Restauration d’images par déconvolution — Méthode de
Wiener–Hunt (PLS, FFT)
Zakaria BOULLAM
Janvier 2026
Introduction
Dans les systèmes d’imagerie réels, l’image acquise est souvent dégradée par le système de
mesure et par le bruit. Un modèle classique est :
y =h∗x+b
où x est l’image vraie, h la réponse impulsionnelle (PSF), b le bruit additif et y l’image observée.
Le flou correspond à un filtrage passe-bas, entraînant une atténuation des hautes fréquences. La
restauration est alors un problème inverse mal posé. On utilise une méthode de moindres carrés
pénalisés (PLS) et une implémentation FFT 2D (approximation circulante) menant au filtre de
Wiener–Hunt.
1 Rappels théoriques (Questions 1 & 2)
1.1 Q1 — Critère PLS et minimiseur
On considère le critère :
J(x) = ∥y − Hx∥2 + µ∥Dx∥2
avec µ ≥ 0 et D l’opérateur de différences (régularisation).
Développement :
J(x) = (y − Hx)T (y − Hx) + µ(Dx)T (Dx)
J(x) = y T y − 2xT H T y + xT (H T H)x + µxT (DT D)x
Gradient :
∇J(x) = −2H T y + 2(H T H)x + 2µ(DT D)x
Condition d’optimalité ∇J(x̂) = 0 :
(H T H + µDT D)x̂ = H T y
d’où :
x̂ = (H T H + µDT D)−1 H T y
Cas µ = 0 :
x̂ = (H T H)−1 H T y
Inversion non régularisée : amplification du bruit lorsque H atténue fortement les hautes fré-
quences.
1
1.2 Q2 — Approximation circulante et expression fréquentielle
On approxime H et D par des matrices circulantes diagonalizables par la FFT :
H̃ = F † Λh F, D̃ = F † Λd F
En remplaçant dans la solution et en utilisant la diagonalisation, on obtient dans Fourier :
−1
x̂◦ = Λ†h Λh + µΛ†d Λd Λ†h y ◦
avec y ◦ = F y et x̂◦ = F x̂.
Cas µ = 0 :
◦ Λ†h ◦
x̂ = y
|Λh |2
si |Λh | ≈ 0 (hautes fréquences), l’inversion est instable.
2 Implémentation 2D sous MATLAB (Questions 3 à 8)
2.1 Données
Les fichiers [Link] et [Link] contiennent : Data (image floue), TrueIma (image
vraie), IR (PSF).
2.2 Q3 — Analyse de l’image observée (spatial et fréquentiel)
Résultats. La figure 1 montre l’image observée y, présentant un flou global (perte de détails
fins). La figure 2 (échelle linéaire) montre une énergie concentrée autour de (0, 0) (basses fré-
quences dominantes). La figure 3 (échelle log) met en évidence l’atténuation des hautes fréquences
et la présence de bruit.
Figure 1 – Q3 : Image observée floue y.
2
Figure 2 – Q3 : |FFT(y)| (échelle linéaire).
Figure 3 – Q3 : log(1 + |FFT(y)|).
Conclusion Q3. Le flou se comporte comme un filtre passe-bas : les hautes fréquences (dé-
tails/contours) sont fortement atténuées, ce qui rend l’inversion directe sensible au bruit.
Q4 – Réponse impulsionnelle et fonction de transfert
La réponse impulsionnelle h (figure 4) est de type “bloc” (noyau quasi-constant sur une petite
fenêtre), ce qui correspond à un flou par moyennage (box blur ).
La figure 5 représente log(1 + |H(νx , νy )|) : l’énergie est maximale autour de (0, 0) et décroît
vers les hautes fréquences, ce qui caractérise un filtre passe-bas. La coupe centrale (figure 6)
présente une forme à lobes de type sinc, signature fréquentielle d’un noyau rectangulaire. Les
zones où |H| est faible indiquent des fréquences fortement atténuées, rendant l’inversion directe
instable.
3
Figure 4 – Réponse impulsionnelle (PSF) h.
Figure 5 – log(1 + |H(νx , νy )|) (représentation 2D).
4
Figure 6 – Coupe centrale de |H(νx , νy )| selon νx .
Conclusion. Le filtre de flou est passe-bas et atténue fortement certaines hautes fréquences ;
une régularisation (paramètre µ > 0) est donc nécessaire pour stabiliser la déconvolution.
2.3 Q5 — Fonction MATLAB de déconvolution PLS
La déconvolution PLS 2D (approximation circulante) s’écrit en Fourier :
H ∗ (νx , νy )
X̂(νx , νy ) = Y (νx , νy )
|H(νx , νy )|2 + µ D(νx , νy )
où D(νx , νy ) = |Dx |2 + |Dy |2 avec Dx = FFT2([−1, 1]) et Dy = FFT2([−1; 1]).
Q6 – Cas µ = 0 (inverse simple)
Figure 7 – Résultat de la déconvolution pour µ = 0 : comparaison DataOne vs DataTwo.
La figure 7 compare l’inversion non régularisée (µ = 0) sur les deux jeux de données. Pour
DataOne, la structure de l’image reste visible mais avec une amplification notable du bruit et
des artefacts. Pour DataTwo, la reconstruction est dominée par le bruit avec des amplitudes très
élevées, signe d’une forte instabilité numérique.
Ce comportement s’explique par l’atténuation des hautes fréquences par H(νx , νy ) : lorsque
|H| est faible, l’inversion directe amplifie le bruit. Ainsi, DataTwo est nettement plus mal condi-
tionné et nécessite impérativement une régularisation (µ > 0).
5
2.4 Q7 — Influence de µ (échelle log10)
On teste plusieurs valeurs de µ (échelle logarithmique).
— µ petit : image plus nette mais bruit/artefacts augmentent.
— µ grand : image plus lissée (perte de détails).
On retient µ comme compromis visuel entre netteté et bruit.
Figure 8 – Q7 : Exemples de résultats pour différentes valeurs de µ.
2.5 Q8 — Choix quantitatif de µ (distances)
On calcule les distances relatives :
∥x̂(µ) − x⋆ ∥22 ∥x̂(µ) − x⋆ ∥1 ∥x̂(µ) − x⋆ ∥∞
∆2 (µ) = , ∆1 (µ) = , ∆∞ (µ) =
∥x⋆ ∥22 ∥x⋆ ∥1 ∥x⋆ ∥∞
On recherche µ minimisant chaque distance (principalement sur DataTwo).
Figure 9 – Q8 : ∆2 (µ) en fonction de µ (échelle log).
Q8 – Choix quantitatif du paramètre µ
Les distances relatives ∆1 (µ), ∆2 (µ) et ∆∞ (µ) sont calculées sur DataTwo en comparant x̂(µ)
à l’image vraie x⋆ .
Les minimisateurs obtenus sont :
µ⋆∆2 = 4.095, µ⋆∆1 = 4.095, µ⋆∆∞ = 7.543 × 103 .
6
On observe que ∆1 et ∆2 conduisent au même optimum, correspondant à un compromis
global entre fidélité aux données et régularité. En revanche, la norme ∞ favorise une valeur plus
grande de µ, car elle pénalise fortement les erreurs maximales (pics/artefacts), ce qui conduit à
une reconstruction plus lissée.
Dans la suite, on retient µ ≈ 4 comme valeur optimale (critères globaux) et cohérente avec
l’évaluation visuelle.
Conclusion générale
La déconvolution est un problème inverse mal posé à cause de l’atténuation des hautes fré-
quences par le flou. La méthode PLS (Wiener–Hunt) permet de stabiliser l’inversion via le para-
mètre µ. La FFT 2D rend la méthode efficace numériquement sans construire les matrices H et
D.