Documente Academic
Documente Profesional
Documente Cultură
Amlioration de la restauration
d'images floues
par un filtrage adaptatif de Kalman
utilisant une image miroir
High efficiency image restoration using mirror images
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 .
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, Les dgradations subies par une image peuvent tre
qui consiste reconstituer au mieux des images ayant causes par diffrents phnomnes (bruit de mesure,
subi des dgradations. Il s'agit de supprimer ces boug de l'appareil photographique . . .) . Les algo-
dgradations (bruit, flou . . .), afin de retrouver l'image rithmes de restauration seront diffrents suivant le
originale, en optimisant un certain critre [1] . type de dgradation observ, en particulier en fonc-
tion du systme choisi pour modliser la dgradation .
La restauration d'image est un problme qui apparat Ce modle peut tre simplement l'addition d'un bruit
dans de nombreux domaines . En effet, quelle que soit (bruit de mesure, ou bruit de transmission), ou la
l'origine que puissent avoir les images numriques, convolution de l'image originale avec une fonction
que ce soient des images d'origine photographique,
reprsentant la dgradation . Cette fonction peut
scanner, satellite, etc ., il est important d'en amliorer
modliser une varit de dgradations comme par
la qualit . Les rsultats obtenus par un traitement exemple un boug de la camra, une dfocalisation
spcifique effectu sur une image numrique, comme
ou une diffraction de l'appareil photographique, etc.
la dtection de contours ou encore la reconnaissance
Elle est usuellement appele dans la littrature Point
de textures, sont conditionns par la qualit de l'image Spread Function (PSF) [1] .
initiale .
Nous nous intresserons plus particulirement dans
Diffrents critres d'optimisation seront choisis, en cet expos la restauration d'images floues, bouges
fonction de l'utilisation ou du traitement ultrieur de et bruites qui sont les cas les plus frquents ren-
l'image, ainsi que de la connaissance que l'on peut contrs en restauration d'images. Le problme pos
avoir a priori de cette image . est celui de la dconvolution en prsence de bruit .
COLLOQUE TIPI 88
fait que cette mthode rcursive tienne compte de la lments x (m, n + 1) x (m, n + Q1 ) de la prdiction
non-stationnarit des images ont t les trois facteurs linaire se trouvant dans la rgion futur . Nous don-
dterminants dans le choix de la mthode . nons son expression
Cependant cette mthode, applique directement sur
une image floue, ne donne pas la qualit visuelle R={(p, q)/(0<pP, - Q1<q<Q2)
attendue par la restauration. Si le flou a t correcte- et ((p, q) * (0, 0)) }
ment supprim et que les contours sont nets, il appa-
rat des dgradations sur l'image qui n'existaient pas - Les a (p, q) sont les coefficients du modle, obte-
l'origine . Le principal dfaut de ces images est la nus en minimisant l'erreur quadratique de prdiction
formation de raies blanches et noires verticales, qui u (m, n) (variance de u minimale) .
se propagent en chos sur l'image partir des bords . - u (m, n) est le bruit d'entre, indpendant des don-
Aprs avoir pos le problme gnral et dcrit les nes x (m, n) . u (m, n) est blanc par rapport la
transformations effectues pour la dcorrlation des variable m (i . e . dans le sens vertical) et color dans
colonnes en partie 2, nous analysons dans la partie 3 le sens horizontal avec ses voisins appartenant au
l'origine des dfauts de la mthode et proposons une support du modle [15] du fait de la non-causalit
solution pour les liminer . La solution que nous pro- horizontale. En effet, contrairement aux modles cau-
posons est base sur la construction d'une image saux, variance minimale, le modle semi-causal
miroir, qui, nous le verrons, offre de nombreux avan- variance minimale n'a pas pour entre un bruit blanc .
tages dont le principal est bien sr d'liminer les raies . On peut montrer ceci comme suit. La fonction d'auto-
Enfin, le filtrage sera rendu adaptatif afin d'amliorer covariance r (k, l) de u, du fait de la stationnarit du
encore la qualit visuelle de l'image restaure . En modle, est par dfinition
partie 4 nous prsentons les rsultats des diffrentes
simulations effectues sur des images noir et blanc (5) r (k, l)=E[u(m, n) . u (m - k, n - 1)]
artificiellement rendues floues et nous conclurons en
partie 5 . 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
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)
Nous cherchons prsent diagonaliser ces matrices . suivante : les matrices bandes de Toeplitz peuvent
La transforme de Karhunen-Loeve qu'il faut effec- tre approches asymptotiquement par des matrices
tuer pour cela n'est bien sr pas mise en oeuvre car circulantes [17] . Par exemple, la matrice A (p) de
elle requiert un volume de calcul norme . Cette trans- dimension N x N est approche par la matrice circu-
forme est approche par la transforme de Fourier . lante suivante
Cette approximation repose sur la remarque
-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
COLLOQUE TIPI 88
Soit r x (i, j) la corrlation entre deux chantillons . sont circulantes par construction . tudions le cas,
Ayant suppos la stationnarit, rx (i, j) est gale par exemple, des matrices A (p) du modle . Dans
la modlisation d'une image quelconque, lorsque le
(15) r. (i, j)=E[x(m, n)*x(m-i, n-j)] support du modle de prdiction linaire se trouve en
dehors de l'image, ce qui arrive pour la prdiction
La symtrie dans le sens horizontal implique que des points qui se trouvent en bordure d'image, alors
(16) x(m, n)=x(m, 2N-n) on suppose que ces points ont une intensit nulle . Si
l'on considre maintenant l'image enroule sur un
ainsi cylindre avec les bords droit et gauche relis, alors ces
problmes de dpassement du support disparaissent
rx (i, j)=E[x(m, 2N-n) .x(m-i, 2N-(n-j))] gauche et droite de l'image puisque celle-ci est
horizontalement infinie. (Ces problmes restent pr-
d'o sents pour les points en haut de l'image .) Nous avons
schmatis en figure 3 la zone de dpassement du
rx (i, j) = E [x (m, n') . x (m - i, n' +j)] support du modle pour un point situ sur le bord
droit de l'image par une zone hachure . En prenant
donc zro comme valeur des intensits de ces pixels, nous
rx (i, j) = rx (i, - j) 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
La symtrie horizontale de la corrlation implique la appartenant l'image et sont reprsents par la zone
symtrie du modle stationnaire AR 2D . hachure de gauche sur l'image . En prenant en
La fonction PSF est aussi, dans le cadre de notre compte l'intensit de ces pixels, les matrices A (p) sont
tude (images dfocalises ou bouges), symtrique alors circulantes .
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,
pour tout
k=-K 1 , . . .,K 2
et
l=-L, . . ., L(L 1 =L 2 =L) .
(2N, 2N)
Il en rsulte que les matrices C (k) sont toutes symtri-
Fig. 3.
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 L'approximation que nous avons t amens faire
N systmes de (8) sont des systmes entirement rels . dans la modlisation du problme, afin de pouvoir
(2) Diagonalisation exacte du systme diagonaliser, le systme par transforme de Fourier
Un autre avantage obtenu grce l'utilisation de [systme (13)], n'est plus ncessaire. Le systme (13)
l'image miroir est que l'image avec son miroir peut est exact et non plus approch.
tre considre non plus dans le plan, mais enroule On dcrit dans le paragraphe suivant les N filtres de
sur un cylindre. Chaque ligne a ses deux bords relis, Kalman sur ces N systmes rels [quation (8)] et
et est considre non plus comme un signal fini, mais analysons la convergence des gains de ces filtres .
infini, priodique, de priode 2N .
Remarque : cette opration peut s'effectuer sans utili-
sation de l'image miroir mais elle entrane alors, nous 2. FILTRAGE DE KALMAN
l'avons vu, la cration de points de discontinuits Le systme (14), pour une variable de frquence j
artificiels trs gnants . fixe (ou colonne j), est rcrit sous la forme d'un
La consquence de cela est que les matrices A (p) du systme dynamique, appropri pour le dveloppement
modle et C (k) de la PSF [voir partie II systme (12)] d'un filtre de Kalman .
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
- 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) .