Vous êtes sur la page 1sur 64

Introduction

Classification du bruit

Reprsentation des images numriques

Dr. Maouni Messaoud


Cours de Magistère Mathématiques Appliques ENS
Kouba

Université de 20 août 1955-Skikda - Département de Mathématiques

20 -28 Décembre 2014

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 1/37


Introduction
Classification du bruit

Problmes

Les problèmes issus de l’amélioration et de la restauration des images


sont des problmes largement traités dans la littérature scientifique, et
ce depuis l’apparition de la discipline du traitement numérique des
images, née durant les années 60, après le développement de moyens
informatiques suffisants . L’amélioration et la restauration d’images
furent ainsi les premiers problèmes à recueillir une grande attention .
Une généralisation au cas des images de techniques bien connues pour
le traitement des signaux temporels donne alors de premiers résultats
spectaculaires, y compris pour le public non initié. L’amélioration
d’images cherche en effet rendre l’image plus significative à
l’observateur humain, qui est le seul juge final de l’efficacité d’un tel
traitement. La restauration, quant à elle, cherche corriger les
distorsions introduites lors des étapes précédentes de l’acquisition ou
de la transmission .

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 2/37


Introduction
Classification du bruit

Un modèle de formation de l’image observée incluant le bruit est


généralement supposé et des critères à minimiser sont établis afin de
retrouver au mieux l’image originale. Par la suite, d’autres problèmes
généralement placés en aval dans la chaı̂ne de traitement ont été
abordés . Il ne s’agit plus alors d’obtenir une meilleure image, mais
d’extraire de l’image fournie les informations utiles à un traitement
postérieur . L’extraction des primitives s’est alors vue accorder une
grande attention. Comme les contours des objets observés forment
souvent les premières informations nécessaires, de nombreux
algorithmes de détections de contours ont été proposés (D. Marr and
E . Hildreth 1980. Utilisant ces paramètres extraits des images, des
algorithmes de segmentation, de classification, de stéréovision
permettent alors d’avoir une analyse détaillée de la scène perçue

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 3/37


Introduction
Classification du bruit

Définition d’une image


Une image numérique est composée d’unités élémentaires (appelées
pixels) qui représentent chacun une portion de l’image. Une image est
définie par :
1 le nombre de pixels qui la compose en largeur et en hauteur (qui
peut varier presque à l’infini)
2 l’étendue des teintes de gris ou des couleurs que peut prendre
chaque pixel (on parle de dynamique de l’image)

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 4/37


Introduction
Classification du bruit

Le pixel
Definition
Le pixel est l’abréviation de ”picture élement”; élément d’image c’est
la primitive de bas niveau la plus pauvre en information car ses seuls
attributs sont la position dans la matrice image (n de ligne, m de
colone) et la valeur numérique indiquant sa couleur, ou son niveau de
gris. Il peut être représenté en mémoire sur:
Un bit (0 ou 1) pour les images monochormes: 0 pour le noir et 1
pour blanc.
Un octect , soit 256 niveaux de gris pour une image à niveaux de
gris: 0 noir et 255 blanc.

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 5/37


Introduction
Classification du bruit

Voisinage d’un point


Definition
Soit v : Z2 → R, et soit P = [xp , yp ] , un point sur un support isotrop
unitaire le 4- voisinage v4 (P ) du point P est défini (Plusieurs types
de connexité (définition du système de voisinage de chaque
pixel)):v4 (P ) = {[xp , yp±1 ] , [xp±1 , yp ]}

Figure: A gauche (2D), a droite 3D : 6-connexité (croix dans les 3


directions)

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 6/37


Introduction
Classification du bruit

Remarque
Aspects pratiques : que faire des bords ?
On a souvent besoin d’avoir accès aux voisins d’un pixel.
Problème, les bords n’ont pas le même nombre de voisins que les
autres. Comment faire ?
Traiter les bords à part pour ne prendre en compte que leur
nombre spécifique de voisins. Lent, pas toujours adaptés.
Enlever les bords de la boucle et ne pas les traiter. Pas toujours
adapté, visuellement notable.
Extrapoler, souvent la meilleure solution mais pas
d’extrapolation générique : ordre 0 ou 1, moyenne, symétrie

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 7/37


Introduction
Classification du bruit

1.Les images binaires (noir ou blanc)


Exemple, images les plus simples, un pixel peut prendre uniquement
les valeurs noir ou blanc. C’est typiquement le type d’image que l’on
utilise pour scanner du texte quand celui ci est composé d’une seule
couleur.

Figure: Une image en noir et blanc

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 8/37


Introduction
Classification du bruit

2. Les images en teintes de gris


En général, les images en niveaux de gris renferment 256 teintes de
gris. Image à 256 couleurs, simplement chacune de ces 256 couleurs
est définie dans la gamme des gris. Par convention la valeur zéro
représente le noir (intensité lumineuse nulle) et la valeur 255 le blanc
(intensité lumineuse maximale).

Figure: Une image en niveaux de gris


Cours de Magistère ENS Kouba Dr. Maouni Messaoud 9/37
Introduction
Classification du bruit

3.Les images couleurs


Une image couleur est en réalité composée de trois images, afin de
représenter le rouge, le vert, et le bleu. Chacune de ces trois images
s’appelle un canal. Cette représentation en rouge, vert et bleu mime le
fonctionnement du système visuel humain. La figure suivante montre
la décomposition d’une image couleur en ses trois canaux constitutifs..

Figure: Image numérique couleur Figure: Canal rouge

Figure: Canal vert Figure: Canal bleu


Cours de Magistère ENS Kouba Dr. Maouni Messaoud 10/37
Introduction
Classification du bruit

Chaque pixel de l’image couleur contient ainsi trois nombres (r, v, b),
chacun étant un nombre entier entre 0 et 255. Si le pixel est égal à
(r, v, b) = (255, 0, 0), il ne contient que de l’information rouge, et est
affiché comme du rouge. De façon similaire, les pixels valant
(0, 255, 0) et (0, 0, 255) sont respectivement affichés vert et bleu.
On peut afficher à l’écran une image couleur à partir de ses trois
canaux (r, v, b) en utilisant les règles de la synthèse additive des
couleurs. La figure suivante montre les règles de composition cette
synthèse additive des couleurs. Un pixel avec les valeurs
(r, v, b) = (255, 0, 255) est un mélange de rouge et de vert, il est ainsi
affiché comme jaune.

Figure: Synthèse additive des couleurs


Cours de Magistère ENS Kouba Dr. Maouni Messaoud 11/37
Introduction
Classification du bruit

On peut calculer une image en niveaux de gris à partir d’une image


couleur en moyennant les trois canaux. On calcule donc une valeur
r+v+b
a= (1)
3
qui s’appelle la luminance de la couleur. La figure suivante montre
l’image de luminance associée à une image couleur.

Figure: Luminance de l’image

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 12/37


Introduction
Classification du bruit

Une autre représentation courante pour les images couleurs utilise


comme couleurs de base le cyan, le magenta et le jaune. On calcule
les trois nombres (c, m, j) correspondant à chacun de ces trois canaux
à partir des canaux rouge, vert et bleu (r,v,b) comme suit
c = 255 − r, m = 255 − v, j = 255 − b. Par exemple, un pixel de bleu
pur (r, v, b) = (0, 0, 255) va devenir (c, m, j) = (255, 255, 0). La figure
suivante montre les trois canaux (c, m, j) d’une image couleur.

Figure: Image numérique couleur Figure: Canal cyan

Figure: Canal magenta


Cours de Magistère ENS Kouba Figure:
Dr. Maouni Canal
Messaoud jaune 13/37
Introduction
Classification du bruit

Afin d’afficher une image couleur à l’écran à partir des trois canaux
(c, m, j), on doit utiliser la synthèse soustractive des couleurs. La
figure suivante montre les régles de composition cette synthèse
soustractive. Notons que ces régles sont celles que l’on utilise en
peinture, lorsque l’on mélange des pigments colorés. Le cyan, le
magenta et le jaune sont appelés couleurs primaires.

Figure: Synthèse soustractive des couleurs

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 14/37


Introduction
Filtrage linéaire
Classification du bruit

Classification du bruit
Les images obtenues par un procédé d’acquisition artificiel dont
souvent dégradées par des perturbations appelées génériquement ”
bruit ”. Ce bruit est dans la majorité des cas dû aux conditions
d’acquisition :
Étalonnage de l’appareil : malgré des technologies de plus en plus
pointues, il existe toujours des erreurs minimes de mesure ou de
manipulation
Perturbations par le mileu ambiant : c’est le cas des images
médicales par exemple (radiographie, échographie) où
l’information est bruitée par la traversée des tissus observés.
Mauvaises conditions d’acquisition : nuages pour les photos
aériennes, manque de luminosité etc ...
Les dégradations peuvent être aussi le fait du vieillissement des
supports (photographies ou films anciens) ou le résultat d’artéfacts
numériques lors de reconstructions à partir des données physiques
(comme en tomographie par exemple).

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 15/37


Introduction
Filtrage linéaire
Classification du bruit

Un autre type de dégradation est le ”flou” souvent dû à une mauvaise


focalisation : c’est le cas des myopes qui ne distiguent pas les contours
ou les détails des images. Le flou est souvent modélisé par un
opérateur de convolution qui a pour effet de régulariser fortement les
images et donc d’adoucir les détails. L’opération de défloutage
s’appelle donc logiquement une déconvolution. Une notion utile pour
estimer le bruit dans une image (et plus généralement dans un signal)
et le rapport signal sur bruit (SNR : Signal to Noise Ra- tio) . Ce
rapport est souvent obtenu (expérimentalement) grâce à l’étalonnage
des instruments de mesure.
Définition
On appelle rapport signal sur bruit (Signal to Noise Ratio : SNR),
d’un signal donné x entâché d’un bruit b sur un intervalle de temps
fini I la quantité :
kxk
SN R = 20log10 ( ) (2)
kbk
oùk.k désigne la norme euclidienne du signal discret. Il est exprimé en
décibels (dB) qui est donc une échelle logarithmique.

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 16/37


Introduction
Filtrage linéaire
Classification du bruit

Définition d’un bruit


Le bruit est une information parasite s’ajoutant de façon aléatoire á la
scéne. particuliérement visible dans:
Les zones oú le rapport signal/bruit est faible (ex zones peu
éclairées)
les zones uniformes
Le bruit est de nature et d’origine variées et donc se modélise de
difféerentes façons :
Bruit additif gaussien (centré ) d’écart-type σ souvent égal au
SNR. C’est le modèle le plus courant. Si u représente l’image
originale, l’image dégradée ub s’obtient par ub = u + bσ , où bσ est
une variable aléatoire de loi gaussienne centrée et d’écart-type σ.
Modlise en gnral le bruit induit par les variations de temprature.
Affecte toute la bande spectrale.

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 17/37


Introduction
Filtrage linéaire
Classification du bruit

Bruit multiplicatif. L’image dégradée ub s’obtient par


ub = u ∗ (1 + bσ ) : Le bruit est donc proportionnel à l’intensitè
lumineuse. Le chatoiement (speckle en anglais) est l’ensemble de
petites taches rapidement fluctuantes qui apparaissent dans la
texture instantanée d’une image et qui lui donnent un aspect
granuleux. Elles sont dues soit à la diffusion des ondes d’un
faisceau cohérent spatialement de lumière, un laser par exemple,
par une cible présentant des irrégularités à l’échelle de la
longueur d’onde, soit à la propagation d’un faisceau cohérent
dans une atmosphère caractérisée par des variations aléatoires
d’indice de réfraction.
Le bruit Poivre et sel ou bruit impulsionnel est un bruit qui
assigne à une certain nombre de pixels de l’image une valeur 0 ou
255 aléatoirement. Ce bruit est dû soit à des erreurs de
transmission de données, soit à la défaillance d’éléments de
capteur, soit à la présence de particules fines sur le capteur
d’images.

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 18/37


Introduction
Filtrage linéaire
Classification du bruit

Types de bruit:
Le bruit impulsionnel (bruit sel et poivre):présence de pixels
noirs et blancs répartis au hasard. Raisons: éléments du capteur
CCD défaillants, poussères.
burit de speckle : présence de grains, en particulier dans images
ultrasonores
bruit électronique, de grenaille, de quantification: souvent
mod´lisé par un bruit gaussien

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 19/37


Introduction
Filtrage linéaire
Classification du bruit

Figure:

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 20/37


Introduction
Filtrage linéaire
Classification du bruit

Quelques aspects du TI

Filtrage / déconvolution

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 21/37


Introduction
Filtrage linéaire
Classification du bruit

Quelques aspects du TI

Filtrage / déconvolution
Compression

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 21/37


Introduction
Filtrage linéaire
Classification du bruit

Quelques aspects du TI

Filtrage / déconvolution
Compression
Segmentation

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 21/37


Introduction
Filtrage linéaire
Classification du bruit

Quelques aspects du TI

Filtrage / déconvolution
Compression
Segmentation
Restauration / reconnaissance

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 21/37


Introduction
Filtrage linéaire
Classification du bruit

Quelques aspects du TI

Filtrage / déconvolution
Compression
Segmentation
Restauration / reconnaissance
Reconstruction tomographique :

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 21/37


Introduction
Filtrage linéaire
Classification du bruit

Quelques aspects du TI

Filtrage / déconvolution
Compression
Segmentation
Restauration / reconnaissance
Reconstruction tomographique :

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 21/37


Introduction
Filtrage linéaire
Classification du bruit

Quelques aspects du TI

Filtrage / déconvolution
Compression
Segmentation
Restauration / reconnaissance
Reconstruction tomographique :La tomographie est une
technique d’imagerie, très utilisée dans l’imagerie médicale, ainsi
qu’en géophysique et en astrophysique. Cette technique permet
de reconstruire le volume d’un objet à partir d’une série de
mesures effectuées par tranche depuis l’extérieur de cet objet.
Dans une version haute résolution, on l’utilise aussi de plus en
plus en sciences des matériaux

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 21/37


Introduction
Filtrage linéaire
Classification du bruit

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 22/37


Introduction
Filtrage linéaire
Classification du bruit

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 23/37


Introduction
Filtrage linéaire
Classification du bruit

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 24/37


Introduction
Filtrage linéaire
Classification du bruit

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 25/37


Introduction
Filtrage linéaire
Classification du bruit

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 26/37


Introduction
Filtrage linéaire
Classification du bruit

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 27/37


Introduction
Filtrage linéaire
Classification du bruit

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 28/37


Introduction
Filtrage linéaire
Classification du bruit

Suite à des problèmes de capteurs, de transmission ou autres, l’image


peut être endommagée, c’est- a-dire que les valeurs en certains pixels
ont été modifiées ou détruits. Le but des techniques de débruitage que
nous allons exposer est d’éliminer ce bruit tout en préservant le
maximum d’information contenu dans l’image originale.

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 28/37


Introduction
Filtrage linéaire
Classification du bruit

De nombreuses méthodes utilisent le voisinage d’un pixel pour


1 corriger éventuellement sa valeur et éliminer le bruit.
2 rehausser les indices et les rendre mieux détectables
Les filtres peuvent être:
fréquentiel: élimination des hautes fréquences
s’exprimer comme une convolution
non linéaires (filtre médian)
topologique
Certains filtres sont spécifiques á un modèle mathématique de bruit
donnée (non abord dans ce cours).

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 29/37


Introduction
Filtrage linéaire
Classification du bruit

Filtres de lissage: Les filtres de lissage sont des oprateurs qui


liminent des lments perturbateurs non significatifs dans les
images numriques, soit pour amliorer leur visualisation, soit pour
les simplifier en but d’un traitement postrieur :

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 30/37


Introduction
Filtrage linéaire
Classification du bruit

Filtres de lissage: Les filtres de lissage sont des oprateurs qui


liminent des lments perturbateurs non significatifs dans les
images numriques, soit pour amliorer leur visualisation, soit pour
les simplifier en but d’un traitement postrieur :
1 Filtrage dans le domaine de Fourier

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 30/37


Introduction
Filtrage linéaire
Classification du bruit

Filtres de lissage: Les filtres de lissage sont des oprateurs qui


liminent des lments perturbateurs non significatifs dans les
images numriques, soit pour amliorer leur visualisation, soit pour
les simplifier en but d’un traitement postrieur :
1 Filtrage dans le domaine de Fourier
2 Filtrage par convolution

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 30/37


Introduction
Filtrage linéaire
Classification du bruit

Filtres de lissage: Les filtres de lissage sont des oprateurs qui


liminent des lments perturbateurs non significatifs dans les
images numriques, soit pour amliorer leur visualisation, soit pour
les simplifier en but d’un traitement postrieur :
1 Filtrage dans le domaine de Fourier
2 Filtrage par convolution
3 Implantation des filtres linaires

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 30/37


Introduction
Filtrage linéaire
Classification du bruit

Filtres de lissage: Les filtres de lissage sont des oprateurs qui


liminent des lments perturbateurs non significatifs dans les
images numriques, soit pour amliorer leur visualisation, soit pour
les simplifier en but d’un traitement postrieur :
1 Filtrage dans le domaine de Fourier
2 Filtrage par convolution
3 Implantation des filtres linaires
4 Filtres non linaires

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 30/37


Introduction
Filtrage linéaire
Classification du bruit

Filtres de lissage: Les filtres de lissage sont des oprateurs qui


liminent des lments perturbateurs non significatifs dans les
images numriques, soit pour amliorer leur visualisation, soit pour
les simplifier en but d’un traitement postrieur :
1 Filtrage dans le domaine de Fourier
2 Filtrage par convolution
3 Implantation des filtres linaires
4 Filtres non linaires
Dtection de contours: La dtection de contours est une technique
de rduction d’information dans les images, qui consiste
transformer l’image en un ensemble de courbes, pas forcment
fermes, formant les frontires significatives de l’image. Si les
structures extraites sont simples manipuler (courbes fines,
rgulires, stables...), elles peuvent tre utiles pour la mise en
correspondance d’images (robotique, indexation,...)

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 30/37


Introduction
Filtrage linéaire
Classification du bruit

Equation de la chaleur

La première EDP utilisée en traitement d’images est l’équation de la


chaleur (Gabor 1960).

∂u
(t, x) = ∆u(t, x) si t ≥ 0 et x ∈ R2 , u(0, x) = u0 (x). (3.1)
∂t
Si u0 la donnée initiale est suffisamment régulière, la solution explicite
de (3.1) est donnée par :
Z
u(t, x) = G√2t (x − y)u0 (y)dy = (G√2t ∗ u0 )(x), (3.2)
R2

où Gσ désigne le noyau Gaussien en dimension 2 défini par:

1 |x|2
Gσ (x) = exp(− ). (3.3)
2πσ 2 2σ 2

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 31/37


Introduction
Filtrage linéaire
Classification du bruit

L’opération de convolution par un noyau positif est une opération de


base en traitement d’image. De plus, plusieurs raisons justifient
l’utilisation du noyau gaussien.

 Une première est le fait que Gσ ∈ C ∞ (R2 ) permet d’avoir


Gσ ∗ u0 ∈ C ∞ (R2 ) même si u0 n’est pas régulière, mais seulement
absolument intégrable.

 Une deuxième vient du domaine fréquentiel.

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 32/37


Introduction
Filtrage linéaire
Classification du bruit

En effet, la transformée de Fourier du produit de convolution Gσ ∗ u0


est égale à la multiplication de la transformée de Fourier de Gσ par
celle de u0 . Constatons que la transformée de Fourier de Gσ est une
gaussienne d’écart type σ1 , nous remarquons qu’au fur et à mesure que
σ augmente, les hautes fréquences dans l’image convoluée sont
atténuées; nous ne gardons donc que les basses fréquences. Ceci
correspond à une destruction des détails de l’image, le bruit y
compris, en faveur des grandes tendances. Ceci correspond à un
filtrage passe-bas [6].

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 33/37


Introduction
Filtrage linéaire
Classification du bruit

Discrtisation numrique

On utilise la méthode des différences finies pour discrétiser l’équation


de la chaleur:
un+1 n
i,j − ui,j
= uni+1,j + uni−1,j + uni,j+1 + uni,j−1 − 4uni,j , (3.4)
δt
ou δt est le pas de discétisation en temps.
Exemple. Suivant le temps d’évolution, on obtient une version plus
ou moins lissée de l’image de départ.

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 34/37


Introduction
Filtrage linéaire
Classification du bruit

KT3NIV0G.pdf
KUNUDN00.pdf

Figure: Image Filtr avec nbr


Figure: Image de Gatlin2 iter=80,h = 1 et t= 0:1

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 35/37


Introduction
Filtrage linéaire
Classification du bruit

KT3NJ21G.png KU4SH100.png

Figure: Image bruit par le bruit Figure: Image dbruit avec nbr
gaussien =0.1 iter=80,h = 1 et t= 0.1

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 36/37


Introduction
Filtrage linéaire
Classification du bruit

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 37/37


Introduction
Filtrage linéaire
Classification du bruit

Suite à des problèmes de capteurs, de transmission ou autres, l’image


peut être endommagée, c’est- a-dire que les valeurs en certains pixels
ont été modifiées ou détruits. Le but des techniques de débruitage que
nous allons exposer est d’éliminer ce bruit tout en préservant le
maximum d’information contenu dans l’image originale.

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 37/37


Introduction
Filtrage linéaire
Classification du bruit

R. Aboulaicha, D. Meskine, and A. Souissia. New diffusion


models in image processing. Computers and Mathematics with
Applications 56 (2008) 874–882.
R. Acar and C. R. Vogel. Analysis of total variation penalty
methods for illposed problems. Inverse Prob., 10:1217–1229, 1994.
R. Adams. Sobolev Spaces, Academic Press, New York, 1975.
L. Ambrosio, N. Fusco, and D. Pallara. Functions of
bounded variation and free discontinuity problems, Oxford
University Press, New York, 2000.
L. Ambrosio, and V-Tortorelli. Approximation of
functionals depending on jumps by elliptic functionals via
Γ−convergence. Boll-Un Math. Ital., 7 : 105-123, 1992.
G. Aubert P. Kornprobst, Mathematical Problems in Image
Processing. Partial Differential Equations and the Calculus of
Variations, volume 147 of Applied Mathematical Sciences.
Springer Verlag, New York, 2006.

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 37/37


Introduction
Filtrage linéaire
Classification du bruit

J.-F. Aujol, G. Aubert, L. Blanc-Feraud, and A.


Chambolle. Image decomposition into a bounded variation
component and an oscillating component, Journal of Math. Imag.
and Vis., 22 (2005), pp. 71–88.
J.-F. Aujol. Contribution à l’analyse de textures en traitement
d’images par méthodes variationnelles et équations aux dérivées
partielles. Thèse de l’université de Nice Sophia Antipolis 2004.
J.W. Barrett, J. F. Blowey, and H. Garcke. Finite
element approximation of a fourth order degenerate parabolic
equation. Numer. Math., 80(4):525–556, October 1998.
A. Belhamidi . Equations aux dérivées partielles appliquées à la
restauration et à l’agrandissement des images. Thèse de
l’université Paris IX Dauphine 2003.
M. Bertalmıo, L. T. Cheng, S. Osher, and G. Sapiro.
Variational problems and partial differential equations on implicit
surfaces. J. Comput. Phys., 174(2):759–780, 2001.

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 37/37


Introduction
Filtrage linéaire
Classification du bruit

G. Blanch et M. Charbit. Signaux et Images sous Matlab,


Hermes, Lavoisier, Paris, 2001.
P. Blomgren. Total Variation Methods for Restoration of
Vector Valued Images. PhD thesis, UCLA, 1998.
P. Blomgren, T. F. Chan, P. Mulet, L. Vese, and W. L.
Wan. Variational PDE models and methods for image processing,
in Research Notes in Mathematics, 420:43–67. Chapman &
Hall/CRC, 2000.
F. Brezzi and M. Fortin. Mixed and hybrid finite element
methods, Springer-Verlag, New York, 1991.
H. Brezis. Analyse Fonctrionnelle ; Théorie et Applications.,
Masson, Paris, 1983.
G. Burel. Introduction au Traitement d’Images. Hermes,
Lavoisier, Paris, 2001.
H.D. Bui. Mécanique de la Rupture Fragile. Masson, Paris, 1978.

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 37/37


Introduction
Filtrage linéaire
Classification du bruit

J. Canny. A computational approach to edge detection., IEEE


Trans. Pattern Anal. Machine Intell.,8, 679–698 (1986)
J. L. Carter. Dual method for total variation-based image
restoration, CAM report 02-13, PhD thesis, University of
California at LA, USA; see
http://www.math.ucla.edu/applied/cam/index.html.
F.Catte, P.L.Lions, J.M. Morel and T. Coll, Image
selective smoothing and edge detection by nonlinear diffusion.
SIAM J.Numer. Anal., 29:182-193, 1992.
J. Cea. Optimisation Théorie et Algorithmes. Dunod, Paris,
1968.
T. F.Chan and S. Esedoglu. Aspects of total variation
regularized L1 function approximation. SIAM J. Appl. Math.
65(5):1817–1837, 2005.
T. F. Chan, A. Marquina, and P. Mulet. Second order
differential functionals in total variation-based image restoration.
Technical Report 98-35, UCLA, 1998.
Cours de Magistère ENS Kouba Dr. Maouni Messaoud 37/37
Introduction
Filtrage linéaire
Classification du bruit

T. F. Chan, H. M. Zhou, and R. Chan. Continuation method


for total variation denoising problems. Technical Report 95-28,
UCLA, 1995.
A. Chambolle and P. L. Lions. Image recovery via Total
Variational minimization and related problems. Numer. Math.,
76:167–188, 1997.
A. Chambolle, Image segmentation by variational methods,
Mumford and Shah functional and the discrete approximation.
SIAM Journal of Applied Mathematics, 55, (3) p. 827-863, 1995.
A. Chambolle. An algorithm for total variation minimization
and applications, J. Math. Imaging Vision, 20 (2004), pp. 89–97.
Y. Chen, S. Levine, and J. Stanich. Image restoration via
nonstandard diffusion. Technical Report 04-01, Duquesne Univ.
Dept. of Math and Comp. Sci., 2004.
Y. Chen, S. Levine, M. Rao. Variable exponent, linear growth
functionals in image restoration, SIAM J. Appl. Math. 66 (4)
(2006) 1383–1406.
Cours de Magistère ENS Kouba Dr. Maouni Messaoud 37/37
Introduction
Filtrage linéaire
Classification du bruit

P. G. Ciarlet. The Finite Element Method for Elliptic


Problems. North Holland, vol. 4, Amsterdam, 1978.
P.G. Ciarlet. Introduction à l’ Analyse Numérique Matricielle
et à l’Optimisation. Masson, Paris, 1982.
Ph. Destuynder F. Santi. Analyse et Contrôle Numérique du
Signal. Temporel Collection Technosup, Ellipses, Paris, 2003.
Ph. Destuynder. Analyse, traitement et synthèse d’images
numériques-Collection des cours 2003-2004-Calcul
Scientifique-Cnam/Médias.
I. Ekeland, R. Temam. Convex Analysis and Variational
Problems, North-Holland, Amsterdam, 1976.
S. Esedo glu and S. J. Osher. Decomposition of images by
the anisotropic Rudin-Osher-Fatemi model. Comm. Pure Appl.
Math., 57 (2004), pp. 1609–1626.
D. Gilbarg, N. Trudinger. Elliptic Partial Differential
Equations of Second Order, second ed., Springer-Verlag, 1983.

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 37/37


Introduction
Filtrage linéaire
Classification du bruit

V. Girault P.A. Raviart. Finite Element Method for


Navier-Stokes Equations, Springer-Verlag, Berlin, 1986.
R. Glowinski. Thèse de l’université Pierre et Marie Curie,
(Paris 6), Paris, 1972.
J.B. Greer, A.L. Bertozzi, H 1 solutions of a class of fourth
order nonlinear equations for image processing, in: V. Chepyzhov,
M. Efendiev, A. Miranville, R. Temam (Eds.), Discrete and
Continuous Dynamical Systems 2004, special issue in honor of
Mark Vishik, vol. 1–2, No. 10, 2004, pp. 349–366.
J.B. Greer, A.L. Bertozzi. Traveling wave solutions of fourth
order PDEs for image processing, SIAM. J.Math. Anal. 36 (1)
(2004) 38–68.
J. B. Greer, A. L. Bertozzi, and G. Sapiro. Fourth Order
Partial Differential Equations on General Geometries. J.
Computational Physics, 216(1):216–246, 2006.
Hamming R.W. Digital filters. Second edition, Prentice-Hall,
1983.
Cours de Magistère ENS Kouba Dr. Maouni Messaoud 37/37
Introduction
Filtrage linéaire
Classification du bruit

P. Lascaux R. Theodor. Analyse Numérique Matricielle pour


l’Ingénieur. Masson, Paris, 1984.
Y. Li and F. Santosa. A computational algorithm for
minimizing total variation in image restoration, IEEE Trans.
Image Proc., 5 (6):987-995, 1996.
F. Li, Chaomin Shen, Jingsong Fan, and Chunli Shen.
Image restoration combining a total variational filter and a
fourth-order filter.J. Vis. Commun. Image R. 18 (2007) 322–330.
M. Lysaker, J. Lie, and X.-C. Tai. A binary level set model
and some applications for mumford-shah image segmentation.
CAM-Report-04-31, UCLA, Applied Mathematics, 2004.
M. Lysaker, A. Lundervold, and X.C. Tai. Noise removal
using fourth order partial differential equation with applications to
medical magnetic resonance images in space and time, IEEE
Trans. Image Process. 12 (12) (2003) 1579–1590.
Maouni & F.Z.Nouri. Image Restoration by Partial Differential
Equations. IEEE, GMAI’06 Proceedings of the conference on
Cours de Magistère ENS Kouba Dr. Maouni Messaoud 37/37
Introduction
Filtrage linéaire
Classification du bruit

Geometric Modeling and Imaging: New Trends pp: 250 – 254,.


2006, ISBN:0-7695-2604-7 .
M.Maouni , F.Z.Nouri & D.Meskine. Image Restoration by
Non-standard Diffusion. IEEE Geometric Modeling & Imaging ,
Modern Techniques and Applications. Volume-Issue 09-11, July
2008, pp 98-101.
M.Maouni , F.Z.Nouri & D.Meskine. Fourth Order PDEs for
Image restoration : Communication présentée à l’atelier HYDRO
3+3 prévu à Tlemcen de 14-18 mai 2008.
Y. Meyer. Oscillating patterns in image processing and
nonlinear evolution equations, vol. 22 of University Lecture
Series, American Mathematical Society, Providence, RI, 2001.
J-M. Morel et S. Solimini. Segmentation d’images par
méthode variationnelle. Une preuve constructive d’existence.
C.R.A.S. Acad ; Sci.,308, (15), p. 465-470,1986.
J-M. Morel et S. Solimini. Variational Methods in Image
Segmentation, Progress in Nonlinear Differential Equations and
Their Applications, vol. 14, Birkh¨auser, Boston, 1995.
Cours de Magistère ENS Kouba Dr. Maouni Messaoud 37/37
Introduction
Filtrage linéaire
Classification du bruit

M. Nitzberg and T.Shiota. Nonlinear image feltring whith


edge and corner enhancement. IEEE Trans. Pattern Anal. Mach.
Intell., 14 : 826-833, 1992.
Nicolas Thome. Analyse Multi-Résolution et Ondelettes
(AMO) Représentations des signaux 1D et 2D. Cours master 2
IMA, Univ. Pierre et Marie Curie (UPMC) 2013.
Nordstrom. Biazed anisotropic diffusion a unified
regularization and diffusion approach to edge detection. Image
Vision Compt., 8:318-327, 1990.
F.Z.Nouri & M.Maouni. A wavelet Method for the ill-posed
Heat equation: Communication présentée au JMAF, Constantine
26-29 Novembre 2005.
S. Osher, A. Sol e, and L. Vese. Image decomposition and
restoration using total variation minimization and the H 1 norm,
Multiscale Model. Simul., 1 (2003), pp. 349–370.

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 37/37


Introduction
Filtrage linéaire
Classification du bruit

S. Osher and L. Rudin. Feature-oriented image enhancement


using shock filters, SIAM J. on Numerical Analysis, 27, 919–940
(1990);
S. Osher, A. Sole, L. Vese. Image decomposition and
restoration using total variation minimization and the H 1 norm,
Multiscale Model. Simul. 1 (3) (2003) 349–370.
P. Perona and J. Malik. Scale-space and edge detection using
anisotropic diffusion, IEEE Trans. Pattern Anal. Machine
Intelligence 12 (1990), 629–639.
M. J. D. Powell. A method for nonlinear constraints in
minimization problems, in optimization (Sympos., Univ. Keele,
Keele, 1968), Academic Press, London, 1969, pp. 283–298.
Rachid deriche et olivier Faugeras. Les EDP en traitement
des images et vision par ordinateur, Rapport de recherche de
L’INRIA-Sophia Antipolis RR-2697-1995.

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 37/37


Introduction
Filtrage linéaire
Classification du bruit

P.A. Raviart J.M. Thomas. Introduction à l’Analyse


Numérique des Equations aux Dérvées Partielles. Masson, Paris,
1983.
R. T. Rockafellar. Convex analysis, Princeton University
Press, Princeton, N.J., 1970.
L. Rudin, P.-L. Lions, and S. Osher. Multiplicative denoising
and deblurring: theory and algorithms, in Geometric level set
methods in imaging, vision, and graphics, Springer, New York,
2003, pp. 103–119.
L. I. Rudin, S. Osher, and E. Fatemi. Nonlinear total
variation based noise removal algorithms., Physica D, 60 (1992),
pp. 259–268.
Thomas Wunderli. A partial regularity result for an
anisotropic smoothing functional for image restoration in BV
space. J. Math. Anal. Appl. 339 (2008) 1169–1178.

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 37/37


Introduction
Filtrage linéaire
Classification du bruit

J. Tumblin and Greg Turk. LCIS: A boundary hierarchy for


detail-preserving contrast reduction. Conference on Computer
graphics August 8-13, 1999 Los Angeles CA USA, pages 83-90.
L. Vese and S. Osher. Modeling textures with total variation
minimization and oscillating patterns in image processing., J. Sci.
Comput, 19 (2003), pp. 553–572.
Vo Khac Khoan. Distributions, analyse de Fourier, opérateurs
aux dérivées partielles. Tome 1 et 2. Vuibert, 1972.
J. Weickert. Anisotropic Diffusion in Image Processing.
Teubner-Verlag, Stuttgart, Germany, 1998.
O.Wilk,Traitement des images (Application et exercices).
Présenté au Chaire Unesco, mars 2005 Tunis.
G. W.Wei . Generalized Perona-Malik equation for image
processing. IEEE Signal Processing Letters, 6(7): 165-167, July
1999.

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 37/37


Introduction
Filtrage linéaire
Classification du bruit

Y.L. You, M. Kaveh. Fourth-order partial differential equation


for noise removal, IEEE Trans. Image Process. 9 (10) (2000)
1723–1730.

Cours de Magistère ENS Kouba Dr. Maouni Messaoud 37/37

Vous aimerez peut-être aussi