Chapitre 1
Echantillonnage et anti-aliasing ´
Contenu du chapitre
1 Qu’est-ce-que l’aliasing ? . . . . 6
1.1 L’approche “traitement du signal” . . . 6
1.2 L’analyse de Fourier . . . 9
2 Evaluation d´eterministe de l’intensit´e d’un pixel . . . .´ 12
2.1 Descriptif du probl`eme . . . 12
2.2 Principe du sur´echantillonnage . . . 14
2.3 Interpr´etation du sur´echantillonnage en th´eorie du signal . . 16
2.4 Filtrage en pratique . . . 20
2.5 Sur´echantillonnage adaptatif . . . 22
2.6 Subdivision sur crit`eres s´emantiques . . . 27
2.7 Calcul d’aire direct . . . 27
2.8 Limitation des m´ethodes d´eterministes et ouverture . . . 30
3 G´en´eration de nombres al´eatoires . . . . 32
3.1 G´en´eration de nombres al´eatoires . . . 32
3.2 G´en´eration de variables al´eatoires bidimensionnelles . . . . 40
3.3 Comparaisons et remarques . . . 42
4 Evaluation al´eatoire de l’intensit´e d’un pixel . . . .´ 44
4.1 Les m´ethodes de Monte-Carlo . . . 44
4.2 Utilisation d’une m´ethode al´eatoire . . . 46
4.3 Conclusion et r´esum´e des m´ethodes `a utiliser pour l’´evaluation de l’intensit´e dans un pixel . . . 50
4.4 Compl´ement : le flou de mouvement (motion-blur) . . . 50
5 G´en´eralisation . . . . 53
Lorsque l’on repr´esente un ph´enom`ene continu par une “version num´erique” de celui-ci, il peut apparaˆıtre des distorsions non d´esir´ees. On regroupe sous le nom d’alia- sing l’ensemble des distorsions potentiellement observables en synth`ese d’images. Il est tr`es important de bien comprendre ce ph´enom`ene afin, lorsqu’il apparaˆıt, d’en iden- tifier la source et d’y rem´edier.
1 Qu’est-ce-que l’aliasing ?
1.1 L’approche “traitement du signal”
La “version num´erique” d’un signal continus(t)(caract´eristique d’un ph´enom`ene continu quelconque) s’obtient en deux ´etapes :
– Une phase d’´echantillonnage lors de laquelle on acquiert la connaissance du signal en un petit nombre ti de points. Soit n le nombre de ces points, alors l’ensemble des couples
{ti, s(ti)}i=1···n
est la version ´echantillonn´ee de ce signal.
– Une phase de reconstruction qui consiste `a tenter de r´eobtenir le signal original s `a partir des seuls ´echantillons{ti, s(ti)}dont on dispose.
Cette approche naturelle est celle qui est utilis´ee lorsque l’on trace sur l’´ecran d’un ordinateur une fonction (par exemples(t) =sin(t)) pourt∈[a, b](voir figure 1.1) :
– on choisitnpoints dans l’intervalle[a, b]:
ti =a+ (b−a)× i−1 n−1 pouriallant de1`an. Puis, on calcules(ti)pour touti.
En terme d’´echantillonnage, cela signifie que l’on ´echantillonne uniform´ement la fonctionssur l’intervalle[a, b]avec un pas d’´echantillonnageδconstant :
δ= b−a n−1
δ est la distance entre deux ti cons´ecutifs. La fr´equence d’´echantillonnage est fe = 1/δ(nombre d’´echantillons par unit´e).
– Une phase de reconstruction qui consiste `a tracer l’ensemble des segments {
ti, s(ti)
,(ti+1, s(ti+1))}
pouriallant de0`an−2.
En terme de reconstruction, la fonction trac´ee est la fonction suivante :
˜
s(t) =n−
1 i=0
s(ti).φ
t−ti
δ
o`uφ(t)est la fonction triangle suivante : φ(t) =
⎧⎨
⎩
1 +t sit ∈[−1,0) 1−t sit ∈[0,1)
0 sinon
L’importance de l’aliasing se mesure alors comme l’´ecart entresets˜.
δ s(ti)
s(t)
ti t
(a) ´Echantillonnage uniforme avec un pasδ du signals(t).
φ(t−δti)
ti t
(b) Les fonctionsφde reconstruction.
˜ s(t)
t
(c) La fonction reconstruite FIG. 1.1 – Exemple du couple ´echantillonnage-reconstruction.
Sur certains intervalles, le signal reconstruit˜speut devenir tr`es diff´erent du signal s. On peut grossi`erement distinguer deux cat´egories :
– Les cas o`us˜s’apparente `a un bruit (structures incoh´erentes) : trop peu d’´echan- tillons sont choisis pour reconnaˆıtre le signal d’origine.
– Les cas o`u s˜fait apparaˆıtre des structures coh´erentes tr`es diff´erentes de celles contenues dans le signals original (voir figures 1.2 et 1.3). Ce ph´enom`ene est connu en image sous le nom de “moir´e”.
(a) Le signal ´echantillonn´e paraˆıt constant.
(b) Le signal ´echantillonn´e semble d’une fr´equence plus faible que le signal origi- nal.
(c) La fonction f(ρ(x, y)) o`u ρ(x, y) est la distance `a l’origine et f(t) = 12(1 +sin(t2)). Cette fonction os- cille de plus en plus vite lorsque l’on s’´ecarte du centre.
L’´echantillonnage de cette fonction pr´esente `a la fois de l’aliasing et du moir´e (apparition de r´egions circulaires).
FIG. 1.2 – Exemples simples d’aliasing provoqu´e par un mauvais choix du pas d’´echantillonnage sur un signal continu ´echantillonn´e.
FIG. 1.3 – Exemple classique d’une image de synth`ese pr´esentant de l’aliasing : un damier qui se prolonge `a l’infini. Les contours paraissent discontinus, et la texture du damier forme `a l’infini des structures incoh´erentes.
On se pose donc le probl`eme de savoir comment s’assurer que le signals˜est une repr´esentation correcte du signal s et ´eviter ainsi l’apparition de tels ph´enom`enes.
La th´eorie du signal a fourni depuis longtemps une explication sur l’origine de ces ph´enom`enes, ainsi qu’un crit`ere simple permettant de l’´eviter.
Intuitivement, on sent bien que plus un signal pr´esente des variations importantes lors d’un petit intervalle de temps, plus il faudra prendre d’´echantillons pour que le signal reconstruit `a partir des ´echantillons ressemble au signal original. L’analyse de Fourier nous donne les outils pour ´etudier ce ph´enom`ene.
1.2 L’analyse de Fourier
Nous savons qu’un vecteur a des coordonn´ees diff´erentes en fonction de la base de vecteurs dans laquelle on choisit de l’exprimer. Ces coordonn´ees sont donc la repr´esentation de ce vecteur dans cette base. Une approche similaire peut ˆetre d´evelopp´ee pour les fonctions :
– On peut d´efinir une base de fonctions{Ψf(t)}f∈Edans laquelle on pourra repr´esenter toutes fonctions. Dans le cas de l’analyse de Fourier, ces fonctions sont d´efinies par :
Ψf(t) =e−i2πft = cos(2πf t)−isin(2πf t)
o`uf ∈R. La fonctionΨf(t)est une fonction dont la fr´equence d’oscillation est exactementf. La base {Ψf(t)}f∈R est donc l’ensemble des fonctionsΨf pour toutes les fr´equences possibles.
– La coordonn´ee des(t)correspondant `a la fonction Ψf(t)est obtenue en effec- tuant le produit scalaire (fonctionnel) :
ˆ
s(f) = s(t).Ψf(t).dt ˆ
s(f) repr´esente l’importance que la fr´equence f “joue” dans s(t). {ˆs(f)}f∈R repr´esente les coordonn´ees de la fonctions(t)dans la base{Ψf(t)}f∈R.
– La fonctions(f)ˆ o`uf ∈Rest appel´ee la transform´ee de Fourier des(t). Elle repr´esente une d´ecomposition1suivant toutes les fr´equences des(t). On noteF la transformation de Fourier :sˆ=F(s).
– La fonctions(t)s’´ecrit dans la base des fonctionsΨf comme : s(t) = s(f).eˆ i2πft.df
1Il s’agit d’une g´en´eralisation continue en fr´equence des coefficients de Fourier.
Cette transformation s’appelle la transformation de Fourier inverse desˆ(not´ee s = F−1(ˆs)). Elle permet de retrouver exactement s(t) `a partir de s(fˆ ). La transformation de Fourier d’une fonction est unique2et inversible.
s(t) t
(a) Exemple de signal p´eriodique id´eal :s(t) =a.sin(2πf0.t+φ0).
φ0 est le d´ephasage (le d´ecalage par rapport `a la fonction en poin- till´es).
F
−f0 +f0
|sˆ(f)| 0
a
f
(b) Le module |ˆs(f)| de sa transform´ee de Fourier : deux pics d’amplitude alocalis´es aux fr´equencesf0et−f0.
arg s(f)
−f0
+f0
−φ0
+φ0
−π +π f
(c) La phase arg ˆs(f) de sa transform´ee de Fourier : deux pics antisym´etriques d’ampli- tudeφ0localis´es aux fr´equencesf0et−f0. FIG. 1.4 – Ce que r´ealise une transform´ee de Fourier.
Par cons´equent, l’analyse de Fourier consiste `a changer l’espace de repr´esentation d’une fonction afin d’´etudier les aspects fr´equentiels de celle-ci. Plus pr´ecis´ement,
– le domaine temporel (ou spatial) est le domaine dans lequel le signals(t)d´epend de la variable t : l’axe des ordonn´ees repr´esente une ´evolution temporelle (ou spatiale) tandis que l’axe des abscisses repr´esente l’amplitude du signal `a l’or- donn´ee correspondante.
– le domaine fr´equentiel est le domaine dans lequel le signal complexeˆs(f)d´epend de la fr´equence f. Le transform´ee de Fouriersˆa l’interpr´etation intuitive sui- vante (voir figure 1.4) :
– pour son module|ˆs|, l’axe des abscisses repr´esente l’ensemble des fr´equences possibles et l’axe des ordonn´ees l’importance de cette fr´equence pour ce si- gnal. En g´en´eral, les fr´equences basses (proches de 0) correspondent aux grandes tendances du signal tandis que les hautes fr´equences correspondent aux d´etails ( petites oscillations tr`es rapides). Par cons´equent, l’essentiel des informations se trouve en g´en´eral dans les basses fr´equences.
– pour sa phase, l’axe des abscisses repr´esente l’ensemble des fr´equences pos- sibles et l’axe des ordonn´ees le d´ephasage associ´e `a cette fr´equence.
2Si deux fonctions ont la mˆeme transform´ee de Fourier, alors elles sont ´egales.
On peut alors comprendre l’effet de l’´echantillonnage sur un signal en analysant l’impact que cette op´eration a sur son spectre. On peut alors d´emontrer que (voir figure 1.5) le spectre ´echantillonn´esˆes’´ecrit :ˆse(f) =fe.
ks(fˆ +k.fe). Autrement dit :
⎛
⎝ ´echantillonnage des avec une fr´equence d’´echantillonnagefe
⎞
⎠=⇒
p´eriodisation desˆ avec une fr´equencefe.
s(t)
t F
ˆ s(f)
−fm +fm
f
(a) Transform´ee de Fourier d’un signal continu.
t F
+fe
−fe 2 2
f
(b) Transform´ee de Fourier du mˆeme signal continu, mais ´echantillonn´e. Le spectre devient p´eriodique.
FIG. 1.5 – Influence de l’´echantillonnage sur la transform´ee de Fourier d’un signals(t).
Ceci a deux effets importants :
– Il n’est n´ecessaire de connaˆıtre le spectre que dans l’intervalle [−fe/2, fe/2], puisque le spectre du signal ´echantillonn´e est p´eriodique et de p´eriodefe. – Si le support des(fˆ )(les valeurs def pour lesquellessˆn’est pas nulle) n’est pas
inclus dans[−fe/2, fe/2]alors les spectres p´eriodis´es adjacents se superposent.
Ce ph´enom`ene est appel´e le repliement de spectre (voir figure 1.6).
La cons´equence est l’important th´eor`eme de Nyquist : il n’est pas possible repr´esenter correctement les fr´equences sup´erieures `a fe/2avec un ´echantillonnage de fr´equence fe. Pire, si des fr´equences sup´erieures `afe/2sont pr´esentes dans le spectre, alors elles viennent perturber les fr´equences inf´erieures `afe/2. Donc,
t F
+fe
−fe 2 2
f
FIG. 1.6 – Ph´enom`ene de repliement du spectre : lorsque le pas d’´echantillonnage est insuffisant, la p´eriodisation engendre un m´elange du spectre avec ses versions d´ecal´es, donnant ainsi l’illusion que le spectre se replie (le spectre observ´e est dans la fenˆetre en pointill´ee)
.
l’´echantillonnage d’un signal `a une fr´equencefene provoque pas de perte d’information3si et seulement si la fr´equence maximalefmax
du signal v´erifie la condition suivante : fmax< fe
2
Ce th´eor`eme formalise donc l’intuition qu’un signal comportant beaucoup d’oscil- lations (i.e. des hautes fr´equences) ne peut pas ˆetre repr´esent´e avec un petit nombre d’´echantillons. Vu sous ce jour, le ph´enom`ene d’aliasing apparaˆıtra quand :
– la fr´equence maximale du signalfmax n’est pas major´ee. Dans ce cas, peu im- porte la fr´equence d’´echantillonnage, il y aura des probl`emes de reconstruction.
– la fr´equence d’´echantillonnage fe est fix´ee. Alors toutes les parties du signal pr´esentant des fr´equences plus grandes quefe/2pr´esenteront de l’aliasing.
En synth`ese d’images, le ph´enom`ene d’aliasing est tr `es fr´equent car l’´echantillonnage de ph´enom`enes continus intervient quasiment `a toutes les ´etapes de la construction d’une image.
2 Evaluation d´eterministe de l’intensit ´e d’un pixel ´
2.1 Descriptif du probl`eme
Une image I(x, y) est un signal continu (x et y sont r´eels) qui se forme par la projection d’une sc`ene tridimensionnelle sur le plan de l’´ecran (principe de l’appareil photographique, voir section ??). Une image num´eriqueIi,j est un signal discret (ietj sont entiers). La valeur en chaque point (ou pixel)Ii,jde ce signal discret est l’intensit´e
3Il est alors possible de reconstruire exactement le signal original `a partir des ´echantillons.
moyenne d’une portion de l’imageI(x, y); c’est-`a-dire (en prenant la grille discr`ete naturelle) :
Ii,j = i+1
i
j+1
j I(x, y).dy.dx (1.1)
FIG. 1.7 – Calcul de l’intensit´e d’un pixel
Dans le cas o`u on suppose que tous les objets “contenus dans le pixel” (ou vus “`a travers”) sont localement presque constants, alors cette int´egrale peut se r´e´ecrire sous la forme suivante (voir figure ci-contre) :
Ii,j =AF.IF +
k
Ak.Ik (1.2) o`u pour le ki`eme objet, Ak est son aire contenue dans le pixel, Ik est son inten- sit´e moyenne dans le pixel. L’indiceF fait
r´ef´erence au fond (les portions du pixel non occup´ees par un objet). La somme des aires est ´egale `a1(l’aire d’un pixel) :
AF +
k
Ak= 1
Nous verrons dans les sections suivantes comment le calcul d’intensit´e de l’´equation 1.1 peut ˆetre approch´e en ´echantillonnant le signalI(x, y)en un petit nombre de points du pixel pour tenter d’´evaluer le plus pr´ecis´ement possibleIi,j.
On tire de l’expression deIi,j deux r`egles ´evidentes mais d’int´erˆet pour sa d´etermi- nation :
– Plus l’aire d’un objet est importante, plus sa contribution `a l’intensit´e totale du pixel est importante.
– Si l’intensit´e d’un objet est importante, alors sa contribution `a l’intensit´e totale du pixel peut rester importante mˆeme si son aire est petite. En particulier, si le reste des objets et le fond ont une intensit´e faible, alors la contribution d’un petit objet brillant est majoritaire pour le pixel. Il est n ´ecessaire de traiter explicite- ment ce cas particulier lors du rendu (voir page ?? pour le cas du ray-tracing).
Or les m´ethodes classiques de rendu effectuent des approximations de ce calcul d’aire qui engendrent l’aliasing :
– Pour leZ-buffer, sur les contours (voir figure 1.8), les trac´es obtenus avec l’al- gorithme de Bresenham impliquent que le pixel aura l’intensit´e de l’objet le plus
(a) Trac´e exact. En gris clair, les pixels partiellement occup´es.
(b) Trac´e avec l’algorithme de Br´esenham : effet de cr´enelage.
(c) Trac´e anti-alias´e : l’inten- sit´e du pixel d´epend de son pourcentage d’occupation.
FIG. 1.8 – Application pour le trac´e de la fronti`ere d’une r´egion.
proche d`es que celui-ci occupe au moins la moiti´e de l’aire du pixel (par la r`egle du point milieu), et ceci, mˆeme si sa contribution totale `a l’intensit´e du pixel est inf´erieure `a un objet se trouvant derri`ere.
– Pour le ray-tracing classique, le pixel est affect´e `a l’objet qui intersecte le rayon au centre du pixel, peu importe si celui-ci occupe une aire importante dans le pixel ou non.
Dans les deux cas pr´ec´edents, l’intensit´e du pixel est le r´esultat du calcul en son point central alors que le r´esultat r´eel est obtenu par la somme des intensit´es en tous les points du pixel. On engendre donc n´ecessairement de l’aliasing (voir figure 1.3) :
– sur les contours, il se traduit par un effet de cr´enelage.
– sur les surfaces, d`es que l’objet est textur´e, est que l’´echelle `a laquelle est vue la texture (i.e. sa projection observ´ee dans le plan de l’´ecran) n’est pas compa- tible avec la finesse de la grille de l’´ecran (i.e. `a cette grille est associ´e un pas d’´echantillonnage du plan de l’´ecran insuffisant pour repr´esenter correctement la projection de la texture). On engendre alors des structures coh´erentes tr`es vi- sibles et sans lien avec la texture originale.
Dans la majorit´e des cas, la solution consiste `a affiner le calcul en sur´echantillonnant (i.e. en utilisant non plus une seule valeur pour ´evaluer l’intensit´e du pixel, mais un ensemble de valeurs). Ces techniques sont pr´esent´ees `a la section 2.
2.2 Principe du sur´echantillonnage
La m´ethode d’approximation usuelle de l’intensit´e d’un pixel est bas´ee sur l’hy- poth`ese suivante : l’intensit´eIcsur toute la surface du pixel est constante (I(x, y) =Ic
pour(x, y) ∈ [i, i+ 1)×[j, j + 1)). Il suffit par cons´equent de l’´evaluer en un seul
point (par exemple, le centre de ce pixel). Donc : Ii,j = i+1
i
j+1
j Ic.dy.dx=Ic.
i+1 i
j+1 j dy.dx
aire du pixel = 1
=Ic
Afin d’obtenir une meilleure ´evaluation de l’intensit´e, une id´ee simple consiste `a augmenter le nombre de points de calcul dans un mˆeme pixel (voir figure 1.9) :
1. on divise le pixel en n × n carr´es disjoints {Ck}k=1..n×n de taille identique (appel´es sous-pixels) sur lesquels on suppose que l’intensit´e est constante. Les carr´es sont identiques, disjoints et recouvrent compl`etement le pixel. L’aire de chaque carr´e estAire(Ck) = n12.
2. on ´evalue l’intensit´e{Ik}k=1..n2 au centre de chaque sous-pixel.
3. on calcule l’intensit´e du pixel en utilisant l’´equation 1.1 : Ii,j = n
2
k=1
Ck
Ik.dx.dy= n 2
k=1
Ik.Aire(Ck)
= 1
n2
n2
k=1
Ik
Par cons´equent, l’intensit´e est la moyenne des intensit´es dans les sous-pixels.
Appliqu´ee globalement sur une image, il faut donc calculer une image n fois plus grande et moyenner les pixels par blocs den×npour obtenir l’image finale.
Ic
(a) Un pixel, une seule
´evaluation. L’intensit´e du pixel estIi,j =Ic.
I1 I2
I3
I4
(b) Un pixel, quatre ´evaluations (n = 2). L’aire de chaque sous- pixel est 12 ×12 = 14. L’intensit´e du pixel estIi,j =14.(I1+I2+I3+I4)
I1 I2 I3
I4 I5 I6
I7 I8 I9
(c) Un pixel, neuf ´evaluations (n= 3). L’aire de chaque sous-pixel est
13×13 = 19. L’intensit´e du pixel est Ii,j =199
k=1Ik FIG. 1.9 – sur´echantillonnage uniforme d’un pixel.
Formul´e en termes de zones d’intensit´e constante (voir ´equation 1.2 et figure 1.10) : l’aire de chacune de ces zones est approxim´ee par l’ensemble des sous-pixels dont le
centre est inclus dans celle ci. La pr´ecision de l’int´egrale d´epend donc directement de la taille des sous-pixels (donc leurs nombres) ainsi que de la taille des objets brillants contenus dans le pixel.
(a) contenu d’un pixel. (b) sur´echantillonnage du pixel.
(c) la contribution effective d’une zone d´epend du nombre de points tombant dans celle-ci.
FIG. 1.10 – approximation de l’aire d’un pixel par sur´echantillonnage.
(a) Damier sans traitement anti-aliasing : les contours sont cr´enel´es et la r´egularit´e du da- mier semble changer avec la profondeur.
(b) Damier avec anti-aliasing par sur´echantillonnage (3 × 3 ´echantillons par pixels) : on observe une nette am´elioration.
L’aliasing redevient pr´esent lorsque la fr´equence de la texture continue d’augmenter.
FIG. 1.11 – Technique du sur´echantillonnage appliqu´ee sur un damier r´egulier s’´etendant `a l’infini.
2.3 Interpr´etation du sur´echantillonnage en th´eorie du signal
L’approche pr´ec´edente peut s’interpr´eter dans le cadre de th´eorie du signal, et ex- plique pourquoi cette approche r´eduit le ph´enom`ene d’aliasing. Il devient alors d’in- troduire deux notions suppl´ementaires.
2.3.1 Filtrage dans le domaine fr´equentiel
Nous avons vu dans la section 1.2 sur l’analyse de Fourier qu’il n’est pas possible de repr´esenter correctement les fr´equences au-del`a defm = fe/2avec une fr´equence d’´echantillonnage defe. Toutes les fr´equences au-del`a defm provoqueront des replie- ments de spectre, origine de l’aliasing.
Or, dans notre cadre, il n’est pas question de modifier la fr´equence fe, puisqu’elle correspond directement `a la r´esolution de l’image que l’on observe sur le plan de l’´ecran. Faisons deux remarques sur l’ensemble des fr´equences du signal sup´erieures `a fm:
– Par le th´eor`eme de Nyquist, on sait qu’il sera impossible de les repr´esenter cor- rectement.
– A cause du ph´enom`ene de repliement du spectre, si on conserve les fr´equences sup´erieure `afm, celles-ci vont venir perturber les fr´equences inf´erieures `afm. Donc, pour s’affranchir du ph´enom`ene d’aliasing, la seule solution consiste `a se d´ebarrasser de la partie du spectre dont la fr´equence est sup´erieure `afm.
Cette op´eration peut se formuler en terme de filtrage fr´equentiel. Appliquer un filtrage fr´equentiel sur un signals(t)consiste `a multiplier sa transform´ee de Fourier ˆ
s(f)par une autre fonctionˆh(f)appel´ee filtre4. La transform´ee de Fourier du signal filtr´esF(f)s’´ecrit donc :
ˆ
sF(f) = ˆs(f).ˆh(f)
Un filtre permet donc de s´electionner quelles sont les fr´equences que l’on souhaite laisser passer ou bloquer. Siˆh(f0) = 0, on supprime la fr´equencef0 du signal filtr´e, si 1>|h(fˆ 0)|>0, on l’att´enue ; et si|ˆh(f)|>1, on l’amplifie.
FIG. 1.12 – Spectre d’un filtre passe-bas id´eal.
Si on revient `a notre cadre, le filtre id´ealh(fˆ )dont nous avons besoin est celui qui laisse passer toutes les fr´equences en dessous de fm et bloque toutes les autres. Formellement, ce filtre s’´ecrit donc :
h(fˆ ) =I(−fO,fO)(f) =
1 sif ∈(−fO, fO) 0 sinon
Ce filtre laisse passer en priorit´e les basses fr´equences.
Ce type de filtre est appel´e un filtre passe-bas.
2.3.2 Produit de convolution
(faire un sch´ema pour expliquer le sens du produit de convolution)
4mais ´egalement fonction de transfert.
D´efinissons tout d’abord le produit de convolution entre deux fonctions s et h comme :
(s∗h)(t) = s(t−u).h(u).du (1.3) o`u l’op´erateur de convolution est not´e∗.
Dans la section pr´ec´edente, nous avons vu comment construire un filtre passe-bas id´eal dans le domaine fr´equentiel, et comment l’appliquer `a la transform´ee de Fourier d’un signal. A quoi un filtrage correspond-il dans le domaine spatial ? On peut montrer simplement que :
sF = F−1(ˆsF) =F−1(ˆs.ˆh) =F−1(ˆs)∗ F−1(ˆh)
= s∗h
Donc, le signal filtr´esF s’obtient `a partir du signalspar convolution avec le filtreh. 2.3.3 Interpr´etation
En synth`ese d’image, on n’a pas acc`es au v´eritable signal s(t), mˆeme si on dis- pose de toutes les informations n´ecessaires pour le construire (g´eom´etrie des objets, caract´eristiques physiques, ...). La seule chose que l’on sait faire, c’est ´evaluer ce si- gnal pour toutt. Mais cette ´evaluation est coˆuteuse : dans l’id´eal, on ne souhaiterait pas calculersplus d’une fois par pixel.
En supposant que la fr´equence maximale du signal estfm, la seule fac¸on de construire un signal non alias´e ´echantillonn´e avec la fr´equencefeest :
1. sur´echantillonner5 : ´echantillonner le signal avec une fr´equence2.fm.
spectre du signal continu
sur-´echantillonnage
−−−−−−−−−−→
du signal
spectre du signal sur-´echantillonn´e
2. filtrer : appliquer un filtre passe-bas pour la bande de fr´equence(−fe/2,+fe/2).
spectre du signal sur´echantillonn´e
×
filtre passe-bas
=
spectre filtr´e du signal sur´echantillonn´e
5En pratique, on peut se contenter defm+fe/2car on peut autoriser le filtre `a se replier dans la bande de fr´equence au-del`a defe/2puisque l’on ne conserve pas cette partie du spectre.
3. r´e´echantillonner : ´echantillonner6le signal filtr´e avec une fr´equencefe.
spectre filtr´e du signal sur´echantillonn´e
´echantillonnage
−−−−−−−−−→
du signal
spectre signal filtr´e
´echantillonn´e
Le signal r´esultant est donc de mˆeme taille que celui que l’on aurait obtenu en ap- pliquant directement un pas d’´echantillonnage de 1 sur le signal original mais avec les diff´erences significatives suivantes. La phase de sur´echantillonnage a pour but d’´echantillonner le signal original avec un pas suffisant (i.e. sans ou avec peu de re- pliement de spectre). La phase de filtrage permet de se d´ebarrasser des hautes fr´equen- ces. Le signal obtenu peut ainsi ˆetre ´echantillonn´e avec un pas de 1 sans provoquer d’aliasing car la portion haute fr´equence du spectre (qui se repliait et venait pertur- ber les basses fr´equences) a ´et´e supprim´ee lors de la phase de filtrage. Le signal original est donc modifi´e afin de permettre une repr´esentation correcte de celui-ci malgr´e un pas d’´echantillonnage normalement insuffisant. Visuellement, cette op´e- ration lisse le signal original (visuellement, on le rend flou) pour n’en conserver que les grandes tendances repr´esentables avec un pas d’´echantillonnage de 1. Cette id´ee est utilis´ee dans l’annexe dans le probl`eme de changement d’´echelle d’une image (cas d’un r´etr´ecissement).
Cette technique pose un probl`eme essentiel pour son application `a la synth`ese d’images : on ne connaˆıt g´en´eralement pas la fr´equence maximale fm du spectre de l’image que l’on cherche `a synth´etiser. En clair, on ne sait pas combien de points de calcul sont n´ecessaires par pixel pour ˆetre sˆur d’obtenir une image non alias´ee (on ne sait pas comment choisir lende la section 2.2).
En toute rigueur, puisque l’on essaie d’obtenir un aspect naturel, cette fr´equence maximale n’existe pas car le spectre d’une image naturelle contient toutes les fr´equences.
En pratique, cela signifie qu’on ne sait pas choisir le n ad´equat (le nombre de sous- pixels en lequel il faut d´ecomposer le pixel) de fac¸on `a ˆetre sur de se pr´eserver de l’aliasing. En cons´equence, si la fr´equence de sur´echantillonnage est trop faible, les plus hautes fr´equences continuent `a perturber le signal filtr´e (voir figure 1.11).
6Si les deux ´etapes pr´ec´edentes n’´etaient pas pr´esentes, on obtiendrait un repliement de spectre :
spectre du signal continu
´echantillonnage
−−−−−−−−−→
du signal
spectre du signal ´echantillonn´e
2.4 Filtrage en pratique
Le filtre passe-bas id´eal h(fˆ ) = I(−f0/2,f0/2) poss`ede un d´efaut important : son expression dans le domaine spatial est un sinus cardinal7 : h(t) = sinc(f0.t). Par cons´equent, il n’est pas localis´e8 dans le domaine spatial. Appliqu´e en un point, ce filtre tient donc compte d’un grand nombre de voisins.
Inversement, consid´erons le filtre moyenneh(t) = I(−a,a)(t)/(2a). Ce filtre est un filtre passe-bas (sa transform´ee de Fourierˆh(f)est un sinus cardinal). Par cons´equent, ce filtre n’est pas localis´e dans le domaine fr´equentiel, par cons´equent, le filtre laisse passer (de mani`ere att´enu´ee) certaines hautes fr´equences.
En fait, il n’est pas possible de trouver un filtre dont le support est fini `a la fois dans le domaine spatial et fr´equentiel. Par contre, on peut montrer que le filtre gaussien est le filtre qui poss`ede la meilleure9localisation espace-fr´equence : il est `a support infini, mais sa d´ecroissance est suffisamment rapide pour le consid´erer comme localis´e. De plus, il poss`ede l’avantage d’ˆetre isotrope.
En pratique, on n’applique le filtrage que sur les points (i.e. au “centre” du pixel) qui seront consid´er´es lors du r´e´echantillonnage. Il est en effet inutile de connaˆıtre la va- leur de l’image sur´echantillonn´ee filtr´ee en tout point. C’est la raison pour laquelle il est plus rapide de travailler dans le domaine spatial plutˆot que dans le domaine fr´equentiel.
Nous n’avons donn´e pour l’instant l’expression de la convolution que pour un si- gnal unidimensionnel (voir ´equation 1.3). Elle s’adapte facilement en deux dimensions pour image :
(s∗h)(x, y) =
s(x−u, y−v).h(u, v).du.dv
Si le support du filtrehest compact (h(x, y) = 0pour(x, y)∈(−a,+a)×(−b,+b)), l’´equation devient :
(s∗h)(x, y) = +a
−a +b
−b h(u, v).s(x−u, y−v)
On en d´eduit imm´ediatement la forme de la convolution entre un signal discret et un filtre discret centr´e de taille(2n+ 1)×(2p+ 1):
(s∗h)i,j =
+n
u=−n +p
v=−p
hu,v.si−u,j−v
7sinc(x) = sin(x)/x
8Autrement dit, la fonction n’est pas `a support compact (il n’existe pas d’intervalle[a, b]tels que h(t) = 0sit∈[a, b]).
9La transform´ee de Fourier d’une gaussienne est une gaussienne.
Exemple 1 Le filtrehde taille3×3peut s’´ecrire comme la matrice :
h=
⎡
⎣h−1,−1 h0,−1 h1,−1
h−1,0 h0,0 h1,0
h−1,1 h0,1 h1,1
⎤
⎦
o`u le coefficienth0,0 est le centre du filtre. La valeur au point(i, j)du signal bidimen- sionnelsi,j filtr´e par le filtrehs’obtient avec :
(s h)i,j = 1 u=−1
1 v=−1
mu,v.si−u,j−v
= h−1,−1.si+1,j+1+h0,−1.si,j+1 +h1,−1.si−1,j+1 + h−1,0 .si+1,j +h0,0 .si,j +h1,0 .si−1,j + h−1,1 .si+1,j−1+h0,1 .si,j−1 +h1,1 .si−1,j−1
On remarquera que le filtre est invers´e dans les deux directions pour ˆetre appliqu´e au signal.
Avec les remarques pr´ec´edentes, on est donc amen´e `a utiliser essentiellement deux types de filtres :
Les filtres moyennes : pour lesquelles la matrice Mn associ´ee au filtre de taille n s’´ecrit toujours comme une matrice de taille n× n ne contenant que des 1 et renormalis´ee parn2. Par exemple, la matriceM3 s’´ecrit :
M3=1 9
⎡
⎣1 1 1 1 1 1 1 1 1
⎤
⎦
les filtres gaussiens : on peut montrer qu’un filtre gaussien peut se construire comme la convolution infinie de filtres moyennes. On obtiendra donc une bonne approxi- mation du filtre gaussien de taille finie en convoluant des filtres moyennes. Par exemple,
G1 = M2∗M2
= 1 16
⎡
⎣1 2 1 2 4 2 1 2 1
⎤
⎦
G2 = M2∗M3
= 1 36
⎡
⎢⎢
⎣
1 2 2 1 2 4 4 2 2 4 4 2 1 2 2 1
⎤
⎥⎥
⎦
G3 = M2∗M2∗M2
= G1∗M2
= 1
256
⎡
⎢⎢
⎢⎢
⎣
1 4 6 4 1
4 16 24 16 4 6 24 36 24 6 4 16 24 16 4
1 4 6 4 1
⎤
⎥⎥
⎥⎥
⎦
G3 = M3∗M3
= 1 81
⎡
⎢⎢
⎢⎢
⎣
1 2 3 2 1 2 4 6 4 2 3 6 9 6 3 2 4 6 4 2 1 2 3 2 1
⎤
⎥⎥
⎥⎥
⎦
Si l’on interpr`ete ce filtre en tant que pond´eration (et non en terme de filtrage) de ce qui se passe dans l’ensemble des sous-pixels, cela revient `a accentuer ce qui se passe au centre du pixel par rapport au bord.
2.5 Sur´echantillonnage adaptatif
Le sur´echantillonnage pose deux probl`emes :
– en calculant les images avec des r´esolutions beaucoup plus grandes celles n´ecessaire, on augmente consid´erablement le temps de calcul (au moins d’un facteur n2 si nest le facteur du sur´echantillonnage).
– le sur´echantillonnage est loin d’ˆetre n´ecessaire partout. En particulier, on sait que l’aliasing apparaˆıt en priorit´e sur les zones de contours ou `a la surface d’objets textur´es. Ces zones sont souvent assez minoritaires sur une image.
Tel que nous l’avons pr´esent´e jusqu’ici il est donc grandement inefficace. Une version adaptative permettrait de r´eduire consid´erablement le coˆut du sur´echantillonnage en ne l’effectuant qu’aux endroits de l’image susceptibles de pr´esenter de l’aliasing. Ceci est r´ealis´e grˆace aux outils suivants :
– une m´ethode r´ecursive de subdivision du pixel pour permettre une adaptation spatiale de la subdivision. A cette m´ethode de subdivision est associ´ee une m´ethode de calcul de l’intensit´e `a partir des subdivisions effectu´ees.
– un crit`ere de subdivision afin de d´ecider si une zone du pixel doit subir une subdivision ou non.
2.5.1 M´ethode r´ecursive de subdivision d’espace
La m´ethode de subdivision choisie doit permettre un raffinement progressif de cer- taines zones particuli`eres du pixel et se prˆeter facilement `a une ´evaluation locale de l’intensit´e. Une des m´ethodes possibles est celle pr´esent´ee figure 1.13 (m´ethode de Whitted).
Pour chaque pixel, on dispose `a l’origine d’un sur´echantillonnage de 2 : on connaˆıt les valeurs des intensit´es aux coins du pixel et au centre. Au total, pour une image
(a) Initial. (b) Apr`es raffinement.
FIG. 1.13 – Structure d’´echantillonnage et raffinement du coin sup´erieur droit par la m´ethode de Whitted
finale de taillesx×sy, on doit donc pr´ecalculer : (sx+ 1)×(sy+ 1)
valeurs dans les coins
+ s x×sy valeurs aux centres
puisque la valeur `a un coin du pixel est en g´en´eral partag´ee par 4 pixels. En fonction de l’importance de la subdivision suivante, on ajoute :
– 3nouveaux points pour subdiviser un coin.
– 5nouveaux points pour subdiviser la moiti´e du pixel.
– au plus8nouveaux points pour subdiviser tout le pixel.
Le calcul de l’intensit´e s’effectue de la fac¸on suivante (voir figure 1.14). Si l’on noteA,B,C,Dl’intensit´e aux coins et l’intensit´e au centre du pixel, alors l’intensit´e Ipsur le pixel s’´evalue comme :
Ip = 1 2E+1
8(A+B +C+D)
= 1
4
aire d’un coin
⎛
⎜⎜
⎝ A+E 2
sup´erieur gauche
+ B+E 2
sup´erieur droit
+ C+E 2
inf´erieur gauche
+ D+E 2
inf´erieur droit
⎞
⎟⎟
⎠
intensit´e des coins
(1.4)
Si un coin est subdivis´e (par exemple, si les intensit´esF,G etH sont calcul´ees pour le coin sup´erieur droit - voir figure 1.14), il suffit de mettre `a jour l’intensit´e du coin subdivis´e. Nomm´ement dans ce cas, on remplace :
B +E 2
estimation sur 2 points
par 1
4
F +G
2 + G+B
2 + G+E
2 + G+H 2
nouvelle estimation calcul´ee sur 5 points
Cette nouvelle expression peut de nouveau ˆetre d´ecompos´ee comme la somme de 4 termes repr´esentant chacun l’intensit´e dans un des coins du sous-pixel.
La d´ecision de subdivision d’une zone du pixel est prise grˆace `a l’un des crit`eres de subdivision suivants.
initial raffinement
subdivisions
points de calcul de l’intensit´e
aires associ´ees `a chaque point de calcul
FIG. 1.14 – Raffinement du coin sup´erieur droit : calcul de l’intensit´e et aires associ´ees.
2.5.2 Crit`eres de subdivision
Le crit`ere de subdivision a pour but de d´eterminer si le pixel doit ˆetre sur´echantillonn´e ou non. Il doit donc r´eagir dans les r´egions susceptibles de contenir de l’aliasing :
– soit on se trouve sur un contour. Les contours ont des sources multiples, notam- ment :
– passage d’un objet `a un autre.
– auto-occlusion d’un objet complexe.
– ph´enom`ene d’ombrage et de lumi`ere : contour engendr´e par une ombre pro- jet´ee, contour du reflet d’un objet sur un autre, etc ...
– un des ph´enom`enes pr´ec´edents derri`ere un objet transparent.
La d´etection de l’ensemble des zones o`u l’aliasing peut se manifester est donc probl´ematique. Dans cette partie, nous ne d´evelopperons que des crit`eres qui se limitent `a une analyse des valeurs connues en ces points. Une autre approche permettant une analyse s´emantique du probl`eme sera abord´ee en fin de section.
– soit on se trouve sur une texture. On ne consid´erera pas ce cas car il existe des
techniques sp´ecifiques int´egr´ees au plaquage de textures permettant de traiter efficacement le probl`eme de l’aliasing des textures (voir la m´ethode du mip- mapping dans le chapitre ??).
Dans ce cadre, le crit`ere de subdivision est donc un test effectu´e sur les valeurs connues dans le pixel dans le but de d´eterminer si le pixel doit ˆetre subdivis´e ou non ; et r´ecursivement, il est appliqu´e sur les valeurs de chaque sous-pixel pour savoir s’il faut ou non continuer la subdivision. Un test implique la comparaison de valeurs. Or, ces valeurs peuvent ˆetre de diff´erentes natures :
– des valeurs d’intensit´es.
– des triplets RVB ou XYZ.
– desn-uplets correspondant auxnlongueurs d’onde d’une ´evaluation spectrale.
Si les comparaisons d’intensit´es ne posent pas de probl`eme, il n’en va pas de mˆeme dans les autres cas. Comme nous l’indiquions dans le chapitre sur la couleur, ces es- paces ne sont pas perceptivement uniformes. Il est donc pr´ef´erable10 d’effectuer les comparaisons dans des espaces pr´evus `a cet effet (les espacesL∗a∗b∗ ouL∗u∗v∗, voir le chapitre sur la couleur, page ??) ou de disposer de tests adapt´es `a chacune des com- posantes.
Notons {sk} l’ensemble des valeurs connues sur le pixel,smax le maximum des sk etsminleur minimum. On suppose que l’´echelle de variation dessksur l’image est [0,1]. Dans l’exemple de la section pr´ec´edente, les valeurs dessksont{A, B, C, D, E}. Dans le sous-pixel sup´erieur droit (`a l’´etape r´ecursive suivante), le crit`ere est ´evalu´e avec{sk}={B, E, F, G, H}. Les crit`eres possibles sont alors les suivants :
Diff´erences d’intensit´e : on subdivise sismax−smin > .
repr´esente la diff´erence maximale d’intensit´e autoris´ee au sein du pixel. Sa va- leur est g´en´eralement choisie proportionnelle au pas de quantification (k/28pour une intensit´e cod´ee sur 8 bits aveckproche de 1). La diff´erence d’intensit´e peut
´egalement ˆetre ´evalu´ee de fac¸on locale. En reprenant la m´ethode de subdivision de la section pr´ec´edente, on peut construire les r`egles suivantes :
– le coin sup´erieur gauche (resp. sup´erieur droit, inf´erieur droit, inf´erieur gauche) est subdivis´e si|E−A|est sup´erieur `a(resp.|E−B|,|E−C|,|E−D|).
– la partie sup´erieure (resp. droite, inf´erieure, gauche) est subdivis´ee si|A−B|
est sup´erieur `a(resp.|B−C|,|C−D|,|D−E|).
La figure 1.15 pr´esente un exemple de subdivision bas´e sur ces r`egles.
Etendue d’intensit´e : on subdivise si´ |smax−t|> ou|smin−t|> .
t est une valeur de r´ef´erence (la moyenne, le m´edian, ...). La subdivision a lieu si les valeurs maximale ou minimale s’´ecartent trop de la valeur de r´ef´erencet.
10Th´eoriquement. En effet, il arrive que l’utilisation de ces espaces ne donne pas d’am´elioration notable ; ou pire, donnent des r´esultats moins bon que dans l’espace RGB.
(a) subdivisions du pixel (b) points de calcul
FIG. 1.15 – Exemple de sur´echantillonnage adaptatif sur un contour avec la m´ethode de subdivision de Whitted. Les r`egles de subdivision sont : (1) test central : si le crit`ere de subdivision entre le centre et un coins est v´erifi´e, on subdivise le quart de pixel concern´e. (2) test des coins : si le crit`ere de subdivision entre deux coins adjacents est v´erifi´e, on subdivise le demi-pixel concern´e.
Contraste : le contraste est un bon pr´edicteur de la r´eponse de l’oeil. Il est d´efini par : C = smax−smin
smax+smin
On subdivise si C > . Les valeurs sugg´er´ees pour le rouge, le vert et le bleu sont respectivement0.4,0.3et0.6. Attention, ce test est tr`es sensible lorsque les valeurs dessksont toutes faibles. Pour cette raison, on utilise plutˆot une version modifi´ee du contraste :C = ¯s.C o`us¯est la moyenne dessk.
2.5.3 Compl´ements : subdivision en diamant
La subdivision de Whitted produit la mˆeme r´esultat que deux ´etapes d’une subdi- vision en diamant comme le montre le sch´ema ci-dessous :
Grille initiale. 1`eresubdivision. 2`emesubdivision. 3`emesubdivision.
La construction de la valeur du pixel utilise alors la mˆeme r`egle des aires que pour la d´ecomposition de Whitted :
1`eresubdivision : ci
c Ip = 12c+18 4
i=1
ci
2`emesubdivision : bi
ci
c Ip = 14c+18 4
i=1
bi+ 161 4
i=1
ci
3`emesubdivision : di
bi
ci
c Ip = 18c+18 4
i=1
di+ 161 4
i=1
bi +321 4
i=1
ci
2.6 Subdivision sur crit`eres s´emantiques
L’analyse s´emantique est une solution plus adapt´ee et efficace (mais coˆuteuse en temps) que les crit`eres propos´es ici. Elle exige de disposer en chaque point de l’objet sur lequel on se trouve et de la totalit´e des informations utilis´ees pour effectuer le rendu afin de d´etecter les changements responsables de l’apparition d’un contour `a travers une analyse s´emantique de la situation. Voici deux exemples pour des rayons directs :
– si le rendu sur deux points adjacents provient de deux objets diff´erents, alors il y a, entre ces deux points, un contour engendr´e par la transition entre les deux objets.
– si le rendu sur deux points adjacents provient d’un mˆeme objet, mais que les sources lumineuses ´eclairant directement ces deux points changent, alors on se trouve dans la zone de transition d’une ombre port´ee.
Dans le cas du ray-tracing, l’analyse et la comparaison de l’arbre de rendu sur des pixels adjacents permet de conclure dans ces situations (mˆeme dans les cas complexes de contours engendr´es par un reflet).
2.7 Calcul d’aire direct
On se replace dans le cadre de la section 2 (page 12). Dans le cas o`u les objets qui composent la sc`ene sont des polygones, il est possible d’´evaluer exactement l’int´egrale 1.1 sur chacun des polygones participant `a l’intensit´e du pixel. Tel quel, le coˆut de cette m´ethode est prohibitif, mais celle-ci peut ˆetre approxim´ee : le pixel est d´ecompos´e en sous-pixels (on reprend en cela l’id´ee du sur´echantillonnage - voir figure 1.16 et ??).
(a) Exemple (b) Intersection entre le polygone et le pixel
(c) Superposition de la grille : les sommets du polygone (repr´esent´es par des cercles) n’inter- sectent pas la grille
(d) On les d´eplace pour qu’ils co¨ıncident avec la grille (on choisit le plus proche).
FIG. 1.16 – Calcul de l’intersection entre un polygone et le masque
FIG. 1.17 – M´ethode rapide de calcul du masque : on proc`ede en traitant s´epar´ement les cˆot´es du polygone intersectant le pixel, et en regroupant les r´esultats avec des op´erations binaires ´el´ementaires.
On “clippe” les extr´emit´es du segment au point le plus proche sur la grille. Un bit du masque est mis `a 1si plus de la moiti´e de son aire est incluse dans le polygone (Bresenham)
FIG. 1.18 – M´ethode duA-buffer
L’intensit´e du pixel est ensuite construite it´erativement en traitant un par un les polygones intersectant le polygone et en conservant les sous-pixels dans lesquels l’in- tensit´e doit ˆetre calcul´ee dans un buffer. Cette technique est connue sous le nom de A-buffer (Anti-Aliasing, buffer de moyenne d’AireAccumul´ee).
entr´ee (i, j) les coordonn´ees du pixel dont on veut ´evaluer l’intensit´e.
S la sc`ene (contient la liste des polygones la composant).
sortie Ii,j l’intensit´e du pixel de coordonn´ees(i, j).
variables p le facteur de sur´echantillonnage du pixel (il est d´ecoup´e enp×psous- pixels).
M0 masque binaire de taillep×pcontenant les sous-pixels pour lesquels l’in- tensit´e a d´ej`a ´et´e ´evalu´ee (i.e. leA-buffer).
M masque binaire contenant l’approximation (en terme de sous-pixel) du po- lygone en cours de traitement.
fonction A(M) fonction calculant la portion d’aire du buffer binaireM. Par exemple, siM contientqpixels `a1, alorsA(M) =q/p2.
algorithme InitialiserM0`a1.
InitialiserIij `a0.
Trouver les polygonesPkqui intersectent le pixelIij (on notenleur nombre).
Trier parZcroissant ces polygones (indic´es deP1le plus proche jusqu‘`aPnle plus ´eloign´e).
k= 1
Tant quek≤netM0= 0
Calculer le masqueMde la fraction du polygonePkintersectant le pixelpij(voir figure 1.17).
Enlever les pixels d´ej`a dessin´es :M =M&M0. siM = 0alors passer au polygone suivant.
Mettre `a jour le masque des pixels d´ej`a dessin´es :M0=M0& (!M).
Calculer la couleur (constante)Ikdu polygonePksur l’intersection dePket du pixel(i, j).
Mettre `a jour la couleur du point :Ii,j =Ii,j+Ik.A(M)
Ajouter la couleur du fond pour les points n’intersectant pas de polygones :Ii,j =Ii,j+IF.A(M0) Algorithme 1:Algorithme duA-buffer (voir aussi figure 1.18).
La qualit´e du rendu d´epend de la taille du masque choisi. Cette technique effi- cace est maintenant impl´ement´ee sur la majorit´e des syst`emes de rendu actuels en compl´ement duZ-buffer.
2.8 Limitation des m´ethodes d´eterministes et ouverture
Comme nous l’avons d´ej`a vu, si un signal observ´e n’a pas de fr´equence maxi- male, alors il n’est pas possible en l’´echantillonnant d’obtenir un signal non alias´e.
Mieux, l’apparence que l’aliasing prend est une cons´equence directe de la r´egularit´e