Plan de la séance. Partie 4: Restauration. Restauration d images. Restauration d images. Traitement d images. Thomas Oberlin

Dimension: px

Commencer à balayer dès la page:

Download "Plan de la séance. Partie 4: Restauration. Restauration d images. Restauration d images. Traitement d images. Thomas Oberlin"

Victorien Aubé
il y a 8 ans
Total affichages :

Plan de la séance Traitement d images Partie 4: Restauration Thomas Oberlin Signaux et Communications, RT/ENSEEHT thomasoberlin@enseeihtfr 1 ntroduction 2 Modélisation des dégradations Modèles de

1 Plan de la séance Traitement d images Partie 4: Restauration Thomas Oberlin Signaux et Communications, RT/ENSEEHT thomasoberlin@enseeihtfr 1 ntroduction 2 Modélisation des dégradations Modèles de bruit Modèles de flous 3 Restauration par filtrage Filtrage linéaire Filtrage non-linéaire Filtrage adaptatif 4 Vers les problèmes inverses 1 / 28 2 / 28 Restauration d images Restauration d images Un des plus vieux problèmes en traitement d images, et toujours une étape de pré-traitement nécessaire pour beaucoup d applications Dans son processus d acquisition, une image peut subir des dégradations (mais également pendant sa transmission ou son enregistrement) Ces dégradations peuvent être dues 1 aux capteurs, à la transmission le flou causé par le système optique le bruit quantique, bruit de mesure, défauts de transmission la quantification, la compression 2 aux conditions de prise de vues flou de bougé perturbation atmosphérique Débruitage Déconvolution supprimer ou diminuer les effets d une telle détérioration : restauration 3 / 28 4 / 28

Restauration d images Restauration d images Un des plus vieux problèmes en traitement d images, et toujours une étape de pré-traitement nécessaire pour beaucoup d applications Dans son processus d

$de flous 3 Restauration par filtrage 4 Vers les problèmes inverses au milieu de mesure (atmosphère) au système optique (diffraction, défocalisation) au capteur (mouvement, diffusion, bruit) à la$

2 Plan de la séance Modélisation des dégradations En pratique, de nombreuses causes possibles de dégradations, dûes par exemple : 1 2 ntroduction Modélisation des dégradations Modèles de bruit Modèles de flous 3 Restauration par filtrage 4 Vers les problèmes inverses au milieu de mesure (atmosphère) au système optique (diffraction, défocalisation) au capteur (mouvement, diffusion, bruit) à la scène (sujet en mouvement) à la conversion (quantification, échantillonnage) à la transmission (compression) à la conservation (vieux films) Modèle simplifié : 3 types de dégradations bruit additif u = f0 + b bruit multiplicatif u = f0 b convolution u = f0? h 5 / 28 6 / 28 Bruit poivre et sel Bruit additif Définition Obtenu en insérant n pixels blancs et n pixels noirs aléatoirement dans une image Caractérisé par le pourcentage de pixels remplacés (rapport 2n/N ) 5% S écrit u = f0 + b où b est iid bi 15% dû à des défauts de transmission, de capteur 7 / 28 P 8 / 28

scène (sujet en mouvement) à la conversion (quantification, échantillonnage) à la transmission (compression) à la conservation (vieux films) Modèle simplifié : 3 types de dégradations bruit additif u

3 Bruit blanc gaussien Bruit quantique (ou poissonien, de grenaille) Bruit additif Gaussien iid Obtenu en ajoutant à chaque pixel une valeur aléatoire distribuée identiquement et indépendamment suivant une loi gaussienne : C est le bruit électronique, généré par la nature quantique de la lumière Pour une intensité moyenne, le nombre de photons observés sur une durée T est une variable aléatoire distribuée selon une loi de Poisson : Gσ,µ (x) = (x µ)2 1 e 2σ2 σ 2π P(k, T ) = (T )k e T k! ( : intensité moyenne, photons/s) Espérance et variance : T Par forte intensité (T 1), proche d un bruit Gaussien le modèle Poissonien est utilisé à faibles intensités (ex : miscroscopie à fluorescence) Attention! σ = 10 σ = 50 Le bruit quantique est présent en l absence de toute erreur de mesure C est un bruit multiplicatif Autre exemple de bruit multiplicatif : speckle (radar, imagerie ultrasonore) Alternatives : distributions Gamma, exponentielles (laser), Rayleigh (RMf), etc 11 / 28 9 / 28 Modèles de flous En pratique, comment estimer h? L image observée est dégradée par un filtre convolutif (en général passe-bas) : u = f0? h À partir de connaissances physiques (modélisation) : flou de bougé constant, turbulence atmosphérique, etc Directement sur l image dégradée, en sélectionnant une zone contenant des structures simples (par exemple, contour + zones lisses) où l on peut extrapoler l image originale f0 Par calibration En général, h est une caractéristique du système optique On mesure les dégradations pour des images de référence connues, ce qui permet d estimer h Cas particulier : h = Lδ Exemples : flou de focus flou de bougé (horizontal) h uniforme h = [ ] Plus généralement, h représente la réponse impulsionnelle d un système optique en entier 12 / 28 ci, on suppose h connu (ou estimé) Certaines méthodes réalisent conjointement l estimation de h et la restauration : on parle de déconvolution aveugle (h inconnu) ou myope (h paramétré de paramètres inconnus) 13 / 28

distribuée selon une loi de Poisson : Gσ,µ (x) = (x µ)2 1 e 2σ2 σ 2π P(k, T ) = (T )k e T k!

4 Plan de la séance Débruitage par filtrage passe-bas Pour diminuer le bruit, on peut utiliser un moyenneur local 1 ntroduction Exemple : bruit Gaussien, filtrage Gaussien : 2 Modélisation des dégradations 3 Restauration par filtrage Filtrage linéaire Filtrage non-linéaire Filtrage adaptatif 4 Vers les problèmes inverses Bruit gaussien filtrage gaussien Problème : floute l image! 14 / / 28 Déconvolution par réhaussement Utilisé pour réhausser les contours, réduire le flou, augmenter la netteté Exemple : ou Filtrage non-linéaire Filtrage médian : on choisit la valeur médianne dans un voisinage : g(x) = med{f (z) z S x } Filtrage géométrique : calcule une moyenne géométrique locale g(x) = ( z S x f (z) ) 1 Sx Filtrage moyen harmonique : calcule une moyenne harmonique locale g(x) = S x 1 f (z) z S x Flouté Réhaussé Problème : amplifie le bruit! Filtres max et min Filtre de point milieu 16 / / 28

14 / 28 15 / 28 Déconvolution par réhaussement Utilisé pour réhausser les contours, réduire le flou, augmenter la netteté Exemple : 0 1 0 1 1 1 1 5 1 ou 1 9 1 0 1 0 1 1 1 Filtrage non-linéaire

5 llustrations Retrouvez qui est qui Filtrage inverse On observe une version dégradée u de l image f0 d après le modèle suivant : u = f0? h, On écrit en Fourier u = f 0 h Lorsque h (ξ) 6= 0 on a : f 0 (ξ) = filtrage inverse 21 / 28 Filtrage pseudo-inverse h (ξ) Flou gaussien 19 / 28 u (ξ) Filtrage de Wiener Si h possède des valeurs nulles (ou numériquement petites), on peut définir le pseudo-inverse 1 si h (ξ) > ε h (ξ) g (ξ) = 0 sinon On observe une version dégradée u de l image f0 d après le modèle suivant : u = f0? h + b, où h est une réponse impulsionnelle supposée connue, et b N (0, σ 2 ) On estime ensuite l image originale par f (ξ) = u (ξ)g (ξ) f 0 (ξ) Filtrage de Wiener (principe) On cherche f, une estimation de f0 de la forme f = u? g, qui minimise l erreur quadratique moyenne : h 2 i f = arg min E f0 f 2 f Hypothèse : f0 stationnaire Comment calculer g? exercice! Flou + bruit faible filtrage inverse 22 / 28 filtrage pseudo-inverse 23 / 28

nulles (ou numériquement petites), on peut définir le pseudo-inverse 1 si h (ξ) > ε h (ξ) g (ξ) = 0 sinon On observe une version dégradée u de l image f0 d après le modèle suivant : u = f0?

6 mplémentation du filtre de Wiener En théorie : g (ξ) = h (ξ) h (ξ) 2 + N (ξ) S(ξ) Et en pratique, comment faire? Filtrage de Wiener llustration h est supposée connue (sinon on peut l estimer, cf section précédente) N est la DSP du bruit Pour un bruit blanc Gaussien de variance σ 2, N (ξ) = σ 2 Possibilité bruit non iid, mais il faut estimer sa DSP S est la DSP du signal On peut choisir S = u 2 σ 2 On peut se contenter de remplacer N /S par une fonction constante, ou circulaire croissante Limites du filtrage de Wiener : la plupart des images ne sont pas des signaux stationnaires! Dégradée Restaurée (Wiener) 26 / / 28 llustration (flou de bougé) Débruitage et déconvolution : des problèmes inverses Dans un cadre plus général, on s intéresse à un signal f0 dégradé par un opérateur linéaire H et un bruit additif : u = Hf0 + b Comment estimer f0 étant donné u? Plusieurs réponses : Dégradée Réponse naïve : f = H 1 u Si H n est pas inversible? nverse généralisé (Moore-Penrose, solution aux moindres carrés) : f = arg min ku Hf k22 = (H H ) 1 H u Restaurée (Wiener) Mais : instable Régularisation de Tychonov : f = arg min ku Hf k22 + λ kf k22 = (H H + λ ) 1 H u f Forme de g : Plus généralement : régulariser le problème, si possible en ajoutant de l information a priori sur f Cours de problèmes inverses l année prochaine 27 / 28 (1) f 28 / 28 (2)

non iid, mais il faut estimer sa DSP S est la DSP du signal On peut choisir S = u 2 σ 2 On peut se contenter de remplacer N /S par une fonction constante, ou circulaire croissante Limites du filtrage

Documents pareils

L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :

L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories : La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.