Détection et Correction de Pixels Défectueux
5.2 Méthodes existantes de détection de pixels morts
Il existe dans la littérature un ensemble de méthodes de détection de pixels défectueux. Dans ces méthodes, on prend comme entrée une image, que l’on parcourt pixel par pixel en testant chacun des pixels en fonction de son environnement. On décèle alors l’ensemble des pixels défectueux contenus dans cette image. Dans la suite seront examinés, tour à tour, les principales méthodes en usage et notamment celle présentée par Chan [18] et celle présentée par Cho et al. [137, 136] portant sur la détection des pixels morts dans une image.
5.2.1 Méthode de détection de pixels morts de Chan
Dans l’algorithme de détection de pixels morts proposé par Chan [18], le pixel à tester (G5) et ses pixels adjacents utilisés pour l’étude forment un bloc de 3×3 pixels en niveau de gris, comme présentés dans la Figure 5.5(a). Le processus de détection des pixels morts présenté par Chan peut se simplifier tel qu’illustré dans la Figure 5.5. Ce processus consiste alors en l’exécution des étapes suivantes pour chacun des pixels de l’image :
1. sélectionner le bloc de 3×3 pixels en niveau de gris formés par le pixel à tester et ses pixels voisins ;
2. trouver les deux pixels de références de la méthode :GH, le pixel ayant la seconde plus grande valeur du bloc, et GL, le pixel ayant la seconde plus petite valeur du bloc de pixels ;
3. évaluer la valeur de la différence entre les deux pixels de référence, comme présenté dans (5.1) ;
dif =GH −GL (5.1)
4. évaluer la valeur moyenne des pixels du bloc, en excluant le pixel à tester et les deux pixels de références GH etGL, comme présenté dans (5.2) ;
avg=
P9
i=1Gi−(G5+GH +GL)
6 (5.2)
5. la somme entre la valeur de différence évaluée à l’étape 3 (dif) et la valeur moyenne évaluée à l’étape 4 (avg) donne le seuil haut (pour les défauts de « type 2 »), et la différence entre ces deux valeurs donne le seuil bas (pour les défauts de « type 1 »). Tous les pixels se trouvant entre le seuil haut et le seuil bas sont déclarés « bons pixels », tandis que les pixels dont la valeur est supérieure au « seuil haut » ou inférieure au « seuil bas » sont déclarés comme des « pixels morts » ; tel que le montre le processus présenté dans la Figure 5.5(b).
Cette méthode de détection de pixels morts proposée par Chan a pour avantages d’être intuitive, et de ne nécessiter que des opérations arithmétiques très simples. Cependant le problème de cette méthode est que le taux de détection des pixels morts est réduit si les blocs de 3×3 pixels contiennent plus d’un certain nombre de pixels défectueux. Cela pourrait influencer les deux pixels de références (GH et GL), ce qui aurait pour conséquence d’augmenter la valeur de la différence entre ces pixels de références. L’autre fâcheuse conséquence est d’augmenter intervalle de détection de pixels défectueux et par la même, d’empêcher une détection minutieuse de ceux-ci. Un autre inconvénient majeur de cette méthode proposée par Chan est le grand nombre de faux positifs (pixels « bons » déclarés comme « morts »).
5.2.2 Méthode de détection de pixels défectueux de Cho
Contrairement à la l’algorithme proposée par Chan, l’algorithme de détection de pixels morts proposé par Cho et al. [137, 136] utilise uniquement quatre des pixels voisins au pixel à tester. Ceux-ci formant une croix avec le pixel central, comme présenté dans la Figure 5.6 (a). Cet algorithme proposé par Cho et al. utilise le principe suivant lequel une valeur anormale du pixel à tester affecterait la réponse globale du voisinage comme présenté dans la Figure 5.6 (b). Le processus de détection des pixels défectueux proposé par Cho et al. exécute les étapes suivantes, pour chacun des pixels à tester :
1. sélectionner le bloc de pixel formant une croix, avec au centre, le pixel à tester ; 2. tout pixel se trouvant dans l’intervalle allant de 25% à 75% de la valeur maximale
du bloc des pixels voisins sélectionnés dans l’étape précédente, est considéré comme « bon pixel », tandis que les autres sont des pixels à tester, activant de ce fait, les étapes suivantes ;
Figure 5.6 – Méthode de DPD proposée par Cho et al.
3. évaluer la valeur estimée (est) du pixel à tester, en effectuant la moyenne de ses deux pixels adjacents sur l’axe horizontal, comme présenté dans (5.3) ;
est= P2+P3
2 (5.3)
4. évaluer la différence (dif) entre la valeur du pixel et sa valeur estimée, calculée à l’étape précédente. Plus cette différence est grande, plus la probabilité que le pixel testé soit défectueux est grande. Cette différence est calculée comme présenté dans (5.4) ;
dif =|est−P5| (5.4)
5. évaluer la valeur moyenne (avg) entre le pixel central à tester, et ses pixels adja-cents, comme présenté dans (5.5). Le calcul de cette moyenne prend non seulement en compte le pixel à tester, mais aussi augmente son poids dans l’équation, en le multipliant par la somme des poids de ses pixels adjacents. Cela a pour effet de lier fortement cette valeur moyenne à la valeur du pixel à tester, par rapport aux valeurs de ses pixels voisins ;
avg=
P4
i=1Pi+ 4×P5
8 (5.5)
6. la valeur moyenne (avg) évaluée à l’étape précédente est utilisée comme « valeur seuil » pour la différence (dif) entre la valeur du pixel à tester et sa valeur estimée.
Sidif > avgoudif >255−avg, alors le pixel à testerP5est déclaré « pixel mort ».
Les avantages de cette méthode sont qu’elle est très simple et qu’elle ne nécessite que des opérations arithmétiques de bases pour être mise en œuvre. Elle permet entre autre de réduire le nombre de faux positifs par rapport aux résultats obtenus avec la méthode proposée par Chan. Elle accroît le taux de détection de pixels défectueux, même lorsqu’il existe plusieurs pixels défectueux parmi les pixels adjacents au pixel à tester. Cependant cette méthode ne prend pas en compte tous les axes du voisinage d’un pixel, ce qui a
pour conséquence d’augmenter le nombre de faux positifs pour des zones présentant des bordures dans l’image. De plus, cette méthode ne permet que de détecter que des défauts catastrophiques, c’est-à-dire ceux dont les valeurs sont soit proches de 0 soit de 255 pour une image en niveau de gris sur 8 bits.
Pour résoudre les problèmes causés par ces méthodes proposées par Chan et Cho et al., les propositions apparaissant dans la section suivante peuvent être suggérées. Elles incluent un ensemble d’algorithmes de détection de pixels défectueux dans l’image se basant sur plusieurs axes tels que : la distance entre le pixel à tester et ces pixels voisins ; la médiane des pixels voisins ; l’analyse des variances ; l’analyse des directions des pixels voisins au pixel à tester.