SETIT 2005

3rd International Conference: Sciences of Electronic,

Technologies of Information and Telecommunications
March 27-31, 2005 – TUNISIA

Un Nouveau Schéma Numérique pour la Résolution

des Equations aux Dérivées Partielles (EDP) en
Traitement d'Images
Samir Belfkih*, Anouar Dziri*, Philippe Montesinos**, Régis Beuscart*
*
Laboratoire CERIM – Faculté de médecine (Pôle recherche)
1, place de Verdun 59045 Lille, France
sbelfkih@univ-lille2.fr
adziri@univ-lille2.fr
rbeuscart@univ-lille2.fr

**
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.

1 Introduction l'instant n. Bien que la programmation est simple et peu

L’application des équations aux dérivées
partielles en traitement d’images a attiré depuis
quelques années l’attention de plusieurs chercheurs
en vision par ordinateur. Ceci est dû surtout au
formalisme mathématique qui encadre toute
approche à base d’EDP et qui permet de donner une
bonne interprétation et justification des résultats
obtenus par ces méthodes contrairement aux
méthodes classiques et heuristiques en traitement
d’images. La performance de ces méthodes, à base
d'EDP, en traitement d'image dépend en grande
partie de la résolution numérique et de la mise en
œuvre de ces EDP. Le principe des schémas
numérique les plus représentatifs se repose sur la
discrétisation des dérivées du premiers et second
ordre (Dx ,Dy, Dxx, Dyy, Dxy). Pour assurer une
meilleure stabilité, plusieurs méthodes proposent des
schémas explicites qui consistent à déterminer la
solution approchée à l'instant n+1 à partir de celle à
coûteuse en utilisant un schéma numérique explicite,
elle devient prohibitive au cours du temps.
Le reste du papier est organisé de la manière
suivante : la Section 2 présente les différentes
discrétisation utilisés dans les schémas numériques
classiques. La Section 3 présente les schémas
numériques les plus récents dans la littérature. La
section 4 présente une comparaison des différents
schémas numériques présentés dans la section
précédente. Notre nouveau schéma numérique est
introduit dans la Section 4. Une analyse de ce nouveau
schéma et les résultats de plusieurs expérimentations
sont aussi présentés afin d’illustrer l’efficacité de notre
approche. La section 6 conclut le papier.
2 Schéma numérique classique
Nous avons choisi de résoudre l'équation appelée
MCM (Mouvement de la Courbure Moyenne [1]) par
SETIT2005

les différents schémas explicites afin de les

comparer. Comme nous allons voir, ces différents
algorithmes se ramènent souvent à la discrétisation 3 2 1
des opérateurs différentiels de base voir le 4 P 0
gradient ∇ , la Laplacien ∆ et la divergence div . 5 6 7
L'équation MCM est donnée par :
Figure 1. Voisins d’un pixel P
∂I ∇I
∂t
=|| ∇ I || div (
|| ∇ I ||
)= I ξξ (1) 2.3 Discrétisation de l'opérateur divergence
∇I
Avec ξ est la direction tangente aux lignes de Posons v = .
|| ∇I ||
niveau de l’image I.
Nous allons résoudre cette équation par un schéma On sait qu'au pixel P, d’une part
div(v) = vx ( P) + v y ( P) , et d’autre part :
∂I
explicite. Une discrétisation de nous conduit à la vx ( P ) = v( x + 0.5, y ) − v( x − 0.5, y )
∂t
formulation suivante : Avec x et y sont les coordonnées du pixel P.
De même :
∇I n
I n +1 = I n + δ t. || ∇I n || div( ) (2) v y ( P) = v( x, y + 0.5) − v( x, y − 0.5)
|| ∇I n ||

2.1 Discrétisation du gradient Alors div(v) = W1 + W2 + W3 + W4 avec :

On se restreint dans cette section à présenter un W1 = v( x + 0.5, y )
exemple de discrétisation de l'opérateur ∇ proposé W2 = v( x − 0.5, y )
par L.Alvarez dans [1]. Le calcul du gradient est
W3 = v( x, y + 0.5)
réalisé par convolution avec les masques suivants :
W4 = v( x, y − 0.5)
 2− 2 2 −12− 2 
  A partir de la Figure 1, un calcul simple nous conduit à
 4 2 4  l'expression suivante :
Uy =  0 0 0  (3) 0.5 ⋅ (V0 − P )
  W1 =
− 2 − 2 −
2 −1
−
2− 2 0.5 ⋅ ( (V0 − P ) 2 + (V7 + V6 − V1 − V2 ) 2 )
 4 2 4 
On fait la même chose pour les autres
termes W2 , W3 ,W4 . Finalement on obtient :
2− 2 2− 2 ∇I
 0 −  div( ) = W1 − W2 + W3 − W4 (6)
 4 4  || ∇I ||
 2 −1 2 −1 
Ux =  0 −  (4)
 2 2  A partir de ces schémas de discrétisation explicites des
2− 2 principaux opérateurs différentiels, on peut mettre en
2− 2
 0 −  oeuvre l'équation 1. Pour finir ce paragraphe, on peut
 4 4  ∇I
rajouter aussi que l'opérateur div( ) peut s'écrire
|| ∇I ||
Ces deux masques sont invariants par toute rotation sous la forme suivante :
contrairement aux autres masques classiques comme
ceux de Prewitt et Sobel [6]. ∇I I xx I y2 − 2.I xy I x I y + I yy I x2
div( )= (7)
|| ∇I || (I 2 + I 2 ) 2
3
x y

2.2 Discrétisation du Laplacien

Comme dans la section précédente, on se restreint ici
à donner un exemple de discrétisation du Laplacien
proposé aussi par L.Alvarez.
Notons Vi avec i: 0, 15 les voisins d'un pixel P (voir
Figure 1). L'approximation par différences finis de
l'opérateur ∆ au pixel P d'une image I est donnée
par :
1 1
∆ = .[V6 + V2 + V0 + V4 ] + .[V7 + V3 + V1 + V5 ] − 3.P
2 4
De ce fait, l'équation (1), peut être discrétisée
explicitement si nous pouvons donner une
approximation des deux dérivées secondes I xx et I yy , et
de la dérivée croisée I xy . Nous proposerons en annexe
I une approximation de ces grandeurs différentielles.
3 Idées Récentes pour la mise en oeuvre des
EDP
Dans cette section, on va présenter une nouvelle
méthode de discrétisation pour mettre quelques
équations aux dérivées partielles en oeuvre dans le
SETIT2005

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

L’équation 20 peut s’écrire sous la forme suivante : 

λ3 = −λ0 + 1 ( I x2 + I y2 + I x .I y ) (13)
 2
∇I A 
div( )= (8) 1
|| ∇I || ( I 2 + I 2 ) 3 2 λ4 = −λ0 + ( I x2 + I y2 − I x .I y )
x y  2
Avec :
A = I xx I y2 − 2.I xy I x I y + I yy I x2 (9) avec λ0 est un paramètre libre à choisir. Un bon choix
du paramètre λ0 doit tenir compte des propriétés de
Ce schéma numérique utilise les six premiers voisins
de la manière suivante (voir Figure 3 et Figure 1) : stabilité de ce schéma numérique. Plusieurs choix ont
été proposés dans la littérature [4]. Nous présentons ici
quelques choix du paramètre libre λ0 les plus
représentatifs.

− Sapiro 93 : Sapiro a proposé le choix suivant :

1
λ0 = ( I x2 + I y2 ) (14)
2

− Cohignac 93 : Cohignac a proposé le choix

suivant :
1 I4
λ0 = ( I x2 + I y2 ) − I x2 + 2 x 2 (15)
2 (I x + I y )

− Alvarez 96 : Alvarez en 96 a proposé le choix

Figure 2. Six voisins utilisés pour la discrétisation suivant :
de Iξξ 1
λ0 = ( I x2 + I y2 ) (16)
4

0 λ2 λ3 4 Comparaison des schémas numériques

λ1 4.λ0 λ1 Pour comparer les différents algorithmes présentés
dans la section précédente, nous allons utilisé le critère
λ3 λ2 0 quantitatif rapport signal à bruit (SNR) qui s'exprime
en décibels et défini par :
2
u
Figure 3. Discrétisation en six voisins SNR = 10.log10 ( 2
) (17)
u−v

A = −3.λ0 + λ1 (V0 + V4 ) + λ2 (V2 + V6 ) + λ3 (V1 + V5 )

avec u est une image de référence et v est l'image après
(10) traitement (par exemple après une analyse multi-
échelles). Nous précisons aussi que le SNR est calculé
En introduisant le développement de Taylor comme sur des images centrées sur la moyenne des niveaux de
dans le cas suivant par exemple : gris.

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
(a) (b)
(c) (d)
(e) (f)
Figure 5. Image synthétique bruitée (100x100) (a),
Résultat obtenu avec le schéma numérique de
Cohingnac93 (50 itérations et dt=0.5) (b), Résultat
obtenu avec le schéma numérique de Sapiro 93
(50 itérations et dt=0.5) (c), Résultat obtenu avec
le schéma numérique de Alvarez 94 (50 itérations
et dt=0.5) (d), Résultat obtenu avec le schéma
numérique de Alvarez 96 (400 itérations et dt=0.5)
(e), Résultat obtenu avec le schéma numérique de
Deriche 97 (600 itérations et dt=0.5) (f)
Les deux Figures (Figure 4 et Figure 5)
présentent une comparaison quantitative des
différents schémas numériques présentés dans ce
papier. A priori, il n'est pas évident d'extraire à partir
de cette comparaison une conclusion très précise sur
l'efficacité de chaque schéma numérique. Nous
remarquons que les schémas numériques proposés
respectivement par Sapiro, Cohignac et Alvarez 94
donnent presque les mêmes résultats visuels et des
rapports signal sur bruit semblables. Par contre, celui
proposé par Alvarez en 96 est un peu différent et
donne un résultat meilleur du rapport signal sur bruit
(plus grande valeur du SNR) par rapport aux autres
schémas numériques. Le schéma numérique proposé
par R.Deriche et ses collaborateurs basé sur
l'approche à six voisins semble intéressant avec un
rapport signal sur bruit très faible par rapport aux
autres schémas, en plus il parait qu'il est très rapide
et il converge beaucoup plus vite que les autres
schémas. Nous reviendrons avec plus de détails sur
ce point à la fin de ce papier.
Enfin, il semble important et intéressant de dire
que la stabilité de ces différents schémas numériques
n'est pas toujours garantie. Il est clair que le
paramètre δ t qui représente l'échelle d'analyse
intervenant à chaque itération, joue un rôle très
important pour assurer la stabilité d'un schéma
numérique. Pour l'équation 2.16, il a été déterminé
théoriquement que la condition de stabilité pour assurer
la mise en oeuvre numérique est donnée par :
δ t ≤ 0.5δ x 2 (18)
Avec δ x est le pas de l'espace.
5 Un nouveau schéma numérique semi
implicite
Dans les schémas numériques précédents permettant de
déterminer la solution approchée à l'instant n+1 en
fonction de celle à l'instant n de l'EDP 1 , la partie
correspondant à l'opérateur Iξξ a été estimée à l'instant
n, ce qui présentait l'avantage de rendre la
programmation à chaque étape en temps
particulièrement simple et peu coûteuse, mais la rendait
prohibitive au cours du temps, en raison de la condition
sur le pas de temps (voir éq. 18).
A l'inverse, que se passe t'il si l'opérateur Iξξ est évalué
à l'instant n+1 pour la résolution de l’équation 1 ?
Nous présentons dans cette section un nouveau schéma
numérique semi implicite à neuf voisins : Les dérivées
secondes seront calculées à l'ordre n+1 par contre les
dérivées premières seront calculées à l'ordre n.
Nous allons résoudre l'équation 1 à l'aide d'un schéma
semi implicite. L'équation est donnée par :
 ∂I
 = Iξξ
 ∂t (19)
 I (0, x, y ) = I 0 ( x, y )
Cette équation peut s'écrire aussi de la manière
suivante :
 ∂I I xx I y2 − 2.I xy I x I y + I yy I x2
 =
 ∂t
1
( I x2 + I y2 ) 2 (20)

 I (0, x, y ) = I 0 ( x, y )
La Figure 2 montre les six voisins qui participent à la
discrétisation de l'opérateur anisotrope de Iξξ dans le
cadre du schéma numérique proposé et étudié par
plusieurs auteurs cités en section 3. Dans notre cas (éq.
19), la diffusion se fait dans la direction du gradient.
Cependant, pour la discrétisation, nous allons prendre
en compte les neuf voisins représentant un masque
local pour chaque pixel de l'image.
La discrétisation semi-implicite de l'équation 19 à
l'itération n+1 est donnée par :
 n +1 I xxn +1 ( I yn ) 2 − 2.I xyn +1 I xn I yn + I yyn +1 ( I xn ) 2
 I = I + δ t.
n
( ( I xn )2 + ( I yn )2 ) 2
1


 I (0, x, y ) = I 0 ( x, y )
(21)
La difficulté de l'approche semi-implicite est qu'elle
exige de calculer les dérivées secondes en x et en y à
SETIT2005

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 :

aI1. i−1, j−1+a2.Ii−1, j +a3.Ii−1, j+1+a4.Ii, j−1+(1−δta

n+1 n+1 n+1 n+1
Figure 6. Les neuf voisins pris en compte . 5).Iin,+j1+a6.Iin,+j+11+a7.Iin++11,j−1+a8.Iin++11,j +a9.Iin++11,j+1 =Iin,j

I(0,xy , )=I0(xy ,)
Pour cela, nous considérons pour chaque pixel (27)
P( I i , j ) les neuf voisins comme montre la Figure 6.
Nous remplaçons les valeurs des dérivées deuxièmes Avec ai sont les coefficients qui représentent le
( I xx , I yy , I xy ) par les masques de convolution masque 25. Ils sont définis dans l'expression suivante :
présentés ci-dessous, par contre en ce qui concerne
les dérivées premières ( I x , I y ), nous utilisons les a1 = ( Dx + Dy ) 2

a2 = 2.( Dx − Dy )
2 2
masques de discrétisation suivants.
a = ( Dx − Dy ) 2
 1 1 1   3
 4 a4 = −2( Dx 2 − Dy 2 )
2 4  
 
a5 = −4.( Dx + Dy )
2 2
1 1 (28)
U yy = − −1 − (22) 
 2 2 a6 = −2.( Dx − Dy )
2 2
 
 1 1 1  a = ( Dx − Dy ) 2
 4 2 4   7
a8 = 2.( Dx 2 − Dy 2 )

a9 = ( Dx + Dy )
2
1 1 1
4 −
2 4
  Finalement, le problème se ramène à la résolution d'un
1 1
U xx =  −1 (23) système linéaire de la forme :
2 2
 
1 −
1 1
 A.I n +1 = I n
 4 2 4   (29)
 I (0, x, y ) = I 0 ( x, y )
 1 1
 4 0
4 Avec A(ai ) est une matrice pentadiagonale
 
U xy = 0 0 0 (24) symétrique. La solution de ce système correspond bien
 1 1 à la solution de l'équation 19 à l'itération n+1.
− 0  La résolution du système linéaire 29 se fait par
 4 4  n'importe quel algorithme classique de la littérature
matricielle. Il est possible d'utiliser l'algorithme de
Nous remplaçons dans l'équation 21 les dérivées Chosleski, la méthode du gradient conjuguée pré-
secondes ( I xx , I yy , I xy ) respectivement par les conditionnée [2] et [3].
masques 22, 23, et 24 appliqués aux pixels voisins du
pixel P (voir Figure 6). L'opérateur Iξξ dans 5.1 Algorithme de relaxation
La matrice A est pentadiagonale, tridiagonale par blocs,
l'équation 21 devient alors : chacun des blocs étant une matrice carrée de taille NxN
où N est la taille de l'image I 0 .
 (Dx+Dy)2 2.(Dx2 −Dy2) (Dx−Dy)2  Nous avons choisi de résoudre notre système linéaire
1  
Uξξn+1 = 2 
. −2.(Dx2 −Dy2) −4.(Dx2 +Dy2) −2.(Dx2 −Dy2) par la méthode de relaxation. Cette méthode bien que
4(Dx +Dy )
2
plus lente, est une méthode facile à programmer et pour
 (Dx−Dy)2 2.(Dx2 −Dy2) (Dx+Dy)2 
  laquelle il n'est pas nécessaire de stocker toute la
(25) matrice A [5]. Nous allons rappeler brièvement le
principe de la méthode de relaxation.
Avec Dx et Dy sont les deux dérivées premières La méthode de relaxation pour résoudre un système
calculées avec les masques 3 et 4 présentés linéaire A.X = f de taille N x N est une méthode
précédemment. itérative, où la solution approchée à l'étape m+1, notée
SETIT2005

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 
x = 
m +1 j <i j >i
i (30)
Aii
On remarque que dans ce calcul, seules les
coordonnées d'indices j>i du vecteur x m
interviennent, et non pas les composantes
précédentes, de sorte qu'il n'est pas nécessaire de
stocker en mémoire 2 vecteurs x m et x m +1 : seul un
vecteur x suffit, et au fur et à mesure du calcul, les
composantes de ce vecteur, qui au départ sont celles
du vecteur x m , sont remplacées par celles du vecteur
x m +1 . Ce schéma peut être amélioré en introduisant
un paramètre de relaxation ω positif, de sorte que
l'algorithme s'écrit schématiquement :
Boucle sur m
Boucle sur i
xi* ← ( f i − ∑ j ≠ i Aij .x j ) / Aii
xi ← xi + w( xi* − xi )
Fin des boucles
2
w0 = (32)
1+ 1− ρ 2
Avec ρ est le rayon spectral de matrice.
En fait, l'interprétation du rôle du paramètre ω est que
si la correction apportée à la ième composante va dans le
bon sens, on a intérêt à choisir une valeur de ω plus
grande que 1, au contraire, si on risque d'osciller ou de
diverger, il faut alors amortir cette correction en
choisissant une valeur plus petite que 1.
Pour déterminer le couple optimal (δ t , ω ) , nous allons
étudier le comportement de l'erreur euclidienne à
chaque itération de notre processus numérique en
faisant varier ω et fixons pour tous les tests la valeur
du pas de temps δ t et le nombre d'itérations n (n =
10). L'erreur euclidienne est donnée par :
|| 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).

5.2 Analyse et comparaison

Dans ce paragraphe, nous étudions la stabilité de
notre schéma numérique semi-implicite et nous le
comparons avec les autres schémas vus auparavant.
La stabilité d'un schéma numérique se traduit par le
fait que la solution approchée donnée par ce schéma
doit rester bornée, malgré les accumulations d'erreurs
de discrétisation et d'arrondissement. En général, un
schéma totalement implicite est inconditionnellement
stable; autrement dit il est stable sans aucune
condition restrictive (seuil sur δ t par exemple
comme dans le cas explicite (éq. 18) sur le pas de
temps δ t . En effet, si le pas de temps dépasse un
seuil, le schéma devient très rapide et risque d'être
instable.
Notre schéma numérique n'est pas totalement
implicite car les dérivées à l'ordre 1 à l'étape k sont
estimées à partir de l'étape k-1 ce qui fait que la
stabilité de notre schéma n'est pas à priori garantie.

− Erreur et stabilité : L'objectif de ce

paragraphe est d'étudier la stabilité de notre schéma
numérique semi-implicite en fonction bien sur du pas
de temps , mais en prenant en compte le paramètre
optimal dont dépend la convergence de l'algorithme
de relaxation. Pour cela, nous commençons tout
d'abord par chercher le paramètre convenable pour
la mise en oeuvre de l’EDP 1 (MCM) en faisant
varier la valeur du pas de temps. Théoriquement,
pour que cet algorithme converge, il faut que la
condition suivante soit vérifiée :

0<w<2 (31)
SETIT2005

Figure 7. Stabilité avec δ t = 0.1

Figure 8. Stabilité avec δ t = 0.2

Figure 9. Stabilité avec δ t = 0.3

SETIT2005

(a)
Figure 10. Stabilité avec δ t = 0.4 (a), Stabilité avec δ t = 0.5 (b)
Les Figures 7, 8, 9 et 10 montrent la dépendance qui
existe entre le paramètre de relaxation ω et le pas de
temps δ t pour assurer la stabilité de notre schéma
numérique semi implicite. Nous remarquons que
quand δ t croit en s'approchant du seuil 0.5, la valeur
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
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.
(b)
Afin d'illustrer et de confirmer les différentes
remarques que nous pouvons déduire de l'étude
numérique précédente, nous présentons quelques
résultats () appliqués sur une image synthétique qui
montrent bien les problèmes d'instabilité qui peuvent
se produire pendant notre processus numérique.
(a) (b)
(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)

Figure 11. Variation de ω en fonction de δt

SETIT2005
(a) (b)
(c) (d)
Figure 13. Image synthétique (100x100) (a),
Solution de l’équation 16 obtenue avec notre
schéma implicite (20 itérations, dt=0.1, ω =0.5 et
40 itérations nombre) (b), Solution de l’équation
16 obtenue avec notre schéma implicite (40
itérations, dt=0.1, ω =1.2 et 20 itérations nombre)
(c), Solution de l’équation 16 obtenue avec notre
schéma implicite (50 itérations, dt=0.4, ω =0.2 et
20 itérations nombre) (d)
− Comparaison : Nous comparons notre
schéma numérique semi implicite avec les autres
schémas numériques vus auparavant. Comme nous
avons procédé en section 3, nous allons utilisé le
critère quantitatif rapport signal sur bruit (SNR) défini
dans l’équation 17.
Figure 14. Comparaison de la variation du rapport
signal à bruit pour les différents schémas
numériques
La Figure 14 présente une comparaison quantitative à
l'aide du rapport signal sur bruit de notre schéma
numérique semi implicite avec les autres schémas
numériques. Comme nous l'avions remarqué dans la
Section 3 le schéma à six voisins proposé par Deriche
est très rapide, les valeurs du SNR dans ce cas sont
les plus faibles par rapport aux autres valeurs. Les
trois schémas numériques proposés respectivement
par Sapiro, Cohignac et Alvarez (94) se ressemblent
car la variation du SNR se comporte d'une manière
identique pour ces schémas. L'algorithme proposé par
Alvrez (éq.16) reste l'algorithme qui se comporte le
mieux comparé avec notre schéma semi implicite.
La variation des valeurs du rapport signal à bruit,
obtenue par notre schéma numérique semi implicite,
en fonction du nombre d'itérations décroît d'une
manière stable et correcte: les plus grandes valeurs
sont obtenues au début du processus (entre 10 et 20
itérations), par contre quand le nombre d'itération
croit, la variation se fait d'une façon très douce ce qui
montre que notre algorithme devient de plus en plus
stable.
6 Conclusion
Nous avons présenté dans ce papier les principes de
base nécessaires pour la mise en oeuvre des équations
aux dérivés partielles introduites très récemment en
traitement d'images. Nous avons aussi présenté
plusieurs schémas considérés comme les plus
représentatifs que nous avions comparé entre eux.
Dans ce papier, nous avons proposé un nouveau
schéma numérique semi implicite que nous avons
comparé avec les autres schémas. Il s'est avéré après
les différents tests numériques que nous avons
présenté que notre algorithme se comporte d'une
manière très stable et donne des résultats très
satisfaisants.
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.
[6] J. Prewitt, "Object enhancement and extraction", B.S
Lipkin et al. Editor, Academic Press, 1970, New York.