Débruitage d’image par fusion de filtrage spatio-fréquentielle

Abstract

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].