Filtrage Inverse et de Wiener
Transcription
Filtrage Inverse et de Wiener
Filtrage Inverse et de Wiener Jean-François Lerallut Veronica Medina Joaquín Azpiroz Leehan BM-06 Chapitre 5 Filtrage de Wiener 1 Lerallut, Medina, Azpiroz © 1999 UTC-UAM Restauration d’images Récupération d’une image dégradée par les instruments de détection. – Artefacts de mouvement – Distorsions géométriques – Problèmes de mise au point – Contamination par du bruit BM-06 Chapitre 5 Filtrage de Wiener 2 Lerallut, Medina, Azpiroz © 1999 UTC-UAM Modèle de dégradation de l’image Modèle simple: g(n1,n2) = f(n1,n2) * h(n1,n2) + b(n1,n2) f: image originale g: image observée h: “blur point spread function” b: bruit f(n1,n2) BM-06 Chapitre 5 Filtrage de Wiener H b(n1,n2) + 3 g(n1,n2) Lerallut, Medina, Azpiroz © 1999 UTC-UAM Filtrage Inverse • Dans le filtrage inverse l’idée est d’obtenir l’entrée d’un système (l’image d’origine) à partir de la sortie (image dégradée). • Dans un système sans bruit, un filtre inverse donnerait f(n1,n2) à partir des observations g(n1,n2). On peut l’exprimer comme: −1 = g ( x ) g ( x ) ou I BM-06 Chapitre 5 Filtrage de Wiener 4 g ( g ( x )) = x I Lerallut, Medina, Azpiroz © 1999 UTC-UAM Filtrage Inverse Si le bruit, n est négligeable dans le domaine de la fréquence: G(w1 , w2) = f(w1 , w2)h(w1 , w2) Si la fonction de dégradation est connue à priori: G (ω 1 ,ω 2 ) ! F (ω 1 ,ω 2 ) = H (ω 1 ,ω 2 ) BM-06 Chapitre 5 Filtrage de Wiener 5 Lerallut, Medina, Azpiroz © 1999 UTC-UAM Filtrage Inverse: 1: original 2: déformation 3: restauration 4: erreur BM-06 Chapitre 5 Filtrage de Wiener 6 Lerallut, Medina, Azpiroz © 1999 UTC-UAM ( d ’après R. Gonzalez et P. Wintz, 1987 ) BM-06 Chapitre 5 Filtrage de Wiener 7 Lerallut, Medina, Azpiroz © 1999 UTC-UAM BM-06 Chapitre 5 Filtrage de Wiener 8 Lerallut, Medina, Azpiroz © 1999 UTC-UAM BM-06 Chapitre 5 Filtrage de Wiener 9 Lerallut, Medina, Azpiroz © 1999 UTC-UAM Filtrage Pseudo-inverse • Les filtres inverses s’utilisent quand le type de dégradation qui se trouvera à la sortie du système d’acquisition et d’affichage d’image est connu. En pratique ils sont difficiles à construire, parce qu’ils sont instables. • Or, si h(w1, w2)=0, il ne peut pas exister h-(w1, w2) • En pratique, on définit un filtre pseudo-inverse comme: 1 H ( ω ,ω ) , H ≠ 0 1 2 H − ( ω 1 ,ω 2 ) = 0 , H =0 BM-06 Chapitre 5 Filtrage de Wiener 10 Lerallut, Medina, Azpiroz © 1999 UTC-UAM Filtres De Wiener • Le problème principal des filtres inverses est leur sensibilité au bruit. Le filtrage de Wiener peut s’employer pour effectuer la restauration de ce type d’image. • S’il existe une image s(n1,n2) contaminée par un bruit additif n(n1,n2) avec une moyenne zéro et qui produit une image observée g(n1,n2): g(n1,n2)=s(n1,n2)+n(n1,n2). n(n1,n2) est un signal aléatoire stationnaire bidimensionnel avec une moyenne nulle BM-06 Chapitre 5 Filtrage de Wiener 11 Lerallut, Medina, Azpiroz © 1999 UTC-UAM Filtres de Wiener • On veut estimer la valeur de l’image bruitée qu’on observe, en utilisant un filtre linéaire qui a une réponse impulsionnelle telle que l’erreur quadratique moyenne soit minimisée: [ 2 ] [ E = E e( n1 , n2 ) = E s( n1 , n2 ) − ŝ( n1 , n2 ) BM-06 Chapitre 5 Filtrage de Wiener 12 2 ] Lerallut, Medina, Azpiroz © 1999 UTC-UAM Filtrage de Wiener • Le filtre qui remplit ces conditions est: ∞ ∞ ∑ ∑h k = −∞ l = −∞ w ( m − k , n − l )Rgg ( k , l ) = Rsg ( m , n ) • où Rgg(k,l) et Rsg(m,n) représentent l’autocorrélation et la corrélation croisée respectivement: Rgg ( k , l ) = E [g ( m , n ) g ( m − k , n − l )] Rsg ( m , n ) = E [s( m , n ) g ( m − k , n − l )] BM-06 Chapitre 5 Filtrage de Wiener 13 Lerallut, Medina, Azpiroz © 1999 UTC-UAM Filtrage de Wiener • En appliquant la transformée de Fourier (TDF) au filtre, on en obtient la fonction de transfert : H ω ( ω 1 ,ω 2 ) = Psg ( ω 1 ,ω 2 ) Pgg ( ω 1 ,ω 2 ) où Psg(w1, w2) Pgg(w1, w2) sont le spectre croisé entre s et g et le spectre de g respectivement, c’est à dire, les TDF de Rgg(k,l) et Rsg(m,n). • Ce filtre est connu comme le filtre de Wiener non causal. Si le signal, et le bruit ne sont pas corrélés, la fonction de transfert du filtre est: P ( ω ,ω ) H ω ( ω 1 ,ω 2 ) = BM-06 Chapitre 5 Filtrage de Wiener ss 1 2 Pss ( ω 1 ,ω 2 ) + Pnn ( ω 1 ,ω 2 ) 14 Lerallut, Medina, Azpiroz © 1999 UTC-UAM Filtrage de Wiener • Le filtrage de Wiener est employé fréquemment pour éliminer du bruit additif. • Lorsque le spectre du signal Pss(w1, w2) est beaucoup plus intense que celui du bruit, Pnn(w1, w2), la fonction de transfert se rapproche de la valeur un. • Dans le cas où Pnn(w1, w2) >> Pss(w1, w2), la fonction de transfert se rapproche de: Pss(w1, w2)/ Pnn(w1, w2), et de cette façon les composantes fréquencielles s’atténuent proportionnellement au rapport signal/bruit. • En général le rapport signal/bruit est haut pour les fréquences spatiales basses, et de cette manière ce filtre se comporte comme un filtre passe bas. BM-06 Chapitre 5 Filtrage de Wiener 15 Lerallut, Medina, Azpiroz © 1999 UTC-UAM Filtrage de Wiener: Exemples On montre l’image d’origine et une image avec un bruit gaussien de moyenne zéro et variance=0.001. BM-06 Chapitre 5 Filtrage de Wiener 16 Lerallut, Medina, Azpiroz © 1999 UTC-UAM Filtrage de Wiener: Exemples Images bruitées et traitées avec un filtre de Wiener avec un masque de taille 3 x 3 BM-06 Chapitre 5 Filtrage de Wiener 17 Lerallut, Medina, Azpiroz © 1999 UTC-UAM Filtrage de Wiener: Exemples Images bruitées et traitées avec un filtre de Wiener avec un masque de taille 7 x 7 BM-06 Chapitre 5 Filtrage de Wiener 18 Lerallut, Medina, Azpiroz © 1999 UTC-UAM Filtrage de Wiener: originale BM-06 Chapitre 5 Filtrage de Wiener 19 Lerallut, Medina, Azpiroz © 1999 UTC-UAM F.W: bruitée variance = 0.001 BM-06 Chapitre 5 Filtrage de Wiener 20 Lerallut, Medina, Azpiroz © 1999 UTC-UAM Filtrage de Wiener: FW 3 x 3 BM-06 Chapitre 5 Filtrage de Wiener 21 Lerallut, Medina, Azpiroz © 1999 UTC-UAM Filtrage de Wiener: FW 7 x 7 BM-06 Chapitre 5 Filtrage de Wiener 22 Lerallut, Medina, Azpiroz © 1999 UTC-UAM FW bruit, variance=0.05 Images bruitées et traitées avec un filtre de Wiener avec un masque de taille 3 x 3 BM-06 Chapitre 5 Filtrage de Wiener 23 Lerallut, Medina, Azpiroz © 1999 UTC-UAM FW bruit, variance=0.05 Images bruitées et traitées avec un filtre de Wiener avec un masque de taille 7 x 7 BM-06 Chapitre 5 Filtrage de Wiener 24 Lerallut, Medina, Azpiroz © 1999 UTC-UAM F.W: bruitée variance = 0.05 BM-06 Chapitre 5 Filtrage de Wiener 25 Lerallut, Medina, Azpiroz © 1999 UTC-UAM Filtrage de Wiener: FW 3 x 3 BM-06 Chapitre 5 Filtrage de Wiener 26 Lerallut, Medina, Azpiroz © 1999 UTC-UAM Filtrage de Wiener: FW 7 x 7 BM-06 Chapitre 5 Filtrage de Wiener 27 Lerallut, Medina, Azpiroz © 1999 UTC-UAM Conclusions • Le principe consiste à obtenir l’entrée d’un système (l’image d’origine « idéale ») à partir de la sortie (image dégradée). • Filtrage inverse, si la dégradation est connue, mais ce filtre est sensible au bruit. • Filtres de Wiener: minimiser l’erreur quadratique moyenne. Peut être utilisé pour éliminer du bruit additif. • En général aux fréquences spatiales basses, le rapport signal/bruit est haut, et de cette façon, le filtre se comporte comme un filtre passe bas. BM-06 Chapitre 5 Filtrage de Wiener 28 Lerallut, Medina, Azpiroz © 1999 UTC-UAM