété la plus intéressante du produit de convolution β d'une manière à avoir l’équilibre de la vitesse de
a lieu dans l’espace de Fourier : son image est un produit convergence. On réalise ceci en augmentant la valeur de β
simple. Ce produit simple étant d’expression moins graduellement à un niveau désiré, alors en utilisant la
complexe que le produit de convolution, cette propriété nous solution approximative relative à la valeur courante de β
permettra des simplifications en passant dans l’espace de
Fourier. comme référence initiale pour le prochain valeur de β.
On dénote que TF (I ) la transformée de Fourier discrète
 ICSIP'09

Pour examiner la fiabilité de notre algorithme proposé, on Pour valider notre résultat, on a appliqué différents tests sur
choisit de mettre en implémentation une version plus les trois images avec d’autres méthodes de déconvolution
fondamentale dans le cadre de restauration d’images, qu’on ([14],[6],[28]) pour évaluer les résultats obtenus par notre
l’appelle « déconvolution rapide par variation totale ». Cette méthode en terme de qualité et SNR des images restaurées.
procédure contient deux boucles d’itérations où chaque La mesure de performance de l’algorithme de
itération correspond à valeur fixe de β . On peut facilement déconvolution en terme de qualité visuelle de l’image
modifier l’algorithme pour le rendre plus flexible. Par restaurée se fait généralement en calculant le rapport
exemple, on peut mettre en application une tolérance signal/bruit noté SNR, défini par :
adaptative qui fait changer avec la valeur de β d'une
itération externe à l'autre, ou on peut utiliser un autre critère ~ 2
Δ I0 −I
d’arrêt pour les itérations intérieures. SNR = = 10 * log10 2
I0 −I
III. ÉVALUATION DES RÉSULTATS 0 ~
Où I est l’image originale et I est l’image restaurée.
Un algorithme de déconvolution est jugé bon si la valeur de
III.1. IMPORTANCE DU CHOIX D’HYPERPARAMETRES
SNR est élevée.
La qualité de l’image restaurée dépend sensiblement du
choix des hyperparamètres. On commence par le paramètre Table 1 : SNR obtenu par l’algorithme proposé, comparé
de régularisation λ qui contrôle la quantité de pénalité avec quelques d’autres méthodes.
2
appliquée au distance carrée L entre HI et I 0 . Un λ
Méthodes SNR (dB)
trop grand entraîne une sur-régularisation: on obtient une Lena Thorax cameramen
image noyée par un bruit, éventuellement encore plus floue Notre méthode 16.75 25.12 20.53
que l’image que l’on cherche à corriger! Par contre, si λ est [14] 14.13 22.56 13.00
trop faible, cela entraîne la disparition des détails les plus [6] 14.07 22.59 12.84
fins de l’image restaurée. Donc, il faut choisir le paramètre [28] 12.96 20.90 10.66
λ de telle sorte qu’il donne un meilleur rapport signal/bruit.
Dans nos expériences, on a utilisé la formule
λ = 0.05 max (σ 2 ,10 −12 ) pour des images avec
22

l'intensité mesurée à la gamme [0, 1], où le σ est l'écart 21

type du bruit Gaussien. Cette formule est basée sur

l'observation, ce λ devrait être inversement proportionnel à
20

la variance de bruit, alors que la constante 0.05 était 19

SNR (dB)

déterminé empiriquement de telle sorte que les images

restaurées aient des rapports signal/bruit (SNR) 18
raisonnables. Et aussi, on a réglé le paramètre suivant par
défaut, on a ajusté une valeur initiale de β à 4, sa valeur 17

maximale est β max = 2 20 , et une valeur de tolérance 16

−4
tol = 5.0 x10 . À la fin de chaque itération, on a doublé 15
la valeur du β . Ceci dans la version de base de
0 2 4 6 8 10 12 14 16 18 20
Beta

l'implémentation, s'est avérée suffisamment efficace pour Fig.1 : Evolution de SNR par rapport le paramètre pénalité β
atteindre l'objectif essentiel du notre algorithme.
On peut également appliqué notre algorithme de
déconvolution sur une image de IRM (Imagerie par
III.2. RESULTATS EXPERIMENTAUX Résonance Magnétique) de taille 469x341, l’image
On a appliqué l’algorithme de déconvolution par originelle est dégradée par un flou gaussien et bruitée par un
régularisation de la variation totale sur trois images en bruit blanc gaussien d’un écart type σ = 1.e −3 .
niveau de gris de « Lena, Thorax et cameramen ». Dans un
premier temps, on a limité les intensités des images
originelles entre 0 et 1. Ensuite, on a dégradé les images par
un flou gaussien de taille 15x15 et d’un écart type d’ordre 9,
et distorées par un bruit blanc gaussien de moyenne nulle et
d’un écart type σ = 1.e −3 .
 ICSIP'09

[4] A. Chambolle. “An algorithm for total variation minimization and

applications”. Journal of Mathematical Imaging and Vision, vol. 20,
pp. 89-97, (2004).
[5] A. Chambolle and P.L. Lions. “Image recovery via total variation
minimization and related problems”. Nümerische Mathematik,
76(2):167–188, (1997).
[6] G. Demoment, “Image reconstruction and restoration: Overview of
common estimation structures and problems”. IEEE Trans. Acoust.,
Speech, Signal Process., 37, pp. 2024–2036, (1989).
[7] T. Chan and C. Wong. “Total variation blind deconvolution”. IEEE
Trans. on Image Processing, vol. 7, pp. 370–365, (1998).
[8] T. F. Chan, G. H. Golub, and P. Mulet. “A nonlinear primal-dual
method for total variation based image restoration”. SIAM J. Sci.
Comput., 20:1964–1977, (1999).
Fig.2 : 2a) Image originale 469x341, 2b) Image floue et bruitée, [9] T. F. Chan, J. Shen, and L. Vese. “Variational PDE models in image
SNR=14 dB processing”. Notice of Amer. Math. Soc., 50:14–26, Jan. (2003).
10
Image Originale [10] T., Chan S. Esedoglu, F. Park, and A. Yip. “Recent developments in
Image Restaurée
total variation image restoration”. in Mathematical Models of
8
Cmputer Vision Computer Vision”, N. Paragios, Y. Chen, and O.
Faugeras (Eds), Springer Verlag, (2005).
6
[11] D. Goldforb and W. Yin. “Second-order cone programming methods
for total variation-based image restoration”. SIAM J. Sci. Comput.,
4 27(2):622–645, (2005).
[12] H. Fu, M. Ng, M. Nikolova, and J. Barlow. “Efficient minimization
2 methods of mixed L1-L1 and L1-L2 norms for image restoration”.
SIAM Journal on Scientific Computing, (2006).
0 [13] Y. Huang, M. K. Ng, and Y. Wen.: “A fast total variation
minimization method for image restoration”. SIAM Journal on
-2 Multiscale Modeling and Simulation, (2008).
0 50 100 150 200 250 300 350
[14] R. Neelamani, H. Choi, and R. G. Baraniuk. “ForWaRD: Fourier-
Wavelet regularized deconvolution for ill-conditioned systems”.
Fig.3:3a) Image restaurée,SNR=24.75dB, 3b)profil de la ligne 100 IEEE Trans. signal proc., 52, pp. 418–433, (2004).
[15] [Osher, 2003]. Osher S, A. Solé, and L. Vese. “Image
IV. CONCLUSION decomposition and restoration using total variation minimization and
the L1 norm”. SIAM Multiscale Modeling and Simulation, vol. 1, pp.
L’algorithme proposé est un algorithme de déconvolution 349–370, (2003).
d’images floues et bruitées par la régularisation de la [16] I. Pollak, A. Willsky, and Y. Huang. “Nonlinear evolution equations
as fast and exact solvers of estimation problems”. IEEE Trans. on
variation totale, permettant de résoudre le modèle (1) de Signal Processing, vol. 53, pp. 484498, (2005).
façon plus rapide. L’idée de base de l’algorithme est de [17] L. Rudin, S. Osher, and E. Fatemi. “Nonlinear total variation based
remplacer ∇I dans le terme de variation totale par une noise removal algorithms”. Physica D, 60:259–268, (1992).
[18] L. Rudin and S. Osher. “Total variation based image restoration with
nouvelle variable W et puis nous avons fait une free local constraints”. Proc. 1st IEEE ICIP, 1:31–35, (1994).
pénalisation de la différence entre les deux. Le résultat [19] P. Rodriguez and B. Wohlberg. “An iteratively weighted norm
algorithm for total variation regularization”. To appear in IEEE
fonctionnel peut être facilement minimisé de façon Signal Processing Letters, (2007).
alternative par rapport à W et I . La convergence de cette [20] E. Tadmor, S. Nezzar, and L. Vese. “A multiscale image
representation using hierarchical (BV,L2) decompositions”.
procédure de minimisation fait aisément des résultats Multiscale Modeling & Simulation, vol. 2, pp. 554–579, 2004.
existants. Les images restaurées donne de meilleurs résultats [21] A.N. Tikhonov. “Regularization of incorrectly posed problems ”
par rapport aux autres algorithmes de déconvolution en .Soviet. Math. Dokl., 4:1624–1627, (1963).
terme de simplicité, de vitesse, de stabilité numérique et de [22] P. Tseng P. “Convergence of a block coordinate descent method for
non differentiable minimization”. J. Optim. Theory Appl.,
qualité des images restaurées. Nous croyons que notre 109(3):475–494, June (2001).
algorithme de déconvolution rapide par variation totale est [23] C. R Vogel and M. E. Oman. “Iterative methods for total variation
un cadre algorithmique prometteur pour la déconvolution denoising”. SIAM J. Sci. Comput., 17(1):227–238, (1996).
[24] Y. Wang, J. Yang, W. Yin and Y. Zhang. “A Fast Algorithm for
numérique avec de diverses méthodes de régularisation de la Image Deblurring with Total Variation Regularization”. CAAM
variation totale. Technical Report 07-10, Rice University, June (2007).
[25] Y. Wang, J. Yang, W. Yin and Y. Zhang. “A New Alternating
Minimization Algorithm for Total Variation Image Reconstruction”.
REFERENCES SIAM Journal on Imaging Sciences, (2008).
[1] S. Alliney. “An algorithm for the minimization of mixed L1 and L2 [26] P. Weiss, G. Aubert, and L. Blanc-Feraud. “Efficient schemes for
norms with application to Bayesian estimation”. IEEE Trans. on total variation minimization under constraints in image processing”.
Signal Processing, vol. 42, pp. 618–627, (1994). INRIA Research Report, 6260, (2007).
[2] M. Bertero and P. Boccacci. “Introduction to Inverse Problems in [27] W. P. Ziemer. Weakly . “Differentiable Functions: Sobolev Spaces
Imaging”, IOP Publishing, Bristol, UK, (1998). and Functions of Bounded Variation”. Graduate Texts in
[3] J. Bioucas -Dias, M. Figueiredo, J. Oliveira. “Total variation image Mathematics. Springer, (1989).
deconvolution: A majorization-minimization approach”. IEEE Intern. [28] R.J. Hanisch, R.L. White, and R.L. Gilliland. “Deconvolution of
Conf. on Acoustics, Speech, and Signal Processing - ICASSP’2006, Images and Spectra”. Ed. P.A. Jansson, 2nd ed., Academic Press, CA,
Toulouse, (2006). (1997).

View publication stats