Debruitage Compressed 1pdf - Io

République Algérienne Démocratique et Populaire
Ministère d’enseignement Supérieur et de la Recherche Scientifique

Université Larbi Ben M’Hidi Oum El Bouaghi
Institut des Sciences et des Sciences Appliqués
Filière Génie Électrique
MEMOIRE DE FIN D’ETUDES

En vue de l’obtention du
DIPLOME DE MASTER
Spécialité : Informatique Industrielle
Thème :
Débruitage des images par la

transformée en ondelettes
Mémoire de fin d’études soutenu publiquement à Ain El Beida
Le : 10/Juin/2015
Par :
Derbal Nora
Dirigé par :
Mme I. MAARAD et Mer A. LANANI
Année Universitaire : 2014/2015

Tables des matières
Table des matières
Introduction générale ........................................................................................................ 1
Chapitre I : Introduction au traitement d'image

I.1. Introduction ................................................................................................................ 3
I.2. Image .......................................................................................................................... 4
I.2.1. Définition................................................................................................................. 4
I.2.2. Image numérique ..................................................................................................... 4
I.2.3. Technologies d’affichage ........................................................................................ 5
I.2.4. Taille d’une image ................................................................................................... 6
I.2.5. Caractéristiques d’une image .................................................................................. 6
I.2.5.1. Pixel ...................................................................................................................... 6
I.2.5.2. Codage de pixel .................................................................................................... 7
I.2.5.3. Dimension et résolution........................................................................................ 8
I.2.5.4. Niveau de gris ....................................................................................................... 8
I.2.5.5. Contours et textures .............................................................................................. 8
I.2.5.6. Luminance ............................................................................................................ 9
I.2.5.7. Contraste ............................................................................................................... 9
I.2.5.8. Histogramme ........................................................................................................ 9
I.2.6. Représentation de l’image numérique ..................................................................... 9
I.2.6.1. Image matricielle ................................................................................................. 9
I.2.6.2. Image vectorielle ................................................................................................ 10
I.2.7. Types et codage de couleur de l’image numérique .............................................. 10
I.2.7.1. Image binaire ...................................................................................................... 10
I.2.7.2. Image en niveaux de gris ................................................................................... 10
I.2.7.3. Image couleur ou RGB ...................................................................................... 11
I.2.7.4. Image indexée .................................................................................................... 11
I.2.8. Systèmes de représentation d’une image couleur................................................. 12
I.2.8.1. Systèmes de représentation RGB ...................................................................... 12
I.2.8.2. Systèmes de représentation HSL ou HSV ......................................................... 13
I.3.Traitement d’image ................................................................................................... 14
I.3.1. Définition............................................................................................................... 14
iii
I.3.2. Acquisition d'image ............................................................................................... 14

I.3.2.1. Caméras matricielles .......................................................................................... 15
I.3.2.2. Caméras linéiques............................................................................................... 16
I.3.3. Etapes majeures de traitement d'images ................................................................ 17
I.3.3.1. Prétraitement des images .................................................................................... 17
I.3.3.2.Amélioration des images ..................................................................................... 17
I.3.3.3. Analyse des images ............................................................................................ 18
I.3.3.4. Interprétation des images .................................................................................... 18
I.3.4. Stockage des images .............................................................................................. 18
I.4. Bruit .......................................................................................................................... 18
I.4.1. Sources de bruit ..................................................................................................... 19
I.4.2. Modélisation de bruit............................................................................................. 19
I.4.2.1. Bruit exponentiel ................................................................................................ 20
I.4.2.2. Bruit gaussien ..................................................................................................... 20
I.4.2.3. Bruit poivre et sel ............................................................................................... 20
I.5. Conclusion ................................................................................................................ 21
Chapitre II : Débruitage par les techniques classiques

II.1. Introduction ............................................................................................................. 22
II.2. Modèles de bruits de l’image .................................................................................. 23
II.3. Critères d’analyse de débruitage des images .......................................................... 24
II.3.1. Critère subjectif (visuel)....................................................................................... 24
II.3.2. Critère objectif ..................................................................................................... 24
II.4.Technique de réduction de bruit dans une image numérique ................................... 24
II.4.1. Réduction du bruit ................................................................................................ 24
II.4.2. Filtrage ................................................................................................................. 25
II.4.2.1. Filtrage spatial ................................................................................................... 25
II.4.2.1.1. Filtrage spatial linéaire ................................................................................... 25
II.4.2.1.2. Filtrage spatial non linéaire ........................................................................... 29
II.4.2.2. Filtrage fréquentiel ............................................................................................ 33
II.4.3. Seuillage .............................................................................................................. 35
II.5.Conclusion ............................................................................................................... 35
iv
Chapitre III : Débruitage par seuillage des coefficients d’ondelettes

III.1. Introduction............................................................................................................ 36
III.2. Transformée en ondelette ...................................................................................... 37
III.2.1. Insuffisance de l’analyse de Fourier ................................................................... 37
III.3. Transformée en ondelettes ..................................................................................... 37
III.3.1. Définition d’une ondelette .................................................................................. 37
III.3.3. Transformée en ondelettes continue (TOC)........................................................ 38
III.3.2. Exemples d’ondelettes ........................................................................................ 39
III.3.2.1. L’ondelette de Morlet ...................................................................................... 39
III.3.2.2. Le chapeau mexicain ....................................................................................... 40
III.3.2.3. L’ondelette de Haar ......................................................................................... 41
III.3.2.4. L’ondelette de Daubechies............................................................................... 41
III.3.4. Transformée en ondelettes discrète (TOD) ......................................................... 42
III.3.5. Analyse multirésolution (AMR) – Algorithme de Mallat ................................. 43
III.3.6. Reconstruction du signal ..................................................................................... 44
III.4. Débruitage par seuillage des coefficients d'ondelettes .......................................... 45
III.4.1. Principe général du débruitage par seuillage des coefficients d’ondelettes ....... 45
III.4.2.Débruitage d’une image ....................................................................................... 45
III.4.3.Estimation du niveau de bruit .............................................................................. 46
III.4.4.Choix du seuil ...................................................................................................... 46
III.5. Différents types de seuillage .................................................................................. 47
III.5.1. Seuillage dur ou "hard thresholding" .................................................................. 47
III.5.2. Seuillage doux ou "soft thresholding" ................................................................ 47
III.6. Résultats du débruitage par seuillage des coefficients d’ondelettes ...................... 48
III .6.1. Choix de l’ondelette analysante et du niveau de décomposition ....................... 48
III .6.2. Application des deux types de seuillage(doux,dur) sur l’ondelette choisie ....... 49
III .6.3. Résultat du débruitage par seuillage des coefficients d’ondelettes.................... 51
III .7. Etude comparative ................................................................................................ 53
III.8. Conclusion ............................................................................................................. 56
Conclusion générale ........................................................................................................ 58
v
Listes des figures
Liste des figures

Chapitre I
Figure I.1. Détail d’une image binaire .............................................................................. 4
Figure I.2. Détail d’une image en niveaux de gris ............................................................ 5
Figure I.3. Principe des moniteurs d’ordinateur ............................................................... 6
Figure I.4. Représentation de pixel ................................................................................... 7
Figure I.5. Image comme un groupe de pixels ................................................................. 7
Figure I.6. Image binaire................................................................................................. 10
Figure I.7. Image en niveaux de gris .............................................................................. 11
Figure I.8. Image couleur ou RGB ................................................................................. 11
Figure I.9. Image indexée ............................................................................................... 12
Figure I.10. Système RGB ............................................................................................. 13
Figure I.11. Système HSV .............................................................................................. 14
Figure I.12. Acquisition d’images .................................................................................. 15
Figure I.13. Caméra matricielle ...................................................................................... 16
Figure I.14. Caméra linéiques ......................................................................................... 16
Chapitre II
Figure II.1. L’image originale et l’image bruitée avec un bruit blanc gaussien. ............ 26
Figure II.2. Application du filtre moyenneur .................................................................. 28
Figure II.3. Le PSNR et l’EQM en fonction de la taille du masque pour un filtre
moyenneur. ..................................................................................................................... 28
Figure II.4. Application du filtre gaussien ...................................................................... 29
Figure II.5.Principe du filtre médian .............................................................................. 30
Figure II.6. Application du filtre médian ........................................................................ 31
Figure II.7.Le PSNR et l’EQM en fonction de la taille du masque pour un filtre médian
........................................................................................................................................ 32
Figure II.8. Principe du filtre maximum ......................................................................... 32
Figure II.9. Principe du filtre minimum .......................................................................... 33
Figure II.10. Application du filtre de Wiener ................................................................. 34
Figure II.11.Le PSNR et l’EQM en fonction de la taille du masquepour un filtre de
Wiener ............................................................................................................................. 35
vi
Listes des figures
Chapitre III
Figure III.1. Représentation d’une ondelette .................................................................. 38
Figure III.2. Ondelette dilatée et translatée..................................................................... 38
Figure III.3. Ondelette de Morlet .................................................................................... 40
Figure III.4. Ondelette chapeau mexicain ....................................................................... 40
Figure III.5. Ondelette de Haar ....................................................................................... 41
Figure III.6. Ondelettes de Daubechies .......................................................................... 41
Figure III.7. Processus de décomposition d’ondelette. ................................................... 43
Figure III.8. Application de l’analyse multirésolution ................................................... 43
Figure III.9. Reconstruction du signal ............................................................................ 44
Figure III.10. Courbe du seuillage dur ............................................................................ 47
Figure III.11. Courbe du seuillage doux ......................................................................... 48
Figure III.12. PSNR en fonction du niveau de décomposition en utilisant différente
ondelettes (db1, db2, db3, …..db7) et un seuillage dur. (thése abderahim) ................... 49
Figure III.13. Organigramme de débruitage utilisé ........................................................ 50
Figure III.14. L’image originale et l’image bruitée avec un bruit blanc gaussien .......... 51
Figure III.15.Image débruitée par seuillage des coefficients d’ondelettes en utilisant les
seuillages due et doux ..................................................................................................... 52
Figure III.16. Image débruitée avec un seuillage doux et avec seuil = T /2 ................... 53
Figure III.17. Comparaison entre les différents types de filtres classiques et le seuillage
d’ondelette ...................................................................................................................... 56
vii
Introduction
générale
Introduction générale
Le traitement d’images, a commencé à se développer au début des années 70 où

l’emploi conjugué de l’optique et de l’électronique analogique a permis l’apparition du
traitement analogique des images. Le développement du domaine de traitement des
signaux numériques a permis la production du traitement numérique des images.
Les méthodes et les techniques du traitement d’images numériques ont connu ces
dernières années un essor vertigineux dû aux incessants perfectionnements de la
technologie (caméras d’acquisition, sources d’énergie, …etc.) ; tous les domaines
s’appuyant sur le traitement d’images en profitent.
On entend par traitement d’images l’ensemble des méthodes et techniques opérant sur
celles-ci, dans le but de rendre cette opération possible, plus simple, plus efficace et plus
agréable, d’améliorer l’aspect visuel de l’image et d’en extraire des informations jugées
pertinentes. Parmi ces techniques on peut citer le débruitage des images qui se base sur
l’utilisation du filtrage spatial ou fréquentiel ou aussi sur l’utilisation de la transformée
en ondelettes.
Les images peuvent être contaminées par des bruits de différentes origines durant leur
acquisition ou leur transmission, d’où la dégradation de leurs qualités. Le bruit peut être
soit additif, soit multiplicatif. Ici, nous nous intéresserons uniquement au bruit additif
qui est souvent rencontré dans la littérature de l’amélioration des images.
Dans la littérature du traitement d’images, différentes méthodes de débruitage ont été
proposées et développées. Tout d’abord, des méthodes de filtrage spatial ont été
proposées. Celles-ci consistent à réduire le bruit dans les zones qui ne présentent pas
d’objets intéressants et à accentuer la perception des structures d’intérêt. Ces techniques
de filtrage utilisent un filtre passe-bas pour supprimer les hautes fréquences, ce qui a
pour inconvénient d’atténuer les contours de l’image. Pour pallier à ces problèmes, de
nouvelles techniques, basées sur l’utilisation de la transformée en ondelettes, ont acquis
une reconnaissance grandissante dans la communauté scientifique par leurs multiples
avantages.
Les qualités de la transformée en ondelettes lui ont valu une attention particulière de la
part des scientifiques œuvrant dans tous les domaines (mathématiques, informatique,
Introduction générale
physique, électronique, etc. …) et d’une manière générale, presque toutes les sciences
utilisant les signaux l’ont utilisée.
L’utilisation de la transformée en ondelettes s’est avérée nécessaire pour plusieurs
problèmes, entre autres le débruitage des images.
Le débruitage par ondelettes est basé sur un algorithme simple appelé algorithme de
seuillage qui est souvent facile à exécuter. Son principe est d’estimer le niveau de bruit
ainsi que de choisir la valeur du seuil T par application des algorithmes formulés par
Donoho et Johnstone, puis à partir des coefficients de détails de la transformée en
ondelettes, à effectuer le seuillage qui consiste à conserver les coefficients d'ondelettes
supérieurs à 𝑇 et à mettre à zéro les autres.
Dans le cadre de ce projet, qui consiste au débruitage des images par la transformée en
ondelettes, l’ondelette de Daubechies d’ordre 3 "db3" de niveau de décomposition 2 ;
sera appliquée sur une image IRM de taille 353×359 bruitée avec un bruit blanc
gaussien d’écart type 𝜎 = 10. Le choix de l’ondelette adéquate et du niveau de
décomposition convenable a été fait suite à une étude réalisée dans un mémoire de
magister (Lanani, 2012).
Une série de tests de simulation effectuée sur l’image choisie, fournira les résultats qui
permettront de comparer les performances des méthodes de seuillage dur et doux avec
celles des méthodes de filtrage classique spatial et fréquentiel, à savoir le filtre
moyenneur, le filtre gaussien, le filtre médian et le filtre de Wiener.
Ainsi, ce mémoire est décomposé en trois chapitres :

 Le premier chapitre ; consacré à une initiation au traitement d’images, décrit en
premier lieu l’image numérique pour passer ensuite à une description du
traitement d’images, du bruit, ses sources et sa modélisation.
 Le deuxième chapitre contient les différentes méthodes pour la l’amélioration

des images, à travers les filtres linéaires et non linéaires de voisinage.
 Le troisième chapitre présente le formalisme général de l’algorithme de

débruitage par seuillage de coefficients d’ondelettes ensuite nous présenterons
les deux modèles de seuillage, seuillage dur et seuillage doux qui ont été
proposés dans la littérature du traitement d’images.
2
Chapitre I
Introduction au traitement
d’images
Chapitre I
Introduction au traitement d'image
I.1. Introduction
Avec les progrès de l'électronique et de l'informatique, l'image est devenue un

vecteur fondamental de l'information et de la communication. C’est ainsi, que l'image
tient une place importante dans des secteurs divers et variés tels que la médecine, la
biologie, la robotique industrielle, la télédétection, ...etc.
Le traitement d’images est l’ensemble des méthodes et techniques opérant sur celles-ci,
dans le but d’améliorer l’aspect visuel de l’image et d’en extraire des informations
jugées pertinentes qu’on va utiliser dans différentes applications.
Dans ce chapitre une initiation au traitement d'images est présentée, en commençant par
l'image numérique, en donnant sa définition, ses caractéristiques, sa présentation, ses
types ainsi que les différents systèmes de représentation d'une image couleur.
Nous passons ensuite au traitement d’images, en donnant sa définition, l'acquisition des
images, étape primordiale avant le traitement d'images proprement dit, les étapes
majeures du traitement d'images ainsi que le stockage d'images.
Le bruit, ses sources et sa modélisation feront l'objet du dernier paragraphe de ce
chapitre avant la conclusion.
Introduction au traitement d’image Chapitre I
I.2. Image
I.2.1. Définition (Taouche, 2005)
L'image est une représentation d'une personne ou d’un objet par les arts
graphiques : la sculpture, la photographie, le dessin, le film, etc.
Elle constitue un ensemble structuré d'informations qui, après affichage sur l'écran, ont
une signification pour l’œil humain. Elle peut être décrite sous la forme d'une fonction
f(x, y) de brillance analogique continue, définie dans un domaine borné, tel que x et y
sont les coordonnées spatiales d'un point de l'image et f est une fonction d'intensité
lumineuse et de couleur. Sous cet aspect, l'image est inexploitable par la machine, ce qui
nécessite sa numérisation.
I.2.2. Image numérique (Taouche, 2005)

L’image numérique correspond à une matrice (ensemble ordonné à deux ou trois
dimensions) de données numériques. Nous nous intéresserons uniquement aux images
en deux dimensions. On peut concevoir ces images en deux dimensions comme un
tableau de valeurs auxquelles on fait correspondre une position sur un plan (x, y) et une
couleur pour visualiser l’image sur l’écran d’un ordinateur :
 Exemple d’un détail d’une image binaire dont la couleur est codé en 0 ou en 1 :
Figure I.1. Détail d’une image binaire
 Exemple d’un détail d’une image en niveaux de gris dont la valeur de gris est
codé entre 0 et 255 :
4
Figure I.2. Détail d’une image en niveaux de gris
I.2.3. Technologies d’affichage (Taouche, 2005)

L’image s’affiche sur un écran (appelé aussi moniteur), il s’agit d’un
périphérique de sortie permettant de fournir une représentation visuelle. Ces
informations proviennent de l’ordinateur, mais de façon " indirecte ". En effet le
processeur n’envoie pas directement les informations au moniteur, mais traite les
informations provenant de sa mémoire vive (RAM), puis les envoie à une carte
graphique qui est chargée de convertir les informations en impulsions électriques
qu’elle envoie au moniteur.
Les moniteurs d’ordinateur sont la plupart du temps des tubes cathodiques, c’est à dire
un tube en verre dans lequel un canon à électrons émet des électrons dirigés par un
champ magnétique vers un écran sur lequel sont disposés de petits éléments
phosphorescents (luminophores) constituant des points (pixels) émettant de la lumière
lorsque les électrons viennent les heurter (voir figure ci-dessous).
Pour reconstituer les couleurs, le balayage est réalisé par trois faisceaux qui activent des
éléments de couleur rouge, verte et bleue sur la surface de l’écran.
L’écran apparaît donc comme une multitude de points pouvant émettre une lumière
rouge, verte ou bleue, avec une intensité variable dépendant de celle du faisceau qui
l’active.
5
Figure I.3. Principe des moniteurs d’ordinateur
I.2.4. Taille d’une image (Assas, 2013)

La taille d’une image est le nombre de pixels de cette image. La taille d’une
image qui est représentée par (328×456) dont 328 est le nombre de lignes, et 456 est le
nombre de colonnes, est égale à : 328 × 456 = 149568 pixels.
I.2.5. Caractéristiques d’une image

L’image est un ensemble structuré d’informations caractérisé par les paramètres
suivantes :
I.2.5.1. Pixel (Taouche, 2005)

Contraction de l'expression anglaise "Picture elements": éléments d'image, le pixel
est le plus petit point de l'image, c'est une entité calculable qui peut recevoir une
structure et une quantification. Si le bit est la plus petite unité d'information que peut
traiter un ordinateur, le pixel est le plus petit élément que peuvent manipuler les
matériels et logiciels d'affichage ou d'impression.
6
Figure I.4. Représentation de pixel
La lettre A, par exemple, peut être affichée comme un groupe de pixels dans la figure
ci-dessous :
Figure I.5. Image comme un groupe de pixels
La quantité d'information que véhicule chaque pixel donne des nuances entre images
monochromes et images couleur. Dans le cas d'une image monochrome, chaque pixel
est codé sur un octet, et la taille mémoire nécessaire pour afficher une telle image est
directement liée à la taille de l'image. Dans une image couleur (R.V.B), un pixel peut
être représenté sur trois octets : un octet pour chacune des couleurs : rouge (R), vert (V)
et bleu (B).
I.2.5.2. Codage de pixel (Assas, 2013)

Pratiquement la valeur d’un pixel est un mot binaire de longueur K bits, par
conséquent un pixel peut prendre l’une des valeurs de l’intervalle [0…2K-1]. La valeur
K est appelée profondeur de l’image.
7
L'ensemble de ces pixels est contenu dans un tableau à deux dimensions (une matrice)
constituant l'image finalement obtenue.
I.2.5.3. Dimension et résolution (Assas, 2013)

On appelle dimension le nombre de points (pixels) constituant l’image, c’est-à-
dire sa "dimension informatique " (le nombre de colonnes de l’image que multiplie son
nombre de lignes). Une image possédant 640 pixels en largeur et 480 en hauteur aura
une définition de 640 pixels par 480, notée 640x480.
La résolution, terme souvent confondu avec la " dimension ", détermine par contre le
nombre de points par unité de surface, exprimé en points par pouce (PPP, en anglais
DPI pour Dots Per Inch) un pouce représentant 2.54 cm. La résolution permet ainsi
d’établir le rapport entre le nombre de pixels d’une image et la taille réelle de sa
représentation sur un support physique. Une résolution de 300 dpi signifie donc 300
colonnes et 300 rangées de pixels sur un pouce carré ce qui donne donc 90000 pixels
sur un pouce carré. La résolution de référence de 72 dpi nous donne un pixel de 1"/72
(un pouce divisé par 72) soit 0.353mm, correspondant à un point pica (unité typo
graphique anglo saxonne).
I.2.5.4. Niveau de gris (Assas, 2013)

Le niveau de gris est la valeur de l'intensité lumineuse en un point. La couleur du
pixel peut prendre des valeurs allant du noir au blanc en passant par un nombre fini de
niveaux intermédiaires. Le nombre de niveaux de gris dépend du nombre de bits
utilisés pour décrire la " couleur " de chaque pixel de l'image. Plus ce nombre est
important, plus les niveaux possibles sont nombreux.
I.2.5.5. Contours et textures (Assas, 2013)

Les contours représentent la frontière entre les objets de l'image, ou la limite
entre deux pixels dont les niveaux de gris représentent une différence significative. Les
textures décrivent la structure de ceux-ci. L'extraction de contour consiste à identifier
dans l'image les points qui séparent deux textures différentes.
8
I.2.5.6. Luminance (Assas, 2013)

Le mot luminance est substitué au mot brillance, qui correspond à l’éclat d’un
objet. La luminance est le degré de luminosité des pixels de l’image. Elle est définie
aussi comme l'intensité d'une source étendue dans une direction donnée, divisée par
l'aire apparente de cette source dans cette même direction.
I.2.5.7. Contraste (Assas, 2013)

C’est l’opposition marquée entre deux régions d’une image, plus précisément
entre les régions sombres et les régions claires de cette image. Le contraste est défini en
fonction des luminances de deux zones d’images.
Si L1 et L2 sont les degrés de luminosité respectivement de deux zones voisines A1 et
A2 d’une image, le contraste C est défini par le rapport : C=L1-L2/L1+L2.
I.2.5.8. Histogramme (Assas, 2013)

C’est un graphique représentant la distribution statistique des pixels de l’image
en fonction de leur luminosité « niveau ». Toute image numérique (correcte,
surexposée, sous-exposée, trop ou pas assez contrastée, affectée d’une dominante
colorée,…etc.) a son propre histogramme. On peut modifier cet histogramme dans le
but d’améliorer l’aspect de l’image et/ou de corriger ses défauts.
Il est essentiel de comprendre que l’histogramme ne représente pas une image, mais
seulement la distribution des pixels de même niveau de l’image dans l’intervalle des
luminosités allant, en 8-bit, de 0 (noir) à 255 (blanc). L’histogramme seul ne vous
permet absolument pas de savoir ce que la photographie représente ; en d’autres termes,
vous pouvez toujours afficher l’histogramme d’une image quelconque afin de l’analyser
et/ou la corriger, mais il ne sert à rien si l’image elle-même (ou son aperçu) n’est pas
affichée à côté de lui sur l’écran.
I.2.6. Représentation de l’image numérique (Yaovi, 2007)

L’image numérique peut être vectorielle ou matricielle :
I.2.6.1. Image matricielle (Yaovi, 2007)

L’image numérique est en fait une matrice (un tableau) de pixels. Chaque pixel a
donc de composantes spatiales dans le plan réel.
9
I.2.6.2. Image vectorielle (Yaovi, 2007)

Le principe est de représenter, autant que cela est possible de le faire, les
données de l’image par des formes géométriques qui vont pouvoir être décrites d’un
point de vue mathématique. Ceci est commode pour les dilatations de l’image en
conservant sa qualité.
I.2.7. Types et codage de couleur de l’image numérique (Yaovi, 2007)

On distingue 3 grands types de couleurs pour une image numérique :
• Le noir et blanc.
• Les niveaux de gris.
• La couleur.
Ces types sont généralement à choisir lors d’une numérisation par scanner ou lors de la
configuration d’un appareil photographique.
I.2.7.1. Image binaire (Yaovi, 2007)

Le noir et blanc est le plus simple. Le contenu de chaque case de la matrice est
soit un 0 (noir) soit 1 (blanc). Il est codé sur un bit qui prend la valeur (0 ou 1).
Figure I.6. Image binaire
I.2.7.2. Image en niveaux de gris (Yaovi, 2007)

Une image en niveaux de gris nécessite, pour son codage, 8 bits (correspondant à
1 octet), les valeurs de niveau de gris étant comprises entre 0 (pour le noir) et 255 (Pour
le blanc).
10
Figure I.7. Image en niveaux de gris
I.2.7.3. Image couleur ou RGB (Red-Green-Blue) (Yaovi, 2007)

Une image couleur peut être codée elle aussi sur 4 bits (image en 16 couleurs), 8
bits (image en 256 couleurs) ou davantage 24 bits pour une image en 16 millions de
couleurs (16777216).
Sur le cas particulier des images couleurs, il est possible de décomposer l’image couleur
initiale en ses 3 plans : rouge, vert et bleu.
Figure I.8. Image couleur ou RGB
I.2.7.4. Image indexée (Yaovi, 2007)

C’est une image qui contient un nombre important de couleurs. A chaque pixel
est attribuée une valeur qui ne donne pas sa couleur, mais un indice correspondant à la
couleur dans la palette de l’image.
11
Figure I.9. Image indexée
I.2.8. Systèmes de représentation d’une image couleur

L’œil humain possède des récepteurs pour les trois couleurs primaires rouges,
vert, bleu. Ainsi, tous les espaces couleur ont trois dimensions. Il y a plusieurs espaces
de couleurs disponibles, les plus connus étant RGB « Red-Green-Blue », HSV « Hue-
Saturation-Valeur ».
I.2.8.1. Systèmes de représentation RGB (benabdellah, 2007)

Le codage RGB correspond à la façon dont les couleurs sont codées
informatiquement, ou plus exactement à la manière dont les tubes cathodiques des
écrans d’ordinateurs représentent les couleurs. Il consiste à affecter une valeur à chaque
composante de Rouge, de Vert et de Bleu.
Ainsi, le modèle RGB propose de coder sur un octet chaque composante de couleur, ce
qui correspond à 256 intensités de rouge, 256 intensités de vert et 256 intensités de bleu,
soient 16777216 possibilités théoriques de couleurs différentes, c’est-à-dire plus que ne
peut en discerner l’œil humain (environ 2 millions). Toutefois, cette valeur n’est que
théorique car elle dépend fortement du matériel d’affichage utilisé.
Etant donné que le codage RGB repose sur trois composantes proposant la même
gamme de valeur, on le représente généralement graphiquement par un cube dont
chacun des axes correspondent à une couleur primaire :
12
Figure I.10. Système RGB
I.2.8.2. Systèmes de représentation HSL ou HSV (benabdellah, 2007)

Le modèle HSL (Hue, Saturation, Luminance, ou en français TSL), s’appuyant
sur les travaux du peintre Albert H.Munsell qui créa l’Atlas de Munsell, est un modèle
de représentation dit naturel, c’est-à-dire proche de la perception physiologique de la
couleur par l’œil humain. En effet, le modèle RGB aussi adapté soit-il pour la
représentation informatique de la couleur ou bien l’affichage sur les périphériques de
sortie, ne permet pas de sélectionner facilement une couleur. En effet, le réglage de la
couleur en RGB dans les outils informatiques se fait généralement à l’aide de trois
glisseurs ou bien de trois cases avec les valeurs relatives de chacune des composantes
primaires,or l’éclaircissement d’une couleur demande d’augmenter proportionnellement
les valeurs respectives de chacune des composantes. Ainsi le modèle HSL a-t-il été mis
au point afin de pallier à cette lacune du modèle RGB. Le modèle HSL consiste à
décomposer la couleur selon des critères physiologiques :
 La teinte (en anglais Hue), correspondant à la couleur de base (T-shirt mauve ou
orange),
 La saturation, décrivant la pureté de la couleur, c’est-à-dire son caractère vif ou
terne (T-shirt neuf ou délavé),
 La luminance, indiquant la brillance de la couleur, c’est-à-dire son aspect clair
ou sombre (T-shirt au soleil ou à l’ombre).
Voici une représentation graphique du modèle HSL, dans laquelle la teinte est
représentée par un cercle chromatique et la luminance et la saturation par deux axes :
13
Figure I.11. Système HSV
I.3. Traitement d’image (Halary, 2009)

I.3.1. Définition
Le traitement, souvent appelé prétraitement, regroupe toutes les techniques
visant à améliorer la qualité d’une image. De ce fait, la donnée de départ est l’image
initiale et le résultat est également une image. L’idéal est d’obtenir un résultat sans
bruit. La qualité d’une image n’est pas forcément la même pour un ordinateur ou pour
un opérateur humain. C’est la raison pour laquelle les techniques ne sont pas les mêmes.
La notion de qualité est une notion très subjective, assujettie à la réalisation d’un
objectif. La qualité d’une image n’est pas forcément la même pour un ordinateur ou
pour un opérateur humain. Les capacités de vision de l’être humain étant limitées, il est
indispensable d’adapter la dynamique de l’image à notre vision.
I.3.2. Acquisition d'image (Karouche, 2013)

L’acquisition d’une image numérique correspond à la transformation d’une
image réelle (signal continu dans l’espace et dans le temps) en une représentation
discrète.
Tout système de traitement d’images peut être vu comme la combinaison de deux étapes
l’acquisition et le traitement.
L’acquisition d’une image nécessite :
 Une source d’énergie " lumière " ; par exemple les sources d’énergie
électromagnétique illuminent la seine, parmi les sources qui existent « les
sources X, Gamma, les sources visibles et proche du visible »
14
 Une seine à reproduire « visage, paysage,…etc. »

 Un capteur d’image.
Figure I.12. Acquisition d’images
Divers types de capteurs permettent l’acquisition des images numériques ; les plus
usuels sont :
 Les appareils photo et caméras numériques mono-canal et multi-canal ;
l'acquisition d'images dans les domaines spectraux du bleu, du vert et du rouge
permet de reconstituer la vision humaine.
 Les scanners médicaux ; ils donnent des images 3-D sous la forme de séries
d'images 2D.
 Les scanners et micro densitomètres ; ils numérisent des images ou négatifs sous
forme analogique.
 Les microscopes ; en modifiant leur focale, ils permettent d'observer la nature 3-
D des objets étudiés.
 Les capteurs de télédétection.
On peut prendre comme exemples des systèmes qui contiennent certains capteurs :
I.3.2.1. Caméras matricielles (Gastellu et Etchegorry, 2008)

Les caméras matricielles fournissent une image en deux dimensions de la scène
analysée. Elles sont constituées de capteurs solides CCD (Figure I.11). Elles ont des
caractéristiques très diverses :
 Dimension (nombres de ligne x nombre de colonnes). Elle est très variable :
15
752*582 =2048*2048.
 Temps d'intégration. Par exemple 10-4 s.
 Déclenchement sur signal extérieur (caméras mono coups, caméras
progressives).
Figure I.13. Caméra matricielle
I.3.2.2. Caméras linéiques (Gastellu et Etchegorry, 2008)

Les caméras linéiques sont constituées par un ensemble de capteurs photosensibles
alignés (Figure I.12). Une seule acquisition fournit donc une seule ligne image. Leurs
principaux avantages sont :
 Haute résolution (lignes images de 10 000 pixels).
 Acquisition rapide (200 M pixels / s). Pour la DVT Legend LS : 18000 lignes de
2000 pixels / s.
 Traitement en temps réel.
 Adapté au défilement continu.
Elles sont par exemple employées pour l'inspection d'objets en défilement (laminé,
tissus, papier, bois, etc.) et pour la numérisation d'images à très haute résolution
(scanners de documents, etc.).
Figure I.14. Caméras linéiques
16
I.3.3. Etapes majeures de traitement d'images (Gastellu et Etchegorry, 2008)

Il n'existe pas de méthodes de traitement d'images générales à tous les domaines
d'application possibles. Il faut en général employer des algorithmes spécifiques. Ces
derniers sont souvent des combinaisons de techniques classiques (segmentation,
classification, reconnaissance de frontières,...etc.). De manière schématique, toute
méthode de traitement d'images comprend 4 étapes majeures :
 Prétraitement des images.
 Amélioration des images.
 Analyse des images.
 Interprétation des images.
I.3.3.1. Prétraitement des images (Gastellu et Etchegorry, 2008)

Ils préparent l'image pour son analyse ultérieure. Il s'agit souvent d'obtenir l'image
théorique que l'on aurait dû acquérir en l'absence de toute dégradation. Ainsi, ils
peuvent par exemple corriger :
 Les défauts radiométriques du capteur : non linéarité des détecteurs, diffraction
de l'optique, … etc.
 Les défauts géométriques de l'image dus au mode d'échantillonnage spatial, à
l'oblicité de la direction de visée, au déplacement de la cible, … etc.
 Le filtrage ou réduction de fréquences parasites, par exemple dus à des
vibrations du capteur.
 Les dégradations de l'image dues à la présence de matière entre le capteur et le
milieu observé. Ainsi, une image acquise par un satellite est souvent perturbée
par l'atmosphère.
I.3.3.2. Amélioration des images (Gastellu et Etchegorry, 2008)

Elle a pour but d'améliorer la visualisation des images. Pour cela, elle élimine /
réduit le bruit de l'image et/ou met en évidence certains éléments (frontières, etc.) de
l'image. Elle est souvent appliquée sans connaissance à priori des éléments de l'image.
Les principales techniques sont :
 L'amélioration de contraste,
17
 Le filtrage linéaire (lissage, mise en évidence des frontières avec l'opérateur

"Image - Image lissée", etc.) et transformée de Fourier pour faire apparaître /
disparaître certaines fréquences dans l'image.
 Le filtrage non linéaire (filtres médians, etc.) pour éliminer le bruit sans trop
affecter les frontières,...
 Utilisation de la transformée en ondelettes.
I.3.3.3. Analyse des images (Gastellu et Etchegorry, 2008)

Le but de l’analyse des images est d'extraire et de mesurer certaines
caractéristiques de l'image traitée en vue de son interprétation. Ces caractéristiques
peuvent être des données statistiques sur des comptes numériques (moyenne,
histogramme, etc.), ou sur des données dérivées (dimensions, ou orientation d’objets
présents dans l’image). En général, le type d'information recherché dépend du niveau de
connaissance requis pour interpréter l'image.
I.3.3.4. Interprétation des images (Gastellu et Etchegorry, 2008)

L'interprétation des images est en général la dernière phase qui précède la prise
de décision (matériau conforme ou non). Elle donne une signification à l'information,
par exemple en comparant cette information avec une base de données pré-établie.
Ainsi, il peut être établi qu'un ensemble connexe de pixels d'une image est par exemple
la lettre "e". L'interprétation peut nécessiter des approches très complexes comme
l'intelligence artificielle, les réseaux neuronaux et la logique floue.
I.3.4. Stockage des images (Gastellu et Etchegorry, 2008)

On va s'intéresser maintenant au stockage des images en mémoire, c’est-à-dire
sous forme de fichiers. Les informations qui vont être stockées sont la largeur et la
hauteur ainsi que les valeurs des pixels. On peut stocker d'autres informations telles que
le type de données, hauteur, date ... etc.
I.4. Bruit (Lingrand, 2004)

Un bruit (parasite) dans une image est considéré comme un phénomène de
brusque variation de l'intensité d'un pixel par rapport à ses voisins, il provient de
l'éclairage des dispositifs optiques et électroniques du capteur. C’est un parasite qui
18
représente certains défauts "poussière, petits nuage...etc.". Il se traduit par des tâches de
faible dimension et dont la distribution sur l'image est aléatoire.
I.4.1. Sources de bruit (Lingrand, 2004)

Les sources de bruit sont très variées. On peut distinguer plusieurs familles de
sources.
 La première source est liée au contexte d'acquisition :
 Une sur ou sous illumination réduit l'intervalle de couleurs de la scène
mais pas son nombre alors que le nombre de couleurs utilisées pour
représenter cette scène sera réduit dans le cas d'un appareil photo
numérique.
 La perturbation des capteurs, par exemple les perturbations
magnétiques pendant une acquisition IRM (Imagerie par Résonance
Magnétique), ou des perturbations sur une antenne de télévision lors
de la réception sur une carte tuner. Certains capteurs induisent des
distorsions géométriques ou d'intensité.
 L’étape d’échantillonnage est source de bruit, notamment le phénomène de
moiré lorsque les conditions de Shannon et Nyquist ne sont pas respectées, ou de
bruit poivre et sel lorsque des objets de la scène sont projetés dans une image de
la taille d'un pixel.
 La quantification apporte un bruit dit de quantification.
Le bruit n’est pas le seul phénomène qui peut dégrader la qualité de l’image ; il y a ce
que l’on nomme l’image floue. Cette dégradation peut être causée par plusieurs facteurs
entre autres ; le mouvement pendant la prise de la scène.
I.4.2. Modélisation de bruit (Lingrand, 2004)

Le bruit peut être dépendant des données de l’image (par exemple le bruit de
quantification) ou indépendant (par exemple les poussières sur l'objectif).
On peut alors modéliser le bruit comme additif ou multiplicatif. Il est bien plus simple
de traiter un bruit additif que multiplicatif. Afin d'éliminer le bruit, on peut considérer
qu'il concerne des hautes fréquences non présentes dans l'image et qu'il suffit d'effectuer
19
un filtre passe-bas pour améliorer l'image. Malheureusement, cela n'est pas toujours
aussi simple.
Le bruit d'image est en toute rigueur considéré comme un champ aléatoire. Du fait de sa
haute fréquence, on ne conserve pour le caractériser que le premier ordre (densité de
probabilité f sur un pixel de l'image) et parfois le second (corrélation entre pixels).
On ne conservera ici que le premier ordre, modélisé par :
⍺
𝑓(𝑎) = 𝐶 𝑒 −𝑘|𝑎| (I.1)
Avec C et k des constantes de normalisation liées à la variance
I.4.2.1. Bruit exponentiel

Pour α=1, il s'agit d'un bruit exponentiel
𝑓(𝑎) = 𝐶 𝑒 −𝑘|𝑎| (I.2)
I.4.2.2. Bruit gaussien

Pour α=2, il s'agit d'un bruit gaussien
2
𝑓(𝑎) = 𝐶 𝑒 −𝑘|𝑎| (I.3)
Le bruit blanc est un bruit gaussien de moyenne nulle, sa variance est σ2.
I.4.2.3. Bruit poivre et sel (Salt & Pepper noise)

Le bruit poivre et sel modélise assez bien les poussières sur un objectif ou
scanner, des petits objets sur l'image, on imagine par exemple un objet clair sur un fond
foncé et dont la taille dans l'image serait proche du pixel ; il pourrait apparaitre ou
disparaitre lors d'une séquence vidéo créant ainsi du bruit, ainsi que des pertes de
données.
I.5. Conclusion
Une initiation au traitement d’images numériques a été présentée ; en illustrant
nos propos qui sont ; l’image, la technologie de son affichage, ses caractéristiques, sa
20
représentation, le types et le codage couleur de l’image ainsi que les systèmes de

représentation de l’image.
Les étapes majeures du traitement d’images ont fait partie de ce chapitre ainsi que le
bruit, ses sources et sa modélisation.
L’étape d’amélioration de l’image qui permet de réduire le bruit donc de débruiter
l’image en utilisant des techniques classiques telles que le filtrage linéaire et non
linéaire, entre autres, fera l’objet du prochain chapitre.
21
Chapitre II
Débruitage par les méthodes
classiques
Chapitre II
Débruitage par des techniques classiques
II.1. Introduction
Aujourd’hui, l’image constitue l’un des moyens les plus importants qu’utilise
l’homme pour communiquer avec autrui. C’est un moyen de communication universel
dont la richesse du contenu permet aux êtres humains de tout âge et de toute culture de
se comprendre. C’est aussi le moyen le plus efficace pour communiquer, chacun peut
analyser l’image à sa manière, pour en dégager une impression et pour en extraire des
informations précises.
L'utilisation des images numériques dans les domaines tels que le spatial et le médical,
entre autres, a accru l’intérêt que l’on portait aux techniques d'amélioration d'images.
L'amélioration d'images est un procédé qui, grâce à diverses techniques, permet de
donner une meilleure apparence aux images.
L'amélioration est un procédé où on cherche à rendre plus agréable l'apparence visuelle
d'une image, sans chercher à comprendre et à modéliser les dégradations qu'elle a pu
subir. Les différentes techniques que l'on peut utiliser sont basées sur l’emploi de
différents types de filtres.
Le filtrage qu’il soit spatial ou fréquentiel, est considéré parmi les techniques classiques
de débruitage des images dont on peut citer le filtre moyenneur, le filtre gaussien, le
filtre médian et le filtre de Wiener. Ces derniers font l’objet de ce chapitre où ils seront
appliqués pour débruiter une image IRM de taille 353 × 359 bruitée avec un bruit blanc
gaussien d’écart type 𝜎 = 10.
Pour quantifier la qualité de débruitage, deux paramètres seront utilisés à savoir, le
PSNR (Peak Signal to Noise Ratio) et l’EQM (erreur quadratique moyenne).
Débruitage par des techniques classiques Chapitre II
II.2. Modèles de bruits de l’image (Lanani, 2012)

A chaque étape de l'acquisition d'une scène, des perturbations (rayures,
poussières, caméra, amplification, quantification) vont détériorer la qualité de l'image.
Ces perturbations sont regroupées sous le nom de "bruit d'image". Le bruit peut être
groupé en deux classes :
1. Bruit indépendant (on parle de bruit aléatoire).
2. Bruit qui dépend des données de l’image.
Cependant, le principe d’une image dégradée est le suivant :
𝑦(𝑖, 𝑗) = 𝐻𝑤(𝑖, 𝑗) + 𝑛(𝑖, 𝑗) (II.1)
Avec l’image y (i, j) est la somme de l’image réelle w (i, j) avec le bruit n (i, j).
Le bruit n (i, j) est souvent décrit par sa variance σn2. H est un opérateur borné et
linéaire modélise le processus d’acquisition.
Dans notre travail nous nous concentrons sur l’exemple de débruitage, où H est
l’opérateur identité. L’effet du bruit sur l’image est souvent décrit par le rapport signal
sur bruit (SNR, pour Signal to Noise Ratio) qui est souvent utilisé comme un paramètre
quantitatif de bruit dans les applications de traitement de signaux et d’images, il est
donné par la relation suivante :
𝜎𝑤 𝜎𝑦2
𝑆𝑁𝑅 = = √ −1 (II.2)
𝜎𝑛 𝜎𝑛2
Où σy2 et σn2 sont les variances respectives de l’image réelle et du bruit. Un autre
paramètre quantitatif le PSNR (acronyme de Peak Signal to Noise Ratio), est souvent
utilisé pour mesurer la qualité de l’image obtenue par rapport à l’image standard
numérique.
Pour une image reconstruite I et l’image de référence I0 de taille M×N, le PSNR en
décibels (dB) est défini comme suit :
𝐷2
𝑃𝑆𝑁𝑅 = 10 𝑙𝑜𝑔10 (II.3)
𝐸𝑄𝑀
1
𝐸𝑄𝑀 = ∑𝑀 𝑁
𝑖=1 ∑𝑗=1(𝑓0 (𝑖, 𝑗) − 𝑓(𝑖, 𝑗))
2
(II.4)
𝑀×𝑁
23
Où D est l’écart entre la plus grande et la plus petite valeur d’intensité de l’image.
Dans le cas standard d’une image à niveaux de gris entre 0 et 255, D = 255. EQM est
l’erreur quadratique moyenne de ces deux images.
Une image parfaitement reconstruite a un PSNR infini et une erreur quadratique
moyenne (EQM) nulle.
II.3. Critères d’analyse de débruitage des images (Moussa Embarek, 2012)

La pertinence des techniques de restauration des images dépend de deux critères,
subjectif et objectif.
II.3.1. Critère subjectif (visuel)

L’œil humain est un outil important dans la restauration des images, il permet
d’identifier les images ainsi que leurs formes, la présence des artefacts et la qualité des
contours. Il est cependant primordial que les méthodes de débruitage prennent compte
du système optique humain. Néanmoins, cette évaluation ne peut être que subjective et
ne donne aucune mesure qui reflète la perception de l’œil humain.
Le critère subjectif peut être utilisé pour l’amélioration des images, tandis que la
restauration des images nécessite, en plus un critère objectif.
II.3.2. Critère objectif

Le critère objectif est basé sur l’utilisation des paramètres quantitatifs, EQM,
SNR ou PSNR par exemple, qui sont souvent utilisés pour mesurer la qualité de l’image
obtenue par rapport à l’image standard numérique.
II.4. Technique de réduction de bruit dans une image numérique

II.4.1. Réduction du bruit (Phelippeau, 2009)
Malgré les évolutions constantes des capteurs numériques et les propositions
récentes de méthodes sophistiquées de débruitage, les images numériques souffrent
toujours de la présence du bruit et la recherche d’algorithmes efficaces de filtrage du
bruit reste un domaine de recherche très actif. La réduction du bruit est un vaste et
délicat sujet du traitement des images et constitue un outil fondamental dans ce
domaine. Dans le cadre de la restauration des images bruitées, le but est d’éliminer les
composantes parasites introduites par les différents processus de formation de l’image.
De nombreuses méthodes lui ont été consacrées ; entre autres les méthodes de filtrages
24
linéaires et non linéaires, les méthodes de filtrages optimales comme le filtre de Wiener
et les filtres utilisant l’analyse des coefficients des transformées en ondelettes.
II.4.2. Filtrage (Halary, 2009)

Le filtrage représente le cœur du traitement d’images ; les filtres peuvent
permettre de faire ressortir les données d’intérêt, au détriment du reste de l’image.
Le phénomène du bruit rend le traitement des données difficile. Cependant, pour le
réduire dans l’image on procède par un filtrage qui peut être un filtrage spatial ou
fréquentiel.
II.4.2.1. Filtrage spatial (Halary, 2009), (Karouche, 2013)

II.4.2.1.1. Filtrage spatial linéaire
Le filtrage spatial participe à la représentation classique que l’on se fait d’une
image, celle d’un tableau en 2 dimensions de valeurs. Ce type de filtre consiste en effet
à modifier la valeur d’un pixel en fonction de la valeur des pixels de son voisinage.
Issu des théories de traitement du signal, le filtrage linéaire correspond à la convolution
par une fonction filtre linéaire. Il s’agit donc ; de remplacer le niveau d'un pixel par une
combinaison linéaire des niveaux des pixels environnants. Cette combinaison linéaire
est usuellement représentée par un masque. Il s’agit dans ce cas d’un produit de
convolution de l’image, signal 2D, 𝑓(𝑖, 𝑗) avec un filtre ℎ(𝑖, 𝑗) donné par :
𝑓 ′ (𝑖, 𝑗) = (𝑓 ∗ ℎ)(𝑖, 𝑗) = ∑N 𝑀
n ( ∑𝑚 𝑓(𝑖, 𝑗)ℎ(𝑛 − 𝑖, 𝑚 − 𝑗)) (II.5)
En général, h est un masque de taille d impaire, et on a alors :
d−1 𝑑−1
N= 𝑀=
𝑓 ′ (𝑖, 𝑗) = (𝑓 ∗ ℎ)(𝑖, 𝑗) = ∑ 2
(∑
(d−1)
2
𝑑−1 𝑓(𝑖, 𝑗)ℎ(𝑛 − 𝑖, 𝑚 − 𝑗)) (II.6)
n= − 𝑚=−
2 2
La valeur d’un pixel dans l’image filtrée est fonction de la valeur des pixels de son
voisinage dans l’image de départ. Classiquement, le voisinage peut prendre la forme
d’une croix (4 connectivités) ou d’un carré (8 connectivités).
Les filtres linéaires les plus connus sont les filtres passe-bas, passe-haut. Ces filtres sont
représentés sous forme de masque auquel est associé un coefficient diviseur qui permet
de ramener les valeurs calculées entre 0 et 255 pour une image à 256 niveaux de gris.
25
Le filtre passe-bas laisse passer les basses fréquences « les faibles changements
d’intensité de l’image » et atténue les hautes fréquences « variations rapides ».
Le filtre passe-bas représenté sous forme de masque dont la taille est un paramètre
important, plus cette dimension est grande, plus sa sensibilité au bruit diminue, et le
lissage devient important « le flou s’accentue ».
Exemple de filtre passe-bas :
Les résultats expérimentaux sont présentés sur une image IRM de taille 353 × 359
bruitée avec un bruit blanc gaussien d’écart type 𝜎 = 10 (Figure II.1). Le bruit est
important mais visuellement, les informations principales de l’image originale sont
conservées.
(a) Image originale (b) Image bruitée

353x359 PSNR=68.0316
EQM = 0.0109
Figure II.1. L’image originale et l’image bruitée avec un bruit blanc gaussien
26
Pour quantifier la différence entre l’image débruitée et l’image bruitée nous allons
utiliser deux paramètres. L’un est le PSNR (Peak Signal to Noise Ratio), l’autre
paramètre est l’EQM (erreur quadratique moyenne).
a) Filtre moyenneur (Lingrand, 2004)

Le principe est très simple ; un pixel est remplacé par la valeur moyenne de lui-
même et de ses voisins. Le filtre moyenneur est un filtre passe-bas permettant ainsi
d’éliminer les hautes fréquences, correspondant au bruit. Son inconvénient est qu’il
élimine également les hautes fréquences correspondant aux détails de l’image ; il rend
ainsi l’image moins bruitée mais plus floue.
Dans la figure (II.2), nous présentons les résultats de l’image débruitée par un filtre
moyenneur, en utilisant des masques de tailles différentes.
Image bruitée masque 3x3

PSNR= 68.0316 PSNR= 71.2056
27
masque 5x5 masque 9x9

PSNR= 69.3257 PSNR= 66.1956
Figure II.2. Application du filtre moyenneur
72 0,02
70
0,015
68
0,01
66
64 0,005
62 0
masque masque masque masque masque masque masque masque
3x3 5x5 7x7 9x9 3x3 5x5 7x7 9x9
PSNR 71,2056 69,3257 67,6651 66,1956 EQM 0,0049 0,0076 0,0111 0,0156
Figure II.3. Le PSNR et EQM en fonction de la taille du masque

pour un filtre moyenneur
Un filtre moyenneur étant un filtre passe-bas ; il diminue donc le bruit et atténue les
détails de l’image ce qui rend l’image floue ; on parle donc de lissage. L’augmentation
de la taille du masque conduit à brouiller l’image. En effet, plus la taille du masque
augmente plus l’image devient floue.
b) Filtre gaussien (Lingrand, 2004), (Karouche, 2013)

Le principe de ce filtre est une convolution avec une gaussienne. Nous rappelons
l’expression d’une gaussienne en dimension 2, de moyenne nulle :
28
1 𝑥 2 +𝑦 2
𝐺0 (𝑥, 𝑦) = 2
𝑒𝑥𝑝(− ) (II.7)
2𝜋𝜎 2𝜎2
L’intérêt de ce filtre est que l’on contrôle facilement le degré de filtrage à travers le
paramètre σ. Le filtre gaussien donne plus d’importance aux pixels proches du pixel
central, et diminue cette importance au fur et à mesure que l’on s’éloigne de celui-ci, il
a les mêmes inconvénients que le filtre passe-bas, c’est-à-dire il dégrade les contours.
Ainsi nous avons exploité un filtre gaussien pour débruiter l’image. Sur la figure
suivante nous présentons les résultats du débruitage.
Image bruitée PSNR= 72.6170

PSNR= 68.0316
Figure II.4. Application du filtre gaussien
II.4.2.1.2. Filtrage spatial non linéaire (Assas, 2013)

Ils sont conçus pour régler les problèmes des filtre linéaires, surtout ce qui concerne
la mauvaise conservation des contours. Leur principe est le même que les filtres
linéaires, il s’agit toujours de remplacer la valeur de chaque pixel par la valeur d’une
fonction calculée dans son voisinage. La différence est que cette fonction n’est plus
linéaire mais une fonction quelconque. Les filtres non linéaires les plus connus sont ; le
filtre médian, le filtre maximum et le filtre minimum.
29
a) Filtre médian
C’est un filtre non linéaire et ce n’est donc pas un filtre de convolution. Ce filtre
est très utilisé pour éliminer le bruit sur une image qui peut être de différentes origines
(poussières, petits nuages, baisse momentanée de l’intensité électrique sur les capteurs,
...) et qui se traduit par des taches de faible dimension dont la distribution sur l’image
est aléatoire. L’avantage de ce filtre réside dans le fait qu’il conserve les contours alors
que les autres types de filtres ont tendance à les adoucir.
L’algorithme du filtre médian est le suivant :
1. Trier les valeurs par ordre croissant.
2. Remplacer la valeur du pixel centrale par la valeur située au milieu de la triée.
3. Répéter cette opération pour tous les pixels de l’image.
𝑔(𝑥, 𝑦) = 𝑚é𝑑𝑖𝑎𝑛𝑒 {𝑓 (𝑛, 𝑚) | (𝑛, 𝑚) 𝜖 𝑆(𝑥, 𝑦)} (II.8)
où 𝑆(𝑥, 𝑦) est un voisinage de(𝑥, 𝑦).
Figure II.5. Principe du filtre médian
Après l’application de ce type de filtrage nous avons obtenu les résultats suivants
(Figure II.6) :
30

PSNR= 68.0316 PSNR= 74.8976

PSNR= 75.6092 PSNR= 72.6766
Figure II.6. Application du filtre médian
31
76 0,004
0,0035
75 0,003
74 0,0025
0,002
73
0,0015
72 0,001
0,0005
71
masque masque masque masque 0
masque masque masque masque
3x3 5x5 7x7 9x9
3x3 5x5 7x7 9x9
PSNR 74,8976 75,6092 74,3356 72,6766
EQM 0,0021 0,0017 0,0024 0,0035
Figure II.7. PSNR et EQM en fonction de la taille du masque

pour un filtre médian
Le filtre médian est pratiquement toujours préféré au filtre moyenneur ou au filtre

gaussien pour améliorer les images bruitées. Notons que le filtre médian est utilisé
beaucoup plus pour réduire le bruit impulsionnel.
a) Filtre maximum (Assas, 2013)

On applique le même traitement que celui du filtre médian mais la valeur du
pixel du centre va être remplacée par le maximum.
Figure II.8. Principe du filtre maximum
b) Filtre minimum (Assas, 2013)

On applique le même traitement que celui du filtre médian mais, cette fois, la
valeur du pixel du centre va être remplacée par le minimum.
32
Figure II.9. Principe du filtre minimum
II.4.2.2. Filtrage fréquentiel (Lanani, 2012)

Il s’agit dans ce cas d’un filtrage dans le domaine fréquentiel, qui est le produit
entre le spectre d’une image F (u, v) et le spectre d’un filtre H (u, v) soit :
𝐹’ (𝑢, 𝑣) = 𝐹 (𝑢, 𝑣). 𝐻 (𝑢, 𝑣) (II.9)
Dans ce type du filtrage, on peut citer le filtrage de Wiener.
a) Filtrage de Wiener
Le modèle de dégradation d’image peut être défini par :
𝑦 = 𝐻𝐼 + 𝑛 (II.10)
y : l’image dégradée, I : l’image à restaurer, H : la dégradation, n : le bruit additif

L’objectif de la restauration d’image est d’obtenir une estimée Î de l’image originale I à
partir de l’image dégradée y.
La fonction de coût du filtre de Wiener est une estimation de la moyenne statistique de
l’erreur entre I et Î :
2
𝑗(Î) = 𝐸{∥ 𝐼 − Î ∥} (II.11)
Les résultats de l’application du filtre de Wiener sont illustrés sur les figures suivantes :
33

PSNR= 68.0316 PSNR=74.9078

PSNR= 74.0171 PSNR= 71.1509
Figure II.10. Application du filtre de Wiener
34
76 0,006
75
0,005
74
0,004
73
0,003
72
71 0,002
70 0,001
69 0
masque masque masque masque masque masque masque masque
3x3 5x5 7x7 9x9 3x3 5x5 7x7 9x9
PSNR 74,9078 74,0171 72,425 71,1509 EQM 0,0021 0,0026 0,0037 0,005
Figure II.11. PSNR et EQM en fonction de la taille du masque

pour un filtre de Wiener
Ce filtre est très efficace pour traiter des images dégradées à la fois par du flou et du
bruit.
II.4.3. Seuillage (Karouche, 2013)

Le seuillage est une technique de segmentation très populaire à cause de sa
facilité de mise en œuvre et sa rapidité. Il permet de classer les pixels en deux
catégories, ceux dont la mesure est inférieure au seuil et ceux dont la mesure excède ou
égale le seuil.
0 𝑠𝑖 𝑓(𝑥, 𝑦) < 𝑆
𝑔(𝑥, 𝑦) = { (II.12)
1 𝑠𝑖 𝑓(𝑥, 𝑦) ≥ 𝑆
La transformation produit une image binaire.
II.5. Conclusion
Les méthodes de filtrage d’images présentées dans ce chapitre sont des
techniques parmi d’autres que regroupe le traitement d’images ; chacune d’elles permet
d’obtenir une amélioration des images et présente des caractéristiques qui la rendent
opérationnelle pour une certaine classe d’images.
Une autre technique intéressante à utiliser pour débruiter les images est le débruitage
par seuillage des coefficients d’ondelettes ; celle-ci sera détaillée dans le prochain
chapitre.
35
Chapitre III
Débruitage par seuillage des
coefficients d’ondelettes
Chapitre III
Débruitage par seuillage des coefficients d’ondelettes
III.1. Introduction
Partout autour de nous il y a toujours de signaux qui requièrent d'être analysés.
Les tremblements sismiques, le discours humain, les vibrations de moteur, les images
médicales, les données financières, la musique, et beaucoup d’autres types de signaux
doivent être traités efficacement, comprimés, nettoyés, reconstruits, décrits, simplifiés,
modélisés, distingués ou situés pour être interprétés.
Les ondelettes ont apporté un souffle nouveau dans le domaine du traitement de signal
et du traitement d’images depuis leur apparition. Elles permettent en effet d'analyser et
de repérer les discontinuités d'un signal à une ou à deux dimensions, et à des échelles
différentes. Cette caractéristique est utilisée pour le débruitage des images. Or l'œil
humain a du mal à interpréter les images bruitées ; d’où la nécessité du débruitage des
images en général.
Le débruitage d’une image a pour but d’enlever les bruits provenant de différentes
sources et aussi de pouvoir extraire les informations jugées pertinentes dans la même
image qui dépendent de l’application. Par seuillage des coefficients d'ondelettes, on peut
débruiter une image par élimination des détails les plus fins.
Ce chapitre présente le problème du débruitage par seuillage des coefficients
d’ondelettes. Nous commençons par présenter un aperçu global sur la transformée en
ondelette et l’analyse multirésolution notamment l’algorithme de Mallat. Ensuite, nous
abordons la technique de débruitage par seuillage des coefficients d’ondelettes en
appliquant les deux types de seuillage, seuillage dur et seuillage doux, avant de passer
aux résultats obtenus après l’application de celle-ci.
Débruitage par seuillage des coefficients d’ondelettes Chapitre III
III.2. Transformée en ondelette

III.2.1. Insuffisance de l’analyse de Fourier
Un signal stationnaire est un signal dont les caractéristiques fréquentielles ne
varient pas dans le temps. Dans ce cas l’analyse spectrale de Fourier est bien adaptée.
Lorsque le signal devient un signal non stationnaire, l’analyse spectrale perd
l’information temporelle puisqu’elle moyenne sur tous les temps.
Bien que l’analyse de Fourier soit une méthode populaire et fortement utilisée, elle est
cependant incapable de donner le contenu fréquentiel local d’un signal. En d’autre
terme, l’analyse temps-fréquence en est absente.
La transformée de Fourier est une transformation globale, la transformée de Fourier à
fenêtre glissante est locale mais toutes les deux sont de résolution temporelle fixe.
La transformée en ondelettes va nous permettre de pallier cet inconvénient. Il est en
effet nécessaire de disposer d’un outil qui adapte sa résolution à la taille de l’objet ou du
détail analysé. Plus généralement, on peut distinguer deux intérêts principaux des
ondelettes en tant qu’outil mathématique d’analyse et de représentations des fonctions.
III.3. Transformée en ondelettes

L’analyse par ondelettes est apparue sous ses formes modernes, au début des
années 80, dans un remarquable article d’Alex Grossmann et Jean Morlet. Cette
approche est apparue initialement en géophysique pour l’analyse des signaux sismiques.
Des avancées significatives ont notamment été faites par Meyer, Mallat, Daubechies,
Ronald Coifman, et Victor Wickerhauser.
III.3.1. Définition d’une ondelette

Une ondelette est une forme d’onde de durée limitée et de valeur moyenne nulle.
C’est une onde localisée dans un temps court. Son utilisation consiste à représenter un
signal (ou une fonction) comme une somme pondérée de ces petites ondes translatées ou
dilatées.
37
Figure III.1. Représentation d’une ondelette
Figure III.2. Ondelette dilatée et translatée
III.3.2. Transformée en ondelettes continue (TOC) (Truchetet, 1998)

 Définition
Une ondelette 𝜓appelée ondelette mère est une fonction de L2(ℜ) intégrable de
moyenne nulle (ici supposée à valeurs réelles) qui oscille localement :
+∞
∫−∞ 𝜓 (𝑡)𝑑𝑡 = 0 (III.1)
38
La famille d’ondelettes est générée à partir de la dilatation / contraction (facteur

d’échelle 𝑒 ∈ ℜ∗+ ) et de la translation (paramètre de localisation 𝑢 ∈ ℜ) de l’ondelette
mère 𝜓 ; les ondelettes sont donc définies par :
1 𝑡−𝑢
𝛹𝑢,𝑒 (𝑡) = 𝜓( ) (III.2)
√𝑒 𝑒
La transformée en ondelettes continue d’une fonction x(t) est définie par :
+∞ 1 𝑡−𝑢
𝑊𝑥 (𝑢, 𝑒) = ∫−∞ 𝑥(𝑡) 𝜓∗( ∗ 〉
) 𝑑𝑡 = 〈𝑥, 𝛹𝑢,𝑒 (III.3)
√𝑒 𝑒
La transformée en ondelettes est réversible et on peut donc passer de l’analyse d’une

fonction à sa reconstruction par :
1 +∞ +∞ 1 𝑡−𝑢 𝑑𝑒
𝑥(𝑡) = ∫ ∫ 𝑊𝑥 (𝑢, 𝑒) 𝑒 𝜓 ∗ ( 𝑒 ) 𝑒 2
𝐶𝜓 −∞ 0
𝑑𝑢 (III.4)
√
Avec
+∞ |𝜓(𝑤)|2
𝐶𝜓 = ∫0 𝑤
𝑑𝑤 (III.5)
III.3.3. Exemples d’ondelettes

Il existe de nombreuses formes d’ondelettes, le choix de l’ondelette optimale
dépend de l’application envisagée.
Nous avons choisi de présenter quelques ondelettes qui nous semblent être les plus
utilisées dans le traitement du signal : les ondelettes de Morlet, le chapeau mexicain, les
ondelettes de Haar et les ondelettes de Daubechies.
III.3.3.1. L’ondelette de Morlet

 Définition
L’ondelette de Morlet est l’ondelette complexe la plus fréquemment utilisée. Elle est
obtenue en modulant une exponentielle complexe par une enveloppe gaussienne. Elle
permet de minimiser le produit des étalements temporel et fréquentiel de l’ondelette, et
donc de maximiser la précision de la localisation de l’énergie dans le plan temps-
fréquence. Elle est définie par :
39
2 ⁄2
𝜓(𝑡) = 𝑒 𝑗5𝑡 𝑒 −𝑡 (III.6)
Figure III.3. Ondelette de Morlet
III.3.3.2. Le chapeau mexicain

 Définition
Le chapeau mexicain n-dimensionnel est une ondelette réelle construite à partir de la
dérivée seconde de la gaussienne. En effet, bien qu’une gaussienne ne soit pas une
ondelette, toutes ses dérivées le sont.
Elle est définie par :
2 2 ⁄2
𝜓(𝑡) = 𝜋 −1⁄4 (1 − 𝑡 2 )𝑒 −𝑡 (III.7)
√3
Figure III.4. Ondelette chapeau mexicain

40
III.3.3.3. L’ondelette de Haar

 Définition
Elle est définie par :
1
1 0<𝑡<
2
𝜓(𝑡) = {−1 1
<𝑡< 1 (III.8)
2
0 𝑠𝑖𝑛𝑜𝑛
Figure III.5. Ondelette de Haar
III.3.3.4. L’ondelette de Daubechies

 Définition
L’ondelette de Daubechies est la famille la plus connue des ondelettes
orthonormées. Ces ondelettes sont généralement dénommées par le nombre de
coefficients ak non nuls, on parlera donc d’ondelettes Daubechies 4, Daubechies 6,
…etc.
Figure III.6. Ondelettes de Daubechies
41
III.3.4. Transformée en ondelettes discrète (TOD) (Cohen.1992)

L'une des caractéristiques fondamentales de la transformée en ondelettes
continue est sa redondance. En effet, l’information contenue dans un signal est
représentée dans unespace à deux dimensions, il s'agit du plan temps-échelle (𝑡, 𝑒). Des
coefficients d'ondelettes voisines contiennent des informations communes. Il est
toutefois possible de réduire cette redondance en remplaçant la famille continue
d'ondelettes par une famille indexée par des variables de temps et d'échelle discrètes, et
les intégrales par des sommes discrètes. Il est préférable de réduire au maximum cette
redondance en fixant 𝑒 = 2−𝑗 et 𝑢 = 𝑘2−𝑗 , la famille d'ondelettes correspondantes
devient :
j
𝜓𝑗,𝑘 (𝑡) = 22 ψ(2j t − k) (III.9)
Cette transformée est appelée transformée dyadique. En choisissant adéquatement ψ,la

famille𝜓𝑗,𝑘 constitue une base orthonormée, on pourra dès lors récupérer le signal
originale par la transformée inverse qui s'écrit alors :
𝑥(𝑡) = ∑𝑗 ∑𝑘 𝐶j,k 𝜓𝑗,𝑘 (III.10)

avec :
+∞
𝐶j,k = ∫−∞ 𝑥(𝑡) 𝜓𝑗,𝑘 (t)dt (III.11)
représentent les coefficients d'ondelettes qui fournissent donc une représentation

alternative de ces fonctions, sans perte d'information ni redondance.
Pour être claire la transformation en ondelettes discrètes peut être considérée comme un
processus de décomposition du signal en approximations et en détails. Le signal
d’origine, traverse deux filtres complémentaires, passe-haut et passe-bas, et émerge en
tant que deux signaux : respectivement le signal d’approximations A et le signal de
détails D comme le montre la figure :
42
: Décimation d’une ligne (colonne) sur deux.
: Convolution avec le filtre (h, g).
Figure III.7.Processus de décomposition d’ondelette
III.3.5. Analyse multirésolution (AMR) – Algorithme de Mallat (Lanani, 2012)

L'application directe de l’analyse multirésolution est l'algorithme de Mallat.
L'idée est de décomposer un signal S en sa moyenne A1 (approximation) et en ses
détails D1 (détails). On répète ensuite l'opération en prenant pour signal A1, puis A2...
On s'arrête quand on atteint la résolution souhaitée ou quand la décomposition n'est plus
possible. Donc, le signal est décomposé en plusieurs composantes de basse résolution.
Figure III.8.Application de l’analyse multirésolution

L'autre partie est comment ces composants peuvent être assemblés dans le signal
original sans perte d'information. Ce processus est appelé reconstruction ou synthèse.
43
III.3.6. Reconstruction du signal (Lanani, 2012)

Pour synthétiser un signal, on le reconstruit à partir des coefficients d'ondelettes,
où l'analyse par ondelettes inclus le filtrage et le sous-échantillonnage, et la
reconstruction contient le filtrage et le sur-échantillonnage. Ce principe est illustré en
figure III.9.
: Interpolation des lignes (colonnes), c’est-à-dire mettre une ligne

(colonne) de zéros entre deux.
: Convolution avec le filtre (h, g).
Figure III.9. Reconstruction du signal
III.4. Débruitage par seuillage des coefficients d'ondelettes

III.4.1.Principe général du débruitage par seuillage des coefficients d’ondelettes
(Rakotomalala)
En général, il est possible de réaliser une décomposition en ondelettes d'une
image puis de reconstruire cette image à partir de ses coefficients d'ondelettes. Pourtant,
cette technique n'aurait pas grand intérêt si on ne modifiait pas ces coefficients car on
obtiendrait une image finale identique à l'image initiale. Les coefficients d'ondelettes
marquent les discontinuités qui interviennent dans l'image. Ils correspondent donc aux
détails. Si, maintenant, on seuille ces coefficients, cela revient à éliminer les détails les
plus fins de l'image. Il en découle donc deux grandes applications de cette technique de
seuillage des coefficients d'ondelettes : la compression et le débruitage des images.
44
Pour le débruitage (ou "denoising") qui nous intéresse ; on ne garde que les coefficients
les plus grands et on met les autres à zéro puis on reconstruit l’image. Le bruit
correspond en général à des détails faibles donc il est éliminé par ce seuillage des
coefficients d'ondelettes. Nous obtenons alors une image plus lisse donc débruitée.
III.4.2.Débruitage d’une image (Rakotomalala)

Les images obtenues par les différentes techniques d'acquisition (radar, satellites,
scanner, échographie, etc.…) sont souvent très bruitées. Nous pouvons formuler ceci
d'un point de vue mathématique en écrivant :
𝑦 =𝑤+𝑛 (III.12)
Avec y : l'image obtenue, w : l'image de départ et n : le bruit.
On cherche alors l'opérateur de débruitage D qui permettra d'estimer l'image dans le
bruit n. Nous aurons dans une base orthogonale d’ondelettes 𝐵 = {𝑔𝑚 }, l'expression :
𝐷𝑦 = ∑𝑁−1
𝑚=0 𝑠𝑚 (𝑦𝐵 [𝑚])𝑔𝑚 (III.13)
𝑠𝑚 S’appelle un seuillage.
III.4.3.Estimation du niveau de bruit (Phelippeau, 2009)

Dans la littérature, la majorité des méthodes de débruitage n’aborde que le cas
de bruit blanc gaussien, plus simple à traiter, bien que, en situation de données réelles, il
ne soit pas spécialement facile d’estimer le niveau de bruit 𝜎𝜀 . Notons que le bruit
poissonnien à forteintensité ou le bruit de mélange poissonnien-gaussien peut être
stabilisé pour le ramener au cas gaussien. Avec une transformée discrète orthogonale en
ondelettes, le bruit blanc se décompose en série de coefficients aléatoires normaux
centrés et décorrélés 𝜀𝑚𝑛 .
En utilisant des arguments de la statistique robuste, Donoho et Johnstone ont proposé
une estimation de 𝜎𝜀 dans le domaine des ondelettes en ne considérant que les
coefficients de l’échelle de décomposition la plus fine. Le choix de l’échelle la plus fine
repose sur l’hypothèse que les coefficients en ondelettes correspondants sont en grande
majorité dus au bruit blanc. Une estimée 𝜎̂𝜀 du niveau de bruit est alors obtenue par un
résultat classique en statistique robuste :
45
𝑗−1
𝑀𝐴𝐷({𝑑𝑚𝑛 })
𝜎̂𝜀 = 0.6745
(III.14)
𝑗−1
Où le MAD est la valeur médiane absolue des coefficients de détail 𝑑𝑚𝑛 de l’échelle la
plus fine. Le facteur 0.6745 est choisi après une calibration avec une distribution
gaussienne. Cet estimateur très robuste est également très populaire pour le débruitage
multi-échelle.
III.4.4. Choix du seuil (Lanani, 2012) (Rakotomalala)

Le choix du seuil est fait suivant des algorithmes formulés par Donoho et
Johnstone.
𝑇 = 𝜎̂𝜀 √2 𝐿𝑜𝑔(𝑁) (III.15)
Où N est la taille de l’image.

Ce choix de seuil donne un estimateur optimal au sens minimax quand N tend vers
l’infini.
On pourrait également montrer que le maximum de l'amplitude du bruit a une très forte
probabilité d'être juste en dessous de 𝑇 = 𝜎̂𝜀 √2 𝐿𝑜𝑔(𝑁) ce qui justifie le choix de
cette valeur.
III.5.Différents types de seuillage (Rakotomalala)

Il existe plusieurs types d'estimateurs par seuillage entre autres nous pouvons
distinguer les seuillage dur et seuillage doux.
III.5.1.Seuillage dur ou "hard thresholding"

Le seuillage dur est celui qui est le plus intuitif. On se fixe un seuil 𝑇 > 0. On ne
conserve que les coefficients d'ondelettes supérieurs à 𝑇 et on met à zéro les autres.
Pour un seuil 𝑇choisi, la règle du seuillage est définie par :
𝑋 𝑠𝑖 |X| > 𝑇
𝑠𝑚 (T) = 𝜌𝑇 (𝑥) = { (III.16)
0 𝑠𝑖 |X| ≤ 𝑇
46
Figure III.10. Courbe du seuillage dur
III.5.2.Seuillage doux ou "soft thresholding"

Dans le cas du seuillage doux, on met toujours à zéro les coefficients inférieurs à
un seuil T. Par contre, pour ceux supérieurs à T, on atténue l'amplitude des coefficients
par la valeur du seuil afin de s'assurer d'avoir enlevé l'effet du bruit même pour les forts
coefficients.
X − sign(X)𝑇 𝑠𝑖 |X| > 𝑇

𝑠𝑚 (T) = 𝜌𝑇 (𝑥) = { (III.17)
0 𝑠𝑖 |X| ≤ 𝑇
47
Figure III.11. Courbe du seuillage doux
Un seuillage doux avec le seuil T produit d'ailleurs souvent une erreur quadratique
moyenne (EQM) plus grande qu'un seuillage dur.
Pour obtenir une EQM de même ordre pour un seuillage doux et un seuillage dur, il faut
souvent utiliser un seuil deux fois plus petit pour un seuillage doux.
III.6. Résultats du débruitage par seuillage des coefficients d’ondelettes

III.6.1. Choix de l’ondelette analysante et du niveau de décomposition
Pour la famille d’ondelettes Daubechies ; le choix de l’ondelette adéquate et du
niveau de décomposition convenable a été fait suite à une étude réalisée dans un
mémoire de magister (Lanani, 2012). Les résultats de cette étude sont donnés dans la
figure suivante :
48
Figure III.12. PSNR en fonction du niveau de décomposition en utilisant

Différentes ondelettes (db1, db2, db3, ….db7) et un seuillage dur (Lanani, 2012)
Une observation de ces courbes permet de constater que l’ondelette db3 peut être
considérée comme étant l’ondelette adéquate d’analyse, car elle fait apparaître
clairement le plus grand PSNR. En revanche, le niveau de décomposition pour obtenir
un PSNR maximal est 2(PSNR =75.2586), ceci s’explique par le fait qu’une
augmentation du niveau de décomposition correspond à un lissage de l’approximation
c'est-à-dire à un filtrage passe bas. Si le niveau de décomposition dépasse ces valeurs,
l’image débruitée devient trop lisse ou floue.
III.6.2. Application des deux types de seuillage (doux, dur) sur l’ondelette choisie
Après le choix de l’ondelette analysante et du niveau de décomposition, vient la
phase de l’application des deux types de seuillage ; celle-ci est décomposée en quatre
étapes :
1. Pour l’ondelette et le niveau choisis, calculer l’écart type 𝜎̂𝜀 et le seuil T.
2. Appliquer des deux techniques de seuillage (doux, dur).
3. Reconstruire l’image débruitée.
4. Pour chaque type de seuillage, calculer le PSNR.
49
Ces étapes sont résumées dans l’organigramme suivant :
Figure III.13.Organigramme du débruitage utilisé
De même que précédemment, les résultats sont présentés sur une image IRM de taille
353×359 bruitée avec un bruit blanc gaussien d’écart type 𝜎 = 10. Le bruit est
important mais visuellement, les informations principales de l’image originale sont
conservées.
50
(a) Image originale (b) Image bruitée

353x359 PSNR= 68.0316
EQM = 0.0109
Figure III.14.Image originale et Image bruitée avec un bruit blanc gaussien
III.6.3.Résultats du débruitage par seuillage des coefficients d’ondelettes

Dans ce paragraphe, les résultats de simulation sous Matlab 7.4.0 seront
présentés en appliquant les deux types de seuillages (doux, dur) sur l’ondelette db3 pour
un niveau de décomposition égale à 2.
51
Seuillage dur Seuillage doux
PSNR = 75. 0961 PSNR = 72.4706

EQM = 0.0021 EQM = 0.0036
Figure III.15. Image débruitée par seuillage des coefficients d’ondelettes en

utilisant les seuillage dur et doux
En examinant ces résultats, on peut confirmer l’efficacité du seuillage dur. En effet, un

seuillage doux produit souvent une erreur quadratique moyenne (EQM) plus grande
qu'un seuillage dur et un PSNR plus petit.
Pour obtenir une EQM et un PSNR de même ordre pour un seuillage doux et un
seuillage dur, il faut souvent utiliser un seuil deux fois plus petit pour un seuillage doux.
Ainsi, le résultat suivant est celui d’un seuillage doux avec un seuil deux fois plus petit
que le seuil précédent.
52
Seuillage doux
PSNR = 74.9161
EQM = 0.0021
Figure III.16. Image débruitée avec un seuillage doux et avec seuil = T/2
III.7. Étude comparative

Dans cette dernière partie du chapitre effectuons un récapitulatif qui fait une
comparaison entre les différentes techniques classiques de débruitage présentées dans
le chapitre précédent et la méthode présentée dans ce chapitre ; débruitage par seuillage
des coefficients d’ondelettes.
53
Image bruitée Filtre moyenneur
PSNR= 68.0316 masque 3x3

PSNR= 71.2056
Filtre gaussien Filtre médian
PSNR= 72.6170 masque 3x3

PSNR= 74.8976
54
Filtre de Wiener Seuillage dur
masque 3x3 PSNR = 75. 0961

PSNR=74.9326
Seuillage doux Seuillage doux avec seuil =T/2
PSNR = 72.4706 PSNR = 74.9161
55
76
75
74
73
72
71
70
69
ondelette" ondelette" ondelette"
moyenneu
gaussian médian Wiener seuillage seuillage seuillage
r
dur" doux" doux"(T/2)
PSNR 72,6145 71,544 74,8976 74,9078 75,0961 72,4706 74,9161
Figure III.17. Comparaison entre les différents types de filtres classiques et le

seuillage d’ondelette
D’après le calcul du PSNR de chaque filtre nous pouvons conclure que le filtre de
Wiener et le filtre médian sont les plus appropriés à utiliser dans le problème de
débruitage parmi les filtres classiques.
Bien que les résultats sont très proches, notamment pour les filtres médian et Wiener
non seulement visuellement, mais aussi par rapport au paramètre PSNR, il apparaît la
supériorité du débruitage par seuillage dur.
Le choix du seuil deux fois plus petit pour le seuillage doux améliore la qualité de
débruitage pour ce type de seuillage.
Ainsi, d’après cette étude comparative on peut confirmer l’efficacité de la technique du
seuillage des coefficients d’ondelettes pour le débruitage des images.
III.8.Conclusion
Nous avons présenté dans ce chapitre, une des applications de l’analyse en
ondelettes qui est le débruitage par seuillage des coefficients d’ondelettes.
Après un aperçu sur les ondelettes et leur application au problème de débruitage des
images, deux techniques de seuillage, à savoir ; le seuillage dur et le seuillage doux, ont
été appliqués pour réduire le bruit et améliorer la qualité de l’image.
56
Le débruitage d’une image par seuillage des coefficients d’ondelettes, dépend du type
de seuillage, du choix du seuil utilisé, de l’ondelette utilisée, du niveau de
décomposition et aussi de l’écart type du bruit.
L’étude comparative effectuée montre l’efficacité du seuillage dur vis-à-vis de la
réduction du bruit dans l’image traitée ; et pour avoir le même degré d’efficacité du
seuillage doux ; on doit considérer la valeur du seuil dans ce cas égale à deux fois moins
celle prise pour le seuillage dur.
Pour quantifier la qualité de débruitage, le critère objectif de l’analyse de débruitage des
images est utilisé. Ce dernier, est basé sur le calcul des paramètres quantitatifs, EQM et
PSNR.
57
Conclusion
générale
Conclusion générale
Théoriquement, l’amélioration d’une image se base sur le principe du filtrage,

qu’il soit global ou local, pour améliorer son aspect. En pratique, il s’agit de créer une
nouvelle image en se servant des valeurs des pixels de l’image d’origine.
Dans ce mémoire, nous avons présenté le problème du débruitage d’une image qui
consiste à obtenir une image de bonne qualité à partir de sa version dégradée. Nous
avons étudié différents types de filtrage, à savoir, le filtrage spatial local avec ces
variantes linéaire et non linéaire, le filtrage fréquentiel, notamment celui de Wiener et
nous nous sommes concentrés sur le seuillage des coefficients d’ondelettes comme
solution au problème.
Dans la première partie de ce mémoire, nous avons effectué un état de technique
méthodique sur l’image numérique et ses caractéristiques et les bruits liés à ce type
d’images.
Dans la deuxième partie nous avons présenté des méthodes et des techniques permettant
d’acquérir une amélioration des images. Chacune des approches présente des
caractéristiques qui les rendent opérationnelle pour une certaine classe d’images. Nous
avons énoncé ses caractéristiques et présenté, pour chaque méthode, son comportement
général.
La troisième partie de ce mémoire présente la méthode de débruitage par seuillage des
coefficients d’ondelettes. Trois éléments essentiels ont été considérés, le choix du type
d’ondelettes et le niveau de décomposition, le critère de l’estimation du niveau de bruit
et le choix du seuil.
Pour le choix du type d’ondelettes et le niveau de décomposition, il a été fait suite à une
étude réalisée dans un mémoire de magister (Lanani, 2012).
Le critère de l’estimation du niveau de bruit est obtenu à partir d’un résultat classique en
statistique robuste présenté par Donoho et Johnstone.
Le choix du seuil, quant à lui, est fait suivant des algorithmes formulés par Donoho et
Johnstone.
58
Après l’application de la méthode de débruitage par seuillage des coefficients

d’ondelettes, en utilisant les deux types de seuillage, seuillage dur et seuillage doux ; les
résultats ont montré l’efficacité du seuillage dur vis-à-vis de la réduction du bruit dans
l’image traitée ; et pour avoir le même degré d’efficacité du seuillage doux ; on doit
considérer la valeur du seuil dans ce cas égale à deux fois moins celle prise pour le
seuillage dur.
Comme perspectives, nous proposons l’utilisation d’autres variantes de seuillage, tels
que le seuillage Firm, le seuillage SCAD et le seuillage neuronal et pourquoi pas
l’utilisation de l’ondelette fractionnaire.
59
Bibliographie
Bibliographie
Bibliographie
[Assas, 2013] : Assas, O. (2013). Classification floue des images. Thèse de doctorat.
Université de Batna, Algérie.
[Ben Abdellah, 2007]: BenAbdellah, M. (2007). Outils de compression et de crypto

compression : application aux images fixes et vidéo. Thèse de Doctorat. Université
Mohammed V-AGDAL, Maroc.
[Bergounioux, 2015] :Bergounioux, M. (2015). Introduction au traitement

mathématique des images.Cours non publié.
[Cohen, 1992] : Cohen,A. (1992).Ondelettes et traitement numérique du signal. Edition

Masson, Paris.
[Gastellu et Etchegorry,2008] :Gastellu, J. et Etchegorry, P.(2008).Acquisition et

traitement d’image numérique. Université Paul Sabatier.Département de Mesures
Physiques.
[Halary,2009] :Halary,M. (2009). Etude des symbioses de mytilidés des écosystèmes

marins profonds à base chimio synthétique par des techniques de FISH, de microscopie
et de traitement d’images. Thèsede Doctorat.Université Pierre et Marie Curie.
[Karouche, 2013] : Karouche, M. (2013). Développement d’un logiciel didactique

pour traitement d’images numériques. Mémoire de fin d’étude de Master. Université
Larbi Ben M’hidi.Oum El Bouaghi, Algérie.
[Lanani,2012] :Lanani, A. (2012). Analyse et Optimisation d’Artefact dans une Image.

Mémoire de Magister en Electronique. Université de Batna, Algérie.
[Larabi, 2012] : Larabi,N. (2012). Comparaison entre les différents filtres d’images.
Mémoire de magister. Université Abou Bakr Belkaid, Tlemcen.
60
Bibliographie
[Lingrand, 2004] :Lingrand, D. (2004). Cours de traitement d’images. Cours non

publié.
[Moussa Embarek,2012] : Moussa Embarek, R. (2012).Noisy digital image

restoration. Mémoire de fin d’étude de master. Université Larbi Ben M’hidi.Oum El
Bouaghi, Algérie.
[Phelippeau,2009] :Phelippeau, H. (2009). Méthodes et algorithmes de dématriçage et

de filtrage du bruit pour la photographie numérique. Thèse de Doctorat. Université de
Paris Est, France.
[Rakotomalala, M et al] :Rakotomalala, M. Débruitage par seuillage des coefficients

d'ondelettes. Rapport de recherche. Université d’Antananarivo.
[Taouche,2005] :Taouche, C(2005). Implémentation d'un Environnement Parallèle

pour la Compression d'Images à l'aide des Fractales. Mémoire de Magister.Université
Mentouri Constantine, Algérie.
[Truchetet,1998] :Truchetet, F. (1998). Ondelettes pour le signal numérique. Editions

Hermes,Paris.
[Yaovi, 2007] : Yaovi, G. (2007). Cours de Traitement d’Image .Université de Picardie

Jules Verne.
61
Résumé :
Ce mémoire est un travail d’introduction dans le domaine de l’amélioration
d’images, il fournit une analyse pour l’amélioration d’images numériques. Le point de
vue sur le sujet est celui qui provient principalement de travaux effectués dans le
domaine du traitement de signal. Ainsi, bon nombre des techniques et des méthodes se
rapportent à des approches classiques de traitement du signal, filtrage et analyse
numérique, en particulier. L’accent est mis principalement sur des algorithmes
numériques d’amélioration d’images qui sont le produit de techniques basées sur le
filtrage spatial ou filtrage fréquentiel ou encore les dernières techniques à base
d’ondelettes.
Ainsi, le travail effectué dans le cadre de ce mémoire porte sur le débruitage par
seuillage des coefficients d’ondelettes d’une image IRM de taille 353×359 corrompue
par un bruit blanc gaussien d’écart type 𝜎 = 10. La méthode consiste à estimer le
niveau de bruit ainsi que de choisir la valeur du seuil T par application des algorithmes
formulés par Donoho et Johnstone, puis à partir des coefficients de détails de la
transformée en ondelettes, à effectuer le seuillage qui consiste à conserver les
coefficients d'ondelettes supérieurs à 𝑇 et à mettre à zéro les autres. On reconstitue
ensuite l’image en effectuant la transformée en ondelettes inverse. En se basant sur cette
approche, les résultats obtenus sont très satisfaisants.
Mots clés :
Traitement d’images numériques, filtrage des images, filtrage spatial, filtrage
fréquentiel, débruitage, ondelettes, seuillage.
Abstract
This memoir is an introductory work in the image enhancement of the domain; it
provides analysis for the improvement of digital images. The view on the subject is that
which comes mainly from work done in the field of signal processing. Thus, many of
the techniques and methods relate to conventional approaches to signal processing,
filtering and numerical analysis, in particular. The focus is on digital image
enhancement algorithms that are the technical product based on spatial filtering or
frequency filtering or the latest techniques based on wavelets.
Thus, the work done in the framework of this thesis focuses on denoising by
thresholding wavelet coefficients of a size of 353 × 359 IRM image corrupted by white
Gaussian noise with standard deviation σ = 10. The method involves estimating the
noise level as well as choose the threshold value T by applying algorithms made by
Donoho and Johnstone and from the details coefficients of wavelet transform to
thresholding of retaining the wavelet coefficients higher T and zero the other. The
image is then reconstructed by performing the inverse wavelet transform. Based on this
approach, the results are very satisfactory.
‫ملخص‬
‫ وجهة‬.‫ فإنه يقدم تحليال لتحسين الصور الرقمية‬،‫هذه المذكرة هي عمل تمهيدي في مجال تحسين صورة‬
‫ فإن العديد‬،‫ وبالتالي‬.‫النظر حول هذا الموضوع هو الذي يأتي أساسا من العمل المنجز في مجال معالجة اإلشارات‬
‫ على وجه‬،‫ والترشيح والتحليل العددي‬،‫من التقنيات واألساليب المتعلقة باألساليب التقليدية لمعالجة اإلشارات‬
‫ التركيز الرئيسي هو على الخوارزميات الرقمية التي تعتمد على المنتجات التقنية على أساس التصفية‬.‫الخصوص‬
.‫المكانية أو تصفية تردد أو أحدث التقنيات التي تعتمد على الموجات‬
‫ فإن العمل الذي أنجز في إطار هذه األطروحة يركز على تقليل الضوضاء التي تكتبها عتبة معامالت‬،‫وبالتالي‬
. σ = 10 ‫ أفسدها ضجيج جاوس األبيض مع االنحراف المعياري‬353 × 353 ‫ ذات حجم‬IRM‫الموجات من صورة‬
‫ قيمة العتبة من خالل تطبيق الخوارزميات التي‬T ‫األسلوب ينطوي على تقدير مستوى الضوضاء وكذلك اختيار‬
‫ وجونستون وعن تفاصيل معامالت تحويل الموجات إلى العتبة إلبقاء معامالت الموجات أعلى‬Donoho ‫أدلى بها‬
،‫ وبناء على هذا النهج‬.‫ ثم يتم بناء الصورة عن طريق إجراء معكوس تحويل الموجات‬.‫والصفر من جهة أخرى‬T
.‫وكانت النتائج مرضية جدا‬

Debruitage Compressed 1pdf - Io

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Debruitage Compressed 1pdf - Io

Transféré par

Droits d'auteur :

Formats disponibles

République Algérienne Démocratique et Populaire

Ministère d’enseignement Supérieur et de la Recherche Scientifique

MEMOIRE DE FIN D’ETUDES

Débruitage des images par la

Année Universitaire : 2014/2015

Table des matières

Introduction générale ........................................................................................................ 1

Chapitre I : Introduction au traitement d'image

I.3.2. Acquisition d'image ............................................................................................... 14

Chapitre II : Débruitage par les techniques classiques

Chapitre III : Débruitage par seuillage des coefficients d’ondelettes

Liste des figures

Le traitement d’images, a commencé à se développer au début des années 70 où

Ainsi, ce mémoire est décomposé en trois chapitres :

 Le deuxième chapitre contient les différentes méthodes pour la l’amélioration

 Le troisième chapitre présente le formalisme général de l’algorithme de

Introduction au traitement d'image

Avec les progrès de l'électronique et de l'informatique, l'image est devenue un

I.2.2. Image numérique (Taouche, 2005)

Figure I.1. Détail d’une image binaire

Figure I.2. Détail d’une image en niveaux de gris

I.2.3. Technologies d’affichage (Taouche, 2005)

Figure I.3. Principe des moniteurs d’ordinateur

I.2.4. Taille d’une image (Assas, 2013)

I.2.5. Caractéristiques d’une image

I.2.5.1. Pixel (Taouche, 2005)

Figure I.4. Représentation de pixel

Figure I.5. Image comme un groupe de pixels

I.2.5.2. Codage de pixel (Assas, 2013)

I.2.5.3. Dimension et résolution (Assas, 2013)

I.2.5.4. Niveau de gris (Assas, 2013)

I.2.5.5. Contours et textures (Assas, 2013)

I.2.5.6. Luminance (Assas, 2013)

I.2.5.7. Contraste (Assas, 2013)

I.2.5.8. Histogramme (Assas, 2013)

I.2.6. Représentation de l’image numérique (Yaovi, 2007)

I.2.6.1. Image matricielle (Yaovi, 2007)

I.2.6.2. Image vectorielle (Yaovi, 2007)

I.2.7. Types et codage de couleur de l’image numérique (Yaovi, 2007)

I.2.7.1. Image binaire (Yaovi, 2007)

Figure I.6. Image binaire

I.2.7.2. Image en niveaux de gris (Yaovi, 2007)

Figure I.7. Image en niveaux de gris

I.2.7.3. Image couleur ou RGB (Red-Green-Blue) (Yaovi, 2007)

Figure I.8. Image couleur ou RGB

I.2.7.4. Image indexée (Yaovi, 2007)

Figure I.9. Image indexée

I.2.8. Systèmes de représentation d’une image couleur

I.2.8.1. Systèmes de représentation RGB (benabdellah, 2007)

Figure I.10. Système RGB

I.2.8.2. Systèmes de représentation HSL ou HSV (benabdellah, 2007)

Figure I.11. Système HSV

I.3. Traitement d’image (Halary, 2009)

I.3.2. Acquisition d'image (Karouche, 2013)

 Une seine à reproduire « visage, paysage,…etc. »

Figure I.12. Acquisition d’images

I.3.2.1. Caméras matricielles (Gastellu et Etchegorry, 2008)

Figure I.13. Caméra matricielle

I.3.2.2. Caméras linéiques (Gastellu et Etchegorry, 2008)

Figure I.14. Caméras linéiques

I.3.3. Etapes majeures de traitement d'images (Gastellu et Etchegorry, 2008)

I.3.3.1. Prétraitement des images (Gastellu et Etchegorry, 2008)

I.3.3.2. Amélioration des images (Gastellu et Etchegorry, 2008)