SETIT 2009

5th International Conference: Sciences of Electronic,

Technologies of Information and Telecommunications
March 22-26, 2009 – TUNISIA

Techniques de Débruitage d’Images

Wiem FOURATI et Mohamed Salim BOUHLEL
L’Unité Sciences Et Technologies de l’Image et des
Télécommunications SETIT, ISBS Sfax-TUNISIE
wiem_fourati@[Link]
[Link]@[Link]

Résumé: Le choix des algorithmes efficaces pour le débruitage d'images numériques reste encore un défi scientifique à
l'intersection de l'analyse fonctionnelle, des statistiques et de l'informatique. Il y a eu plusieurs algorithmes publiés et
chaque approche a ses suppositions, ses avantages, et ses limitations. Dans ce papier nous allons faire une brève revue
de quelques travaux significatifs dans le domaine de débruitage d'image. Quelques approches sont classifiées et un
aperçu général de divers algorithmes et de diverse analyse est fourni.
Mots clés: débruitage, ondelettes, seuillage, filtres sélectifs.

INTRODUCTION
Les procédés d’acquisition (caméra, amplificateur,
Bruit indépendant(on parle de bruit aléatoire),
quantificateur,...) d’images induisent des perturbations
qui peuvent être gênantes pour la compréhension et le
Bruit qui dépend des données de l’image.
traitement de l’image. L'objectif avoué du filtrage est y( i , j ) = ω( i , j ) + n( i , j ) (1)
de réduire les variations d'intensité au sein de chaque
région de l'image tout en respectant l'intégrité des avec l’image y(i, j) est la somme de l’image réelle
scènes : les transitions entre régions homogènes, les
éléments significatifs de l'image doivent être préservés ω(i, j) avec le bruit n(i, j) .
au mieux.
Le bruit n(i, j) est souvent décrit par sa
Ce papier décrit différentes techniques de
variance σ n .
2
débruitage donnant à une perspicacité quant à lequel L’effet du bruit sur l’image est souvent
algorithme devrait être utilisé pour trouver l'estimation décrit par le rapport signal sur bruit (SNR), qui est
la plus fiable des données donné par la relation suivante :
Le papier est organisé comme suit: Dans la section
σω σ2y
1 nous présentons les modèles de bruits de l’image.
SNR = = −1 (2)
Dans la section 2, nous exposons quelques filtres σn σn2
classiques. Dans la section 3, nous présentons les
filtres sélectifs. Dans la section 4 nous étudions
quelques fonctions de seuillage et des méthodes de Où σ ω2 et σ 2y sont les variances respectives de
détermination du seuil. Dans la section 5, nous l’image réelle et de l’image traitée.
abordons la méthode ICA. Finalement, la section 6 est
Le bruit de l'image est considéré comme un champ
dédiée pour les discussions.
aléatoire. Du fait de sa haute fréquence, on ne
conserve pour le caractériser que le premier ordre (pas
1. Modèles de bruits de l’image de corrélation entre les pixels) et parfois le second
A chaque étape de l'acquisition d'une scène, des ordre (corrélation entre pixels).
perturbations (rayures, poussières, caméra, On ne conservera ici que le premier ordre,
amplification, quantification) vont détériorer la qualité modélisé par la densité :
de l'image. Ces perturbations sont regroupées sous le
n
nom de "bruit d'image". Le bruit peut être groupé en f (a) = C exp(-K a ) (3)
deux classes :

-1-
SETIT2009

2. Filtres Classiques préserve les contours.

Dans cette partie, nous allons faire une brève revue
des filtres spatiaux les plus connus. 4. Débruitage par seuillage
Généralement, le bruit additif est distribué Les estimateurs de seuillage furent introduits par
uniformément sur le domaine fréquentiel (bruit blanc), Donoho et Johnstone [DON 94] pour des bases
alors que l’image contient principalement de arbitraires. Ils furent ensuite introduits dans les
l’information utile sur les basses et les moyennes méthodes d’ondelettes au début des années 90 dans
fréquences. De là, le bruit est dominant pour les hautes une série d’articles de Donoho et Johnstone [DON 95]
fréquences et ses effets peuvent être réduits en et de Donoho, Johnstone, Kerkyacharian et Picard
employant un filtre passe bas. [DON 96], [DON 97]. L’idée sous-jacente était de
reconstruire le signal uniquement à l’aide des
2.1. Filtres linéaires coefficients empiriques dont la valeur absolue était
supérieure à un seuil fixé. Cette idée est vite montrée
Le filtre moyen est le filtre linéaire optimal pour le
très performante tant au point de vue théorique que
bruit de Gauss. Il s’agit du filtrage le plus simple qui
pratique.
soit, consistant à remplacer la valeur d’un pixel par la
valeur moyenne des pixels dans une fenêtre centrée D’après la définition générale de Coiffman
sur le pixel en question. Cela réduit sensiblement le Wickerhauser dans [COI 95].le débruitage par
bruit, dont l’écart-type est réduit de la racine carrée du ondelette revient à l’extraction d’une structure
nombre total de pixels dans la fenêtre. Cependant ce cohérente du signal traité ce qui revient à considérer le
moyennage qui ne tient pas compte des statistiques bruit comme non cohérent par rapport à la base
locales de l’image produit une forte dégradation des d’ondelette choisie, donc non corrélé avec les
contours. Afin de minimiser ce phénomène, on utilise fonctions de base. En fait les coefficients peu
généralement des petites fenêtres, typiquement 3×3 ou corrélés avec la base sont faibles, et sont attribués au
5×5. bruit. Par un seuil adapté, on peut séparer le bruit
(partie incohérente) du signal (partie cohérente). Le
2.2. Filtres non linéaires débruitage par ondelettes classique est donc
Avec les filtres non linéaires, le bruit est enlevé implémenté comme un filtrage non linéaire par
sans n'importe quelles tentatives explicitement pour seuillage : Les coefficients d’ondelette supérieurs à
l'identifier. Nous allons étudier un exemple de filtrage un seuil T sont considérés comme faisant partie du
non linéaire qui est le filtre médian. signal informatif.

Le filtre médian procède presque de la même Dans la littérature, on trouve plusieurs méthodes
manière, en remplaçant la valeur d’un pixel par la de seuillage, dont les plus connues et appliquées sont :
valeur médiane des pixels d’une fenêtre locale. Il est
Le seuillage dur ("Hard Thresholding") qui met à
notamment efficace pour éliminer les points isolés zéro les coefficients en dessous du seuil et ne
fortement bruités. Ses principaux inconvénients sont modifient pas les autres. Pour un seuil T choisi, le
de rendre flous les contours, d’effacer les structures signal résultant s’écrit :
fines voire même de distordre certaines formes [LEE
83]. Grâce à sa simplicité et à son efficacité pour 0 x ≤T
supprimer les points les plus bruités, le filtre médian δTH ( x ) =  où T ∈ [0, ∞[ (4)
reste une bonne alternative au filtre moyenne pour le  x x >T
filtrage d’images. Les calculs commencent à être
coûteux à partir de fenêtres 7×7. Ce problème peut
Le seuillage doux ("Soft Thresholding") conduit à
être surmonté par une implémentation rapide, mettre à zéro les valeurs de coefficients qui sont
proposée par Huang [HUA 79]. Avec une taille de plus petites que le seuil T et à ne conserver que ce
fenêtre égale à 5×5, le flou au niveau des contours qui dépasse le seuil pour les autres coefficients.
devient très gênant. Un filtre 3×3 efface non Le signal après seuillage s’écrit.
seulement les fines structures mais réduit également le
bruit de manière insuffisante dans les zones uniformes 0 x ≤T

δTS (x ) =  x− T x >T où T ∈ [0, ∞[ (5)
3. Filtres sélectifs  x+ T x < −T
Ce filltre s'appelle aussi filltre bilatéral. Le 
principe de ce filltre est de combiner les avantages des Les deux fonctions de seuillage ci-dessus ont des
filtres médian et convolutif tout en se débarrassant de avantages et des inconvénients:
leurs défauts. L'idée simple consiste à faire une
moyenne gaussienne ou rectangulaire mais sur les - Le seuillage doux n’est pas efficace pour les
pixels de couleurs proches dans le voisinage. Il y a grands coefficients.
donc deux paramètres : la taille de la fenêtre et la - En raison des discontinuités de la fonction de
distance de niveau de gris au delà de laquelle on ne seuillage dur, les résultats ont tendance à avoir une
compte pas le pixel dans le voisinage. Cet algorithme grande variance et être instables.
s'avère être très efficace : robuste et rapide et il

-2-
SETIT2009

Pour remédier aux inconvénients du seuillage dur 4.2. Seuil " BayesSrhrink"
et doux, Bruce et Gao [BRU 95] appliquent le non- Le BayesShrink [GRA 00] utilise une structure
négatif garrote dans la technique du seuillage par mathématique Bayesian pour des images pour tirer des
ondelette. Le seuillage non-négatif garrote a été seuils spécifiques pour chaque sous-bande. Pour
d'abord présenté par Breiman [BRE 95] et est défini chaque sous-bande la formule de calcul du seuil est
comme suit : donnée par :
0 x ≤T TB = σ̂ n σ̂ x
2
(9)

δTG (x ) =  T 2 (6)
x − x >T où σ̂ n 2 est la variance estimée du bruit et σ̂ x est
 x
l'écart-type estimé de signal.

( )
La fonction de seuillage firm établie par Gao et
σ̂ x = max σ̂ 2 y − σ̂ n , 0
Bruce, est définie par : 2
(10)
0 x ≤ T1
 σ̂2y est la variance estimée du signal observé
T2 ( x − T1 )
où

δT1 ,T2 ( x) = sgn( x )
f
T1 < x ≤ T2 qui s’écrit :
 T2 − T1
1 M 2
x x > T2 σ̂ y 2 = ∑ Yij (11)
 M 2 i , j =1
Le seuillage firm groupe les avantages du seuillage
dur et doux, mais l'inconvénient de la fonction de 4.3. Seuil "NormalSrhrink"
seuillage firm qu’elle exige deux seuils. Cela alourdit
d’avantage les procédures du choix de seuil [HON Un autre travail notable propose une méthode
98]. d’évaluation adaptative du seuil pour le débruitage
d’image par ondelette basé sur la distribution
4.1. Seuil "VisuSrhrink" Gaussienne généralisée (GGD). La méthode proposée,
appelée NormalShrink [LAK 02], est adaptative parce
La méthode VisuSrhrink introduite par Donoho et
que le paramètre β , exigé pour évaluer le seuil,
Johnstone [DON 95] propose un seuil universel
déterminé à partir de l’énergie estimée du bruit. Cette dépend des données des sous-bandes. Le seuil est
méthode utilise l’hypothèse d’un bruit blanc gaussien calculé alors par :
superposé au signal.
TN = β σ̂ n 2 σ̂ x (12)
Le seuil est égal à T = σ n 2logM ,où M
Où β est le paramètre d’échelle, qui dépend de la
désigne le nombre de points du signal et σn 2 la taille de la sous-bande et du niveau de
variance du bruit. Puisque le bruit est considéré blanc, décompositions. Il s’écrit :
son énergie est équi-répartie sur toutes les bandes de
fréquence de la décomposition. En conséquence, β = log (Lk J ) (13)
l’écart-type est estimé dans une bande où le signal
informatif est considéré inexistant ou quasi-inexistant, Lk est la longueur de la sous-bande au
notamment dans les plus hautes fréquences. Les
k ème échelle, σ̂ n est la variance estimée du bruit
2
auteurs utilisent un estimateur robuste de σn à partir
de la valeur médiane des coefficients de la sous bande et σ x est l'écart-type estimé du signal.
de détail diagonale du premier niveau de
décomposition

σ̂ n 2
( ) Y
 median Yij
= ∈ sous - bande HH 1
5. Méthode”ICA”
Une nouvelle méthode appelée “Independent
ij Component Analysis” (ICA) a attiré l’attention de
 0.6745 
beaucoup de chercheurs dans le domaine de
La probabilité d’avoir des coefficients supérieurs à débruitage d’image. Elle a été exécutée avec succès
dans [JUN 01], [HYV 98] pour des signaux non
T = σ n 2logM tend vers zéro quand M tend vers Gaussiens.
l’infini. Ce seuil est performant si le signal informatif L’avantage de la méthode ICA c’est le fait qu’elle
est creux, c’est à dire si ses coefficients sont rares. suppose que le signal est non Gaussien. Ceci garantit
Autrement dit, le seuillage risque d’être trop fort pour de bon résultas de débuitage aussi bien pour les
un signal quelconque. Un autre problème posé par le signaux non Gaussiens que pour les signaux
seuillage universel est la valeur unique du seuil pour Gaussiens.
toutes les bandes de fréquence de la décomposition en
ondelettes.

-3-
SETIT2009

6. Discussion [HON 98] Hong-Ye GAO, “Wavelet Shrinkage Denoising

Using the Non-Negative Garrote”, Journal of
Dans ce papier, diverses méthodes de débruitage Computational and Graphical Statistics, Vol. 7, (4), pp.
d’images sont évaluées. Le PSNR (Peak Signal to 469–488. 1998.
Noise Ratio) est utilisé comme critère d’évaluation de
la qualité de débruitage en plus de l’évaluation [HUA 79] T. S. Huang, “A Fast Two Dimensional Median
subjective. Beaucoup de techniques actuelles Filtering Algorithm”, IEEE Trans. on ASSP, Vol. 27,
supposent que le modèle de bruit est Gaussien. Dans No.1, pp.13-18, 1979.
la réalité, cette supposition n’est pas toujours vraie en [HYV 98] A. Hyvärinen, E. Oja. P. Hoyer, and J. Hurri,
raison de la diversité de la nature et des sources de “Image feature extraction by sparse coding and
bruit. Une méthode de débruitage idéale exige la independent component analysis”, In Proc. Int. Conf. on
connaissance a priori du bruit, tandis qu'une procédure Pattern Recognition (ICPR’98), pp. 1268-1273,
pratique ne peut pas avoir les informations exigées de Brisbane, Australia, 1998.
la variance ou du modèle du bruit. Généralement, on
[JUN 01] A. Jung, “An Introduction To A New Data
ajoute un bruit Gaussien avec différentes valeurs de
Analysis tool: independent component analysis”,
variance aux images naturelles pour comparer la
Proceedings of Workshop GK “Nonlinearity”-
performance des algorithmes. Regensburg, Oct.2001.
Les bases d’ondelettes permettent de bien [LAK 02] Lakhwinder Kaur, Savita Gupta, and R. C.
approcher sur un petit nombre de coefficients les Chauhan, “Image Denoising using Wavelet
signaux réguliers par morceaux. Ces bonnes capacités Thresholding”, Third Conference on Computer Vision,
d’approximation non linéaire conditionnent Graphics and Image Processing, India Dec 16-18, 2002.
l’efficacité d’un débruitage du signal par seuillage des
coefficients d’ondelettes. Le débruitage par ondelettes [LEE 83] J. S. Lee, “Digital Image Noise Smoothing and
à des avantages importants sur d'autres techniques The Sigma Filter”, Computer Vision, Graphics and
plus utilisées. Image Processing, Vol. 24, pp. 255-269, 1983.

Il est prévu que les techniques futures de

débruitage seront conçues sur des modèles statistiques
robustes des coefficients d’ondelette

REFERENCES
[BRE 95] Breiman. L,“Better Subset Regression Using the
Nonnegative Garrote”, Technometrics, Vol. 37(4), pp.
373-384. 1995.
[BRU 95] A. Bruce and H. Y. Gao,“WaveShrink: Shrinkage
Functions and Thresholds”, [Link] Vol. 2569, pp.
270-281,1995.
[COI 95] R. Coifman and M. Wickerhauser. “Adapted wave
for denoising for medical signals and images”. IEEE
Engineering in Medicine and Biology Magazine, 14(5);
578-586, 1995.
[DON 97] Donoho, D.L., Johnstone, I.M, Kerkyacharian, G.,
and Picard, D. (1997). “Universal near minimaximity of
wavelet shrinkage”. In Festschrift for Lucien Le Cam,
183-218. Springer, New-York. 1997.
[DON 96] Donoho, D.L., Johnstone, I.M, Kerkyacharian, G.,
and Picard, D. (1996). “Density estimation by wavelet
thresholding”. Ann. Statist., 24(2), 508-539. 1996.
[DON 95] Donoho, D.L., and Johnstone, I.M. (1995).
“Adapting to unknown smoothness via wavelet
shrinkage”. J. Amer. Statist. Assoc., 90(432), 1200-1224.
1995.
[DON 94] Donoho, D.L., and Johnstone, I.M. (1994).
“Minimax risk over lp-balls for lq-error. Probab”.
Theory Related Fields, 99(2), 277-303. 1994.
[GRA 00] S. Grace Chang, Bin Yu and M. Vetterli,
“Adaptive Wavelet Thresholding for Image Denoising
and Compression”, IEEE Trans. Image Processing, Vol.
9, pp. 1532-1546, Sept. 2000.

-4-