HAL Id: hal-00336553
https://hal.archives-ouvertes.fr/hal-00336553
Submitted on 4 Nov 2008
HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub- lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.
Régularisation d’Images Multi-valuées par Convolutions de Lignes Intégrales
David Tschumperlé
To cite this version:
David Tschumperlé. Régularisation d’Images Multi-valuées par Convolutions de Lignes Intégrales.
TAIMA’2005, 2005, Hammamet, Tunisia. pp.8–12. �hal-00336553�
R´ egularisation d’Images Multi-valu´ ees par Convolutions de Lignes Int´ egrales
David Tschumperl´ e
GREYC Equipe Image, CNRS UMR 6072 6 Bd du Mar´ echal Juin, 14050 Caen Cedex. France
David.Tschumperle@greyc.ensicaen.fr
R´ esum´ e Nous proposons un nouvel algorithme de r´ egularisation d’images multi-valu´ ees util- isant la technique de convolution de lignes int´ egrales (aussi appel´ ee LIC [5]). A partir de l’´ etude d’approches r´ ecentes bas´ ees sur les EDP de diffusion multi-valu´ ees, nous montrons qu’un processus de r´ egularisation peut ˆ etre naturellement d´ ecompos´ e en l’´ elaboration d’une g´ eom´ etrie de r´ egularisation, suivie de l’application d’un lissage local orient´ e. En ex´ ecutant cette derni` ere ´ etape ` a l’aide de LIC, nous am´ eliorons de mani` ere significative les r´ esultats obtenus en r´ egularisation d’images, aussi bien en qualit´ e visuelle qu’en temps de calcul. Nous illus- trons l’application de notre algorithme ` a trois probl` emes de traitement d’images couleur : le d´ ebruitage, l’inpainting et l’interpolation.
Mots cl´ es Images Multi-valu´ ees, R´ egularisation, D´ ebruitage, Inpainting, Interpolation, EDP’s.
1 Introduction
Obtenir une version r´ egularis´ ee d’une donn´ ee d´ egrad´ ee reste un Graal dans le domaine du traitement d’images. L’application directe des algorithmes de r´ egularisation permet par ex- emple de d´ ebruiter des images. Mais ce besoin de r´ egularisation se rencontre aussi fr´ equemment dans des algorithmes de plus haut niveau mettant en jeu des chaines d’analyse complexes.
Depuis les travaux novateurs de Perona-Malik [9], les EDP de diffusion anisotropes (´ equations aux d´ eriv´ ees partielles) ont soulev´ ees un fort int´ erˆ et pour traiter ce probl` eme : de telles
´ equations sont capables de lisser des images de mani` ere non lin´ eaire, ce qui permet de pr´ eserver les structures internes significatives pr´ esentes dans les images (contours, coins ou autres discontinuit´ es). Ainsi, de nombreux formalismes utilisant les EDP de diffusion ont
´ et´ e propos´ es dans la litt´ erature pour la r´ egularisation d’images scalaires ou multi-valu´ ees ( [1,7,10,11,12,16,19] parmi d’autres). Pratiquement parlant, toutes ces m´ ethodes ont un point commun : elles lissent l’image localement suivant une ou plusieurs directions qui sont diff´ erentes en chaque point de l’image. Classiquement, la direction principale du lissage est parall` ele aux contours dans l’image.
La d´ efinition d’un lissage local correct est donc l’un des point-cl´ es d’un bon algorithme de
r´ egularisation. R´ ecemment, les auteurs de [16,19] ont propos´ es des formalismes tr` es g´ en´ eraux
permettant d’´ elaborer des processus de r´ egularisation adapt´ es ` a une g´ eom´ etrie locale de
lissage d´ esir´ ee d´ efinie ` a-priori : ` a partir de l’analyse des structures de l’image (calcul d’un
champ de tenseurs de structure [19]), un champ de tenseurs de diffusion est calcul´ e. Celui-ci
d´ efinit le comportement local du lissage d´ esir´ e. Puis, une ou plusieurs ´ etapes du processus
de lissage sont effectu´ ees par l’application d’une EDP de diffusion sp´ ecifique.
2 D. Tschumperl´ e
Dans une premi` ere partie, nous r´ esumons tout d’abord ces techniques de r´ egularisation tr` es efficaces. Puis, en gardant ` a l’esprit l’id´ ee de s´ eparation entre le lissage lui-mˆ eme et la d´ efinition de sa g´ eom´ etrie locale, nous proposons un nouveau formalisme de r´ egularisation d’images multi-valu´ ees bas´ e sur la technique des convolutions de lignes int´ egrales [5], permet- tant de lisser une image suivant une g´ eom´ etrie tensorielle d´ efinie ` a-priori. Notre m´ ethode poss` ede deux avantages principaux par rapport aux impl´ ementations par EDP : D’une part, elle pr´ eserve mieux les petites structures orient´ ees des images. D’autre part, elle s’ex´ ecute jusqu’` a trois fois plus rapidement. Pour finir, nous illustrons l’efficacit´ e de notre algorithme LIC, avec quelques r´ esultats d’applications sur des images couleur, pour les probl` emes par- ticuliers du d´ ebruitage, de l’inpainting et de l’agrandissement par interpolation non-lin´ eaire.
2 R´ egularisation ` a base d’EDP
Nous consid´ erons une image multi-valu´ ee bruit´ ee I : Ω → R n (n = 3 pour une image couleur) d´ efinie sur un domaine Ω ⊂ R 2 . Nous notons I i : Ω → R , la composante i de l’image I :
∀X ∈ Ω, I (X) = I 1(X) I 2(X) ... I n(X) T
. Les algorithmes de r´ egularisation propos´ es dans [16,19] consistent ` a calculer dans une premi` ere phase le champ liss´ e de tenseurs de structure G σ = G∗ G σ , o` u G σ est un noyau gaussien 2D (de variance σ) et G : Ω → P(2) est le champ des matrices positives et sym´ etriques suivantes : ∀X ∈ Ω, G (X) = P n
i=1 ∇I i(X) ∇I i(X) T . Les auteurs de [6,19] ont remarqu´ es que G σ(X) est un bon estimateur de la g´ eom´ etrie multi- valu´ ee locale de I en X : ses valeurs propres λ 1 , λ 2 donnent les variations vectorielles (couleur) des structures locales de l’image, tandis que l’orientation de ces structures (contours) est donn´ ee par les vecteurs propres u⊥v de G σ . La convolution de G par G σ permet une estimation plus coh´ erente de la g´ eom´ etrie locale multi-valu´ ee.
A partir de cette simple mesure g´ eom´ etrique G σ , les auteurs de [16,19] ´ elabore un champ de tenseurs T : Ω → P(2) qui va d´ efinir le comportement local du lissage d´ esir´ e :
∀X ∈ Ω, T (X) = f 1 (λ 1 , λ 2 ) uu T + f 2 (λ 1 , λ 2 ) vv T (1) o` u v est le vecteur propre principal de T (X) . Intuitivement, f 1 et f 2 d´ efinissent la force du lissage qui va ˆ etre effectu´ e le long des deux directions u et v, au point X. Le lissage lui-mˆ eme est finalement r´ ealis´ e en faisant ´ evoluer l’une des deux EDP suivantes :
∂I
i∂t = div(T∇I i ) [19] ou ∂I ∂t
i= trace(TH i ) [16]
o` u H i est la matrice hessienne de I i(X) . La comparaison de ces deux ´ equations est discut´ ee dans [16] et sort du cadre de cet article. N´ eanmoins, l’id´ ee importante qui se cache derri` ere ces deux m´ ethodes est de baser la r´ egularisation sur l’´ elaboration d’une g´ eometrie de lissage local, d´ efinie par un champ T de tenseurs de diffusion. Notons que T est g´ en´ eralement mis ` a jour pendant l’application de l’EDP (apr` es une ou plusieurs it´ erations de lissage).
L’application de telles m´ ethodes est tr` es coˆ uteuse en temps de calcul : I est r´ egularis´ e petit
`
a petit car les ´ evolutions d’images par EDP agissent de mani` ere tr` es locales, mˆ eme avec des sch´ emas num´ eriques r´ ecents [18].
3 R´ egularisation ` a base de LIC
Pour acc´ elerer le processus de lissage en lui-mˆ eme, nous proposons de remplacer l’applica-
tion des EDP de diffusion par une nouvelle m´ ethode plus rapide bas´ ee sur des LIC. Nous
conservons par ailleurs la premi` ere ´ etape des processus par EDP, c’est ` a dire le calcul (1) du
champ de tenseurs T repr´ esentant la g´ eom´ etrie locale du lissage d´ esir´ e.
3.1 LIC et lissage le long d’une direction
Les LIC (“Line Integral Convolutions” en anglais) ont ´ et´ e historiquement introduits dans [5] comme une technique pour cr´ eer un rendu textur´ e d’un champ de vecteur w : Ω → R 2 . L’id´ ee g´ en´ erale, exprim´ ee dans un formalisme discret, consiste ` a lisser une image I bruit de bruit pur, en moyennant les valeurs des pixels le long des lignes int´ egrales de w, et ce, pour tous les pixels X ∈ Ω. Cela peut se transcrire ` a l’aide d’une formulation continue par :
I LIC (X) = 1 N
Z σ
−σ
f σ (a) I bruit (C (X,a) ) da avec C :
C (X,0) = X
∂C
∂a (X, a) = w(C (X,a) ) (2) o` u f σ : R → R est une fonction paire (d´ ecroissante sur R + , dont la vitesse de d´ ecroissance est proportionnelle ` a σ, typiquement une gaussienne 1D) et C : Ω × R → Ω d´ efinit la courbe int´ egrale de w passant par X et param´ etris´ ee par a ∈ R (aussi appel´ ee ligne de champ). Le facteur de normalisation est N = R σ
−σ f σ (a) da. Le param` etre σ contrˆ ole la longueur du lissage (taille du voisinage utilis´ e pour le filtrage LIC le long de la ligne int´ egrale). Intuitivement, un lissage de l’image I suivant le champ de vecteur w est effectu´ e par (2).
On peut noter que ce probl` eme de visualisation de champs de vecteurs a ´ et´ e abord´ e par des approches EDP dans [3,15,16], aboutissant ` a des ´ equations de type ∂I ∂t
i= div(T∇I i ) ou
∂I
i∂t = trace(TH i ) avec un champ de tenseurs T d´ efini par : ∀X ∈ Ω, T (X) = w (X) w T (X) (d´ efinissant donc un lissage anisotrope mono-directionnel). Ces m´ ethodes EDP et LIC pour la visualisation de champs de vecteurs ne sont pas strictement ´ equivalentes, mais elles sont bas´ ees sur une mˆ eme id´ ee : lisser une image localement le long de directions d´ efinies par un champ de vecteurs w. Une ´ etude plus approfondie peut ˆ etre trouv´ ee dans [17].
3.2 Extension au lissage multi-directionnel
La similarit´ e qui existe entre les techniques LIC et EDP de lissage suivant une seule direc- tion sugg` ere naturellement de remplacer la phase de lissage des EDP de r´ egularisation plus g´ en´ erales, par un processus bas´ e sur des LIC. Evidemment, cela implique que nous devons
´ etendre l’utilisation des LIC (qui ne consid` erent qu’une direction unique de lissage) ` a des champs de tenseurs de diffusion plus g´ en´ eraux T : Ω → P(2). Nous proposons pour cela de moyenner plusieurs LIC partant du mˆ eme point X, mais suivant des chemins diff´ erents.
Soit U θ le vecteur U θ = (cos θ sin θ) T . Alors, le vecteur w (X) θ = T (X) U θ v´ erifie :
• Si T (X) est isotrope, alors w (X) θ = αU θ .
• Si T (X) est anisotrope et orient´ e suivant U θ , alors w (X) θ ' αU θ .
• Si T (X) est anisotrope et orthogonal ` a U θ , alors w (X) θ ' 0.
Autrement dit, plus U θ repr´ esente une “partie” de T, plus kw θ (X) k sera important.
Pour un θ donn´ e, nous proposons donc de calculer un LIC partant de X et dirig´ e suivant le champ de vecteurs w θ , puis de moyenner tout ces LIC atomiques pour θ ∈ [0, π]. Cet intervalle est suffisant pour balayer l’ensemble du domaine Ω puisqu’un LIC est calcul´ e ` a la fois dans les sens avant (a > 0) et arri` ere (a < 0), le long des lignes int´ egrales C θ . Finalement, notre ´ equation de r´ egularisation qui calcule une version liss´ ee anisotrope I r´ egul d’une image multi-valu´ ee I bruit´ e s’´ ecrit : ∀X ∈ Ω,
I r´ (X) egul = 1 N
Z π
0
Z σkw
θ(X)k
−σkw
θ(X)
k
f(a) I bruit´ e (C (X,a) θ ) da dθ (3)
4 D. Tschumperl´ e
o` u N est un facteur de normalisation d´ efini par N = R R
f(a) da dθ, le champ de vecteurs w est d´ efini par w θ (X) = T (X) U (θ) et la fonction f (a) = exp
− 2σ a
2. Le param` etre σ est un param` etre d´ efini par l’utilisateur qui r` egle la puissance globale du filtre de lissage. Comme pr´ ec´ edemment, C θ : Ω × R → Ω repr´ esente la ligne int´ egrale du champ de vecteurs w θ passant par X et param´ etris´ ee par a :
( C (X,0) θ = X
∂C
θ∂a (X, a) = w θ (C (X,a) θ ) = T(C (X,a) θ ) U θ On peut ais´ ement v´ erifier que :
• Le principe du maximum est respect´ e par (3), car seul un moyennage des pixels est effectu´ e.
• Pour les points X ∈ Ω o` u T (X) est isotrope, le lissage est ´ egalement isotrope (le moyennage se fait localement dans toutes les directions du plan), puisque ∀θ, kw θ (X) k est constant.
• Pour les points X o` u T (X) est tr` es anisotrope, le moyennage se fait seulement le long du vecteur propre principal de T (X) .
Ces propri´ et´ es, ´ egalement g´ en´ eralement v´ erifi´ ees par la plupart des EDP de r´ egularisation anisotropes, assurent que le lissage est effectivement dirig´ e suivant le champ de tenseurs T.
4 Applications
La Fig.1 illustre quelques applications possible de notre m´ ethode g´ en´ erale de r´ egularisation bas´ ee sur des LIC, ici appliqu´ ee sur des images couleurs. L’obtention des r´ esultats est tr` es rapide, compar´ e aux temps n´ ecessaire pour les techniques EDP ´ equivalentes. En effet, notre algorithme ne n´ ecessite que tr` es peu d’it´ erations pour achever la r´ egularisation, la technique des LIC prenant en compte des valeurs de pixels qui peuvent ˆ etre tr` es ´ eloign´ es du point courant X. Pour nos exp´ eriences, nous avons d´ efini T avec l’´ eq.(1) et les fonctions f 1 et f 2
par f 1/2 (λ 1 , λ 2 ) = (+λ 1
1