Filtrage et restauration d’images

Réalisé par : Encadré par :

HMAMOU Khouloud Pr. FIKAL Najib
BOUFKER Amal
HADAOUI Soufiane
MESSAN KASSI Robert
 Plan
• Introduction
• Bruit
• Filtrage d’image
• Restauration d’images
 Qu’est ce que le bruit ?
Le bruit du signal est toute interférence indésirable qui dégrade un
signal de communication.
En photographie, le bruit numérique désigne la distorsion visuelle.

Le bruit ressemble à de minuscules pixels colorés ou à des taches

inscrites dans l'image. Le bruit peut déformer les détails visuels de
votre photo, ce qui en fait quelque chose que les photographes
essaient d’éviter à tout prix.
 Les sources du bruit
Les facteurs environnementaux peuvent avoir un impact sur le
capteur d’imagerie.
Les particules de poussière dans le scanner peuvent causer du bruit
dans l’image numérique.
La faible luminosité et la température du capteur peuvent provoquer
un bruit d’image.
 Interférence des canaux de transmission
 Les types du bruit
Le bruit additif
le bruit de quantification
le bruit multiplicatif (impulsionnel)
le bruit d’échantillonnage.
 Bruit additif
On fait généralement l’hypothèse que le bruit est additif (le bruit s’additionne à
un signal pur):
Ê(𝑖,𝑗) = 𝐸(𝑖,𝑗) + 𝑛(𝑖,𝑗)
Où Ê(𝑖,𝑗) est le signal bruité au pixel (𝑖,𝑗),
𝐸(𝑖,𝑗) est le signal pur au pixel (𝑖,𝑗) et 𝑛(𝑖,𝑗) est le bruit additif au pixel (𝑖,𝑗).
L'importance du bruit est caractérisée par le rapport signal à bruit (Signal-to-
noise ratio):
𝑆𝑁𝑅 =
qui est souvent exprimée en décibel :
𝑆𝑁𝑅𝑑𝐵 = 10𝑙𝑜𝑔10( )
 Bruit multiplicatif
Ê 𝑖,𝑗 = 𝐸 𝑖,𝑗 ∗ 𝑛(𝑖,𝑗)

Il est aussi appelé bruit impulsionnel, et il provoque l'apparition de

valeurs isolées très différentes des valeurs au pixels voisins.
Ce type de bruit peut provoquer une saturation d’illuminance à certain
pixels de l’image.
 Bruit de quantification
Ce type de bruit est causé par la résolution avec laquelle l’illuminance
est échantillonnée en chaque pixel:
la plupart des cartes d’échantillonnage utilisent une plage de
quantification (résolution en amplitude) de 8 bits (i.e. l’illuminance en
un pixel est répartie sur 256 valeurs)
 ...mais on peut aussi avoir des cartes (plus chères) offrant des plages
d’échantillonnage de 10 ou 12 bits.
 Bruit d’échantillonnage
Ce type de bruit est causé par la résolution spatiale avec laquelle le champ
de vision observé par la caméra est échantillonné:
• exemple classique: 640 colonnes x 480 lignes
• 1024 x 768
• etc.
Ce bruit d’échantillonnage spatial a les effets suivants:
• affecte la netteté des variations rapides (contours) d’illuminance dans
l’image,
• amène des effets de recouvrement spectral (aliasing) lorsque le critère
d’échantillonnage de Nyquist n’est pas respecté:
Critère d’échantillonnage :
 Filtrage
 Définition et bruit du filtrage
 Filtrage unidimensionnel
 Débruitage par filtrage linéaire
 Débruitage par filtrage non linéaire
 Filtrage variationnel
 Définition et but du filtrage
 Définition:  But du filtrage:

Le filtrage a pour but d'améliorer

C’est un processus qui consiste à l’aspect d’une image en éliminant
modifier la valeur des pixels d'une le bruit au niveau de l’image. Il
image, ceci pour créer une s’agit de voir l’image comme une
nouvelle image beaucoup plus somme d’une autre image avec un
exploitable bruit
Filtrage unidimensionnel
 Filtrage linéaire
 Un filtre linéaire possède les propriétés suivantes:
 invariance dans le temps et la position: le résultat du filtrage ne
dépend que du voisinage d’un pixel et non de la position absolue du
pixel dans l’image
 respecte les principes de mise à l’échelle et de superposition (le
résultat du filtrage de la somme de deux images est le même que
celui de la somme des deux images filtrées):
 Les hypothèses du filtrage linéaire
 sur le bruit:

Bruit blanc
En un pixel d’image
Gaussien(moyenne nulle)
 L’hypothèse fondamentale:

L’hypothèse fondamentale derrière le filtrage linéaire est que la

moyenne de plusieurs échantillons devrait réduire le bruit.(i.e. l’écart-
type du signal résultat du moyennage de N échantillons devrait être
plus faible que celui de la distribution de laquelle proviennent ceux-ci.
 Filtrage spatial(bruit additif):
Le filtrage spatial est essentiellement une opération de convolution(2D)
• Si f est l’image à filtrer (ou à rehausser) et g le filtre spatial on a :
G(u,v)
=

• G est la fonction de transfert du filtre. Une image numérique étant

essentiellement discrète (pixels et niveaux de gris) nous allons
présenter les filtres dans le cas discret.
• Comme dans le cas unidimensionnel, on peut distinguer trois types de
filtrage :
 Le filtre passe-bas diminue le bruit mais atténue les détails de
l’image (flou plus prononcé)
Le filtre passe-haut accentue les contours et les détails de l’mage
mais amplifie le bruit
Le filtre passe-bande élimine certaines fréquences indésirables
présentes dans l’image
Que se passe au voisinage d’un point de l’image?

On effectue une
transformation au lieu
d’une convolution
 Le filtre moyenneur(2D)
L’opération de filtrage consistera dans notre cas à appliquer un
opérateur de convolution qui prend la forme d’un masque ou noyau de
convolution.
La valeur du pixel est calculée par:
 Exemple de filtre moyenneur:

Image originale Moyenneur 3X3 Moyenneur 5X5

Comment évolue le niveau du flou?

Moyenneur 7X7
 Les inconvenients du filtre moyenneur:
Comme toute autre opération de convolution similaire, on a un
problème avec les bords où les valeurs des pixels sont indéfinies.

Que faire avec ces valeurs indéfinies?

 Zero-padding : on suppose que les pixels en dehors de l'image sont de

valeur nulle ;
 Duplication : on duplique les premières et dernières lignes et
colonnes au delà des bords ;
 Miroir : on duplique l'image en miroir au-delà des bords
 Filtre Gaussien
• L'équivalent du filtre gaussien fréquentiel est le filtre gaussien spatial,
dont le masque correspond à une gaussienne discrétisée.
• Comme son nom l’indique, la forme du filtre est obtenue de
l’équation d’une gaussienne
 Des filtres gaussiens de différents écarts types produisent des
masques de convolution de différentes tailles.

Masque du filtre gaussien normalisé(3X3)

Masque du filtre gaussien normalisé(5X5)

 Les avantages du filtre gaussien:
• Contrairement au filtre moyenneur, il ne cause pas de recouvrement
spectral car sa transformée de Fourier est une gaussienne sans lobes
secondaires
• le filtre gaussien est séparable: on peut filtrer les lignes avec un
noyau 1 ligne x 5 colonnes de profil gaussien (par exemple) et on filtre
le résultat (les colonnes) avec un noyau de 5 lignes x 1 colonne de
profil gaussien
• Les calculs accélérés par rapport à l’opération de convolution
classique
 Comparaison entre le filtre gaussien et moyenneur:
Le filtre gaussien favorise le centre du voisinage, avec des coefficients
plus grands au centre du masque qu'en périphérie. Il permet ainsi de
réaliser un lissage/débruitage de l'image, avec une meilleure
conservation des contours que le filtre moyenneur.
 Inconvenient du filtre gaussien:

Les multiplications utilisent des poids non unitaires, ce qui augmente la

complexité algorithmique par rapport au filtre moyenneur uniforme
(pour lequel on peut se contenter de faire seulement les additions dans
l’opération de convolution)
Filtrage non linéaire
Restauration d’image
Restauration d’image

Restaurer une image consiste à essayer de compenser les

dégradations subies par cette image

Les dégradations les plus courantes :

-Flou de défocalisation
-Bougé
L’image dont on dispose
Objectif de la restauration :

Calculer à partir de F une image aussi proche que possible de

l’image originale I

On a besoin donc de connaitre :

- Le filtre h
- La variance du bruit
Le filtre de dégradation est symétrique par rapport à l’origine :

En prenant la transformée de Fourier et en supposant que les

images I et F sont périodiques
Détermination des paramètres de dégradation :
Modèle du filtre de dégradation

Défocalisation

Chaque point de la scène donne alors sur l’image une tache en forme de
disque, cette étant d’autant plus grande que la défocalisation est importante.

On a alors :
Les paramètres à déterminer est donc T :
Bougé

Elle se modélise par un filtre linéaire dont la réponse impulsionnelle a la

forme d’un segment. Ainsi la dégradation se modélise par un filtre horizontal :

A 2T+1 coefficients
 Etude en dimension 1
Pour la clarté de l'explication, nous allons tout d’abord nous placer en dim 1 (bougé) :
L’indice x correspondra à la direction du bougé.
La réponse fréquentielle h(x) du filtre est alors :

La transformée de Fourier discrète, sur N points, de ce filtre est :

Généralisation au cas à deux dim :

Si on néglige le bruit, l’équation :

Montre que le spectre de l’image dégradée est le produit du spectre de l’image

idéale par la transformée de Fourier du filtre de dégradation.

Il s’ensuit que les passages par zéro du filtre se retrouvent sur le spectre de
l’image dégradée. En visualisant le spectre, on peut donc localiser
approximativement ces bandes sombres et en déduire la valeur de T
Restauration par filtrage inverse

On filtre l’image de dégradée par un filtre g(x,y) qui est l’inverse de h(x,y)
On passe dans le domaine des fréquences, en utilisant la transformée de Fourier

En fréquentiel aura donc :

Pour restaurer l’image, on calcule le spectre de l’image restaurée

Ce qui consiste à appliquer le filtre inverse dans le domaine des fréquences. Enfin, une
transformée de Fourier inverse nous donne l’image restaurée (x,y)
Soit puisque

Si le bruit était nul, on retrouverait exactement l’image originale

Pour un bruit non nul, ce qui sera le cas en pratique, un problème e pose lorsque H(u,v)
devient très faible, car on a alors une forte valeur de G(u,v) ce qui entraine une forte
amplification du bruit

Solution : Borner les valeurs que peut prendre G(u,v) :

Ou S est un seuil positif

Restauration par filtrage de wiener

Le raisonnement qui vient d'être mené peut être rendu plus rigoureux : On
obtient à la notion de filtre de Wiener.

On va déterminer le filtre G(u,v) qui minimise l’erreur quadratique moyenne

entre l’image idéale et l’image restaurée :
Problème des effets de bords

Nous allons voir successivement deux méthodes pour améliorer

es résultats :

- Estimer les effets de bord pour ensuite les corriger.

- Faire l’hypothese qu’au niveau des bords, des points qui se

trouvent à l’exterier de l’image ont des intensités voisines des
points qui se trouvent à l’intérieur
 Restauration par estimation et correction des effets de bords

On se limitera au cas ou le filtre de dégradation est un filtre horizontal. Cela

permet de traiter les lignes de l’image indépendamment les unes des autres.

L’indice x correspond à la direction du bougé.

Notons I(x) une ligne de l’image idéale et F(x) la même ligne dans l’image
dégradée.
Les indices x=0,1,…,N-1 correspondent à la zone effectivement visible dans
l’image, alors que
Les indices x négatifs ou supérieurs à N-1 correspondent aux bords
extérieurs à l’image
Le filtre de dégradation h(x) vaut 1/(2T+1) pour
-T <= x <= +T et 0 ailleurs.

On note H(u) sa transformée de Fourier sur N Point.

On posera :

Pour x= -T,….,T-1
Au niveau de a transformée de Fourier, on peu écrire :
 Si on place les N composants de bruit B(u) dans un vecteur B et les n composants
de dans le vecteur , on peut démontrer qu’il existe une matrice W pré calculable à
N lignes et 2T colonnes telles que :

H(u) comporte 2T passagers par 0. Lorsque u correspond à un passage par zéro, on

:

Notons le vecteur de dimensions 2T contenant ces valeurs, et W0 la matrice de

dim 2T par 2T, formée à partir des 2T lignes de W correspondantes.

On a alors : Donc
Cette équation permet d’estimer le vecteur ensuite on calcule le
vecteur d bruit grâce à l’équation. On obtient alors la valeur
corrigée de F par :

On applique ensuite une méthode de restauration classique,

mais en remplaçant F(u) par Fcor(u).
Conclusion
MERCI DE VOTRE ATTENTION!