Académique Documents
Professionnel Documents
Culture Documents
IFT 6150
TRAITEMENT D’IMAGES
RESTAURATION
Max Mignotte
Département d’Informatique et de Recherche Opérationnelle.
Http : //www.iro.umontreal.ca/∼mignotte/ift6150
E-mail : mignotte@iro.umontreal.ca
RESTAURATION
SOMMAIRE
Modèle de Dégradation . . . . . . . . . . . . . . . . . . . . . 2
Estimation du Modèle de Flou . . . . . . . . . . . . . . 4
Filtrage Inverse . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
La Restoration : Problème Inverse Mal Posé . 9
Filtre de Wiener . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
Restauration Interactive . . . . . . . . . . . . . . . . . . . . 13
Algorithmes Itératifs . . . . . . . . . . . . . . . . . . . . . . . 14
1
RESTAURATION
MODÈLE DE DÉGRADATION (1)
Opération Globale
f g
Modèle de Dégradation
h i
g(x, y) = H f (x, y) + n(x, y)
2
RESTAURATION
MODÈLE DE DÉGRADATION (2)
h i
g(x, y) = H f (x, y) + n(x, y)
F -1 F
3
RESTAURATION
ESTIMATION DU MODÈLE DE FLOU (1)
δ(x, y)
4
RESTAURATION
ESTIMATION DU MODÈLE DE FLOU (2)
F -1 F
0 y 6= 0, −∞ ≤ x ≤ ∞
h(x, y) = 1
2d
y = 0, −d ≤ x ≤ d
5
RESTAURATION
ESTIMATION DU MODÈLE DE FLOU (3)
c- Flou uniforme 2D
1 L L
si − ≤ x, y ≤
h(x, y) = L2 2 2
0 autrement
Bloc Diagramme
Identification dans le
domaine fréquentielles des Estimation des parametres
zéros de l’image dégradée de la PSF
Restauration de l’image
Problèmes
◮ Requiert une forme paramétrique pour la PSF
◮ Requiert une PSF créant des zéros dans le domaine
fréquentiel (PSF Gaussienne ◮ aucun zéro)
6
RESTAURATION
FILTRAGE INVERSE (1)
F -1 F
G(u, ν) N (u, ν)
F̂ (u, ν) = −
H(u, ν)
| {z }
H(u, ν)
F (u,ν) si N (u,ν)=0
G(u, ν) N (u, ν)
F̂ (u, ν) = −
H(u, ν) H(u, ν)
Problèmes
• H(u, ν) peut s’annuler pour certaines fréquences
• G(u, ν) et H(u, ν) peuvent s’annuler simultanément
• le bruit N (u, ν) n’est jamais nul
7
RESTAURATION
FILTRAGE INVERSE (2)
Solutions
• Si H(u, ν) petit F̂ (u, ν) = G(u, ν) (ou 0) sinon G/H
• Au delà d’une certaine fréquence de coupure D0
◮ F̂ (u, ν) = 0 sinon G(u, ν)/H(u, ν)
h(x, y)
f (x, y) g(x, y)
Remarque
G(u, ν) H ∗(u, ν) G(u, ν)
=
H(u, ν) |H(u, ν)|2
8
RESTAURATION
LA RESTAURATION : PROBLÈME INVERSE MAL POSÉ
F -1 F
9
RESTAURATION
FILTRE DE WIENER (1)
n(x,y)
g(x,y) ^
f(x,y) -1
f(x,y)
H + H W
Filtre inverse Estimateur
de Wiener
Filtre de Wiener
F -1 F
Pgf (u, ν)
W (u, ν) =
Pg (u, ν)
Nota
Ag = g(x, y) ∗ g(−x, −y) (Autocorrélation de g(x, y))
F(Ag ) = |G(u, ν)|2 = Pg (u, ν) (DSP ou spectre de puissance)
|F(Agf )|2 = Pgf (u, ν) (Spectre d’intéraction entre g et f )
10
RESTAURATION
FILTRE DE WIENER (2)
n(x,y)
^
f(x,y) g(x,y) f(x,y)
-1
H + H W
Filtre inverse Estimateur
de Wiener
Filtre de Wiener
Pf (u, ν)
W (u, ν) =
Pf (u, ν) + Pn(u, ν)
Remarques
• Pn(u, ν)/Pf (u, ν) peut être approximé par une constante
ou une fonction choisie adéquatement
• Pn(u, ν) −→ 0 ◮ Filtrage inverse
Nota i
H Pn(u, ν) = Pn |H|2
11
RESTAURATION
FILTRE DE WIENER (3)
Exemples
Remarques
• Meilleur que le filtrage inverse
• Limité lorsque le flou est important
12
RESTAURATION
RESTAURATION INTERACTIVE
Fonction de Transfert
" #1/2
Pf (u, ν)
T (u, ν) =
|H(u, ν)|2Pf (u, ν) + Pn(u, ν)
- Remarques -
• Pn(u, ν) −→ 0 ◮ Filtrage inverse
• Donne en général de meilleur résultats car G(u, ν) 6= 0
lorsque H(u, ν) l’est, à la différence du filtre de Wie-
ner.
Fonction de Transfert
" #α " #1−α
1 1 |H(u, ν)| 2
T (u, ν) = ·
H(u, ν) H(u, ν) |H(u, ν)|2 + β Pn (u,ν)
Pf (u,ν)
- Remarques -
• Pour α = 1 ou β = 0 ◮ Filtre inverse
• Pour α = 0 et β = 1 ◮ Filtre de Wiener
• Pour α = 1/2 et β = 1 ◮ Restauration du spectre
de puissance de l’image (moyenne géométrique entre
filtre inverse et Wiener)
13
RESTAURATION
ALGORITHME ITÉRATIFS
Algorithmes de Landweber
14
RESTAURATION
ALGORITHME ITÉRATIFS
Algorithmes de Tichonov-Miller
15
RESTAURATION
EXEMPLE
Exemples
16