Académique Documents
Professionnel Documents
Culture Documents
Le : 10/Juin/2015
Par :
Derbal Nora
Dirigé par :
Mme I. MAARAD et Mer A. LANANI
iii
Tables des matières
iv
Tables des matières
v
Listes des figures
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
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.
2
Chapitre I
Introduction au traitement
d’images
Chapitre I
I.1. Introduction
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.
Exemple d’un détail d’une image binaire dont la couleur est codé en 0 ou en 1 :
Exemple d’un détail d’une image en niveaux de gris dont la valeur de gris est
codé entre 0 et 255 :
4
Introduction au traitement d’image Chapitre I
5
Introduction au traitement d’image Chapitre I
6
Introduction au traitement d’image Chapitre I
La lettre A, par exemple, peut être affichée comme un groupe de pixels dans la figure
ci-dessous :
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).
7
Introduction au traitement d’image Chapitre I
L'ensemble de ces pixels est contenu dans un tableau à deux dimensions (une matrice)
constituant l'image finalement obtenue.
8
Introduction au traitement d’image Chapitre I
9
Introduction au traitement d’image Chapitre I
10
Introduction au traitement d’image Chapitre I
11
Introduction au traitement d’image Chapitre I
12
Introduction au traitement d’image Chapitre I
13
Introduction au traitement d’image Chapitre I
14
Introduction au traitement d’image Chapitre I
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 :
15
Introduction au traitement d’image Chapitre I
752*582 =2048*2048.
Temps d'intégration. Par exemple 10-4 s.
Déclenchement sur signal extérieur (caméras mono coups, caméras
progressives).
16
Introduction au traitement d’image Chapitre I
17
Introduction au traitement d’image Chapitre I
18
Introduction au traitement d’image Chapitre I
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.
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.
19
Introduction au traitement d’image Chapitre I
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)
2
𝑓(𝑎) = 𝐶 𝑒 −𝑘|𝑎| (I.3)
Le bruit blanc est un bruit gaussien de moyenne nulle, sa variance est σ2.
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
Introduction au traitement d’image Chapitre I
21
Chapitre II
Débruitage par les méthodes
classiques
Chapitre II
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
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
Débruitage par des techniques classiques Chapitre II
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.
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.
𝑓 ′ (𝑖, 𝑗) = (𝑓 ∗ ℎ)(𝑖, 𝑗) = ∑N 𝑀
n ( ∑𝑚 𝑓(𝑖, 𝑗)ℎ(𝑛 − 𝑖, 𝑚 − 𝑗)) (II.5)
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
Débruitage par des techniques classiques Chapitre II
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.
26
Débruitage par des techniques classiques Chapitre II
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).
27
Débruitage par des techniques classiques Chapitre II
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
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.
28
Débruitage par des techniques classiques Chapitre II
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.
29
Débruitage par des techniques classiques Chapitre II
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.
Après l’application de ce type de filtrage nous avons obtenu les résultats suivants
(Figure II.6) :
30
Débruitage par des techniques classiques Chapitre II
31
Débruitage par des techniques classiques Chapitre II
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
32
Débruitage par des techniques classiques Chapitre II
a) Filtrage de Wiener
Le modèle de dégradation d’image peut être défini par :
𝑦 = 𝐻𝐼 + 𝑛 (II.10)
2
𝑗(Î) = 𝐸{∥ 𝐼 − Î ∥} (II.11)
Les résultats de l’application du filtre de Wiener sont illustrés sur les figures suivantes :
33
Débruitage par des techniques classiques Chapitre II
34
Débruitage par des techniques classiques Chapitre II
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
Ce filtre est très efficace pour traiter des images dégradées à la fois par du flou et du
bruit.
0 𝑠𝑖 𝑓(𝑥, 𝑦) < 𝑆
𝑔(𝑥, 𝑦) = { (II.12)
1 𝑠𝑖 𝑓(𝑥, 𝑦) ≥ 𝑆
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
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
37
Débruitage par seuillage des coefficients d’ondelettes Chapitre III
+∞
∫−∞ 𝜓 (𝑡)𝑑𝑡 = 0 (III.1)
38
Débruitage par seuillage des coefficients d’ondelettes Chapitre III
1 𝑡−𝑢
𝛹𝑢,𝑒 (𝑡) = 𝜓( ) (III.2)
√𝑒 𝑒
+∞ 1 𝑡−𝑢
𝑊𝑥 (𝑢, 𝑒) = ∫−∞ 𝑥(𝑡) 𝜓∗( ∗ 〉
) 𝑑𝑡 = 〈𝑥, 𝛹𝑢,𝑒 (III.3)
√𝑒 𝑒
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)
39
Débruitage par seuillage des coefficients d’ondelettes Chapitre III
2 ⁄2
𝜓(𝑡) = 𝑒 𝑗5𝑡 𝑒 −𝑡 (III.6)
2 2 ⁄2
𝜓(𝑡) = 𝜋 −1⁄4 (1 − 𝑡 2 )𝑒 −𝑡 (III.7)
√3
41
Débruitage par seuillage des coefficients d’ondelettes Chapitre III
j
𝜓𝑗,𝑘 (𝑡) = 22 ψ(2j t − k) (III.9)
42
Débruitage par seuillage des coefficients d’ondelettes Chapitre III
43
Débruitage par seuillage des coefficients d’ondelettes Chapitre III
44
Débruitage par seuillage des coefficients d’ondelettes Chapitre III
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.
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.
45
Débruitage par seuillage des coefficients d’ondelettes Chapitre III
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.
𝑋 𝑠𝑖 |X| > 𝑇
𝑠𝑚 (T) = 𝜌𝑇 (𝑥) = { (III.16)
0 𝑠𝑖 |X| ≤ 𝑇
46
Débruitage par seuillage des coefficients d’ondelettes Chapitre III
47
Débruitage par seuillage des coefficients d’ondelettes Chapitre III
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.
48
Débruitage par seuillage des coefficients d’ondelettes Chapitre III
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
Débruitage par seuillage des coefficients d’ondelettes Chapitre III
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
Débruitage par seuillage des coefficients d’ondelettes Chapitre III
51
Débruitage par seuillage des coefficients d’ondelettes Chapitre III
52
Débruitage par seuillage des coefficients d’ondelettes Chapitre III
Seuillage doux
PSNR = 74.9161
EQM = 0.0021
Figure III.16. Image débruitée avec un seuillage doux et avec seuil = T/2
53
Débruitage par seuillage des coefficients d’ondelettes Chapitre III
54
Débruitage par seuillage des coefficients d’ondelettes Chapitre III
55
Débruitage par seuillage des coefficients d’ondelettes Chapitre III
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
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
Débruitage par seuillage des coefficients d’ondelettes Chapitre III
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
Conclusion générale
58
Conclusion générale
59
Bibliographie
Bibliographie
Bibliographie
[Assas, 2013] : Assas, O. (2013). Classification floue des images. Thèse de doctorat.
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
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