Documente Academic
Documente Profesional
Documente Cultură
**
LGI2P-EMA
Parc scientifique G. Besse, LGI2P/EMA 30000 Nîmes, France
Philippe.montesios@ema.fr
Résumé : Dans ce papier, nous présentons les principales méthodes de discrétisation pour la résolution des équations
aux dérivées partielles (EDP) introduites en traitement d'images. Ces équations ont été étudiées dans le cadre de
l'analyse multi-échelle et des problèmes de restauration d'images basés sur le principe de la diffusion anisotrope. Dans
la première partie de ce papier, nous présentons une discrétisation directe et standard en différences finies à neuf voisins
des opérateurs différentiels de bases de la diffusion anisotrope, puis nous comparons les différents algorithmes
proposées récemment dans la littérature principalement ceux à six voisins. La deuxième partie de ce papier est
consacrée à la présentation d’un nouveau schéma numérique pour la mise en oeuvre des EDP que nous comparons avec
les autres méthodes. Plusieurs expériences appliquées sur des images synthétiques et réelles sont présentées afin
d’illustrer l’efficacité de notre approche.
Mots clés : Traitement d'images, Equations aux dérivées partielles, Schéma numérique, SNR, Opérateurs différentiels.
cadre de l'analyse multi-échelle [4]. Ce schéma Finalement, en identifiant les deux expressions 20 et
utilise que les six voisins de chaque pixel suivant la 12, les paramètres λ1 , λ2 , λ3 et λ4 s'écrivent sous la
direction de diffusion choisie par le processus de forme suivante :
diffusion anisotrope. La Figure 2 illustre le principe
λ1 = 2.λ0 − I y2
du schéma numérique de discrétisation explicite à six
voisins : λ2 = 2.λ0 − I x
2
h2
I (t , x + h, y) = I (t, x, y) + h.I x (t , x, y) + .I xx (t, x, y) + o(h3 )
2 Schéma Numérique SNR
(11) Sapiro 93 4.203
Cohignac 93 4.212
Nous obtenons l'expression suivante : Alvarez 94 4.215
Alvarez 96 4.593
A=I(,t x,y).(3.λ0 +2.λ1+2.λ2 +2.λ3)+Ixx(,t x, y).(λ2 +λ3)+Iyy(,t x, y).(λ1+λ3)+2.Ixy(,t x, y).λ3 +oh
() Deriche 97 3.571
(12) Figure 4. Comparaison quantitative à l’aide du SNR
des cinq schémas numériques (50 itérations et
dt=0.5)
SETIT2005
δ t ≤ 0.5δ x 2 (18)
Avec δ x est le pas de l'espace.
l'itération n+1 ce qui n'est pas possible de faire Après la discrétisation semi-implicite de l'opérateur
directement car on ne connaît toujours pas les Iξξ , l'équation 21 devient :
intensités lumineuses de l'image à l'itération n+1.
I in, +j 1 − δ t.Iξξn +1 = I in, j
I i −1, j −1 I i −1, j I i −1, j +1 (26)
I (0, x, y ) = I 0 ( x, y )
I i , j −1 P I i , j +1
I i +1, j −1 I i +1, j I i +1, j +1 L'équation 26 peut s'écrire aussi sous la forme :
x m +1 , est calculée à partir de celle à l'étape Sachant que la valeur optimale du paramètre est
précédente par la relation : donnée par :
fi − ∑ Aij .x mj +1 − ∑ Aij .x mj 2
w0 = (32)
x =
m +1 j <i j >i
i (30) 1+ 1− ρ 2
Aii
On remarque que dans ce calcul, seules les
Avec ρ est le rayon spectral de matrice.
coordonnées d'indices j>i du vecteur x m
interviennent, et non pas les composantes
En fait, l'interprétation du rôle du paramètre ω est que
précédentes, de sorte qu'il n'est pas nécessaire de
si la correction apportée à la ième composante va dans le
stocker en mémoire 2 vecteurs x m et x m +1 : seul un bon sens, on a intérêt à choisir une valeur de ω plus
vecteur x suffit, et au fur et à mesure du calcul, les grande que 1, au contraire, si on risque d'osciller ou de
composantes de ce vecteur, qui au départ sont celles diverger, il faut alors amortir cette correction en
du vecteur x m , sont remplacées par celles du vecteur choisissant une valeur plus petite que 1.
x m +1 . Ce schéma peut être amélioré en introduisant Pour déterminer le couple optimal (δ t , ω ) , nous allons
un paramètre de relaxation ω positif, de sorte que étudier le comportement de l'erreur euclidienne à
l'algorithme s'écrit schématiquement : chaque itération de notre processus numérique en
Boucle sur m faisant varier ω et fixons pour tous les tests la valeur
Boucle sur i
du pas de temps δ t et le nombre d'itérations n (n =
xi* ← ( f i − ∑ j ≠ i Aij .x j ) / Aii 10). L'erreur euclidienne est donnée par :
xi ← xi + w( xi* − xi )
Fin des boucles || A.I k +1 − I k || (33)
Un bon choix du paramètre ω est important pour où A est la matrice du système linéaire vu auparavant
assurer l'efficacité de la méthode de relaxation. (voir 29).
0<w<2 (31)
SETIT2005
(a) (b)
Figure 10. Stabilité avec δ t = 0.4 (a), Stabilité avec δ t = 0.5 (b)
Afin d'illustrer et de confirmer les différentes
Les Figures 7, 8, 9 et 10 montrent la dépendance qui remarques que nous pouvons déduire de l'étude
existe entre le paramètre de relaxation ω et le pas de numérique précédente, nous présentons quelques
temps δ t pour assurer la stabilité de notre schéma résultats () appliqués sur une image synthétique qui
numérique semi implicite. Nous remarquons que montrent bien les problèmes d'instabilité qui peuvent
quand δ t croit en s'approchant du seuil 0.5, la valeur se produire pendant notre processus numérique.
de ω doit décroître pour garder toujours la stabilité
de notre schéma numérique. Par exemple, dans la
Figure 8, nous remarquons que pour δ t = 0.1 le
schéma devient instable si la valeur de ω dépasse
1.6, par contre dans la Figure 10 qui correspond à δ t
= 0.3, la valeur maximale de ω que nous pouvons (a) (b)
choisir est 1.3. Nous remarquons aussi dans la Figure
11 que dans le cas où le ω et δ t sont égaux ( ω =
δ t = 0.5), le schéma numérique diverge très
rapidement. Nous avons résumé la dépendance entre
ω et δ t dans la Figure 11.
(c) (d)
Figure 12. Image synthétique (100x100) (a),
Solution de l’équation 16 obtenue avec notre
schéma implicite (20 itérations et dt=0.1, ω =1.7)
(b), Solution de l’équation 16 obtenue avec notre
schéma implicite (40 itérations et dt=0.1, ω =1.7)
(c), Solution de l’équation 16 obtenue avec notre
schéma implicite (50 itérations et dt=0.1, ω =1.6)
(d)
Références
[1]L. Alvarez, P. Lions, et J. Morel, "Image selective
smoothing and edge detection by nonlinear diffusin", SIAM
Journal of Numerical analysis, 29(3):845-866.
[2] P. Ciarlet, "Introduction à l'analyse numérique
matricielle et à l'optimisation", pages 97-109, 1988.
[3] P. Lascauw, R. Theodor, "Analyse numérique
matricielle appliquée à l'ingenierie", pages 333-346.
[4] L. Lucido, R. Deriche, L. Alvarez, et V. Rigaud,"Sur
quelques schémas numériques de résolution d'équations aux
dérivées partielles pour le traitement d'images", Rapport
technique 3192, INRIA Technical Report, 1997, France.
[5] B. Lucquin, et O. Pironneau, "Introduction au calcul
scientifique", pages 270-290.
Figure 14. Comparaison de la variation du rapport [6] J. Prewitt, "Object enhancement and extraction", B.S
signal à bruit pour les différents schémas Lipkin et al. Editor, Academic Press, 1970, New York.
numériques