Débruitage d’image par fusion de filtrage spatio-fréquentielle
Thèse ou mémoire
2018-03 (octroi du grade: 2018-06-19)
Auteur·e·s
Directeur·trice·s de recherche
Cycle d'études
MaîtriseProgramme
InformatiqueRésumé·s
In this work, we are interested in the fusion of two different algorithms of denoising and
operating in the space domain for one of the two and in the frequency domain for the
other one.
The proposed technique will merge (fuse) the essential characteristics of these two
algorithms. One of them is based on the fact that any natural image inherently exhibits
spatial self-similarities (Non-Local means algorithm) and this property turns out to be
especially efficient for denoising the contours, details and the spatial high frequencies of
an image.
The other algorithm is based on the fact that the image/signal is sparse and by this
fact, each part of the image can be broken into a small number of periodic elementary
functions (via the Discrete Cosine Transform). This latter denoising algorithm has
proven to be especially effective for denoising homogeneous regions existing in a natural
image.
The image, degraded by a Gaussian additive noise is first denoised in both domains
and segmented for contour detection. The three estimates are then fused to obtain the
final denoised image. The article [15] and the article [73] will allow us to detect contours.
Our experiments give good results of denoising. The evaluation of these results,
based on the visual aspect, the mean squared error (MSE) and the signal-to-noise ratio
(PSNR), demonstrates the relevance and effectiveness of the approach. This technique
gives better results than those of [11] and [55, 78]. Dans ce projet de mémoire, nous nous intéressons à la fusion de deux algorithmes de
débruitage d’images très différents et opérant respectivement dans le domaine spatial
pour l’un des deux et dans le domaine fréquentiel pour l’autre.
La technique proposée permettra de fusionner les caractéristiques essentielles de ces
deux algorithmes. L’un est basé sur le fait qu’une image naturelle possède de façon inhérente,
des auto-similarités (Non-Local means algorithm) et s’avère particulièrement
efficace pour débruiter les contours, détails et les hautes fréquences spatiales d’une
image. L’autre algorithme est basé sur le fait que l’on peut décomposer chaque partie
de l’image en un nombre restreint ("sparse") de fonctions élémentaires périodiques (via
la transformé en cosinus discrète) et est particulièrement pertinent pour débruiter les
zones homogènes présentes dans une image.
L’image dégradée par un bruit additif gaussien est premièrement débruitée dans les
deux domaines et segmentée pour la détection de contours. Ces trois estimations sont
ensuite fusionnées pour obtenir l’image finale débruitée. L’article [15] et l’article [73]
permettront de détecter les contours.
Nos expérimentations donnent de bons résultats de débruitage d’images. L’évaluation
de ces résultats appuyés sur l’aspect visuel, l’erreur quadratique moyenne (MSE) et
le rapport signal sur bruit (PSNR), démontre la pertinence et l’efficacité de l’approche.
Cette technique donne de meilleurs résultats que celles de [11] et [55, 78].
Ce document diffusé sur Papyrus est la propriété exclusive des titulaires des droits d'auteur et est protégé par la Loi sur le droit d'auteur (L.R.C. (1985), ch. C-42). Il peut être utilisé dans le cadre d'une utilisation équitable et non commerciale, à des fins d'étude privée ou de recherche, de critique ou de compte-rendu comme le prévoit la Loi. Pour toute autre utilisation, une autorisation écrite des titulaires des droits d'auteur sera nécessaire.