Methode Hybride pour Débruitage d’Image Via Les
Ondelettes
Souad Benabdelkader
Department d’Electronique
Universitié de Batna
Batna, Algeria
souadbenabd@yahoo.fr
Résumé—Cet article présente une méthode hybride pour le
débruitage d’mage par les ondelettes. Le système de débruitage en
ondelettes classique n’estime que le niveau de bruit dans le
domaine des ondelettes en utilisant uniquement la sous-bande
supérieure détail. Dans la méthode proposée, la déviation standard
du bruit est estimée sur la totalité des pixels de l'image dans le
domaine spatial à l'intérieur d'un système de préservation de bord
adaptatif. Par la suite, que l'estimation est utilisé pour calculer le
seuil de coefficients d'ondelettes. par la suite, que l'estimation est
utilisé pour calculer le seuil de coefficients d'ondelettes retrait. Un
procédé d'amélioration du contraste est utilisé comme une étape de
pré-traitement à préserver les structures de l'image et à amplifier le
contraste de bord
Mots-clés—ondelettes, débruitage en ondelettes; traitement de
l'image; restauration d'image.
I. INTRODUCTION
Les images sont les principales sources d'information dans
de nombreuses applications. Cependant, les dégradations qui
affectent la qualité des images à l'acquisition provoquent des
pertes d'information. Restaurer une image à partir d’une image
dégradée constitue un problème crucial et a donc une
importance considérable.
La clé performance pour tout les algorithmes de débruitage
est de trouver une solution entre la réduction du bruit et de
préserver les principales caractéristiques de l'image. Cette
réalisation nécessite un algorithme de débruitage pour s'adapter
à des discontinuités d'image [1].
L’idée originale sur laquelle sont basées les ondelettes est
apparue vers les années 1940 grâce au physicien Denis Gabor,
qui a introduit la notion de la TF à fenêtre glissante dans le but
de remédier au problème de localisation temps-fréquence en
proposant de multiplier le signal par une fonction localisée
dans le temps (fenêtre), et ensuite appliquer la TF. Il s'agit de
segmenter en tranches de temps fixe le signal à analyser
pour appliquer par la suite la TF à chaque tranche.
L’inconvénient de cette méthode est que la taille de la fenêtre
reste inchangée au cours de l’analyse. Or pour étudier un signal
qui a en général une allure irrégulière, il est potentiellement
intéressant de pouvoir changer la taille de la fenêtre analysante
en temps. C’est à partir de là que sont nées les ondelettes qui
Ouarda Soltani
Department d’Electronique
Universitié de Batna
Batna, Algeria
soltani_ouarda@windowslive.com
s’adaptent d'elles mêmes à la taille et aux caractéristiques
recherchées.
La transformée en ondelette (TO) est un outil
mathématique qui décompose un signal en fréquences en
conservant une localisation temporelle. Elle offre une grande
flexibilité de conception et une représentation efficace du
signal, finement accordées à ses propriétés intrinsèques. En
combinant ces observations avec des techniques simples de
traitement dans le domaine de transformation, l'analyse multi-
échelle peut accomplir des performances et une efficacité
remarquables à de nombreux problèmes de traitement d'image.
L'analyse multi-résolution est effectuée par la transformée
en ondelettes a été montré pour être un outil puissant pour
atteindre naturellement ces objectifs. En effet, dans le domaine
des ondelettes, le bruit est répartie uniformément dans
l'ensemble des coefficients, alors les coefficients d’ondelette
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: la
compression et le débruitage des images.Pour le débruitage on
garde que les coefficients les plus grands et on met les autres à
zéros puis on reconstruit l’image. Le bruit correspond en
général à des détails faibles, donc il est éliminé par ce
seuillage. Nous obtenons alors une image plus lisse
(reconstruction).
Il y’a dizaines et différentes méthodes de débruitage d’images par
les ondelettes depuis les travaux de Donoho et ses collaborateurs
[2].des algorithmes ont été développé à partir de la stratégie générale
de coefficients ondelettes retrait sont des méthodes plus avancées qui
font usage de contexte de l'image [3, 4, 5], Il existe d'autres
techniques où le champ de Marko [6] et bien d'autres à l'aide de
multiples transformation ondelettes [7], la liste n'est pas
exhaustive.
Le dispositif de shrinkage en ondelettes est effectué en
utilisant un seuil approprié S, sur la base d’estimation de la
déviation standard de bruit . Généralement, est calculé
par l'estimateur robuste médian des coefficients de détail en
diagonale sur le niveau 1:

. (1)
 


Dans cet article, nous développons une méthode hybride qui tente
. (3)
d'estimer le niveau de bruit dans le domaine spatial prenant

l'utilisation de l'ensemble des pixels d'image à la place de son  
estimation dans le domaine fréquentiel d’ondelettes en utilisant
uniquement les coefficients de la partie supérieure de sous-bande
détail. Par la suite, cette estimation avant sera intégrée au calcul du La la structure de bords est sélectionné en fonction de
seuil de débruitage en ondelettes. l'algorithme dans [10].
2. Aprés la structure de l’image sans les pixels de
II. ESTIMATION RAPIDE DU BRUIT DE L’MAGE contours,est supprimées en utilisant loperateur de
Laplacian suivant:
A. Model de l’image
Soit un champ aléatoire
bidimensionnel défini sur la grille
. (4)
représentant une image vraie mais non observable.I(x,y) 
mesure l'intensité de la couleur / niveau de gris du pixel à la  
position (x,y)th . Les données disponibles sont In, dans une
version bruitée de I. le modele d’observation linéaire standard 3. Finalement ,la déviation standard du bruit peut être
est exprimé comme suite: calculée par:

. (2)

 

Dans cette formulation, n représente une perturbation  

additive souvent considérée comme un bruit blanc gaussien
centré de déviation inconnu σn. où Ie est l'image obtenue après exclues les pixels de
bord à l'étape 2.

B. Methoded'estimation Rapide avec Détection de Bord III. SYSTEME D’AMELIORATION DU CONTRASTE

Adaptive
L’estimation du niveau de bruit est généralement la
première étape de débruitage d'images pour contrôler la
quantité de débruitage. La littérature sur l'estimation de bruit
est encore limitée, mais il devient un sujet de recherche
important.
Dans ce document, on utilise la méthode d'estimation de
bruit décrit dans [8], qui utilise un détecteur de bord adaptatif.
La procédure est résumée dans les étapes suivantes:
1. La première étape concerne une détection détection
de contours à l'aide de l'opérateur de Sobel [9].
Le procédé d'amélioration de contraste utilisé comme une
étape de pré-traitement pour améliorer la fonction de visibilité
est un dispositif d'égalisation d'histogramme qui conserve la
luminosité de l'image au moyen de seuillage d'une 2-partition
floue et utilise un histogramme 2D pour caractériser les
relations spatiales dans un quartier prédéfini [11, 12].
le seuillage est essentiellement un problème de
classification où l'on souhaite identifier et extraire les régions
de l'objet à partir de leur arrière-plan sur la base de la similarité
de la luminosité des objets d'image, pour un traitement
ultérieur.. Une solution simple et rapide pour le calcul de la
variance du bruit est celle proposée dans l'organigramme de la
figure suivante.
 Détection de
Contours

Convolution
Laplacienne

Moyennage

Figure 2. Seuillages dur et doux. A gauche : coefficients d’origine. Au

centre : seuillage dur. A droite : seuillage doux.

Figure 1. Organigramme de l'algorithme d'estimation du bruit.

[8].

Le procédé d'amélioration de contraste utilisé préserve les 

structures de l'image par pas trop améliorant le contraste
d'image. Il est également capable d'amplifier le contraste de
bord sans détecter les pixels de contour.
methode de débruitage par les ondelettes
La méthod de débruitage d'ondelettes proposée dans cet
article est une procédé hybride, qui estime le niveau de bruit
dans le domaine spatial et utilise ensuite cette estimation de
seuil des coefficients d'ondelettes dans le domaine des
fréquences.
De même pour le modèle de dégradation spatiale décrit par
l'équation (2), nous pouvons écrire:
. (6)

 
ou WIn, WI et Wn représente la transformée en ondelettes du
bruit, le bruit et l’image de bruit respectivement. Ainsi, l'ajoute
d'un bruit à un signal conduit à une représentation de bruit dans
le domaine des ondelettes.
L’algorithme de débruitage par ondelettes peut être décrit
comme suit:
1. Estimation robuste de sur l’échelle j = 1 [8].
2. Décomposition 2Den ondelettes sur une image
bruitée.
3. Pour chaque échelle j:
a. Calculer le seuil
Nj étant le nombre total d'échantillons du bruit.j.
b. Sj le seuillage des coefficients de l'échelle j au
moyen de seuillage doux, (equation (7)).
IV. LES RÉSULTATS EXPÉRIMENTAUX
A. Ensembles de Données
Nous avons effectué nos expériences sur les deux
ensembles de données différents. Les premières données
représentent un ensemble d'images multispectrales et
multitemporelles acquises avec le satellite Landsat-7 ETM +
capteur sur la zone Trentin en Italie du Nord sur Mai, Juillet et
Septembre 2000. Pour plus de détails sur cet ensemble de
données à [13].
La deuxième donnée représente un ensemble des images
multispectrales et multitemporels acquis avec l'Alsat-1 capteur
algérien sur la région de Guelma en Algérie orientale. Pour
plus de détails sur cet ensemble de données [14].
B. Resultats de Débruitage
Notre programme est écrit en Matlab, toutes les échelles
détaillées sont seuillés en utilisant le seuil universel
, où la déviation standard du bruit
est estimé dans le domaine spatial, en comparaison avec le
seuil de la Donoho où la déviation standard du bruit est estimé
dans le domaine des ondelettes.
La methode de SUREShrink et le Shrink de HeurSURE
ont données mauvais résultats que la méthode de la Donoho,
nous n'avons pas pris en compte dans la comparaison.
Pour un même niveau de bruit blanc gaussien (bruit ajouté
par la variance de 20), les résultats expérimentaux des images
Landsat en erreur quadratique moyenne (MSE) sont présentés
dans le tableau 1. Le MSE est donnée par:
 

4. Reconstruction du signal débruité.

ou est l'image débruitée et I est l'image sans bruit..
D'après le tableau 1, nous pouvons voir que la méthode
proposée (MSEp) surpasse la méthode universelle (MSEU)
pour toutes les bandes Landsat, en dépit de la surestimation de [12] S. Benabdelkader, M. Boulemden et D. Benatia, "Brightness preserving
la σn de niveau de bruit. histogram equalization based fuzzy 2-partition thresholding",
Proc. Int. Conf. Applied Informatics ICAI09, Bordj Bou Arreridj,
En ce qui concerne les images Alsat-1, ils sont bruités à Algeria, vol. III, pp. 112-117, 2009.
l'origine avec un bruit inconnu. Nous supposerons l'hypothèse [13] F. Melgani, “Contextual reconstruction of cloud-contaminated
d'un bruit blanc gaussien, et d'estimer la deviation standard du multitemporal multispectral images”, IEEE Trans. Geosci. Remote
bruit dans le domaine spatial. Ensuite, le système de débruitage Sens., vol. 44, no. 2, pp. 442-455, 2006.
d'ondelettes est effectué sur les images originales bruitées. [14] Spécifications Alsat-1, http://www.asal-dz.org
Dans ce cas, la comparaison est basée sur le critère visuel.
TABLE I. .RESULTATS DE LA RESTEURATION DU MSE ET
L'idée principale de l'application de l'amélioration du PSNR
contraste dans un système de pré-traitement pour les images de
télédétection est de reproduire la propriété de brillance de Bandes σn MSESU MSEa
l'image d'entrée au moyen d'un processus d'amélioration locale B1 7.3079 478.4396 252.7876
dans laquelle les relations spatiales entre les pixels voisins sont B2 6.2872 461.5608 247.8749
exploitées, en plus des relations spatiales entre les zones B3 6.1971 453.5098 250.2800
voisines où différentes classes d'occupation du sol peuvent être B4 6.5898 510.8653 315.4067
trouvés dans chaque zone. B5 6.2842 518.0365 296.0529
B6 7.2277 491.9428 299.7304
V. CONCLUSION
Nous présentons, dans cet article, une méthode simple
hybride pour le débruitage d'image par ondelettes qui estime le
niveau de bruit sur l'ensemble des images pixels dans le
domaine spatial, par la suite que l'estimation est utilisé pour
calculer la valeur de seuil nécessaire pour les coefficients
ondelettes retrait "shrinkage». La méthode surpasse le régime
d'ondelettes basée sur l'estimation du niveau de bruit sur la
sous-bande supérieure détail dans le domaine des ondelettes. (a)

REFERENCES

[1] T. Chen et H. Zhou, “Optimal construction of wavelet coefficients using

total variation regularization in image compression,” Computational and
Applied Mathematics Technical report, pp. 00–27, UCLA, 2000.
[2] D. L. Donoho et I. M. Johnstone, “Ideal spatial adaptation via wavelet
shrinkage,” Biometrika, vol. 81, pp. 425–455, 1994. (b)
[3] R.. Rangarajan, R. Venkataramanan and S. Shah, “Image denoising
using wavelets” Wavelet and Time Frequency, 2002
[4] S.G. Chang, B. Yu et M. Vetterli, “Adaptive wavelet thresholding for
image denoising and compression,” IEEE Trans. Image Process., Vol. 9,
No. 9, pp. 1532-1546, 2000.
[5] A. Pizurica, W. Philips, I. Lemahieu et M. Acheroy, “A joint inter- and
intrascale statistical model for Bayesian wavelet based image
denoising,” IEEE Trans. Image Process., Vol. 11, No. 5, pp. 545-557
2002. (c)
[6] J.T. White et S. Ghosai, “Denoising three-dimensional and colored
images using a Bayesian multi-scale model for photon counts”, Signal
processing, in press.
[7] M.-A. Hamdi, “A comparative study in wavelets, curvelets and
contourlets as denoising biomedical images” Image Processing &
Communication,Vol. 16, No. 3-4, pp. 13-19, 2012.
[8] S-C. Tai et S-M. Yang, “A fast method for image noise estimation using
Laplacian operator and adaptive edge detection” IEEE ISCCSP, pp.
1077-1081, 2008.
(d)
[9] R.C Gonzalez et R.E.Woods, Digital Image Processing, 2 nd Ed.,
Prentice-Hall, Inc., 2002.
[10] S. I. Olsen, “Estimation of noise in images: An evaluation”,
Comput.Vision Graphics Image Process. Graphic Models and Image
Process, Vol. 55, No. 4, pp. 319-323, 1993.
[11] S. Benabdelkader, M. Boulemden and S. Louifi, "Threshold selection by
maximizing the between-class variance of a fuzzy 2-partition”, Proceed.
9th Intern. Workshop on Syst., Sig. Image Proces. IWSSIP’02, pp. 282-
288, 2002.
(e)
Figure 3. Restauration pour la Bande 1 Landsat .(a) Image originale .(b) Figure 4. Alsat-1 Red Band denoising. (a) Image originale bruitée (b) Map
Image bruité. (c) Map de contours. (d) Débruitage sans amélioration du de contours (σn = 5.2698 ). (c) Débruitage sans amélioration du contraste.
contraste. (e) Débruitage avec amélioration du contraste. (d) Débruitage avec amélioration du contraste.

(a)

(b)

(c)

(d)