SlideShare una empresa de Scribd logo
1 de 4
Descargar para leer sin conexión
Séparation en composantes structures, textures et bruit d'une
image, apport de l'utilisation des contourlettes.
Jérôme Gilles
1
1DGA-CEP/EORD, 16bis rue Prieur de la Côte d'Or 94110 Arcueil
jerome.gilles@etca.fr
Résumé  Dans cet article, nous proposons une amélioration des méthodes de décomposition d'image dans le cas d'images
bruitées. Dans [1, 9], les auteurs proposent de séparer les structures, textures et bruit d'une image. Malheureusement, l'utilisation
d'ondelettes séparables provoque des artéfacts. Nous proposons ici de remplacer les ondelettes par l'utilisation des contourlettes
qui permettent de mieux approximer la géométrie dans les images. Pour cela, nous dénissons les espaces de contourlettes et
leurs normes associées. Nous obtenons un algorithme itératif que nous appliquons sur deux images texturées et bruitées.
Abstract  In this paper, we propose to improve image decomposition algorithms in the case of noisy images. In [1, 9], the
authors propose to separate structures, textures and noise from an image. Unfortunately, the use of separable wavelets shows
some artefacts. In this paper, we propose to replace the wavelet transform by the contourlet transform which better approximate
geometry in images. For that, we dene contourlet spaces and their associated norms. Then, we get an iterative algorithm which
we test on two noisy textured images.
1 Introduction
Ces dernières années, des modèles permettant de décom-
poser une image f en ses composantes structures u + tex-
tures v ont vu le jour. Le principe, proposé par Y.Meyer
dans [4], consiste à considérer les structures comme des
fonctions de l'espace des fonctions à variations bornées
BV et les textures comme des fonctions oscillantes appar-
tenant à un espace noté G proche du dual de BV . Le
modèle consiste alors à minimiser la fonctionnelle
FY M
(u, v) = u BV + λ v G. (1)
Un algorithme numérique ecace itératif basé sur un pro-
jecteur non linéaire PGλ
a été proposé par J.F Aujol dans
[3] moyennant une modication de la fonctionnelle (mais
donnant les mêmes minimiseurs que pour (1)):
FAU
λ,µ (u, v) = J(u) + J∗ v
µ
+ (2λ)−1
f − u − v 2
L2 (2)
où J∗
(v) est la fonction caractéristique sur G1 où Gµ =
{v ∈ G/ v G µ} et J(u) = u BV .
Ce modèle montre ses limites dès que les images d'entrée
sont bruitées. En eet, le bruit peut être considéré comme
un signal très oscillant et sera donc capturé dans la com-
posante v. Il est alors nécessaire d'étendre ce modèle à
un modèle à trois composantes: structures u + textures
v + bruit w. Dans [1], nous avons proposé une première
approche permettant de réaliser cette décomposition en
jouant d'une part sur les bornes supérieures de la norme
dans l'espace G pour les composantes v et w et d'autre
part en donnant un comportement localement adaptatif à
l'algorithme. Nous avons comparé ce modèle à celui pro-
posé par Aujol et al. [2] utilisant un seuillage des coe-
cients d'une décomposition en ondelettes pour eectuer le
débruitage. Les deux méthodes donnent de bon résultats,
le seuillage des ondelettes montrant une meilleure perfor-
mance de débruitage mais abîmant les bords des struc-
tures. Ce phénomène est dû au fait que la transformée en
ondelette 2D se base sur deux directions. Aussi dans cette
communication, nous proposons de remplacer l'utilisation
des ondelettes par celle des contourlettes [5]. En eet,
cette représentation permet de mieux tenir compte de
la géométrie des bords présents dans les images. Nous
dénissons la notion d'espace des contourlettes et mon-
trons que le seuillage des coecients revient à faire la pro-
jection sur cet espace.
2 Séparation structures, textures et
bruit
Commençons par rappeler les modèles proposés dans [1]
et [2] permettant d'eectuer cette décomposition en trois
composantes. Le premier considère que les textures et
le bruit sont des fonctions oscillantes à ceci près que le
bruit est vu comme beaucoup plus oscillant. Suivant les
propriétés de la norme sur l'espace G (cette norme est
d'autant plus faible que le signal est oscillant), nous con-
sidérons que v ∈ Gµ1
et w ∈ Gµ2
avec µ2 µ1. De plus,
nous proposons d'utiliser une carte ν des zones où sont
présentes des textures an d'accentuer ou non le pouvoir
de débruitage (voir [1] pour plus de détails). La fonction-
nelle à minimiser est:
FJG
λ,µ1,µ2
(u, v, w) = J(u) + J∗ v
µ1
+ J∗ w
µ2
(3)
+ (2λ)−1
f − u − ν1v − ν2w 2
L2 .
Moyennant une légère modication, nous pouvons utiliser
les projecteurs non linéaires utilisés dans le cas à deux
composantes. Tous les détails théoriques et numériques
sont disponibles dans [1].
Dans [2], les auteurs proposent un modèle assez similaire
mais considérant le bruit comme appartenant à l'espace
des distributions. Cette espace étant formulé via l'espace
de Besov E = ˙B∞
−1,∞. La fonctionnelle proposée est alors:
FAC
λ,µ,δ(u, v, w) = J(u) + J∗ v
µ
+ B∗ w
δ
(4)
+ (2λ)−1
f − u − v − w 2
L2 ,
où B∗
(w) est la fonction caractéristique sur l'espace E1 =
{w ∈ E/ w E 1}. Les auteurs montrent que la projec-
tion sur cet espace correspond à eectuer un seuillage doux
des coecients d'une décomposition en ondelettes. Ce
modèle donne un meilleur débruitage mais abîme les bords
des structures, dû au fait que la transformée 2D n'utilise
que des ltres séparables horizontaux et verticaux. Nous
proposons donc de remplacer l'utilisation de ces ondelettes
par une représentation mieux adaptée au traitement des
images et plus particulièrement à la géométrie présente.
La réprésentation retenue est celle des contourlettes [5].
3 Séparation de composantes basée
sur les contourlettes
Nous commençons par rappeler un résultat démontré par
Do et Vetterli [5]:
Théorème 1 Soit j l'échelle, n la position, {lj}j j0
l'en-
semble des nombres de directions souhaitées pour chaque
échelle j. Alors, la famille
φj0,n(t); ρ
(lj )
j,k,n(t)
j j0, 0 k 2lj −1, n∈Z2
(5)
est une trame ajustée de L2(R2
).
Tous les détails sur la construction des fonctions φj0,n(t)
et ρ
(lj )
j,k,n(t) sont disponibles dans [5, 6, 7]. Ceci implique
donc que l'on peut décomposer une fonction de L2(R2
) de
la manière suivante:
Corollaire 1
f(t) =
n
αnφj0,n(t) +
j j0
2lj −1
k=0 n
βj,k,nρ
(lj )
j,k,n(t) (6)
ou
f(t) =
j∈Z
2lj −1
k=0 n
βj,k,nρ
(lj )
j,k,n(t). (7)
Où αn = f|φj0,n et βj,k,n = f|ρ
(lj )
j,k,n sont les coef-
cents de la transformée en contourlettes. Nous pouvons
alors dénir, sur le modèle des espaces de Besov, les es-
paces de contourlettes Cos
p,q et leurs versions homogènes
˙Co
s
p,q ainsi que leurs normes associées:
Dénition 1 Soit s 0 et p, q  0, si f ∈ Cos
p,q alors
f Cos
p,q
=
n
|αj0,n|p
1/p
+


j j0
2j(d
2 − 1
p +s)q


2lj −1
k=0 n
2j p
2 |βj,k,n|p


q/p



1/q
(8)
ou dans le cas des espaces homogènes
f ˙Co
s
p,q
=


j∈Z
2j(d
2 − 1
p +s)q


2lj −1
k=0 n
2j p
2 |βj,k,n|p


q/p



1/q
(9)
Il est rapide de voir que l'espace ˙Co
∞
−1,∞, comme dans
le cas des espaces de Besov, contient les distributions et
peut donc être utilisé pour modéliser le bruit dans l'image.
La fonctionnelle prenant en compte cet espace permettant
la décomposition est alors:
FCo
λ,µ,δ(u, v, w) = J(u) + J∗ v
µ
+ J∗
Co
w
δ
(10)
+ (2λ)−1
f − u − v − w 2
L2
Avec J∗
Co la fonction caractéristique sur Co1 où Coδ =
f ∈ ˙Co
∞
−1,∞/ f ˙Co
∞
−1,∞
δ . Les minimiseurs de (10)
sont donnés par la proposition suivante.
Proposition 1 Soit u ∈ BV , v ∈ Gµ, w ∈ Coδ re-
spectivement les composantes structures, textures et bruit
découlant de la décomposition d'image. Alors, les min-
imiseurs
(ˆu, ˆv, ˆw) = arg
(u,v,w)∈BV ×Gµ×Coδ
inf FCo
λ,µ,δ(u, v, w) (11)
sont donnés par
ˆu = f − ˆv − ˆw − PGλ
(f − ˆv − ˆw)
ˆv = PGµ
(f − ˆu − ˆw)
ˆw = f − ˆu − ˆv − CST (f − ˆu − ˆv; 2δ)
oùPGλ
estleprojecteurnon-linéairedeChambolleetCST
(f − u − v, 2δ) est l'opérateur de seuillage doux, avec un
seuil de 2δ, des coecients de la transformée en con-
tourlettes de f − u − v.
Preuve 1 Les composantes ˆu et ˆv sont obtenues par le
mêmeargumentutilisédanslesdémonstrationsdestravaux
de Aujol et Chambolle [9] ou dans les travaux de Gilles [1])
et ne seront pas redémontrés ici. Le point particulier con-
cerne l'expression de ˆw en fonction du seuillage doux des
coecients de la transformée en contourlettes. Supposons
que l'on cherche à minimiser FCo
λ,µ,δ(u, v, w) par rapport à
w, ceci est equivalent à chercher w solution de (on pose
g = f − u − v)
ˆw = arg
w∈Coδ
min g − w 2
L2 . (12)
Nous pouvons alors utiliser une formulation duale: ˆw =
g − ˆh telle que
ˆh = arg
h∈ ˙Co
1
1,1
min 2δ h ˙Co
1
1,1
+ g − h 2
L2 . (13)
Nous pouvons utiliser la même approche que Chambolle et
al. dans [8].
Soit(cj,k,n)j∈Z,0 k 2(lj )
,n∈Z2 et(dj,k,n)j∈Z,0 k 2(lj )
,n∈Z2
les coecients respectivement issus de la transformée en
contourlettes de g et h. Comme les contourlettes for-
ment une trame ajustée, de borne 1, nous avons (on note
Ω = Z × 0, 2(lj )
× Z2
)
g 2
L2
=
(j,k,n)∈Ω
|cj,k,n|2
. (14)
Alors (13) consiste à trouver les dj,k,n minimisant
(j,k,n)∈Ω
|cj,k,n − dj,k,n|2
+ 2δ
(j,k,n)∈Ω
|dj,k,n| (15)
ce qui est equivalent à minimiser
|cj,k,n − dj,k,n|2
+ 2δ|dj,k,n|. (16)
Or, dans [8], les auteurs montrent que la solution à ce type
de problème est un seuillage doux des coecients (cj,k,n)
avec un seuil de 2δ.
Alors ˆh = CST(g, 2δ), ce qui, par dualité, implique que
ˆw = g − CST(g, 2δ). Nous concluons donc que
ˆw = f − ˆu − ˆv − CST(f − ˆu − ˆv, 2δ) (17)
ce qui termine la preuve.
L'algorithme numérique correspondant consiste donc en
celui de Aujol et al. dans lequel nous remplaçons l'utilisa-
tion des ondelettes par celle des contourlettes.
1. initialisation: u0 = v0 = w0 = 0,
2. calcul de wn+1 = f −un −vn −CST(f −un −vn, 2δ),
3. calcul de vn+1 = PGµ
(f − un − wn+1),
4. calcul de un+1 = f −vn+1 −wn+1 −PGλ
(f −vn+1 −
wn+1),
5. si max{|un+1 − un|, |vn+1 − vn|, |wn+1 − wn|}
ou si Nstep itérations ont été faites alors on stoppe
l'algorithme, sinon on retourne à l'étape 2.
4 Résultats
La gure 1 montre les images de test utilisées. Nous leur
avons ajouté un bruit de type gaussien additif d'une vari-
ance σ = 20 sur chaque image.
Fig. 1  Images de test Barbara et Léopard corrompues
par un bruit gaussien (σ = 20).
Les résultats de la décomposition obtenue sur chaque
image sont donnés respectivement sur les gures 2 et 3.
Le bruit est eectivement bien séparé du reste des autres
composantes. Nous pouvons toutefois remarquer, comme
pour les autres algorithmes cités précédemment, que le
choix des paramètres inue sur la quantité de résidu de
bruit dans les textures et la quantité de résidu de textures
dans le bruit. Par ailleurs, comme attendu, les structures
sont de meilleure qualité du fait de l'utilisation des con-
tourlettes.
5 Conclusion
Dans cet article, nous avons présenté une extension du
modèle de décomposition d'image basé sur le seuillage de
coecients d'ondelette proposé par Aujol et al. Pour cela,
nous avons choisi d'utiliser les contourlettes. Celles-ci per-
mettent en eet de tenir compte de la géométrie dans les
images et ont un meilleur pouvoir d'approximation que
les ondelettes. Nous dénissons alors les espaces de con-
tourlettes ainsi que leurs normes associées; et montrons
que la projection sur ces espaces correspond, comme dans
Structures Textures
Bruit
Fig. 2  Composantes structures + textures + bruit issus
de la décomposition de Barbara bruitée.
Structures Textures
Bruit
Fig. 3  Composantes structures + textures + bruit issus
de la décomposition du Léopard bruité.
le cas des ondelettes, à un seuillage doux des coecients
de la transformée.
L'algorithme nal permettant d'obtenir la décomposi-
tion en trois composantes revient au même algorithme
que dans le cas des ondelettes à la diérence près que
le seuillage des coecients d'ondelette est remplaçé par le
seuillage des coecients de contourlettes.
Les résultats obtenus montrent eectivement un gain,
d'une part sur la qualité des structures extraites, d'autre
part sur le pouvoir de débruitage (et donc le pouvoir de
séparabilité du bruit et des textures).
Il serait intéressant, dans le futur, d'utiliser de nou-
velles réprésentations comme les bandlettes ou encore les
représentations creuses qui permettrait certainement de
gagner encore sur la qualité des composantes extraites.
Références
[1] J.Gilles, Noisy image decomposition: a new struc-
ture, texture and noise model based on local adap-
tivity, Journal of Mathematical Imaging and Vision
(JMIV), Vol.28, No.3, 285-295, 2007.
[2] J.F.Aujol, A.Chambolle, Dual norms and image de-
composition models, International Journal of Com-
puter Vision, Vol.63, No.1, 85-104, 2005.
[3] J.F.Aujol, G.Aubert, L.Blanc-Féraud, A.Chambolle,
Image decomposition into a bounded variation com-
ponent and an oscillating component, Journal of
Mathematical Imaging and Vision (JMIV), Vol.22,
No.1, 71-88, 2005.
[4] Y.Meyer, Oscillating patterns in image processing
and in some nonlinear evolution equations, The Fif-
teenth Dean Jacquelines B. Lewis Memorial Lectures,
American Mathematical Society, 2001.
[5] M.N.Do, M.Vetterli, The contourlet transform: an
ecient directional multiresolution image representa-
tion, IEEE Trans. Image Processing, Vol.14, No.12,
2091-2106, 2003.
[6] M.N.Do,Contourlets and sparse image representa-
tions, SPIE conference on Wavelet Applications in
Signal and Image Processing, San Diego, USA, 2003.
[7] M.N.Do, M.Vetterli, Contourlets: A Directional
Multiresolution Image Representation, IEEE Inter-
national Conference on Image Processing (ICIP),
Rochester, 2002.
[8] A.Chambolle, R.A.DeVore, N.Lee, B.J.Lucier, Non-
linear wavelet image processing: variational prob-
lems, compression and noise removal through wavelet
shrinkage, IEEE Trans. on Image Processing, Vol.7,
319-335, 1998
[9] J.F.Aujol, A.Chambolle, Dual norms and image de-
composition models, International Journal of Com-
puter Vision, Vol.63, No.1, 85-104, 2005

Más contenido relacionado

La actualidad más candente

La actualidad más candente (19)

Théorie des distributions
Théorie des distributionsThéorie des distributions
Théorie des distributions
 
Fourier
FourierFourier
Fourier
 
Cnc mp-2017-maths-2-corrige
Cnc mp-2017-maths-2-corrigeCnc mp-2017-maths-2-corrige
Cnc mp-2017-maths-2-corrige
 
JIM-2022 3 Puissances et racines
JIM-2022 3 Puissances et racinesJIM-2022 3 Puissances et racines
JIM-2022 3 Puissances et racines
 
Cours deplacements simplifies
Cours deplacements simplifiesCours deplacements simplifies
Cours deplacements simplifies
 
Comment faire disparaître les rides
Comment faire disparaître les ridesComment faire disparaître les rides
Comment faire disparaître les rides
 
103433 flexion hyperstatique
103433 flexion hyperstatique103433 flexion hyperstatique
103433 flexion hyperstatique
 
Cours series fourier
Cours series fourierCours series fourier
Cours series fourier
 
Quoi de neuf dans post gis 2.0 le raster bien sur mais beaucoup plus
Quoi de neuf dans post gis 2.0 le raster bien sur mais beaucoup plusQuoi de neuf dans post gis 2.0 le raster bien sur mais beaucoup plus
Quoi de neuf dans post gis 2.0 le raster bien sur mais beaucoup plus
 
Cnc 2009 mp_physique_2
Cnc 2009 mp_physique_2Cnc 2009 mp_physique_2
Cnc 2009 mp_physique_2
 
Fic00126
Fic00126Fic00126
Fic00126
 
Cnc 2009 mp_physique_1_corrige
Cnc 2009 mp_physique_1_corrigeCnc 2009 mp_physique_1_corrige
Cnc 2009 mp_physique_1_corrige
 
Cnc 2009 mp_physique_1
Cnc 2009 mp_physique_1Cnc 2009 mp_physique_1
Cnc 2009 mp_physique_1
 
Elements fini
Elements finiElements fini
Elements fini
 
Intégrations sur des espaces produits
Intégrations sur des espaces produitsIntégrations sur des espaces produits
Intégrations sur des espaces produits
 
Suites numériques
Suites numériquesSuites numériques
Suites numériques
 
Presentation of SOMbrero
Presentation of SOMbreroPresentation of SOMbrero
Presentation of SOMbrero
 
Filtrage image
Filtrage imageFiltrage image
Filtrage image
 
Slides cirm-copulasv3
Slides cirm-copulasv3Slides cirm-copulasv3
Slides cirm-copulasv3
 

Destacado

Robotique et Microtechniques par l’exemple
Robotique et Microtechniques par l’exempleRobotique et Microtechniques par l’exemple
Robotique et Microtechniques par l’exempleMinnovarc
 
622 vision-industrielle-principes
622 vision-industrielle-principes622 vision-industrielle-principes
622 vision-industrielle-principesBen Fethi
 
Multi-Function Automatic Move Smart Car for Arduino
Multi-Function Automatic Move Smart Car for ArduinoMulti-Function Automatic Move Smart Car for Arduino
Multi-Function Automatic Move Smart Car for ArduinoWanita Long
 
visible light follower robot by nagaraju.m
visible light follower robot by nagaraju.mvisible light follower robot by nagaraju.m
visible light follower robot by nagaraju.mNagaraju Medara
 
Line Following Robot
Line Following RobotLine Following Robot
Line Following RobotFarooq Saeed
 
Line follower robot 5th semster
Line follower robot 5th semsterLine follower robot 5th semster
Line follower robot 5th semsteraqeel shoukat
 
ROBOTICS - White And Black Line Follower Robot by Robosapiens in ATmega 8
ROBOTICS - White And Black Line Follower Robot by Robosapiens in ATmega 8ROBOTICS - White And Black Line Follower Robot by Robosapiens in ATmega 8
ROBOTICS - White And Black Line Follower Robot by Robosapiens in ATmega 8Sudipto Biswas
 
Dossier numérique interactif TPE
Dossier numérique  interactif TPEDossier numérique  interactif TPE
Dossier numérique interactif TPETiotleup
 
Makeblock mBot User Manual (Engligh Version)
Makeblock mBot User Manual (Engligh Version)Makeblock mBot User Manual (Engligh Version)
Makeblock mBot User Manual (Engligh Version)Una Tao
 
Line follower robot
Line follower robotLine follower robot
Line follower robotANU_110
 
Line Following Robot using Arduino UNO
Line Following Robot using Arduino UNOLine Following Robot using Arduino UNO
Line Following Robot using Arduino UNOViswanadh Ivaturi
 
Line follower Robot using PID algorithm
Line follower Robot using PID algorithmLine follower Robot using PID algorithm
Line follower Robot using PID algorithmIfaz Ahmed Aflan
 
Robot Framework Introduction
Robot Framework IntroductionRobot Framework Introduction
Robot Framework Introductionlaurent bristiel
 
Présentation de projet de fin d’études
Présentation de projet de fin d’étudesPrésentation de projet de fin d’études
Présentation de projet de fin d’étudesAimen Hajri
 
How to make a Line Follower Robot
How to make a Line Follower RobotHow to make a Line Follower Robot
How to make a Line Follower RobotroboVITics club
 

Destacado (20)

Line follower robot
Line follower robotLine follower robot
Line follower robot
 
Deepak ppt
Deepak pptDeepak ppt
Deepak ppt
 
Line follower
Line followerLine follower
Line follower
 
Robotique et Microtechniques par l’exemple
Robotique et Microtechniques par l’exempleRobotique et Microtechniques par l’exemple
Robotique et Microtechniques par l’exemple
 
622 vision-industrielle-principes
622 vision-industrielle-principes622 vision-industrielle-principes
622 vision-industrielle-principes
 
Multi-Function Automatic Move Smart Car for Arduino
Multi-Function Automatic Move Smart Car for ArduinoMulti-Function Automatic Move Smart Car for Arduino
Multi-Function Automatic Move Smart Car for Arduino
 
Line follower12
Line follower12Line follower12
Line follower12
 
Robot line follower sederhana menggunakan transisto dan photo dioda
Robot line follower sederhana menggunakan transisto dan photo diodaRobot line follower sederhana menggunakan transisto dan photo dioda
Robot line follower sederhana menggunakan transisto dan photo dioda
 
visible light follower robot by nagaraju.m
visible light follower robot by nagaraju.mvisible light follower robot by nagaraju.m
visible light follower robot by nagaraju.m
 
Line Following Robot
Line Following RobotLine Following Robot
Line Following Robot
 
Line follower robot 5th semster
Line follower robot 5th semsterLine follower robot 5th semster
Line follower robot 5th semster
 
ROBOTICS - White And Black Line Follower Robot by Robosapiens in ATmega 8
ROBOTICS - White And Black Line Follower Robot by Robosapiens in ATmega 8ROBOTICS - White And Black Line Follower Robot by Robosapiens in ATmega 8
ROBOTICS - White And Black Line Follower Robot by Robosapiens in ATmega 8
 
Dossier numérique interactif TPE
Dossier numérique  interactif TPEDossier numérique  interactif TPE
Dossier numérique interactif TPE
 
Makeblock mBot User Manual (Engligh Version)
Makeblock mBot User Manual (Engligh Version)Makeblock mBot User Manual (Engligh Version)
Makeblock mBot User Manual (Engligh Version)
 
Line follower robot
Line follower robotLine follower robot
Line follower robot
 
Line Following Robot using Arduino UNO
Line Following Robot using Arduino UNOLine Following Robot using Arduino UNO
Line Following Robot using Arduino UNO
 
Line follower Robot using PID algorithm
Line follower Robot using PID algorithmLine follower Robot using PID algorithm
Line follower Robot using PID algorithm
 
Robot Framework Introduction
Robot Framework IntroductionRobot Framework Introduction
Robot Framework Introduction
 
Présentation de projet de fin d’études
Présentation de projet de fin d’étudesPrésentation de projet de fin d’études
Présentation de projet de fin d’études
 
How to make a Line Follower Robot
How to make a Line Follower RobotHow to make a Line Follower Robot
How to make a Line Follower Robot
 

Similar a Jamil jidan

TP 2_ Anneaux de Newton et loi de Brewster, Théo Laurent et Thibaut Cornu.docx
TP 2_ Anneaux de Newton et loi de Brewster, Théo Laurent et Thibaut Cornu.docxTP 2_ Anneaux de Newton et loi de Brewster, Théo Laurent et Thibaut Cornu.docx
TP 2_ Anneaux de Newton et loi de Brewster, Théo Laurent et Thibaut Cornu.docxThibautCornu
 
cnc-mp-2011-physique-2-corrige (2bh).pdf
cnc-mp-2011-physique-2-corrige (2bh).pdfcnc-mp-2011-physique-2-corrige (2bh).pdf
cnc-mp-2011-physique-2-corrige (2bh).pdfYoussefZaoujal
 
Projet Methode numerique_(MENG Try)
Projet Methode numerique_(MENG Try)Projet Methode numerique_(MENG Try)
Projet Methode numerique_(MENG Try)meng try
 
Mef barre
Mef barreMef barre
Mef barreMED MED
 
Projet Méthodes Numériques
Projet  Méthodes Numériques Projet  Méthodes Numériques
Projet Méthodes Numériques Ramin Samadi
 
Etude du dimensionnement du divergent RL10-B2
Etude du dimensionnement du divergent RL10-B2Etude du dimensionnement du divergent RL10-B2
Etude du dimensionnement du divergent RL10-B2Daniel de Santiago Casado
 
Modélisation du signal et photométrie : application à l'astrophotographie
Modélisation du signal et photométrie : application à l'astrophotographieModélisation du signal et photométrie : application à l'astrophotographie
Modélisation du signal et photométrie : application à l'astrophotographieLaurent Devineau
 
85717b7aca485735313534313338323437343138 (1)
85717b7aca485735313534313338323437343138 (1)85717b7aca485735313534313338323437343138 (1)
85717b7aca485735313534313338323437343138 (1)AHMED ENNAJI
 
Devoir de synthèse_n°_02--2008-2009(mr_otay)[lycée__el_aghaliba]
Devoir de synthèse_n°_02--2008-2009(mr_otay)[lycée__el_aghaliba]Devoir de synthèse_n°_02--2008-2009(mr_otay)[lycée__el_aghaliba]
Devoir de synthèse_n°_02--2008-2009(mr_otay)[lycée__el_aghaliba]Yessin Abdelhedi
 
Nbr complexes
Nbr complexesNbr complexes
Nbr complexesbades12
 
ds-ex_topo.pdf
ds-ex_topo.pdfds-ex_topo.pdf
ds-ex_topo.pdfEDOH6
 
Chap nombres complexes
Chap nombres complexesChap nombres complexes
Chap nombres complexesKarim Amane
 
Ts exam-h2014-correction
Ts exam-h2014-correctionTs exam-h2014-correction
Ts exam-h2014-correctionDaha Ahmed
 
Cours series fourier
Cours series fourierCours series fourier
Cours series fourierismailkziadi
 
Fonctions usuelles.pdf
Fonctions usuelles.pdfFonctions usuelles.pdf
Fonctions usuelles.pdfwilfriedfofana
 

Similar a Jamil jidan (18)

TP 2_ Anneaux de Newton et loi de Brewster, Théo Laurent et Thibaut Cornu.docx
TP 2_ Anneaux de Newton et loi de Brewster, Théo Laurent et Thibaut Cornu.docxTP 2_ Anneaux de Newton et loi de Brewster, Théo Laurent et Thibaut Cornu.docx
TP 2_ Anneaux de Newton et loi de Brewster, Théo Laurent et Thibaut Cornu.docx
 
corr_exos.pdf
corr_exos.pdfcorr_exos.pdf
corr_exos.pdf
 
cnc-mp-2011-physique-2-corrige (2bh).pdf
cnc-mp-2011-physique-2-corrige (2bh).pdfcnc-mp-2011-physique-2-corrige (2bh).pdf
cnc-mp-2011-physique-2-corrige (2bh).pdf
 
Projet Methode numerique_(MENG Try)
Projet Methode numerique_(MENG Try)Projet Methode numerique_(MENG Try)
Projet Methode numerique_(MENG Try)
 
Exercice intégrales
Exercice intégralesExercice intégrales
Exercice intégrales
 
Mef barre
Mef barreMef barre
Mef barre
 
Projet Méthodes Numériques
Projet  Méthodes Numériques Projet  Méthodes Numériques
Projet Méthodes Numériques
 
Etude du dimensionnement du divergent RL10-B2
Etude du dimensionnement du divergent RL10-B2Etude du dimensionnement du divergent RL10-B2
Etude du dimensionnement du divergent RL10-B2
 
Modélisation du signal et photométrie : application à l'astrophotographie
Modélisation du signal et photométrie : application à l'astrophotographieModélisation du signal et photométrie : application à l'astrophotographie
Modélisation du signal et photométrie : application à l'astrophotographie
 
85717b7aca485735313534313338323437343138 (1)
85717b7aca485735313534313338323437343138 (1)85717b7aca485735313534313338323437343138 (1)
85717b7aca485735313534313338323437343138 (1)
 
Devoir de synthèse_n°_02--2008-2009(mr_otay)[lycée__el_aghaliba]
Devoir de synthèse_n°_02--2008-2009(mr_otay)[lycée__el_aghaliba]Devoir de synthèse_n°_02--2008-2009(mr_otay)[lycée__el_aghaliba]
Devoir de synthèse_n°_02--2008-2009(mr_otay)[lycée__el_aghaliba]
 
Nbr complexes
Nbr complexesNbr complexes
Nbr complexes
 
ds-ex_topo.pdf
ds-ex_topo.pdfds-ex_topo.pdf
ds-ex_topo.pdf
 
Chap nombres complexes
Chap nombres complexesChap nombres complexes
Chap nombres complexes
 
Ts exam-h2014-correction
Ts exam-h2014-correctionTs exam-h2014-correction
Ts exam-h2014-correction
 
Cours series fourier
Cours series fourierCours series fourier
Cours series fourier
 
Fonctions usuelles.pdf
Fonctions usuelles.pdfFonctions usuelles.pdf
Fonctions usuelles.pdf
 
Exercice exponontielle
Exercice exponontielleExercice exponontielle
Exercice exponontielle
 

Jamil jidan

  • 1. Séparation en composantes structures, textures et bruit d'une image, apport de l'utilisation des contourlettes. Jérôme Gilles 1 1DGA-CEP/EORD, 16bis rue Prieur de la Côte d'Or 94110 Arcueil jerome.gilles@etca.fr Résumé Dans cet article, nous proposons une amélioration des méthodes de décomposition d'image dans le cas d'images bruitées. Dans [1, 9], les auteurs proposent de séparer les structures, textures et bruit d'une image. Malheureusement, l'utilisation d'ondelettes séparables provoque des artéfacts. Nous proposons ici de remplacer les ondelettes par l'utilisation des contourlettes qui permettent de mieux approximer la géométrie dans les images. Pour cela, nous dénissons les espaces de contourlettes et leurs normes associées. Nous obtenons un algorithme itératif que nous appliquons sur deux images texturées et bruitées. Abstract In this paper, we propose to improve image decomposition algorithms in the case of noisy images. In [1, 9], the authors propose to separate structures, textures and noise from an image. Unfortunately, the use of separable wavelets shows some artefacts. In this paper, we propose to replace the wavelet transform by the contourlet transform which better approximate geometry in images. For that, we dene contourlet spaces and their associated norms. Then, we get an iterative algorithm which we test on two noisy textured images. 1 Introduction Ces dernières années, des modèles permettant de décom- poser une image f en ses composantes structures u + tex- tures v ont vu le jour. Le principe, proposé par Y.Meyer dans [4], consiste à considérer les structures comme des fonctions de l'espace des fonctions à variations bornées BV et les textures comme des fonctions oscillantes appar- tenant à un espace noté G proche du dual de BV . Le modèle consiste alors à minimiser la fonctionnelle FY M (u, v) = u BV + λ v G. (1) Un algorithme numérique ecace itératif basé sur un pro- jecteur non linéaire PGλ a été proposé par J.F Aujol dans [3] moyennant une modication de la fonctionnelle (mais donnant les mêmes minimiseurs que pour (1)): FAU λ,µ (u, v) = J(u) + J∗ v µ + (2λ)−1 f − u − v 2 L2 (2) où J∗ (v) est la fonction caractéristique sur G1 où Gµ = {v ∈ G/ v G µ} et J(u) = u BV . Ce modèle montre ses limites dès que les images d'entrée sont bruitées. En eet, le bruit peut être considéré comme un signal très oscillant et sera donc capturé dans la com- posante v. Il est alors nécessaire d'étendre ce modèle à un modèle à trois composantes: structures u + textures v + bruit w. Dans [1], nous avons proposé une première approche permettant de réaliser cette décomposition en jouant d'une part sur les bornes supérieures de la norme dans l'espace G pour les composantes v et w et d'autre part en donnant un comportement localement adaptatif à l'algorithme. Nous avons comparé ce modèle à celui pro- posé par Aujol et al. [2] utilisant un seuillage des coe- cients d'une décomposition en ondelettes pour eectuer le débruitage. Les deux méthodes donnent de bon résultats, le seuillage des ondelettes montrant une meilleure perfor- mance de débruitage mais abîmant les bords des struc- tures. Ce phénomène est dû au fait que la transformée en ondelette 2D se base sur deux directions. Aussi dans cette communication, nous proposons de remplacer l'utilisation des ondelettes par celle des contourlettes [5]. En eet, cette représentation permet de mieux tenir compte de la géométrie des bords présents dans les images. Nous dénissons la notion d'espace des contourlettes et mon- trons que le seuillage des coecients revient à faire la pro- jection sur cet espace. 2 Séparation structures, textures et bruit Commençons par rappeler les modèles proposés dans [1] et [2] permettant d'eectuer cette décomposition en trois composantes. Le premier considère que les textures et le bruit sont des fonctions oscillantes à ceci près que le bruit est vu comme beaucoup plus oscillant. Suivant les propriétés de la norme sur l'espace G (cette norme est d'autant plus faible que le signal est oscillant), nous con- sidérons que v ∈ Gµ1 et w ∈ Gµ2 avec µ2 µ1. De plus, nous proposons d'utiliser une carte ν des zones où sont
  • 2. présentes des textures an d'accentuer ou non le pouvoir de débruitage (voir [1] pour plus de détails). La fonction- nelle à minimiser est: FJG λ,µ1,µ2 (u, v, w) = J(u) + J∗ v µ1 + J∗ w µ2 (3) + (2λ)−1 f − u − ν1v − ν2w 2 L2 . Moyennant une légère modication, nous pouvons utiliser les projecteurs non linéaires utilisés dans le cas à deux composantes. Tous les détails théoriques et numériques sont disponibles dans [1]. Dans [2], les auteurs proposent un modèle assez similaire mais considérant le bruit comme appartenant à l'espace des distributions. Cette espace étant formulé via l'espace de Besov E = ˙B∞ −1,∞. La fonctionnelle proposée est alors: FAC λ,µ,δ(u, v, w) = J(u) + J∗ v µ + B∗ w δ (4) + (2λ)−1 f − u − v − w 2 L2 , où B∗ (w) est la fonction caractéristique sur l'espace E1 = {w ∈ E/ w E 1}. Les auteurs montrent que la projec- tion sur cet espace correspond à eectuer un seuillage doux des coecients d'une décomposition en ondelettes. Ce modèle donne un meilleur débruitage mais abîme les bords des structures, dû au fait que la transformée 2D n'utilise que des ltres séparables horizontaux et verticaux. Nous proposons donc de remplacer l'utilisation de ces ondelettes par une représentation mieux adaptée au traitement des images et plus particulièrement à la géométrie présente. La réprésentation retenue est celle des contourlettes [5]. 3 Séparation de composantes basée sur les contourlettes Nous commençons par rappeler un résultat démontré par Do et Vetterli [5]: Théorème 1 Soit j l'échelle, n la position, {lj}j j0 l'en- semble des nombres de directions souhaitées pour chaque échelle j. Alors, la famille φj0,n(t); ρ (lj ) j,k,n(t) j j0, 0 k 2lj −1, n∈Z2 (5) est une trame ajustée de L2(R2 ). Tous les détails sur la construction des fonctions φj0,n(t) et ρ (lj ) j,k,n(t) sont disponibles dans [5, 6, 7]. Ceci implique donc que l'on peut décomposer une fonction de L2(R2 ) de la manière suivante: Corollaire 1 f(t) = n αnφj0,n(t) + j j0 2lj −1 k=0 n βj,k,nρ (lj ) j,k,n(t) (6) ou f(t) = j∈Z 2lj −1 k=0 n βj,k,nρ (lj ) j,k,n(t). (7) Où αn = f|φj0,n et βj,k,n = f|ρ (lj ) j,k,n sont les coef- cents de la transformée en contourlettes. Nous pouvons alors dénir, sur le modèle des espaces de Besov, les es- paces de contourlettes Cos p,q et leurs versions homogènes ˙Co s p,q ainsi que leurs normes associées: Dénition 1 Soit s 0 et p, q 0, si f ∈ Cos p,q alors f Cos p,q = n |αj0,n|p 1/p +   j j0 2j(d 2 − 1 p +s)q   2lj −1 k=0 n 2j p 2 |βj,k,n|p   q/p    1/q (8) ou dans le cas des espaces homogènes f ˙Co s p,q =   j∈Z 2j(d 2 − 1 p +s)q   2lj −1 k=0 n 2j p 2 |βj,k,n|p   q/p    1/q (9) Il est rapide de voir que l'espace ˙Co ∞ −1,∞, comme dans le cas des espaces de Besov, contient les distributions et peut donc être utilisé pour modéliser le bruit dans l'image. La fonctionnelle prenant en compte cet espace permettant la décomposition est alors: FCo λ,µ,δ(u, v, w) = J(u) + J∗ v µ + J∗ Co w δ (10) + (2λ)−1 f − u − v − w 2 L2 Avec J∗ Co la fonction caractéristique sur Co1 où Coδ = f ∈ ˙Co ∞ −1,∞/ f ˙Co ∞ −1,∞ δ . Les minimiseurs de (10) sont donnés par la proposition suivante. Proposition 1 Soit u ∈ BV , v ∈ Gµ, w ∈ Coδ re- spectivement les composantes structures, textures et bruit découlant de la décomposition d'image. Alors, les min- imiseurs (ˆu, ˆv, ˆw) = arg (u,v,w)∈BV ×Gµ×Coδ inf FCo λ,µ,δ(u, v, w) (11) sont donnés par ˆu = f − ˆv − ˆw − PGλ (f − ˆv − ˆw) ˆv = PGµ (f − ˆu − ˆw) ˆw = f − ˆu − ˆv − CST (f − ˆu − ˆv; 2δ) oùPGλ estleprojecteurnon-linéairedeChambolleetCST (f − u − v, 2δ) est l'opérateur de seuillage doux, avec un
  • 3. seuil de 2δ, des coecients de la transformée en con- tourlettes de f − u − v. Preuve 1 Les composantes ˆu et ˆv sont obtenues par le mêmeargumentutilisédanslesdémonstrationsdestravaux de Aujol et Chambolle [9] ou dans les travaux de Gilles [1]) et ne seront pas redémontrés ici. Le point particulier con- cerne l'expression de ˆw en fonction du seuillage doux des coecients de la transformée en contourlettes. Supposons que l'on cherche à minimiser FCo λ,µ,δ(u, v, w) par rapport à w, ceci est equivalent à chercher w solution de (on pose g = f − u − v) ˆw = arg w∈Coδ min g − w 2 L2 . (12) Nous pouvons alors utiliser une formulation duale: ˆw = g − ˆh telle que ˆh = arg h∈ ˙Co 1 1,1 min 2δ h ˙Co 1 1,1 + g − h 2 L2 . (13) Nous pouvons utiliser la même approche que Chambolle et al. dans [8]. Soit(cj,k,n)j∈Z,0 k 2(lj ) ,n∈Z2 et(dj,k,n)j∈Z,0 k 2(lj ) ,n∈Z2 les coecients respectivement issus de la transformée en contourlettes de g et h. Comme les contourlettes for- ment une trame ajustée, de borne 1, nous avons (on note Ω = Z × 0, 2(lj ) × Z2 ) g 2 L2 = (j,k,n)∈Ω |cj,k,n|2 . (14) Alors (13) consiste à trouver les dj,k,n minimisant (j,k,n)∈Ω |cj,k,n − dj,k,n|2 + 2δ (j,k,n)∈Ω |dj,k,n| (15) ce qui est equivalent à minimiser |cj,k,n − dj,k,n|2 + 2δ|dj,k,n|. (16) Or, dans [8], les auteurs montrent que la solution à ce type de problème est un seuillage doux des coecients (cj,k,n) avec un seuil de 2δ. Alors ˆh = CST(g, 2δ), ce qui, par dualité, implique que ˆw = g − CST(g, 2δ). Nous concluons donc que ˆw = f − ˆu − ˆv − CST(f − ˆu − ˆv, 2δ) (17) ce qui termine la preuve. L'algorithme numérique correspondant consiste donc en celui de Aujol et al. dans lequel nous remplaçons l'utilisa- tion des ondelettes par celle des contourlettes. 1. initialisation: u0 = v0 = w0 = 0, 2. calcul de wn+1 = f −un −vn −CST(f −un −vn, 2δ), 3. calcul de vn+1 = PGµ (f − un − wn+1), 4. calcul de un+1 = f −vn+1 −wn+1 −PGλ (f −vn+1 − wn+1), 5. si max{|un+1 − un|, |vn+1 − vn|, |wn+1 − wn|} ou si Nstep itérations ont été faites alors on stoppe l'algorithme, sinon on retourne à l'étape 2. 4 Résultats La gure 1 montre les images de test utilisées. Nous leur avons ajouté un bruit de type gaussien additif d'une vari- ance σ = 20 sur chaque image. Fig. 1 Images de test Barbara et Léopard corrompues par un bruit gaussien (σ = 20). Les résultats de la décomposition obtenue sur chaque image sont donnés respectivement sur les gures 2 et 3. Le bruit est eectivement bien séparé du reste des autres composantes. Nous pouvons toutefois remarquer, comme pour les autres algorithmes cités précédemment, que le choix des paramètres inue sur la quantité de résidu de bruit dans les textures et la quantité de résidu de textures dans le bruit. Par ailleurs, comme attendu, les structures sont de meilleure qualité du fait de l'utilisation des con- tourlettes. 5 Conclusion Dans cet article, nous avons présenté une extension du modèle de décomposition d'image basé sur le seuillage de coecients d'ondelette proposé par Aujol et al. Pour cela, nous avons choisi d'utiliser les contourlettes. Celles-ci per- mettent en eet de tenir compte de la géométrie dans les images et ont un meilleur pouvoir d'approximation que les ondelettes. Nous dénissons alors les espaces de con- tourlettes ainsi que leurs normes associées; et montrons que la projection sur ces espaces correspond, comme dans
  • 4. Structures Textures Bruit Fig. 2 Composantes structures + textures + bruit issus de la décomposition de Barbara bruitée. Structures Textures Bruit Fig. 3 Composantes structures + textures + bruit issus de la décomposition du Léopard bruité. le cas des ondelettes, à un seuillage doux des coecients de la transformée. L'algorithme nal permettant d'obtenir la décomposi- tion en trois composantes revient au même algorithme que dans le cas des ondelettes à la diérence près que le seuillage des coecients d'ondelette est remplaçé par le seuillage des coecients de contourlettes. Les résultats obtenus montrent eectivement un gain, d'une part sur la qualité des structures extraites, d'autre part sur le pouvoir de débruitage (et donc le pouvoir de séparabilité du bruit et des textures). Il serait intéressant, dans le futur, d'utiliser de nou- velles réprésentations comme les bandlettes ou encore les représentations creuses qui permettrait certainement de gagner encore sur la qualité des composantes extraites. Références [1] J.Gilles, Noisy image decomposition: a new struc- ture, texture and noise model based on local adap- tivity, Journal of Mathematical Imaging and Vision (JMIV), Vol.28, No.3, 285-295, 2007. [2] J.F.Aujol, A.Chambolle, Dual norms and image de- composition models, International Journal of Com- puter Vision, Vol.63, No.1, 85-104, 2005. [3] J.F.Aujol, G.Aubert, L.Blanc-Féraud, A.Chambolle, Image decomposition into a bounded variation com- ponent and an oscillating component, Journal of Mathematical Imaging and Vision (JMIV), Vol.22, No.1, 71-88, 2005. [4] Y.Meyer, Oscillating patterns in image processing and in some nonlinear evolution equations, The Fif- teenth Dean Jacquelines B. Lewis Memorial Lectures, American Mathematical Society, 2001. [5] M.N.Do, M.Vetterli, The contourlet transform: an ecient directional multiresolution image representa- tion, IEEE Trans. Image Processing, Vol.14, No.12, 2091-2106, 2003. [6] M.N.Do,Contourlets and sparse image representa- tions, SPIE conference on Wavelet Applications in Signal and Image Processing, San Diego, USA, 2003. [7] M.N.Do, M.Vetterli, Contourlets: A Directional Multiresolution Image Representation, IEEE Inter- national Conference on Image Processing (ICIP), Rochester, 2002. [8] A.Chambolle, R.A.DeVore, N.Lee, B.J.Lucier, Non- linear wavelet image processing: variational prob- lems, compression and noise removal through wavelet shrinkage, IEEE Trans. on Image Processing, Vol.7, 319-335, 1998 [9] J.F.Aujol, A.Chambolle, Dual norms and image de- composition models, International Journal of Com- puter Vision, Vol.63, No.1, 85-104, 2005