Introduction : Dautres filtres isotropes ont t dcrits dans la littrature .

Leurs spcifications reposent soit sur des contraintes de limitation de la bande passante du signal image dans le domaine frquentiel, soit sur la limitation de ltendue de la convolution dans le domaine spatial. La rponse impulsionnelle de ces filtres est dfinie partir de la rponse dun filtre monodimensionnel en utilisant lisotropie. Leurs proprits dpendent principalement des caractristiques des fonctions orthogonales utilises pour les construire (fonctions de Bessel, de Gabor, polynmes dHermite). Certains auteurs se sont attachs dfinir des procdures de lissage linaire qui ralisent un compromis optimal entre llimination du bruit et la conservation des informations dfinissant les contours. Ces oprateurs de lissage sont en gnral associs un filtre assurant la dtection des contours I.filtres optimaux : I.1.Dfinition de filtres optimaux De nombreuses tudes prsentes dans la littrature visent dfinir un oprateur de dtection de contours dot de performances optimales. Hueckel a t le premier dfinir un critre mathmatique permettant daboutir la dfinition de dtecteurs optimaux . Son approche a consist rechercher le meilleur ajustement, au sens des moindres carrs, entre un modle de contour en chelon et la fonction image. La position du modle, lorsquil sajuste au mieux sur la surface, indique la position du contour recherch. Lajustement dun modle sur limage a aussi t utilis afin destimer les drives directionnelles daprs les coefficients qui dfinissent lajustement du gabarit . Griffith , en utilisant une approche probabiliste, et Chow , en analysant lhistogramme des niveaux de gris dans un voisinage du contour, ont dfini des conditions garantissant loptimalit dun dtecteur de contours. I .2- Filtre de Canny : A. Dfinition du principe : L'algorithme de Canny (1986) ajoute un critre supplmentaire au mthode classique pour dfinir un dtecteur optimal, la non multiplicit des maxima locaux. Il dveloppe un filtre rponse impulsionnelle finie.

L'auteur l'a conu pour tre optimal suivant trois critres clairement explicits :

Bonne dtection

Il doit y avoir une faible probabilit de manquer un point de contour mais galement une faible probabilit de dtecter un point qui n'est pas un contour. L'efficacit de la dtection est dfinie comme le quotient de la rponse du filtre l'emplacement de la transition, par la valeur efficace du bruit aprs filtrage.

Bonne localisation

Les points dtects comme contours doivent tre aussi proches que possible des points de contours rels. La sortie du filtre correspondant un signal d'entre bruit possde son maximum en x0 alors que dans le cas d'un signal non bruit le maximum est atteint en x=0. La capacit de localisation de l'oprateur f(x) est alors dfinie de manire statistique comme l'inverse de l'cart type de la grandeur statistique x0.
1

Unicit de la rponse

Un point du contour ne doit tre dtect quun seule fois par le filtre mis en uvre. Ce critre est inclus implicitement dans le premier critre puisque si lon dtecte deux contours l o il ny en a quun, une des deux rponses doit tre considre comme fausse. EN
CONCLUSION LE DETECTEUR OPTIMAL DONNE UNE IMAGE RESULTAT DANS LAQUELLE LES

CONTOURS SERONT LOCALISES AU MAXIMUM DU GRADIENT DE L'IMAGE INITIALE CONVOLUE AVEC UNE GAUSSIENNE.

B. Mise en oeuvre

A chaque critre est associ une formule mathmatique. La maximisation de ces critres conduit la rsolution d'une quation diffrentielle dont la solution est le filtre f, qui permet la dtection du contour. En fixant des conditions initiales suivante : f(0) = f(W) = 0, f'(0) = S, f''(W) = 0, Canny a montr que cette solution pouvait tre approxime par la drive du filtre gaussien. C'est dire : f(x) = -(x /tau2) e-(x2 / 2tau2)

Le passage un espace 2 dimensions (une image) se fait alors simplement, le filtre gaussien tant sparable. On a alors : f(x,y) = f(x) . f(y) Le calcul du gradient sur une image se ramne donc deux balayages, un en ligne et un en colonne. Cela se rsume donc appliquer un filtre gaussien bi-dimensionnel limage puis driver le rsultat dans deux directions orthogonales. Canny a propos un filtre optimal pour la dtection dun contour idal noy dans un bruit blanc Gaussien . Le filtre propos est optimal en localisation et maximise le rapport signal sur bruit. Dans ce contexte, un contour idal est reprsent par une fonction de Heaviside :

La solution ce problme est la fonction suivante :

Canny a propos des conditions qui permettent de trouver les coefficients de la solution. Cependant cette solution tant difficile mettre en oeuvre, il la approche par la fonction drive premire dune Gaussienne. Par la suite, Driche a repris les travaux de Canny et a propos une solution exacte au problme avec une qualit bien meilleure. Filtre de drivateur :
2

Filtre de lissage : t Driche a ensuite propos une implmentation de cette solution sous forme rcursive en implmentant un lissage de limage puis une drivation avec les quations suivantes : Lissage :

Drivateur :

et

Avec x une ligne ou une colonne de limage, y+ et y- des signaux intermdiaires pour les calculs et i est la ligne ou la colonne rsultante.

Figure(1) : image origine

Figure(2) : filtre canny

I.3 - Filtre de Deriche : L'approche de Deriche a t de dvelopper un filtre optimal rponse impulsionnelle infinie. Les diffrentes littratures prsentent la technique de Deriche comme tant une rfrence dans les dtections de contours.
3

Le filtre de Deriche est la solution approche l'quation de Canny. Il a pour expression:

Avec

Il a pour drive premire:

avec

et pour drive seconde:

Les profils sont les suivants:

Fig3- Profils du filtre de Deriche et des drivateurs associs Le profil du drivateur 2 est trs proche du filtre LoG, mais ne prsente pas la proprit d'isotropie I.4.Le filtre de Kalman discret : Etant donn un systme linaire stochastique dont lvolution dynamique est modlise laide de lquation dtat :

o k 0 reprsente les instants successifs du temps, xk, ltat du systme de dimension n, yk, la sortie (mesure ou observation) de dimension m, uk, lentre certaine de dimension l, wk, le bruit dentre (ou de dynamique) de dimension l, vk, le bruit de mesure de dimension m. Les matrices certaines Ak, Bk, Gk, Ck sont de dimensions convenables. Pour viter toute confusion,nous reprsenterons dans la suite, la matrice identit dordre n, simplement par I. Ce modle peut tre considr comme reprsentatif dun systme temps discret ou plus Gnralement tre obtenu partir de la discrtisation dun modle reprsentatif dun systme temps continu. Les squences de bruit {wk} et {vk} sont des squences indpendantes de
4

bruits blancs centrs et ltat initial x0 est galement une variable alatoire indpendante des squences {wk} et {vk}. Leurs proprits aux premier et second ordres sont donnes par :

o E{.} reprsente lesprance mathmatique , P0 sont des matrices symtriques dfinies positives, et kl est le symbole de Kroknecker. Equations du filtre : Le problme du filtrage, au sens de Kalman, est de trouver, pour le systme dynamique (??), la meilleure estimation x de ltat x linstant k, partir dobservations effectues jusqu linstant discret j, au sens du critre de la variance conditionnelle minimum. Cela signifie que lestim x est tel que : pour tout vecteur z fonction des observations {y0, y1, . . . , yj}. Nous noterons xk/j , cet estimateur optimal, et les erreurs destimations :

Suivant que k < j, k = j ou k > j, on dit que xk/j est une valeur lisse, filtre ouprdite de xk. Contrairement au problme de prdiction qui utilise, partir dune valeur filtre le modle (??) non bruit, le problme de lissage ncessitera un traitement plus complexe (on doit tenir compte dinformations futures) qui sera tudi dans un paragraphe particulier. Pour simplifier les notations, nous poserons dsormais :

Le problme de filtrage au sens de Kalman est rsolu en utilisant les principes de base de lestimation, simple puis rcursive, dune variable alatoire que nous dcrivons dans lannexe A.Dans lannexe B, on tablit que les quations de fonctionnement dun filtre de Kalman discret se dcomposent en deux tapes : une tape de prdiction :

une tape de correction :

o Kk est le gain optimal du filtre, donn par :

La construction de cet algorithme montre quil permet de rpondre deux objectifs diffrents: cest un filtre linaire minimisant la variance a priori de lerreur destimation. Dans ces conditions, les bruits peuvent ne pas tre gaussiens ; cest un filtre maximisant la probabilit a posteriori des grandeurs estimer. Cela nest I.5.Filtre Mean Shift : "Mean Shift" : son application est la rduction d'un bruit blanc gaussien sur une image. Le Bruit Blanc Gaussien : On appelle bruit gaussien une perturbation dont la densit de probabilit de l'amplitude suit une loi gaussienne centre. Cela signifie que la probabilit pour que la perturbation soit d'une amplitude "x" est de:

o "sigma" est un paramtre qui dfinit la forme de la courbe.

De par la forme de la courbe, nous pouvons faire les constatations suivantes : La probabilit d'une faible amplitude (proche de 0) est trs grande La probabilit d'une forte amplitude est trs petite En moyenne, l'amplitude du bruit est nulle car la courbe est symtrique En outre, cette densit de probabilit possde des particularits mathmatiques intressantes : 68% de probabilit que l'amplitude soit entre -sigma et +sigma 95% de probabilit que l'amplitude soit entre -2*sigma et +2*sigma 99% de probabilit que l'amplitude soit entre -3*sigma et +3*sigma L'ajout d'un bruit blanc gaussien sur une image modifie donc la valeur de chaque pixel suivant une loi gaussienne :

Ajout d'un bruit gaussien sur une image La technique de filtrage : En utilisant les particularits du bruit blanc gaussien, il est possible d'estimer la valeur originale d'un pixel en analysant l'histogramme de l'image. Image uniforme : Prenons le cas d'une image originale uniformment grise (chaque pixel a la valeur 128).

Si on ajoute un bruit blanc gaussien (sigma=10), on obtient une nouvelle image qui a les caractristiques suivantes : La moyenne des valeurs des pixels vaut 128 99% des pixels ont une valeur entre 98 (128-30) et 158 (128+30) Dans ce cas, pour retrouver la valeur originale d'un pixel, il suffit de prendre la moyenne des valeurs des pixels bruits. II.Les Dtecteur de contour : Nous citons dans cette section quelques dtecteurs de contours existants, lesquels sont les plus utiliss et sont considrs comme tant optimaux. II.1 .Dtecteur de Camny : Canny propose dans sa thse des critres de performances d'un dtecteur de contours. Ces critres proviennent des propositions suivantes : . minimisation de l'erreur de dtection par la probabilit de ne pas omettre un vrai point de contours et de ne pas marquer contour un point image qui ne le soit pas. Ceci revient, selon Cnnny, maximiser le rapport signal/bnrit de la rponse du Dtecteur . l'erreur de localisation est quantifie par la distance entre le vrai point de contours et le point image marqu contour. Ceci revient, selon lui, minimiser la variance de l'erreur de localisation. . en rponse un sed point de contours effectif, un dtecteur ne doit fournir qu'un seul point marqu contour.
7

Pour la dtection de contours dans des images niveaux de gris, Canny propose l'utilisation des drives partielles, d'ordre un par rapport x et y, du filtre 2D sparable suivant : Son algorithme pour dtecter les contours de type marche est le suivant : convolution de l'image originale I(x, y) avec les filtres fx(x, y) et fy(x, y), fournissant respectivement I,(x, y) et I,(x, y) comme Mages rsultats. identification des points de contours dans l'image gradient, c'est--dire les maxima locaux du module du gradient dans la direction de ce dernier. II.2.Dtecteur de Deriche : Le dtecteur de contours de type marche de Deriche est issu de critres de performances de Canny. Cependant, le filtre initial de ce dernier est support limit tandis que celui de Deriche est support infini. L'algorithme de dtection de contours de Deriche est semblable celui de Canny prsent dans le paragraphe prcdent. II.3.Dtecteur de Shen et Castan : Le dtecteur de contours de type marche de Shen et Castan est driv partir des critres de Shen. En effet, ce dernier propose des critres que doit vrifier un dtecteur de contours aux maxima de la drive premire. Ses critres sont : . l'nergie de la sortie de filtre, en rponse au bruit, doit tre minimale. .et puisque ce filtre est dstin la dtection de contours, l'nergie de la rponse de la drive premire du filtre au bruit (respectivement au contour) doit tre minimale (respectivement maximale). Il est noter que Shen et Castan ont proposs une famille de dtecteurs gradient et Laplacien issus de ces critres

Conclusion : Filtres de Wiener: minimiser lerreur quadratique moyenne. Peut tre utilis pour liminer du bruit additif. En gnral aux frquences spatiales basses, le rapport signal/bruit est haut, et de cette faon, le filtre se comporte comme un filtre passe bas. La performance de l'oprateur de Deriche est meilleure que l'oprateur de Canny. La performance dpend seulement de la valeur . Ce paramtre est ajust pour quilibrer le rendement entre la localisation et le rapport signal sur bruit. Si on diminue la valeur , la localisation de contour sera dgrade mais le rapport signal sur bruit sera plus favorable (moins sensible au bruit). Et en revanche, si on augmente le valeur , la localisation de contour sera mieux mais le rapport signal sur bruit sera dgrad (plus sensible au bruit).