Analyse radiométrique et filtrage spatiale

Transformation radiométrique linéaire

� Spécification d’histogramme : s = Hc,ref
−1
(Hc (r ))

Ī = 10.5 Īm = 17
Corrections locales du contraste
Ic [i, j] = k σµ (I[i, j] − µ) + µ
Voisinage V
x
������

y
Filtrage
modélisation du bruit
� Il existe plusieurs type de bruits qu’on ramène à trois catégories par
soucis de simplification :
� Les bruits additifs;
� Les bruits multiplicatifs;
� Les bruits convolutifs;
Il est clair que l’effort et l’efficacité des algorithmes de restauration
vont dépendre de la nature du bruit.

Bruits additifs: poivre et ����������������������� � � ����

grain de sel
Le bruit de poivre et sel mod-
élise assez bien les poussières
sur un objectif ou un scanner. Il
affecte d’une manière aléatoire
n pixels de l’image en transfor-
mant la moitié en pixels noir et
l’autre moitié en pixel blanc :
Filtrage
modélisation du bruit (2)

��������������� � � ����
Bruit additif gaussien
Obtenu en ajoutant à chaque
pixel une valeur aléatoire
identiquement et indépendam-
ment distribuée suivant une loi
gaussienne :

1 x2 + y2
Gσ (x , y ) = exp(− )
2πσ 2 2σ 2
Bruit Convolutif
����������������������������������� � �
Il est due à une mauvaise mise
au point ou un dysfonction-
nement du système optique du
dispositif utilisé pour la prise
d’image. On le modélise par le
produit de convolution suivant:

Ib = Ia ∗ ho
Filtrage
� Le filtrage est l’opération qui consiste à agir sur l’amplitude des pixels
dans l’espace direct ou réciproque de l’image pour restituer le
caractère informatif de l’image. Il peut être classé en deux grandes
familles :
� Le filtrage spatial qui consiste à traiter l’intensité des pixels de
l’image en utilisant l’information spatiale.
� Le filtrage fréquentielle qui consiste à modifier l’intensité des
composantes spectrales de l’image.
� Filtrage spatial
� Filtrage spatial linéaire :
Il est basé sur la convolution avec des masques appropriés qui
exploitent l’information de voisinage pour réaliser des
modifications spécifiques de l’intensité des pixels de l’image afin
d’éliminer ou adoucir le bruit.
� Filtrage non linéaire :
Il est basé sur l’utilisation d’opérateurs non linéaire pour adoucir
le bruit et restaurer l’image d’origine.
Analyse radiométrique et filtrage spatiale

Filtrage spatial
Modèle continue du filtrage spatial

Soit a(x , y ) une image analogique

� engendrée par un échelon unité
1 |x | ≤ 12
bidimensionnel u(x , y ) = et altérée par un bruit additif
0 ailleur
N0
b(x , y ) de moyenne nulle et de densité spectrale de puissance 2 :

a(x , y ) = u(x , y ) + b(x , y )

Soit h(x , y ) la PSF du filtre spatial qu’on utilisera pour adoucir le bruit de
notre image. Son action est représentée par:

c(x , y ) = h(x , y ) ∗ a(x , y ) = h(x , y ) ∗ u(x , y ) + h(x , y ) ∗ b(x , y )

Examinons la moyenne de l’image résultante :

E {c(x , y )} = h(x , y ) ∗ E {a(x , y )} = h(x , y ) ∗ u(x , y ) = d(x , y )

Hicham BELKEBIR (ENSAF) Traitement d’Images Numériques M25 2018 92 / 164
Analyse radiométrique et filtrage spatiale

Filtrage spatial
Modèle continue du filtrage spatial (1)
Considérons l’action de notre filtre sur une région d’intensité homogène :
� +∞ � +∞
d(x , y ) = h(x � , y � )u(x − x � , y − y � )dx � dy �
−∞ −∞
� +∞ � +∞
= I0 h(x � , y � )dx � dy �
−∞ −∞
En principe, le filtre ne devra pas modifier l’intensité des zones homogènes
ce qui impose la normalisation de :
� +∞ � +∞
h(x � , y � )dx � dy � = 1
−∞ −∞
Du coté du bruit on retient le résultat suivant:
n(x , y ) = h(x , y ) ∗ b(x , y )
Dans le domaine spectrale cette relation devient:
N
DSPn (u, v ) = 0 |H(u, v )|2
2
Hicham BELKEBIR (ENSAF) Traitement d’Images Numériques M25 2018 93 / 164
Analyse radiométrique et filtrage spatiale

Filtrage spatial
Modèle continue du filtrage spatial (3)
La variance du bruit n(x , y ) est donnée par :
� +∞ � +∞
σn2 = DSPn (u, v )dudv
−∞ −∞
� +∞ � +∞
N0
= |H(u, v )|2 dudv
2 −∞ −∞
� +∞ � +∞
N0
= |h(x , y )|2 dudv
2 −∞ −∞

filtre moyenneur
1 Δ 
h(x , y ) = ∀|x | ≤  0 ∀x ≤ − Δ2
Δ 2 x
d(x , y ) = Δ + 12 ∀ |x | ≤ Δ
2
2 N0 
⇒ σn = 1 ∀x > Δ2
2Δ
Hicham BELKEBIR (ENSAF) Traitement d’Images Numériques M25 2018 94 / 164
Analyse radiométrique et filtrage spatiale

Filtrage spatial
Modèle discret du filtrage spatial (3)
La variance du bruit n[i, j] = b[i, j] ∗ h[i, j] est donnée dans ce cas par :
N0 � 2
σn2 = E {n2 } = h [i, j]
2
i,j

Le bruit n[i, j] s’écrit aussi comme suit:

�
n[i, j] = h[m, n]b[i − m, j − n]
m,n
Pour alléger l’écriture du produit de convolution, on peut le mettre sous la forme
suivante: �
n[k] = h[l]b[k − l] avec k = i × J + j et l = m × N + n
l
L’expression de la variance devient :
σn2 = ht Rb h avec ht e = 1
C’est un problème d’optimisation qui a pour solution optimale :
R−1 e
hopt =
Hicham BELKEBIR (ENSAF) et R−1
Traitement d’Images e
Numériques M25 2018 95 / 164
Analyse radiométrique et filtrage spatiale

filtrage spatial
exemple d’application: filtre moyenneur

u[i, j] u[i, j] + b[i, j] d[i, j] + n[i, j]

Hicham BELKEBIR (ENSAF) Traitement d’Images Numériques M25 2018 96 / 164

Filtrage spatial
Application sur les images réels
� � �
PSNR : 20 log10 255
RMSE et RMSE = E {(Ir − I)2 }

� Lissage : Effet de la taille du noyau du filtre

PSNR = 6.68

Sel et poivre 5%

PSNR = 6.89

PSNR = 7.18

� Un lissage excessif améliora l’image mais au détriment du floutage.

Filtrage spatial
Application sur les images réels
� Lissage : Robustesse vis-à-vis l’intensité du bruit

PSNR = 6.89

PSNR = 7.32

PSNR = 7.61

� Pour une dimension fixe, le filtre moyenneur devient plus

performant lorsque l’intensité du bruit augmente.
Filtrage spatial
Application sur les images réels
� Lissage : Robustesse vis-à-vis le bruit gaussien

PSNR = 6.78

PSNR = 7.63

PSNR = 7.86

� Le filtre moyenneur est moins performant en face du bruit gaussien

du fait que ce dernier affecte tous les pixels de l’image.
Filtrage spatial
Application sur les images réels
� 2 2�
1 x +y
� Lissage gaussien : 2πσ 2 exp − 2σ 2

PSNR = 6.60

PSNR = 6.85

PSNR = 7.13
Filtrage spatial
Application sur les images réels

� Lissage gaussien : comportement en présence du bruit gaussien

PSNR = 6.92

PSNR = 6.54

PSNR = 6.62
Filtrage spatial
Application sur les images réels

� Lissage gaussien & floutage

PSNR = 6.61

PSNR = 6.74

PSNR = 6.88
Analyse radiométrique et filtrage spatiale

Filtrage spatial
Application sur les images réels
� Lissage gaussien vs lissage par moyenneur

PSNR = 7.1 PSNR = 6.74

PSNR = 7.81 PSNR = 7.54

Hicham BELKEBIR (ENSAF) Traitement d’Images Numériques M25 2018 103 / 164
Analyse radiométrique et filtrage spatiale

filtrage spatial non linéaire

filtres d’ordre
� Filtre médian de dimension 13 × 13

PSNR = 6.96

PSNR = 6.91

Hicham BELKEBIR (ENSAF) Traitement d’Images Numériques M25 2018 104 / 164
filtrage fréquentiel
filtre idéal passe-bas :
� Action du filtre passe-bas idéal :

×
filtrage fréquentiel
filtre idéal passe-bas :
� Application au filtrage d’un bruit sel & poivre à 10%:
filtrage fréquentiel
filtre idéal passe-bas :
� Application au filtrage d’un bruit gaussien de var = 0.001:
filtrage fréquentiel
1 �
filtre passe-bas de butterworth : √ �2n
1+( 2−1) DD
0

� Application au filtrage d’un bruit sel & poivre à 10%:

filtrage fréquentiel
1 �
filtre passe-bas de butterworth : √ �2n
1+( 2−1) DD
0

� Application au filtrage d’un bruit gaussien de var = 0.001:

filtrage fréquentiel � �
2 2
1
filtre passe-bas gaussien : 2πσ 2
exp − u 2σ
+v
2

� Application au filtrage d’un bruit sel et poivre à 10%:

filtrage fréquentiel � �
2 2
1
filtre passe-bas gaussien : 2πσ 2
exp − u 2σ
+v
2

� Application au filtrage d’un bruit gaussien de var = 0.001:

Analyse radiométrique et filtrage spatiale

filtrage par déconvolution

filtre inverse

I[i, j] h[i, j] + Id [i, j]

PSF b[i, j]
Id [i, j] = I[i, j] ∗ h[i, j] + b[i, j] à négliger en première
approximation
F

Id [u, v ] = I[u, v ]H[u, v ]+ B[u,v]

1
I[u, v ] = H[u,v ] Id [u, v ]
Hicham BELKEBIR (ENSAF) Traitement d’Images Numériques M25 2018 112 / 164
filtrage par déconvolution
� 1 1
H[u,v ]
si |H[u,v ]|
≤γ
filtre inverse modifié: Hinv [u, v ] = |H[u,v ]|
γ H[u,v ] autrement
filtrage par déconvolution
filtre de Wiener
Le filtre de Wiener permet de restaurer les images floutées bruitées en adoptant
une approche statistique dans le domaine des fréquences spatiales. Il transforme
le problème de restauration d’image en problème de minimisation au sens des
moindres carrées.
Id = I ∗ h + b
soit Ie une estimation de I par le filtre de Wiener, l’erreur quadratique est donnée
par :
� �
� = E |I − Ie |2
� �
= E |I − WId |2
� �
= E |I − W(IH + B)|2
� �
= E |I(1 − WH) + WB|2

= (1 − WH)(1 − WH)E {|I|2 } + |W|2 E {|B|2 }

Pour que l’erreur quadratique soit minimal, il faut que sa dérivé par rapport à W soit
nulle
filtrage par déconvolution
filtre de Wiener (1)
d�
=0
dW
= H(1 − WH)DSPI + WDSPb

Ce qui conduit à :
H̄DSPI
W=
|H|2 DSPI + DSPb
Comment calculer la rapport DSPI ? Pour estimer la densité spectrale de puissance de
l’image non dégradée, on va considérer que le bruit est négligeable ce qui permet
d’établir:
DSPI = |H|2 DSPId
La densité spectrale de l’image dégradée est estimée par la méthode du périodogramme :

|Id [u, v ]|2

DSPId =
M ×N
Le filtre de Wiener prend l’expression ci-après :
1 DSPId
W=
H DSPId + DSPb
filtrage par déconvolution
filtre de Wiener (2)
Filtrage
Rehaussement des détails
� Le lissage spatial ou fréquentiel s’accompagne toujours par une perte plus au
moins importante des détails.
� Afin de palier à ce problème on utilise des filtres de rehaussement afin de
restaurer les détails de l’image.
� Cet opération peut être réalisé dans le domaine spatial ainsi que dans le
domaine fréquentiel.
rehaussement spatial :

I = Ibf + Ihf
lissage I − Ibf

Ir = (A − 1)I + Ihf
Filtrage
Rehaussement des détails
filtre de rehaussement à base d’opérateur de dérivation
discret :

Ir = I ∗ Mreh
   
0 −1 0 0 0 0
Mreh =  
 −1 4 −1  +  0 1 0 

0 −1 0 0 0 0