présenté en vue de l'obtention de
L'Habilitation à Diriger des Reherhes
Université Paul Sabatier Toulouse 3
Spéialité : Mathématiques Appliquées
par
Didier Auroux
Algorithmes rapides pour le trai tement d'images
et l'assimilation de données
Soutenue le 26 Novembre 2008
Après avis de :
G.Aubert, Professeur Université de Nie Sophia-Antipolis
P. Rouhon , Professeur Mines ParisTeh
F. Santosa ,Professeur University of Minnesota
Devant le jury omposé de :
G.Aubert, Professeur Université de Nie Sophia-Antipolis (Rapporteur)
J. Blum , Professeur Université de Nie Sophia-Antipolis (Examinateur)
L. Cohen , Direteur de Reherhe CNRS &Université ParisDauphine (Examinateur)
P. Degond ,Direteurde Reherhe CNRS &Université PaulSabatier (Examinateur)
M. Masmoudi , Professeur Université PaulSabatier, Toulouse (Coordinateur)
J.-P. Puel , Professeur UniversitédeVersaillesSaint-Quentin (Examinateur)
Remeriements
Il est venuun imbéile qui ne lesavait paset qui l'a fait.
MarelPagnol(dans : Papillotes Révillon)
Je tiens à remerier en tout premier lieu Gilles Aubert, Pierre Rouhon et Fa-
dil Santosa, qui ont onsaré une partie de leur temps à l'étude de mes travaux de
reherhe en aeptant de rapporter sur e mémoire d'habilitati on. Ils m'ont fourni
par lamême oasiondenombreusespistesdereherhe,toutesplusintéressantesles
unesque lesautres.
Je remerie également Laurent Cohen et Jean-Pie rre Puel, qui ont aepté ave
bienveillane defaire partie dujury et d'étudierave attentionmontravail.
Jesuistrès reonnaissantàPierre Degondpour m'avoirfaitl'amitié departiiper
à monjury.
Je souhaite maintenant exprimer toute ma gratitude et reonnaissane (quasi-
éternelle) aux deux personnes qui ont rendu possible e travail : Jaques Blum et
Mohamed Masmoudi. Je onnais le premierdepuis dix ansmaintenant, il m'a formé
et fait déouvrir les problèmes inverseset l'assimilation de données lors de ma thèse
sous sa diretion. Cinq années ont passé depuis ma soutenane de thèse et je les ai
passées à étudier le traitement d'images auprès du seond, qui m'a montré tous les
jours àquel point esproblèmes étaient diiles pour lui et soure de bonheur pour
moi(oul'inverse,peut-être).Leursvastesativitésdereherheet leurdéterminati on
impressionante àrésoudrelesproblèmes (aussibienthéoriquesqu'industriels)enfont
desdireteursdereherheetollaborate urs inestimables(quandilsn'essaientpasde
sedébarasser de moi,ouquand ils nesont pasenfermés dansleurbureau).
Unepartie importante dee travailn'auraitpasétépossiblesansplusieursautres
ollaborate urs (etnéanmoinsamis).En premierlieu,LamiaJaafarBelaid,ave quiil
esttoujoursfaileetagréabledetravailler,àToulouseommeàTunis,etgrâeàquije
mesensunpeuomme hez moiauLAMSIN.Je suiségalementravi d'avoirtravaillé
aveMaëlle Nodet,aprèstant d'annéespasséesensembleauxquatreoinsdusud-est
de la Frane... J'espère que e n'est là que le début d'une longue ollaboration.
Meri à Jérme Fehrenbah, ave qui les disussions nombreuses et variées dans le
ouloir ont ni par engendrer une ollaboration passionnante. Meri aussi à Silvère
Bonnabel, quiaontribuéà mefaire déouvrirlathéoriedesobservateurs.Enn, j'ai
prisénormémem entdeplaisiràtravailleravePatrikBansart,SébastienMarinesque,
Thomas Migliore,BadreddineRjaibi, EdithTaillefer, et ThierryTouyapendant leur
thèse (terminée, enours,ou toutjuste ommenée ).
Certaines personnesont rendu es quelquesannées toulousainespartiulière ment
agréablesparleurdisponibilité,leurbonnehumeuretsurtoutleuramitié:Marjolaine
Puel(majumelledeposte,qui m'anourriunnombreinalulable demerredissoirs,
etquej'aiapprisànepasontrarier),PierreRaphaël(mêmes'ilestunassezmauvais
supporterde l'OL,nousavonssouvent refaitlemonde autourd'unebonne bouteille)
et leurs deux magniques enfants Paul et Maud, Guillaume Chèze (mon partenaire
de blagues en tous genres, tondeuse, tête de erf, et plus si anités) et son harem
(Véronique,ÉmèlieetÉloïse),LuaAmodei(dontj'airompulatranquilitéaubureau,
malgréson passé trouble), Jean-Pier re Dedieu (fournisseuroiel de miel et ontre-
péteur professionnel), Pierre Maréhal (qui a désormaispeur des artons et des lés
surles portes), Jean-MihelRoquejore (ledoyen du labo,que je regrette de ne pas
avoironnuquandilétaitjeune),Jean-Claude Yakoubsohn(quinousarégalé jusqu'à
Hong-Kong ave le
4408
), Jean-Pie rre Raymond (son plus beau oup : le hien de Mohamed),Komla Domelevo (probablement ommerial hez Apple dans une autrevie), Lu Mieussens (pour ses préieux onseils), Marie-Hélène Vignal (meri de ne
pasavoiraouhé dansmonbureau!), NaoufelBenAbdallah (pour avoirannonéle
olloquedu1erAvril),EriLombardi(hampionde vitessetoutes atégoriesau205),
Marela Szopos (à qui je dois ertainement plein d'heures de TD à l'IUT), Mihel
Fournié (SOSdépannage briolage), quelquesMat(t)hieu, les FARCpour m'avoir li-
béré à temps, Biana pour ses gâteaux au hoolat, et plein d'autres enore, parmi
lesquelsde nombreux ollèguesdu département GMP del'IUT.
Ungrandmeriàtoutlepersonneladministratifdel'équipe (ex-laboratoire)MIP
del'Institutde Mathématiques deToulouse, d'uneompétene (saufpourles fourni-
turesdebureau,j'attendstoujourslebaby-foot)etdisponibilitérares,quej'aiembêté
tantde foisàladernièreminute: Christine etMarie-Louise, Valérie, Marie-Line,Sa-
rah, Françoise, Janani, Zohra, Anne, Marie-Laure, Delphine, Yannik. Par la même
oasion, je remerie les membres de la ellule informatique, ainsi que Monique qui
exportesabonne humeur permanente jusqu'au 3èmeétage.
Mesremerieme nt ss'adressentégalementàmesollèguesdel'équipe-projetMOÏSE
de l'INRIA Grenoble - Rhne-Alpes qui m'aueillent régulièrement (surtout en pé-
riodehivernale),et toutpartiulière ment àAntoine,Arthur,Innoent,Maëlle etOli-
vier, à FX pour m'avoir laissé un oin de table, ainsi qu'au grand hef (que dis-je,
notreguidespirituel!)Éri et l'irremplaçabl eImma.
Merien vraàAlexis,Jaqueline, Alexandreet Aurélienpour l'hébergem ent
5 ∗
,à Caroline, Céline et Florene pour leur amitié et amour, à mes frères, mes parents,
et magrand-mère,irremplaçab le.
Jeniraiparmessponsorsprinipaux:AirFrane(unebonnedizainedetoursdu
mondedepuis quejesuis àToulouse),diérentesmarquesdeafésansquijen'aurais
pasputravailler avant 15hdu matin,et l'imprimant e Dell3.
1 Introdution 9
2 Traitement d'images 13
2.1 Introdution . . . 13
2.2 Analyse asymptotiquetopologique . . . 14
2.2.1 Présentation de laméthode . . . 14
2.2.2 Résultatprinipal . . . 15
2.3 Inpainting [9,13℄ . . . 15
2.3.1 Problème deloalisation desssures . . . 16
2.3.2 Problèmes de Dirihlet et Neumannpour l'inpainting . . . 16
2.3.3 Développement asymptotique . . . 17
2.3.4 Algorithme . . . 18
2.3.5 Remarques . . . 18
2.4 Restauration [16, 22℄ . . . 19
2.4.1 Formulation variationnelle . . . 19
2.4.2 Gradient topologique . . . 20
2.4.3 Algorithme . . . 20
2.4.4 Remarques . . . 21
2.4.5 Couplagedes anauxdansleas d'images ouleur. . . 21
2.5 Classiation [10,16℄ . . . 22
2.5.1 Introdutiondu problème . . . 23
2.5.2 Approhe ouplée restauration-l assia tion . . . 23
2.5.3 Extension auas nonsupervisé . . . 24
2.6 Segmentation [12,13℄. . . 24
2.6.1 Delarestauration àlasegmentation . . . 25
2.6.2 Développement ensérieentière . . . 26
2.6.3 Algorithme . . . 27
2.7 Complexitédesalgorithmes [13, 16℄ . . . 27
2.7.1 Transformée de osinus disrète . . . 28
2.7.2 Gradient onjugué préonditionné. . . 28
2.8 Gradient topologique et heminsminimaux[26℄ . . . 29
2.8.1 Chemins minimaux . . . 29
2.8.2 Fast marhing. . . 30
2.8.3 Algorithme ouplé . . . 30
2.9 Conlusions et perspetives . . . 31
3 Nudging diret et rétrograde 33 3.1 Introdution . . . 33
3.2 Nudging diret et rétrograde [8,11,18℄ . . . 35
3.2.1 Nudging diret . . . 35
3.2.2 Nudging rétrograde . . . 36
3.2.3 Algorithme BFN . . . 36
3.2.4 Choix desmatriesde nudging et interprétations . . . 37
3.3 Expérienes numériques[11, 14,21℄ . . . 39
3.3.1 Valeursnumériquesdesmatries denudging . . . 39
3.3.2 Méthodologie expérimentale . . . 39
3.3.3 Modèles étudiés. . . 40
Système de Lorenz . . . 40
Équation deBurgers visqueux . . . 40
Modèleshallowwater (équationsde Saint-Venant) . . . 41
Modèlequasi-géostrophique multi-ouhes . . . 41
3.3.4 Conlusions relativesaux expérienes numériques . . . 42
3.4 Résultats théoriques deonvergene [18, 24℄ . . . 43
3.4.1 Cas linéaire . . . 43
3.4.2 Équations de transport. . . 44
Transportlinéaire visqueux . . . 44
Burgers visqueux . . . 46
Transportlinéaire non visqueux . . . 47
Burgers non visqueux . . . 48
3.5 Lien aveles observateurs [25℄ . . . 50
3.5.1 Observateurs pour un modèleshallow water . . . 50
3.5.2 Utilisation dessymétriesdumodèle. . . 51
3.5.3 Étude d'unelassed'observateurs dansunaslinéarisé . . . 52
3.5.4 Expérienesnumériques . . . 53
3.6 Conlusion. . . 54
4 Assimilation de données images 57 4.1 Introdution . . . 57
4.2 Modélisationet résolution du problème[23℄ . . . 58
4.2.1 Conservation del'intensité lumineuse . . . 58
4.2.2 Fontion oût . . . 58
4.2.3 Régularisation . . . 59
4.2.4 Approhe multi-grille et optimisation . . . 59
4.2.5 Estimateur de qualitédesrésultats . . . 60
4.3 Simulations numériques [23℄ . . . 61
4.3.1 Données synthétiques . . . 61
4.4 Conlusions . . . 63
5 Conlusions généraleset perspetives 65
Liste des publiations 67
Publiations en rapportave lathèse . . . 67
Publiations postérieures à lathèse . . . 68
Bibliographie 71
Introdution
Plusieurs thématiques ont été étudiées dans le adre de e travail, ave le point
ommun et la volonté de fournir des algorithmes eaes, robustes, failes à implé-
menter et partiulière ment rapides et performants. La rapidité des algorithmes est
renduenéessairepar leontextegénéraleme nt opérationne l desméthodes,et par un
besoin de traiter de plus en plus d'informations en un temps de plus en plus ourt.
L'autre ontrainte que nous avons partiulière ment prise en ompte est la failité
d'utilisation et demiseen ÷uvredes méthodesdéveloppées.
Dansle hapitre 2, nousaborderons diérentsproblèmes de traitement d'images
par une approhe originale dansledomaine : l'analyseasymptotique topologique, ou
plus simplement legradient topologique.
Letraitementd'images onnaîtàl'heureatuelleunnouvelélairage,grâed'une
partauxnouvellestehnologiesdetéléommuniationetdediusiondel'information,
qui reposent désormais sur l'envoi et laréeption de ux massifs de données numé-
riques sous forme d'images, et d'autre part au monde médial, dans lequel de très
grandes avanées ont étéréalisées,notamment pour ladétetionpréoe detumeurs,
grâe àde nouvelles tehniquesd'imagerie plusperformantes.
Notre étude est motivée par plusieurs onstatations. La première est que le gra-
dienttopologiqueestgénéralementutilisépourdesproblèmesdeméaniquedesstru-
tures, design,oneption et optimisation de formes.Il a également étéappliqué ave
suès en életromagnétisme pour la détetion de ssures ou d'objets enfouis. Or de
très nombreuses problématiques en traitement d'images reposent sur l'identiat ion
deformes, parexempleslesontours ouunobjetaratéristiquede l'image.Cepoint
ommunnousa paruintéressant,et nousapermisd'adapter laméthodedu gradient
topologique initialement utiliséepour ladétetion de ssures, à diérentsproblèmes
d'imagerie (restauration, lassiation, segmentation,inpainting).
Le deuxième aspet qui nous a paru intéressant est la rapidité de la méthode.
L'analyseasymptotiquetopologique apermisdansde très nombreuxdomaines d'ob-
tenir desrésultats extrêmement rapidement. Orque e soit dansl'imagerie médiale
ou dans la diusion audiovisuelle grand publi (par exemple la télévision par satel-
lite ou internet), le temps de traitement doit être négligeable pour ne pas retarder
respetivement le diagnosti médial ou la diusion du ux. Il est don important
d'apporterune réponseextrêmement rapideàesdiérentesquestions,entemps réel
pour deslms et en untemps négligeable (inférieur à laseonde) pour uneimage.
Commenousleverronsparlasuite,laméthodedugradient topologique aeeti-
vement pus'adapter parfaitement au traitement d'images, permettant d'obtenir des
résultatstrèsintéressants, et pour un oûtde alul partiulièrement faible.
Danslehapitre3,nousnousintéresseronsàl'assimilationdedonnéespourlespro-
blèmesgéophysiques et environnementaux, et plus partiulière ment dansleadre de
l'atmosphèreetdesoéans.Depuisplusieursannées,unedespréoupati ons majeures
onsisteàaméliorersensiblementlaonnaissane deessystèmesréputés turbulents,
l'undesbutsétantdepouvoirprédire leurévolutionàplusoumoinsourttermeave
unegrande abilité.
Depuis la prévision météorologi que grand publi pour les prohains jours, jus-
qu'àl'étudeduréhauement limatique,en passant parladétetiondephénomènes
limatiques extrêmes plusieurs semaines à l'avane, les enjeux sont sensiblement les
mêmes, et serésumeau problème suivant.Il s'agit d'estimer rapidement et ave une
très grande préision l'état d'un système turbulent, à partir d'une part d'équations
mathématiquesqui essayent de modéliser les phénomènesphysiquesrégissant lesys-
tèmeatmosphère-o éans,etd'autrepartd'observationsdediérentenature(insituet
satellitaires),portantsurdiérentes quantitésphysiques, etéparpilléesdansletemps
et l'espae.
Au delàde la tailleextrême du problème à traiter(plusieurs milliards de valeurs
à estimer, à partir de entaines de millions d'observations) et de fait du temps de
alul néessairepour le résoudre,un autre fateurrentre en jeu: leoût humain de
développement et d'utilisation d'une méthode d'assimilation de données. À l'heure
atuelle, il est extrêmement diile de mettre en ÷uvre une telle méthode, même
sur un problème relativement simple. Il nous a don paru intéressant d'étudier la
possibilitéd'améliorerunedesméthodeslesplussimplesd'assimilationdedonnées, le
nudging (ou relaxation newtonienne), an d'obtenir de bien meilleurs résultats sans
toutefoisompliquer laméthode.
En appliquant la méthode du nudging au problème rétrograde en temps, nous
avons onstatéqu'il est possible de stabiliser lesystème rétrograde, apriori instable
du fait de l'irréversibilité du problème physique. Ainsi, omme l'étude présentée au
hapitre 3 le montre, nous pouvons remonter le temps, et réupérer une estimation
plus able du système à un instant passé, à partir duquel des prévisions peuvent
êtredéduites. Enappliquantalternativementet itérativementlaméthodedunudging
standard au modèle diret et au modèle rétrograde en temps, nous obtenons un al-
gorithmeitératif extrêmement simpleà mettre en÷uvre, et qui fournitdes résultats
nettement meilleurs que le nudging simple. En eet, les résultats sont omparables
en qualité et obtenus souvent beauoup plus rapidement qu'en utilisant la méthode
variationnelle d'assimilation dedonnées.
Lehapitre 4présente uneétudeàl'interfaedeesdeuxdisiplines,laprobléma-
tiqueétantl'assimilationdedonnéesimages.Àl'heureatuelle,unetrèsgrandequan-
tité d'observations provenant d'images satellitaires n'est quasiment pasutilisée pour
améliorer laonnaissane del'état du système. Pourtant, surles séquenes d'images
ainsi obtenues, on peut voirtrès nettement ertaines strutures aratéristiques(y-
lones,tourbillons, ourantsd'eauhaude,pollution, ...)évoluer etsedéplaer aul
du temps.
Plusieurs approhes peuvent être onsidéréespour résoudree type deproblème,
et nous avons fait le hoix d'essayer d'identier et extraire des hamps de vitesse à
partir de séquenesd'images. Cela nousaparu êtrele hoix leplusapproprié pour à
lafois extrairerapidement desdonnées onventionnelles (ar diretement reliées aux
variables du modèle), et pouvoir les utiliser ensuite dans un système d'assimilation
standard.
L'idéeque nousdévelopponsauhapitre 4reposesurlaméthodedu otoptique,
quionsisteàherher unhampdedéplaement quienvoieuneimage suruneautre.
L'originalité de notre approhe réside dansla non linéarisation de la fontionnelle à
minimiser, ombinée à une façon rapide d'assembler la matrie jaobienne. Une ap-
prohemulti-grillepermetenndegarantirlaqualitéduminimum.Grâeàtoutela,
nous arrivons à extraire des hamps de vitesse omplets en un temps très ourt, et
il est également possible de fournir un estimateur de laqualité du hamp de vitesse
obtenu, e qui peut être vu omme une information sur les statistiques d'erreur de
espseudo-observations dansleadrede l'assimilation dedonnées.
Ennquelquesonlusionsgénéralesetperspetivesdereherhesont donnéesau
hapitre 5.
Traitement d'images par analyse
asymptotique topologique
Cehapitre résumeles travauxontenus dans[9,10, 12, 13, 16, 22, 26℄.
2.1 Introdution
Le gradient topologique onsiste à étudier la variation d'un ritère lorsqu'on
perturbe le domaine d'étude. Nous onsidérons ii l'approhe qui a été introduite
pour étudier les problèmes d'optimisation topologique, dans lequel il faut généra-
lement trouver une forme optimale et son omplément air e dans un domaine donné
[133, 98, 104℄.
Cetteméthode semblepartiulière ment adaptée au traitement d'images, puisque
de nombreux problèmes d'imagerie (telsque lalassiation, la segmentation, ledé-
bruitage, l'inpainting, ...) reposent sur l'identiat ion d'un sous-domaine partiulier
de l'image,elui desontours.
Ladiulté généraleme nt renontrée dansun problèmed'optimisation deformes
est la non diérentiabilit é. En eet, reherher un domaine optimal est équivalent
à reherher safontion aratéristique. Plusieurs méthodes lassiquesont été déve-
loppées pour rendre e problème diérentiable. Nous pouvons iter par exemple les
méthodesderelaxation,permettantàlafontionaratéristiquedeprendretoutesles
valeursentre0et 1,etl'approhepar ourbesdeniveaux(oulevelset)quionsiste à
remplaer lafontionaratéristique par unefontion régulière quiprend desvaleurs
positivesdansledomaine reherhéet négativesen dehors[133, 34,33, 36, 51, 157℄.
L'optimisatio n topologique onsiste à faire varier la fontion aratéristique de
0 à 1, mais uniquement dans des zones de taille innitésimale. De ette façon, la
variation de la fontion oût est faible quand une petite zone du domaine passe du
sous-domaine reherhé àsonomplémentaire (ou l'inverse). L'analyseasymptotique
topologiquepermet justementd'étudier ettevariation,et dedériver ungradient,dit
topologique,de lafontion oût[133, 98, 158, 157℄.
Auoursde ehapitre, nousrappelons dansunpremiertemps lesoutils debase
liés à l'analyse asymptotique topologique, avant d'étudier plusieurs appliations en
traitement d'images : inpainting (reonstrution de l'image dans une zone où elle
n'était pas onnue), restauration et débruitage, lassiation, segmentation. Par la
suite, nous présentons une méthode d'aélération des algorithmes que nous avons
introduite,ens'appuyantsurlatransforméedeosinusdisrèteetunpréonditionne-
ment approprié. Enn, nous présentons un ouplage entrele gradient topologique et
laméthode desheminsminimauxpour améliorerladétetion desontours et éviter
queeux-i nesoient pasonnexes.
2.2 Analyse asymptotique topologique
2.2.1 Présentation de la méthode
Soit
Ω
un ouvert borné régulier deR 2 (ou R 3). On onsidère une équation aux
dérivéespartielles déniesur
Ω
, que l'onpeut représenter sousforme variationnelle : trouveru ∈ V
telquea(u, w) = l(w), ∀ w ∈ V ,
(2.1)où
V
représente un espae de Hilbert surΩ
, généralementH 1 (Ω)
,a
est une formebilinéaire oerive ontinue sur
V
, etl
est une forme linéaire ontinue surV
. Ononsidèreensuiteune fontionoût
J
mesurantun ritèresurlasolutionu
de (2.1) :J(Ω, u)
.Considérons maintenant une perturbation du domaine, par exemple représentée
par l'insertion d'une ssure de petite taille
σ ρ = x 0 + ρσ(n)
, oùx 0 ∈ Ω
représentele point d'insertion de la ssure,
σ(n)
est une ssure plane de normale unitairen
ontenant l'origine du domaine. Enn
ρ > 0
représente la taille de la perturbation, qui sera supposée petite. En notantΩ ρ = Ω \ σ ρ le domaine ainsi perturbé, nous
pouvonsalors herher lasolutionde l'EDP sure nouveau domaine :
trouver
u ρ ∈ V ρ telque a ρ (u ρ , w) = l ρ (w), ∀ w ∈ V ρ ,
(2.2)
où
V ρ,a ρet l ρ représententrespetivementl'espaedeHilbertV
restreintàΩ ρ, etles
l ρ représententrespetivementl'espaedeHilbertV
restreintàΩ ρ, etles
formesbilinéaireet linéaire perturbées.
Lafontionoûtpeutalors êtreréériteommeune fontionde
ρ
uniquement,en onsidérant laarte suivante :j : ρ 7→ Ω ρ 7→ u ρsolution de (2.2) 7→ j(ρ) := J (Ω ρ , u ρ ).
(2.3)
La théorie de l'analyse asymptotique topologique donne alors un développement
asymptotiquede lafontionnelle
j
lorsqueρ
tend vers0
:j(ρ) − j(0) = f(ρ)G(x 0 ) + o(f (ρ)),
(2.4)où
f (ρ)
est une fontion positive tendant vers0
lorsqueρ
tend vers0
, etG(x 0 )
estappelé legradient topologique au point
x 0 d'insertion dela perturbation [133℄.
La minimisation du ritère
j
onsiste alors à perturber le domaine aux endroitsoùle gradient topologique
G
est leplusnégatif, en s'appuyant surle développement2.2.2 Résultat prinipal
Danslasuite destravaux, nousnousappuieronssur lerésultat suivant [37℄ :
Théorème 2.1 S'il existe une forme linéaire
L ρ dénie sur V ρ, une fontion f : R + → R +, et 4
nombres réels δJ 1, δJ 2,δa
etδl
tels que
f : R + → R +, et 4
nombres réels δJ 1, δJ 2,δa
etδl
tels que
δJ 2,δa
etδl
tels que
• lim
ρ→0 f (ρ) = 0,
• J (Ω ρ , u ρ ) − J (Ω ρ , u 0 ) = L ρ (u ρ − u 0 ) + f(ρ)δJ 1 + o(f (ρ)),
• J (Ω ρ , u 0 ) − J (Ω, u 0 ) = f (ρ)δJ 2 + o(f (ρ)),
• (a ρ − a 0 )(u 0 , p ρ ) = f (ρ)δa + o(f (ρ)),
• (l ρ − l 0 )(p ρ ) = f (ρ)δl + o(f (ρ))
,où
p ρ est l'étatadjoint,solution de
a ρ (w, p ρ ) = − L ρ (w), ∀ w ∈ V ρ ,
(2.5)et
u ρ est solution de(2.2),alors la fontionoût j
admetle développement asympto-
tique (2.4), oùle gradient topologique est déni par
G(x) = δJ 1 + δJ 2 + δa − δl.
(2.6)2.3 Inpainting [9, 13℄
Dansette setion, nous appliquons la méthode dugradient topologique au pro-
blème de l'inpainting d'une image. L'inpainting onsiste à reonstituer les parties
ahées d'une image, par exemple par un masque, ou à ause d'une détérioratio n,
an de réupérer l'image entière et originale. Les appliations sont nombreuses, par
exemple pour enlever les tâhes sur une image ou sur un lm mal onservé, pour
supprimer un logoou uneimage inrustée surune autre image,...
Ceproblèmeestlassiquementrésoluparl'unedesapprohessuivantes:méthodes
d'apprentissage(e.g.réseauxdeneurones)[177,178℄,minimisationd'unefontionnelle
d'énergiereposantsurlavariationtotale[67,68℄,analysemorphologiquepourséparer
latexture dudéor [87℄, ...
Pour étudier e problème, nousallonsdans unpremier temps essayer d'identier
et reonstituer les ontours (ou arêtes) prinipaux de l'image dans la zone ahée
(et don inonnue). La tehnique de détetion des ssures est basée sur la diusion
thermiquelassique [142, 66, 174,175, 150℄, quenousavonsamélioréeen modélisant
les ontours de l'image omme desssures. Àl'aidede laonnaissane àlafois dela
onditiondeDirihletetdeelledeNeumannauborddelazoneahée,nouspouvons
dénir un ritère, mesurant l'éart entre la solution d'un problème de Dirihlet et
elle d'un problème de Neumann [118℄. Ce problème est analogue au problème de
ondutivitéinverse,aussionnusouslenomdeproblèmedeCalderón[65℄.Seulement
deuxmesuressontnéessairespourretrouverdesssuressimples[30,31,48℄.Plusieurs
approhes numériques ont été proposées dans [40, 49, 50, 64, 96, 152, 151℄, mais la
minimisation du ritère nous permettra alors d'identier les prinipales ssures de
l'image dans la partie inonnue. Enn, l'image sera reonstituée entre les ssures
grâeau Laplaien.
Cettesetionrésumelestravauxprésentésdans[9,13℄.Denombreux testsnumé-
riquessont également présentés dansesréférenes.
2.3.1 Problème de loalisation des ssures
Dans ette partie, nous supposons que ledomaine
Ω
ontient une ssureσ ∗. On
imposeun ux
φ ∈ H −1/2 (Γ)
surle bordΓ
du domaineΩ
, et onveut trouverσ ⊂ Ω
tellequelasolution
u ∈ H 1 (Ω \ σ)
de
∆u = 0 dans Ω \ σ,
∂ n u = φ sur Γ,
∂ n u = 0 sur σ,
(2.7)
vérie
u | Γ = T
oùT ∈ H 1/2 (Γ)
estdonnée.Certainesonditions deompatibilité sur lesdonnées assurent queleproblème estbienposé.Une approhe par gradient topologique a été introduite dans [37℄, et onsiste à
dénirdeuxsolutions diérentesàpartirdesdeuxdonnéesdeDirihletetNeumann:
u D ∈ H 1 (Ω \ σ)
telle que
∆u D = 0 dans Ω \ σ, u D = T sur Γ,
∂ n u D = 0 sur σ,
(2.8)
u N ∈ H 1 (Ω \ σ)
telle que
∆u N = 0 dans Ω \ σ,
∂ n u N = φ sur Γ,
∂ n u N = 0 sur σ.
(2.9)
En remarquant que les deux solutions oïnident si
σ = σ ∗, l'idée onsiste à
minimiser lafontion oût
J (σ) = 1
2 k u D − u N k 2 L 2 (Ω) .
(2.10)Le développement asymptotique topologique de ette fontionnelle est détaillé
dans[37℄.
2.3.2 FormulationdesproblèmesdeDirihletetNeumannpourl'in-
painting
Dans notre approhe,
Ω
représente désormais l'image, on noteΓ
sa frontière, etondénote par
ω ⊂ Ω
lapartie ahée (inonnue) de l'image, etγ
safrontière. Soitv
l'imagedégradéeet quel'onsouhaitereonstituer. Onsupposedonque
v
estonnuesur
Ω \ ω
, etinonnue surω
.L'idée onsiste à adapter la méthode de loalisation des ssures à l'inpainting :
nousallonsherheràidentierlesssures, ouontours,
σ
danslapartie ahéeω
del'image,puisimposerqueleLaplaiendel'image reonstruitesoitnuldans
ω \ σ
.Pourune ssure
σ
donnée (i.e. pour un ontour donné dans la partie ahée de l'image),et en utilisant la onnaissane de
v
(donnée de Dirihlet) et de son ux (donnéede Neumann) sur le bord
γ
deω
, on peut reonstruire deux solutions diérentes à l'intérieur deω
.Pour une ssure
σ
donnée dansω
, lasolutionu D (σ) ∈ H 1 (Ω \ σ)
du problème deDirihletvérie
∆u D = 0 dans ω \ σ, u D = v sur γ,
∂ n u D = 0 sur σ, u D = v dans Ω \ ω.
(2.11)
En dehors de
ω
, la solution est égale à l'image originale, et à l'intérieur deω
, nousreprenons l'équation (2.8). De même, en supposant
v
régulière, on peut dénir unesolution
u N ∈ H 1 (Ω \ σ)
du problèmede Neumann :
∆u N = 0 dans ω \ σ,
∂ n u N = ∂ n v sur γ,
∂ n u N = 0 sur σ, u N = v dans Ω \ ω.
(2.12)
Ànoterqued'un point devuenumérique,ilestbeauoupplussimplederésoudreun
problème deNeumann approhé :
∆u N = 0 dans ω \ σ,
∂ n u N = ∂ n v sur γ,
∂ n u N = 0 sur σ,
− α∆u N + u N = v dans Ω \ ω,
(2.13)
où
α > 0
estpetit.2.3.3 Développement asymptotique
Lafontionoûtresteinhangéeetestdéniepar(2.10),puisquenoussouhaitons
trouverlesssures
σ ⊂ ω
quiminimisentl'éartentreesdeuxsolutions.Ensupposantque la ssure
σ
est égale àx + ρσ
, oùx
est le point d'insertion de la ssure,ρ
estla taille de la ssure insérée (supposée petite) et
σ
est une ssure de référene, denormale
n
, alors on peut réérire lafontion oûtJ
dénie par (2.10) omme étantune fontion
j(ρ)
deρ
uniquement.Le développement asymptotiqueest alors donné parj(ρ) − j(0) = f (ρ)g(x, n) + o(f (ρ)),
(2.14)où legradient topologique
g
est donnéparg(x, n) = − [( ∇ u D (x).n)( ∇ p D (x).n) + ( ∇ u N (x).n)( ∇ p N (x).n)] ,
(2.15)où
u D et u N sont solutions de (2.11) et (2.12) respetivement, mais sans ssure σ
σ
insérée (
σ = ∅
).p D et p N sont les états adjoints assoiés, respetivement solutions
dansH 1 (Ω)
de
H 1 (Ω)
de
p D = 0 dans Ω \ ω, p D = 0 sur γ,
− ∆p D = − (u D − u N ) dans ω,
(2.16)
p N = 0 dans Ω \ ω,
∂ n p N = 0 sur γ,
− ∆p N = +(u D − u N ) dans ω.
(2.17)
Le gradient topologique déni par(2.15)peut seréérire souslaforme
g(x, n) = n T M (x)n,
(2.18)où
M (x)
est une matrie symétrique2 × 2
(ou3 × 3
dans le as d'images tri-dimensionnelles, ou lms)déniepar
M(x) = − sym( ∇ u D (x) ⊗ ∇ p D (x) + ∇ u N (x) ⊗ ∇ p N (x)).
(2.19)Onendéduitquelavaleurminimalede
g(x, n)
estatteintelorsquen
estleveteurpropreassoiéà lavaleur propre
λ min (M(x))
laplus négative deM (x)
.2.3.4 Algorithme
L'algorithme quenousavonsdéniest don lesuivant :
•
Résolution desdeux problèmesdirets (2.11) et (2.12) non perturbés(σ = ∅
).•
Résolution desdeux problèmesadjoints(2.16) et (2.17) non perturbés.•
Assemblageen haquepointx ∈ ω
de lamatrieM(x)
déniepar (2.19).•
Dénition de l'ensembledesssuresidentiées:σ = { x ∈ ω; λ min (M(x)) < δ < 0 } ,
(2.20)où
δ
est unseuilnégatif.•
Résolution du problèmede Neumanndiret (2.12) perturbéparσ
.L'imageainsiobtenueoïnideave l'image originaleen dehorsde
ω
, eta étéreons-truiteàl'intérieur de
ω
.2.3.5 Remarques
D'un point de vue numérique, les ssures sont généraleme nt modélisées par une
ondutivitétrèsfaiblepluttqueparuntroueetifdansledomainedealul.L'al-
gorithmedéni préédemment a une omplexité en
O (n. log(n))
, oùn
est lenombredepixels de l'image,omme expliqué auparagraphe 2.7.
L'avantagedeetteméthodeestdepermettrelareonstrutiondel'image àl'aide
d'uniquement
5
résolutions d'EDPs, les deux problèmes direts, les deux problèmeslaqualitédesrésultatsobtenusenappliquantainsiseulementuneitérationdugradient
topologique.
Leparamètrede ontrle delaméthodesesituedansleseuillagedugradient: en
dessous d'un ertain seuil, nous estimonsque les pixels onsidérés sont des ontours
de l'image, alors qu'au-dessus, nous estimons que e n'est pas le as. La résolution
du dernier problème perturbé (2.12) pour trouver l'image reonstruite repose sur la
résolution du problème de Poisson, et la netteté de l'image obtenue dépend de la
onnexité desontours identiés.Eneet,siunontourn'est pasfermé,leLaplaien
rée une zone oue. De fait, le ÷ient de seuillage est généralement alé pour
assurer lafermeture des prinipaux ontours de l'image, quitteà prendre en ompte
despixelsquinesontenfaitpassurlesontoursdel'image.Nousavonsonstatéque
numériquement , eparamètre dépendtrès peu desimagestraitées et peut être xéa
priori.
Unesolution à eproblème de seuillageestétudiée en setion2.8.
2.4 Restauration [16, 22℄
Nousonsidérons dans ette setion le problème de la restauration d'une image,
essentiellement dans le but de la débruiter. L'idée prinipale de la méthode est de
déteter les ontours de l'image bruitée, en utilisant legradient topologique,an de
les préserver dansle proessusde restauration.
Laméthode estégalement dérivée deladiusion thermique. Lesméthodes varia-
tionnelles généralement onsidérées reposent sur la diusion isotrope ou anisotrope
non linéaire,et surlaminimisation dela variation totale [142, 66, 124, 174, 175, 43℄.
D'autres approhesnonvariationnellesontégalementétédéveloppées,et notamment
desméthodesstatistiques [86℄.
Cette setion résume les travaux présentés dans [16, 22℄. Nous ne détaillons pas
ii lesrésultats destestsnumériques quisetrouvent dansesréférenes.
2.4.1 Formulation variationnelle
Soit
Ω ⊂ R 2 un ouvert borné, et soit v ∈ L 2 (Ω)
l'image bruitée. Le débruitage
d'uneimage passe généralement par larésolution du problèmesuivant:
trouver
u ∈ H 1 (Ω)
telleque− div(c ∇ u) + u = v dans Ω,
∂ n u = 0 sur ∂Ω,
(2.21)où
n
représentelanormaleunitaireextérieureà∂Ω
,etc
estlaondutivité, quenous allonsdénir par lasuite. Diérentshoix deondutivité sont possibles, essentielle-ment
c
onstant (méthode de diusion linéaire, rapide mais qui rend l'image oue),et
c
déniparunefontion nonlinéairede∇ u
(diusionnonlinéaire,quipréservelesontours [175, 43℄). Dansnotre approhe,
c
ne prendraque 2valeurs,soit une valeurde l'ordre de
1
endehors des ontours del'image an de lisser l'image,soit0
sur lesImposer
c = 0
surunepartiedel'imagerevientàperturberledomaineeninsérantdesssures. Pour unpoint
x 0 ∈ Ω
xé, etpourunparamètreρ > 0
supposépetit,ononsidèreledomaineperturbé
Ω ρ = Ω \ σ ρparl'insertiond'unessureσ ρ = x 0 +ρσ(n)
,
où
σ(n)
est une ssure de normale unitairen
ontenant l'origine du domaine. Leproblèmeperturbé peut s'érire souslaforme variationnelle suivante :
trouver
u ρ ∈ H 1 (Ω ρ )
telle quea ρ (u ρ , w) = l ρ (w), ∀ w ∈ H 1 (Ω ρ ),
(2.22)où
a ρ (resp. l ρ) est une forme bilinéaire (resp. linéaire) dénie sur H 1 (Ω ρ )
(resp.
H 1 (Ω ρ )
(resp.L 2 (Ω ρ )
)para ρ (u, w) = Z
Ω ρ
(c ∇ u ∇ w + uw) dx, l ρ (w) = Z
Ω ρ
vw dx.
(2.23)Ladétetion desontoursde l'imagerevientà minimiser parrapportau domaine
lafontionnelled'énergie suivante :
j(ρ) = J (Ω ρ , u ρ ) = Z
Ω ρ
k∇ u ρ k 2 .
(2.24)2.4.2 Gradient topologique
En s'appuyant sur le théorème 2.1, un développement asymptotique peut être
dérivépour lafontion oût(2.24) et s'érit sousla forme:
j(ρ) − j(0) = ρ 2 G(x 0 , n) + o(ρ 2 ),
(2.25)ave
G(x 0 , n) = − πc( ∇ u 0 (x 0 ).n)( ∇ p 0 (x 0 ).n) − π |∇ u 0 (x 0 ).n | 2 ,
(2.26)où
p 0 estlasolution duproblème adjoint non perturbé :
− div(c ∇ p 0 ) + p 0 = − ∂ u J(Ω, u 0 ) dans Ω,
∂ n p 0 = 0 sur ∂Ω.
(2.27)Comme préédemment , le gradient topologique peut se réérire sous la forme
G(x, n) = h M (x)n, n i
, oùM (x)
est la matrie symétrique2 × 2
(en dimension 2)déniepar
M(x) = − πc ∇ u 0 (x) ∇ p 0 (x) T + ∇ p 0 (x) ∇ u 0 (x) T
2 − π ∇ u 0 (x) ∇ u 0 (x) T .
(2.28)2.4.3 Algorithme
L'algorithme onsiste à insérer des petites inhomogéné ités (ou ssures) dans les
zones de l'image où le gradient topologique est inférieur à un ertain seuil, e qui
signieraqu'il s'agitvraisemblablement deontours del'image. Notrealgorithmeest
•
Initialisation:c = c 0 (valeur onstante, imposée partout).
•
Résolution desproblèmes diret (2.21) et adjoint (2.27) non perturbés.•
Assemblage de la matrie2 × 2 M(x)
dénie par (2.28) en haque point del'image,et alul desavaleur proprelaplus négative
λ min (M(x))
.•
Ondénit lanouvelle ondutivité :c 1 =
ε
six ∈ Ω
esttel queλ min (M (x)) < α < 0,
c 0 sinon, (2.29)
où
ε > 0
estsupposépetit,etα
estun ÷ient deseuillagenégatif.•
Résolution duproblème diret (2.21) en utilisantc = c 1.
L'imageainsiobtenue est l'image débruitée.
2.4.4 Remarques
D'un point de vue numérique, il est beauoup plus faile d'imposer
c
égal à unevaleur très faible (ii
ε
) plutt que de travailler sur un domaine perturbéΩ ρ. La
résolution duproblème (2.21) ave
c = c 1 estune approximationde larésolution du
problème perturbé (2.22),d'autant pluspréiseque ε
estpetit.
Comme préédemment, et algorithme est extrêmement eae, et ne néessite
que3résolutionsd'uneEDPsurledomainedel'image:lesproblèmesdiretetadjoint
non perturbés,puis leproblèmediret perturbé.La omplexitéde etalgorithmeest
une foisenore en
O (n. log(n))
(voirleparagraphe 2.7).Les résultats ainsi obtenus, présentés par exemple dans [16℄, sont de très bonne
qualité, omme on peut le onstater visuellement, ou en utilisant le ratio signal sur
bruit(SNR).Ilfautnoterquelàenore,l'algorithmenéessiteleseuillagedugradient
topologique,andedéidersilespointsonsidérésfontpartiedesontoursdel'image
ou non.Contrairement à l'inpainting, le faitde ne pasidentier desontours fermés
n'estpasessentiel,ausensoùelainueassezpeusurlerésultat.Toutefois,laméthode
présentéeauparagraphe2.8permetiiaussid'obtenirdesontoursfermés,avemoins
depointsfaussementidentiésommeappartenantauxontours.Laqualitédel'image
restaurée estainsimeilleure.
2.4.5 Couplage des anaux dans le as d'images ouleur
Ilexisteplusieursfaçonsdeonsidéreruneimageenouleur.Enutilisantunespae
adaptépourlareprésentationmulti-dimensionnelle,parexemplel'espaeRGB(rouge-
vert-bleu), l'image en ouleur peut être modélisée par une fontion de
Ω
dansR 3 au
lieu de
R
. Une première approhe onsiste à déoupler les anaux, et résoudre unproblème diret et un problème adjoint pour haun desanaux.Mais eséquations
peuvent également être résolues diretement de façon vetorielle pour identier les
images vetorielles
u
etp
. Le développement asymptotique topologique reste donné par les équations (2.25-2.26) et (2.28), où les fontions impliquées sont vetorielles,i.e. le gradient topologique vetoriel est la somme des expressions orrespondant à
Une autre approhe a été étudiée dans [22℄, en utilisant une norme qui permet
deoupler lesdiérentsanauxentreeux. Dansl'approhedénie parDi Zenzo[83℄,
l'idéeonsiste àonsidérer letenseur destruture
T =
t 11 t 12 t 21 t 22
, t ij = X 3
k=1
∂u k
∂x i
∂u k
∂x j , 1 ≤ i, j ≤ 2,
(2.30)dans le as d'images bi-dimensionnelles. Ce tenseur dérit la struture diérentielle
de l'image, et le gradient de Di Zenzo est dénipar laplus grande valeur propre de
etenseur :
k∇ u k DZ = 1
√ 2
t 11 + t 22 + q
(t 11 − t 22 ) 2 + 4t 2 12 1 2
.
(2.31)Grâeàune réériture du gradient à l'aidede lafontion suivante :
H( ∇ u) = 1 + p
1 − 4f ( ∇ u)
2 ,
(2.32)ave
f ( ∇ u) = det 2 ( ∇ u 1 , ∇ u 2 ) + det 2 ( ∇ u 1 , ∇ u 3 ) + det 2 ( ∇ u 2 , ∇ u 3 )
( |∇ u 1 | 2 + |∇ u 2 | 2 + |∇ u 3 | 2 ) 2 ,
(2.33)det 2 ( ∇ u s , ∇ u t ) = ∂u s
∂x 1
∂u t
∂x 2 − ∂u t
∂x 1
∂u s
∂x 2 2
,
(2.34)il est possible de dériver le développement asymptotique de la fontion oût dénie
parl'équation (2.24) danslaquellelanorme utiliséeest elledénieen (2.31) :
G(x 0 , n) = X 3
k=1
h − πc( ∇ u k 0 (x 0 ).n)( ∇ v k 0 (x 0 ).n) − πH( ∇ u 0 (x 0 )) |∇ u k 0 (x 0 ).n | 2 i
(2.35)
enutilisant les mêmesnotations quepréédemment .
Dans [22℄, nous montrons que ette approhe a le même oût de alul que l'al-
gorithme où les diérents anaux sont déouplés, alors qu'il permet d'améliorer la
détetion des ontours de l'image, et par onséquent d'obtenir une image restaurée
pluspréiseaux abords desontoursde l'image.
2.5 Classiation [10, 16℄
Dans ette setion, nous nous intéressons au problème de la lassiation d'une
image endiérenteslasses,de façon régularisée et nonsupervisée.
L'idéereposesuruneidéeintroduitedans[150,43℄,onsistantàouplerlalassi-
ationavelarestauration.Nousadaptonsiietteidéeànotreapproheparanalyse
asymptotiquetopologique.
Cettesetionrésumelestravauxprésentésdans[16,10℄sansdétaillerlesrésultats
2.5.1 Introdution du problème
Soit
v
l'image originale dénie surΩ
, et soientn
lasses (i.e. niveaux de gris, ououleurs)
C i , 1 ≤ i ≤ n
, que l'on suppose prédénies pour le moment. Le but de lalassiation estdetrouverune partitionde
Ω
ensous-ensemblesΩ i,reouvranttout
ledomaine
Ω
, et tels quev
soit prohe deC i dans Ω i.
Uneapprohevariationnellepeutêtredénieàl'aidedelafontionoûtsuivante:
J((Ω i ) i=1...n ) = X n
i=1
Z
Ω i
(v(x) − C i ) 2 dx + α X
i6=j
| Γ ij | ,
(2.36)où
Γ ij représente l'interfae entre deuxsous-domaines Ω i ∩ Ω j.
La diulté majeure de ette approhe est que les inonnues sont des ensembles
et non des variables, e qui rend l'approhe par analyse asymptotique topologique
partiulière ment appropriéepour traitere problème. Le développement du gradient
topologique ainsiqueles résultatsnumériquessont présentésdans[10℄.
2.5.2 Approhe ouplée restauration-lassiati on
Une autre solution onsiste à oupler la lassiation ave la restauration, en
reprenant l'approhe présentée dans la setion préédente 2.4. L'idée est de lisser
beauoupplus fortement l'image, puis de lalassier sansauune régularisation. En
eet,sil'onenlèveletermederégularisationdel'équation(2.36),elarevientàdénir
Ω i omme étant l'ensemble des pixels qui sont plus prohes de C i que des autres
valeurs prédénies. En d'autres termes, les pixels sont assignés aux sous-domaines
représentant leur lasselaplus prohe.
Au lieu de hoisir
c = ε
ouc = c 0 pour le problème perturbé (équation (2.29)),
noushoisissonsde dénir
c = c 1 ave
c 1 =
( ε
sur lesontours identiés,c 0
ε
en dehors.(2.37)
L'algorithme estalors lesuivant:
•
Appliation del'algorithmederestaurationdénien setion2.4, enremplaçant (2.29) par (2.37).•
Classiation non régularisée de l'imageu 1 ainsi obtenue, en assignant par
exemple haque pixelà salasselaplus prohe.
Comme préédemment , la omplexité de l'algorithme est en
O (n. log(n))
, et lesrésultatsnumériquesprésentésdans[10℄omparent l'eaitérelative desdiérentes
approhes proposées. De plus, omme ela est présenté, en jouant sur le paramètre
c 1, il est possible de régulariser plus ou moins la solution obtenue, et ela permet
2.5.3 Extension au as non supervisé
Ensupposantque lenombre de lasses
n
soit donné,maispasleurs valeursC i, il
estpossibledelesdéterminer defaçonoptimale enlesintégrantdanslaminimisation
delafontion oût:
(Ω min i ),(C i ) j((Ω i ), (C i )) = X n
i=1
Z
Ω i
| v(x) − C i | 2 dx + α X
i6=j
| Γ ij | .
(2.38)L'idée est de minimiser la fontionnelle
j
alternativement par rapport aux sous- domaineset parrapportauxlasses.Laminimisationpar rapportauxsous-domainesrevient à lassier l'image pour les valeurs
C i, et la minimisation par rapport aux lassesrevient àimposer
C i = 1
| Ω i | Z
Ω i
v(x) dx.
(2.39)L'algorithme de lassiation nonsuperviséeest alors :
•
Initialisation : hoisirunjeu de lassesC 1 , . . . , C n, par exemple équi-réparties.
•
Répéter jusqu'àonvergene :Trouverl'image lassiéepourleslasses
C 1 , . . . , C n enutilisantl'algorithme préédent.
Mettreà jour leslasses ave (2.39).
De même, si le nombre
n
de lasses n'est pas donné, on peut ajouter un termesupplémentaire
+βn
dans lafontion oût(2.38), et minimiser également par rap-portà
n
. Lehoix duparamètrede régularisationβ
inuediretement surlenombredelasses qui seraidentié.
2.6 Segmentation [12, 13℄
Lasegmentation onsisteàdéteterautomatiquementlesdiérentesomposantes
d'uneimage.L'idée debaserestelamême,àsavoirqu'ilfautd'abordommener par
herher les ontours de l'image, e qui revient à séparer les diérentes omposantes
del'image.
Plusieurs approhes ont été proposées dans la littérature. On peut iter les ap-
prohesvariationnelles,par exemplebasées surlaminimisationdelafontionnellede
Mumford-Shah[136℄,lesontoursatifsetméthodesdeserpent[55,156℄,lesapprohes
stohastiques[54,61℄,lestransforméesd'ondelettes,...[43,45,42,140,149,150,176℄.
Cette setion présente les prinipaux résultats obtenus dans [12, 13℄. Des tests
numériques ont également été réalisés danses référenes an de montrer l'eaité
2.6.1 De la restauration à la segmentation
On onsidère à nouveau l'algorithme de restauration dans lequel on utilise la
ondutivité suivante pour leproblèmeperturbé :
c(ε) =
( ε
surω, 1
ε
endehors deω,
(2.40)où
ω ⊂ Ω
représenteraparlasuitel'ensembledesontoursdel'image.Dansunpremier temps,onsupposequeω
n'estpasd'intérieurvide,i.e.qu'ilestdeo-dimension0
dansΩ
. Enutilisant (2.40), l'algorithmerevientalors à onsidérer leproblème suivant :( P ε )
− div(ε ∇ u ε ) + u ε = v dans ω,
− div 1
ε ∇ u ε
+ u ε = v dans Ω \ ω,
∂ n u ε = 0 sur ∂Ω,
(2.41)
où
u ε ∈ H 1 (Ω)
, i.e. ave la ondition impliite de reollement dec(ε)∂ n u ε des deux
tés de
∂ω
.Nousavonsalors lerésultat asymptotiquesuivant [12℄ :
Théorème 2.2 Si
u ε est l'unique solution du problème ( P ε )
dans H 1 (Ω)
, alors
ε→0 lim ( k∇ u ε − ∇ u 0 k L 2 (Ω\ω) + k u ε − u 0 k L 2 (ω) ) = 0, (2.42)
où
u 0 ∈ H 1 (Ω \ ω) ∩ L 2 (Ω)
est la solution de( P 0 )
u 0 = v dans ω,
− div ( ∇ u 0 ) = 0 dans Ω \ ω,
∂ n u 0 = 0 sur ∂ω,
∂ n u 0 = 0 sur ∂Ω.
(2.43)
Cerésultatnousindiquequ'onpeutapproherl'imagesegmentée
u 0àl'aidedeu ε.
Désormais,on suppose que
ω
est de o-dimension1
dansΩ
, e quipermet de mieuxgérer la situation réelle. En eet, du point de vue desappliations, il est naturel de
onsidérer que les ontours forment un ensemble de dimension
1
lorsque l'image estde dimension
2
par exemple.Pour garder la ohérene ave les setions préédentes, nousnoterons désormaisσ
etensemble,quidésigne donlesontoursdel'image.Onsuppose que et ensemble est onnu, grâe à la méthode de détetion des ontours
quenousavonsvue àplusieurs reprises préédemment .
Leproblème
( P ε )
devient désormais( ˜ P ε )
− div 1
ε ∇ u ε
+ u ε = v dans Ω \ σ,
∂ n u ε = 0 sur σ,
∂ n u ε = 0 sur ∂Ω,
(2.44)
où
u ε ∈ H 1 (Ω \ σ)
. L'existene et uniité de la solution estgarantie siv ∈ L 2 (Ω)
. LeThéorème2.3 Si
u ε est l'unique solutiondu problème ( ˜ P ε )
dans H (Ω \ σ)
, alors
k u ε k L 2 (Ω) ≤ k v k L 2 (Ω) , k∇ u ε k L 2 (Ω\σ) ≤ √
ε k v k L 2 (Ω) ,
(2.45)et
ε→0 lim k∇ u ε − ∇ u 0 k L 2 (Ω\σ) = 0, (2.46)
où
u 0 ∈ H 1 (Ω \ σ)
est l'unique solutionde( ˜ P 0 )
− div ( ∇ u 0 ) = 0 dans Ω \ σ, Z
Ω i
u 0 = Z
Ω i
v ∀ Ω i omposante onnexe de Ω \ σ,
∂ n u 0 = 0 sur σ,
∂ n u 0 = 0 sur ∂Ω.
(2.47)
La résolution direte du problème
( ˜ P 0 )
peut s'avérer extrêmement oûteuse en pratique, à ause du très mauvais onditionnement du système. L'idée est alors derésoudredesapproximations
( ˜ P ε )
, etd'approher lasolutionu 0 àl'aidedessolutions
u ε ainsionstruites.
2.6.2 Développement en série entière
Nousallons nousappuyer sur ledéveloppement en série entière de lasolution
u ε
pour onstruire une suite d'approximations [12℄ :
Théorème2.4 Il existe une onstante
ε R > 0
etune famillede fontion(u n ) n∈ N de
H 1 (Ω \ σ)
telleque pour tout 0 ≤ ε ≤ ε R,
u ε = X ∞
n=0
u n ε n .
(2.48)De plus,
u 0 est l'unique solution du problème ( ˜ P 0 )
, et les autres fontions sont les
uniquessolutions dans
H 1 (Ω \ σ)
des problèmesrespetifs suivants :( ˜ P 1 )
− div ( ∇ u 1 ) = − u 0 + v dans Ω \ σ, Z
Ω i
u 1 = 0 ∀ Ω i omposante onnexe de Ω \ σ,
∂ n u 1 = 0 sur σ,
∂ n u 1 = 0 sur ∂Ω,
(2.49)
n ≥ 2, ( ˜ P n )
− div ( ∇ u n ) = − u n−1 dans Ω \ σ, Z
Ω i
u n = 0 ∀ Ω i omposante onnexe de Ω \ σ,
∂ n u n = 0 sur σ,
∂ n u n = 0 sur ∂Ω.
Onpeut alors dénir lafontion suivante :
f (ε) := u ε ∈ H 1 (Ω \ σ),
(2.51)qui admet le développement en série entière (2.48) autour de l'origine. On onsidère
alors unefamille depoints
(ε i )
hoisisdansunintervalle[ε c , ε R ]
,oùε c est unevaleur
ritique pour laquelle on estime qu'il n'est plus raisonnable de résoudre numérique-
mentleproblème
( ˜ P ε )
,etε Restinférieuraurayondeonvergenedelasérie.Àl'aide
deespoints,nouspouvonsdénirdespolynmesd'interpolat iondedegréarbitraire:
g N (ε) = X N
i=1
Y N
j=1,j6=i
ε − ε j ε i − ε j
u ε i ,
(2.52)où
N
estle nombre de pointsε i hoisis,et g N estalors de degréN − 1
.
N − 1
.L'analyitéde lafontion
f
permet d'estimer l'erreur d'approximation, et d'ar- mer quek u 0 − g N (0) k H 1 (Ω\σ) = O (ε N c ).
(2.53)2.6.3 Algorithme
Onpeut alors dénir l'algorithme suivant, baséen partie surl'algorithme deres-
tauration dénien setion2.4:
•
Résoudre les problèmes diret (2.21) et adjoint (2.27) non perturbés(i.e. avec = c 0 partout).
•
Assembler la matrieM (x)
dénie par (2.28) et aluler la valeur propreλ min (M(x))
laplus négative en haque pointdu domaine.•
Dénir l'ensembledesontours :σ = { x ∈ Ω; λ min < α < 0 }
oùα
estun÷-ient de seuillagenégatif.
•
Dénir lavaleur ritiqueε c > 0
en dessousde laquellelarésolution numériqueduproblème
( ˜ P ε )
estdiile.•
Choisir le degréN
de l'approximatio n pour que la norme du résidu soit enO (ε N c )
, etN
valeursdiérentes(ε i )
.•
Résoudre lesN
problèmes( ˜ P ε i )
.•
Caluler lavaleur en0
dupolynmed'interpolat iong N dénipar (2.52).
Laomplexitédeetalgorithmeestdonen
O (N.n. log(n))
,oùn
estlenombredepixelsdel'image,et
N
estledegrédel'approximatio nparinterpolatio n.Typiquement, dansles testsnumériques,N
estde l'ordrede2
à5
.Destestsnumériquesont étéréalisés pour montrer l'intérêt de etalgorithme, et
sont présentésdans[12℄.
2.7 Complexité des algorithmes [13, 16℄
Nousprésentons ii les tehniques quenous avons utilisées pour résoudre les dif-