Vous êtes sur la page 1sur 10

Chapitre II

Estimation Et Débruitage
Chapitre 02 Estimation Et Débruitage

Chapitre II:

Estimation et débruitage

II.1-Introduction

En usage courant, le mot «bruit» fait référence à tout son indésirable. Dans l'électronique
analogique et numérique, le bruit est une perturbation indésirable d'un signal utile; c'est ce qu'on
appelle le bruit comme une généralisation du bruit audible entendu lors de l'écoute d'une faible
transmission radio. Le bruit du signal est entendu comme un bruit acoustique s'il est diffusé par
un haut-parleur et qu'il se manifeste par de la «neige» sur un téléviseur ou une image vidéo. Le
bruit peut bloquer, déformer, modifier ou interférer avec la signification d'un message dans la
communication humaine et électronique. Dans le traitement du signal ou le calcul, il peut être
considéré comme des données non désirées sans signification; c'est-à-dire, des données qui ne
sont pas utilisées pour transmettre un signal, mais qui sont simplement produites comme un
sous-produit indésirable d'autres activités. Le terme «débruitage», également connu sous le nom
de «réduction du bruit» se réfère à l'élimination du bruit [18].

La manière la plus simple de supprimer le bruit ou de reconstruire le signal original à


partir d'un signal contaminé, en utilisant 1D ou 2D, en utilisant les coefficients d'ondelettes

20
Chapitre 02 Estimation Et Débruitage

résultant de la décomposition en transformée en ondelettes, est d'éliminer le petit coefficient


associé au bruit. Après avoir mis à jour les coefficients en supprimant les petits coefficients
supposés comme bruit, le signal d'origine peut être obtenu par l'algorithme de reconstruction en
utilisant les coefficients sans bruit. Comme on considère généralement que le bruit a des
coefficients de fréquence élevés, l'élimination du petit coefficient s'applique généralement sur les
coefficients de détail après la décomposition. En effet, l'idée principale du débruitage en
ondelettes pour obtenir les composantes idéales du signal à partir du signal bruité nécessite
l'estimation du niveau de bruit.

La procédure du débruitage de signal basé sur TOD est constituée de trois


étapes; décomposition du signal, seuillage et reconstruction du signal. Plusieurs méthodes
utilisent cette idée proposée et l'implémente de différentes manières. En essayant de diminuer
l'influence du coefficient des ondelettes du bruit, il est possible de faire cela de manière
particulière, de plus le besoin de l'information du signal sous-jacent amène à différents
traitements statistiques de l'information disponible [18].

Dans la méthode de pénalisation linéaire, chaque coefficient d'ondelette est affecté par un
rétrécissement linéaire particulier associé au niveau de résolution du coefficient. On peut dire
que le seuillage linéaire n'est approprié que pour les signaux d'homogénéité avec des niveaux
importants de régularité. Les méthodes de seuillage ou de rétrécissement d'ondelettes sont
généralement plus appropriées. Depuis le travail de Donoho et Johnstone [19, 20], beaucoup de
recherches ont été menées sur la manière de définir les seuils et leur type. Donoho et Johnstone
ont proposé une stratégie non linéaire pour le seuillage. Dans leurs approches, le seuillage peut
être appliqué en mettant en œuvre une méthode de seuillage dur ou souple, appelée aussi
rétrécissement.

II.2- Estimation Et Débruitage par ondelettes

II.2.1- Concept de base

Le seuillage d'ondelettes, le rétrécissement d'ondelettes et le retrait non linéaire sont des


termes largement utilisés pour le débruitage de domaine d'ondelettes. Le débruitage par seuillage
(ou estimation en général) dans le domaine des ondelettes a été développé principalement par
Donoho et al. [19, 21]. Dans le domaine des ondelettes, les grands coefficients correspondent au
signal, et les petits représentent principalement le bruit. Les données débruitées sont obtenues en

21
Chapitre 02 Estimation Et Débruitage

transformant de manière inverse les coefficients seuils ou rétrécis convenablement. Son idée peut
être généralisée et illustrée comme le montre la figure (2.1).

Signal avec Estimation


Transforméedes Estimation Transformée des Des signal ̂
Bruit de
ondelettes... ondelettes
coefficient des
inverses
ondelettes..

Fig. (2.1): procédure de débruitage de signaux utilisant des transformées en ondelettes [22]

II.2.2- Le seuillage des ondelettes

Seuil d'ondelette est un terme largement utilisé pour le débruitage de domaine


d'ondelettes. Le débruitage par seuillage dans le domaine des ondelettes a été développé
principalement par Donoho et Johnstone (1994, 1995) et Donoho et al. (1995). Dans le domaine
des ondelettes, les grands coefficients correspondent au signal, et les petits représentent
principalement le bruit. Les données débruitées sont obtenues en transformant de manière
inverse les coefficients seuils ou rétrécis convenablement.

II.2.2.1- Débruitage 1D

Par conséquent, le signal bruité peut être exprimé comme suit:

( ) ( ) ( ) (2.1)

Où, s (n) est un signal original en N points, x (n) est un signal bruité corrompu par (0,1) BGB
additif (bruit gaussien blanc) g (n) avec une propagation de σ comme écart-type.

II.2.2.2- Débruitage 2D

Supposons que s = {s ij , i = 1,2, ..., M et j = 1,2, ..., N} est une image de M x N pixels, qui est
corrompue par indépendant et identiquement distribué (iid) zéro moyen, n ij sont des variables
indépendantes du standard N (0,1) et le niveau de bruit ' σ ' peut être connu ou inconnu. Le signal
de bruit peut être noté n ij ~ N (0, σ 2 ). Ce bruit peut corrompre le signal dans un canal de
transmission. L'image observée, contaminée par le bruit, est x = {x ij , i = 1,2, ..., M et j = 1,2, ...,
N}. Par conséquent, l'image bruite peut être exprimée comme:

(2.2)

22
Chapitre 02 Estimation Et Débruitage

II.2.2.3- Algorithme

Le débruitage de rétrécissement d'ondelettes du signal x (n), pour récupérer y (n) comme


estimation du signal original s (n) est représenté comme un algorithme en quatre étapes [49] avec
j comme niveaux de décomposition, W comme TO avant et W -1 comme TO inverse.

1. ω j = W (x), j = 1 à J

2. λ j = Sélection du seuil adaptatif de niveau ( ω j )

3. z j = Seuil ( ω j , λ j )

4. y = W -1 (z j )

Le seuillage standard des coefficients d'ondelettes est régi principalement par une fonction de
seuillage «dur» ou «doux» comme le montre la figure (2.2). La première fonction de la figure
(2.2, a) est une fonction «linéaire» qui n'est pas utile pour le débruitage car elle n'altère pas les
coefficients. La caractéristique «linéaire» est présentée dans la figure juste pour comparer la
non-linéarité des deux autres fonctions. La fonction de seuillage dur est donnée comme:

( ) | |
{ (2.3)
( ) | |

Où, w et z sont les coefficients d'ondelettes d'entrée et de sortie respectivement. λ est une valeur
de seuil sélectionnée. De même, la fonction de seuillage souple est donnée comme:

( ) ( ) (| | )| |
{ (2.4)
( ) | |

Entrée

Inclination =1

Sortie

(a) (b) (c)

Fig(2.2): Fonctions de seuillage; (a) linéaire, (b) dur, (c) doux

23
Chapitre 02 Estimation Et Débruitage

En vertu de ces règles de seuillage, notre objectif est de calculer le seuil optimal. Nous pouvons
choisir la même valeur et l'appliquer à tous les coefficients d'ondelettes, indépendamment de la
sous-bande. De cette façon est appelé le seuillage global. Une autre façon d'obtenir est par les
caractéristiques statistiques dans chaque sous-bande d'ondelettes. Dans ce cas, nous pouvons
calculer différents pour chaque sous-bande, ce que l'on appelle le seuillage de sous-
bande. Enfin, le seuil pourrait être calculé pour chaque coefficient d'ondelette en utilisant des
approches adaptatives. Ensuite, un seuil pour chaque emplacement sera différent en fonction du
coefficient d'ondelette. Nous appelons cette approche le seuillage adaptatif.

II.3 - Approches à seuil

II.3.1-Seuil universel

Le seuil universel proposé et prouvé dans [19, 21] est le plus largement utilisé et bien
connu dans la littérature sur le débruitage des ondelettes. C'est probablement l'approche de
seuillage globale la plus populaire. Le seuil peut être formulé comme suit:

σ√ ( ) (2.5)

Où k est la taille du signal ou de l'image et σest la variance du bruit. Lorsque nous décidons du
seuil, il doit être juste au-dessus du niveau maximal de bruit, mais ne pas être trop grand. Par
exemple, on peut imaginer que trop de grands coefficients ne devraient pas être détruits, par
exemple| | , ce qui tient compte du niveau de bruit. De plus, le seuil augmente avec la
longueur N due à la queue de la distribution gaussienne.

Plus formellement, il est possible de prouver que l'amplitude maximale du bruit a une très forte
probabilité d'être juste en dessous du seuil universel :

( ( ))
( | | ) ( )
( )

Le seuil universel est presque minimax pour la fonction générale puisqu'il ne nécessite pas
d'information préalable comme l'approche bayésienne. Ce seuil peut être appliqué à toutes les
données en douceur car Donoho et ses collaborateurs ont prouvé diverses propriétés optimales
pour ce seuil simple.

24
Chapitre 02 Estimation Et Débruitage

Le seuil universel est un bon choix lorsque la taille du signal d'entrée k se rapproche de
l'infini. En outre, la régularité statistique qui a un comportement asymptotique est mieux prise en
compte que la minimisation de l'erreur quadratique moyenne. En pratique, cette approche est
simple et rapide. Cependant, quand il est appliqué à une image, il produit une image débruitée
qui perd beaucoup de détails.

II.3.2-La méthode de SureShrink :

Nous pouvons réduire le risque de seuillage en choisissant un seuil inférieur au seuil


universel. Cependant, le seuil universel peut être appliqué à n'importe quelle fonction d'entrée
indépendamment des statistiques de données de la fonction. Il peut être possible de calculer un
seuil adaptatif aux données qui peut minimiser le risque estimé.

Un seuil adaptatif,appelé SureShrink, a été développé par Donoho et Johnstone [20],


SureShrink est nommé d'après l'estimation de risque impartiale de Stein (SURE). Comme
l'universel, le seuil de SureShrink atteint l'optimalité minimax asymptotique sur les espaces de
fonctions comme les espaces de Besov. En outre, il est optimisé de manière optimale par les
statistiques des données d'entrée.

Le seuil de SureShrink peut être défini dans ce qui suit.

( ( )) (2.7)

( ) ( * | | + ∑ (| | ) )

Puisque SureShrink est une approche adaptative, un seuil différent peut être décidé pour
chaque sous-bande. Ce type de seuil est appelé seuil de sous-bande (niveau). Le seuil pour le
débruitage d'image donne une bien meilleure qualité d'image et une erreur quadratique moyenne
(EQM) plus faible que le seuil universel qui produit des espaces fonctionnels trop lisses par un
seuil plus grand et n'est pas approprié pour les images naturelles ayant des structures
compliquées. De plus, il produit les résultats numériques proches de l'EQM minimale de
l'estimateur par seuillage optimal. En dépit de la haute performance, Donoho et Johnstone [20]

25
Chapitre 02 Estimation Et Débruitage

ont souligné que SureShrink dans la représentation d'ondelettes extrêmement clairsemée pourrait
obtenir un seuil inadéquat et ils ont suggéré l'approche hybride comme une alternative

.II.3.3- La méthode de bayesShrink :

Dans la section précédente, nous avons mentionné deux approches principales pour
minimiser le risque. La probabilité a priori devrait être connue pour minimiser le risque R dans
l'équation (2.8) pour l'approche bayésienne. Nous introduisons le seuil bayesShrink qui minimise
le risque Byes, contrairement au seuil universel ou au seuil SURE obtenu par la règle
minimax. A partir de l'équation (2.8), le risque bayes peut être écrit comme

( ) (‖ ̂ ‖ ) | (‖ ̂ ‖ ) (2.8)

Où ̂ ( ) et | ( ) . Nous supposons aussi que le prieur choisi de x GGD


(GeneralizedGaussian Distribution). Quand , GGD devient distribution Gaussienne. Ensuite, le
seuil optimal peut être obtenu en résolvant

( ) ( ( )) (2.9)

Puis quand à GGD.

( ) | (‖ ̂ ‖ )

∫ ∫ ( ( ) ) ( | ) ( )

( ) ( )

( ) ( ) ( ) ( ) ( )

Quand ( )est ( )et . ( ) ∫ ( ) .Par calcul numérique, le seuil approximatif


proche du seuil optimal est

( )

26
Chapitre 02 Estimation Et Débruitage

II.3.4 - Validation croisée

La validation croisée (VC) est une méthode classique mais efficace pour estimer les
paramètres de lissage qui minimisent les MSE. Le VC a été largement utilisé pour évaluer
l'optimalité d'un paramètre de lissage tel que la régression linéaire du lissage spline [23, 24] . Il a
été utilisé pour l'approche de seuillage dans le domaine des ondelettes en raison des propriétés de
minimisation des MSE et du comportement asymptotique [24, 25] .

L'idée principale est ce que l'on appelle l'exclusion d'un schéma, ce qui signifie que nous
mesurons et prédisons la valeur d'un point par tous les autres points. Nous prédisons , pour
chaque élément de l'observation bruyante y, l'estimation de comme mesure de l'optimalité du
choix du seuil. Afin d'exprimer le compromis pour tous les éléments de y, la fonction VC peut
être définie comme suit:

∑( ̃ ) ( )

Ensuite, nous pouvons obtenir avec

̃
∑ ( )( ̃ ) Où ( ) et .
( ) ̃

En définissant la matrice encombrante A, nous pouvons définir la fonction GVC (Generalized


Cross Validation). Dans [55] ,Weyrich et Warhola ont défini le critère GVC dans une formule
simple:

( ) (2.13)

‖ ‖
( * | | + )

Où est une sous-bande d'ondelettes modifiée par un seuil de y.

Le seuil GVC est une procédure optimale asymptotique. En fait, Jansen a prouvé le
comportement asymptotique

( )
( )
( )

27
Chapitre 02 Estimation Et Débruitage

Où ( ). Comme SureShrink, GVC est une approche à seuil qui estime le seuil
minimum MSE par observation bruyante et le seuil est calculé dans chaque sous-bande. En fait,
il existe une relation entre SUREet GVC ( ) ( ) ( ) . En
outre, pourrait atteindre le seuil rapide en formularisant VC d'une manière générale comme le
montre l'équation (2.13). La complexité du calcul est inférieure à celle des transformées en
ondelettes orthogonales. Plus d'applications de seuillage GVC peuvent être trouvées dans [24,
25]

II.4-Conclusion

Dans ce chapitre, nous avons insisté sur le débruitage de l'image ou du signal, qui sont
normalement affectés par le bruit additif. Le choix de la stratégie de retrait (seuillage) et la
sélection de la valeur seuil optimale sont très importants pour le débruitage par rétrécissement
d'ondelettes. Dans ce travail, nous avons utilisé le seuil universel, qui est une simple mesure
d'entropie totalement dépendante de la taille du signal.

28