COLLOQUE TIPI 88

Amlioration de la restauration
d'images floues
par un filtrage adaptatif de Kalman
utilisant une image miroir
High efficiency image restoration using mirror images

and adaptive Kalman filtering

Loure BLANC-FERAUD
41, boulevard Napolon-III, 06041 NICE CEDEX.
DEA en Mathmatiques et Automatique l'Universit Paris-IX- Dauphine en 1986 . Prparation d'une thse en
compression et restauration d'images au LASSY, Universit de Nice, depuis septembre 1986 .

Michel BARLAUD
41, boulevard Napolon-III, 06041 NICE CEDEX .
Matre-assistant agrg l'Universit de Dakar de 1972 1983, il effectue sa recherche sur la commande des
systmes photovoltaques . Il obtient sa thse d'tat en 1983 l'Universit Paris-XII . Matre de confrence l'Uni-
versit de Nice depuis 1984, il travaille en traitement du signal sur la modlisation de signaux non stationnaires et
multidimensionnels et sur la compression et la restauration d'image .

Pierre MATHIEU
41, boulevard Napolon-Iii, 06041 NICE CEDEX.
Ingnieur ENSEEIHT en 1979, il soutient en 1983 une thse de Docteur-Ingnieur au LEEI de l'INP de Toulouse, sur
les modlisations de machines synchrones aliments par convertisseurs statiques . Matre-assistant l'Universit
de Nice depuis 1985, il effectue sa recherche en traitement du signal appliqu aux images .

Traitement du Signal volume 5 - n 4 - 1988

249
 AMLIORATION DE LA RESTAURATION D'IMAGES FLOUES

RSUM
Notre propos est la restauration d'image dgrade par un flou ou un boug, additionn d'un bruit . La mthode propose
est drive de l'algorithme de filtrage rcursif introduit par Biemond en 1983 [13] qui offre l'avantage d'tre plus rapide que
d'autres mthodes de restauration d'image, et de raliser une dconvolution significative .
L'criture vectorielle du modle AR 2D de l'image et de la dgradation fait apparatre des matrices de Toeplitz . Celles-ci
approches par des matrices circulantes, sont facilement diagonalises par FFT. Cette diagonalisation permet de transformer
le systme 2D de taille N x N, en N systmes 1D disjoints de taille N : l'application de N FFT sur les lignes permet d'obtenir
N filtres de Kalman disjoints sur les colonnes .
L'utilisation de la FFT, qui suppose la priodicit du signal trait, fait apparatre une discontinuit entre les bords droit et
gauche de l'image . Cette discontinuit du signal cre des frquences parasites qui se traduisent sur l'image restaure, par des
bandes verticales blanches et noires . Afin d'liminer ces rayures, nous proposons d'utiliser dans cet algorithme une image
miroir construite partir de l'image originale : l'image traiter possde alors des proprits de continuit et de symtrie que
nous exploitons .
Enfin, nous dveloppons un filtre adaptatif de Kalman appliqu au signal 1D restaurer, afin de rduire la dynamique des
gains du filtre de certains de ces signaux .
Des rsultats sont prsents sur des images artificiellement rendues floues ou bouges .

MOTS CLS
Restauration d'image, filtrage Kalman, FFT, image miroir, mthode adaptative .

SUMMARY
The purpose of this paper is image restoration by means of fast parallel Kalman filtering . This algorithm was introduced by
Biemond et al. in 1983 [13] for image restoration . The problem is the appearance of ringing in the restored image. It results
front the implicit assumption of rows periodicity, when FFT is applied on the image rows. Since left and right boundaries values
are diffrent, discontinuity points appear . In order to achieve boundary condition suitable for the ID horizontal FFT processing,
we use in the algorithm a mirror image . We first give the description of this mirror image, and then we exploit in the algorithm
its horizontal properties of boundaries continuity and symmetry.
Then, an adaptive Kalman filtering is introduced to avoid non consistency of the Kalman gains factors on some frequencies, and
to reduce the remaining ringing.
Finally results are shown for some images and PSF .

KEY WORDS
Image restoration, point spread function, fast parallel Kalman filter, FFT, mirror image, adaptive Kalman filter .

1 . Introduction

Le propos de cet article est la restauration d'images,
qui consiste reconstituer au mieux des images ayant
subi des dgradations. Il s'agit de supprimer ces
dgradations (bruit, flou . . .), afin de retrouver l'image
originale, en optimisant un certain critre [1] .
La restauration d'image est un problme qui apparat
dans de nombreux domaines . En effet, quelle que soit
l'origine que puissent avoir les images numriques,
que ce soient des images d'origine photographique,
scanner, satellite, etc ., il est important d'en amliorer
la qualit . Les rsultats obtenus par un traitement
spcifique effectu sur une image numrique, comme
la dtection de contours ou encore la reconnaissance
de textures, sont conditionns par la qualit de l'image
initiale .
Diffrents critres d'optimisation seront choisis, en
fonction de l'utilisation ou du traitement ultrieur de
l'image, ainsi que de la connaissance que l'on peut
avoir a priori de cette image .
Les dgradations subies par une image peuvent tre
causes par diffrents phnomnes (bruit de mesure,
boug de l'appareil photographique . . .) . Les algo-
rithmes de restauration seront diffrents suivant le
type de dgradation observ, en particulier en fonc-
tion du systme choisi pour modliser la dgradation .
Ce modle peut tre simplement l'addition d'un bruit
(bruit de mesure, ou bruit de transmission), ou la
convolution de l'image originale avec une fonction
reprsentant la dgradation . Cette fonction peut
modliser une varit de dgradations comme par
exemple un boug de la camra, une dfocalisation
ou une diffraction de l'appareil photographique, etc.
Elle est usuellement appele dans la littrature Point
Spread Function (PSF) [1] .
Nous nous intresserons plus particulirement dans
cet expos la restauration d'images floues, bouges
et bruites qui sont les cas les plus frquents ren-
contrs en restauration d'images. Le problme pos
est celui de la dconvolution en prsence de bruit .

Traitement du Signal volume 5 - n 4 - 1988

250

COLLOQUE TIPI 88
1 . PRSENTATION DU PROBLME
Le problme consiste retrouver une image numri-
se, reprsente par le signal x (m, n) (m tant la ligne
et n la colonne du pixel, m et n variant de 1 N),
partir d'une image numrique observe y (ni, n) telle
que
K2 L2
(1) y (m, n) =
E Y, c (k, 1)
k=-K1 1=L1
xx(m-k, n-l)+w(m, n)
o c (k, 1) est la PSF, et w (m, n) un bruit blanc
gaussien, non corrl avec les donnes .
C'est un problme de dconvolution difficile car
l'quation (1) rcrite sous forme matricielle [quation
(2)] fait apparatre une matrice C qui est une matrice
mal conditionne .
(2) Y=CX+W
Il apparat en gnral que certaines lignes ou colonnes
de C sont dpendantes [3] . Il est clair que le problme
d'inversion pos est difficile, que la solution X n'est
pas unique, et qu'il faudra en consquence choisir
une solution particulire parmi toutes les solutions
admissibles, en utilisant au mieux la connaissance a
priori que l'on peut avoir sur l'image d'origine X .
2. RAPPEL DE CERTAINES MTHODES EXISTANTES
Diverses mthodes ont t dveloppes dans les
annes 70 [1] pour rsoudre ce problme . Une des
premires techniques utilise, est le filtrage inverse,
qui consiste prendre pour solution X
(3) X=C -I Y+C -1 W
Malheureusement l'inverse de C n'existe pas toujours,
et dans le cas o l'on peut la calculer, cette matrice
tant mal conditionne, la solution est domine par
le bruit [1] .
Des amliorations ont t apportes cette mthode,
en imposant des contraintes sur le type de solutions
obtenir. Malgr tout, les diffrentes mthodes dve-
loppes par Hunt [4] dans le cadre d'une optimisation
au sens des moindres carrs s'avrent difficilement
applicables en raison des zros prsents dans la
matrice C.
Une seconde approche du problme est l'approche
stochastique . Le caractre alatoire du bruit w est
alors pris en compte. Le problme est ici pos en
terme d'estimation de l'tat x, x tant un processus
alatoire, connaissant une observation y de x, la loi
du bruit w, et la dgradation c .
La mthode d'estimation la plus couramment utilise
est le filtrage de Wiener [1] . Malheureusement, cette
mthode tant une optimisation du type des moindres
carrs, elle pose les mmes problmes de rsolution .
D'autre part cette technique ne prend pas en compte
la non-stationnarit de l'image, et ncessite de plus la
connaissance de la densit spectrale de l'image d'ori-
gine qui est inconnue .
Traitement du Signal
Une seconde mthode trs utilise en restauration
d'image dans l'approche stochastique, est la mthode
du maximum a posteriori (mthode du MAP) [1, 5, 7] .
Cette mthode donne de bons rsultats mais a l'in-
convnient d'avoir un temps de traitement trs impor-
tant . Rcemment, des recherches ont t faites par
Demoment et Djafari [16] afin de simplifier cette
mthode et d'en rduire le temps de calcul . La
mthode du MAP a notamment l'avantage de ne
pas faire d'hypothse sur la linarit du systme de
dgradation de l'image, et est donc utilise dans le
cas de dgradations modlises par des systmes non
linaires [2, 8] .
Dans le cas d'un bruit multiplicatif, Chellappa utilise
le critre du MAP, et rsout le systme obtenu par
une mthode de simulated annealing (recuit
simul) [10] . Les rsultats ont montr qu'un tel bruit
pouvait efficacement tre rduit par la mthode du
MAP, mais encore une fois au prix d'un temps de
calcul considrable . Ces mthodes ont t adaptes
au cas d'une PSF variant dans l'espace [6, 8, 9] .
Enfin, la mthode rcursive de filtrage de Kalman a
t tendue au cas 2D et applique pour la restaura-
tion d'images. Les premiers travaux ont t effectus
par Woods [11, 12] . Il apparat que l'image est bien
dconvolue, c'est--dire que le flou a bien t sup-
prim, mais ceci ne peut tre obtenu qu'au prix d'un
cot de calcul trs lev . La lourdeur d'un tel filtrage
sur une image quelconque N x N, est due au fait que
l'tat du systme dynamique 2D utilis pour le filtrage
a une dimension de l'ordre de N . Il en rsulte que les
quations de calcul du gain du filtre (l'quation de
Riccati en particulier) font intervenir des inconnues
matricielles dont la dimension est de l'ordre de N x N .
La mise en aeuvre d'un tel filtre, mme sur un calcula-
teur puissant, pose des problmes de temps de rsolu-
tion. Aussi, ds les premires applications, des modifi-
cations ont t apportes au filtre de Kalman. Citons
un des premiers algorithmes et le plus utilis l'heure
actuelle, le Reduced Update Kalman Filter (RUKF),
dvelopp par Woods en 1971 [11] .
Plus rcemment, les quations de Chandrasekhar ont
t tendues au cas 2D [19] pour le calcul des gains
du filtre de Kalman et apportent une rduction de
temps de calcul supplmentaire l'algorithme de
RUKF.
Une approche diffrente du problme a permis
Biemond en 1983 [13] d'utiliser de faon rapide le
filtre de Kalman . L'ide matresse de cette mthode
est de diagonaliser le systme 2D pour obtenir N
systmes 1D dcorrls . La transforme thorique de
Karhunen Loeve est approche par une FFT pour
dcorrler les colonnes . Ainsi la restauration s'effectue
par N filtres de Kalman sur les N colonnes de l'image
transforme . Ce filtrage est beaucoup plus rapide que
celui en dimension 2 : le nombre d'oprations lmen-
taires est divise par un facteur de l'ordre de N 2.
C'est pourquoi, parmi les diffrentes mthodes rappe-
les ci-dessus, nous avons retenue cette dernire pour
le problme de la restauration d'image . L'efficacit
du filtre de Kalman pour l'estimation de l'tat d'un
systme dynamique, la rapidit de l'algorithme obte-
nue grce la transformation de Fourier, et enfin le
volume 5 - n 4 - 9988
251


AMLIORATION DE LA RESTAURATION D'IMAGES FLOUES

fait que cette mthode rcursive tienne compte de la
non-stationnarit des images ont t les trois facteurs
dterminants dans le choix de la mthode .
Cependant cette mthode, applique directement sur
une image floue, ne donne pas la qualit visuelle
attendue par la restauration. Si le flou a t correcte-
ment supprim et que les contours sont nets, il appa-
rat des dgradations sur l'image qui n'existaient pas
l'origine . Le principal dfaut de ces images est la
formation de raies blanches et noires verticales, qui
se propagent en chos sur l'image partir des bords .
Aprs avoir pos le problme gnral et dcrit les
transformations effectues pour la dcorrlation des
colonnes en partie 2, nous analysons dans la partie 3
l'origine des dfauts de la mthode et proposons une
solution pour les liminer . La solution que nous pro-
posons est base sur la construction d'une image
miroir, qui, nous le verrons, offre de nombreux avan-
tages dont le principal est bien sr d'liminer les raies .
Enfin, le filtrage sera rendu adaptatif afin d'amliorer
encore la qualit visuelle de l'image restaure . En
partie 4 nous prsentons les rsultats des diffrentes
simulations effectues sur des images noir et blanc
artificiellement rendues floues et nous conclurons en
partie 5 .
lments x (m, n + 1) x (m, n + Q1 ) de la prdiction
linaire se trouvant dans la rgion futur . Nous don-
nons son expression
R={(p, q)/(0<pP, - Q1<q<Q2)
et ((p, q) * (0, 0)) }
- Les a (p, q) sont les coefficients du modle, obte-
nus en minimisant l'erreur quadratique de prdiction
u (m, n) (variance de u minimale) .
- u (m, n) est le bruit d'entre, indpendant des don-
nes x (m, n) . u (m, n) est blanc par rapport la
variable m (i . e . dans le sens vertical) et color dans
le sens horizontal avec ses voisins appartenant au
support du modle [15] du fait de la non-causalit
horizontale. En effet, contrairement aux modles cau-
saux, variance minimale, le modle semi-causal
variance minimale n'a pas pour entre un bruit blanc .
On peut montrer ceci comme suit. La fonction d'auto-
covariance r (k, l) de u, du fait de la stationnarit du
modle, est par dfinition
(5) r (k, l)=E[u(m, n) . u (m - k, n - 1)]
ou encore, en utilisant (4)
(6) ru (k, l)=E[u(m, n) .x(m-k, n-l)]

E a (p, q) . E [u (n, m)
2. Filtrage rapide de Kalman : prsentation p,gGR
de la mthode
xx(m-k-p, n-l-q)]

Nous supposons que l'image peut tre reprsente par Les a (p, q) sont les coefficients du modle, calculs en
un champ alatoire markovien, gaussien, de moyenne minimisant l'erreur quadratique de prdiction linaire
nulle . La causalit demi-plan asymtrique est dfinie E [u (m, n) 2 ] . Donc les a (p, q) sont tels que
par les rgions pass, prsent et futur de la
figure 1(a) [11] . dE [u (m, n) 2 ] -
(7) 0
L'image peut tre reprsente par un modle rcursif da (p, q)
que nous avons choisi semi-causal [fig. 1(b)] . Le
modle est dit semi-causal puisqu'il est causal en m En utilisant (4) dans (7) on obtient les quations
et non causal en n. normales habituelles
Si x (m, n) reprsente 1 pixel du prsent de l'image
d'origine, nous crivons le modle AR 2D stationnaire E[(x(m, n)-Ea(p, q) .x(m-p, n-q))
utilis (8) x (x (m - k, n-1)]=0
(4) x (m, n) = E a (p, q) k,1eR
(p, 9) e R
xx(m-p, n-q)+u(m, n) Ce qui s'crit aussi
E [x (m, n) . x (m - k, n-1)]=0
- R dfinit le support semi-causal du modle [voir (9)
fig. 1(b)] . Il s'tend sur les rgions pass et futur, les t (k, l) e R

PASSE / R / /
P

IPRESENT -Q2 JILQ1

FUTUR
(a) (b)

(N,N) R = Support du modle

Fig . 1 .

Traitement du Signal volume 5 - n 4 -1988

252


COLLOQUE TIPI 88

En supposant que le champ x (m, n) est un champ (N est le nombre total de pixels d'une ligne ou d'une
markovien, alors la relation d'orthogonalit (9) est colonne de l'image) .
valide pour tout (k, 1) dans l'ensemble P2 En 1983, Biemond [13] a propos une mthode qui
permet de dcorrler les colonnes et donc de diminuer
(10) J E[x(m, n) .x(m-k, n-1)]=0 les cots de calcul. Le principe en est le suivant : la
(k, 1) e P2 transforme de Karhunen-Love, transforme thori-
o que qui permet de diagonaliser un systme, est appro-
che par les oprations suivantes : les matrices dia-
P2 = { (k, l)/(k > 0, 1 quelconque) U (k = 0, 1 :0 0) } gonaliser sont des matrices bandes de Toeplitz ; elles
sont remplaces par des matrices circulantes, qui
i . e . (fig . 2) . asymptotiquement ont la mme distribution des
(1 ,1) valeurs propres ; les matrices circulantes sont diagona-
lises par la transforme de Fourier . Ainsi en appli-
quant N transformes de Fourier discrtes sur les
/ / / / lignes de l'image, nous obtenons un nouvel ensemble
/ P2 / / / de donnes dont les colonnes sont dcorrles.
L'image peut alors tre filtre sparment sur chaque
colonne du nouveau systme obtenu. Cette opration
ncessite la mise en ceuvre de N filtres de Kalman 1D .
x(m,n) Sur le systme filtr, nous appliquons la transforme
inverse de celle initialement effectue pour dcorrler
les colonnes afin d'obtenir l'image restaure finale .
Nous prsentons dans le paragraphe suivant le dtail
des diffrentes oprations de l'algorithme de filtrage
rapide de Kalman . Le systme form de (4) et (11)
(N,N) est rcrit vectoriellement l'aide de vecteurs lignes
FSg. 2.
(par exemple X (m) = [x (m, 1), . . . , x (m, N)]T est le
P2 peut tre considre comme tant une rgion vecteur contenant la ligne m de l'image), et devient le
passe correspondant au modle , dans le sens o systme (12)
P
P2 est une rgion qui englobe tous les points servant
la prdiction linaire du point prsent x (i, j) . Si le (12 a) E A(p)X(m-p)=U(m)
champ est markovien, alors la donne des lments P =o
K2
x (m - k, n - l) sur le support du modle R permet de
dterminer l'tat x (m, n), indpendamment des autres (12b) Y(m)= E C(k)X(m-k)+W(m)
points de P2 . C'est la signification de l'quation (10) 9 = - K1

Le calcul de l'quation (6) donne donc, compte tenu Les matrices du modle AR A (p) et de la PSF C (k)
de (10), la fonction d'autocovariance de u suivante sont des matrices bandes de Toeplitz
ru (0, 0) = [3 2 , - a(p,0) . . . - a(p, - Q1)

d la contribution du premier terme de (6) unique- \

ment,
-a (p, Q2)
r (0, 1) _ - P 2 . a (0, 1) si (0, 1) e R,
A(p)_ \ \ \
d la contribution du deuxime terme,
- a(p, - Q1)
r. (k, 1)=0 0
ailleurs . \ \
L'observation y (m, n), floue et bruite de l'image - a (p, Q2) . . . - a (p, 0)
d'origine x (m, n), est dfinie par
avec a (0, 0) = - 1, et C (k) telles que
K2 L2
c (k, 0) . . . c (k, -L 1)
(11) y (m, n) = y E c (k, 1)
k =- Kl 1=-L1 \ \
xx(m-k, n-l)+w(m, n)
c (k, L 2)
o c (k, l) modlise la fonction de flou (PSF) et
w (m, n) est le bruit d'observation suppos blanc C (k) = \ \
gaussien et non corrl avec les donnes . \
Nous avons rappel en introduction qu'un filtrage de c(k, -L 1)
Kalman 2D appliqu sur le systme form des qua-
tions (4) et (11) est difficilement ralisable du fait de 0 \ \
son cot en calcul. En effet, les calculs sont en O (N 4) c (k, L 2 ) . . . c (k, 0) _

Traitement du Signal volume 5 - n 4 - 1988

253


AMLIORATION DE LA RESTAURATION D'IMAGES FLOUES

Nous cherchons prsent diagonaliser ces matrices .
La transforme de Karhunen-Loeve qu'il faut effec-
tuer pour cela n'est bien sr pas mise en oeuvre car
elle requiert un volume de calcul norme . Cette trans-
forme est approche par la transforme de Fourier .
Cette approximation repose sur la remarque
suivante : les matrices bandes de Toeplitz peuvent
tre approches asymptotiquement par des matrices
circulantes [17] . Par exemple, la matrice A (p) de
dimension N x N est approche par la matrice circu-
lante suivante

- a(p, 0) - a(p, -QI) 0 0 - a (p, Q2) . . . -a (p, l) -

\ \ \
\
-a (p, Q2)
- a(p, Q2) 0 0
\ \ \
0
A (p) = 0
\ \ \
-a (p, Q2) -a(p, 0) - a(p, - QI)
0 0
\ \ \
0
0 0 - a(p, -Q I )

-a(p, -QI)
\ \ \ .

\
- a(p, - QI) . -a(p, -1) 0 0 - a(p, Q2) . . - a(p, 0)

Lorsque N tend vers l'infini, cette matrice est asymp- pour j=1, . . ., N reprsentant l'indice de frquence,
totiquement quivalente la matrice bande de Toe- ou encore la colonne du nouvel ensemble de donnes .
plitz. Le systme en j est indpendant du systme en j'.
Cette approximation trouve sa justification dans le Les N systmes 1D (j =1 . . . N) de (14) sont traits
fait que toute matrice circulante est diagonalisable par sparment . Sur chaque colonne j, un filtrage de Kal-
transforme de Fourier . Les vecteurs propres norms man (1D) est effectu .
d'une matrice circulante sont les vecteurs de la trans- C'est une image floue . Cependant l'image restaure
forme de Fourier . Ainsi, en effectuant une trans- prsente des dgradations : il apparat des bandes
forme de Fourier sur le systme (12), nous obtenons noires et blanches qui se propagent en chos sur
le systme diagonalis (13) [o les matrices _A (p) et l'image restaure, en particulier aux bords . Nous ana-
(k) sont diagonales] lysons dans la partie suivante l'origine de ces dfauts
P et proposons la construction d'une image miroir pour
(13 a) A(p)X
_ ( m-p)=U(m) les liminer .
p=0
K2
(13 b) Y(m)= 1 C(k)X(m-k)+W(m)
k=-K1 3. Utilisation d'une image miroir et filtrage
adaptatif
On note par une variable souligne X la transforme
de Fourier de la squence forme par les coordonnes
du vecteur X . 1 . IMAGE MIROIR
Les matrices tant diagonales, ce systme peut donc a . Problme
tre rcrit sous forme de N systmes d'quations ID
Les effets de bords observs sur l'image restaure sont
P dus l'utilisation de la transforme de Fourier rapide
(14 a) E a (p, j) - x (m, j) = u (m, j) directe et inverse des lignes de l'image .
P=O
En effet, quand la FFT est applique sur une suite
K2 de N chantillons, la squence transformer n'est pas
(14 b) y(m,j) = E c(k,j) .x(m-k,j)+w(m,j) considre comme la squence finie des N chantillons
k mais comme la squence infinie priodique, forme

Traitement du Signal volume 5 - n 4 - 1988

254


COLLOQUE TIPI 88

de la suite des N chantillons rpte squentiellement

une infinit de fois. Le signal n'est plus fini mais
infini, priodique (priode N) . Aussi, lorsqu'une ligne
quelconque de l'image est ainsi considre comme
infinie priodique, il apparat dans ce nouveau signal
des points de discontinuit . Ces discontinuits se trou-
vent aux points - 1, 0 [N] : pour une ligne donne,
- 1 [N] est le point ct droit de l'image et 0 [N] le
point ct gauche, les intensits de ces 2 pixels tant
en gnral trs loignes . Ces discontinuits engen-
drent des frquences (hautes frquences) dans le signal
transform. Si celui-ci est directement recalcul par
transforme inverse, on retrouve bien entendu le
mme signal qu'au dpart, les conditions d'chantil-
lonnage du thorme de Shannon ayant t respectes
en temps et en frquence . Par contre, si le signal
transform subit un traitement, en particulier un fil-
trage de Kalman il va avoir pour effet dans le cas de
la restauration, d'amplifier ces frquences parasites,
qui vont ensuite produire ces raies noires et blanches
aprs transforme inverse . Ces problmes de bords
auxquels nous nous heurtons sont des problmes cou-
ramment rencontrs lors de l'utilisation de la FFT . Image 1.
Restauration avec fentre de Hamming .
La solution gnralement utilise dans ce cas est l'ap-
plication d'une fentre non rectangulaire sur la
squence . Ces fentres (Hamming, Hanning, On accole droite de chaque ligne son symtrique,
Blackman, etc.) attnuent les valeurs des bords de la ce qui revient prendre l'image miroir de l'image
squence . Nous avons multipli toutes les lignes de d'origine .
l'image par une fentre de Hamming avant l'applica- Peu ou aucun calcul n'est ncessaire pour la construc-
tion de la FFT, puis nous avons filtr. Ensuite, aprs tion de cette nouvelle image, et chaque ligne peut
FFT inverse, nous avons divis par la fentre. Le ainsi tre considre comme priodique, sans qu'il
rsultat est prsent image 1 . Les raies ont disparu en apparaisse de point de discontinuit . Ceci entrane
milieu d'image mais restent prsentes sur les bords . la disparition totale des raies sur l'image restaure
Cette technique s'est donc avre insuffisante . [image 2 (c)] .
Une seconde solution propose par Woods et
Biemond [14] est d'ter ces discontinuits en augmen- c. Autres avantages
tant la longueur d'une ligne par l'ajout d'un certain
nombre de points servant relier le bord droit au (1) Systme rel
bord gauche de l'image . Ces points sont calculs par Outre le fait d'liminer les discontinuits lors de la
interpolation polynomiale et servent lisser les dis- priodisation des lignes, l'utilisation de l'image miroir
continuits du signal que nous avons mis en vidence nous permet de travailler avec des lignes symtriques .
aux points -1, 0 [N] . Cette technique donne de bons Les trois points suivants montrent alors que les N
rsultats mais requiert le calcul des points interpols systmes que nous obtenons sont rels
supplmentaires . Nous proposons une troisime
mthode, base sur la construction simple d'une image La transforme de Fourier des lignes symtriques
miroir, qui permet comme les autres mthodes de de l'image et son miroir est une squence relle .
lisser le signal aux points de discontinuit . Remarque : le volume d'informations traiter est le
mme avec ou sans symtrie . Nous traitons soit N
b. Construction et consquence immdiate systmes rels, au lieu de N/2 systmes complexes
dans le cas de la non-symtrie.
si
Les paramtres du modle AR stationnaire sont
X (m) = [x (m, 0), x (m, 1), . . . , x (m, N -1]T symtriques dans le sens horizontal, c'est--dire par
rapport la seconde variable
est le vecteur de la ligne m, on construit le vecteur
XD (m) de longueur 2N en symtrisant le signal a (p, q) = a (p, -q)
XD (m) = [x (m, 0), . . . , x (m, N-1), pour tout p (respectivement q) de 0 P (respective-
z, x (m, N-1), x (m, N-2), . . . , x (m, 1)] ment Q, o Q=Q 1 =Q2) . Les matrices A(p) sont
donc toutes symtriques, leurs valeurs propres sont
o z est le point intermdiaire par rapport auquel la donc relles.
squence est symtrique . z pourra tre choisi gal La proprit de symtrie horizontale des a (p, q) pro-
x (m, N -1) ou calcul par interpolation polynomiale vient de la symtrie de chaque ligne de l'image miroir,
avec les points l'avoisinant (x (m, N-1), qui entrane la symtrie horizontale de la corrlation
x(m, N-2)) . r (i, j) entre deux chantillons

Traitement du Signal volume 5 - n 4 -1988

255

AMLIORATION DE LA RESTAURATION D'IMAGES FLOUES
Soit r x (i, j) la corrlation entre deux chantillons .
Ayant suppos la stationnarit, rx (i, j) est gale
(15) r. (i, j)=E[x(m, n)*x(m-i, n-j)]
La symtrie dans le sens horizontal implique que
(16) x(m, n)=x(m, 2N-n)
ainsi
rx (i, j)=E[x(m, 2N-n) .x(m-i, 2N-(n-j))]
d'o
rx (i, j) = E [x (m, n') . x (m - i, n' +j)]
donc
rx (i, j) = rx (i, - j)
La symtrie horizontale de la corrlation implique la
symtrie du modle stationnaire AR 2D .
La fonction PSF est aussi, dans le cadre de notre
tude (images dfocalises ou bouges), symtrique
dans le sens horizontal
- s'il s'agit d'une dfocalisation d'un appareil photo-
graphique, la PSF est par nature symtrique dans
toutes les directions,
- s'il s'agit d'un boug, elle sera symtrique dans la
direction orthogonale celle du boug. Il suffira de
faire une rotation de l'image traiter, afin d'obtenir
un boug dans le sens vertical, et donc une PSF
symtrique dans le sens horizontal .
Dans les deux cas d'galit suivante est vrifie
c (k, l) = c (k, 1)
pour tout
k=-K 1 , . . .,K 2
et
l=-L, . . ., L(L 1 =L 2 =L) .
Il en rsulte que les matrices C (k) sont toutes symtri-
ques, leurs valeurs sont relles .
Tous les coefficients des N systmes (14) dans le plan
de Fourier sont rels . Les donnes l'tant aussi, les
N systmes de (8) sont des systmes entirement rels .
(2) Diagonalisation exacte du systme
Un autre avantage obtenu grce l'utilisation de
l'image miroir est que l'image avec son miroir peut
tre considre non plus dans le plan, mais enroule
sur un cylindre. Chaque ligne a ses deux bords relis,
et est considre non plus comme un signal fini, mais
infini, priodique, de priode 2N .
Remarque : cette opration peut s'effectuer sans utili-
sation de l'image miroir mais elle entrane alors, nous
l'avons vu, la cration de points de discontinuits
artificiels trs gnants .
La consquence de cela est que les matrices A (p) du
modle et C (k) de la PSF [voir partie II systme (12)]
Traitement du Signal
sont circulantes par construction . tudions le cas,
par exemple, des matrices A (p) du modle . Dans
la modlisation d'une image quelconque, lorsque le
support du modle de prdiction linaire se trouve en
dehors de l'image, ce qui arrive pour la prdiction
des points qui se trouvent en bordure d'image, alors
on suppose que ces points ont une intensit nulle . Si
l'on considre maintenant l'image enroule sur un
cylindre avec les bords droit et gauche relis, alors ces
problmes de dpassement du support disparaissent
gauche et droite de l'image puisque celle-ci est
horizontalement infinie. (Ces problmes restent pr-
sents pour les points en haut de l'image .) Nous avons
schmatis en figure 3 la zone de dpassement du
support du modle pour un point situ sur le bord
droit de l'image par une zone hachure . En prenant
zro comme valeur des intensits de ces pixels, nous
obtenons les matrices bandes A (p) de Toeplitz. Par
contre si l'on considre que les lignes sont relies,
alors les pixels de cette zone sont en fait des pixels
appartenant l'image et sont reprsents par la zone
hachure de gauche sur l'image . En prenant en
compte l'intensit de ces pixels, les matrices A (p) sont
alors circulantes .
(2N, 2N)
Fig. 3.
L'approximation que nous avons t amens faire
dans la modlisation du problme, afin de pouvoir
diagonaliser, le systme par transforme de Fourier
[systme (13)], n'est plus ncessaire. Le systme (13)
est exact et non plus approch.
On dcrit dans le paragraphe suivant les N filtres de
Kalman sur ces N systmes rels [quation (8)] et
analysons la convergence des gains de ces filtres .
2. FILTRAGE DE KALMAN
Le systme (14), pour une variable de frquence j
fixe (ou colonne j), est rcrit sous la forme d'un
systme dynamique, appropri pour le dveloppement
d'un filtre de Kalman .
volume 5 - n 4 - 1988
256


COLLOQUE TIPI 88

Deux transformations sont effectues forme de deux quations ayant le mme vecteur d'tat .
- Tout d'abord, il faut remarquer que l'observation L'quation (17a) fait intervenir le vecteur d'tat
y (m) au point m dpend des tats futurs [x (m -1, j), . . . , x (m - P, j)]T de dimension - P,
x (m + 1), . . . , x (m +K 1) [quation d'observation l'quation d'observation (17b) le vecteur d'tat
(14 b)] . Afin d'obtenir une quation d'observation cau- [x (m, j), . . . , x_ (m - K 1 - K2 -1, j] T, de dimension
sale, c'est--dire une quation dans laquelle y (m) au K 1 +K 2 +1 .
point m ne dpend que des tats x (m - k) (k > 0 et Pour coupler ces deux quations, il faut adapter les
k = 0) antrieurs, il faut retarder l'quation d'observa- dimensions de ces vecteurs afin d'avoir un unique
tion de K 1 . Pour conserver une quivalence avec le vecteur d'tat pour les deux quations . tant donn
modle (14) prcdant, l'quation d'tat est aussi que nous travaillons avec un modle d'tat d'ordre
dcale de K 1 . Ces deux dcalages reviennent multi- peu lev (P=2 au maximum), l'ingalit suivante est
plier la fois le numrateur et le dnominateur de la gnralement vrifie
fonction de transfert de ce systme par z - K 1, d'o
l'quivalence des deux systmes . P<K 1 +K 2 +1.
Le systme obtenu s'crit
Le vecteur d'tat sera donc le vecteur Z_ (m, j) de
dimension K 1 + K2 + 1,
(17a) x (m, j) = a(p' j) x (m -P, j)
n=1 a(O,j) Z (m, j) = [x (m, j), . . . , x (m - K 1 - K 2 -1, j)] T.
+1 u (m, j)
a (0, j) - Les quations sont donnes par le systme (18)
K1+K 2
(18 a) Z (m, j) = A (m -1, j) + B (i) u (m, j)
(17 b) y (m, j) = Y, (k, j) .x(m-k, j)+w(m, j)
k-O (18 b) y (m, j) = C (j) Z (m, j) + w (m, j)
- La deuxime transformation consiste mettre les
deux quations [tat (17 a) + observation (17 b)] sous o A U), B U), U) sont dfinis par

a ( 1 , j) a( 2 , j) a (P, j) .
0 0 0
a (0, j)' a (0, j) a (0, j) '
1 0 0 ; 0 0 . . 0
0 1 0 ; 0 0 . . 0

0 0 1 ; 0 0 0
A G) = 0 0 0 ; 1 0 0

0 0 0 ; 0 0 1
1/a (0, j)
0
B v)=

0 _
U)=L(0,j), . . ., (K1+K2,j)] .

On rappelle les quations du filtre de Kalman pour P(m, j) est la matrice de covariance de l'erreur
ce systme Z Q (m, j) - Z (m, j) .
(19a) Z e (m, j) = A (j) Z (m -1, j) L'exprience montre que les gains K (m, j) convergent
rapidement avec m . Nous pourrons les calculer dans
+ K (m, j) [y (m, j) - C (j) A (j) Z Q (m -1, j)] un premier temps, puis filtrer le signal, en utilisant
(19 b) K (m, j) = Q (m -1, j) C (/) T les gains asymptotiques [quation d'estimation (19 a)
X avec K (cc, j)], donc utiliser les gains asymptotiques
[C G) Q (m -1, j) C U)T + 6w] -1
dans l'quation d'estimation .
(19 c) Q (m, j) = A U) P (m, j) A (j)T + o B U) B U) T Le problme pos par le filtrage de Kalman sur ces
(19 d) P (M, j) = [I -K (m, j) C (j)] Q (m - 1, j) systmes est que certaines coordonnes du vecteur

Traitement du Signal volume 5 - n 4 - 1988

257

AMLIORATION DE LA RESTAURATION D'IMAGES FLOUES
C (j) prennent la valeur zro pour certaines frquences
_ 4. Prsentation des rsultats
j. En effet, la transforme de Fourier de la fonction
PSF passe par zro pour la plupart des PSF utilises.
Cela a pour consquence de faire crotre les gains K
du filtre en valeur absolue [cf quation (19 (h)] . Sur
ces frquences critiques, les gains utiliss pour le fil-
trage sont artificiellement trop grands . Nous prsen-
tons, par exemple, la variation de la premire
coordonne du gain (K (1, j)), en fonction de la fr-
quence j sur la figure 4(a), pour la PSF dfinie
exprience 1 . La prsence d'un zro dans la trans-
forme de la PSF entrane la divergence de K(1, j)
cet endroit . Il apparat sur l'image restaure une
propagation en cho de certains contours de l'image
d'origine, ainsi qu'une granulosit sur toute l'image
[image 2 (c)] .
120 .
I 1.
76 .
32.
z
1 1 1 1 1r1 1 1 1 1 1 1 1 1 1,
32 . 64 . 96 . 128 . 160 . 192 . 224 . 256 .
(a) K (1, j) par Kalman
NON ADAPTATIF
1201
76.
32 .
-12 .
-100 . 1 I I I 1 1 1 1 1 I - 1 1 I I
0. 32 . 64 . 96 . 128 . 160. 19z . 224 . 256 .
(b) K (1, j) par Kalman
ADAPTATIF
Fig . 4 .
Afin d'viter ce phnomne,' nous contrlons la
croissance des gains du filtre par le terme additif C F 2
l'quation (19 b) . En pondrant la variance du
bruit d'observation cs ;,, par un facteur inversement
proportionnel une coordonne du vecteur C (j), nous
diminuons les gains lorsqu'ils divergent . Avec la pon-
dration utilisant la premire coordonne du vecteur
- CU), c'est--dire
C(1, 1)' 2 (0. 1) 62
Co , j) (0, j)
la divergence des gains calculs non adaptativement
(fg. 4 (a)], est effectivement contrle [cf. fig. 4 (b)] .
Le coefficient de pondration est fonction de la fr-
quence j, afin d'attnuer les effets des zros sur les
frquences o ils apparaissent [cf . f,;. 4(b)] .
Traitement du Signal
Nous avons appliqu l'algorithme prsente ci-dessus .
sur deux images diffrentes avec deux PSF diffrentes .
Les images The lady with hat et Cameraman
sont des images noir et blanc de 256 x 256 pixels .
L'intensit d'un pixel est code sur 8 bits et varie de
0 pour le noir 255 pour le blanc .
1. EXPRIENCE 1
L'image utilise est The lady with hat
[image 2 (a)], que nous avons artificiellement rendue
floue, par une PSF simulant une dfocalisation d'un
appareil photographique [image 2(h)] . La PSF porte
sur 7 x 7 pixels et est symtrique dans le sens vertical
et horizontal. Son expression est donne par [18] :
.exp[-(k+l)2+(l+l)2]
c(k, O=K
(12) 8
-4<k, 1<4
K est un facteur de normalisation tel que
3 3
(13) Y, Y, c (k, l) = l
k=-3 1=-3
Utilisant l'image miroir et un gain de Kalman non
adaptatif. l'image dconvolue ne prsente pas de
raies, mais des oscillations restent visibles
[image 2 (c)]. Finalement en utilisant un gain adaptatif
en fonction de la frquence et de la PSF nous obte-
nons une image pour laquelle la granulosit a nette-
ment diminu [image 2 (il)] .
Afin de donner un critre numrique de qualit, nous
utilisons le rapport signal sur bruit (SNR) dfini
ainsi
(14) SNR =101og 10
X 2552
J
(x (m, n) - s (m, n)) 2
n=1 m=1
o x (n, m) est l'image originale de rfrence, et
s (n, in) l'image prsentant une erreur, l'image dont
on veut calculer le SNR.
L'augmantation du rapport signal sur bruit entre
l'image floue (SNR=24,7 dB) et l'image dconvolue
avec les gains adaptatifs (SNR = 29,6 dB) est de 5 dB .
2. EXPRIENCE 2
La seconde PSF choisie simule un boug horizontal
de l'appareil photographique. La PSF a un support
non nul sur 17 points dans le sens horizontal
- sur les 4 premiers points, la PSF est constante
(15) c(0, 1)=K pour 1=0, . . .,3
volume 5 - n 4 -1988
258
 COLLOQUE TIPI 88

Image 2 (a). Image 2(b) . SNR=24, dB.

Image 2(c). SNR=26,3 dB. Image 2(d) . SNR=29,6 dB .

- sur les 13 points suivants, s, elle dcrot vers zro donne, convolue avec la PSF dfinie ci-dessus,
suivant une gaussienne l'image 3 (b).
L'image restaure est prsente en 3 (c) . L'augmenta-
tion du SNR entre l'image bouge (SNR = 15,3 dB)
(1-4)Z j et l'image restaure (SNR = 34,1 dB) est alors dans ce
(16) c(0, l)=K .exp[- cas de 18,8 dB . La dconvolution s'avre trs per-
44
formante autant du point de vue du critre numrique
pour 1=4, . . ., 17 (SNR) que du point de vue visuel comme on peut le
voir sur les dtails de la camra de l'image restaure
[image 3 (c)]. Les gains adaptatifs n'ont pas t utiliss
ici puisque la transforme de Fourier discrte de la
o la constante K est dfinie par (13) . PSF ne passe pas par zro. Les problmes de grains
L'image d'origine est le cameraman [image 3(a)], qui sur l'image 2 (c) n'existent pas sur l'image 3 (c) .

Traitement du Signal volume 5 - n 4 - 9988

259
 AMLIORATION DE LA RESTAURATION D'IMAGES FLOUES

Image 3 (a) . Image 3 (b) . SNR = 15,3 dB.

Image 3(c) . SNR=34,1 dB.

5 . Conclusion - Tout d'abord des algorithmes rapides, en vue de

L'utilisation de l'image miroir ne donne pas de traite-
ment supplmentaire dans l'algorithme, et limine
tous les problmes dus aux effets de bords . L'adaptati-
vit du filtrage sur les frquences permet de contrler
la divergence des gains lorsque la PSF passe par zro .
Les rsultats exprimentaux montrent l'efficacit de
cette mthode rapide de dconvolution.
La poursuite de ces travaux s'effectue suivant deux
axes
diminuer encore le cot de calcul . L'tude de l'in-
fluence du modle AR sur l'image a montr que l'on
peut choisir un modle simple, fix a priori [19] . Un
choix judicieux de ce modle permettra d'obtenir des
quations simples et donc un algorithme rapide .
- Une seconde voie d'investigation est l'estimation
des paramtres de la PSF, connaissant uniquement
l'image floue. Cette tape est bien sr ncessaire et
primordiale dans le problme de la restauration
d'images relles .
Manuscrit reu le 26 fvrier 1988 .

Traitement du Signal volume 5 - n 4 - 1988

260
 COLLOQUE TIPI 88
BIBLIOGRAPHIE
[1] H. C . ANDREW et B . R . HUNT, Digital image Restaura-
tion, Prentice Hall, Signal Processing Series, 1977 .
[2] P. CHAVEL, D . T . KUAN, A . A . SAWCHUCK et T . C .
STRAND, Techniques de rduction de speckle, Premier
colloque image. Traitement, synthse, technologie et
applications, Biarritz, mai 1984 .
[3] B . R . HUNT,A theorem on the difficulty of the numeri-
cal deconvolution, IEEE Trans., AU-20, 1972, p . 94-
95 .
[4] B . R . HUNT, Deconvolution of linear systems by
constrained regression and its relationship to the Wie-
ner Theory, IEEE, AC-17, 1972, p . 703-705 .
[5] T . M . CANNON, H . J . TRUSSEL et B . R . HUNT, Compari-
son of image restoration methods, Applied Optics, 17,
n 21, novembre 1978, p . 3384-3390.
[6] H . L . TRUSSEL et B . R . HUNT, Image restoration of
space variant blurs by selectioned methods, IEEE
Trans. ASSP, 1978, p . 196-198 .
[7] H . J . TRUSSEL, Improved methods of maximum a poste-
riori restoration, IEEE Trans., C-27, 1979, p . 57-62.
[8] D . T. KUAN, A . A . SAWCHUCK, T. C . STRAND et P .
CHAVEL, Adaptive restoration of images with speckle,
IEEE, Trans. on ASSP, 35, n 3, March 1987, p . 373-
383 .
[9] A . A . SAWCHUCK, Space-variant image motion degrada-
tion and restoration, Proceedings of the IEEE, July
1972, p. 854-861 .
[10]' H . JINCHI, T . . SIMCHONY et R . CHELLAPPA, Stochastic
relaxation for MAP restoration of gray level images
Traitement du Signal
261
with multiplicative noise, ICASSP, April 6-9 1987,
IEEE, p . 1236-1239 .
[11] J . W . WooDS et C . H . RADEWAN, Kalman Filtering in
two dimensions, IEEE Trans . inf. theory, IT-23, July
1977, p. 473-482 .
[12] J. W . WooDS et V. K . INGLE, Kalman filtering in two
dimensions : further results, IEEE Trans. Acous . Speech
and sig. proc ., ASSP-29, April 1981, p. 188-197 .
[13] J . BIEMOND, J . RIESKE et J . J . GERBRANDS, A fast Kal-
man filter for images degraded by both blur and noise,
IEE, ASSP-31, n 5, october 1983 .
[14] J . W . WooDS et J . BIEMOND, A Murat Tekalp "Boun-
dary value problem in image restoration , ICASSP,
1985, p . 692-695 .
[15] J . BIEMOND, Image restoration, a linear stochastic filte-
ring approach, Ph. D dissertation, Delft University
Technology, Delft, The Netherlands, March 1982 .
[16] A . M. DJAFARI et G . DEMOMENT, Maximum entropy
diffraction tomography, Proc. ICASSP 86, Tokyo .
[17] R . M . GRAY, On the asymptotic :igenvalue distribution
of Toeplitz matrices, IEEE Trans. Inf. Theory, IT-18,
Nov. 1972 .
[18] A . M . TEKALP, M. KAUFMAN et J . W . WooDS, Identifi-
cation of image and blur parameters for the restoration
of non causal blurs, IEEE Trans . on ASSP, 34, n 4,
1986, p . 963-972 .
[19] A . K . MAHALANABIS et KEFU XUE, An efficient Tow
dimensional Chandrasekhar Filter for restoration of
images degraded by Spatial Blur and Noise, IEEE
Trans. on ASSP, 35, n 11, November 1987 .
volume 5 - n 4 - 1988